Suplemento20120de20gum PDF

JCGM 101:2008
Evaluacin de datos de medicin

Suplemento 1 de la Gua para la
expresin de la incertidumbre de
medida
Propagacin de distribuciones
aplicando el mtodo de Monte Carlo
Primera edicin, 2008

Primera edicin de la traduccin al espaol, 2010
Centro Espaol de Metrologa
JCGM 2008
Suplemento 1 de la GUM, traduccin al espaol 2010
JCGM 2008
Los derechos de autor de esta gua del JCGM son propiedad conjunta de las organizaciones
miembros del JCGM (BIPM, IEC, IFCC, ILAC, ISO, IUPAC, IUPAP y OIML).
Derechos de autor
Aun cuando la versin electrnica puede descargarse de forma gratuita de las pginas web de
alguna o varias de las organizaciones miembros del JCGM, los derechos econmicos y ticos de
autor relativos a todas las publicaciones del JCGM estn protegidos internacionalmente. El JCGM
no permite, sin autorizacin expresa por escrito, que terceras partes reescriban o modifiquen,
editen o vendan, distribuyan o pongan en la red, esta publicacin. De la misma forma, el JCGM no
permite alteraciones, incorporaciones u omisiones en sus publicaciones, incluidos sus ttulos,
lemas y logotipos, ni en aquellas de sus organizaciones miembros.
Versiones oficiales y traducciones
Las nicas versiones oficiales de los documentos son las publicadas por el JCGM en sus idiomas
originales.
Las publicaciones del JCGM pueden traducirse a idiomas distintos de aquellos en los que los
documentos fueron publicados por el JCGM. Antes de hacer una traduccin debe obtenerse la
autorizacin del JCGM. Todas las traducciones deben respetar el original y el formato oficial de las
frmulas y unidades (sin ningn tipo de conversin a otras frmulas o unidades), asimismo deben
contener la siguiente declaracin:
Todos los productos de JCGM estn protegidos internacionalmente por derechos de autor. La
presente traduccin del documento original del JCGM ha sido elaborada bajo autorizacin del
JCGM, el cual conserva plenamente los derechos de autor internacionalmente protegidos
sobre el diseo y el contenido de este documento y sobre los ttulos, logotipos y lemas del
JCGM. Las organizaciones miembros del JCGM tambin conservan plenamente sus derechos
protegidos internacionalmente sobre sus ttulos, lemas y logotipos incluidos en las
publicaciones del JCGM. La nica versin oficial es el documento publicado por el JCGM en
los idiomas originales.
El JCGM no acepta ninguna responsabilidad derivada de la idoneidad, exactitud, integridad o

calidad de la informacin y de los materiales ofrecidos en cualquier traduccin. Se suministrar al
JCGM una copia de la traduccin en el momento de la publicacin.
El Centro Espaol de Metrologa publica la traduccin al espaol de la presente edicin del

Suplemento 1 de la GUM, tanto en papel como en formato electrnico en www.cem.es, con
autorizacin expresa del JCGM.
Reproduccin
Este documento se reproduce con permiso del JCGM, el cual conserva plenamente los derechos
de autor protegidos internacionalmente sobre el diseo y el contenido de este documento y sobre
los ttulos, lemas y logotipos del JCGM. Las organizaciones miembros del JCGM tambin
conservan plenamente sus derechos protegidos internacionalmente sobre sus ttulos, lemas y
logotipos incluidos en las publicaciones del JCGM. Las nicas versiones oficiales son las versiones
originales de los documentos publicados por el JCGM.
JCGM 2008 - Reservados todos los derechos i

Exencin de responsabilidad
El JCGM y sus organizaciones miembros han publicado este documento para mejorar el acceso a
la informacin sobre metrologa. Se esforzarn por actualizarlo de manera peridica, pero no
pueden garantizar la exactitud en todo momento y no sern responsables de los daos directos o
indirectos que puedan derivarse de su uso. Las referencias a productos comerciales de cualquier
tipo (incluyendo software, datos o hardware, pero sin limitarse a ellos) o los enlaces a pginas web
sobre los que el JCGM y sus organizaciones miembros no tengan control y sobre los que no
asuman ninguna responsabilidad, no implican aprobacin, adopcin o recomendacin del JCGM ni
de sus organizaciones miembros.
JCGM 2008 - Reservados todos los derechos ii

Contenido
Prlogo v
Introduccin vi
1 Alcance 1
2 Referencias normativas 2
3 Trminos y definiciones 3
4 Convenciones y notacin 7
5 Principios bsicos 10
5.1 Fases principales de la evaluacin de la incertidumbre 10
5.2 Propagacin de distribuciones 11
5.3 Resumen de la obtencin de informacin 11
5.4 Realizacin de la propagacin de distribuciones 12
5.5 Informe de resultados 14
5.6 Enfoque GUM 15
5.7 Condiciones para la aplicacin vlida del enfoque GUM en modelos lineales 16
5.8 Condiciones para la aplicacin vlida del enfoque GUM en modelos no lineales 17
5.9 La aproximacin Monte Carlo a las fases de propagacin y resumen 18
5.10 Condiciones para la aplicacin vlida del mtodo de Monte Carlo descrito 19
5.11 Comparacin entre el enfoque GUM y el mtodo de Monte Carlo descrito 21
6 Funciones de densidad de probabilidad para las magnitudes de entrada 23
6.1 Generalidades 23
6.2 Teorema de Bayes 23
6.3 El principio de mxima entropa 24
6.4 Asignacin de la funcin de densidad de probabilidad en algunas circunstancias
habituales 24
6.4.1 Generalidades 24
6.4.2 La distribucin rectangular 25
6.4.3 La distribucin rectangular con lmites inexactos 25
6.4.4 La distribucin trapezoidal 27
6.4.5 La distribucin triangular 29
6.4.6 La distribucin arco seno (en forma de U) 29
6.4.7 La distribucin gaussiana 30
6.4.8 La distribucin gaussiana multivariante 30
6.4.9 La distribucin t 32
6.4.10 La distribucin exponencial 33
6.4.11 La distribucin Gamma 34
6.5 Distribuciones de probabilidad a partir de estimaciones previas de incertidumbre 35
7 Aplicacin del mtodo de Monte Carlo 35
7.1 Generalidades 35
7.2 Nmero de reiteraciones en el mtodo de Monte Carlo 35
7.3 Muestreo a partir de distribuciones de probabilidad 36
7.4 Evaluacin del modelo 36
7.5 Representacin discreta de la funcin de distribucin para la magnitud de salida 37
7.6 Estimacin de la magnitud de salida y de su incertidumbre tpica asociada 37
7.7 Intervalo de cobertura para una magnitud de salida 38
7.8 Tiempo de procesamiento 39
7.9 Procedimiento de Monte Carlo adaptable 39
7.9.1 Generalidades 39
7.9.2 Tolerancia numrica asociada a un valor numrico 39
7.9.3 Objetivo de un procedimiento adaptable 40
7.9.4 Procedimiento adaptable 40
JCGM 2008 - Reservados todos los derechos iii

8 Validacin de los resultados 42

8.1 Validacin del enfoque GUM mediante el mtodo de Monte Carlo 42
8.2 Obtencin de resultados a partir del mtodo de Monte Carlo, a efectos de validacin 43
9 Ejemplos 43
9.1 Ilustraciones de aspectos de este Suplemento 43
9.2 Modelo aditivo 44
9.2.1 Formulacin 44
9.2.2 Magnitudes de entrada distribuidas normalmente (gaussianas) 45
9.2.3 Magnitudes de entrada distribuidas rectangularmente con la misma amplitud 47
9.2.4 Magnitudes de entrada distribuidas rectangularmente, con diferentes amplitudes 48
9.3 Calibracin de masa 49
9.3.1 Formulacin 49
9.3.2 Propagacin y conclusiones 51
9.4 Prdida por comparacin en la calibracin de un medidor de potencia de microondas 53
9.4.1 Formulacin 53
9.4.2 Propagacin y resumen: covarianza nula 54
9.4.3 Propagacin y resumen: covarianza distinta de cero 60
9.5 Calibracin de bloque patrn 62
9.5.1 Formulacin: modelo 62
9.5.2 Formulacin: asignacin de FDP 63
9.5.3 Propagacin y resumen 67
9.5.4 Resultados 67
Anexos 69
Anexo A Perspectiva histrica 69
Anexo B Coeficientes de sensibilidad y balance de incertidumbres 70
Anexo C Muestreo a partir de distribuciones de probabilidad 71
C.1 Generalidades 71
C.2 Distribuciones generales 71
C.3 Distribucin rectangular 72
C.3.1 Generalidades 72
C.3.2 Test de aleatoriedad 73
C.3.3 Procedimiento para generar nmeros pseudoaleatorios a partir de una distribucin
rectangular 73
C.4 Distribucin gaussiana 74
C.5 Distribucin gaussiana multivariante 75
C.6 Distribucin t 76
Anexo D Aproximacin continua a la funcin de distribucin para la magnitud de salida 77
Anexo E Intervalo de confianza para la convolucin de cuarto orden de una distribucin
rectangular 80
Anexo F El problema de la prdida por comparacin 82
F.1 Obtencin analtica de la esperanza matemtica y de la desviacin tpica 82
F.2 Solucin analtica para una estimacin igual a cero del coeficiente de reflexin de tensin
con una covarianza asociada cero 83
F.3 Enfoque GUM aplicado al problema de la prdida por comparacin 84
F.3.1 Magnitudes de entrada no correlacionadas 84
F.3.2 Magnitudes de entrada correlacionadas 85
Anexo G Glosario de los smbolos principales 86
Bibliografa 91
ndice alfabtico 94
JCGM 2008 - Reservados todos los derechos iv

Prlogo
En el ao 1997 se cre un Comit Mixto de Guas de Metrologa (JCGM), presidido por el Director
de la Oficina Internacional de Pesas y Medidas (BIPM) e integrado por las siete organizaciones
internacionales que elaboraron, en 1993, la Gua para la expresin de la incertidumbre de medida
(GUM) y el Vocabulario Internacional de trminos fundamentales y generales de metrologa
(VIM). El JCGM asumi la responsabilidad del Grupo Asesor Tcnico 4 de ISO (TAG4) en estos
dos documentos.
El Comit Mixto est formado por el BIPM junto con la Comisin Electrotcnica Internacional (IEC),
la Federacin Internacional de Qumica Clnica y Medicina de Laboratorio (IFCC), la Cooperacin
Internacional de Acreditacin de Laboratorios (ILAC), la Organizacin Internacional de
Normalizacin (ISO), La Unin Internacional de Qumica Pura y Aplicada (IUPAC), la Unin
Internacional de Fsica Pura y Aplicada (IUPAP) y la Organizacin Internacional de Metrologa
Legal (OIML).
El JCGM tiene dos grupos de trabajo: el Grupo de Trabajo 1, Expresin de la incertidumbre de

medida, cuya tarea es promover el uso de la GUM y elaborar Suplementos as como otros
documentos para su amplia utilizacin, y el Grupo de Trabajo 2, Grupo de Trabajo sobre el
vocabulario internacional de trminos fundamentales y generales de metrologa (VIM), cuya tarea
consiste en revisar el VIM y promover su uso.
Suplementos como el presente estn destinados a dar un valor aadido a la GUM proporcionado
una gua sobre aspectos de la evaluacin de incertidumbre que en la GUM no se tratan
explcitamente. La gua es, sin embargo, lo ms coherente posible con el fundamento general
sobre probabilidades de la GUM.
El presente Suplemento 1 de la GUM ha sido elaborado por el Grupo de Trabajo 1 del JCGM y se
ha visto favorecido por las revisiones detalladas de las organizaciones miembros del JCGM y los
Institutos Nacionales de Metrologa.
JCGM 2008 - Reservados todos los derechos v

Introduccin
Este Suplemento de la Gua para la expresin de la incertidumbre de medida (GUM) aborda la

propagacin de las distribuciones de probabilidad a partir de un modelo matemtico de medicin
[GUM: 1995, 3.1.6], como base para la evaluacin de la incertidumbre de medida mediante el
mtodo de Monte Carlo. El tratamiento es aplicable a un modelo con cualquier nmero de
magnitudes de entrada y una sola magnitud de salida.
El mencionado mtodo de Monte Carlo es una alternativa prctica al enfoque GUM sobre la
incertidumbre [GUM: 1995, 3.4.8]. Es de aplicacin cuando:
a) la linealizacin del modelo proporciona una representacin inadecuada, o bien cuando

b) la funcin de densidad de probabilidad (FDP) para la magnitud de salida se aparta
apreciablemente de una distribucin normal o de una distribucin t NT1, por ejemplo, debido a
una marcada asimetra.
En el caso a), la estimacin de la magnitud de salida y la correspondiente incertidumbre tpica

proporcionada por el enfoque GUM sobre la incertidumbre podra ser poco fiable. En el caso b),
podran resultar unos intervalos de cobertura poco realistas (una generalizacin de la
"incertidumbre expandida" en el enfoque GUM sobre la incertidumbre).
La GUM [GUM: 1995, 3.4.8] "... proporciona un marco para la evaluacin de la incertidumbre...",
basado en la ley de propagacin de la incertidumbre [GUM: 1995, 5] y la caracterizacin de la
magnitud de salida mediante una distribucin normal o una distribucin t [GUM: 1995, G.6.2,
G.6.4]. En este marco, la ley de propagacin de la incertidumbre proporciona un medio para la
propagacin de las incertidumbres a travs del modelo. En concreto, evala la incertidumbre tpica
asociada a una estimacin de la magnitud de salida, en funcin de:
1 las mejores estimaciones de las magnitudes de entrada,

2 las incertidumbres tpicas asociadas a estas estimaciones y, en su caso,
3 los grados de libertad asociados a estas incertidumbres tpicas, as como
4 cualquier covarianza no nula asociada a parejas de estas estimaciones.
Asimismo, en este marco, la FDP elegida para caracterizar la magnitud de salida se utiliza con la
finalidad de proporcionar un intervalo de cobertura, para una probabilidad de cobertura estipulada,
para esa magnitud.
Las mejores estimaciones, las incertidumbres tpicas, las covarianzas y los grados de libertad
resumen la informacin disponible relativa a las magnitudes de entrada. Con el planteamiento aqu
considerado, la informacin disponible se representa en trminos de FDP de las magnitudes de
entrada. El enfoque trabaja con estas FDP a fin de determinar la FDP de la magnitud de salida.
Mientras existen algunas limitaciones al enfoque GUM sobre la incertidumbre, la propagacin de

distribuciones siempre proporciona una FDP para la magnitud de salida coherente con el modelo
de medicin y las FDP de las magnitudes de entrada. La FDP para la magnitud de salida muestra
el grado de conocimiento sobre dicha magnitud, basado en el conocimiento de las magnitudes de
entrada, tal como lo describen las FDP que se les asignan. Una vez que la FDP de la magnitud de
salida est disponible, dicha magnitud puede representarse por su esperanza matemtica, tomada
como una estimacin de la magnitud, y por su desviacin tpica, tomada como la incertidumbre
NT1
En el original en ingls de este documento aparece la expresin scaled and shifted t-distribution. En esta
versin en espaol se ha traducido simplemente como distribucin t.
JCGM 2008 - Reservados todos los derechos vi

tpica asociada a la estimacin. Adems, la FDP puede utilizarse para obtener un intervalo de
cobertura correspondiente a una probabilidad de cobertura estipulada para la magnitud de salida.
Por lo general, el uso de una FDP, tal como se describe en este Suplemento, es coherente con los
conceptos fundamentales de la GUM. La FDP para una magnitud expresa el estado de
conocimiento acerca de la magnitud; es decir, cuantifica el grado de certidumbre sobre los valores
que pueden asignarse a la magnitud, sobre la base de la informacin disponible. La informacin
por lo general consta de datos estadsticos sin procesar, resultados de medida u otros informes
cientficos relevantes, as como criterios profesionales.
Con el fin de asignar una FDP a una magnitud, sobre la base de una serie de indicaciones, puede
aplicarse el teorema de Bayes [27, 33]. Cuando se dispone de informacin adecuada en relacin
con los efectos sistemticos, puede utilizarse el principio de mxima entropa para asignar una
FDP adecuada [51, 56].
La propagacin de distribuciones tiene una aplicacin ms amplia que el enfoque GUM sobre la
incertidumbre. Se trabaja con informacin ms completa que la proporcionada por las mejores
estimaciones y sus incertidumbres tpicas asociadas (as como los grados de libertad y
covarianzas, cuando proceda).
El anexo A incluye una perspectiva histrica sobre esta cuestin.
NOTA 1 Las citas expresadas en la forma [GUM: 1995, 3.1.6] se refieren a apartados de la GUM.
NOTA 2 La GUM presenta un planteamiento para el caso en que la linealizacin sea inadecuada [GUM:
1995, 5.1.2 nota]. Su enfoque tiene limitaciones ya que slo se utilizan los trminos principales no lineales del
desarrollo en serie de Taylor del modelo, y las FDP para las magnitudes de entrada se consideran normales.
NOTA 3 En sentido estricto, la GUM caracteriza la variable (Y y) / u(y) mediante una distribucin t de
Student, donde Y es la magnitud de salida, y una estimacin de Y, y u(y) la incertidumbre tpica asociada a y
[GUM: 1995, G.3.1]. Esta caracterizacin tambin se utiliza en este Suplemento. (De hecho la GUM se refiere
a la variable (y Y) / u(y).)
NOTA 4 Una FDP para una magnitud no debe entenderse como una densidad de frecuencia.
NOTA 5 "La evaluacin de la incertidumbre no es ni una tarea rutinaria ni una tarea puramente matemtica,
sino que depende del conocimiento detallado de la naturaleza del mensurando y del mtodo y procedimiento
de medicin utilizados. Por tanto, la calidad y utilidad de la incertidumbre asociada al resultado de medida
dependen, en ltima instancia, de la comprensin, el anlisis crtico y la integridad de las personas que
contribuyen al establecimiento de dicho valor." [17]
JCGM 2008 - Reservados todos los derechos vii

Evaluacin de datos de medicin Suplemento 1 de la

Gua para la expresin de la incertidumbre de medida
Propagacin de distribuciones aplicando el mtodo de
Monte Carlo
1 Alcance
Este Suplemento presenta un enfoque numrico general, en consonancia con los principios de la
GUM [GUM: 1995 G.1.5], para llevar a cabo los clculos requeridos como parte de una evaluacin
de la incertidumbre de medida. El enfoque se aplica a modelos arbitrarios con una nica magnitud
de salida, donde las magnitudes de entrada vienen caracterizadas por cualquier tipo de FDP
especificada [GUM: 1995, G.1.4, G.5.3].
Al igual que la GUM, este Suplemento aborda principalmente la expresin de la incertidumbre de

medida de una magnitud fsica bien definida el mensurando que puede ser caracterizada por un
valor esencialmente nico [GUM: 1995, 1.2].
Este Suplemento tambin es orientativo en situaciones en que las condiciones para el enfoque
GUM sobre la incertidumbre [GUM: 1995, G.6.6] no se cumplan o su cumplimiento sea poco
evidente. Tambin puede utilizarse cuando sea difcil aplicar el enfoque GUM sobre la
incertidumbre, por ejemplo, debido a la complejidad del modelo. Las directrices se presentan de
forma adecuada para aplicaciones informticas.
Este Suplemento se puede utilizar para obtener (una representacin de) la FDP de la magnitud de
salida, de la que pueden obtenerse:
a) una estimacin de la magnitud de salida,

b) la incertidumbre tpica asociada a esta estimacin,
c) un intervalo de cobertura para dicha magnitud correspondiente a una probabilidad de
cobertura determinada.
Dado (i) el modelo que relaciona las magnitudes de entrada y la magnitud de salida y (ii) las FDP
que caracterizan a las magnitudes de entrada, existe una nica FDP para la magnitud de salida. En
general, esta ltima FDP no se puede determinar analticamente. Por lo tanto, el objetivo del
enfoque descrito aqu es determinar los anteriores apartados a), b) y c) con una tolerancia
numrica preestablecida, evitando las aproximaciones no cuantificadas.
Este Suplemento puede utilizarse para obtener, para una probabilidad de cobertura preestablecida,
cualquier intervalo de cobertura requerido, incluyendo tanto el intervalo con probabilidad simtrica
como el intervalo de cobertura ms pequeo.
Este Suplemento se aplica tanto a magnitudes de entrada independientes, a cada una de las
cuales se le asigna una FDP adecuada, como a las no independientes; es decir, cuando a alguna o
a todas estas magnitudes se les asigna una FDP conjunta.
JCGM 2008 - Reservados todos los derechos 1

Los problemas tpicos en la evaluacin de la incertidumbre, a los que puede aplicarse este
Suplemento, son aquellos en los que:
las contribuciones a la incertidumbre no son del mismo orden de magnitud [GUM: 1995,
G.2.2],
es difcil, o no conveniente, proporcionar las derivadas parciales del modelo, tal como
requiere la ley de propagacin de la incertidumbre [GUM: 1995, 5],
la FDP de la magnitud de salida no es una distribucin normal o una distribucin t [GUM:
1995, G.6.5],
la estimacin de la magnitud de salida y su correspondiente incertidumbre tpica asociada
son, aproximadamente, de la misma magnitud [GUM: 1995, G.2.1],
los modelos son arbitrariamente complicados [GUM: 1995, G.1.5],
las FDP de las magnitudes de entrada son asimtricas [GUM: 1995, G.5.3].
Para comprobar que puede aplicarse el enfoque GUM sobre la incertidumbre, se proporciona un
procedimiento de validacin. El enfoque GUM sobre la incertidumbre sigue siendo la principal
opcin para evaluar la incertidumbre en circunstancias en que pueda demostrarse su aplicabilidad.
Por lo general es suficiente expresar la incertidumbre de medida con una o dos cifras decimales
significativas. Para tener una seguridad razonable de que, a partir de la informacin proporcionada,
las cifras decimales comunicadas son correctas, se incluye una orientacin sobre la realizacin de
los clculos.
Lo anterior se ilustra mediante ejemplos detallados.
Este documento es un Suplemento de la GUM y se utiliza conjuntamente con ella. Otros enfoques,
por lo general en consonancia con la GUM, pueden utilizarse alternativamente. Este Suplemento
va dirigido a los mismos destinatarios que la GUM.
NOTA 1 Este Suplemento no tiene en cuenta los modelos que no definen la magnitud de salida de forma
nica (por ejemplo, los que requieren la solucin de una ecuacin cuadrtica sin especificar qu raz debe
tomarse).
NOTA 2 Este Suplemento no considera la situacin en la que previamente se dispone de una FDP de la
magnitud de salida, aunque el tratamiento dado aqu pueda adaptarse a dicho caso.[16]
2 Referencias normativas
Los siguientes documentos normativos son indispensables para la aplicacin de este documento:
JCGM 100 (GUM: 1995). Guide to the expression of uncertainty in measurement (GUM), 1995.1
JCGM 200 (VIM: 2008). International Vocabulary of MetrologyBasic and General Concepts and
Associated Terms, VIM, 3rd Edition, 2008.2
1
Gua para la expresin de la incertidumbre de medida. 2 edicin en espaol, 2000. Centro Espaol de Metrologa.
2
Vocabulario Internacional de Metrologa. Conceptos fundamentales y generales, y trminos asociados. 3 edicin en
espaol, 2008. Centro Espaol de Metrologa.

3 Trminos y definiciones
A efectos del presente documento, se aplican los trminos y definiciones de la GUM y del
"Vocabulario Internacional de trminos fundamentales y generales de Metrologa" (VIM), a menos
que se indique de otro modo. A continuacin se presentan algunas de las definiciones ms
relevantes de estos documentos (vase el apartado 4.2), adaptadas cuando ha sido necesario.
Tambin se dan otras definiciones importantes para este Suplemento, incluyendo aquellas
extradas o adaptadas de otras fuentes.
En el anexo G se incluye un glosario de los smbolos principales.
3.1
distribucin de probabilidad
funcin (variable aleatoria) que proporciona la probabilidad de que una variable aleatoria tome
cualquier valor dado o pertenezca a un determinado conjunto de valores.
NOTA 1 La probabilidad sobre el conjunto total de valores de la variable aleatoria es igual a 1.
[Adaptada de la Norma ISO 3534-1:1993 1.3; GUM: 1995, C.2.3]
NOTA 2 La distribucin de probabilidad se denomina monovariante o univariante cuando se refiere a una

nica variable aleatoria (escalar), y multivariante si se refiere a un vector de variables aleatorias. Una
distribucin de probabilidad multivariante tambin se denomina distribucin conjunta.
NOTA 3 La distribucin de probabilidad puede tomar la forma de una funcin de distribucin o de una
funcin de densidad de probabilidad.
3.2
funcin de distribucin
funcin que, para cada valor de , da la probabilidad de que la variable aleatoria X sea menor o
igual que :
Gx () = Pr( X )
[Adaptada de la Norma ISO 3534-1:1993 1.4; GUM: 1995 C.2.4]
3.3
funcin de densidad de probabilidad
derivada (cuando existe) de la funcin de distribucin:
g x ( )= d G x ( ) d
NOTA Al producto gx()d se le denomina elemento de probabilidad:
g x ( )d = Pr( < X < + d )
[Adaptada de la Norma ISO 3534-1:1993 1.5; GUM: 1995, C.2.5]

3.4
distribucin normal
distribucin de probabilidad de una variable aleatoria continua X, cuya funcin de densidad de
probabilidad es:
2
1 2
1 2
g
e
x
p
x
( ) = ,

para < < +
NOTA 1 La esperanza matemtica y la desviacin tpica de X son respectivamente y .
[Adaptada de la Norma ISO 3534-1:1993, 1.37; GUM: 1995, C.2.14]
NOTA 2 La distribucin normal tambin se conoce como distribucin gaussiana.
3.5
distribucin t
distribucin de probabilidad de una variable aleatoria continua X, cuya funcin de densidad de
probabilidad es:
( +1)/2
(( + 1) / 2 ) 2
g x ( ) = 1 +
( / 2 )
para < < + , siendo el parmetro (nmero entero positivo) el nmero de grados de libertad
de la distribucin, donde:

( z ) =
0
t z 1e t dt , z>0
es la funcin gamma.
3.6
esperanza matemtica
propiedad de una variable aleatoria que, para una variable aleatoria continua X caracterizada por
una FDP gx(), viene dada por:

E( X ) =
g x ( )d
NOTA 1 No todas las variables aleatorias tienen esperanza matemtica.
NOTA 2 La esperanza matemtica de la variable aleatoria Z = F(X), para una funcin F(X) dada, es:

E (Z ) = E (F ( X )) =

F ()g x ()d

3.7
varianza
propiedad de una variable aleatoria que, para una variable aleatoria continua X caracterizada por
una FDP gx(), viene dada por:

[ E ( X )]
2
V(X) = g x ()d

NOTA No todas las variables aleatorias tienen varianza.
3.8
desviacin tpica
raz cuadrada positiva [V(X)]1/2 de la varianza.
3.9
momento de orden r
esperanza matemtica de la r-sima potencia de la variable aleatoria, expresada por:

E( X r ) =
r g x ()d
r
NOTA 1 El momento central de orden r es la esperanza matemtica de la variable aleatoria Z = [X E(X)] .
NOTA 2 La esperanza matemtica E(X) es el momento de primer orden. La varianza V(X) es el momento
central de orden 2.
3.10
covarianza
propiedad de una pareja de variables aleatorias que, para dos variables aleatorias continuas X1 y
X2 caracterizadas por una FDP conjunta (multivariante) gX (), donde X = (X1,X2)T y = (1, 2)T,
viene dada por:
X1
X2
E
X1
E
X2
C
o
v
g

d
d
[ ][ ]
1
( =
NOTA No todas las parejas)

de variables aleatorias ( )
( tienen
) covarianza.
( )
3.11
matriz de incertidumbre
matriz de dimensin N N que contiene en su diagonal los cuadrados de las incertidumbres tpicas
asociadas a las estimaciones de las componentes de una magnitud vectorial N-dimensional y en
las posiciones restantes fuera de la diagonal, las covarianzas asociadas a las parejas de
estimaciones.

NOTA 1 Una matriz de incertidumbre Ux de dimensin N N asociada al vector estimacin x de una

magnitud vectorial X se representa por:
u( x1, x1 ) u( x1, x N )

U =
x

u( x , x ) u( x N , x N )
N 1
2
donde u(xi, xi) = u (xi) es la varianza (cuadrado de la incertidumbre tpica) asociada a xi y u(xi, xj) es la
covarianza asociada a xi y xj . Si los elementos Xi y Xj de X no estn correlacionados u(xi, xj) = 0.
NOTA 2 Las covarianzas tambin se conocen como incertidumbres mutuas.
NOTA 3 La matriz de incertidumbre tambin se conoce como matriz de covarianzas o matriz de varianzas-
covarianzas.
3.12
intervalo de cobertura
intervalo que contiene el valor de una magnitud, con una probabilidad declarada, basada en la
informacin disponible.
NOTA 1 El intervalo de cobertura a veces se denomina intervalo creble o de certeza o intervalo bayesiano.
NOTA 2 En general, existe ms de un intervalo de cobertura para una probabilidad establecida.
NOTA 3 Un intervalo de cobertura no debe denominarse "intervalo de confianza" para evitar confusin con
el concepto estadstico [GUM: 1995, 6.2.2].
NOTA 4 Esta definicin difiere de la del VIM, 3 Edicin (2008), ya que el trmino valor verdadero no se
utiliza en este Suplemento por las razones mencionadas en la GUM [GUM: 1995, E.5].
3.13
probabilidad de cobertura
probabilidad de que el valor de una magnitud est contenido dentro de un intervalo de cobertura
especificado.
NOTA La probabilidad de cobertura a veces se denomina "nivel de confianza" [GUM: 1995, 6.2.2].
3.14
amplitud de un intervalo de cobertura
diferencia entre los valores mximo y mnimo de un intervalo de cobertura.
3.15
intervalo de cobertura con probabilidad simtrica
intervalo de cobertura para una magnitud tal que la probabilidad de que la magnitud sea menor que
el valor mnimo del intervalo es igual a la probabilidad de que la magnitud sea mayor que el valor
mximo del intervalo.

3.16
menor intervalo de cobertura
intervalo de cobertura para una magnitud con la menor amplitud de entre todos los intervalos de
cobertura para dicha magnitud con la misma probabilidad de cobertura.
3.17
propagacin de distribuciones
mtodo utilizado para determinar la distribucin de probabilidad de una magnitud de salida a partir
de las distribuciones de probabilidad asignadas a las magnitudes de entrada de las que sta
depende.
NOTA El mtodo puede ser analtico o numrico, exacto o aproximado.
3.18
enfoque GUM sobre la incertidumbre
aplicacin de la ley de propagacin de la incertidumbre y caracterizacin de la magnitud de salida
mediante una distribucin gaussiana o una distribucin t, con el fin de obtener un intervalo de
cobertura.
3.19
mtodo de Monte Carlo
mtodo para la propagacin de distribuciones a partir de un muestreo aleatorio de distribuciones de
probabilidad.
3.20
tolerancia numrica
semiamplitud del menor intervalo que contiene todos los nmeros que pueden expresarse
correctamente mediante un nmero especificado de cifras decimales significativas.
EJEMPLO Todos los nmeros mayores que 1,75 y menores que 1,85 pueden expresarse mediante dos cifras
decimales como 1,8. La tolerancia numrica es (1,85 1,75) / 2 = 0,05.
NOTA Para el clculo de la tolerancia numrica asociada a un valor numrico, vase el apartado 7.9.2.
4 Convenciones y notacin
A los efectos de este Suplemento se adoptan las siguientes convenciones y notacin.
4.1 El modelo matemtico de medicin [GUM: 1995, 4.1] de una magnitud simple (escalar) puede
expresarse como una relacin funcional f:
Y = f(X) (1)
donde Y es una magnitud escalar de salida y X representa las N magnitudes de entrada

(X1,,XN)T. Cada Xi se considera como una variable aleatoria con i valores posibles y esperanza
matemtica xi. Y es una variable aleatoria con valores posibles y esperanza matemtica y.

NOTA 1 Se utiliza el mismo smbolo para la magnitud fsica y para la variable aleatoria que la representa
(vase [GUM: 1995, 4.1.1 Nota 1]).
NOTA 2 Muchos modelos de medicin pueden expresarse en la forma (1). Una forma ms general es:
h (Y, X) = 0,
lo que implcitamente relaciona X e Y. En cualquier caso, para aplicar el mtodo descrito de Monte Carlo,
nicamente es necesario que pueda formarse la Y correspondiente a cualquier X significativa.
4.2 Este Suplemento se aparta de los smbolos empleados a menudo para la FDP y la funcin
de distribucin [24]. La GUM utiliza el smbolo genrico f para referirse a un modelo y a una FDP.
Como consecuencia de este uso, en la GUM se crea un poco de confusin. La situacin en este
Suplemento es diferente. Los conceptos de modelo, FDP y funcin de distribucin son
fundamentales para seguir y establecer la orientacin que aqu se proporciona. Por lo tanto, en
lugar de los smbolos f y F para indicar una FDP y una funcin de distribucin, se utilizan los
smbolos g y G respectivamente. Estos smbolos se indexan adecuadamente para designar la
magnitud en cuestin. El smbolo f queda reservado para el modelo.
NOTA Las definiciones del apartado 3 relacionadas con las FDP y las distribuciones han sido adaptadas
en consecuencia.
4.3 En este Suplemento se asigna una FDP a una magnitud, que puede ser una magnitud sencilla
(escalar) X o una magnitud vectorial X. Si es escalar, la FDP de X se indica por gx(), donde es
una variable que describe los valores posibles de X. Esta X se considera como una variable
aleatoria con esperanza matemtica E(X) y varianza V(X) (vanse los apartados 3.6 y 3.7).
4.4 En el caso vectorial, la FDP de X se indica por gX(), donde = (1,..., N)T es una variable
vectorial que describe los valores posibles de la magnitud vectorial X. Esta X se considera una
variable vectorial aleatoria con esperanza matemtica E(X) (vector) y matriz de covarianza V(X).
4.5 Una FDP para ms de una magnitud de entrada, a menudo se denomina conjunta, aun cuando
todas las magnitudes de entrada sean independientes.
4.6 Cuando los elementos Xi de X son independientes, la FDP de Xi se indica en la forma g x ( i ) .

i
4.7 La FDP de Y se representa por gy() y la funcin de distribucin de Y por GY().
4.8 En el cuerpo de este Suplemento, una magnitud se identifica generalmente por una letra
mayscula y la esperanza matemtica de la magnitud, o una estimacin de sta, por la
correspondiente letra minscula. Por ejemplo, la esperanza matemtica o una estimacin de la
magnitud Y se indicara por y. Esta notacin es bastante inadecuada para las magnitudes fsicas,
debido al uso establecido de smbolos especficos, por ejemplo, T para la temperatura y t para el
tiempo. Por tanto, en algunos de los ejemplos (apartado 9), se utiliza una notacin diferente. En
estos casos, la magnitud se expresa por su smbolo convencional y su esperanza o estimacin, por
el mismo smbolo con sombrero (^). Por ejemplo, la magnitud que representa la desviacin de la

longitud de un bloque patrn en calibracin, respecto de su longitud nominal (vase el apartado

9.5), se representa por L y una estimacin de L por L .
NOTA El smbolo con sombrero se utiliza generalmente en textos estadsticos para representar una
estimacin.
4.9 En este Suplemento, la expresin "ley de propagacin de la incertidumbre" se aplica para la

aproximacin al modelo mediante la serie de Taylor de primer orden. La expresin se adapta en
consecuencia cuando se utiliza una aproximacin de mayor orden.
4.10 El subndice "c" [GUM: 1995, 5.1.1] para la incertidumbre tpica combinada es redundante en
este Suplemento. La incertidumbre tpica asociada a una estimacin y de una magnitud de salida
Y, se puede escribir, por lo tanto, como u(y), pero el uso de uc(y) sigue siendo aceptable si resulta
til para enfatizar que representa una incertidumbre tpica combinada. El calificativo "combinada"
en este contexto tambin se considera superfluo y puede omitirse: la presencia de "y" en "u(y)" ya
indica la estimacin a la que est asociada la incertidumbre tpica. Por otro lado, cuando los
resultados de una o ms evaluaciones de incertidumbre se convierten en entradas para una
posterior evaluacin de la incertidumbre, el uso del subndice "c" y del calificativo combinada"
resultan inadecuados.
4.11 A lo largo de este Suplemento se usan las denominaciones "intervalo de cobertura" y

"probabilidad de cobertura". La GUM utiliza el trmino "nivel de confianza" (level of confidence, en
ingls) como sinnimo de probabilidad de cobertura, estableciendo una distincin entre "level of
confidence" y "confidence level" [GUM: 1995, 6.2.2], porque este ltimo tiene una definicin
especfica en estadstica. Dado que, en algunos idiomas, la traduccin de estos dos trminos
ingleses es nica, en este documento se evita su uso.
4.12 De acuerdo con la Resolucin 10 de la 22a CGPM (2003) ".... el signo decimal ser el punto
en la lnea o la coma en la lnea...". El JCGM ha decidido adoptar, en sus documentos en ingls, el
punto en la lnea.3
4.13 A menos que se especifique de otro modo, los nmeros se expresan de forma que indiquen
el nmero de cifras significativas.
EJEMPLO Los nmeros 0,060; 0,60; 6,0 y 60 estn expresados con dos cifras significativas. Los nmeros
0,06; 0,6; 6 y 6 101 estn expresados con una cifra significativa. Sera incorrecto expresar 6 101 como 60,
ya que dara a entender dos cifras significativas.
4.14 Algunos smbolos tienen ms de un significado en este Suplemento. Vase el anexo G. El

contexto aclara el uso.
4.15 En este Suplemento se utilizan las siguientes abreviaturas:
CGPM Conferencia General de Pesas y Medidas

IEEE Instituto de Ingenieros Electrnicos y Elctricos
EGUM Enfoque GUM sobre la incertidumbre
3
En esta traduccin al espaol se utiliza la coma en la lnea.

JCGM Comit Mixto de Guas de Metrologa

GUM Gua para la Expresin de la Incertidumbre de Medida
MMC Mtodo de Monte Carlo
FDP Funcin de Densidad de Probabilidad
VIM Vocabulario Internacional de trminos fundamentales y generales de Metrologa
5 Principios bsicos
5.1 Fases principales de la evaluacin de la incertidumbre
5.1.1 Las fases principales de la evaluacin de la incertidumbre son formulacin, propagacin y

resumen:
a) Formulacin:
1 definir la magnitud de salida Y, la magnitud a medir (el mensurando);
2 determinar las magnitudes de entrada X = (X1,, XN)T de las que depende Y;
3 desarrollar un modelo que relacione Y y X;
4 a partir de los conocimientos disponibles, asignar las FDP gaussiana (normal),

rectangular (uniforme), etc. a Xi. Asignar una FDP conjunta a aquellas Xi que no son
independientes;
b) Propagacin: propagar las FDP de las Xi mediante el modelo para obtener la FDP de Y;
c) Resumen: utilizar la FDP de Y para obtener:
1 la esperanza matemtica de Y, considerada como una estimacin y de la magnitud,
2 la desviacin tpica de Y, considerada como la incertidumbre tpica u(y) asociada a y

[GUM: 1995, E.3.2];
3 un intervalo de cobertura que contenga Y con una probabilidad especfica (la

probabilidad de cobertura).
NOTA 1 La esperanza matemtica puede no ser apropiada para todas las aplicaciones (vase [GUM: 1995
4.1.4]).
NOTA 2 Las magnitudes descritas por algunas distribuciones, como la distribucin de Cauchy, no tienen
esperanza matemtica ni desviacin tpica. Sin embargo, siempre podr obtenerse un intervalo de cobertura
para la magnitud de salida.
5.1.2 El enfoque GUM no hace referencia explcita a la asignacin de las FDP a las magnitudes
de entrada. Sin embargo [GUM: 1995, 3.3.5], una incertidumbre tpica Tipo A se obtiene a partir
de una funcin de densidad de probabilidad derivada de una distribucin de frecuencia
observada, mientras una incertidumbre tpica Tipo B se obtiene a partir de una funcin de
densidad de probabilidad asumida, basada en el grado de confianza de que se produzca un
determinado suceso... Ambas aproximaciones emplean interpretaciones de probabilidad
reconocidas.

NOTA La utilizacin de distribuciones de probabilidad en una evaluacin de incertidumbre Tipo B es una

caracterstica de inferencia bayesiana [21, 27]. Se contina investigando [22] sobre los lmites de validez en la
asignacin de grados de libertad a una incertidumbre tpica basada en la frmula de Welch-Satterthwaite.
5.1.3 El metrlogo es quien lleva a cabo las etapas en la fase de formulacin, en ocasiones con el
asesoramiento de expertos. Este Suplemento orienta sobre la asignacin de FDP (etapa 4 de la
fase a) en el apartado 5.1.1) en algunos casos habituales (vase el apartado 6.4). Las fases de
propagacin y resumen, b) y c) en el apartado 5.1.1, para las que aqu se presenta una orientacin
detallada, no requieren informacin metrolgica adicional y, en principio, pueden llevarse a cabo
para cualquier tolerancia numrica requerida por el problema especificado en la fase de
formulacin.
NOTA Una vez concluida la fase de formulacin a) en el apartado 5.1.1, la FDP para la magnitud de
entrada queda completamente especificada matemticamente pero, por lo general, el clculo de la esperanza
matemtica, de la desviacin tpica y de los intervalos de cobertura requiere mtodos numricos que implican
un determinado nivel de aproximacin.
5.2 Propagacin de distribuciones
En el presente Suplemento se establece una aproximacin generalmente eficaz para determinar

(una aproximacin numrica a) la funcin de distribucin

G

z
z
g
d
Y
( )= ( )

para la Y considerada. Se basa en la aplicacin del mtodo de Monte Carlo (MMC) para llevar a
cabo la propagacin de distribuciones (vase 5.9).
NOTA Una definicin formal [9] para la FDP de Y es:

f
g
g
.
.
.
.
.
.
d
,1
( )= ( ) ( ( ))d
X
donde () indica la funcin delta de Dirac. Generalmente esta integral mltiple no puede evaluarse
analticamente. Puede aplicarse una regla de integracin numrica para obtener una aproximacin a gY(),
pero no es una propuesta eficaz.
5.3 Resumen de la obtencin de informacin
5.3.1 Una estimacin y de Y es la esperanza matemtica E(Y). La incertidumbre tpica u(y)

asociada a y viene dada por la desviacin tpica de Y, la raz cuadrada con signo positivo de la
varianza V(Y) de Y.
5.3.2 Un intervalo de cobertura de Y se puede determinar a partir de GY(). Si representa

cualquier valor numrico comprendido entre cero y 1 p, donde p es la probabilidad de cobertura

G
1Y
requerida, los puntos extremos de un intervalo de cobertura 100p % de Y son ( ) y

p

G
1Y
( + ) , es decir, los percentiles y (p + ) de GY().
5.3.3 La eleccin de = (1 p) / 2 da el intervalo de cobertura definido mediante los percentiles

(1 p) / 2 y (1 + p) / 2, proporcionando un intervalo de cobertura 100p % simtrico en cuanto a
probabilidad.

NOTA Cuando se cumpla que la FDP de Y es simtrica alrededor de la estimacin y, el intervalo de

cobertura debera ser igual a y Up, donde la incertidumbre expandida [GUM: 1995, 2.3.5] Up viene dada por
el producto de la incertidumbre tpica u(y) y el factor de cobertura determinado para esa FDP. Por lo general,
la FDP no se conoce analticamente.
5.3.4 Si la FDP es asimtrica, puede resultar ms apropiado elegir un valor de distinto de

(1 p) / 2. En este caso, se puede utilizar el menor intervalo de cobertura 100p %. ste presenta la
propiedad de que, para una FDP unimodal, contiene la moda, el valor ms probable de Y, la cual
p
g
g
(
G
) (
G
)
1Y
1Y
Y
Y
viene dada por el valor numrico de que cumple la expresin: ( ) = ( + ) , si
gY ( ) es unimodal, y en general el valor numrico de hace que la expresin

1Y
1Y
p

( + ) ( ) sea un mnimo.
5.3.5 El intervalo de cobertura 100p % simtrico respecto a la probabilidad y el menor intervalo de

cobertura 100p % son idnticos para FDP simtricas, tales como la distribucin gaussiana y la
distribucin t utilizadas en el enfoque GUM. Por lo tanto, comparando el enfoque GUM con otras
aproximaciones, puede utilizarse cualquiera de los intervalos mencionados.
5.3.6 La Figura 1 refleja la funcin de distribucin GY() que corresponde a una FDP asimtrica.
Las lneas verticales a trazos muestran los puntos extremos del intervalo de cobertura simtrico del
95 % y las lneas horizontales a trazos determinan los correspondientes puntos de probabilidad del
0,025 y 0,975 respectivamente. Las lneas continuas indican los puntos extremos del menor
intervalo de cobertura del 95 % y los respectivos puntos de probabilidad, los cuales en este caso
son 0,006 y 0,956. La amplitud de los intervalos de cobertura en los dos casos es 1,76 unidades y
1,69 unidades, respectivamente.
Probabilidad
Magnitud de salida Y /unidad

Magnitud de salida Y /unidad
Figura 1- Una funcin de distribucin GY() correspondiente a una FDP asimtrica y los intervalos de
cobertura del 95 % simtrico y menor (5.3.6). "Unidad significa cualquier unidad.
5.4 Realizacin de la propagacin de distribuciones
5.4.1 La propagacin de distribuciones puede llevarse a cabo de diferentes formas:
a) mtodos analticos, es decir, mtodos que proporcionan una representacin matemtica de la

FDP para Y;

b) propagacin de incertidumbre basada en la sustitucin del modelo por una aproximacin

basada en el desarrollo en serie de Taylor de primer orden [GUM: 1995, 5.1.2] (la ley de
propagacin de incertidumbres);
c) como el apartado b), exceptuando que deben incluirse las contribuciones derivadas de los
trminos de mayor orden en la aproximacin basada en el desarrollo en serie de Taylor [GUM:
1995, nota 5.1.2];
d) mtodos numricos [GUM: 1995, G.1.5] que implementan la propagacin de distribuciones,

particularmente los que utilizan el MMC (vase el apartado 5.9).
NOTA 1 Los mtodos analticos resultan ideales ya que no introducen ninguna aproximacin. Sin embargo,
son aplicables nicamente en casos simples. Para consultar ejemplos y procedimientos vase [8,13]. Estos
mtodos no se consideran en el presente suplemento, excepto en los ejemplos (apartado 9) donde se
muestran nicamente a efectos de comparacin.
NOTA 2 El MMC se muestra aqu como un medio para proporcionar una representacin numrica de la
distribucin de la magnitud de salida, en lugar de un mtodo de simulacin en s mismo. Dentro del contexto
en la fase de propagacin de la evaluacin de la incertidumbre, el problema a resolver es determinstico,
debiendo simularse un proceso fsico no aleatorio.
5.4.2 La GUM permite procedimientos para la evaluacin de la incertidumbre distintos al enfoque

GUM [GUM: 1995, G.1.5]. El procedimiento recomendado en el presente Suplemento, basado en
la propagacin de distribuciones, es general. En modelos lineales o linealizados y magnitudes de
entrada para las que las FDP son gaussianas, el procedimiento conduce a resultados consistentes
con el enfoque GUM. Sin embargo, en aquellos casos en que no se cumplan las condiciones de
aplicacin establecidas en el enfoque GUM (vanse los apartados 5.7 y 5.8), puede esperarse que
el procedimiento del presente Suplemento conduzca a una declaracin de incertidumbres vlida.
5.4.3 En la fase de propagacin deber seleccionarse un mtodo adecuado. Si se demuestra que

se cumplen las condiciones necesarias para que el enfoque GUM proporcione resultados vlidos,
dicho mtodo puede utilizarse. Si hay indicaciones de que el enfoque GUM puede no ser vlido,
deber emplearse otro procedimiento. Puede surgir una tercera situacin en la que resulte difcil
asegurar la validez del enfoque GUM. En los tres casos, el MMC proporciona un mtodo alternativo
y prctico. En el primer caso, el MMC puede llegar a ser ms fcil de aplicar debido, por ejemplo, a
las dificultades para calcular los coeficientes de sensibilidad [GUM: 1995, 5.1.3]. En el segundo
caso, el MMC generalmente puede dar resultados vlidos, ya que no realiza hiptesis de
aproximacin. En el tercer caso, el MMC puede aplicarse, bien para determinar directamente los
resultados o bien para valorar la calidad de los proporcionados por el enfoque GUM.
5.4.4 La propagacin de las FDP g x i (i ), i = 1,, N, para las magnitudes de entrada Xi mediante el
modelo proporciona la FDP gY() de la magnitud de salida Y, tal como se muestra en la Figura 2
para N = 3 Xi independientes. La Figura 2 puede compararse con la Figura 3 por la ley de
propagacin de incertidumbre. En la Figura 2, las g x i ( i ), i = 1, 2, 3, son gaussiana, triangular y
gaussiana, respectivamente. La funcin gY() aparece como asimtrica, como generalmente ocurre
en modelos no lineales o asimtricos g x i ( i ) .

Figura 2 Ilustracin de la propagacin de distribuciones para N = 3 magnitudes de entrada

independientes (5.4.4)
5.4.5 En la prctica, nicamente en casos sencillos puede llevarse a cabo la propagacin de

distribuciones sin realizar aproximaciones. El enfoque GUM aplica un mtodo aproximado y el
MMC otro distinto. Para un pequeo pero importante subconjunto de problemas, el enfoque GUM
es exacto. El MMC nunca lo es, pero es ms vlido que el enfoque GUM para un amplio tipo de
problemas.
5.5 Informe de resultados
5.5.1 Si se sigue el mtodo de propagacin de distribuciones, es conveniente proporcionar la

siguiente informacin:
a) una estimacin y de la magnitud de salida Y;
b) la incertidumbre tpica u(y) asociada a y;
c) la probabilidad de cobertura 100p % establecida (por ejemplo 95 %);
d) los lmites del intervalo de cobertura seleccionado 100p % para Y (por ejemplo intervalo de
cobertura del 95 %);
e) cualquier otra informacin relevante, por ejemplo, si el intervalo de cobertura es simtrico con
respecto a la probabilidad o si se trata del menor intervalo de cobertura.
5.5.2 Los valores de y, u(y) y los lmites del intervalo de cobertura 100p % de Y debern
indicarse con un nmero de dgitos decimales tal que el menos significativo se encuentre en la
misma posicin que en u(y), con respecto a la coma decimal [GUM: 1995, 7.2.6]. Para representar
de forma adecuada u(y) suele ser suficiente emplear uno o dos dgitos decimales significativos.
NOTA 1 Cada valor numrico comunicado se obtiene habitualmente mediante redondeo al mayor nmero
de dgitos decimales significativos.
NOTA 2 Un factor que influye en la eleccin de uno o dos dgitos decimales significativos es el valor del
primero de ellos en u(y). Si este dgito es 1 2, la desviacin del valor numrico considerado de u(y) respecto
a su valor antes del redondeo es grande; sin embargo, si el primer dgito decimal significativo es 9, la
desviacin es relativamente pequea.
NOTA 3 Si los resultados van a ser utilizados para clculos posteriores, debe considerarse la conveniencia
de mantener o no los dgitos decimales adicionales.
EJEMPLO Los resultados de u(y), declarados con dos dgitos decimales significativos, para un caso en el que
el intervalo de cobertura es asimtrico con respecto a y, son:

y = 1,024 V, u(y) = 0,028 V,

menor intervalo de cobertura del 95 % = [0,983, 1,088] V.
Los mismos resultados de u(y) declarados con un dgito decimal significativo seran:
y = 1,02 V, u(y) = 0,03 V,

menor intervalo de cobertura del 95 % = [0,98, 1,09] V.
5.6 Enfoque GUM
5.6.1 La GUM proporciona una orientacin general sobre variados aspectos del proceso de
evaluacin de la incertidumbre establecido en el apartado 5.1.1. La GUM tambin proporciona
orientacin sobre las fases de propagacin y resumen de la evaluacin de la incertidumbre. El
enfoque GUM ha sido adoptado por numerosas organizaciones, es ampliamente utilizado, y se
aplica en normas y guas sobre la incertidumbre de medida y tambin en programas informticos.
5.6.2 El enfoque GUM comprende varias fases que se describen ms adelante. Cada modelo de
magnitud de entrada Xi se representa por su esperanza matemtica y su desviacin tpica,
obtenidas de la FDP para esa magnitud [GUM: 1995, 4.1.6]. La esperanza matemtica se
considera la mejor estimacin xi de Xi y la desviacin tpica, la incertidumbre tpica u(xi) asociada a
xi. Esta informacin se propaga utilizando la ley de propagacin de incertidumbres [GUM: 1995,
5.1.2], mediante una aproximacin en serie de Taylor al modelo establecido, con trminos de
primer o mayor orden, proporcionando:
a) una estimacin y de la magnitud de salida Y,
b) la incertidumbre tpica u(y) asociada a y.
La estimacin y viene dada por la evaluacin del modelo en la xi. Se establece un intervalo de
cobertura para Y basndose en considerar la FDP de Y como gaussiana o, si los grados de libertad
asociados a u(y) son finitos [GUM: 1995, G], como una distribucin t.
NOTA La informacin sobre las Xi incluye, en su caso, los grados de libertad asociados a u(xi) [GUM:
1995, 4.2.6]. Tambin debe incluir, en su caso, las covarianzas asociadas a pares de xi [GUM: 1995, 5.2.5].
5.6.3 Las fases de propagacin y resumen en el enfoque GUM (fases b) y c) en 5.1.1) consta de
las etapas de clculo que figuran a continuacin. La Figura 3 muestra la ley de propagacin de
incertidumbres para un modelo con N = 3 magnitudes de entrada independientes X = (X1, X2, X3)T,
las cuales se estiman mediante xi con sus incertidumbres tpicas asociadas u(xi), i = 1,2,3. La
magnitud de salida Y se estima mediante y, con su incertidumbre tpica asociada u(y).
a) Obtener las esperanzas matemticas x = (x1,, xN)T y las desviaciones tpicas (incertidumbres
tpicas) u(x) = [u(x1),, u(xN)]T a partir de las FDP para las magnitudes de entrada X =
(X1,, XN)T. Utilizar la FDP combinada de X si los pares de Xi no son independientes (en
cuyo caso tienen covarianza no nula).
b) Establecer los grados de libertad (finitos o infinitos) asociados a cada u(xi).
c) Obtener la covarianza (incertidumbre mutua) u(xi, xj) asociada a xi y xj para cada par i, j, a partir
de la FDP conjunta de Xi y Xj, para los Xi y Xj que no son independientes.
d) Establecer las derivadas parciales de primer orden de f(X) con respecto a X.

e) Calcular y, evaluando para x el modelo diseado para X.
f) Calcular los coeficientes de sensibilidad del modelo [GUM: 1995, 5.1.3] como las derivadas
parciales anteriores evaluadas para x.
g) Calcular la incertidumbre tpica u(y) combinando u(x), las u(xi, xj) y los coeficientes de
sensibilidad del modelo [GUM: 1995, frmulas (10), (13)].
h) Calcular ef, los grados de libertad efectivos asociados a u(y), utilizando la frmula de Welch-
Satterthwaite [GUM: 1995, frmula (G.2b)].
i) Calcular la incertidumbre expandida Up y el intervalo de cobertura de Y (para una probabilidad

de cobertura especfica p), considerada como una variable aleatoria, obteniendo el factor
multiplicador apropiado de u(y) a partir de la distribucin de probabilidad de (Yy) / u(y),
como distribucin gaussiana ( ef = ) o como distribucin t ( ef < ).
Figura 3 Ilustracin de la ley de propagacin de incertidumbres para N = 3 magnitudes de entrada

independientes
(5.4.4, 5.6.3)
5.7 Condiciones para la aplicacin vlida del enfoque GUM en modelos lineales
5.7.1 No es necesaria ninguna condicin para la aplicacin vlida de la ley de propagacin de

incertidumbres a modelos lineales (modelos que son lineales en Xi).
5.7.2 Se puede determinar un intervalo de cobertura, a partir de la informacin proporcionada por

la GUM, bajo las siguientes condiciones:
a) la frmula de Welch-Satterthwaite resulta adecuada para calcular los grados de libertad

efectivos asociados a u(y) [GUM: 1995, G.4.1], cuando una o ms de las u(xi) tienen unos
grados de libertad asociados de valor finito;
b) las Xi son independientes cuando los grados de libertad asociados a las u(xi) son de valor
finito;
c) la FDP de Y puede aproximarse adecuadamente mediante una distribucin gaussiana o

una distribucin t.
NOTA 1 Es necesario que se cumpla la condicin a) para que Y pueda caracterizarse por una distribucin t.
NOTA 2 Es necesario que se cumpla la condicin b) ya que la GUM no considera las Xi que no son
independientes con un nmero finito de grados de libertad.
NOTA 3 La condicin c) se cumple cuando cada Xi tiene asignada una distribucin gaussiana. Tambin se
cumple cuando se satisfacen las condiciones del teorema del lmite central [GUM: 1995, G.2].

NOTA 4 El enfoque GUM puede no ser aplicable cuando exista una Xi, cuya distribucin asignada no sea
gaussiana y la contribucin correspondiente a u(y) sea dominante.
5.7.3 Cuando se cumplen las condiciones del apartado 5.7.2, puede suponerse que los resultados
de la aplicacin del enfoque GUM son vlidos para modelos lineales. Tales condiciones se dan en
numerosas circunstancias.
5.8 Condiciones para la aplicacin vlida del enfoque GUM en modelos no lineales
5.8.1 La ley de propagacin de incertidumbres puede aplicarse en modelos no lineales siempre

que se cumplan las siguientes condiciones:
a) que f sea diferenciable de forma continua con respecto a los elementos Xi de X en el entorno
de las mejores estimaciones xi de Xi;
b) que la condicin a) pueda aplicarse a todas las derivadas hasta el orden apropiado;
c) que las Xi correspondientes a los trminos significativos de mayor orden de una aproximacin
en serie de Taylor de f(X) sean independientes;
d) que las FDP asignadas a las Xi correspondientes a los trminos de mayor orden de una
aproximacin en serie de Taylor de f(X) sean gaussianas;
e) que los trminos de mayor orden no incluidos en la aproximacin en serie de Taylor de f(X)
sean despreciables.
NOTA 1 La condicin a) es necesaria para poder aplicar la ley de propagacin de incertidumbres basada en
una aproximacin en serie de Taylor de primer orden de f(X) cuando la no linealidad de f es despreciable
[GUM: 1995, 5.1.2].
NOTA 2 La condicin b) es necesaria para la aplicacin de la ley de propagacin de incertidumbres basada

en una aproximacin en serie de Taylor de mayor orden de f(X) [GUM: 1995, 5.1.2]. En la GUM se establece
una expresin para los trminos ms significativos de orden superior que deben incluirse [GUM: 1995, nota
5.1.2].
NOTA 3 La condicin c) se refiere a la afirmacin de la GUM [GUM: 1995, nota 5.1.2] relativa a un modelo
no lineal en el caso de Xi independientes. La GUM, en este contexto, no considera Xi que no sean
independientes.
NOTA 4 La condicin d) constituye una correccin a la afirmacin de la GUM [GUM: 1995, nota 5.1.2] de
que la versin de la ley de propagacin de incertidumbres que utiliza trminos de orden superior, se basa en
la simetra de las FDP de Xi [19, 27].
NOTA 5 Si la determinacin analtica de las derivadas de mayor orden resulta difcil o puede dar lugar a que
se cometan errores, especialmente cuando la no linealidad del modelo es significativa, puede utilizarse un
software adecuado. Alternativamente, estas derivadas se pueden aproximar numricamente por diferencias
finitas [5]. (La GUM proporciona una frmula de diferencias finitas para derivadas parciales de primer orden
[GUM: 1995, 5.1.3 nota 2].) Sin embargo, debe tenerse especial cuidado cuando se forman diferencias entre
valores del modelo muy prximos numricamente por los efectos de cancelacin de trminos.
5.8.2 Segn el enfoque GUM, puede determinarse un intervalo de cobertura cuando se cumplan
las condiciones b) y c) del apartado 5.7.2, sustituyendo el contenido de la nota 3 por la siguiente
afirmacin: la condicin c) es necesaria al objeto de que los intervalos de cobertura puedan
determinarse a partir de esas distribuciones.

5.8.3 Siempre que se mantengan las condiciones de los apartados 5.8.1 y 5.8.2, la aplicacin del
enfoque GUM para modelos no lineales se supondr vlida. Tales condiciones se dan en
numerosas circunstancias.
5.9 La aproximacin Monte Carlo a las fases de propagacin y resumen
5.9.1 El MMC proporciona una aproximacin general para obtener una representacin numrica
aproximada G de la funcin de distribucin GY() de Y [32, pgina 75]. El punto clave de la
propuesta es muestrear repetidamente a partir de las FDP de las Xi y evaluar el modelo en cada
caso.
5.9.2 Puesto que GY() codifica toda la informacin conocida acerca de Y, cualquier propiedad de
Y tales como la esperanza matemtica, la varianza y los intervalos de cobertura pueden
aproximarse utilizando G. La calidad de estos resultados mejora al aumentar del nmero de veces
que se muestrean las FDP.
5.9.3 Las esperanzas matemticas y varianzas (y momentos de mayor orden) se pueden

determinar directamente a partir del conjunto de valores obtenidos del modelo. La determinacin
de intervalos de cobertura exige que estos valores del modelo estn ordenados.
5.9.4 Si yr, para r = 1,, M, representa valores del modelo de una distribucin de probabilidad de Y
muestreados independientemente, entonces la esperanza matemtica E(Y) y la varianza V(Y)
pueden aproximarse utilizando los yr. En general, los momentos de Y (incluyendo E(Y) y V(Y)) se
aproximan para aquellos valores del modelo muestreados. M y 0 indica el nmero de yr que no son
superiores a cualquier nmero prefijado y0. La probabilidad Pr (Y y 0 ) se aproxima mediante
M y 0 M . De esta forma, yr proporciona una funcin escaln (tipo histograma) aproximada a la
funcin de distribucin GY().
5.9.5 Cada yr se obtiene mediante el muestreo aleatorio de cada una de las FDP de Xi y la
evaluacin del modelo para los valores obtenidos del muestreo. La salida primaria del MMC, G,
est formada por los yr dispuestos en orden estrictamente creciente.
NOTA Es improbable que se obtengan yr iguales pero, si se diera el caso, la introduccin de

perturbaciones mnimas adecuadas sobre los yr les permitira disponerse en orden estrictamente creciente.
Vase el apartado 7.5.1.
5.9.6 La Figura 4 muestra esquemticamente el MMC como una aplicacin de la propagacin de

distribuciones a M de ellas obtenidas a priori (vase por otra parte 7.9). El MMC puede
establecerse como un procedimiento paso a paso:
a) seleccionar el nmero M de reiteraciones de Monte Carlo a realizar. Vase el apartado 7.2;
b) generar M vectores, mediante muestreo de las FDP asignadas, como realizaciones de las
(conjunto de N) magnitudes de entrada Xi. Vase el apartado 7.3;
c) deducir el correspondiente valor de Y del modelo para cada uno de dichos vectores obteniendo
los M valores del modelo. Vase el apartado 7.4;
d) clasificar dichos M valores del modelo en orden estrictamente creciente, utilizando estos
valores ordenados para obtener G. Vase el apartado 7.5;
e) utilizar G para deducir una estimacin y de Y y la incertidumbre tpica u(y) asociada a y. Vase
el apartado 7.6;

f) utilizar G para deducir un intervalo de cobertura adecuado para Y, para una probabilidad de
cobertura especfica p. Vase el apartado 7.7.
NOTA 1 El apartado 6.4 y el anexo C proporcionan informacin acerca del muestreo a partir de las
distribuciones de probabilidad.
NOTA 2 Matemticamente, la media de los M valores del modelo es la realizacin de una variable aleatoria
con esperanza matemtica E(Y) y varianza V(Y) / M. Por ello, es de esperar que la relacin entre dicha media
y E(Y) sea proporcional a M1/2.
NOTA 3 El paso e) puede llevarse a cabo del mismo modo utilizando los M valores del modelo de Y sin
clasificar. Pero s ser necesario clasificar estos valores del modelo para determinar el intervalo de cobertura
en el paso f).
5.9.7 La eficacia del MMC para determinar y, u(y) y un intervalo de cobertura de Y depende de la
utilizacin de un valor de M adecuadamente grande (paso a) del apartado 5.9.6). Una orientacin
sobre cmo obtener tal valor y, en general, sobre cmo utilizar el MMC se encuentra en la
referencia [7]. Vanse tambin los apartados 7.2 y 7.9.
5.10 Condiciones para la aplicacin vlida del mtodo de Monte Carlo descrito
5.10.1 La propagacin de distribuciones realizada mediante el MMC, as como la informacin

resumen determinada a continuacin, son vlidas a partir de la aproximacin propuesta en el
presente Suplemento, bajo las siguientes condiciones:
a) f es continua con respecto a los elementos Xi de X en el entorno de las mejores

estimaciones xi de las Xi;
b) la funcin de distribucin de Y es continua y estrictamente creciente;
c) la FDP de Y es:
1 continua en todo el intervalo para el que esta FDP es estrictamente positiva,
2 unimodal (un nico mximo),
3 estrictamente creciente (o cero) a la izquierda del mximo y estrictamente

decreciente (o cero) a la derecha del mximo;
d) existen E(Y) y V(Y);
e) se utiliza un valor suficientemente grande de M.

PDF combinada gX()

de las magnitudes de probabilidad de cobertura
entrada X p
Apartado 6
entradas MMC Definicin 3.13
nmero M de
modelo Y = f(X) reiteraciones Monte
Carlo
Apartado 4.1
Apartado 7.2
M vectores x1, , xM
muestreados a partir de gX()
Apartado 7.3
propagacin MMC:
grficos de la PDF combinada
de las magnitudes de entrada
y evaluacin del modelo para
dichos grficos
M valores del modelo
yr = f(xr), r = 1,, M
Apartado 7.4
representacin discreta G
salida primaria MMC: de la funcin de distribucin de la
funcin de distribucin de la magnitud de salida Y
magnitud de salida
Apartado 7.5
estimacin y de Y e
incertidumbre tpica intervalo de cobertura
resumen MMC
asociada u(y) [yinf, ysup] de Y
Apartado 7.6 Apartado 7.7
Figura 4 Fases de propagacin y resumen de la evaluacin de la incertidumbre utilizando el MMC

para la propagacin de distribuciones (5.9.6, 7.1)

NOTA 1 Con respecto a la condicin a), no se requieren condiciones para las derivadas de f.
NOTA 2 Las condiciones a) y b) son necesarias para asegurar que la inversa de la funcin de distribucin
es nica y que por lo tanto pueden determinarse los intervalos de cobertura. Si no se requiere un intervalo de
cobertura, slo se necesita la condicin a).
NOTA 3 La condicin c) se necesita nicamente si debe determinarse el intervalo de cobertura ms

pequeo. En tal caso, es necesaria para asegurar que el menor intervalo de cobertura correspondiente a la
probabilidad de cobertura estipulada es nico. El pico mximo puede coincidir con un punto extremo del
intervalo para el cual esta FDP es estrictamente positiva: en tal caso, una de las dos condiciones en 3) carece
de sentido.
NOTA 4 La condicin d) se necesita para la convergencia (estocstica) del MMC a medida que el nmero M
de reiteraciones va incrementndose (vase el apartado 7.2).
NOTA 5 La condicin e) es necesaria para asegurar que la informacin resumen es fiable. Vase el
apartado 8.2.
5.10.2 Es de esperar que los resultados de la propagacin de distribuciones segn el MMC sean
vlidos, siempre que se satisfagan las condiciones del apartado 5.10.1. Estas condiciones son
menos restrictivas que las exigidas (vanse los apartados 5.7 y 5.8) para la aplicacin del enfoque
GUM.
5.11 Comparacin entre el enfoque GUM y el mtodo de Monte Carlo descrito
5.11.1 El objetivo del presente apartado es comparar los principios en los que se basan el
enfoque GUM y el MMC como una realizacin de la propagacin de distribuciones. Este apartado
tambin proporciona algunas razones para utilizar el MMC en aquellas circunstancias en las cuales
sea cuestionable la validez de la aplicacin del enfoque GUM.
5.11.2 A efectos de comparar el enfoque GUM y el MMC, es til revisar las consideraciones de la
GUM relativas a las evaluaciones de incertidumbre Tipo A y Tipo B. Para la evaluacin Tipo A, la
GUM proporciona una gua para la obtencin de la mejor estimacin de una magnitud y su
incertidumbre tpica asociada a partir de la media y de la desviacin tpica de un conjunto de
indicaciones de la magnitud, obtenidas independientemente. Para la evaluacin Tipo B, el
conocimiento previo relativo a la magnitud se utiliza para caracterizarla mediante una FDP, a partir
de la cual se determinan la mejor estimacin de la magnitud y su incertidumbre tpica asociada. La
GUM establece que ambos tipos de evaluacin estn basados en distribuciones de probabilidad
[GUM: 1995, 3.3.4] y que ambas aproximaciones emplean interpretaciones admitidas sobre la
probabilidad [GUM: 1995, 3.3.5]. La GUM considera las FDP como base para la evaluacin de la
incertidumbre: en el contexto de la ley de propagacin de incertidumbres, hace referencia explcita
a las magnitudes de entrada y salida como definidas y caracterizadas mediante distribuciones de
probabilidad [GUM: 1995, G.6.6]. Vase tambin el apartado 5.1.2.
5.11.3 El enfoque GUM no determina explcitamente una FDP para la magnitud de salida. Sin
embargo, la distribucin de probabilidad utilizada por dicho enfoque para caracterizar la magnitud
de salida es a veces referida en el presente Suplemento como proporcionada por o resultando
del enfoque GUM.
5.11.4 El presente Suplemento intenta proporcionar una aproximacin que sea lo ms coherente
posible con la GUM, especialmente en lo relativo al uso de las FDP para todas las magnitudes,
pero desvindose de ella, en su caso, de forma claramente identificada. Estas desviaciones son:
a) las FDP estn explcitamente asignadas a todas las magnitudes de entrada Xi (en lugar de
asociar incertidumbres tpicas con estimaciones xi de Xi) basndose en la informacin relativa a

dichas magnitudes. No se necesita la clasificacin en evaluaciones de incertidumbre tipo A y

Tipo B;
b) los coeficientes de sensibilidad [GUM: 1995, 5.1.3] no son una parte inherente de la
aproximacin de este suplemento y, por lo tanto, no se requiere el clculo o la aproximacin
numrica de las derivadas parciales del modelo con respecto a las Xi. Sin embargo, se pueden
dar aproximaciones de los coeficientes de sensibilidad que correspondan a tomar todos los
trminos de orden superior en el desarrollo en serie de Taylor del modelo considerado (anexo
B);
c) se obtiene una representacin numrica de la funcin de distribucin de Y definida

completamente a partir del modelo y de las FDP de Xi, y no limitadas a una distribucin
gaussiana o a una distribucin t;
d) dado que la FDP de Y no es en general simtrica, un intervalo de cobertura de Y no queda

necesariamente centrado en la estimacin de Y. Por tanto, es necesario reflexionar a la hora
de la eleccin del intervalo de cobertura correspondiente a una probabilidad de cobertura
especfica.
5.11.5 Puesto que explcitamente el enfoque GUM utiliza nicamente las mejores estimaciones xi y
sus incertidumbres asociadas (y en caso apropiado covarianzas y grados de libertad), queda
limitada la informacin que se puede proporcionar acerca de Y. Esencialmente queda limitada a
proporcionar una estimacin y de Y y la incertidumbre tpica u(y) asociada a y, y quizs los
referidos grados efectivos de libertad. Los valores de y y u(y) sern vlidos para un modelo lineal
en X. Cualquier otra informacin acerca de Y, por ejemplo intervalos de cobertura, se obtiene
utilizando hiptesis adicionales, como que la distribucin de Y es gaussiana o una distribucin t.
5.11.6 Algunas caractersticas del MMC son:
a) menor esfuerzo en el anlisis necesario para modelos no lineales o complejos, dado que no se
necesitan las derivadas parciales de primer orden u orden superior utilizadas para proporcionar
los coeficientes de sensibilidad en la ley de propagacin de incertidumbres;
b) mejor estimacin de Y en modelos no lineales, en general (vase [GUM: 1995, 4.1.4]);
c) mejor incertidumbre tpica asociada a la estimacin de Y en modelos no lineales,

especialmente cuando las Xi tengan asignadas FDP no gaussianas (por ejemplo asimtricas),
sin la necesidad de proporcionar las derivadas de orden superior [GUM: 1995, nota 5.1.2];
d) proporciona un intervalo de cobertura correspondiente a una probabilidad de cobertura

estipulada en el caso de que la FDP de Y no pueda aproximarse de forma adecuada por una
distribucin gaussiana o por una distribucin t, por ejemplo cuando no sea de aplicacin el
teorema del lmite central [GUM: 1995, G.2.1, G.6.6]. Esta aproximacin inadecuada puede
originarse cuando (1) la FDP asignada a una Xi dominante no es una distribucin gaussiana o
una distribucin t, (2) el modelo es no lineal, o (3) el error de aproximacin originado al utilizar
la frmula de Welch-Satterthwaite para los grados efectivos de libertad no es despreciable;
e) no es necesario un factor de cobertura [GUM: 1995, 2.3.6] cuando se determina un intervalo de

cobertura.

6 Funciones de densidad de probabilidad para las magnitudes de entrada
6.1 Generalidades
6.1.1 Este apartado da una orientacin sobre la asignacin de las FDP, en algunas circunstancias
habituales, a las magnitudes de entrada Xi en la etapa de formulacin de la evaluacin de la
incertidumbre. Tal asignacin puede estar basada en el teorema de Bayes [20] o en el principio de
mxima entropa [8, 26, 51, 56].
NOTA En algunas circunstancias puede ser til otra aproximacin para la asignacin de una FDP. En
cualquier caso, como en toda disciplina cientfica, debe registrarse la justificacin de la decisin.
6.1.2 En general, a las magnitudes de entrada X = (X1,..., XN)T se les asigna una FDP conjunta
g X ( ) . Vase el apartado 6.4.8.4 nota 2.
6.1.3 Cuando las Xi son independientes, las FDP g X i (i ) se asignan individualmente, basndose
en el anlisis de una serie de indicaciones (evaluacin Tipo A de la incertidumbre) o en el criterio
cientfico a partir de informaciones existentes [50], tales como datos histricos, calibraciones y
opiniones expertas (evaluacin Tipo B de la incertidumbre) [GUM: 1995, 3.3.5].
6.1.4 Cuando algunas de las Xi son independientes entre s, se les asignan FDP individuales y una
FDP conjunta para el resto.
NOTA Es posible eliminar algunas o todas las dependencias reescribiendo las magnitudes de entrada
relevantes en funcin de magnitudes de entrada independientes ms fundamentales, de las que dependen las
magnitudes de entrada iniciales [GUM: 1995, F1.2.4, H.1.2]. Dichos cambios pueden simplificar tanto la
aplicacin de la ley de propagacin de incertidumbres como la propagacin de las distribuciones. Se pueden
consultar detalles y ejemplos en la referencia bibliogrfica [15].
6.1.5 La informacin relativa a la asignacin de las FDP a las Xi se incluye en la GUM [GUM: 1995,
4.3].
6.1.6 La orientacin ntegra sobre la asignacin de las FDP de forma individual o conjunta a las Xi
est fuera del mbito de aplicacin de este Suplemento. Estas FDP asignadas recogen el
conocimiento y la experiencia del metrlogo que formula el modelo que, en ltima instancia, es el
responsable de la calidad de los resultados finales.
6.1.7 Un texto de referencia sobre las distribuciones de probabilidad es el de Evans, Hastings y

Peacock [18].
6.2 Teorema de Bayes
6.2.1 Supngase que la informacin sobre una magnitud de entrada X est constituida por una
serie de indicaciones consideradas como realizaciones de variables aleatorias independientes,
distribuidas del mismo modo, que se caracterizan por una FDP especificada, pero cuya esperanza
matemtica y varianza son desconocidas. En tal caso, puede utilizarse el teorema de Bayes para
calcular una FDP para X, donde X se considera igual a la media desconocida de estas variables
aleatorias. El clculo se desarrolla en dos pasos. En primer lugar, se asigna una FDP previa

(anterior a los datos), no informativa y conjunta, a la esperanza matemtica y a la varianza

desconocidas. Aplicando el teorema de Bayes, esta FDP previa y conjunta se actualiza, a partir de
la informacin proporcionada por la serie de indicaciones, para obtener una FDP conjunta posterior
(posterior a los datos) para los dos parmetros desconocidos. La FDP posterior esperada para la
media desconocida, se calcula como una FDP marginal, mediante la integracin de los valores
posibles de la varianza desconocida (vase el apartado 6.4.9.2).
6.2.2 Con el uso del teorema de Bayes, la actualizacin se lleva a cabo mediante el producto de
una funcin de probabilidad por la FDP anterior [20]. La funcin de probabilidad, en el caso de
indicaciones obtenidas de forma independiente, es el producto de funciones idnticas en la forma,
por ejemplo, FDP gaussianas, una para cada indicacin. La FDP posterior se determina mediante
la integracin del producto de la FDP previa por la probabilidad, para todos los valores posibles de
la varianza, y normalizando la expresin resultante.
NOTA 1 En algunos casos (como por ejemplo en el apartado 6.4.11), las variables aleatorias, cuyas
indicaciones se consideran resultados, se caracterizan por una FDP de un solo parmetro. En tales casos, se
asigna una FDP previa, sin informacin, a la esperanza matemtica desconocida de las variables aleatorias, y
la distribucin posterior de X viene dada directamente por el teorema de Bayes, sin necesidad de FDP
marginales.
NOTA 2 El teorema de Bayes tambin puede aplicarse en otras circunstancias, por ejemplo, cuando la
esperanza matemtica y la desviacin tpica son desconocidas y se suponen iguales.
6.3 El principio de mxima entropa
6.3.1 Cuando se utiliza el principio de mxima entropa introducido por Jaynes [25], se selecciona
una FDP nica entre todas las posibles FDP con propiedades especficas, por ejemplo, momentos
centrales especficos de distintos rdenes o intervalos especficos para los que la FDP no es cero.
Este mtodo es particularmente til para asignar las FDP a magnitudes para las que no existe una
serie de indicaciones o que no se han medido de forma explcita.
6.3.2 En la aplicacin del principio de mxima entropa, para obtener una FDP g x ( ) que
represente de manera adecuada el conocimiento incompleto de una magnitud X de acuerdo con la
informacin disponible, se define la funcin "entropa de la informacin" como:
S[g ] = g x ( )ln g x ( )d .

Esta funcin, introducida por Shannon [48], se maximiza considerando las restricciones impuestas
por la informacin de que se dispone.
6.4 Asignacin de la funcin de densidad de probabilidad en algunas circunstancias

habituales
6.4.1 Generalidades
Los apartados de 6.4.2 a 6.4.11 muestran asignaciones de FDP a magnitudes basadas en diversos
tipos de informacin relativos a dichas magnitudes. Para cada FDP g x ( ) se dan:
a) las frmulas para la esperanza matemtica y la varianza de X,

b) la forma en que puede llevarse a cabo el muestreo de g x ( ) .
La Tabla 1 facilita el empleo de estos apartados e ilustra las FDP correspondientes.
NOTA Estas ilustraciones de las FDP no estn dibujadas a escala. La FDP gaussiana multivariante no
est representada.
6.4.2 La distribucin rectangular
6.4.2.1 Si la nica informacin disponible en relacin con una magnitud X es un lmite inferior a y
un lmite superior b, con a < b, entonces, de acuerdo con el principio de mxima entropa, se
asignara a X una distribucin rectangular R(a, b) en el intervalo [a, b].
6.4.2.2 La FDP para X es:
1/( b a ), a b,
g x () =
0, en el resto de puntos
6.4.2.3 La esperanza matemtica y la varianza de X son:
a+b ( b a )2
E( X ) = , V(X) =
2 12 (2)
6.4.2.4 Para muestrear R(a, b), obtngase un valor aleatorio r a partir de la distribucin rectangular
R(0, 1) (vase C.3.3) y frmese:
= a + (b a )r
6.4.3 La distribucin rectangular con lmites inexactos
6.4.3.1 Sea una magnitud X definida entre los lmites A y B con A < B, donde el punto medio
(A + B) / 2 del intervalo definido por estos lmites es fijo pero la amplitud B A del intervalo no se
conoce con exactitud. El valor de A se encuentra dentro del intervalo a d, y B dentro de b d,
siendo d > 0 y a + d < b d. Si no se dispone de ms informacin sobre X, A y B, puede aplicarse
el principio de mxima entropa para asignar a X una distribucin rectangular con lmites inexactos
("trapezoide curvilneo).
ln[( + d ) / (x )], a d a + d ,

1 ln[( + d ) / ( d )], a + d b d ,
g x () =
4d ln[( + d ) / ( x )], b d b + d ,
0, en el resto de puntos,
(3)
donde x = (a + b) / 2 y = (b a) / 2 son, respectivamente, el punto medio y la semiamplitud del

intervalo [a, b] [GUM: 1995, 4.3.9 nota 2]. Esta FDP es trapezoidal, pero tiene bordes que no son
lneas rectas.

Tabla 1 FDP asignadas en funcin de la informacin disponible (6.4.1, C.1.2)
Informacin disponible FDP asignada e ilustracin Apartado

(no a escala)
Lmites inferior y superior a, b Rectangular: 6.4.2
R(a, b)
Lmites inferior y superior Trapezoide curvilneo: 6.4.3

inexactos CTrap(a, b, d)
a d, b d
Suma de distribuciones Trapezoidal: 6.4.4

rectangulares con lmites Trap(a, b, ) con
inferiores y superiores a1, b1 y a2, a = a1 + a2,
b2, asignadas a dos magnitudes b = b1 + b2,
= |(b1 a1) (b2 a2)| / (b a)
Suma de distribuciones Triangular: 6.4.5
rectangulares con lmites T(a, b)
inferiores y superiores a1, b1 y a2, con
b2 y la misma semiamplitud (b1 a = a1 + a2, b = b1 + b2
a1 = b2 a2), asignadas a dos
magnitudes
Comportamiento sinusoidal entre Arco seno (en forma de U): 6.4.6
los lmites inferior y superior a, b U(a, b)
Mejor estimacin x con Gaussiana: 6.4.7

2
incertidumbre tpica asociada u(x) N(x, u (x))
Mejor estimacin x de una Gaussiana multivariante: 6.4.8
magnitud vectorial y matriz de N(x, Ux)
incertidumbres asociadas Ux
Serie de indicaciones x1,, xn Distribucin t: 6.4.9.2
obtenidas independientemente a n
partir de una magnitud con

2
tn1( x , s / n) con x = x i n,
distribucin gaussiana, con i =1
n
esperanza matemtica y varianza
desconocidas s2 = (x
i =1
i x ) / (n 1)
2
Mejor estimacin x, con Distribucin t: 6.4.9.7

incertidumbre expandida Up,
factor de cobertura kp y grados 2
t ef (x, (Up / kp) )
efectivos de libertad ef
Mejor estimacin x de Exponencial: 6.4.10

magnitudes no negativas
Ex(1 / x)
Nmero q de objetos contados Gamma: 6.4.11
G(q + 1, 1)

NOTA La ecuacin (3) puede expresarse para aplicaciones informticas como:
1 +d
g x ( ) = max ln , 0
4d (
max x , d )

E( X ) =
a+b
, V(X) =
(b a)2 + d 2 . (4)
2 12 9
NOTA 1 La varianza de la ecuacin (4) siempre es mayor que la varianza para los limites exactos de la
ecuacin (2), es decir, para d = 0.
NOTA 2 La GUM trata la informacin sobre X en el apartado 6.4.3.1, asignando grados de libertad a la
incertidumbre tpica asociada a la mejor estimacin de X [GUM: 1995, G.4.2].
6.4.3.4 Para muestrear CTrap(a, b, d), obtnganse dos valores aleatorios r1 y r2 independientes, a
partir de la distribucin rectangular R(0,1) (vase el anexo C.3.3) y frmense:
as = (a d ) + 2dr1, bs = (a + b ) as ,
= as + ( bs as )r2
NOTA El valor as se obtiene de la distribucin rectangular con lmites a d. El valor bs se forma de tal
manera que el punto medio de as y bs sea el valor preestablecido x = (a + b) / 2.
EJEMPLO En un certificado se establece que una tensin X se encuentra en el intervalo de 10,0 V 0,1 V. No
se dispone de informacin adicional sobre X, excepto que se cree que los valores de los extremos del
intervalo son el resultado del redondeo correcto de algn valor numrico (vase el apartado 3.20). Sobre esta
base, ese valor numrico se encuentra entre 0,05 V y 0,15 V, ya que el valor numrico de cada punto en el
intervalo (0,05, 0,15) redondeado a una cifra decimal significativa es 0,1. La posicin del intervalo puede, por
lo tanto, considerarse fija, mientras que su amplitud es inexacta. La mejor estimacin de X es x = 10,0 V y,
utilizando la ecuacin (4) con a = 9,9 V, b = 10,1 V y d = 0,05 V, la incertidumbre tpica asociada u(x) es:
(0,2) 2 (0,05) 2
u 2 (x) = + = 0,003 6.
12 9
Por lo tanto, u( x ) = (0,003 6)1/2 = 0,060 V , que puede compararse con 0,2 12 = 0,058 V para el caso de
lmites, son exactos. Se obtiene reemplazando d por cero. El uso de lmites exactos en este caso, proporciona
un valor numrico de u(x) un 4% menor que con lmites inexactos. La relevancia de tal diferencia debe
considerarse dentro del contexto de la aplicacin.
6.4.4 La distribucin trapezoidal
6.4.4.1 En la GUM [GUM: 1995, 4.3.9] se describe la asignacin de una distribucin trapezoidal
simtrica a una magnitud. Suponiendo que una magnitud X se define como la suma de dos
magnitudes independientes X1 y X2 y que para i = 1 e i = 2, se asigna a las Xi una distribucin
rectangular R(ai, bi) con lmite inferior ai y lmite superior bi; entonces, la distribucin de X es
trapezoidal simtrica Trap(a, b, ) con un lmite inferior a, un lmite superior b y un parmetro
igual a la relacin entre la semiamplitud de la parte superior del trapecio y la de la base. Los

parmetros de esta distribucin trapezoidal estn relacionados con los de las distribuciones
rectangulares mediante:
1
a = a1 + a2 , b = b1 + b2 , = , (5)
2
donde
(b1 a1 ) (b2 a2 ) ba
1 = , 2 = (6)
2 2
y
0 1 2.
6.4.4.2 La FDP para X (Figura 5), obtenida mediante convolucin [42, p93], es:
( x + 2 )/( 22 12 ), x 2 x 1,

1/(1 + 2 ), x 1 x + 1,
g x () = (7)
(x + 2 )/( 2
2 2
1 ), x + 1 x + 2 ,

donde x = (a + b) / 2.
NOTA La ecuacin (7) puede expresarse como:
1
g x () =
1
1 + 2
min

( )
max 2 x , 0 , 1
1 2
para su uso en aplicaciones informticas.
Figura 5 - FDP trapezoidal para X = X1 + X2, donde las FDP para X1 y X2 son rectangulares (6.4.4.2)
E( X ) =
a+b
, V(X) =
(b a )2 (1 + 2 ).
2 24
6.4.4.4 Para muestrear Trap(a, b, ) obtnganse dos valores r1 y r2 independientes, a partir de la

distribucin rectangular tpica R(0, 1) (vase el anexo C.3.3) y frmese:
ba
=a+ [(1 + )r1 + (1 )r2 ] .
2

6.4.5 La distribucin triangular
6.4.5.1 Supngase que una magnitud X se define como la suma de dos magnitudes
independientes, a las que se les asigna una distribucin rectangular (vase el apartado 6.4.4) con
la misma semiamplitud, es decir, b1 a1 = b2 a2. De las ecuaciones (5) y (6) se deduce que 1 = 0
y = 0. La distribucin de X es la distribucin trapezoidal Trap(a, b, 0), que se reduce a la
distribucin triangular (simtrica) T(a, b) en el intervalo [a, b].
( a )/ 2 , ax

g x () = (b )/ 2 , x b, (8)
0, en el resto de puntos

donde x = (a + b) / 2 y = 2 = (b a) / 2.
NOTA La ecuacin (8) puede expresarse como:
2 2 x
g x ( ) = max 1 ,0
ba ba

para su uso en aplicaciones informticas.
E( X ) =
a+b
, V(X) =
(b a )2 .
2 24
6.4.5.4 Para muestrear T(a, b) obtnganse dos valores r1 y r2 independientes, a partir de la

distribucin rectangular tpica de R(0, 1) (vase el anexo C.3.3) y frmese:
=a+
ba
2
(
r1 + r2 )
6.4.6 La distribucin arco seno (en forma de U)
6.4.6.1 Si se sabe que una magnitud X tiene un ciclo sinusoidal, con fase desconocida , entre los
lmites a y b especificados, con a < b, entonces, de acuerdo con el principio de mxima entropa, se
le asignara a una distribucin rectangular R(0, 2). La distribucin asignada a X es la
distribucin arco seno U(a, b) [18] dada por la transformacin:
a+b ba
X= + sen,
2 2
donde sigue una distribucin rectangular R(0, 2).
g x () =
[
(2/ ) (b a)2 (2 a b)2 ] -1/2
, a < < b,
0, en el restode puntos.

NOTA U(a, b) est relacionada con la distribucin arco seno tpica U(0, 1) dada por:
[z(1 z )] -1/2
, 0 < z < 1,
g Z (z) = (9)
para la variable Z, a travs de la transformacin lineal:
X = a + (b a) Z.
La esperanza matemtica y la varianza de Z son 1/2 y 1/8 respectivamente. La distribucin (9) se denomina
arco seno, ya que la funcin de distribucin correspondiente es:
1 1
GZ ( z ) = arcsen( 2 z 1) + .
2
Es un caso particular de la distribucin beta donde ambos parmetros son iguales a 1/2.
E( X ) =
a+b
, V(X) =
(b a )2 .
2 8
6.4.6.4 Para muestrear U(a, b) obtngase un valor r a partir de la distribucin rectangular tpica
R(0, 1) (vase el anexo C.3.3) y frmese:
a+b ba
= + sen 2r .
2 2
6.4.7 La distribucin gaussiana
6.4.7.1 Si la nica informacin disponible sobre una magnitud X es la mejor estimacin x con
incertidumbre tpica asociada u(x), de acuerdo con el principio de mxima entropa se asignara a X
una distribucin de probabilidad gaussiana N(x, u2(x)).
1 ( x ) 2
g x () = exp .
2 u ( x ) 2u 2 ( x )
(10)
E ( X ) = x, V ( X ) = u 2 (x ).
6.4.7.4 Para muestrear N(x, u2(x)) obtngase un valor z a partir de la distribucin gaussiana N(0, 1)
(vase el anexo C.4) y frmese:
= x + u (x ) z.
6.4.8 La distribucin gaussiana multivariante

6.4.8.1 Un resultado comparable al del apartado 6.4.7.1 puede obtenerse para una magnitud X =
(X1,..., XN)T N-dimensional. Si la nica informacin disponible es la mejor estimacin x = (x1,..., xN)T
de X y la matriz de incertidumbre asociada estrictamente positiva es:
u 2 ( x1 ) u( x1, x 2 ) K u( x1, x N )

u( x 2 , x1 ) u 2 ( x 2 ) K u( x 2 , x N )
Ux =
M M O M
2

u( x N , x1 ) u( x N , x 2 ) K u ( x N )
se asignara una distribucin gaussiana multivariante N(x, Ux) a X.
6.4.8.2 La FDP conjunta para X es:
1 2
1
T
g
e
x
p
1
X
() ( x ) U x ( x ) .
1
/
2
= (11)
N
[(2) ]
d
e
t
Ux
6.4.8.3 La esperanza matemtica y la matriz de covarianza de X son:
E (X ) = x , V (X ) = U x .
6.4.8.4 Para muestrear N(x, Ux), obtnganse N valores independientes zi, i = 1,, N, a partir de la
distribucin tpica gaussiana N(0, 1) (vase el anexo C.4) y frmese:
= x + RTz ,
donde z = (z1,..., zN)T y R es la matriz triangular superior dada por la descomposicin de Cholesky
T
Ux = R R (vase el anexo C.5).
T
NOTA 1 En lugar de la descomposicin de Cholesky Ux = R R, puede utilizarse cualquier factorizacin
matricial de esta forma.
NOTA 2 Las nicas FDP conjuntas consideradas de forma explcita en este Suplemento son las
distribuciones gaussianas multivariantes, de uso habitual en la prctica. Un procedimiento numrico para el
muestreo de una FDP gaussiana multivariante se ha dado anteriormente (tambin en el anexo C.5). Si va a
utilizarse otra FDP multivariante, sera necesario facilitar un mtodo para el muestreo.
Nota 3 La FDP gaussiana multivariante (11) se reduce al producto de N FDP gaussianas univariantes
cuando no hay efectos de covarianza. En ese caso,
(
U x = diag u 2 (x 1 ),..., u 2 (x N ) , )
donde
N
g x ( ) = g
i =1
xi (i ) ,
con
1 ( x )2
g x i ( i ) = exp i 2 i .
2 u( x i ) 2u ( x )
i

6.4.9 La distribucin t
6.4.9.1 La distribucin t suele presentarse en dos circunstancias: en la evaluacin de una serie de

indicaciones (vase el apartado 6.4.9.2) y en la interpretacin de los certificados de calibracin
(vase el apartado 6.4.9.7).
6.4.9.2 Supngase que se dispone de una serie de n indicaciones x1,, xn, obtenidas de forma
independiente a partir de una magnitud con distribucin gaussiana N(0, 02 ), con esperanza
matemtica 0 y varianza 02 desconocidas. La magnitud de entrada deseada X se toma igual a 0.
Entonces, asignando una distribucin previa, conjunta y no informativa a 0 y 02 , y utilizando el
teorema de Bayes, resulta que la FDP marginal de X es una distribucin t = t v x , s 2 n , con ( )
= n 1 grados de libertad, donde:
n n
1 1
x=
n x
i =1
i , s2 =
n 1 i =1
(x i x )2
son, respectivamente, la media y la varianza de las indicaciones [20].

n 2
2
(n 2) 1 1 x
g x ( ) = x 1+
, (12)
((n - 1) 2) (n 1) s n n - 1 s n

donde

(z ) = t z 1e t dt , z>0,
0
es la funcin gamma.
n 1 s2
E (X ) = x , V (X ) = ,
n 3 n
donde E(X) se define slo para n > 2 y V(X) slo para n > 3. Para n > 3, las mejores estimaciones
para X y su incertidumbre tpica asociada son:
n 1 s
x=x, u (x ) = . (13)
n3 n
NOTA 1 En la GUM [GUM: 1995, 4.2], la incertidumbre tpica u(x) asociada a la media de una serie de
indicaciones n obtenidas de forma independiente se evala como u (x ) = s n , en lugar de utilizar la ecuacin
(13) y los grados de libertad asociados = n 1 se consideran como una medida de la fiabilidad de u(x). Por
extensin, los grados de libertad se asocian a una incertidumbre obtenida mediante una evaluacin Tipo B,
basndose en el criterio subjetivo de la fiabilidad de la evaluacin [GUM: 1995, G.4.2] (cf. 6.4.3.3 nota 2). Los
grados de libertad asociados a la incertidumbre u(xi) son necesarios para obtener, mediante la aplicacin de la
frmula de Welch-Satterthwaite, los grados efectivos de libertad ef asociados a la incertidumbre u(y).

NOTA 2 En el contexto bayesiano de este Suplemento, conceptos tales como la fiabilidad o la incertidumbre
de una incertidumbre no son necesarios. En consecuencia, los grados de libertad en una evaluacin Tipo A de
la incertidumbre ya no se consideran como una medida de la fiabilidad y los grados de libertad en una
evaluacin Tipo B no existen.
( )
6.4.9.5 Para muestrear tv x , s 2 n , obtngase un valor de t a partir de la distribucin centrada t
con = n 1 grados de libertad [GUM: 1995, G.3] (vase tambin el anexo C.6) y frmese:
s
=x+ t.
n
6.4.9.6 Si en lugar de una desviacin tpica s, calculada a partir de una nica serie de indicaciones,
se utiliza una desviacin tpica sp con p grados de libertad obtenida a partir de un conjunto de
datos Q, deben emplearse:
Q Q
1
sp2 =
p s
j =1
j
2
j , p =
j =1
j ,
y los grados de libertad = n 1 de la funcin t asignada a X debern ser reemplazados por los
grados de libertad p asociados a la desviacin tpica sp. Como consecuencia, la ecuacin (12)
deber sustituirse por:
( )
p +1 2
(( ) ) x 1 1 + 1 x
2
p +1 2
g x ( ) =
( p 2) p sp n p sp n

y las expresiones (13) por:
n
p sp
x=x=
1
n x i , u (x ) = ( 3) .
p 2 n p
i =1
6.4.9.7 Si la fuente de informacin acerca de una magnitud X es un certificado de calibracin

[GUM: 1995, 4.3.1] que establece su mejor estimacin x, la incertidumbre expandida Up, el factor
de cobertura kp y los grados efectivos de libertad ef, entonces debe asignarse a X una distribucin
( (
t = t x , U p k p )2 ) con = ef grados de libertad.
6.4.9.8 Si ef se considera infinito o no se especifica, en cuyo caso se tomara como infinito en

ausencia de otra informacin, se asignar a X una distribucin gaussiana N x , U p k p ( ( )2 ) (vase el
apartado 6.4.7.1).
NOTA Esta distribucin es el caso lmite de la distribucin t = t x, U p k p (( )2 ) , cuando tiende a infinito.

6.4.10 La distribucin exponencial
6.4.10.1 Si la nica informacin disponible con respecto a una magnitud no negativa X es su mejor
estimacin x > 0, entonces, de acuerdo con el principio de mxima entropa, se asignara a X una
distribucin exponencial Ex (1 / x).

exp ( x ) x , 0,
g x ( ) =
0, en el resto de puntos.
E (X ) = x , V (X ) = x 2 .
6.4.10.4 Para muestrear Ex(1/x), obtngase un valor r a partir de la distribucin rectangular R(0,1)
(vase el anexo C.3.3) y frmese:
= xlnr .
NOTA Para ampliar la informacin sobre la asignacin de FDP a magnitudes no negativas se puede
consultar [14].
6.4.11 La distribucin Gamma
6.4.11.1 Suponiendo que la magnitud X es el nmero medio de elementos existentes en una

muestra de un tamao fijo (por ejemplo, el nmero medio de partculas en una muestra de aire
tomada de una sala limpia, o el nmero medio de fotones emitidos por una fuente en un intervalo
de tiempo dado), que q es el nmero de elementos contados en una muestra de un tamao
especifico y que este nmero es una magnitud con esperanza matemtica desconocida que sigue
una distribucin de Poisson, entonces, de acuerdo con el teorema de Bayes, despus de asignar
una distribucin previa constante a la esperanza matemtica, se asignara a X una distribucin
gamma G(q+1,1).
q exp ( ) q! , 0,
g x ( ) = (14)
0, para el resto de los puntos.
E (X ) = q + 1 V (X ) = q + 1 (15)
6.4.11.4 Para muestrear G(q + 1, 1), obtnganse q + 1 valores independientes de ri, con
i = 1,..., q + 1, a partir de la distribucin rectangular tpica R(0,1) (vase el anexo C.3.3) y frmese:
q +1
= ln ri =1
i .
NOTA 1 Si el recuento se realiza a travs de varias muestras (segn la distribucin de Poisson) y la qi es el

nmero de los elementos contados en la i-sima muestra, de tamao Si, entonces la distribucin para el
nmero medio de elementos en una muestra de tamao S = S i
i es G(, ) con = 1 + q
i
i y = 1. Las
expresiones (14) y (15) se utilizan con q = q

i
i .

NOTA 2 La distribucin gamma es una generalizacin de la distribucin chi-cuadrado y se utiliza para

representar la informacin asociada a las varianzas.
NOTA 3 La distribucin gamma especfica del apartado 6.4.11.4 es una distribucin de Erlang obtenida
mediante la suma de q + 1 distribuciones exponenciales con parmetro 1 [18].
6.5 Distribuciones de probabilidad a partir de estimaciones previas de

incertidumbre
Una estimacin previa de incertidumbre puede haber proporcionado una distribucin de

probabilidad para una magnitud de salida que ser una magnitud de entrada en una evaluacin
posterior de incertidumbre. Esta distribucin de probabilidad puede ser reconocible, por ejemplo
como una FDP gaussiana. Puede estar disponible, por ejemplo como una aproximacin a la
funcin de distribucin de una magnitud, obtenida de una aplicacin previa del MMC. El mtodo
para describir esta funcin de distribucin para una magnitud dada se describe en el apartado 7.5.1
y en el anexo D.2.
7 Aplicacin del mtodo de Monte Carlo
7.1 Generalidades
Este apartado proporciona informacin acerca del empleo del mtodo de Monte Carlo en la
propagacin de distribuciones, vase el procedimiento del apartado 5.9.6, representado
esquemticamente en la Figura 4.
7.2 Nmero de reiteraciones en el mtodo de Monte Carlo
7.2.1 Debe seleccionarse un valor para el nmero M de reiteraciones a realizar con el MMC; es
decir, el nmero de evaluaciones del modelo. ste puede elegirse a priori, en cuyo caso no habr
un control directo de la calidad de los resultados numricos proporcionados por el MMC. El motivo
es que el nmero de reiteraciones necesarias para obtener unos resultados dentro de una
tolerancia numrica previamente establecida depender de la forma de la FDP para la magnitud
de salida y de la probabilidad de cobertura requerida. Adems, los clculos son de naturaleza
estocstica, estando basados en un muestreo aleatorio.
6
NOTA Un valor de M = 10 suele proporcionar un intervalo de cobertura del 95 % para la magnitud de
salida, de forma que la amplitud del intervalo es correcta con una o dos cifras decimales significativas.
7.2.2 Debe elegirse un valor de M grande comparado con 1 / (1 p), p. ej., M al menos 104 veces
mayor que 1 / (1 p). As podr esperarse que G proporcione una representacin discreta y
razonable de GY() en las regiones cercanas a los lmites de un intervalo de cobertura del 100p %
de Y.
7.2.3 Ya que no hay garanta de que este o cualquier otro nmero especfico asignado previamente
sea suficiente, puede utilizarse un procedimiento que seleccione M de forma automtica, a medida
que las reiteraciones vayan sucedindose (puede encontrarse ms informacin en la referencia
[2]). El apartado 7.9 describe dicho procedimiento, una de cuyas caractersticas es que el nmero
de reiteraciones tomado resulta equilibrado respecto a la posibilidad de alcanzar la tolerancia
numrica requerida.

NOTA Si el modelo es complejo, por ejemplo si implica la resolucin de un modelo de elementos finitos,
debido al largo tiempo de procesamiento, puede que no sea posible utilizar un nmero M suficientemente
grande para lograr un conocimiento adecuado de la distribucin de la magnitud de salida. En este caso una
aproximacin sera considerar gY() gaussiana (como en la GUM) y proceder como sigue: utilizar, por
ejemplo, un nmero relativamente pequeo para M, 50 100. La media y la desviacin tpica de los valores
de Y resultantes de los M valores del modelo podran tomarse como y y u(y) respectivamente. A partir de esta
2
informacin, podra asignarse una FDP gaussiana gY() = N(y, u (y)) para caracterizar el conocimiento de Y
(vase el apartado 6.4.7) y calcular el intervalo de cobertura deseado para Y. Aunque el uso de un valor
pequeo de M es inevitablemente menos fiable que el uso de uno grande, ya que no proporciona una
aproximacin a la FDP de Y, sin embargo, tiene en cuenta las no linealidades del modelo.
7.3 Muestreo a partir de distribuciones de probabilidad
En una aplicacin del MMC, se obtienen M vectores xr, r = 1,, M (vase el apartado 7.2) a partir
de las FDP gXi(i) para las N magnitudes de entrada Xi. Si se considera adecuado pueden
obtenerse de la FDP conjunta multivariante gX(). En el anexo C se incluyen recomendaciones
relativas a la forma de llevar a cabo este muestreo para las distribuciones ms comunes:
rectangular, gaussiana, t y gaussiana multivariante, tambin puede consultarse el apartado 6.4. Se
pueden obtener dichos vectores aleatoriamente a partir de cualquier otra distribucin, vase el
anexo C.2. Algunas de esas distribuciones pueden ser aproximaciones a distribuciones basadas en
resultados de Monte Carlo en un clculo de incertidumbres previo (vanse los apartados 6.5, 7.5 y
el anexo D).
NOTA Para que los resultados del MMC sean vlidos estadsticamente, es necesario que los generadores
de nmeros pseudoaleatorios usados para obtener las distribuciones requeridas tengan propiedades
adecuadas. En el anexo C.3.2 se muestran algunos test para evaluar la aleatoriedad de los nmeros
producidos por un generador.
7.4 Evaluacin del modelo
7.4.1 Se calculan los M valores del modelo a partir de las FDP de las N magnitudes de entrada. En
concreto, los M valores seran x1, , xM, donde el r-simo valor xr comprende x1,r, , xN,r, siendo
xi,r un valor para Xi obtenido a partir de su FDP. Entonces, los valores para el modelo sern:
yr = f(xr), r = 1, , M
7.4.2 Si las Xi no son independientes, deben realizarse las modificaciones necesarias en el

apartado 7.4.1 asignndoles una FDP conjunta.
NOTA El modelo y las evaluaciones que se derivan se realizan aplicando la ley de propagacin de
incertidumbres, usando derivadas exactas y las mejores estimaciones para las magnitudes de entrada. Las
evaluaciones del modelo se realizan slo cuando, aplicando la ley de propagacin de incertidumbres se usan
aproximaciones numricas (diferencias finitas) a las derivadas. Estas evaluaciones se realizan, si se sigue la
recomendacin de la GUM [GUM: 1995, 5.1.3 nota 2], para las mejores estimaciones de las magnitudes de
entrada y en puntos situados sucesivamente a una incertidumbre tpica de cada estimacin, cada vez. Con
el MMC, las evaluaciones del modelo se realizan en el entorno de estas mejores estimaciones, en puntos que
pueden distar de ellos hasta varias desviaciones tpicas. El hecho de que se realicen evaluaciones del modelo
en distintos puntos, dependiendo de la aproximacin utilizada, puede conllevar diversas cuestiones
relacionadas con el procedimiento numrico utilizado, por ejemplo asegurar la convergencia (cuando se
utilizan mtodos iterativos) y la estabilidad numrica. El usuario debe asegurarse de que, cuando sea
adecuado, los mtodos numricos empleados para evaluar f son vlidos en una regin suficientemente
grande que contenga estas mejores estimaciones. En ocasiones este aspecto puede resultar crtico.

7.5 Representacin discreta de la funcin de distribucin para la magnitud de salida
7.5.1 Una representacin discreta G de la funcin de distribucin GY() para la magnitud de salida
Y puede obtenerse como sigue:
a) ordenar los valores yr, r = 1, , M, del modelo obtenidos mediante el MMC en orden no
decreciente. Denominar los valores ordenados del modelo y(r), r = 1, , M;
b) si es necesario, introducir pequeas perturbaciones numricas en cualquiera de los valores

duplicados del modelo y(r) de forma que el conjunto completo resultante de y(r), r = 1, , M
forme una secuencia estrictamente creciente (vase la condicin b) en el apartado 5.10.1);
c) tomar G como el conjunto y(r), r = 1, , M.
NOTA 1 En el paso a) debe emplearse un algoritmo de ordenacin con un nmero de operaciones

2
proporcional a M ln M. Un algoritmo simplista podra conllevar un tiempo de computacin proporcional a M ,
innecesariamente largo (vase el apartado 7.8).
NOTA 2 En el paso a) se emplea la expresin no decreciente en lugar de creciente debido a posibles

coincidencias entre los valores yr del modelo.
NOTA 3 Con respecto al paso b), la introduccin nicamente de pequeas perturbaciones asegura que se
mantendrn las propiedades estadsticas de y(r).
NOTA 4 En el paso b), es sumamente improbable que sea necesario introducir perturbaciones debido a la
gran cantidad de nmeros distintos que pueden surgir de los valores del modelo generados a partir de las
magnitudes de entrada obtenidas mediante los generadores de nmeros aleatorios. De cualquier forma, la
utilizacin de un software robusto proporcionara predicciones apropiadas.
NOTA 5 En relacin al paso c), de G puede deducirse diversa informacin. En particular, informacin
adicional sobre la esperanza matemtica y la desviacin tpica, como medidas del sesgo y de la curtosis, y
otros estadsticos como la moda y la mediana.
NOTA 6 Si Y se utiliza como magnitud de entrada en otro clculo posterior de incertidumbres, el muestreo a
partir de su distribucin de probabilidad se puede llevar a cabo fcilmente extrayendo aleatoriamente valores
de y(r), r = 1, , M, con la misma probabilidad (vase el apartado 6.5.).
7.5.2 Cuando y(r) (o yr) se representa en forma de histograma (con una anchura de intervalo
adecuada) forma una distribucin de frecuencias que, normalizada para tener un rea unitaria,
proporciona una aproximacin a la FDP gY() de Y. Generalmente los clculos no se realizan a
partir de este histograma, cuya resolucin depende de la eleccin de la anchura del intervalo, sino
basndose en G. El histograma, no obstante, puede ser til como ayuda para entender la
naturaleza de la FDP, por ejemplo el alcance de su asimetra. Con respecto a la utilizacin de un
valor numrico grande de M, vase el apartado 7.8.3 nota 1.
7.5.3 A veces puede ser til una aproximacin continua a GY(). El anexo D describe los mtodos
para obtener esta aproximacin.
7.6 Estimacin de la magnitud de salida y de su incertidumbre tpica asociada
La media
M
1
y~ =
M y
r =1
r (16)

y la desviacin tpica u (y~) calculada como:
M
u 2 (y~) = (y r y~)2
1

M 1 r =1
(17)
se toman, respectivamente, como una estimacin y de Y, y su incertidumbre tpica u(y) asociada a

y.
NOTA 1 Debe emplearse la ecuacin (17) en lugar de la frmula matemtica equivalente:
M 1
M
()
u 2 y~ =
M 1 M y 2
r
y~2 .

r =1
Debido a las mltiples ocasiones en que en metrologa u(y) es mucho ms pequea que |y| (en cuyo caso las
yr tienen en comn una serie de cifras decimales), algunos trminos de la frmula anterior se cancelan (una
media de cuadrados menos una media al cuadrado). Este efecto puede ser tan fuerte que el valor numrico
resultante podra tener pocas cifras decimales correctas como para que la evaluacin de la incertidumbre
fuese vlida [4].
NOTA 2 En algunas circunstancias especiales, como cuando a una de las magnitudes de entrada se le ha
asignado una FDP basada en una distribucin t con menos de tres grados de libertad, la esperanza
matemtica y la desviacin tpica de Y, descritas mediante la FDP gY(), podran no existir. Las ecuaciones
(16) y (17) podran ofrecer resultados no coherentes. Sin embargo, s podra obtenerse un intervalo de
cobertura para Y (vase el apartado 7.7), ya que G es coherente y puede determinarse.
NOTA 3 En general y~ no coincidir con el modelo evaluado para las mejores estimaciones de las
magnitudes de entrada ya que, para un modelo no lineal f(X), E(Y) = E(f(X)) f(E(X)) (vase [GUM.1995
4.1.4]). Independientemente de si f es lineal o no lineal, en el lmite, cuando M tiende a infinito, y~ se aproxima
a E(f(X)) cuando E(f(X)) existe.
7.7 Intervalo de cobertura para una magnitud de salida
7.7.1 Un intervalo de cobertura para Y puede determinarse a partir de la representacin discreta G

de GY() de forma similar a la expuesta en el apartado 5.3.2, GY().
7.7.2 Sea q = pM, si pM es un entero. Si no es as, tmese q como la parte entera de pM + 1 / 2.

Entonces [yinf, ysup] es un intervalo de cobertura del 100p % para Y donde, para cualquier r = 1, ,
M q, yinf = y(r) y ysup = y(r+q). El intervalo de cobertura con probabilidad simtrica del 100p % se
calcula tomando r = (M q) / 2, si (M q) / 2 es un entero, o la parte entera de (M q + 1) / 2 en
caso contrario. El menor intervalo de cobertura del 100p % se obtiene tomando un r* tal que, para
r = 1, , M q, y (r * + q ) y (r * ) y(r+q) y(r).
NOTA Debido a la aleatoriedad del MMC, algunas de las amplitudes M q de estos intervalos sern ms
pequeas que la media y otras ms grandes. Por tanto, eligiendo la menor amplitud, (la aproximacin a) el
intervalo 100p % de confianza ms pequeo tiende a ser marginalmente menor que el calculado a partir de
GY(), con la consecuencia de que la probabilidad de cobertura tpica es inferior a 100p %. Para valores
grandes de M, esta probabilidad de cobertura es inferior al 100p % en una cantidad despreciable.
5
EJEMPLO Se extrajeron 10 nmeros de un generador de nmeros pseudoaleatorios para una distribucin
rectangular en el intervalo [0, 1] y el menor intervalo de cobertura del 95 % se calcul segn lo anterior. Este
ejercicio se llev a cabo 1000 veces. La probabilidad de cobertura media fue del 94,92 % y la desviacin tpica
de las 1000 probabilidades de cobertura 0,06 %.

7.8 Tiempo de procesamiento
7.8.1 El tiempo de procesamiento del MMC depende fundamentalmente del requerido en los tres
pasos siguientes:
a) realizar M extracciones de la FDP de cada magnitud de entrada Xi (o de la FDP conjunta para

X);
b) realizar las correspondientes M evaluaciones del modelo;
c) ordenar los M valores resultantes del modelo en orden no decreciente.
7.8.2 El tiempo necesario para la realizacin de cada uno de estos tres pasos es directamente
proporcional a (a) M, (b) M y (c) M ln M (siempre que se emplee un algoritmo eficiente [47]).
7.8.3 Si el modelo es simple y las magnitudes de entrada independientes, es de esperar que

domine el tiempo del paso c), y el tiempo total ser, habitualmente, de unos pocos segundos para
M = 106 en un ordenador personal trabajando a varios GHz. Si no es as, sea T1 el tiempo
necesario para realizar una extraccin de las magnitudes de entrada a partir de sus FDP y T2 el
tiempo necesario para realizar una evaluacin del modelo. Entonces, el tiempo total ser
esencialmente M (T1 + T2) el cual, si el modelo es complicado, estar dominado por el trmino
MT2.
8 9
NOTA 1 Si el modelo es simple y M muy grande, por ejemplo 10 10 , el tiempo de ordenacin puede ser
excesivo en comparacin con el tiempo necesario para realizar las M evaluaciones del modelo. En este caso,
los clculos pueden basarse entonces en una aproximacin a gY() derivada de un histograma adecuado de
la yr.
NOTA 2 A partir del siguiente problema inventado, cuyo modelo consiste en la suma de cinco trminos, se
puede obtener una idea del tiempo de clculo necesario para una aplicacin del MMC:
Y = cos X1 + sen X2 + tan X3 + exp(X4) + X5

1 1/3
6
Asignando una distribucin gaussiana a cada una de las magnitudes de entrada Xi y realizando M = 10
reiteraciones de Monte Carlo, los tiempos relativos de clculo para (a) generar 5M nmeros aleatorios
gaussianos, (b) obtener M valores del modelo y (c) ordenar los M valores obtenidos para el modelo fueron
respectivamente 20 %, 20 % y 60 %, con un tiempo total de clculo de unos pocos segundos en un ordenador
personal operando a varios GHz.
7.9 Procedimiento de Monte Carlo adaptable
7.9.1 Generalidades
Una puesta en prctica bsica de un procedimiento de Monte Carlo adaptable supone consigo la
realizacin de un nmero creciente de reiteraciones de Monte Carlo, hasta que los resultados de
inters se hayan estabilizado en sentido estadstico. Se dice que un resultado numrico se ha
estabilizado cuando el doble de su desviacin tpica asociada es inferior a la tolerancia numrica
(vase el apartado 7.9.2) asociada a la desviacin tpica u(y).
7.9.2 Tolerancia numrica asociada a un valor numrico

Sea ndig el nmero de cifras decimales significativas consideradas como imprescindibles en un
valor numrico z. La tolerancia numrica asociada a z se obtiene como sigue:
a) expresando z en la forma c 10l, donde c es un entero con ndig cifras decimales significativas y
l un entero;

b) tomando:
1 l
= 10 . (18)
2
EJEMPLO 1 La estimacin de la magnitud de salida en la medicin de un patrn de masa de valor nominal

100 g [GUM: 1995, 7.2.2] es y = 100,021 47 g. La desviacin tpica u(y) = 0,000 35 g, considerndose ambas
cifras significativas como imprescindibles. Entonces ndig = 2 y u(y) puede expresarse como 35 10 g y, por
5
1
tanto, c = 35 y l = 5. Tmese = 10 5 g = 0,000 005 g .
2
EJEMPLO 2 Como el ejemplo 1, salvo que slo se considera imprescindible una cifra decimal significativa en
4
u(y). Entonces ndig = 1 y u(y) = 0,000 4 g = 4 10 g, siendo c = 4 y l = 4. Por tanto
1
= 10 4 g = 0,000 05 g .
2
0
EJEMPLO 3 En una medicin de temperatura, u(y) = 2 K. Entonces ndig = 1 y u(y) = 2 = 10 K, siendo c = 2 y
1
l = 0. Por tanto, = 10 0 K = 0,5 K .
2
7.9.3 Objetivo de un procedimiento adaptable

El objetivo del procedimiento adaptable presentado en el apartado 7.9.4 consiste en proporcionar:
a) una estimacin y de Y,
b) una incertidumbre tpica asociada u(y),
c) los lmites yinf e ysup de un intervalo de cobertura para Y correspondiente a la probabilidad de

cobertura estipulada, de forma que cada uno de estos cuatro valores alcance la tolerancia
numrica requerida.
NOTA 1 Por su naturaleza estocstica, el procedimiento no puede garantizar la obtencin de dicho

intervalo.
NOTA 2 Los valores de u(y) e y generalmente convergen considerablemente ms rpido que yinf e ysup con
respecto al nmero de reiteraciones de Monte Carlo.
NOTA 3 Generalmente, cuanto ms grande es la probabilidad de cobertura, mayor es el nmero de

reiteraciones de Monte Carlo necesarias para determinar yinf e ysup para una tolerancia numrica dada.
7.9.4 Procedimiento adaptable

Una aproximacin prctica, que conlleva la realizacin de una secuencia de aplicaciones del MMC,
es la siguiente:
a) fijar ndig a un valor adecuado, entero, positivo y pequeo (vase apartado 7.9.2);
b) fijar:
M = mx (J, 104),
donde J es el entero ms pequeo, mayor o igual que 100 / (1 p);
c) fijar h = 1, lo que indica la primera aplicacin del MMC en la secuencia;
d) efectuar M reiteraciones de Monte Carlo, como en los apartados 7.3 y 7.4;

e) usar los M valores del modelo y1, , yM as obtenidos para calcular, como en los apartados 7.5
a 7.7, respectivamente, y(h), u(y(h)), y(h)inf e y(h)sup; es decir, una estimacin de Y, su incertidumbre
tpica asociada y los lmites izquierdo y derecho de un intervalo de cobertura del 100p %, para el
hsimo elemento de la secuencia;
f) si h = 1, incrementar h en una unidad y volver al paso d);
g) calcular la desviacin tpica sy asociada a la media de las estimaciones y(1), , y(h) de Y, como:
( )
h
1 2
s y2 = y (r ) y
h(h 1) r =1
donde
h
1
y=
h y
r =1
(r )
;
h) calcular el homlogo de este estadstico para u(y), yinf e ysup;
i) emplear todos los h x M valores disponibles del modelo para obtener u(y);
j) calcular la tolerancia numrica asociada a u(y) como en el apartado 7.9.2;
k) si cualquiera de los valores 2sy, 2su(y), 2syinf, y 2sysup supera a , incrementar h en una unidad y
volver al paso d);
l) considerar el clculo total como estabilizado y emplear todos los h M valores obtenidos del
modelo para calcular y, u(y) y un intervalo de cobertura del 100p %, como en los apartados 7.5 a
7.7.
NOTA 1 Normalmente ndig en el paso a) podra elegirse como 1 2.
NOTA 2 La eleccin de M en el paso b) es arbitraria pero, en la prctica, se ha demostrado conveniente.
NOTA 3 En el paso g), y puede considerarse como la realizacin de una variable aleatoria con desviacin
tpica sy.
NOTA 4 Las desviaciones tpicas obtenidas en los pasos g) y h) tienden a reducirse de forma proporcional a
h (vase apartado 5.9.6 nota 2).
1/2
NOTA 5 En situaciones en las que no sea necesario un intervalo de cobertura, el test de estabilizacin del
clculo del paso k) puede basarse nicamente en 2sy y 2su(y).
NOTA 6 El factor 2 utilizado en el paso k) est basado en la consideracin de las medias como
realizaciones de variables gaussianas, y corresponde a una probabilidad de cobertura de aproximadamente el
95 %.
NOTA 7 Una aproximacin alternativa, no adaptable, para un intervalo de cobertura simtrico de un 95 %

de probabilidad, que puede obtenerse utilizando los estadsticos de una distribucin binomial [10], sera como
5 6 5
sigue: seleccionar M = 10 M = 10 . Formar el intervalo [y(r), y(s)] donde, para M = 10 , r = 2 420 y s = 97 581,
6
o para M = 10 , r = 24 747 y s = 975 254. Este intervalo es un intervalo de cobertura estadstico del 95 %, para
un nivel de confianza del 0,99 [GUM: 1995, C.2.30] [55]; es decir, la probabilidad de cobertura no ser inferior
al 95 % en al menos un 99 % de utilizaciones del MMC. La probabilidad de cobertura media de dicho intervalo
ser (s r)/(M + 1), superior al 95 % en una cantidad que va disminuyendo segn M va aumentando; a saber,

5 6
un 95,16 % para M = 10 y un 95,05 % para M = 10 . (Hay otras posibilidades para r y s, no tienen que
sumarse a M + 1. Una condicin suficiente [10, apartado 2.6] es que s r satisfaga:

j =s r
M
C j p j (1 p )
M j
< 1 0,99 ,
donde
M M!
Cj =
j ! (M-j )!
siendo el mejor resultado el que satisface dicha desigualdad). Estos resultados pueden ampliarse a otras
probabilidades de cobertura (as como a otras elecciones de M).
8 Validacin de los resultados
8.1 Validacin del enfoque GUM mediante el mtodo de Monte Carlo
8.1.1 El enfoque GUM funciona bien en muchas circunstancias. Sin embargo, no siempre es
sencillo poder determinar si se cumplen todas las condiciones necesarias para su aplicacin
(vanse los apartados 5.7 y 5.8). En cualquier caso, el grado de dificultad de dicha determinacin
sera considerablemente mayor que el requerido para aplicar el mtodo de Monte Carlo (MMC),
suponiendo que se dispone de un software adecuado [8]. As pues, ya que tales circunstancias no
se pueden verificar fcilmente, deber procederse a una validacin en caso de duda. Dado que el
campo de validez del MMC es mayor que el del enfoque GUM, se recomienda la aplicacin de
ambos mtodos y la comparacin de los resultados obtenidos. Si la comparacin resulta favorable,
podr utilizarse el enfoque GUM tanto para el caso en cuestin, como para otros casos similares
que se presenten en el futuro. En caso contrario, deber darse prioridad al empleo del MMC u otra
aproximacin apropiada.
8.1.2 En concreto, es recomendable aplicar los dos pasos indicados a continuacin y el

procedimiento de comparacin que sigue:
a) aplicar el enfoque GUM (si es posible con la ley de propagacin de la incertidumbre basada
en una aproximacin de Taylor de orden superior) (vase el apartado 5.6) con objeto de
encontrar un intervalo de cobertura y Up del 100p % para la magnitud de salida, donde p es
la probabilidad de cobertura estipulada;
b) aplicar el mtodo de Monte Carlo adaptable (vase el apartado 7.9.4) que proporcione
(aproximaciones a) la incertidumbre tpica u(y) y los lmites yinf e ysup del intervalo del 100p %
(simtrico o mnimo) requerido para la magnitud de salida. Vase tambin el apartado 8.2.
8.1.3 El procedimiento de comparacin tiene el siguiente objetivo: determinar si los intervalos de

cobertura obtenidos por el enfoque GUM y por el MMC coinciden dentro de una tolerancia
numrica estipulada. Esta tolerancia se evala en trminos de los lmites de los intervalos de
cobertura y corresponde a la obtenida al expresar la incertidumbre tpica u(y) mediante un nmero
significativo de dgitos decimales (vase el apartado 7.9.2). El procedimiento se indica a
continuacin:
a) obtener una tolerancia numrica asociada a u(y), tal como se describe en el apartado 7.9.2;

b) comparar los intervalos de cobertura obtenidos por el mtodo GUM y por el MMC, para
determinar si se ha obtenido el nmero requerido de dgitos decimales correctos en el
intervalo proporcionado por el mtodo GUM. En concreto, deben determinarse:
dinf = |y Up yinf|, (19)

dsup = |y + Up ysup|, (20)
es decir, las diferencias absolutas de los respectivos lmites de ambos intervalos. Entonces, si tanto
dinf como dsup son inferiores a , la comparacin es favorable y en este caso el enfoque GUM
resulta validado.
NOTA La eleccin del intervalo de cobertura del 100p % influye sobre la comparacin. Por ello, la
validacin es aplicable nicamente a la probabilidad de cobertura concreta p.
8.2 Obtencin de resultados a partir del mtodo de Monte Carlo, a efectos de

validacin
Para obtener resultados por el mtodo de Monte Carlo, a efectos de la validacin del apartado 8.1,
debe realizarse un nmero M suficiente de reiteraciones (vase el apartado 7.2). Sea ndig el
nmero de dgitos decimales significativos requerido por u(y) (vase el apartado 7.9.1) para validar
el enfoque GUM utilizando el MMC. Sea la tolerancia numrica asociada a u(y) (vase el
apartado 7.9.2). Entonces, se recomienda utilizar el mtodo de Monte Carlo adaptable (vase el
apartado 7.9.4) para obtener resultados del MMC dentro de una tolerancia numrica / 5. Tales
resultados pueden obtenerse reemplazando por / 5 en el paso k) del procedimiento.
NOTA La utilizacin de una tolerancia numrica / 5 puede requerir un valor de M unas 25 veces mayor
que el requerido para una tolerancia . Tal valor de M podra dar lugar a problemas de rendimiento en algunos
ordenadores que operaran con matrices vectoriales de dimensin M. En tal caso, los clculos podran basarse
en una aproximacin a gY () derivada de un histograma adecuado de yr, en el que las celdas de frecuencias
del histograma fueran actualizndose a medida que progresa el clculo por Monte Carlo. Vase nota 1 del
apartado 7.8.3.
9 Ejemplos
9.1 Ilustraciones de aspectos de este Suplemento
9.1.1 Los ejemplos dados ilustran varios aspectos de este Suplemento. Muestran la aplicacin del
enfoque GUM con y sin contribuciones derivadas de trminos de orden superior en la aproximacin
de Taylor a la funcin modelo. Tambin muestran los correspondientes resultados proporcionados
por:
a) el MMC, empleando un nmero M preasignado de reiteraciones,
b) el mtodo de Monte Carlo adaptable (vase el apartado 7.9.4), en el que M se determina

automticamente,
c) ambos.

9.1.2 Algunos de los ejemplos muestran si los resultados del MMC proporcionados en el apartado
9.1.1 b) validan los obtenidos por el enfoque GUM. Una tolerancia numrica (vase el apartado
7.9.2) asociada a u(y), con adecuadamente elegida, se utiliza para comparar el MMC con el
enfoque GUM. Los resultados de Monte Carlo proporcionados en b) fueron obtenidos empleando
una tolerancia numrica / 5 (vase el apartado 8.2). En algunos casos se obtienen soluciones
analticas, para una comparacin posterior.
9.1.3 Los resultados se presentan generalmente en la forma descrita en el apartado 5.5. Sin
embargo, suelen darse ms dgitos decimales significativos de los recomendados, uno o dos, a fin
de facilitar la comparacin de los resultados obtenidos mediante varias aproximaciones.
9.1.4 Para generar nmeros pseudoaleatorios a partir de una distribucin rectangular (vase el
anexo C.3) se utiliz el generador Mersenne Twister [34], tras haber superado ste rigurosos
ensayos aplicables precisamente a la generacin de nmeros pseudoaleatorios a partir de
distribuciones rectangulares [30] (vase el anexo C.3.2). Dicho generador est disponible en
MATLAB [36], el entorno de programacin utilizado para obtener los resultados aqu mostrados.
9.1.5 El primer ejemplo (vase el apartado 9.2) constituye un modelo aditivo. Muestra cmo los
resultados del MMC concuerdan con los de la GUM cuando se cumplen las condiciones de
aplicacin de esta ltima (como en el apartado 5.7). Tambin se considera el mismo modelo, pero
con diferentes FDP asignadas a las magnitudes de entrada, para mostrar algunas desviaciones
cuando no todas las condiciones se cumplen.
9.1.6 El segundo ejemplo (vase el apartado 9.3) es un problema de calibracin en metrologa de

masas. Muestra que el enfoque GUM es vlido en este caso, slo si se incluyen las contribuciones
derivadas de trminos de orden superior, en la aproximacin de Taylor a la funcin modelo.
9.1.7 El tercer ejemplo (vase el apartado 9.4) se refiere a mediciones elctricas. Muestra que la
FDP de la magnitud de salida puede ser asimtrica y que el enfoque GUM puede proporcionar
resultados no vlidos, incluso si se consideran todos los trminos de orden superior del desarrollo
de Taylor. Tambin trata casos en los que las magnitudes de entrada son independientes y
dependientes.
9.1.8 El cuarto ejemplo (vase el apartado 9.5) es el incluido en la GUM sobre la calibracin de
bloques patrn [GUM: 1995 H.1]. La informacin ah dada sobre el modelo de las magnitudes de
entrada se interpreta asignando FDP adecuadas a dichas magnitudes, comparndose los
resultados del enfoque GUM con los obtenidos por el MMC. Adems, el tratamiento expuesto se
aplica tanto al modelo original como a la aproximacin realizada en la GUM.
9.2 Modelo aditivo
9.2.1 Formulacin
Este ejemplo considera el modelo aditivo:
Y = X1 + X2 + X3 + X4, (21)
un caso especial del modelo lineal genrico considerado en la GUM, para tres conjuntos diferentes
de FDP, gx (i ) , asignados a las magnitudes de entrada Xi, supuestas independientes. La Xi y por
i
tanto la magnitud de salida Y tienen dimensin 1. Para el primer conjunto, cada gXi(i) es una FDP
gaussiana tpica (para la que Xi tiene esperanza matemtica cero y desviacin tpica uno). Para el
segundo conjunto, cada gx (i ) es una FDP rectangular, para la que tambin Xi tiene esperanza
i

matemtica cero y desviacin tpica uno. El tercer conjunto es idntico al segundo, excepto en que
la FDP para gx (4 ) tiene una desviacin tpica de valor diez.
4
NOTA En la referencia bibliogrfica [13] puede consultarse ms informacin sobre modelos aditivos,
como el modelo (21), donde las FDP son gaussianas o rectangulares, o una combinacin de ambas.
9.2.2 Magnitudes de entrada distribuidas normalmente (gaussianas)
9.2.2.1 Asgnese una FDP gaussiana tpica a cada Xi. Las mejores estimaciones para Xi son xi = 0,
i = 1, 2, 3, 4, con incertidumbres tpicas asociadas u(xi) = 1.
9.2.2.2 Los resultados obtenidos se resumen en las cinco primeras columnas de la tabla 2,
dndose stos con tres cifras significativas, a fin de facilitar su comparacin (vase el apartado
9.1.3).
NOTA Se determina el intervalo de cobertura simtrico con probabilidad del 95 %, ya que se sabe que la
FDP para Y es simtrica en este caso, al igual que en los otros casos considerados en este ejemplo.
9.2.2.3 La ley de propagacin de la incertidumbre [GUM: 1995, 5.1.2] proporciona la estimacin

y = 0,0 de Y, y una incertidumbre tpica asociada u(y) = 2,0, empleando una tolerancia numrica de
dos decimales significativos para u(y) ( = 0,05) (vase el apartado 5.5). Un intervalo de cobertura
simtrico con probabilidad del 95 % para Y, basado en un factor de cobertura 1,96 es [3,9; 3,9].
9.2.2.4 De la aplicacin del MMC (apartado 7) con M = 105 reiteraciones resulta y = 0,0, u(y) = 2,0 y
el intervalo de cobertura simtrico con probabilidad del 95 % [3,9; 3,9]. Dos aplicaciones ms del
mtodo, con M = 106 reiteraciones, concuerdan con estos resultados dentro de la tolerancia
numrica empleada. Estas dos aplicaciones ms (diferentes muestras aleatorias tomadas de las
FDP) se realizaron para mostrar la variacin en los resultados obtenidos. Los valores numricos
cuarto y quinto de M (1,23 106 y 1,02106) son el nmero de reiteraciones para dos aplicaciones
del mtodo adaptable de Monte Carlo (vase el apartado 7.9) empleando una tolerancia numrica
/ 5 (vase el apartado 8.2).
9.2.2.5 La FDP para Y obtenida analticamente es la FDP gaussiana con esperanza matemtica
cero y desviacin tpica dos.
9.2.2.6 La Figura 6 muestra la FDP (gaussiana) para Y resultante del enfoque GUM. Tambin
muestra una de las aproximaciones (distribucin de frecuencias agrupadas (histograma) de
M = 106 valores de Y) que constituyen la representacin discreta de G (vase el apartado 7.5)
proporcionada por el MMC. Los lmites del intervalo de cobertura simtrico con probabilidad del
95 % proporcionado por ambos mtodos se muestran como lneas verticales. La FDP y la
aproximacin son visualmente indistinguibles, como tambin lo son los respectivos intervalos de
cobertura. En este ejemplo era de esperar tal coincidencia (para un valor suficientemente grande
de M), ya que se cumplen todas las condiciones necesarias para la aplicacin del enfoque GUM
(vase el apartado 5.7).

Tabla 2 Aplicacin al modelo (21), con una FDP gaussiana tpica asignada a cada Xi, (a) del enfoque
GUM (EGUM), (b) del MMC y (c) de una aproximacin analtica (9.2.2.2, 9.2.2.7, 9.2.3.4)
Intervalo de cobertura EGUM
Mtodo M y u(y) simtrico con dinf dsup validado
probabilidad del 95 % ( = 0,05 )?
EGUM 0,00 2,00 [3,92; 3,92]
5
MMC 10 0,00 2,00 [3,94; 3,92]
6
MMC 10 0,00 2,00 [3,92; 3,92]
6
MMC 10 0,00 2,00 [3,92; 3,92]
6
MMC adaptable 1,23 x 10 0,00 2,00 [3,92; 3,93] 0,00 0,01 S
6
MMC adaptable 1,02 x 10 0,00 2,00 [3,92; 3,92] 0,00 0,00 S
Analtico 0,00 2,00
[3,92; 3,92]
Densidad de probabilidad/ unidad-1
Magnitud de salida /unidad

Figura 6 Aproximaciones del modelo (21), con una FDP gaussiana tpica asignada a cada Xi, a la
FDP para Y proporcionada por (a) el enfoque GUM y (b) el MMC (9.2.2.6, 9.2.3.3). Unidad representa
cualquier unidad
9.2.2.7 En las columnas 6, 7 y 8 de la tabla 2 se muestran tambin los resultados de aplicar los
procedimientos de validacin de los apartados 8.1 y 8.2. Segn la terminologa del apartado 7.9.2,
ndig = 2, dado que u(y) muestra dos dgitos decimales significativos. Por tanto u(y) = 2,0 = 20 101,
con lo que c = 20 y l = 1. As pues, conforme al apartado 7.9.2, la tolerancia numrica es:
1
= 10 1 = 0,05 .
2
Las magnitudes dinf y dsup de las diferencias entre los lmites (expresiones (19) y (20)) se muestran
en la tabla 2 para las dos aplicaciones del procedimiento de Monte Carlo adaptable. Tambin
muestra si el enfoque GUM ha resultado validado para = 0,05.
9.2.2.8 La Figura 7 muestra la amplitud ysup yinf del intervalo de cobertura del 95 % para Y (vase
el apartado 7.7), como una funcin de la probabilidad en su lmite izquierdo, determinada a partir
de G. Tal como se espera de una FDP simtrica, el intervalo adquiere la menor amplitud cuando se
sita simtricamente con respecto a la esperanza matemtica.

Amplitud del intervalo de cobertura /unidad
Probabilidad en el lmite izquierdo

Figura 7 Amplitud del intervalo de cobertura del 95 %, en funcin de la probabilidad en su lmite
izquierdo, para la representacin discreta G de la funcin de distribucin obtenida al aplicar el MMC al
modelo (21) (9.2.2.8, 9.4.2.2.11)
9.2.2.9 El apartado 9.4 presenta un ejemplo de una FDP asimtrica para la que el intervalo mnimo
difiere apreciablemente del intervalo de probabilidad simtrico.
9.2.3 Magnitudes de entrada distribuidas rectangularmente con la misma amplitud
9.2.3.1 Asgnese una FDP rectangular a cada Xi, de forma que Xi tenga una esperanza
matemtica nula y una desviacin tpica unidad (en contraste con el apartado 9.2.2.1 donde se
asignaba una FDP gaussiana). De nuevo, las mejores estimaciones de Xi son xi = 0, i = 1, 2, 3, 4,
con incertidumbres tpicas asociadas u(xi) =1.
9.2.3.2 Siguiendo de nuevo los pasos de los apartados 9.2.2.3 a 9.2.2.5, se obtienen los resultados
mostrados en la tabla 3. La solucin analtica para los lmites del intervalo de cobertura simtrico
[ ]
con probabilidad del 95 %, 2 3 2 (3 / 5 )1/ 4 3,88 , se obtuvo segn se describe en el anexo E.
Tabla 3 Como la tabla 2 pero para FDP rectangulares, para las que las Xi tienen las mismas
esperanzas matemticas y desviaciones tpicas (9.2.3.2, 9.2.3.3, 9.2.3.4)

Mtodo M y u(y) simtrico con dinf dsup validado
probabilidad del 95 % ( = 0,05)?
EGUM 0,00 2,00 [3,92; 3,92]
5
MMC 10 0,00 2,01 [3,90; 3,89]
6
MMC 10 0,00 2,00 [3,89; 3,88]
6
MMC 10 0,00 2,00 [3,88; 3,88]
6
MMC adaptable 1,02 x 10 0,00 2,00 [3,88; 3,89] 0,04 0,03 S
6
MMC adaptable 0,86 x 10 0,00 2,00 [3,87; 3,87] 0,05 0,05 No
Analtico 0,00 2,00
[3,88; 3,88]
9.2.3.3 La Figura 8 es la equivalente a la Figura 6 para este caso. Por comparacin con la Figura 6,
se advierten algunas pequeas diferencias entre las aproximaciones a las FDP. El enfoque GUM
proporciona exactamente la misma FDP para Y cuando las FDP para las Xi son gaussianas o
rectangulares, ya que las esperanzas matemticas de estas magnitudes son idnticas, como
tambin lo son las desviaciones tpicas, en ambos casos. La FDP proporcionada por el MMC toma
valores inferiores a los proporcionados por el enfoque GUM, en las proximidades de la esperanza
matemtica y, en menor medida, hacia las colas, tomando valores ligeramente superiores en los

flancos. Los lmites de los intervalos de cobertura proporcionados son, de nuevo, visualmente
indistinguibles, aunque la tabla 3 muestra pequeas diferencias.
9.2.3.4 El intervalo de cobertura simtrico con probabilidad del 95 % determinado sobre la base del
enfoque GUM es, en este caso, ligeramente ms conservador que el obtenido analticamente. El
procedimiento de validacin empleado ha sido el mismo que para las magnitudes distribuidas
normalmente (columnas 6 a 8 de la tabla 3). Igual que entonces, ndig = 2, u(y) = 20 101, c = 20,
l = 1 y = 0,05. Las diferencias entre los lmites dinf y dsup son mayores que en el caso de las
magnitudes distribuidas normalmente (tabla 2). En la primera de las dos aplicaciones del
procedimiento de Monte Carlo adaptable, el enfoque GUM resulta validado. En la segunda
aplicacin, no resulta validado, aunque dinf y dsup para esta aplicacin estn cercanos a la
tolerancia numrica = 0,05 (lo que se vera si se tomaran ms decimales que los utilizados en la
tabla 3). Diferentes resultados de validacin como stos son la consecuencia ocasional de la
naturaleza estocstica del mtodo de Monte Carlo, especialmente en un caso como el que aqu se
presenta.

Figura 8 Equivalente a la Figura 6 para magnitudes con las mismas esperanzas matemticas y
desviaciones tpicas, pero con FDP rectangulares (9.2.3.3)
9.2.4 Magnitudes de entrada distribuidas rectangularmente, con diferentes amplitudes
9.2.4.1 Considrese el ejemplo del apartado 9.2.3, excepto que X4 tiene una desviacin tpica de
diez en lugar de la unidad. La tabla 4 contiene los resultados obtenidos.
9.2.4.2 Los nmeros M de reiteraciones de Monte Carlo realizadas por el procedimiento adaptable
(0,03 106 y 0,08 106) son mucho ms pequeos de lo que fueron en los dos casos anteriores
de este ejemplo. La principal razn es que, en este caso, = 0,5, la tolerancia numrica resultante
de la exigencia de tener, como antes, dos dgitos decimales significativos en u(y), es diez veces el
valor previo. En caso de utilizar el valor previo, M sera del orden de 100 veces mayor.
Tabla 4 Como la tabla 3, excepto que la cuarta magnitud de entrada tiene una desviacin tpica 10
en lugar de 1, y que no se proporciona ninguna solucin analtica (9.2.4.1, 9.2.4.5)
Mtodo M y u(y) simtrico con probabilidad dinf dsup validado
del 95 % ( = 0,5)?
EGUM 0,0 10,1 [19,9; 19,9]
5
MMC 10 0,0 10,2 [17,0; 17,0]
6
MMC 10 0,0 10,2 [17,0; 17,0]
6
MMC 10 0,0 10,1 [17,0; 17,0]
6
6

9.2.4.3 La Figura 9 muestra las dos aproximaciones obtenidas para la FDP de Y, las cuales difieren
apreciablemente. El dominio de la FDP de X4 es evidente. La FDP de Y recuerda a la de X4, pero
con un efecto en los flancos debido a las FDP de las otras Xi.
9.2.4.4 La Figura 9 muestra tambin los lmites del intervalo de cobertura simtrico con
probabilidad del 95 % para Y obtenido de tales aproximaciones. La pareja de lneas verticales
internas indica los lmites del intervalo de cobertura simtrico con probabilidad del 95 %
determinado por el MMC. La pareja de lneas externas resulta del enfoque GUM, con un factor de
cobertura k = 1,96.

Figura 9 Como la Figura 8, excepto que la cuarta magnitud de entrada tiene una desviacin tpica de
diez, en lugar de la unidad (9.2.4.3, 9.2.4.4)
9.2.4.5 El intervalo de cobertura simtrico con probabilidad del 95 % determinado a partir del
enfoque GUM es, en este caso, ms conservador que el obtenido empleando el MMC. De nuevo,
se aplic el procedimiento de validacin (columnas 6 a 8 de la tabla 4). Ahora, ndig = 2,
u(y) = 1,0 101 = 10 100, c = 10, l = 0 y = 1/2 100 = 0,5. Para las dos aplicaciones del
procedimiento Monte Carlo adaptable, el enfoque GUM no resulta validado. Para una tolerancia
numrica de un dgito decimal significativo en u(y); es decir, ndig = 1, para la que = 5, la validacin
sera positiva en ambos casos, siendo los dos intervalos de cobertura del 95 % [2 101; 2 101].
Vase el apartado 4.13.
NOTA Las condiciones para la aplicacin del teorema del lmite central no se cumplen bien en esta
circunstancia [GUM: 1995, G.6.5], a causa del efecto dominante de la FDP rectangular de X4 (vase el
apartado 5.7.2). Sin embargo, dado que es frecuente asumir en la prctica el cumplimiento de tales
condiciones, especialmente al utilizar software comercial para la evaluacin de la incertidumbre (cf. 9.4.2.5,
nota 3), en este apartado, al asumir la aplicabilidad de este teorema, a efectos de comparacin, se caracteriza
la Y mediante una FDP gaussiana.
9.3 Calibracin de masa
9.3.1 Formulacin
9.3.1.1 Considrese la calibracin de una pesa W de densidad de masa W por comparacin con
una pesa de referencia R de densidad de masa R que tiene la misma masa nominal, mediante el

uso de una balanza que funciona en aire de densidad a [39]. Como generalmente W y R son
diferentes, es necesario tener en cuenta los efectos del empuje del aire. Aplicando el principio de
Arqumedes, el modelo toma la forma:
mW (1 a / W ) = (mR + mR) (1 a / R ), (22)
donde mR es la masa de una pesa pequea de densidad R que se aade a R para equilibrarla
con W.
9.3.1.2 Habitualmente se trabaja con masas convencionales. La masa convencional mW,c de W es

la masa de una pesa (hipottica) de densidad 0 = 8 000 kg/m3 que equilibra a W en un aire de
densidad a0 = 1,2 kg / m3. Por lo tanto,
mW (1 a0 / W) = mW,c (1 a0 / 0).
9.3.1.3 Trabajando con las masas convencionales mW,c, mR,c y mR,c, el modelo (22) se convierte
en:
mW,c (1 a / W) (1 a0 / W)1 = (mR,c + mR,c) (1 a / R) (1 a0 / R)1, (23)
y, a partir de ste, en una aproximacin adecuada para la mayor parte de los casos,
1
(
mW, c = (mR,c + mR,c ) 1 + a a 0 ) 1 .
R
W
Sea
m = mW,c mnom
la desviacin de mW,c respecto a la masa nominal:
mnom = 100 g.
El modelo utilizado en este ejemplo vendr dado por:
1 1
m = (mR,c + mR,c )1 + ( a a0 ) mnom .
(24)
W R
NOTA La aplicacin de la ley de propagacin de incertidumbres al modelo exacto (23) se hace difcil
debido a la complejidad algebraica de las derivadas parciales. Es ms fcil aplicar el MMC, porque slo
necesitan evaluarse valores del modelo.
9.3.1.4 La nica informacin disponible referente a mR,c y a mR,c es la mejor estimacin y la

incertidumbre tpica asociada a cada una de estas magnitudes. De acuerdo con esto, segn el
apartado 6.4.7.1, se asigna una distribucin gaussiana a cada una de estas magnitudes, utilizando
estas estimaciones como esperanzas matemticas de las magnitudes correspondientes y las
incertidumbres tpicas asociadas como desviaciones tpicas. La nica informacin accesible
referente a a, W y R son los lmites superiores e inferiores para estas magnitudes. De acuerdo
con esto, segn el apartado 6.4.2.1, se asigna una distribucin rectangular a cada una de estas
magnitudes, con lmites iguales a los extremos de la distribucin. La tabla 5 resume las magnitudes
de entrada y las funciones de densidad de probabilidad asignadas. En la tabla se describe una

distribucin gaussiana N(, 2) mediante su esperanza matemtica y su desviacin tpica , y

una distribucin rectangular R(a, b) con extremos a y b (a < b) mediante la esperanza matemtica
(a + b) / 2 y la semiamplitud (b a) / 2.
A la magnitud a0 en el modelo de calibracin de masa (24) se le asigna el valor 1,2 kg/m sin
3
NOTA
incertidumbre asociada.
Tabla 5 Magnitudes de entrada Xi y funciones de densidad de probabilidad asignadas a las mismas

para el modelo de calibracin de masa (24) (9.3.1.4)
Parmetros
Esperanza Desviacin Esperanza Semiamplitud
Xi Distribucin
matemtica tpica matemtica
x = (a + b) / 2 (b + a) / 2
2
mR,c N(, ) 100 000,000 mg 0,050 mg
2
mR,c N(, ) 1,234 mg 0,020 mg
3 3
a R(a, b) 1,20 kg/m 0,10 kg/m
W R(a, b) 8 10 kg/m3
3
1 103 kg/m3
3 3 3 3
R R(a, b) 8,00 10 kg/m 0,05 10 kg/m
9.3.2 Propagacin y conclusiones
9.3.2.1 Tanto el enfoque GUM como el procedimiento Monte Carlo adaptable (vase el apartado
7.9) se utilizaron para obtener una estimacin m de m, su incertidumbre tpica asociada u (m
) y
el menor intervalo de cobertura del 95 % para m. Los resultados obtenidos se muestran en la
tabla 6, en la que EGUM1 representa el enfoque GUM con trminos de primer orden, MMC el
procedimiento Monte Carlo adaptable, y EGUM2 el enfoque GUM con trminos de orden superior.
9.3.2.2 Se realizaron 0,72 106 reiteraciones con el procedimiento Monte Carlo adaptable con una
tolerancia numrica de / 5 (vase el apartado 8.2) en el que se estableci para el caso en que
se considera representativo un dgito decimal significativo en u (m
) (vase el apartado 9.3.2.6).
9.3.2.3 La Figura 10 muestra las aproximaciones a la FDP para m obtenidas del enfoque GUM
con trminos de primer orden y el MMC. La curva continua representa una FDP gaussiana con
parmetros dados por el enfoque GUM. La pareja de lneas verticales discontinuas internas
representa el menor intervalo de cobertura del 95 % para m, basado en esta FDP. El histograma
es la distribucin de frecuencias obtenida utilizando el MMC como aproximacin a la FDP. La
pareja de lneas verticales continuas externas representa el menor intervalo de cobertura del 95 %
para m, basado en la representacin discreta de la funcin de distribucin determinada como en
el apartado 7.5.
Tabla 6 Resultados de la etapa de clculo para el modelo de calibracin de masa (24) (9.3.2.1,
9.3.2.6)
u (m
) Menor intervalo de EGUM
Mtodo m dlinf dsup
cobertura del 95 % validado
/mg /mg /mg /mg /mg ( = 0,005)?
EGUM1 1,234 0 0,053 9 [1,128 5; 1,339 5] 0,045 1 0,043 0 No
MMC 1,234 1 0,075 4 [1,083 4; 1,382 5]
EGUM2 1,234 0 0,075 0 [1,087 0; 1,381 0] 0,003 6 0,001 5 S

Densidad de probabilidad/ mg-1
Desviacin
Desviacindedelalamasa
masaconvencional mdel
convencional m delnominal
nominal /mg
/mg
Figura 10 Aproximaciones a la FDP para la magnitud de salida m obtenidas utilizando el enfoque

GUM con trminos de primer orden y el MMC (9.3.2.3)
9.3.2.4 Los resultados muestran que, aunque el enfoque GUM (primer orden) y el mtodo de
Monte Carlo dan estimaciones concordantes de m, los valores numricos para la incertidumbre
tpica asociada son notablemente diferentes. El valor (0,075 4 mg) de u (m
) proporcionado por el
mtodo de Monte Carlo es un 40% mayor que el proporcionado (0,053 9 mg) por el enfoque GUM
(primer orden). Este ltimo es por lo tanto ms optimista. Existe un buen acuerdo entre la u (m
)
determinada por el mtodo de Monte Carlo y el valor (0,075 0 mg) proporcionado por el enfoque
GUM con trminos de orden superior.
9.3.2.5 La tabla 7 contiene las derivadas parciales de primer orden para el modelo (24) con
respecto a las magnitudes de entrada junto con los coeficientes de sensibilidad, habindose
evaluado estas derivadas para las mejores estimaciones de las magnitudes de entrada. Estas
derivadas indican que, para los fines del enfoque GUM con trminos de primer orden, el modelo de
este ejemplo puede considerarse reemplazable por el modelo aditivo:
m = mR,c + mR,c mnom.
El mtodo de Monte Carlo no realiza tal aproximacin (implcita) al modelo.
Tabla 7 Coeficientes de sensibilidad para el modelo de calibracin de masa (24) (9.3.2.5)
Xi Derivada parcial Coeficiente de

sensibilidad
mR,c 1 + (a a0) (1 / W 1 / R) 1
mR,c 1 + (a a0) (1 / W 1 / R) 1
a (mR,c + mR,c) (1 / W 1 / R) 0
W (
(mR,c + mR,c ) a a0 W
2
) 0
R (mR,c + mR,c )( a a0 ) 2
R 0
9.3.2.6 La tabla 6 tambin muestra en sus tres columnas situadas ms a la derecha los resultados
de aplicar el procedimiento de los apartados 8.1 y 8.2 al caso en que un dgito decimal significativo

en u (m ) se considera representativo. Utilizando la terminologa de este apartado, ndig = 1, ya que

se requiere una tolerancia numrica de un dgito decimal significativo en u (m ) . De aqu que
u (m
) = 0,08 = 8 10 , y as c (apartado 7.9.2) es igual a 8 y l = 2. Por lo tanto,
2
= 1/2 102 = 0,005. Los valores dinf y dsup son las diferencias entre los extremos (19) y (20), en
los que y corresponde a m . En la columna final de la tabla se indica si los resultados fueron
validados hasta un dgito decimal significativo en u (m ) . Si slo los trminos de primer orden se
han tomado en cuenta, la aplicacin del enfoque GUM no resulta validada. Si se toman en cuenta
trminos de orden superior [GUM: 1995, 5.1.2, nota], el enfoque GUM resulta validado. Por lo
tanto, la no linealidad del modelo hace que tomar slo los trminos de primer orden no resulte
adecuado.
9.4 Prdida por comparacin en la calibracin de un medidor de potencia de

microondas
9.4.1 Formulacin
9.4.1.1 Durante la calibracin de un medidor de potencia de microondas, el medidor de potencia y

un medidor de potencia patrn se conectan sucesivamente a un generador de seal estable. La
potencia absorbida por cada medidor ser en general diferente debido a que sus coeficientes de
reflexin de tensin de entrada complejos no son idnticos. La relacin Y entre la potencia PM
absorbida por el medidor a calibrar y la correspondiente, PS, del medidor patrn es [43]:
2 2
P 1 M 1 S G
Y = M = 2
2
, (25)
PS 1 1 M G
S
donde G es el coeficiente de reflexin de tensin del generador de seal, M el del medidor a

calibrar y S el del medidor patrn. Esta relacin de potencia es un ejemplo de prdida por
comparacin [1,28].
9.4.1.2 Considrese el caso en que el patrn y el generador de seal no presentan reflexin; es

decir, S = G = 0, y que los valores medidos se obtienen a partir de las partes real e imaginaria X1
y X2 de M = X1 + j X2, donde j2 = 1.
2
Puesto que M = X 12 + X 22 , la frmula (25) queda:
Y = 1 X12 X 22 . (26)
9.4.1.3 Sean x1 y x2 respectivamente las mejores estimaciones de las magnitudes de medida X1 y

X2 y u(x1) u(x2) sus incertidumbres tpicas asociadas. Las magnitudes X1 y X2 no suelen ser
independientes. La covarianza asociada a x1 y x2 se denota por u(x1, x2). De forma equivalente
[GUM: 1995, 5.2.2], u(x1, x2) = r(x1, x2)u(x1)u(x2), donde r = r(x1, x2) denota el coeficiente de
correlacin asociado [GUM: 1995, 5.2.2].
NOTA En la prctica, el ingeniero elctrico en ocasiones puede tener dificultades para cuantificar la
covarianza. En tales casos, la evaluacin de la incertidumbre puede repetirse con diferentes valores
numricos de reiteracin para el coeficiente de correlacin al objeto de estudiar sus efectos. Este ejemplo
presenta clculos utilizando un coeficiente de correlacin nulo y de valor 0,9 (cf. 9.4.1.7).
9.4.1.4 Con base en el apartado 6.4.8.1, a X = (X1, X2)T se le asigna una FDP gaussiana bivariante
en X1 y X2, con esperanza matemtica y matriz de covarianza:

x1 u 2 (x1 ) ru (x1 )u (x2 )

, (27)
x2 ru (x1 )u (x 2 ) u 2 (x 2 )
9.4.1.5 Debido a que los valores de X1 y X2 en la expresin (26) son, en la prctica, pequeos
comparados con la unidad, la Y resultante se aproxima a la unidad. En consecuencia, los
resultados se expresan en trminos de la magnitud:
Y = 1 Y = X 21 + X 22 , (28)
considerada como el modelo de medida. Por razones fsicas, 0 Y 1, y por lo tanto 0 Y 1.
9.4.1.6 Se considerarn la determinacin de una estimacin y de Y, su incertidumbre tpica

asociada u(y), y un intervalo de cobertura de Y para la eleccin de x1, x2, u(x1), u(x2) y r(x1, x2).
Todas las magnitudes tienen dimensin 1.
9.4.1.7 Se consideran seis casos, en todos ellos x2 se toma como nula y u(x1) = u(x2) = 0,005. Los
primeros tres casos corresponden a tomar x1 = 0; x1 = 0,010 y x1 = 0,050, cada uno con r(x1, x2) = 0.
Los otros tres casos corresponden a tomar el mismo x1, pero con r(x1, x2) = 0,9. Los diversos
valores numricos de x1 (comparables a los que se dan en la prctica) se utilizan para investigar el
alcance de la discrepancia con los resultados obtenidos utilizando las aproximaciones
consideradas.
9.4.1.8 Para los casos en que r = r(x1, x2) = 0, la matriz de covarianza dada en la frmula (27) se
reduce a diag(u2(x1), u2(x2)) y la correspondiente distribucin conjunta de X1 y X2 al producto de dos
distribuciones gaussianas univariantes para Xi, i = 1, 2, con esperanza matemtica xi y desviacin
tpica u(xi).
9.4.2 Propagacin y resumen: covarianza nula
9.4.2.1 Generalidades
9.4.2.1.1 La evaluacin de la incertidumbre se realiza aplicando la propagacin de distribuciones
a) analticamente (con fines de comparacin),
b) utilizando el enfoque GUM,
c) utilizando el MMC.
NOTA Estas aproximaciones no impiden a que la FDP de Y sea superior a la unidad. Sin embargo, para
incertidumbres suficientemente pequeas u(x1) y u(x2), como es el caso, la FDP de Y puede aproximarse
adecuadamente mediante una FDP ms sencilla, definida para todos los valores no negativos de Y. Es
posible utilizar un tratamiento riguroso, empleando inferencia bayesiana [51], sin tener en cuenta la magnitud
de los valores de u(x1) y u(x2), pero esto queda fuera del campo de aplicacin de este Suplemento. Vase
tambin apartado 1, nota 2.
9.4.2.1.2 Generalmente, y y u(y) pueden determinarse analticamente como la esperanza

matemtica y la desviacin tpica de Y, segn la FDP de Y. Vase el apartado F.1. La FDP de Y
puede determinarse analticamente cuando x1 = 0 y, en particular, para determinar los lmites del
menor intervalo de cobertura del 95 %. Vase el apartado F.2.

9.4.2.1.3 El enfoque GUM con los trminos de primer orden y con los trminos de orden superior
se aplica a cada una de las tres estimaciones de x1 en el caso de que no exista correlacin. Vase
el apartado F.3. En cada caso se determina una estimacin y de Y [GUM: 1995, 5.2.2] a partir
de:
y = x12 + x22 .
9.4.2.1.4 EL MMC se aplica en cada caso con M = 106 reiteraciones.
9.4.2.2 Estimacin de entrada x1 = 0
9.4.2.2.1 Para la estimacin de entrada x1 = 0, al aplicar la ley de propagacin de incertidumbres

deben utilizarse los trminos de orden superior, debido a que las derivadas parciales de Y con
respecto a X1 y X2, evaluadas en X1 = x1 y X2 = x2, son iguales a cero cuando x1 = x2 = 0. Por tanto,
si se aplicara nicamente la ley de propagacin de incertidumbres con los trminos de primer
orden, la incertidumbre tpica resultante sera incorrectamente calculada como nula.
NOTA Se originara una dificultad similar para x1 prximo a cero.
9.4.2.2.2 La Figura 11 muestra las FDP de Y determinadas aplicando la propagacin de

distribuciones:
a) analticamente (la curva exponencialmente decreciente para Y 0 y cero en el resto),
b) utilizando el enfoque GUM con los trminos de orden superior al objeto de caracterizar la
magnitud de salida mediante una FDP gaussiana (curva en forma de campana),
c) utilizando el MMC (histograma de frecuencias).

Densidad de probabilidad/ 10-3
Desviacin de la prdida
Desviacin respecto la unidad dela
poracomparacin Y prdida
de la unidad /10-6
por comparacin Y /10-6
Figura 11 Resultados para el modelo de prdida por comparacin en la calibracin de un medidor

de potencia en el caso x1 = x2 = 0, con u(x1) = u(x2) = 0,005 y r(x1, x2) = 0 (9.4.2.2.2, 9.4.2.2.6, 9.4.2.2.9 y
9.4.2.2.11)

9.4.2.2.3 En la Figura 11 se aprecia que la utilizacin del enfoque GUM con los trminos de orden
superior al objeto de caracterizar la magnitud de salida mediante una distribucin gaussiana origina
una FDP muy diferente de la solucin analtica. Esta ltima toma la forma de una distribucin chi-
cuadrado especfica la suma cuadrtica de dos variables gaussianas tpicas (vase el apartado
F.2).
9.4.2.2.4 Puesto que las derivadas parciales del modelo de la funcin modelo (28) de orden
superior a dos son iguales a cero, la solucin obtenida corresponde, esencialmente, a tener en
cuenta todos los trminos de la serie de Taylor, es decir, la no linealidad total del problema. De
este modo, la distribucin gaussiana especfica as determinada es la mejor posible utilizando el
enfoque GUM para caracterizar la magnitud de salida mediante dicha distribucin.
9.4.2.2.5 Puede concluirse, por tanto, que el motivo para la desviacin respecto a la solucin
analtica, de los resultados obtenidos mediante el enfoque GUM es que la magnitud de salida est
caracterizada mediante una FDP gaussiana. Ninguna FDP gaussiana, no importa cmo se haya
obtenido, podra representar adecuadamente la solucin analtica en este caso.
9.4.2.2.6 Se aprecia tambin en la Figura 11 que la FDP proporcionada por el MMC es coherente
con la solucin analtica.
9.4.2.2.7 Las estimaciones y determinadas a partir de la esperanza matemtica de Y descrita

mediante las FDP obtenidas:
a) analticamente,
b) utilizando el enfoque GUM,
c) aplicando el MMC,
estn dadas en las columnas 2 a 4 de la fila correspondiente a x1 = 0,000 en la tabla 8. Las

columnas 5 a 8 contienen las correspondientes u(y), junto a aquellas obtenidas empleando el
enfoque GUM con los trminos de primer orden (G1) y trminos de orden superior (G2).
Tabla 8 Resultados de prdidas por comparacin, para estimaciones de entrada con covarianza
asociada nula, obtenidas analticamente (A), empleando el enfoque GUM con trminos de primer orden
(G1) y trminos de orden superior (G2) y el MMC (M) (9.4.2.2.7, 9.4.2.2.10, 9.4.2.3.4 y 9.4.2.4.2)
Estimacin Incertidumbre tpica Menor intervalo de cobertura del 95 %

y / 10
6
u(y) / 10
6
Y / 10
6
x1
A G M A G1 G2 M A G1 G2 M
0,000 50 0 50 50 0 50 50 [0, 150] [0; 0] [98; 98] [0; 150]
0,010 150 100 150 112 100 112 112 [96; 296] [119; 319] [0; 367]
0,050 2 550 2 500 2 551 502 500 502 502 [1 520; 3 480] [1 515; 3 485] [1 590; 3 543]
9.4.2.2.8 La estimacin y = 0 obtenida evaluando el modelo para las estimaciones de entrada no

es vlida: la FDP correcta (analtica) para Y es nula para Y < 0, esta estimacin se encuentra
situada en los lmites de la zona no nula de dicha funcin. La estimacin proporcionada por el
MMC concuerda con la obtenida analticamente. La ley de propagacin de incertidumbres basada
en trminos de primer orden da el valor incorrecto cero, ya indicado, para u(y).. El valor (50
106), obtenido a partir de la ley de propagacin de incertidumbres con trminos de orden superior,
concuerda con los obtenidos analticamente y mediante el MMC.
NOTA Cuando el MMC se repiti varias veces, los resultados obtenidos tuvieron una dispersin
aproximada de 50 10 . Cuando se repiti un determinado nmero de veces con un mayor valor de M, los
6
resultados tuvieron, de nuevo, una dispersin aproximada de 50 10 , pero menos esparcidos. Tales efectos
6

de dispersin son previsibles y fueron observados en los otros clculos de Monte Carlo realizados. Sera
necesario presentar los resultados con un mayor nmero de cifras decimales significativas al objeto de
mostrar las diferencias numricas reales.
9.4.2.2.9 La Figura 11 muestra tambin los menores intervalos de cobertura del 95 % para las
aproximaciones correspondientes a la funcin de distribucin de Y. El intervalo de cobertura del
95 %, indicado por lneas verticales de puntos, tal y como lo proporcionado por el enfoque GUM,
no es factible: es simtrico alrededor de Y = 0 y por lo tanto implica, errneamente, que hay un 50
% de probabilidad de que Y sea negativo. Las lneas verticales continuas son los lmites del
menor intervalo de cobertura del 95 % derivados de la solucin analtica, tal y como se describe en
F.2. Los lmites del menor intervalo de cobertura del 95 % determinados utilizando el MMC no
pueden distinguirse, por la resolucin de la grfica, de aquellos derivados a partir de la solucin
analtica.
9.4.2.2.10 Los lmites de los menores intervalos de cobertura relativos a las incertidumbres tpicas
en las columnas 5 a 8 de la fila correspondiente a x1 = 0,000 en la tabla 8, se muestran en las
columnas 9 a 12 de dicha tabla.
9.4.2.2.11 La Figura 12 muestra la amplitud del intervalo de cobertura del 95 % (vase el apartado
7.7), como una funcin del valor de probabilidad en su lmite izquierdo, para la aproximacin a la
FDP proporcionada por el MMC que se muestra en la Figura 11. El intervalo de cobertura del 95 %
no adquiere en este caso su amplitud mnima cuando est situado simtricamente con respecto a
la esperanza matemtica. En efecto, el menor intervalo de cobertura del 95 % se encuentra lo ms
alejado posible del intervalo de cobertura de probabilidad simtrica, siendo las probabilidades de
las colas izquierda y derecha 0 % y 5 %, respectivamente, en contraposicin al 2,5 % y 2,5 %. Esta
figura puede compararse con la correspondiente al modelo aditivo (Figura 7) del apartado 9.2, para
la cual la FDP de Y era simtrica con respecto a su esperanza matemtica.
9.4.2.3 Estimacin de entrada x1 = 0,010
9.4.2.3.1 La Figura 13 muestra la FDP obtenida empleando el enfoque GUM, utilizando

exclusivamente trminos de primer orden y trminos de orden superior, y utilizando el MMC para la
estimacin de entrada x1 = 0,010 con coeficiente de correlacin r(x1, x2) = 0.
9.4.2.3.2 La FPD obtenida a partir del MMC muestra un pequeo flanco a la izquierda, aunque est
truncada en cero, el menor valor numrico posible de Y. Adems, si se compara con los
resultados obtenidos para x1 = 0, su forma es ms parecida a las FDP gaussianas que se obtienen
mediante el enfoque GUM. Estas FDP gaussianas son a su vez razonablemente prximas entre s,
con una esperanza matemtica para Y de valor 1,0 104 y desviaciones tpicas 1,0 104 y
1,1 104, respectivamente.
9.4.2.3.3 La Figura 13 muestra tambin los lmites de los menores intervalos de cobertura del
95 %, obtenidos mediante las tres aproximaciones. Las lneas verticales continuas corresponden a
los lmites del intervalo obtenido por el MMC, las lneas verticales discontinuas a los obtenidos
segn el enfoque GUM con trminos de primer orden, y las lneas verticales de puntos a los
obtenidos aplicando el enfoque GUM con trminos de orden superior. Se observa que los
intervalos que se obtienen aplicando el enfoque GUM estn desplazados hacia la izquierda
respecto al menor intervalo de cobertura del 95 % que se obtiene con el MMC. Como
consecuencia, de nuevo aparecen valores no factibles de Y. El desplazamiento es de alrededor
del 70 % de la desviacin tpica. El intervalo obtenido con el MMC tiene su lmite izquierdo en cero,
siendo ste el menor valor posible.

Amplitud del intervalo de cobertura/ 10-6
Probabilidad en el lmite izquierdo
Figura 12 La amplitud del intervalo de cobertura del 95 %, como una funcin del valor de
probabilidad en su lmite izquierdo, para la aproximacin a la funcin de distribucin obtenida
aplicando el MMC al modelo (28) (9.4.2.2.11)
Desviacin de larespecto
prdida por
a lacomparacinla prdida
Y de la por
por unidad /10 -6 -6
Desviacin
Desviacin respecto a la unidadunidad
de lade
prdida Y
comparacin
comparacin /10-6
Y/10
Figura 13 Como la Figura 11, excepto que x1 = 0,010 y las FDP resultantes de aplicar el enfoque GUM
con trminos de primer orden (curva con el pico ms elevado) y con trminos de orden superior (curva
con el pico ms bajo) (9.4.2.3.1, 9.4.2.3.3, 9.4.2.4.1 y 9.4.3.3)
9.4.2.3.4 Los resultados correspondientes se dan en la penltima fila de la tabla 8.
9.4.2.4 Estimacin de entrada x1 = 0,050
9.4.2.4.1 La Figura 14 es similar a la Figura 13, pero para x1 = 0,050. En este caso, las FDP que se
obtienen con las dos variantes del enfoque GUM son virtualmente indistinguibles entre s. Adems,
ahora estn mucho ms cerca de la aproximacin a la FDP obtenida mediante el MMC. Esta FDP
presenta una ligera asimetra, como se pone de manifiesto en las zonas de la cola. Los intervalos
de cobertura que se obtienen siguiendo las dos variantes propuestas en el enfoque GUM son

aparentemente idnticos, pero an estn ligeramente desplazados con respecto a los obtenidos
mediante el MMC. Este desplazamiento es, ahora, aproximadamente del 10 % de la incertidumbre
tpica. Los intervalos obtenidos mediante el enfoque GUM ahora s son factibles.
Desviacin de la prdida por comparacin Y de la unidad /10-6 -6

Desviacin respecto a la unidad, de la prdida por comparacin Y /10
Figura 14 Como la Figura 13 excepto que x1 = 0,050 (9.4.2.4.1, 9.4.3.3)
9.4.2.4.2 Los resultados correspondientes se muestran en la ltima fila de la tabla 8.
9.4.2.5 Discusin
Segn x1 se va alejando de cero, los resultados obtenidos mediante el enfoque GUM, con trminos
de primer orden y con trminos de orden superior, y aquellos obtenidos por el MMC, se aproximan
cada vez ms entre ellos.
NOTA 1 Los valores x1 = x2 = 0 se encuentran en el centro de la zona de inters del ingeniero elctrico,
correspondiendo a la denominada condicin de adaptacin para el medidor de potencia a calibrar, no
constituyendo, por lo tanto, un caso extremo.
NOTA 2 Debido a la simetra del modelo en X1 y X2, ocurrir exactamente el mismo efecto si se utiliza x2 en
lugar de x1.
NOTA 3 Una razn por la cual se puede usar en la prctica el enfoque GUM, con trminos de primer orden
(nicamente), es que hay software disponible para su implementacin: los resultados obtenidos pueden, a
veces, aceptarse sin cuestionarlos. Para el caso en que x1 = x2 = 0 (Figura 11), el riesgo sera evidente debido
a que la incertidumbre tpica u(y) result cero y, por tanto, cualquier intervalo de cobertura de Y tendra
amplitud nula para cualquier probabilidad de cobertura. Para x1 0 ( x2 0), u(y) y la amplitud del intervalo
de cobertura de Y son distintas de cero, as pues no existira tal riesgo sin un conocimiento previo de los
valores ms probables de u(y) y de dicha amplitud. Por lo tanto, un peligro que surge en el uso de programas
informticos basados en el enfoque GUM para realizar estos clculos, es que la verificacin del programa
para valores de x1 x2 suficientemente lejos de cero, no detectara tales problemas aunque cuando se
utilizara posteriormente en la prctica para valores pequeos de x1 x2, los resultados no seran vlidos, pero
se aceptaran sin tener consciencia de ello.

9.4.3 Propagacin y resumen: covarianza distinta de cero
9.4.3.1.1 Las tres aproximaciones utilizadas en los casos en que las Xi no estn correlacionadas
(vase el apartado 9.4.2) se aplican ahora a los tres casos en los que estn correlacionadas, con
r(x1, x2) = 0,9. Sin embargo, en el enfoque GUM slo se utilizan los trminos de primer orden. Al
contrario de lo que ocurre cuando las Xi no estn correlacionadas, el enfoque GUM no se aplica
con trminos de orden superior, no existiendo en la GUM la contrapartida a la frmula con trminos
de orden superior cuando las xi tienen covarianzas asociadas distintas de cero (vase el apartado
5.8). Los otros aspectos se ajustan a los del apartado 9.4.2.
9.4.3.1.2 Segn el enfoque GUM con trminos de primer orden, u(y) se evala segn se describe
en el apartado F.3.2. La expresin (F.7) en dicho apartado proporciona, para x2 = 0,
u 2 (y ) = 4 x12u 2 (x1 ) .
Consecuentemente, u(y) no depende de r(x1, x2) y el enfoque GUM con trminos de primer orden
produce resultados idnticos a los presentados en el apartado 9.4.2. En particular, para el caso en
que x1 = 0, u(y) se obtiene (incorrectamente) como cero, igual que en el apartado 9.4.2.2.1.
9.4.3.1.3 El MMC fue implementado mediante muestreo aleatorio a partir de X caracterizada

mediante una FDP gaussiana bivariante con la esperanza matemtica y la matriz de covarianza
dadas (expresiones (27)). Se utiliz el procedimiento del apartado C.5.
NOTA Aparte del requisito de tener que realizar muestreos a partir de una distribucin multivariante, la
implementacin del MMC para magnitudes de entrada correlacionadas no resulta ms complicada que cuando
no lo estn.
9.4.3.2 Estimaciones de entrada x1 = 0; 0,010 y 0,050
9.4.3.2.1 La tabla 9 contiene los resultados obtenidos. Los correspondientes al MMC indican que
aunque y no est afectada por la correlacin entre las Xi, u(y) s est muy influenciada, ms
cuanto menor sea x1. Los intervalos de cobertura del 95 % estn influenciados en consecuencia.
Tabla 9 Resultados de prdida por comparacin, para estimadores de entrada con covarianza
asociada no nula (r(x1, x2) = 0,9), obtenidos analticamente, empleando el enfoque GUM (EGUM) y el
MMC (9.4.3.2.1)
Estimacin Incertidumbre tpica Menor intervalo de cobertura del 95 %

x1 6 6 6
y / 10 u(y) / 10 Y / 10
Analtica EGUM MMC Analtica EGUM MMC Analtica EGUM MMC
0,000 50 0 50 67 0 67 [0, 0] [0, 185]
0,010 150 100 150 121 100 121 [96, 296] [13, 398]
0,050 2 550 2 500 2 551 505 500 504 [1 520, 3 480] [1 628, 3 555]
9.4.3.2.2 Las figuras 15 y 16 muestran las FDP proporcionadas por el enfoque GUM con trminos
de primer orden (curvas en forma de campana) y por el MMC (histograma de frecuencias) en los
casos x1 = 0,010 y x1 = 0,050, respectivamente. Se muestran tambin los lmites del menor
intervalo de cobertura del 95 %, obtenidos con las dos aproximaciones, como lneas verticales
discontinuas para el enfoque GUM y como lneas verticales continuas para el MMC.
NOTA Estrictamente, las condiciones bajo las cuales Y puede caracterizarse mediante una FDP
gaussiana, no se cumplen aplicando el enfoque GUM en esta circunstancia (vase el apartado 5.8) [GUM:

1995, G.6.6]. Sin embargo, se muestra esta FDP y los lmites del intervalo de cobertura del 95 %
correspondiente, al tratarse de una caracterizacin comnmente utilizada.
9.4.3.3 Discusin
En el caso x1 = 0,010 (Figura 15), el efecto de la correlacin ha sido modificar significativamente los
resultados obtenidos por el MMC (comprese con la Figura 13). No slo ha cambiado la forma de
(la aproximacin a) la FDP, sino que adems el intervalo de cobertura correspondiente ya no tiene
como lmite izquierdo cero. En el caso x1 = 0,050 (Figura 16), las diferencias entre los resultados
obtenidos cuando las magnitudes de entrada estn o no correlacionadas (comprese con la Figura
14) no son tan evidentes.
Desviacin de la prdida por comparacin Y de la unidad /10-6-6

Desviacin respecto a la unidad de la prdida por comparacin Y /10
Figura 15 Resultados para el modelo de prdida por comparacin en la calibracin de un medidor

de potencia en el caso x1 = 0,010; x2 = 0, con u(x1) = u(x2) = 0,005 y r(x1, x2) = 0 (9.4.3.2.2, 9.4.3.3)
Desviacin de larespecto
prdida por de la prdidapor
comparacin Y de la unidadY/10
-6
-6
Desviacin a la unidad comparacin /10
Figura 16 Como la Figura 15 excepto que x1 = 0,050 (9.4.3.2.2, 9.4.3.3)

9.5 Calibracin de bloque patrn
9.5.1 Formulacin: modelo
9.5.1.1 La longitud de un bloque patrn de valor nominal 50 mm se determina por comparacin con
un patrn de referencia conocido, de la misma longitud nominal. El resultado de la comparacin de
los dos bloques es la diferencia d entre sus longitudes, dada por:
d = L(1 + ) Ls (1 + s s ) , (29)
donde L es la longitud a 20 C del bloque en calibracin, Ls es la longitud del bloque de referencia a

20 C, dada en su certificado de calibracin, y s son, respectivamente, los coeficientes de
dilatacin trmica del bloque en calibracin y del bloque de referencia, y y s las desviaciones de
temperatura, respecto a la temperatura de referencia de 20 C, del bloque en calibracin y del
bloque de referencia, respectivamente.
NOTA 1 La GUM se refiere al bloque patrn como end gauge (bloque a cantos).
NOTA 2 En este Suplemento se utiliza el smbolo L para la longitud del bloque patrn, en lugar del smbolo l
utilizado en la GUM para dicha magnitud.
9.5.1.2 De la expresin (29), la magnitud de salida L viene dada por:
Ls (1 + s s ) + d
L=
1 + (30)
de la cual puede, a efectos prcticos, pasarse a la aproximacin:
L = Ls + d + Ls ( s s ) . (31)
Si la diferencia de temperatura entre el bloque patrn a calibrar y el bloque de referencia se escribe

en la forma = s, y la diferencia entre los coeficientes de dilatacin lineal como = s,
los modelos (30) y (31) se transforman, respectivamente, en:
Ls [1 + s ( )] + d
L= (32)
1 + ( s + )
L = Ls + d Ls ( + s ) . (33)
9.5.1.3 La diferencia d entre las longitudes de ambos bloques se determina como el valor medio de
una serie de cinco indicaciones de diferencias, obtenidas independientemente, utilizando un
comparador calibrado. d Puede expresarse como:
d = D + d1 + d 2 , (34)
donde D es una magnitud realizada a partir de la media de las cinco indicaciones, y d1 y d2 son
magnitudes que describen, respectivamente, los efectos aleatorios y sistemticos asociados a la
utilizacin del comparador.

9.5.1.4 La magnitud , que representa la desviacin de la temperatura respecto a 20 C del bloque

patrn en calibracin, puede expresarse como:
= 0 + (35)
donde 0 es una magnitud que representa la desviacin media de la temperatura del bloque
respecto a 20 C y una magnitud que describe una variacin cclica de la desviacin de la
temperatura respecto a 0.
9.5.1.5 Sustituyendo las expresiones (34) y (35) en las expresiones (32) y (33), y trabajando con la
magnitud L que representa la desviacin de L respecto a la longitud nominal, Lnom = 50 mm, del
bloque patrn, se obtienen:
Ls [1 + s ( 0 + )] + D + d1 + d 2
L = Lnom (36)
1 + ( s + )( 0 + )
L = Ls + D + d1 + d 2 Ls [ ( 0 + ) + s ] Lnom (37)
como modelos para el problema de medida.
9.5.1.6 Aqu, el tratamiento del problema de medida se realiza segn los modelos (36) y (37), con
L como magnitud de salida, y Ls, D, d1, d2, s, 0, , y como magnitudes de entrada. Difiere
del dado en el ejemplo H.1 de la GUM, donde los modelos (34) y (35) son tratados como
submodelos de los modelos (32) y (33); es decir, el enfoque GUM se aplica a cada modelo (34) y
(35), utilizndose los resultados obtenidos para proporcionar informacin sobre las magnitudes de
entrada d y en los modelos (32) y (33). Aqu, el tratamiento evita tener que utilizar los resultados
obtenidos al aplicar el MMC a los submodelos (34) y (35) para proporcionar informacin sobre las
distribuciones de las magnitudes de entrada d y en las expresiones (32) y (33).
9.5.2 Formulacin: asignacin de FDP
En los siguientes apartados se proporciona la informacin disponible sobre cada magnitud de

entrada en los modelos (36) y (37).
Tabla 10 FDP asignadas a las magnitudes de entrada para los modelos (36) y (37) del bloque patrn,
en base a la informacin disponible (9.5.2.1). La tabla 1 incluye informacin general sobre estas FDP
Parmetros
Magnitud FDP
a b d
2
Ls t(, ) 50 000 623 nm 25 nm 18
2
D t(, ) 215 nm 6 nm 24
2
d1 t(, ) 0 nm 4 nm 5
2
d2 t(, ) 0 nm 7 nm 8
6 1 6 1
s R(a,b) 9,5 10 C 13,5 10 C
2
0 N(, ) 0,1 C 0,2 C
U(a,b) 0,5 C 0,5 C
6 1 6 1 6 1
CTrap(a,b,d) 1,0 10 C 1,0 10 C 0,1 10 C
CTrap(a,b,d) 0,050 C 0,050 C 0,025 C

Esta informacin se extrae de la descripcin dada en la GUM, y para cada pieza de informacin se
identifica el apartado de la GUM de donde se toma. Tambin se proporciona una interpretacin de
la informacin en trminos de asignacin de una distribucin a la magnitud. La tabla 10 resume las
asignaciones realizadas.
9.5.2.2 Longitud Ls del bloque patrn de referencia
9.5.2.2.1 Informacin
El certificado de calibracin del patrn de referencia proporciona un valor de Ls = 50,000 623 mm

como su longitud a 20 C [GUM: 1995, H.1.5]. Tambin suministra Up = 0,075 m como su
incertidumbre expandida e indica que fue obtenida utilizando un factor de cobertura kp = 3 [GUM:
1995, H.1.3.1]. El certificado especifica que los grados efectivos de libertad asociados a la
incertidumbre tpica combinada, de la que se obtuvo la incertidumbre expandida, es ef(u( Ls )) = 18
[GUM: 1995, H.1.6].
9.5.2.2.2 Interpretacin
Asgnese a Ls una distribucin t(, 2) de Student (vase el apartado 6.4.9.7) con:
Up 75
= 50 000 623 nm, = = nm = 25 nm , = 18.
kp 3
9.5.2.3 Diferencia media de longitudes, D
El valor medio D de las cinco indicaciones de diferencias de longitud entre el bloque patrn en
calibracin y el bloque de referencia es 215 nm [GUM: 1995, H.1.5]. La desviacin tpica
experimental histrica que caracteriza la comparacin de L y Ls se determin a partir de 25
indicaciones, obtenidas independientemente, de diferencias de longitud entre dos bloques patrn
de referencia, obtenindose 13 nm [GUM: 1995, H.1.3.2].
Asgnese a D una distribucin t(, 2) de Student (vanse los apartados 6.4.9.2 y 6.4.9.6), con:
13
= 215 nm, = nm = 6 nm , = 24.
5
9.5.2.4 Efecto aleatorio d1 del comparador
Segn el certificado de calibracin del comparador utilizado para comparar L con Ls, la
incertidumbre asociada a los efectos aleatorios es 0,01 m para una probabilidad del 95 % y fue
obtenida a partir de 6 indicaciones independientes [GUM: 1995, H.1.3.2].
Asgnese a d1 una distribucin t(, 2) de Student (vase el apartado 6.4.9.7), con:

U 0,95 10
= 0 nm, = = nm = 4 nm , = 5.
k 0,95 2,57
Aqu, k0,95 se obtiene de la tabla G.2 de la GUM con = 5 grados de libertad y p = 0,95.
9.5.2.5 Efecto sistemtico d2 del comparador
La incertidumbre del comparador debida a efectos sistemticos viene dada en el certificado como
0,02 m para un nivel tres sigma [GUM: 1995, H.1.3.2]. Para esta incertidumbre puede asumirse
una fiabilidad del 25 %; as, el nmero de grados de libertad ser ef(u( d 2 )) = 8 [GUM: 1995,
H.1.6].
Asgnese a d2 una distribucin t(, 2) de Student (vase el apartado 6.4.9.7), con:
Up 20
= 0 nm, = = nm = 7 nm , = 8.
kp 3
9.5.2.6 Coeficiente de dilatacin trmica s
El coeficiente de dilatacin trmica del patrn de referencia viene dado como s = 11,5 106 C1,
con los posibles valores de esta magnitud representados por una distribucin rectangular de lmites
2 106 C1 [GUM: 1995, H.1.3.3].
Asgnese a s una distribucin rectangular R(a, b) (vase el apartado 6.4.2), con lmites:
a = 9,5 106 C1, b = 13,5 106 C1.
NOTA No existe informacin acerca de la fiabilidad de los lmites por lo que se asigna una distribucin
rectangular con lmites exactamente conocidos. Tal informacin puede haber sido omitida en la descripcin de
la GUM debido a que el correspondiente coeficiente de sensibilidad es cero, con lo que esta magnitud no
contribuye a la incertidumbre en la aplicacin del enfoque GUM basado nicamente en los trminos de primer
orden.
9.5.2.7 Desviacin media de la temperatura 0
Se conoce que la temperatura de la pletina portabloques es (19,9 0,5) C. Tambin se sabe que
la desviacin media de la temperatura es 0 = 0,1 C, con una incertidumbre tpica asociada,
debida a la incertidumbre asociada a la temperatura media de la pletina, u( ) = 0,2 C [GUM:
0
1995, H.1.3.4].

Asgnese a 0 una distribucin gaussiana N(, 2) (vase el apartado 6.4.7), con:
= 0,1 C, =0,2 C.
NOTA No existe informacin sobre la fuente de la evaluacin de la incertidumbre, asignndose una

distribucin gaussiana. Vase tambin la nota de 9.5.2.6.2, respecto a tal informacin.
9.5.2.8 Efecto de variacin cclica de la temperatura
Se informa de que la temperatura de la pletina portabloques es (19,9 0,5) C. Se indica que la

mxima desviacin de es 0,5 C y representa la amplitud de una variacin aproximadamente
cclica de la temperatura, debida a un sistema termosttico. La variacin cclica de temperatura da
lugar a una distribucin en forma de U (arco seno) [GUM: 1995, H.1.3.4].
Asgnese a una distribucin arco seno U(a, b) (vase el apartado 6.4.6), con lmites:
a = 0,5 C, b = 0,5 C.
NOTA No existe informacin sobre la fiabilidad de los lmites por lo que se asigna una distribucin en U
con los lmites exactamente conocidos. Como en la nota de 9.5.2.6.2, tal informacin puede haber sido
omitida de la descripcin de la GUM.
9.5.2.9 Diferencia entre los coeficientes de dilatacin
Los lmites estimados para la variabilidad de son 1 106 C1, con la misma probabilidad de
que adopte cualquier valor comprendido entre ellos [GUM: 1995, H.1.3.5]. La fiabilidad de estos
lmites es del 10 %, lo que da lugar a (u( )) = 50 [GUM: 1995, H.1.6].
Asgnese a una distribucin rectangular de lmites no establecidos con exactitud (vase el

apartado 6.4.3), con:
a = 1,0 106 C1, b = 1,0 106 C1, d = 0,1 106 C1.
La fiabilidad apuntada del 10 % sobre los lmites proporciona la base para el valor de d.
9.5.2.10 Diferencia de temperaturas
Es esperable que el bloque de referencia y el bloque en calibracin se encuentren a la misma

temperatura, pero la diferencia de temperaturas puede encontrarse con la misma probabilidad
en cualquier posicin dentro del intervalo 0,05 C a 0,05 C [GUM: 1995, H.1.3.6]. Se cree que
esta diferencia tiene una fiabilidad de un 50 %, dando lugar a (u( )) = 2 [GUM: 1995, H.1.6].

Asgnese a una distribucin rectangular de lmites no establecidos con exactitud (vase el

apartado 6.4.3), con:
a = 0,050 C, b = 0,050 C, d = 0,025 C.
La fiabilidad apuntada del 50 % sobre los lmites proporciona la base para el valor de d.
9.5.3 Propagacin y resumen
9.5.3.1 El enfoque GUM sobre la incertidumbre
El enfoque GUM sobre la incertidumbre se basa en:
una aproximacin en serie de Taylor de primer orden al modelo (36) o (37),
la utilizacin de la frmula de Welch-Satterthwaite para evaluar un nmero efectivo de grados

de libertad (redondeando a la baja) asociado a la incertidumbre obtenida tras la aplicacin de
la ley de propagacin de la incertidumbre,
la asignacin a la magnitud de salida, de una distribucin t de Student, con el anterior nmero

de grados de libertad.
9.5.3.2 Mtodo de Monte Carlo
La aplicacin del MMC
requiere el muestreo a partir de una distribucin rectangular (vanse los apartados 6.4.2.4 y
C.3.3), una distribucin gaussiana (vanse los apartados 6.4.7.4 y C.4), una distribucin t
(vanse los apartados 6.4.9.5 y C.6), una distribucin U (vase el apartado 6.4.6.4) y una
distribucin rectangular con lmites no conocidos con exactitud (vase el apartado 6.4.3.4),
aplicar el MMC adaptable (vase el apartado 7.9) con una tolerancia numrica ( = 0,5)
establecida para obtener ndig = 2 cifras decimales significativas en la incertidumbre tpica.
9.5.4 Resultados
9.5.4.1 La tabla 11 muestra los resultados obtenidos para el modelo aproximado (37) al utilizar la
informacin resumida en la tabla 10. La Figura 17 muestra las FDP para L obtenidas tras la
aplicacin del enfoque GUM sobre la incertidumbre (curva slida) y del MMC (histograma de
frecuencias). La distribucin obtenida por el enfoque GUM es una distribucin t con = 16 grados
de libertad. Los lmites del menor intervalo de cobertura del 99 % para L obtenido de las FDP,
indicado por lneas verticales, son visualmente indistinguibles.
9.5.4.2 Con el procedimiento adaptable de Monte Carlo se realizaron 1,26 106 reiteraciones. Los
clculos se realizaron tambin para una probabilidad de cobertura del 95 %, realizndose en este
caso 0,53 106 reiteraciones.

Tabla 11 Resultados obtenidos para el modelo aproximado (37)

utilizando la informacin resumida en la tabla 10 (9.5.4.1, 9.5.4.3)
L u( L ) Mnimo intervalo del 99 %

Mtodo
(nm) (nm) para L (nm)
EGUM 838 32 [745, 931]
MMC 838 36 [745, 932]
Densidad de probabilidad/ nm-1
Desviacin de la longitud
Desviacin bloque
de la longitud patrn
del bloque del respecto
patrn, nominalal /nm
nominal /nm
Figura 17 FDP para L obtenidas utilizando el enfoque GUM sobre la incertidumbre (campana de
lnea continua) y el MMC (histograma de frecuencias) para el modelo aproximado (37), empleando la
informacin resumida en la tabla 10 (9.5.4.1)
9.5.4.3 Los resultados obtenidos para el modelo no lineal (36) son idnticos a los resultados de la
tabla 11 para el nmero de cifras decimales en ella dados.
9.5.4.4 Existen algunas pequeas diferencias en los resultados obtenidos. La u( L ) result 4 nm

mayor al aplicar el MMC que al aplicar el enfoque GUM. La longitud del intervalo de cobertura del
99 % para L result 1 nm mayor.
Estos resultados se aplican igualmente a los modelos no lineales y a los aproximados.

Dependiendo de la forma en que vayan a utilizarse los resultados, se decidir si tales diferencias
son importantes o no.

Anexo A
Perspectiva histrica
A.1 La GUM es un documento completo que cubre muchos aspectos de la evaluacin de la

incertidumbre. Aunque no cita expresamente el uso del mtodo de Monte Carlo, ste fue
reconocido durante la elaboracin de la GUM. El borrador de ISO, IEC, OIML y BIPM de junio de
1992 (primera edicin), realizado por el grupo de trabajo ISO/TAG 4/WG 3, establece [G.1.5]:
Si la relacin entre Y y sus magnitudes de entrada no es lineal, o si los valores disponibles para los
parmetros que caracterizan las probabilidades de las Xi (esperanza matemtica, varianza,
momentos de orden superior) son estimadores caracterizados a su vez por distribuciones de
probabilidad, y un desarrollo en serie de Taylor de primer orden de la relacin no es una
aproximacin aceptable, entonces la distribucin de Y no se puede expresar como una
convolucin. En este caso se requerir una aproximacin numrica (como el clculo de Monte
Carlo) y la evaluacin ser ms difcil desde el punto de vista del tratamiento informtico.
A.2 En la versin publicada de la GUM, este apartado ha sido modificado como sigue:
Si la relacin funcional entre Y y sus magnitudes de entrada es no lineal y un desarrollo en serie

de Taylor de primer orden de dicha relacin no es una aproximacin aceptable (vanse los
apartados 5.1.2 y 5.1.5), entonces la distribucin de probabilidad de Y no puede obtenerse
mediante la convolucin de las distribuciones de las magnitudes de entrada. En tales casos se
requieren otros mtodos analticos o numricos.
A.3 La interpretacin de la modificacin anterior es que bajo otros mtodos analticos o numricos
queda incluida cualquier otra aproximacin apropiada. Esta interpretacin coincide con la del
National Institute of Standards and Technology (NIST) de los Estados Unidos de Amrica [50]:
[6.6] La poltica del NIST menciona las siguientes excepciones (vase el anexo C):
Se entiende que cualquier mtodo estadstico vlido que est justificado tcnicamente de acuerdo
con las circunstancias existentes, puede utilizarse para determinar el equivalente a ui, uc U.
Adems, se reconoce que los acuerdos internacionales, nacionales o contractuales en los que el
NIST sea parte, pueden requerir ocasionalmente desviaciones respecto a la poltica del NIST. En
ambos casos, la informacin sobre la incertidumbre debe documentarse incluyendo qu se ha
hecho y por qu.

Anexo B
Coeficientes de sensibilidad y balance de incertidumbres
B.1 Ni la propagacin de distribuciones ni su implementacin usando el mtodo de Monte Carlo

proporcionan coeficientes de sensibilidad [GUM: 1995, 5.1.3]. Sin embargo, sustituyendo todas las
magnitudes de entrada menos una por sus mejores estimaciones, el MMC se puede utilizar para
proporcionar la FDP para la magnitud de salida del modelo, teniendo slo esa magnitud de entrada
como variable [8]. La razn entre la desviacin tpica de los valores del modelo resultante (cf. 7.6) y
la incertidumbre tpica asociada a la mejor estimacin de la magnitud de entrada en cuestin,
puede tomarse como coeficiente de sensibilidad. Esta razn corresponde a la que se obtendra al
tomar trminos de orden superior en el desarrollo en serie de Taylor del modelo en consideracin.
Esta aproximacin puede considerarse como una generalizacin de la frmula aproximada por
derivadas parciales de la GUM [GUM: 1995, 5.1.3 nota 2]. Tanto los coeficientes de sensibilidad
como las contribuciones de cada magnitud de entrada a la incertidumbre asociada a la estimacin
de la magnitud de salida, diferirn en general de aquellos obtenidos con la GUM.
B.2 En muchos contextos metrolgicos es una prctica habitual hacer una lista de las
componentes de incertidumbre ui(y) = |ci| u(xi), i = 1, . . . ,N, donde ci es el coeficiente i-simo de
sensibilidad y u(xi) la incertidumbre tpica asociada a la i-sima estimacin de entrada xi, que
contribuye a la incertidumbre tpica u(y). Normalmente estas componentes se presentan en una
tabla denominada balance de incertidumbres. Esta prctica puede ser til para identificar los
trminos dominantes que contribuyen a la u(y) asociada a la estimacin de la magnitud de salida.
Sin embargo, en casos para los que (una implementacin vlida de) la propagacin de
distribuciones es ms apropiada, el balance de incertidumbres debe considerarse como una
herramienta cualitativa.

Anexo C
Muestreo a partir de distribuciones de probabilidad
C.1 Generalidades
C.1.1 Este anexo proporciona informacin tcnica referente al muestreo a partir de distribuciones
de probabilidad. Dicho muestreo constituye un parte fundamental del uso del mtodo de Monte
Carlo como implementacin de la propagacin de distribuciones. Pueden tambin consultarse
bibliotecas digitales de funciones matemticas [38] o repositorios de software relevante [37].
C.1.2 Un generador para cualquier distribucin, como las distribuciones consideradas en el

apartado 6.4 (vase tambin la tabla 1), pueden obtenerse en principio a partir de su funcin de
distribucin, junto con el uso de un generador para la distribucin rectangular, como se indica en el
apartado C.2. En el apartado C.3.3 se proporciona un generador para una distribucin rectangular.
Para algunas distribuciones, tales como la distribucin gaussiana y la distribucin t, resulta ms
eficiente usar generadores desarrollados especficamente, tales como los proporcionados en este
anexo. El apartado 6.4 tambin asesora sobre el muestreo a partir de distribuciones de
probabilidad.
NOTA Se pueden usar generadores distintos de los proporcionados en este anexo. Su calidad estadstica
ha de ser comprobada antes de su uso. Para generadores de nmero pseudoaleatorios para la distribucin
rectangular existe un mtodo de comprobacin. Vase el apartado C.3.2.
C.2 Distribuciones generales
Puede obtenerse una extraccin de cualquier funcin de distribucin GX() continua, estrictamente
creciente, de una nica variable, por transformacin de una extraccin de una distribucin
rectangular:
a) genrese un nmero aleatorio a partir de una distribucin rectangular R(0, 1);
b) determnese de forma que cumpla GX() = .
NOTA 1 La inversin requerida en el paso b), que es hacer = Gx1 ( ) , puede ser posible de forma
analtica. Si no, puede realizarse numricamente.
EJEMPLO Como ejemplo de inversin analtica, considrese la FDP exponencial para X, donde X tiene por
esperanza matemtica x (> 0), a saber, gX() = exp( / x) / x, para 0, y cero en el resto de los casos
(vase el apartado 6.4.10). Entonces, por integracin, GX() = 1 exp( / x), para 0, y cero en el resto de
los casos. Por consiguiente, = x ln(1). Este resultado se puede simplificar ligeramente al utilizar el hecho
de que si una variable Q tiene la distribucin rectangular R(0, 1), entonces tambin la tiene 1 Q. Como
consecuencia, = x ln .
NOTA 2 Numricamente, por lo general, puede determinarse al resolver el problema del cero de una
funcin GX() = 0. Normalmente los lmites superior e inferior de se encuentran fcilmente, en cuyo caso
puede emplearse un algoritmo iterativo dicotmico (bracketing) reconocido, tal como la biseccin o, ms
eficientemente, una combinacin de interpolacin lineal y biseccin [11], para determinar .

NOTA 3 Si el generador de nmeros pseudoaleatorios para la distribucin rectangular va a ser utilizado

como base para generar nmeros a partir de otra distribucin, la obtencin de un valor de igual a cero o uno
puede causar un fallo en ese generador. Un ejemplo de esto es la distribucin exponencial (vase el apartado
6.4.10). Su FDP (expresin (9)) no est definida para igual a cero o uno. El uso del generador dado en el
apartado C.3.3 no dara lugar a un error de ese tipo.
C.3 Distribucin rectangular
C.3.1 Generalidades
C.3.1.1 La capacidad de generar nmeros pseudoaleatorios a partir de una distribucin rectangular

es fundamental en s misma y tambin como base para la generacin de nmeros
pseudoaleatorios a partir de cualquier distribucin, utilizando cualquier algoritmo o frmula (vanse
los apartados C.2, C.4 y C.6). En la ltima consideracin, la calidad de los nmeros generados a
partir de una distribucin no rectangular depende del generador de nmeros a partir de una
distribucin rectangular y de las propiedades del algoritmo empleado. Por tanto, es de esperar que
la calidad de los nmeros generados a partir de una distribucin no rectangular est relacionada
con aquellos generados a partir de una distribucin rectangular. Solamente de un generador capaz
de proporcionar fielmente nmeros distribuidos de forma rectangular, junto con un buen algoritmo,
es esperable que sea un generador que proporcione fielmente nmeros distribuidos no
rectangularmente.
C.3.1.2 Por lo tanto, es importante que el mtodo subyacente de generacin de nmeros

distribuidos rectangularmente sea robusto [31]. Un generador no debe utilizarse hasta que haya
sido adecuadamente ensayado, a menos que el usuario est seguro de su origen. De otra forma,
se obtendran resultados errneos. Se recomienda el uso de un test de comprobacin [30]. En el
apartado C.3.3 se proporciona un mtodo para generar nmeros distribuidos rectangularmente,
que ha demostrado funcionar bien frente a estos test y cuya implementacin es directa.
C.3.1.3 La tabla C.1 define aspectos relevantes del funcionamiento de un procedimiento para
generar nmeros pseudoaleatorios para la distribucin rectangular R(0, 1), especificando los
parmetros de entrada, de entrada-salida y de salida asociados con su determinacin.
NOTA 1 Estableciendo como semillas en la tabla C.1 las utilizadas previamente, se puede generar la misma
secuencia de nmeros aleatorios. Hacer esto es importante como parte de la verificacin de la regresin
obtenida por el software, utilizada para comprobar la consistencia de los resultados obtenidos utilizando este
software con aquellos de versiones previas.
NOTA 2 Algunos generadores de nmeros pseudoaleatorios proporcionan un nico valor tras cada peticin y
otros generadores varios.
Tabla C.1 Generacin de nmeros pseudoaleatorios a partir de una distribucin rectangular

(C.3.1.3, C.3.2.2)
Parmetro de entrada
q Cantidad de nmeros pseudoaleatorios a generar.
Parmetro de entrada-salida
t Vector columna de parmetros, algunos de los cuales pueden ser requeridos como magnitudes de
entrada, que pueden cambiarse como parte de la programacin. Los valores subsiguientes de estos
parmetros no suelen ser causa de preocupacin inmediata para el usuario. Los parmetros son
necesarios para ayudar a controlar el proceso por el que se generan los nmeros pseudoaleatorios.
Los parmetros pueden definirse como variables globales y, por lo tanto, no aparecer explcitamente
como parmetros del procedimiento. Uno o ms de estos parmetros pueden ser semillas, utilizadas
para iniciar la secuencia de nmeros aleatorios producidos por sucesivas peticiones al procedimiento.
Parmetro de salida
z Vector columna de q extracciones de la distribucin rectangular R (0, 1).

C.3.1.4 Un nmero pseudoaleatorio x extrado de R(a, b) viene dado por a + (b a) z, donde z es

un nmero pseudoaleatorio extrado de R (0, 1).
C.3.2 Test de aleatoriedad
C.3.2.1 Cualquier generador de nmeros pseudoaleatorios que se emplee debe:
a) tener buenas propiedades estadsticas,
b) poder ser implementado con facilidad en cualquier lenguaje de programacin,
c) proporcionar los mismos resultados para la misma semilla en cualquier ordenador.
Tambin es deseable que sea compacto, de modo que su implementacin sea directa. Un
generador que se acerca al cumplimiento de estos requisitos es el de Wichmann y Hill [52, 53]. Se
ha utilizado en muchas reas incluyendo los clculos de incertidumbre por ordenador. Sin
embargo, el tamao de su ciclo (cantidad de nmeros aleatorios generados antes de que la
secuencia se repita) es 231, considerado hoy en da inadecuado para algunos problemas.
Asimismo, sus propiedades estadsticas no superaron todos los test [35]. Adems, el generador se
dise para ordenadores de 16 bits, mientras que hoy los ordenadores utilizados casi
universalmente son de 32 y 64 bits.
NOTA El periodo de la secuencia de nmeros producidos por un generador de nmeros pseudoaleatorios

es la cantidad de nmeros consecutivos de la secuencia antes de que stos se repitan.
C.3.2.2 Un test amplio de las propiedades estadsticas de cualquier generador se puede realizar
mediante el conjunto de test TestU01 [30]. Este conjunto es muy detallado, contiene muchos test
individuales, incluyendo el llamado Big Crush. Wichmann y Hill [54] enumeran varios generadores
que superan el test Big Crush. Un generador Wichmann-Hill mejorado (vase el apartado C.3.3)
tambin supera el test y tiene las siguientes propiedades [54]:
a) su implantacin es directa en cualquier lenguaje de programacin. No depende de la

manipulacin de bits utilizada por algunos generadores,
b) el estado (la cantidad de informacin conservada por el generador entre peticiones al mismo) es
reducido y fcil de manejar (vase el parmetro t en la tabla C.1),
c) puede utilizarse fcilmente para proporcionar mltiples secuencias necesarias para aplicaciones
muy similares, probablemente una caracterstica de los clculos de incertidumbre futuros,
d) existen variantes del generador para ordenadores de 32 y 64 bits.
C.3.3 Procedimiento para generar nmeros pseudoaleatorios a partir de una distribucin

rectangular
C.3.3.1 Al igual que el generador anterior, el generador mejorado de Wichmann-Hill es una

combinacin de generadores congruentes. El nuevo generador combina cuatro de tales
generadores, mientras que la versin anterior combinaba tres. El nuevo generador tiene un periodo
de 2121, aceptable para cualquier aplicacin que se pueda concebir.
C.3.3.2 La tabla C.2 define el generador mejorado de Wichmann-Hill para obtener nmeros
pseudoaleatorios de R(0, 1) para un ordenador de 32 bits.

Tabla C.2 El generador mejorado de Wichmann-Hill para nmeros pseudoaleatorios (C.3.3.2, C.3.3.3)
de una distribucin rectangular en el intervalo (0, 1) para ordenadores de 32 bits. [] es el mayor entero
no superior a . El resto de la divisin de ij entre bj es ij mod bj
Parmetro de entrada
Ninguno
Parmetro de entrada-salida
Parmetros enteros requeridos como magnitudes de entrada y que cambian durante el proceso. Fijar
i1, como enteros entre 1 y 2 147 483 647 antes de la primera peticin. No intervenir entre peticiones. Los
i2, valores subsiguientes de estos parmetros no suelen ser causa de preocupacin para el usuario. Los
i3, parmetros proporcionan la base para la generacin de los nmeros pseudoaleatorios. Pueden
i4 definirse como variables globales y por lo tanto no aparecer explcitamente como parmetros del
proceso.
Constante
Vectores de constantes enteras de dimensin 1 4, donde a = (a1, . . . , a4), etc., dados por:
a,
a = (11 600, 47 003, 23 000, 33 000),
b,
b = (185 127, 45 688, 93 368, 65 075),
c,
d c = (10 379, 10 479 , 19 423, 8 123),
d = 2 147 483 123 (1, 1, 1, 1) + (456, 420, 300, 0). No intervenir entre peticiones.
Parmetro de salida
r Nmero pseudoaleatorio extrado de R(0, 1).
Programacin
a) Para j = 1, . . . , 4:
i) Calcular ij = aj (ij mod bj) cj ij/bj
ii) Si ij < 0, reemplazar ij por ij + dj

4
b) Calcular = ij dj
j =1
c) Calcular r =
C.3.3.3 Para ordenadores de 64 bits, en el generador de la tabla C.2, el paso a) de la

programacin, incluyendo (i) y (ii), se reemplaza por el paso ms sencillo:
a) Para j = 1, . . . , 4, calcular ij = (aj ij) mod dj.
C.4 Distribucin gaussiana
El procedimiento de la tabla C.3 proporciona extracciones de la distribucin gaussiana

normalizada N (0, 1) utilizando la transformacin Box-Muller [3]. Una extraccin de la distribucin
gaussiana N (, 2) viene dada por + z, donde z es una extraccin obtenida de N(0, 1).
Tabla C.3 El generador Box-Muller de nmeros pseudoaleatorios gaussianos. (C.4)
Parmetro de entrada
Ninguno
Parmetro de salida
z1, Dos extracciones obtenidas de forma independiente a partir de una distribucin gaussiana
z2 normalizada
Programacin
a) Generar independientemente las extracciones aleatorias r1 y r2 a partir de la distribucin
rectangular R(0, 1)
b) Calcular z1 = 2ln r1 cos 2r2 y z2 = 2ln r1 sen 2r2

C.5 Distribucin gaussiana multivariante
C.5.1 La distribucin multivariante ms importante es la distribucin gaussiana multivariante (o

conjunta) N(,V), donde es un vector de esperanzas matemticas, de dimensin n 1, y V una
matriz de covarianzas de dimensin n n.
C.5.2 Las extracciones a partir de N(, V) [45, 49] se pueden obtener utilizando el procedimiento de
la tabla C.4.
NOTA 1 Si V est definida como positiva (esto es, todos sus autovalores son estrictamente positivos) el
factor de Cholesky R es nico [23, pgina 204].
NOTA 2 Si V no est definida como positiva, quizs debido a errores numricos de redondeo o a otras
causas, R puede no existir. Adems, en aquellos casos en que uno o ms de los autovalores de V sean muy
pequeos (pero positivos), la implantacin del software del algoritmo de factorizacin de Cholesky utilizado
puede no ser capaz de calcular R debido a los efectos de errores de coma flotante. En cualquiera de estas
situaciones se recomienda que se repare V, es decir, que se haga un cambio lo ms pequeo posible en V
de forma que el factor de Cholesky R para la matriz modificada est bien definido. El factor resultante es
exacto para una matriz de covarianza que numricamente es cercana a la V original. Existe para este fin un
procedimiento de reparacin sencillo [49, pgina 322] integrado en el generador MULTNORM [45].
T
NOTA 3 Si V est definida como semipositiva, se puede calcular la descomposicin propia V = Q Q ,
1/2 T
donde Q es una matriz ortogonal y una matriz diagonal. Entonces se puede utilizar Q para obtener
extracciones a partir de N (0,V), incluso si V tiene determinante cero.
Tabla C.4 Un generador de nmeros aleatorios gaussianos multivariantes (C.5.2)
Parmetro de entrada
n Dimensin de la distribucin multivariante gaussiana.
Vector de esperanzas matemticas, de dimensin n 1.
V Matriz de covarianzas, de dimensin n n.
q Cantidad de nmeros pseudoaleatorios gaussianos multivariantes a generar.
Parmetro de salida
Matriz de dimensin n q, cuya columna j-sima es una extraccin de la distribucin gaussiana
X
multivariante
Programacin
T
a) Calcular el factor de Cholesky R de V, es decir la matriz triangular superior que cumpla V =R R.
(Para generar q nmeros pseudoaleatorios es necesario realizar esta factorizacin matricial slo una
vez.)
b) Generar una matriz Z de variables gaussianas normalizadas, de dimensin n q.
c) Calcular:
T T
X = 1 + R Z,
donde 1 representa un vector de unos, de dimensin q 1.
C.5.3 La Figura C.1 muestra 200 puntos generados utilizando el generador MULTNORM [45] a
partir de N(, V), donde:
2,0 2,0 1,9

= , V = ,
3,0 1,9 2,0
en las que las dos magnitudes implicadas estn correlacionadas positivamente. Existen otros
generadores parecidos [12].

Magnitud 2 /unidad
Magnitud 1 /unidad
Figura C.1 Puntos muestreados a partir de una distribucin gaussiana de dos variables con
correlacin positiva (C.5.3, C.5.4)
C.5.4 En la Figura C.1, los puntos forman una elipse inclinada y alargada. Si los elementos que
estn fuera de la diagonal principal de V se reemplazaran por ceros, los puntos formaran un
crculo. Si los elementos de la diagonal principal se hiciesen distintos entre s y los elementos fuera
de sta siguieran siendo cero, los puntos formaran una elipse cuyos ejes seran paralelos a los
ejes de la grfica. Si los elementos de la diagonal principal fueran negativos y, por lo tanto, las
magnitudes implicadas estuvieran correlacionadas negativamente, el eje mayor de la elipse tendra
una pendiente negativa en lugar de positiva.
C.6 Distribucin t
El procedimiento de la tabla C.5 proporciona un mtodo [29], [44, pgina 63] para obtener
extracciones a partir de la distribucin t con grados de libertad.
Tabla C.5 Un generador de nmeros pseudoaleatorios a partir de la distribucin t (C.6)
Parmetro de entrada
Grados de libertad
Parmetro de salida
t Extraccin a partir de una distribucin t con grados de libertad
Programacin
a) Generar dos extracciones aleatorias independientes r1 y r2 a partir de la distribucin rectangular
R(0, 1)
2
b) Si r1 < 1/2, calcular t = 1/(4r1 1) y v = r2 / t ; en otro caso, calcular t = 4r1 3 y v = r2
c) Si v < 1 | t | /2 v < (1 + t / )
2 ( +1)/2
, aceptar t como extraccin de la distribucin t; en otro caso,
repetir desde el paso a)
NOTA Para que la desviacin tpica de la distribucin t con grados de libertad sea finita, debe ser
superior a dos.

Anexo D
Aproximacin continua a la funcin de distribucin para la magnitud de

salida
~
D.1 A veces es til trabajar con una aproximacin continua GY ( ) a la funcin de distribucin para
la magnitud de salida Y, ms que con la representacin discreta G del apartado 7.5.
NOTA Trabajar con una aproximacin continua supone, por ejemplo, que:
a) el muestreo a partir de la funcin de distribucin puede llevarse a cabo sin la necesidad de redondeo,
como en el caso discreto,
b) los mtodos numricos que requieren continuidad para su funcionamiento se pueden utilizar para
determinar el menor intervalo de cobertura.
~
{
D.2 Para formar GY ( ) , tngase en cuenta la representacin discreta G = y (r ), r = 1,..., M } de
GY ( ) del apartado 7.5.1, despus de reemplazar los valores y(r) repetidos del modelo, segn sea
necesario (paso b) de dicho prrafo). A continuacin, realcense los siguientes pasos:
a) asignar las probabilidades acumuladas uniformemente espaciadas pr = (r 1/2)/M,

r = 1, . . . , M, a los y(r) [8]. Los valores numricos pr, r = 1,. . . , M, son los puntos medios de los
M intervalos de probabilidad contiguos de amplitud 1/M entre cero y la unidad;
~
b) formar GY ( ) como la funcin lineal (continua) estrictamente creciente definida a trozos que
une los M puntos (y(r), pr), r = 1, . . . ,M:
~ r 1/ 2 y (r )
GY ( ) = + , y ( r ) y ( r +1) , r = 1, ..., M 1. (D.1)
M ( )
M y ( r +1) y ( r )
~
NOTA La expresin (D.1) proporciona una base conveniente para el muestreo desde GY ( ) a los efectos
de una etapa posterior en la evaluacin de la incertidumbre. Vase el apartado C.2 para el muestreo inverso
desde una funcin de distribucin. Algunos paquetes y bibliotecas de software proporcionan herramientas
~
para la interpolacin lineal a trozos. Dado que GY ( ) es lineal definida a trozos, tambin lo es su inversa, y
dichas herramientas se pueden aplicar fcilmente.
~
D.3 La Figura D.1 ilustra GY ( ) obtenida utilizando el MMC basado en M = 50 valores
muestreados de una FDP gaussiana gY(), teniendo Y una esperanza matemtica de 3 y una
desviacin tpica de 1.

Probabilidad
Magnitudde
Magnitud desalida
salidaYY/unidad
/unidad
~
Figura D.1 Aproximacin GY ( ) a la funcin de distribucin GY ( ) (D.3). Unidad denota
cualquier unidad
~ ~ ~ ( )
D.4 Considrese g~Y ( ) = GY ( ) , donde GY ( ) viene dada en la expresin (D.1). La funcin gY
es constante y definida a trozos, con puntos de salto en = y(1), ..... y(M). La esperanza matemtica
~ ( ) se toman respectivamente, como una
y~ y la desviacin tpica u( y~ ) de Y, descritas por gY
estimacin de Y y como la incertidumbre tpica asociada a dicha estimacin. Las expresiones de y~
y u( y~ ) vienen dadas por:
M
1
y~ =
M " y
r =1
(r ) (D.2)
1
M M 1
1
M r =1
u 2 ( y~) = " ( y ( r ) y~) 2
6 r =1
( y ( r +1) y ( r ) ) 2 ,

(D.3)

donde las dobles comillas en el smbolo de sumatorio indican que el primer y el ltimo trmino de la
suma deben tomarse con peso 1/2.
Para un valor numrico suficientemente grande de M (por ejemplo, 10 o mayor), los valores de y~
5
NOTA
~
y u( y ) obtenidos mediante las expresiones dadas en (D.2) y (D.3) seran generalmente, a efectos prcticos,
indistinguibles de los proporcionados por las expresiones (16 ) y (17), respectivamente.
D.5 Sea cualquier valor entre cero y 1 p, donde p es la probabilidad de cobertura requerida (por
~
ejemplo, 0,95). Los extremos de un intervalo de cobertura del 100p % se pueden obtener de GY ( )
~
por interpolacin lineal inversa. Para determinar el lmite inferior yinf tal que = GY ( y inf ) , identificar
el ndice r para el que los puntos (y(r), pr) e (y(r+1), pr+1) satisfacen:
pr < pr+1.

Entonces, por interpolacin lineal inversa,
pr
y inf = y (r ) + ( y ( r +1) y ( r ) ) .
pr +1 pr
~
Anlogamente, el lmite superior ysup determinado de tal forma que p + = GY ( y sup ) se calcula a
partir de
p + ps
y sup = y ( s ) + ( y ( s +1) y ( s ) ) ,
ps + 1 ps
donde el ndice s es tal que los puntos (y(s), ps) e (y(s+1), ps+1) satisfacen:
ps p + < ps+1.
D.6 La eleccin de = 0,025 proporciona el intervalo de cobertura definido por los cuantiles 0,025
y 0,975. Esta opcin proporciona el intervalo de cobertura con probabilidad simtrica del 95 % para
Y.
~
D.7 El menor intervalo de cobertura se puede obtener generalmente desde GY ( ) determinando un
~ ~
tal que GY1( p + ) GY1( ) = H ( ) sea un mnimo. Una aproximacin numrica directa para
k
determinar el mnimo es evaluar H() para un gran nmero de opciones { } uniformemente
espaciadas, para entre cero y 1 p, y elegir l del conjunto { } tal que produzca el mnimo del
k
H
k
conjunto {( )} .
D.8 El clculo del intervalo de cobertura es ms sencillo si pM es un entero. Entonces, el valor

numrico de para que H() sea mnimo, es igual a r*/M, donde r* es el ndice r para el que la
amplitud del intervalo y(r+pM) y(r), para r =1, ...., (1p)M, es la menor.

Anexo E
Intervalo de confianza para la convolucin de cuarto orden de una

distribucin rectangular
E.1 La solucin analtica:
[ ]
1
/
4
2
3
2
3
/
5
3
,
8
8
( ) (E.1)
se obtuvo en 9.2.3.2. Constituye los lmites del intervalo de cobertura simtrico para una
probabilidad del 95 % de la magnitud de salida Y en un modelo aditivo con cuatro magnitudes de
entrada, con esperanza matemtica cero y desviaciones tpicas igual a la unidad, cuyas FDP son
distribuciones rectangulares idnticas. El resultado se demuestra en este anexo.
E.2 La distribucin rectangular R(a, b) (vase el apartado 6.4.2) toma el valor constante (b a)1
para a b y cero en el resto. La convolucin de orden n de R(0, 1) es la spline Bn() de orden n
(grado n1) con nodos 0, , n [46]. Una expresin explcita es [6]:
n
1
Bn ( ) = n
(n 1) ! r = 0 r
C ( 1)r ( r )n+ 1 ,
donde
n n!
Cr = , z+ = mx (z, 0).
r ! (n r ) !
En particular,
1 3
B 4 ( ) = , 01
6
(con diferentes expresiones de polinomios cbicos para B4() en otros intervalos entre nodos
adyacentes), por tanto:
1 1
1 4 1
B 4 ( ) d = = 0,041 7 .
24 0 24
0
E.3 El extremo izquierdo yinf del intervalo de cobertura simtrico para una probabilidad del 95 %, se
encuentra entre cero y uno, ya que:
1 1
0,025 = <
40 24
del rea bajo la FDP a la izquierda de yinf, que por lo tanto est dado por:

y inf
1 4 1
B 4 ( ) d = y inf = ,
24 40
0
es decir,
y inf = (3/5 )
1/4
.
Por simetra, el extremo derecho es:
y sup = 4 (3/5 )
1/4
.
Con lo que el intervalo de cobertura simtrico para una probabilidad del 95 % es:
[( ] ( ).
1
/
4
1
/
4
1
/
4
3
/
5
4
3
/
5
2
3
/
5
) ; ( ) ( )
El intervalo de cobertura correspondiente a la convolucin de cuarto orden de la FDP rectangular
R(3, 3) (con esperanza matemtica cero y desviacin tpica uno) se calcula desplazando este
resultado dos unidades y multiplicndolo por 23 unidades, llegando a la expresin (E.1).

Anexo F
El problema de la prdida por comparacin
Este anexo se ocupa de algunos detalles del problema de la prdida por comparacin (vase el
apartado 9.4). El apartado F.1 proporciona la esperanza matemtica y la desviacin tpica de Y
(vase el apartado 9.4.2.1.2). En el apartado F.2 se calcula de forma analtica la FDP para Y
cuando x1 = x2 = r(x1, x2) = 0 (vase el apartado 9.4.2.1.2). En el apartado F.3 se aplica el enfoque
GUM para magnitudes de entrada con y sin correlacin (vanse los apartados 9.4.2.1.3. y
9.4.3.1.1).
F.1 Obtencin analtica de la esperanza matemtica y de la desviacin tpica
F.1.1. La varianza de una magnitud X puede expresarse en funcin de las esperanzas

matemticas como [42, pgina 124]:
( )
V ( X ) = E X 2 [E ( X )]2 .
De este modo,
( )
E X 2 = [E ( X )]2 + V ( X )= x 2 + u 2 (x )
donde x es la mejor estimacin de X y u(x) la incertidumbre tpica asociada a x. De este modo, para
el modelo (28), Y = 1 Y = X 12 + X 22 ,
y = (Y ) = x12 + x 22 + u 2 (x1 ) + u 2 (x 2 ) .
Este resultado se aplica:
a) sin tener en cuenta la FDP asignada a X1 y X2,
b) tanto si X1 y X2 son independientes o no.
F.1.2 La incertidumbre tpica asociada a y puede obtenerse de:
( ) ( ) (
u 2 (y ) = u 2 x12 + u 2 x 22 + 2u x12 , x 22 , )
( ) ( ) ( ) ( )
donde para i = 1 e i = 2, u 2 x i2 = V X i2 y u 2 x12 , x 22 = Cov X 12 , X 22 . Por tanto, aplicando el
Teorema de Price para distribuciones gaussianas [40, 41],
u 2 (y ) = 4u 2 (x1 )x12 + 4u 2 (x 2 )x 22 + 2u 4 (x1 ) + 2u 4 (x 2 ) + 4u 2 (x1 , x 2 ) + 8u (x1 , x 2 )x1x 2 (F.1)
Cuando x2 = 0 y u(x2) = u(x1), y reemplazando u(x1, x2) por r(x1, x2) u2(x1),

{ [ ]
u (y ) = 2 x12 + 1 + r 2 (x1 , x 2 ) u 2 (x1 ) }1/ 2
u ( x1 ) .
F.1.3 Cuando X1 y X2 no estn correlacionas, es decir u(x1, x2) = 0, la expresin (F.1) se transforma
en:
u 2 (y ) = 4u 2 (x1 )x12 + 4u 2 (x 2 )x 22 + 2u 4 (x1 ) + 2u 4 (x 2 ) . (F.2)
La ecuacin (F.2) puede comprobarse aplicando la frmula (10) de la GUM [GUM: 1995, 5.1.2] y la
que le sigue [GUM: 1995, 5.1.2 nota].
F.2 Solucin analtica para una estimacin igual a cero del coeficiente de reflexin
de tensin con una covarianza asociada cero
F.2.1 Para el caso x1 = x2 = r(x1, x2) = 0 y u(x1) = u(x2), la FDP gY() para Y puede obtenerse
analticamente. Es importante disponer de esta solucin para realizar validaciones posteriores. En
las circunstancias anteriores,
X2 X2
Y = u 2 ( x1 ) 2 1 + 2 2 .
u ( x1 ) u ( x 2 )
F.2.2 El trmino entre corchetes es la suma, Z, de los cuadrados de dos magnitudes

independientes cada una de la cuales sigue una FDP gaussiana. Por tanto, la suma sigue una
distribucin chi-cuadrado con dos grados de libertad [42, pg. 177], por tanto:
Y = u 2 ( x1 ) Z ,
donde Z sigue la FDP
g Z ( z ) = 22 ( z ) = e z 2 2 .
F.2.3 La aplicacin de la frmula general [42, pg. 57-61] para la FDP gY() de una funcin
derivable y estrictamente decreciente de una variable (Z en este caso) con una FDP especfica
lleva a:
1 1
gY ( ) = 22 2 = exp 2 , 0.
2 2
u ( x1 ) u ( x1 ) 2u ( x1 )
2u ( x1 )
F.2.4 La esperanza matemtica de Y viene dada por:

y = E (Y ) = g Y ( ) d = 2u 2 ( x 1)
0
y la varianza

u 2 (y ) = V (Y ) = ( - y ) 2 gY ( ) d = 4u 4 ( x 1) ,
0
es decir, la desviacin tpica es 2 u2(x1), lo que resulta consistente con F.1.

F.2.5 La funcin de distribucin correspondiente se obtiene integrando:
1
e
x
p
Y
,
2
= (F.3)
u
x
2
1

( )
F.2.6 Si y es en la ecuacin (F.3)
( correspondiente
) a GY() = para cualquier tal que
0 1 p, entonces:
2
y
u
x1
l
n
1

= ( - )
( una
y el intervalo de cobertura con ) probabilidad del 100p % para Y (vase el apartado 7.7) es:
] [ ]
2
2
y
;
y
u
x
u
x
p
-

l
n
1
;
2
l
n
1
[

1
+ ( ) ( - ) ( - ) (F.4)
con amplitud ( )
p
2
H

x1
2
l
n
1
( )= u .

( ) con una probabilidad del 100p % viene dado calculando el
F.2.7 El menor intervalo de cobertura
valor de que hace mnima H() (vase el apartado 5.3.4). Como H() es una funcin montona
creciente de para 0 1 p, H() es mnima para = 0. Por tanto, el menor intervalo de
cobertura para Y con una probabilidad del 100p % es:
[ ]
2
u
x1
p
0
;
2
l
n
1
( ) ( ).
Para u(x1) = 0,005, el menor intervalo de cobertura con una probabilidad del 95 % es:
[0; 0,000 149 8].
F.2.8 El intervalo de cobertura simtrico para Y con una probabilidad del 95 % viene dado
tomando = (1 p)/2 (vase el apartado 5.3.3):
[ ] = [0,000 001 3; 0,000 184 4],

2
2
u
x
u
x
2
l
n
0
,
9
7
5
;
2
l
n
0
,
0
2
5
1
( ) ( ) ( ) ( )
que es un 20 % mayor que el menor intervalo de cobertura para una probabilidad del 95 %.
NOTA El anlisis anterior es indicativo de una aproximacin analtica que podra aplicarse a algunos
problemas de este tipo. En este caso particular, los resultados podran haberse obtenido ms directamente, ya
que gY() es estrictamente creciente y el menor intervalo de cobertura se encuentra siempre en la zona de
mayor densidad.
F.3 Enfoque GUM aplicado al problema de la prdida por comparacin
F.3.1 Magnitudes de entrada no correlacionadas
F.3.1.1 El problema de la prdida por comparacin considerado en el apartado 9.4 tiene como
modelo de medicin:

Y = f (X ) = f ( X 1, X 2 ) = X 12 + X 22 ,
donde X1 y X2 tienen asignadas unas FDP gaussianas con esperanzas matemticas x1 y x2 y

varianzas u2(x1) y u2(x2) respectivamente.
F.3.1.2 La aplicacin del apartado 5.1.1 de la GUM proporciona:
y = x12 + x 22 ,
como estimacin de Y. Las nicas derivadas parciales no triviales y no nulas son, para i = 1,2,
f 2f
= 2Xi , = 2.
X i X i2
F.3.1.3 Por tanto, aplicando el apartado 5.1.2 de la GUM se obtiene, para la incertidumbre tpica
u(y):
f 2 2
f 2
u 2 (y ) = u 2 ( x1 ) + u ( x 2 ) = 4 x 12u 2 ( x1 ) + 4 x 22u 2 ( x 2 ), (F.5)
X 1 X
2
X =x
basado en un desarrollo en serie de Taylor de primer orden de f(X). Si la falta de linealidad de f es

significativa [GUM: 1995, 5.1.2 nota], el trmino:
1 2f 2f
2 + u 2 ( x1 )u 2 ( x 2 )
2 X
1 X 22
X =x
debe aadirse a la ecuacin (F.5), en cuyo caso (F.5) se transforma en:
u 2 (y ) = 4 x 12u 2 ( x1 ) + 4 x 22u 2 ( x 2 ) + 4u 2 ( x1 )u 2 ( x 2 ). (F.6)
F.3.1.4 Un intervalo de cobertura del 95 % para Y viene dado por:
y 2u(y)
debido a que Y sigue una FDP gaussiana.
F.3.2 Magnitudes de entrada correlacionadas
F.3.2.1 Cuando las magnitudes de entrada estn correlacionas, la matriz de incertidumbres

asociada a las mejores estimaciones de las magnitudes de entrada viene dada en la ecuacin (27).
F.3.2.2 Aplicando el apartado 5.2.2 de la GUM se obtiene:
f 2 f 2
2
f f
u 2 (y ) = u 2 ( x1 ) + u ( x 2 ) + 2 r ( x1, x 2 )u( x1 )u( x 2 )
X 1 X 2 X 1 X 2
X =x
= 4 x12 u 2 ( x1 ) + 4 x 22 u 2 ( x 2 ) + 8r ( x1, x 2 )x1x 2 u( x1 )u( x 2 ).

Anexo G
Glosario de los smbolos principales
A variable aleatoria que representa el lmite inferior de una distribucin

rectangular con lmites establecidos sin exactitud
a extremo inferior del intervalo en el que se sabe que se encuentra una variable
aleatoria
a punto medio del intervalo en el que se sabe que se encuentra el lmite inferior
A de una distribucin rectangular con lmites establecidos sin exactitud
B variable aleatoria que representa el lmite superior de una distribucin
rectangular con lmites establecidos sin exactitud
b extremo superior del intervalo en el que se sabe que se encuentra una variable
aleatoria
b punto medio del intervalo en el que se sabe que se encuentra el lmite superior
B de una distribucin rectangular con lmites establecidos sin exactitud
CTrap(a, b, d) distribucin rectangular con lmites establecidos sin exactitud (distribucin
trapezoidal curvilnea) con parmetros a, b y d
Cov(Xi,Xj) covarianza entre dos variables aleatorias Xi y Xj
c nmero entero con ndig cifras decimales significativas
ci coeficiente de sensibilidad i-simo, obtenido como derivada parcial del modelo
f de medicin con respecto a la i-sima magnitud de entrada Xi evaluada para
la estimacin vectorial x de la magnitud de entrada vectorial X
d semiamplitud de los intervalos en los que se sabe que se encuentran los
limites inferior A y superior B de una distribucin rectangular con lmites
establecidos sin poca exactitud
dsup valor absoluto de la diferencia entre los extremos derechos de los intervalos de
cobertura proporcionados por el enfoque GUM y por el mtodo de Monte Carlo
dinf valor absoluto de la diferencia entre los extremos izquierdos de los intervalos
de cobertura proporcionados por el enfoque GUM y por el mtodo de Monte
Carlo
e base de los logaritmos naturales
E(X) esperanza matemtica de una variable aleatoria X
E(X) esperanza matemtica de una variable aleatoria vectorial X
r
E(X ) momento r-simo de una variable aleatoria X
Ex() distribucin exponencial con parmetro
f modelo matemtico de medicin, expresado como relacin funcional entre una
magnitud de salida Y y las magnitudes de entrada X1, . . . ,XN de las que
depende Y
G representacin discreta de la funcin de distribucin GY () para la magnitud

de salida Y de un procedimiento Monte Carlo

G(, ) distribucin gamma con parmetros y
gX() funcin de densidad de probabilidad con variable para la magnitud de
entrada X
gX() funcin de densidad de probabilidad conjunta (multivariante) con variable
vectorial para la magnitud vectorial de entrada X
g X i ( i ) funcin de densidad de probabilidad con variable i para la magnitud de
entrada Xi
GY() funcin de distribucin con variable para la magnitud de salida Y
~
GY ( ) aproximacin continua a la funcin de distribucin GY() para la magnitud de
salida Y
gY() funcin de densidad de probabilidad con variable para la magnitud de salida
Y
~ ( ) ~
gY derivada de GY ( ) con respecto a que proporciona una aproximacin
numrica a la funcin de densidad de probabilidad gY() para la magnitud de
salida Y
J menor nmero entero, mayor o igual que 100 / (1 p)
kp factor de cobertura correspondiente a una probabilidad de cobertura p
l exponente entero en la forma de presentacin c 10l de un valor numrico,
donde c es un nmero entero con ndig cifras decimales significativas
M nmero de reiteraciones de Monte Carlo
N nmero de magnitudes de entrada X1, . . . ,XN
N(0, 1) distribucin gaussiana normalizada
N(, 2) distribucin gaussiana con parmetros y 2
N(,V ) distribucin gaussiana multivariante con parmetros y V
n nmero de elementos (indicaciones o resultados) de una serie
ndig nmero de cifras decimales significativas consideradas como representativas
en un valor numrico dado
Pr(z) probabilidad del suceso z
p probabilidad de cobertura
q parte entera de pM + 1/2
q nmero de elementos contados en una muestra de tamao especfico
R matriz triangular superior
R(0, 1) distribucin rectangular normalizada en el intervalo [0, 1]
R(a, b) distribucin rectangular en el intervalo [a, b]
r(xi, xj) coeficiente de correlacin asociado a las estimaciones xi y xj de las magnitudes
de entrada Xi y Xj
s desviacin tpica de una serie de n indicaciones x1, . . . , xn
sp desviacin tpica conjunta obtenida de varias series de indicaciones

T superndice que indica la transpuesta de una matriz

sz desviacin tpica asociada al promedio z de los valores z(1), . . . , z(h) en un
procedimiento de Monte Carlo adaptable, donde z puede indicar una
estimacin y de la magnitud de salida Y, la desviacin tpica u(y) asociada a y,
o los lmites izquierdo, yinf, o derecho, ysup, de un intervalo de cobertura para Y
T(a, b) distribucin triangular en el intervalo [a, b]
Trap(a, b, ) distribucin trapezoidal en el intervalo [a, b] con parmetro
t distribucin t centrada con grados de libertad
2
t(, ) distribucin t con parmetros y 2, y grados de libertad
U(0, 1) distribucin arco seno normalizada (tipo U) en el intervalo [0, 1]
U(a, b) distribucin arco seno (tipo U) en el intervalo [a, b]
Up incertidumbre expandida correspondiente a una probabilidad de cobertura p
Ux matriz de incertidumbre asociada a las estimaciones vectoriales x de la
magnitud de entrada vectorial X
u(x) vector (u(x1), . . . , u(xN))T de incertidumbres tpicas asociadas a la estimacin
vectorial x de la magnitud de entrada vectorial X
u(xi) incertidumbre tpica asociada la estimacin xi de la magnitud de entrada Xi
u(xi, xj) covarianza asociada a las estimaciones xi y xj de las magnitudes de entrada Xi
y Xj
u(y) incertidumbre tpica asociada a la estimacin y de la magnitud de salida Y
u (y~) incertidumbre tpica asociada a y~
uc(y) incertidumbre tpica combinada asociada al estimador y de la magnitud de

salida Y
ui(y) i-sima componente de incertidumbre de la incertidumbre tpica u(y) asociada
a la estimacin y de la magnitud de salida Y
V matriz de covarianzas (o de varianzas-covarianzas)
V(X) varianza de una variable aleatoria X
V(X) matriz de covarianzas para la variable aleatoria vectorial X
semiamplitud (b a) / 2 de un intervalo [a, b]
X magnitud de entrada, considerada como variable aleatoria
X vector (X1, . . . ,XN)T de magnitudes de entrada, consideradas como variables
aleatorias, de las que depende la magnitud de salida Y
Xi i-sima magnitud de entrada, considerada como variable aleatoria, de la que
depende la magnitud de salida Y
x estimacin (esperanza matemtica) de X
x vector de estimaciones (esperanza matemtica vectorial) (x1, . . . , xN)T de X
x promedio de una serie de n indicaciones x1, . . . , xn
xi estimacin (esperanza matemtica) de Xi
xi i-sima indicacin (o elemento) de una serie

xi,r r-sima reiteracin/extraccin de Monte Carlo a partir de la funcin de

densidad de probabilidad para Xi
xr r-sima reiteracin/extraccin de Monte Carlo, que contiene los valores
x1,r, . . . , xN,r, extrados de las funciones de densidad de probabilidad para las
N magnitudes de entrada X1, . . . ,XN o de la funcin de densidad de
probabilidad conjunta para X
Y magnitud de salida (escalar), considerada como variable aleatoria
y estimacin (esperanza matemtica) de Y
y~ estimacin de Y, obtenida como promedio a partir de los M valores yr del
modelo, en una simulacin de Monte Carlo, o como la esperanza matemtica
~ ( )
de Y caracterizada por la funcin de densidad de probabilidad gY
ysup lmite derecho de un intervalo de cobertura para Y

yinf lmite izquierdo de un intervalo de cobertura para Y
yr r-simo valor del modelo f(xr)
y(r) r-simo valor del modelo, despus de ordenar los yr valores en orden creciente
(h)
z h-simo valor en un procedimiento de Monte Carlo adaptable, donde z puede
indicar una estimacin y de la magnitud de salida Y, la desviacin tpica u(y)
asociada a y, o los lmites izquierdo, yinf, o derecho, ysup, de un intervalo de
cobertura para Y
valor de probabilidad
parmetro de una distribucin gamma
parmetro de un distribucin trapezoidal igual a la razn entre la semiamplitud
de la parte superior del trapecio y la de la base
parmetro de una distribucin gamma
(z) funcin gamma de variable z
tolerancia numrica asociada a un valor numrico
(z) funcin delta de Dirac de variable z
variable que describe los valores posibles de la magnitud de salida Y
1 semiamplitud de la parte superior del trapecio, para una distribucin
trapezoidal
2 semiamplitud de la base del trapecio, para una distribucin trapezoidal
esperanza matemtica de un magnitud caracterizada por un distribucin de
probabilidad
grados de libertad de una distribucin t o de una distribucin chi-cuadrado
ef grados efectivos de libertad asociados a la incertidumbre tpica u(y)
p grados de libertad asociados a una desviacin tpica conjunta sp obtenida a
partir de varias series de indicaciones
variable que describe los posibles valores de la variable aleatoria X
variable vectorial (1, . . . , N)T que describe los valores posibles de la
magnitud de entrada vectorial X

i variable que describe los valores posibles de la magnitud de entrada Xi

desviacin tpica de una magnitud caracterizada por una distribucin de
probabilidad
2 varianza (desviacin tpica al cuadrado) de una magnitud caracterizada por
una distribucin de probabilidad
fase de una magnitud que oscila sinusoidalmente
2 distribucin chi-cuadrado con grados de libertad

Bibliografa
[1] BEATTY, R. W. Insertion loss concepts. Proc. IEEE 52 (1964), 663671.

[2] BERTHOUEX, P. M. y BROWN, L. C. Statistics for Environmental Engineers. CRC Press, USA,
1994.
[3] BOX, G. E. P. y MULLER, M. A note on the generation of random normal variates. Ann. Math.
Statist. 29 (1958), 610611.
[4] CHAN, A., GOLUB, G. y LEVEQUE, R. Algorithms for computing the sample variance: analysis
and recommendations. Amer. Stat. 37 (1983), 242247.
[5] CONTE, S. D. y DE BOOR, C. Elementary Numerical Analysis: An Algorithmic Approach. McGraw-
Hill, 1972.
[6] COX, M. G. The numerical evaluation of B-splines. J. Inst. Math. Appl. 10 (1972), 134149.
[7] COX, M. G. y HARRIS, P. M. Software specifications for uncertainty evaluation. Tech. Rep. DEM-
ES-010, National Physical Laboratory, Teddington, UK, 2006.
[8] COX, M. G. y HARRIS, P. M. SSfM Best Practice Guide No. 6, Uncertainty evaluation. Tech. Rep.
DEM-ES-011, National Physical Laboratory, Teddington, UK, 2006.
[9] COX, M. G. y SIEBERT, B. R. L. The use of a Monte Carlo method for evaluating uncertainty and
expanded uncertainty. Metrologia 43 (2006), S178S188.
[10] DAVID, H. A. Order Statistics. Wiley, New York, 1981.
[11] DEKKER, T. J. Finding a zero by means of successive linear interpolation. In Constructive Aspects
of the Fundamental Theorem of Algebra (London, 1969), B. Dejon and P. Henrici, Eds., Wiley
Interscience.
[12] DEVROYE, L. Non-Uniform Random Number Generation. Springer, New York, 1986.
[13] DIETRICH, C. F. Uncertainty, Calibration and Probability. Adam Hilger, Bristol, UK, 1991.
[14] DOWSON, D. C. y WRAGG, A. Maximum entropy distributions having prescribed first and second
order moments. IEEE Trans. IT 19 (1973), 689693.
[15] EA. Expression of the uncertainty of measurement in calibration. Tech. Rep. EA-4/02, European
Co-operation for Accreditation, 1999.
[16] ELSTER, C. Calculation of uncertainty in the presence of prior knowledge. Metrologia 44 (2007),
111116.
[17] EURACHEM/CITAC. Quantifying uncertainty in analytical measurement. Tech. Rep. Guide CG4,
EURACHEM/ CITEC, 2000. Second edition.
[18] EVANS, M., HASTINGS, N. y PEACOCK, B. Statistical distributions. Wiley, 2000.
[19] FRENKEL, R. B. Statistical background to the ISO Guide to the Expression of Uncertainty in
Measurement. Tech. Rep. Monograph 2, NML Technology Transfer Series, Nmero de
publicacin TIP P1242, National Measurement Laboratory, CSIRO, Australia, 2002.
[20] GELMAN, A., CARLIN, J. B., STERN, H. S. y RUBIN, D. B. Bayesian Data Analysis. Chapman and
Hall, London, 2004.
[21] GLESER, L. J. Assessing uncertainty in measurement. Stat. Sci. 13 (1998), 277290.
[22] HALL, B. D. y WILLINK, R. Does Welch-Satterthwaite make a good uncertainty estimate?

Metrologia 38 (2001), 915.

[23] HIGHAM, N. J. Accuracy and Stability of Numerical Algorithms. SIAM, Philadelphia, 1996.
[24] ISO. ISO 3534-1. Statistics Vocabulary and symbols Part 1: Probability and general statistical
terms. International Standards Organization, Geneva.
[25] JAYNES, E. T. Information theory and statistical mechanics. Phys. Rev 106 (1957), 620630.
[26] JAYNES, E. T. Where do we stand on maximum entropy? In Papers on Probability, Statistics, and
Statistical Physics (Dordrecht, The Netherlands, 1989), R. D. Rosenkrantz, Ed., Kluwer Academic,
pp. 210314. [http://bayes.wustl.edu/etj/articles/stand.on.entropy.pdf]
[27] KACKER, R. y JONES, A. On use of Bayesian statistics to make the Guide to the Expression of
Uncertainty in Measurement consistent. Metrologia 40 (2003), 235248.
[28] KERNS, D. M. y BEATTY, R. W. Basic Theory of Waveguide Junctions and Introductory
Microwave Network Analysis.Pergamon Press, London, 1967.
[29] KINDERMAN, A., MONAHAN, J. y RAMAGE, J. Computer methods for sampling from Students t-
distribution. Math. Comput 31 (1977), 10091018.
[30] LECUYER, P. y SIMARD, R. TestU01: A software library in ANSI C for empirical testing of random
number generators. [http://www.iro.umontreal.ca/~simardr/testu01/tu01.html]
[31] LEYDOLD, J. Automatic sampling with the ratio-of-uniforms method. ACM Trans. Math. Software
26 (2000), 7898.
[32] LIRA, I. Evaluating the Uncertainty of Measurement. Fundamentals and Practical Guidance.
Institute of Physics, Bristol, UK, 2002.
[33] LIRA, I. H. y WGER, W. Bayesian evaluation of the standard uncertainty and coverage probability
in a simple measurement model. Meas. Sci. Technol. 12 (2001), 11721179.
[34] MATSUMOTO, M. y NISHIMURA, T. Mersenne Twister: A 623-dimensionally equidistributed
uniform pseudo-random number generator. ACM Trans. Modeling and Computer Simulation 8
(1998), 330.
[35] MCCULLOUGH, B. D. y WILSON, B. On the accuracy of statistical procedures in Microsoft Excel
2003. Computational Statistics and Data Analysis (2004).
[36] MOLER, C. B. Numerical computing with MATLAB. SIAM, Philadelphia, 2004.
[37] NETLIB. Netlib contiene software, documentos y bases de datos de acceso gratuito que son de
inters para el clculo numrico y cientfico, as como para otras comunidades, tambin contiene
herramientas para muestrear a partir de distribuciones de probabilidad. [http://www.netlib.org].
[38] NIST. La NIST Digital Library of Mathematical Functions contiene herramientas para muestrear a
partir de distribuciones de probabilidad. [http://dlmf.nist.gov]
[39] OIML. Conventional value of the result of weighing in air. Tech. Rep. OIML D 28, Organisation
Internationale de Mtrologie Lgale, Paris, 2004.
[40] PAPOULIS, A. On an extension of Prices theorem. IEEE Trans. Inform. Theory IT-11 (1965).
[41] PRICE, R. A useful theorem for nonlinear devices having Gaussian inputs. IEEE Trans. Inform.
Theory IT-4 (1958), 6972.
[42] RICE, J. R. Mathematical Statistics and Data Analysis, second ed. Duxbury Press, Belmont, Ca.,
USA, 1995.
[43] RIDLER, N. M. y SALTER, M. J. Propagating S-parameter uncertainties to other measurement
th
quantities. En 58 ARFTG (Automatic RF Techniques Group) Conference Digest (2001).
[44] ROBERT, C. P. y CASELLA, G. Monte Carlo Statistical Methods. Springer-Verlag, New York,
1999.

[45] SALTER, M. J., RIDLER, N. M. y COX, M. G. Distribution of correlation coefficient for samples
taken from a bivariate normal distribution. Tech. Rep. CETM 22, National Physical Laboratory,
Teddington, UK, 2000.
[46] SCHOENBERG, I. J. Cardinal interpolation and spline functions. J. Approx. Theory 2 (1969), 167
206.
[47] SCOWEN, R. S. QUICKERSORT, Algorithm 271. Comm. ACM 8 (1965), 669.
[48] SHANNON, C. E. A mathematical theory of information. Bell Systems Tech. J. 27 (1948), 623656.
[49] STRANG, G. y BORRE, K. Linear Algebra, Geodesy and GPS. Wiley, Wellesley-Cambridge Press,
1997.
[50] TAYLOR, B. N. y KUYATT, C. E. Guidelines for evaluating and expressing the uncertainty of NIST
measurement results. Tech. Rep. TN1297, National Institute of Standards and Technology, USA,
1994.
[51] WEISE, K. y Wger, W. A Bayesian theory of measurement uncertainty. Meas. Sci. Technol. 3
(1992), 111.
[52] WICHMANN, B. A. y HILL, I. D. Algorithm AS183. An efficient and portable pseudo-random
number generator. Appl. Statist. 31 (1982), 188190.
[53] WICHMANN, B. A. y HILL, I. D. Correction. algorithm AS183. An efficient and portable pseudo-
random number generator. Appl. Statist. 33 (1984), 123.
[54] WICHMANN, B. A. y HILL, I. D. Generating good pseudo-random numbers. Computational
Statistics and Data Analysis 51 (2006), 16141622.
[55] WILLINK, R. Coverage intervals and statistical coverage intervals. Metrologia 41 (2004), L5L6.
[56] WGER, W. Probability assignment to systematic deviations by the Principle of Maximum Entropy.
IEEE Trans. Instr. Measurement IM-36 (1987), 655658.

ndice alfabtico
A de una magnitud de entrada 5.1.1,

6.1.6
algoritmo de ordenacin 7.5.1, 7.8.2
convolucin 6.4.4.2, A.1, E
aproximacin en serie de Taylor 4.9, 5.4.1,
5.6.2, 5.11.4, 8.1.2, 9.1.1, 9.1.6, B.1, covarianza 3.10, 3.11, 5.6.3, 9.4.1.3, 9.4.3
F.3.1.3
D
aproximacin por diferencias finitas 5.8.1
derivada parcial 5.6.3, 5.8.1, 5.11.4, 5.11.6,
B 9.3.1.3, 9.3.2.5, 9.4.2.2.1, 9.4.2.2.4,
B.1, F.3.1.2
Bayes, teorema 6.1.1, 6.2, 6.4.9.2, 6.4.11.1
desviacin tpica 3.8, 5.1.1, 5.3.1, 5.6.2,
bayesiano, intervalo 3.12 5.6.3
de un conjunto de indicaciones 5.11.2
de valores del modelo muestreados 7.6
C pooled 6.4.9.6
calibracin distribucin t 3.5, 6.4.9

certificado de, 6.4.3.4, 6.4.9.7, funcin de densidad de probabilidad
9.5.2.2.1, 9.5.2.4.1, 9.5.2.5.1 6.4.9.2, 6.4.9.7, 9.5.2.2.2, 9.5.2.3.2,
de bloque patrn 9.5 9.5.2.4.2, 9.5.2.5.2
de masa 9.3 esperanza matemtica y varianza
de un medidor de potencia de 6.4.9.4
microondas 9.4 funcin de densidad de probabilidad
3.5, 6.4.9.3
Cauchy, distribucin 5.1.1 muestreo 6.4.9.5, C.6
chi-cuadrado, distribucin 6.4.11.4, distribucin arco seno 6.4.6

9.4.2.2.3, F.2.2 asignacin a una magnitud 6.4.6.1,
9.5.2.8.2
Cholesky, descomposicin de 6.4.8.4, C.5.2 esperanza matemtica y varianza
6.4.6.3
cifras decimales significativas 1, 3.20,
6.4.6.2
4.13, 5.5.2, 6.4.3.4, 7.2.1, 7.6, 7.9.2,
muestreo 6.4.6.4
8.1.3, 8.2, 9.1.3
distribucin de probabilidad 3.1
coeficiente de correlacin 9.4.1.3, 9.4.2.3.1
a partir de estimaciones previas de
incertidumbre 6.5
coeficientes de sensibilidad 5.4.3, 5.6.3, conjunta 3.1
5.11.4, 5.11.6, 9.3.2.5, 9.5.2.6.2, B muestreo C, 7.3
multivariante 3.1
conocimiento univariante 3.1
incompleto de una magnitud 6.3.2
previo relativo a un magnitud 5.11.2

distribucin en forma de U vase elemento de probabilidad 3.3

distribucin arco seno
enfoque GUM sobre la incertidumbre
distribucin exponencial 6.4.10, 6.4.11.4, C.2 (EGUM) 1, 3.18, 4.15, 5.1.2, 5.4.2, 5.6,
asignacin a una magnitud 6.4.10.1 5.10.2, F.3
esperanza matemtica y varianza comparacin con un mtodo de Monte
6.4.10.3 Carlo 5.11
funcin de densidad de probabilidad condiciones para la aplicacin en
6.4.10.2 modelos no lineales 5.7
muestreo 6.4.10.4 condiciones para la aplicacin en
modelos no lineales 5.8
distribucin normal 3.4 ejemplos 9.19.5
validacin del 8.1, 9.1.2, 9.2.2.7,
9.2.3.4, 9.2.4.5, 9.3.2.6
distribucin rectangular 6.4.2, 9.2.3, 9.2.4,
C.2, E con trminos de orden superior 5.8.1,
asignacin a una magnitud 6.4.2.1, 8.1.2, 9.1.1, 9.3.2.1, 9.3.2.6, 9.4.2.1.3,
9.4.2.2.1
9.3.1.4, 9.5.2.6.2
6.4.2.3 Erlang, distribucin de 6.4.11.4
6.4.2.2 esperanza matemtica 3.6, 4.1, 4.3, 4.8,
muestreo 6.4.2.4, 9.1.4, C.3 5.1.1, 5.3.1, 5.6.2, 5.6.3, 5.9.6, 6.4.1,
7.5.1, 7.6, .2.3.3, 9.3.1.4,9.4.1.4,9.4.1.8
distribucin rectangular con lmites inexactos ,9.4.2.1.2,9.4.2.2.7,9.4.2.2.11,9.4.2.3.2,
6.4.3 9.4.3.1.3, C.2, D.3, D.4, E.3, F.1.1,
asignacin a una magnitud 6.4.3.1, F.2.4, F.3.1.1
9.5.2.9.2, 9.5.2.10.2
esperanza matemtica y varianza Estimacin de la magnitud de salida
6.4.3.3 a partir del mtodo de Monte Carlo 7.6
6.4.3.2 estimacin de la magnitud de salida 5.1.1,
muestreo 6.4.3.4 5.3.1, 5.5.1, 5.11.4, 5.11.6, 9.4.2.2.7,
B.2
distribucin trapezoidal 6.4.4 a partir del enfoque GUM sobre la
asignacin a una magnitud 6.4.4.1 incertidumbre 4.10, 5.6.2, 5.6.3,
esperanza matemtica y varianza 9.4.2.1.3, 9.4.2.2.8, F.3.1.2
6.4.4.3 a partir del mtodo de Monte Carlo
funcin de densidad de probabilidad. 5.9.6, 7.9.4, 9.4.2.2.8, D.4
6.4.4.2
muestreo 6.4.4.4 evaluacin de la incertidumbre Tipo A y
Tipo B 5.1.2, 5.11.2, 5.11.4, 6.1.3,
distribucin triangular 6.4.5 6.4.9.4
asignacin a una magnitud 6.4.5.1
6.4.5.3
F
6.4.5.2 factor de cobertura 5.3.3, 5.11.6, 6.4.9.7,
muestreo 6.4.5.4 9.2.2.3, 9.2.4.4, 9.5.2.2.1
fases de la evaluacin de la incertidumbre

E
5.1.1, 5.6.1
formulacin 5.1.1, 5.1.3
EGUM vase enfoque GUM sobre la propagacin 5.1.1, 5.1.3, 5.4, 5.4.3,
incertidumbre (EGUM) 5.6.1, 5.6.3, 5.9

resumen 5.1.1, 5.1.3, 5.3, 5.6.1, 5.6.3, gaussiana, distribucin multivariante. 6.4.8,
5.9 9.4.3.1.3
asignacin a una magnitud vectorial
FDP vase funcin de densidad de 6.4.8.1, 9.4.1.4
probabilidad (PDF) esperanza matemtica y matriz de
covarianza 6.4.8.3
fiabilidad de la incertidumbre vase
incertidumbre tpica 6.4.8.2
muestreo 6.4.8.4, C.5
formulacin vase fases de la evaluacin
de la incertidumbre
generador de nmeros a partir de una
distribucin rectangular
funcin de densidad de probabilidad (PDF) capacidad de C.3.1.1
3.3, 4.2, 4.3, 4.15 procedimiento C.3.3
a la magnitud de salida D, 5.1.1, 5.2,
5.4.4, 5.6.2,5.7.2, 5.11.2, 5.11.4, 7.2.1,
7.5.2, B.1 grado de confianza 5.1.2
a las magnitudes de entrada..5.1.1,
5.1.2, 5.4.4, 5.6.2, 5.11.2, 5.11.4, 6, grados de libertad 3.5, 5.6.2, 5.6.3, 5.7.2,
6.1.3, 6.1.5, 6.26.4, 7.3, 7.4.1, 7.6, 5.11.5, 6.4.3.3, 6.4.9.2, 6.4.9.4, 6.4.9.5,
7.8.1 7.6, 9.5.2.4.2, 9.5.2.5.1, 9.5.4.1, C.6,
asimtrica 5.3.4, 5.3.6 F.2.2
conjunta 4.4, 4.5, 5.1.1, 6.1.2, 6.1.4, efectivos 5.6.3, 5.7.2, 5.11.6, 6.4.9.4,
6.4.8.2, 6.4.8.4, 7.3, 7.8.1, 9.4.1.8 6.4.9.7, 9.5.2.2.1, 9.5.3.1
muestreo C, 7.3, 9.2.2.4 de una desviacin tpica 6.4.9.6
simtrica 5.3.3, 5.3.5, 9.2.2.8
Gua para la expresin de la incertidumbre de
funcin de distribucin 3.2, 4.2, 5.3.6, 6.5 medida (GUM) 2, 3, 4.15, 5.6.1, A
para la magnitud de salida D, 5.2,
5.9.1, 5.11.4, 7.5, 9.3.2.3, 9.4.2.2.9 GUM vase Gua para la expresin de la
incertidumbre de medida (GUM)
G
I
Gamma, distribucin 6.4.11
asignacin a una magnitud 6.4.11.1 incertidumbre expandida 5.3.3, 5.6.3, 6.4.9.7,
esperanza matemtica y varianza 9.5.2.2.1
6.4.11.3
funcin de densidad de probabilidad. incertidumbre mutua 3.11, 5.6.3
6.4.11.2
muestreo 6.4.11.4 incertidumbre tpica combinada 4.10
gamma, funcin 3.5, 6.4.9.3 incertidumbre tpica 4.10, 5.1.1, 5.1.2, 5.3.1,
5.5.1, 5.11.2, 5.11.5, 5.11.6, 8.1.3
gaussiana, distribucin 3.4, 5.65.8, 5.11.6, del enfoque GUM 5.6.2, 5.6.3
6.4.7, 9.2.2, 9.4.1.8, 9.4.2.2.5, del mtodo de Monte Carlo 5.9.6, 7.6
9.4.2.3.2, D.3 fiabilidad de la 6.4.9.4
asignacin a una magnitud 6.4.7.1,
9.3.1.4, 9.5.2.7.2, F.3.1.1 indicaciones, anlisis de una serie de 5.11.2,
esperanza matemtica y varianza 6.1.3, 6.2.1, 6.2.2, 6.3.1, 6.4.9.2,
6.4.7.3 6.4.9.4, 6.4.9.6, 9.5.1.3, 9.5.2.3.1,
9.5.2.4.1
3.4, 6.4.7.2
muestreo 6.4.7.4, C.4

informe de resultados 1, 5.5, 9.1.3 mtodo de Monte Carlo (MCM) 3.19, 4.15,
5.2, 5.4.1, 5.9, 6.5, 7, 8.1.1, A.1, B.1,
intervalo creble 3.12 C.1.1, D.3
comparacin con el enfoque GUM 5.11
intervalo de cobertura3.12, 4.11, 5.1.1, 5.3.2, condiciones para la aplicacin 5.10
5.5.1, 5.11.4, 5.11.6, 8.1.2, 8.1.3, ejemplos 9.19.5
muestreo a partir de distribuciones de
D.5, E, F.2.6, F.3.1.4
amplitud del 3.14, 9.2.2.8, 9.4.2.2.11 probabilidad 7.3
con probabilidad simtrica 3.15, 5.3.3, nmero de reiteraciones 7.2, 7.9.1
procedimiento adaptable 7.9
5.3.5, 5.3.6, 5.5.1, 7.9.4, 8.1.2, 9.2.2.3,
9.2.2.4, 9.2.2.6, 9.2.2.9, 9.2.3.2, tiempo de procesamiento 7.8
9.2.3.4, 9.2.4.4, 9.2.4.5, 9.4.2.2.11,
D.6, E.1, F.2.8 MMC vase mtodo de Monte Carlo
del enfoque GUM sobre la (MMC)
incertidumbre 5.6.2, 5.6.3, 5.7.2, 5.8.2
del mtodo de Monte Carlo 5.9.6, moda 5.3.4, 5.10.1, 7.5.1
7.2.1, 7.6, 7.7
el menor, 3.16, 5.3.45.3.6, 5.5.1, modelo de medicin 1, 4.1, 5.1.1
8.1.2, 9.2.2.9, 9.3.2.1, 9.3.2.3, 9.4.2.1.2 aditivo 9.2.1
, 9.4.2.2.9, 9.4.2.2.11, 9.4.2.3.3, 9.4.3.2 lineal 5.4.2, 5.7
.2, 9.5.4.1, D.7, D.8, F.2.7, F.2.8 calibracin de masas 9.3.1.3
estadstico 7.9.4 no lineal 5.4.4, 5.8
calibracin de bloque patrn 9.5.1.5
M calibracin de un medidor de potencia
de microondas 9.4.1.5
magnitud de salida 4.1, 5.1.1
momento 3.9
magnitudes de entrada 4.1, 5.1.1

magnitudes de entrada correlacionadas
5.6.3, 9.4.3, C.5.3, F.3.2 nivel de confianza 3.13, 4.11, 7.9.4
matriz de covarianza 3.11, 4.4, 6.4.8.3, P

9.4.1.4, 9.4.1.8, 9.4.3.1.3, C.5
Poisson, distribucin de 6.4.11.1
matriz de incertidumbre 3.11, 6.4.8.1, F.3.2.1
principio de mxima entropa 6.1.1, 6.3,
matriz de varianzas-covarianzas 3.11 6.4.2.1, 6.4.3.1, 6.4.6.1, 6.4.7.1,
6.4.10.1
media
de un conjunto de indicaciones 5.11.2, probabilidad 3.1, 3.2, 5.1.2, 5.11.2, 7.5.1,
6.4.9.2, 6.4.9.4, 9.5.1.3, 9.5.2.3.1 9.2.2.8, 9.4.2.2.9, 9.4.2.2.11, 9.5.2.9.
de valores muestreados de un modelo 1, 9.5.2.10.1, D.2
7.6
probabilidad de cobertura 3.13, 4.11, 5.1.1,
mejor estimacin 5.3.2, 5.5.1, 5.6.3, 5.9.6, 7.2.1, 7.7.2,
de un certificado de calibracin 6.4.9.7 7.9.3, 8.1.2, 8.1.3, D.5
de una magnitud de entrada 5.6.2,
5.11.2, 5.11.5, 6.4.7.1, 6.4.9.4, 9.2.2.1, problemas en la evaluacin de la
9.2.3.1, 9.3.1.4, 9.4.1.3 incertidumbre 1
de una magnitud de entrada vectorial
6.4.8.1
de una magnitud no negativa 6.4.10.1

propagacin vase fases de la tolerancia numrica 3.20, 5.1.3, 7.2.1, 7.2.3,

evaluacin de la incertidumbre 7.9.1, 7.9.2, 7.9.4, 8.1.3, 8.2, 9.1.2,
9.2.2.3, 9.2.2.4, 9.2.2.7, 9.2.4.2,
propagacin de distribuciones 3.17, 5.2, 5.4, 9.2.4.5, 9.3.2.2, 9.3.2.6, 9.5.3.2
5.9.6
analtica 5.4.1, 9.4.2.1.1, 9.4.2.2.2 trapezoide curvilneo vase distribucin
realizacin de 5.4 rectangular con lmites inexactos
propagacin de la incertidumbre 3.18, 4.9, V

5.4.1, 5.6.2, 5.7.1, 5.8.1, 5.11.2,
5.11.6, 7.4.2, 8.1.2, 9.2.2.3, 9.3.1.3, variable aleatoria 3.1, 4.1, 4.3, 5.6.3, 5.9.6,
9.4.2.2.1, 9.4.2.2.8 6.2.1, 6.2.2, 7.9.4
R varianza 3.7, 4.3, 5.3.1
resumen vase fases de la evaluacin VIM vase Vocabulario Internacional de

de la incertidumbre trminos fundamentales y generales de
Metrologa (VIM)
S
Vocabulario Internacional de trminos
sesgo 7.5.1, 9.4.2.4.1 fundamentales y generales de Metrologa
(VIM) 2, 3, 4.15
T
W
teorema del lmite central 5.7.2, 5.11.6,
9.2.4.5 Welch-Satterthwaite, frmula de 5.6.3,
5.7.2, 5.11.6, 6.4.9.4, 9.5.3.1
test para evaluar la aleatoriedad 7.3, C.3.2.2

Este documento ha sido elaborado en papel Igloo offset (reciclado

extra blanco Torras), libre de cloro.
El Centro Espaol de Metrologa cumple, comprometido con el

medio ambiente, su programa de Gestin Ambiental y lo dispuesto
en el Plan de Contratacin Pblica Verde de la Administracin del
Estado (Orden PRE/116/2008)
El Centro Espaol de Metrologa ha obtenido la certificacin ISO

14001.

CENTRO ESPAOL DE METROLOGA
C/ Del Alfar, 2
28760 Tres Cantos
Madrid
ESPAA
Tel: 918074700
Fax: 91 8074807
Correo electrnico: cem@cem.es
Internet: http://www.cem.es
NIPO: 706 - 10 - 014 9
CENTRO ESPAOL
DE METROLOGA

Suplemento20120de20gum PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Suplemento20120de20gum PDF

Uploaded by

Copyright:

Available Formats

JCGM 101:2008

Evaluacin de datos de medicin

Primera edicin, 2008

Versiones oficiales y traducciones

El JCGM no acepta ninguna responsabilidad derivada de la idoneidad, exactitud, integridad o

El Centro Espaol de Metrologa publica la traduccin al espaol de la presente edicin del

JCGM 2008 - Reservados todos los derechos i

JCGM 2008 - Reservados todos los derechos ii

JCGM 2008 - Reservados todos los derechos iii

8 Validacin de los resultados 42

JCGM 2008 - Reservados todos los derechos iv

El JCGM tiene dos grupos de trabajo: el Grupo de Trabajo 1, Expresin de la incertidumbre de

JCGM 2008 - Reservados todos los derechos v

Este Suplemento de la Gua para la expresin de la incertidumbre de medida (GUM) aborda la

a) la linealizacin del modelo proporciona una representacin inadecuada, o bien cuando

En el caso a), la estimacin de la magnitud de salida y la correspondiente incertidumbre tpica

1 las mejores estimaciones de las magnitudes de entrada,

Mientras existen algunas limitaciones al enfoque GUM sobre la incertidumbre, la propagacin de

JCGM 2008 - Reservados todos los derechos vi

El anexo A incluye una perspectiva histrica sobre esta cuestin.

JCGM 2008 - Reservados todos los derechos vii

Evaluacin de datos de medicin Suplemento 1 de la

Al igual que la GUM, este Suplemento aborda principalmente la expresin de la incertidumbre de

a) una estimacin de la magnitud de salida,

JCGM 2008 - Reservados todos los derechos 1

Lo anterior se ilustra mediante ejemplos detallados.

JCGM 2008 - Reservados todos los derechos 2

En el anexo G se incluye un glosario de los smbolos principales.

NOTA 1 La probabilidad sobre el conjunto total de valores de la variable aleatoria es igual a 1.

[Adaptada de la Norma ISO 3534-1:1993 1.3; GUM: 1995, C.2.3]

NOTA 2 La distribucin de probabilidad se denomina monovariante o univariante cuando se refiere a una

[Adaptada de la Norma ISO 3534-1:1993 1.4; GUM: 1995 C.2.4]

NOTA Al producto gx()d se le denomina elemento de probabilidad:

g x ( )d = Pr( < X < + d )

[Adaptada de la Norma ISO 3534-1:1993 1.5; GUM: 1995, C.2.5]

JCGM 2008 - Reservados todos los derechos 3

para < < +

NOTA 1 La esperanza matemtica y la desviacin tpica de X son respectivamente y .

[Adaptada de la Norma ISO 3534-1:1993, 1.37; GUM: 1995, C.2.14]

NOTA 2 La distribucin normal tambin se conoce como distribucin gaussiana.

NOTA 1 No todas las variables aleatorias tienen esperanza matemtica.

JCGM 2008 - Reservados todos los derechos 4

NOTA No todas las variables aleatorias tienen varianza.

NOTA No todas las parejas)

JCGM 2008 - Reservados todos los derechos 5

NOTA 1 Una matriz de incertidumbre Ux de dimensin N N asociada al vector estimacin x de una

NOTA 2 Las covarianzas tambin se conocen como incertidumbres mutuas.

NOTA 2 En general, existe ms de un intervalo de cobertura para una probabilidad establecida.

JCGM 2008 - Reservados todos los derechos 6

NOTA El mtodo puede ser analtico o numrico, exacto o aproximado.

A los efectos de este Suplemento se adoptan las siguientes convenciones y notacin.

donde Y es una magnitud escalar de salida y X representa las N magnitudes de entrada

JCGM 2008 - Reservados todos los derechos 7

4.6 Cuando los elementos Xi de X son independientes, la FDP de Xi se indica en la forma g x ( i ) .

4.7 La FDP de Y se representa por gy() y la funcin de distribucin de Y por GY().

JCGM 2008 - Reservados todos los derechos 8

longitud de un bloque patrn en calibracin, respecto de su longitud nominal (vase el apartado

4.9 En este Suplemento, la expresin "ley de propagacin de la incertidumbre" se aplica para la

4.11 A lo largo de este Suplemento se usan las denominaciones "intervalo de cobertura" y

4.14 Algunos smbolos tienen ms de un significado en este Suplemento. Vase el anexo G. El

4.15 En este Suplemento se utilizan las siguientes abreviaturas:

CGPM Conferencia General de Pesas y Medidas

JCGM 2008 - Reservados todos los derechos 9