Vous êtes sur la page 1sur 109

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

Suplemento 1 de la GUM, traduccin al espaol 2010

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

Suplemento 1 de la GUM, traduccin al espaol 2010

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

JCGM 2008 - Reservados todos los derechos

iii

Suplemento 1 de la GUM, traduccin al espaol 2010

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

42 42 43 43 43 44 44 45 47 48 49 49 51 53 53 54 60 62 62 63 67 67 69 69 70 71 71 71 72 72 73 73 74 75 76 77 80 82 82 83 84 84 85 86 91 94

JCGM 2008 - Reservados todos los derechos

iv

Suplemento 1 de la GUM, traduccin al espaol 2010

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

Suplemento 1 de la GUM, traduccin al espaol 2010

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 2 3 4 las mejores estimaciones de las magnitudes de entrada, las incertidumbres tpicas asociadas a estas estimaciones y, en su caso, los grados de libertad asociados a estas incertidumbres tpicas, as como 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

Suplemento 1 de la GUM, traduccin al espaol 2010

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

Suplemento 1 de la GUM, traduccin al espaol 2010

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

Suplemento 1 de la GUM, traduccin al espaol 2010

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 2

Gua para la expresin de la incertidumbre de medida. 2 edicin en espaol, 2000. Centro Espaol de Metrologa. Vocabulario Internacional de Metrologa. Conceptos fundamentales y generales, y trminos asociados. 3 edicin en espaol, 2008. Centro Espaol de Metrologa.

JCGM 2008 - Reservados todos los derechos

Suplemento 1 de la GUM, traduccin al espaol 2010

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]

JCGM 2008 - Reservados todos los derechos

Suplemento 1 de la GUM, traduccin al espaol 2010

3.4 distribucin normal


distribucin de probabilidad de una variable aleatoria continua X, cuya funcin de densidad de probabilidad es:

x ( ) =

1 e x p 2 2

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:
2 (( + 1) / 2 ) 1 + g x ( ) = ( / 2 ) ( +1)/2

para < < + , siendo el parmetro (nmero entero positivo) el nmero de grados de libertad de la distribucin, donde:

( z ) = es la funcin gamma.

t z 1e t dt ,

z>0

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 NOTA 2

No todas las variables aleatorias tienen esperanza matemtica. 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

JCGM 2008 - Reservados todos los derechos

Suplemento 1 de la GUM, traduccin al espaol 2010

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

[ E ( X )]

g x ()d

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 ) =
NOTA 1

r g x ()d
r

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:
C o v (

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.

JCGM 2008 - Reservados todos los derechos

E X

][ 2

E X

d 1
2

Suplemento 1 de la GUM, traduccin al espaol 2010

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 ) Ux = u( x , x ) N 1
2

u( x1, x N ) u( x N , x N )

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 varianzascovarianzas.

3.12 intervalo de cobertura


intervalo que contiene el valor de una magnitud, con una probabilidad declarada, basada en la informacin disponible.
NOTA 1 NOTA 2 El intervalo de cobertura a veces se denomina intervalo creble o de certeza o intervalo bayesiano. 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.

JCGM 2008 - Reservados todos los derechos

Suplemento 1 de la GUM, traduccin al espaol 2010

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.

JCGM 2008 - Reservados todos los derechos

Suplemento 1 de la GUM, traduccin al espaol 2010

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

JCGM 2008 - Reservados todos los derechos

Suplemento 1 de la GUM, traduccin al espaol 2010

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 IEEE EGUM
3

Conferencia General de Pesas y Medidas Instituto de Ingenieros Electrnicos y Elctricos Enfoque GUM sobre la incertidumbre

En esta traduccin al espaol se utiliza la coma en la lnea.

JCGM 2008 - Reservados todos los derechos

Suplemento 1 de la GUM, traduccin al espaol 2010

JCGM GUM MMC FDP VIM

Comit Mixto de Guas de Metrologa Gua para la Expresin de la Incertidumbre de Medida Mtodo de Monte Carlo Funcin de Densidad de Probabilidad 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 2 3 4 definir la magnitud de salida Y, la magnitud a medir (el mensurando); determinar las magnitudes de entrada X = (X1,, XN)T de las que depende Y; desarrollar un modelo que relacione Y y X; 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) c)

Propagacin: propagar las FDP de las Xi mediante el modelo para obtener la FDP de Y; Resumen: utilizar la FDP de Y para obtener: 1 2 3 la esperanza matemtica de Y, considerada como una estimacin y de la magnitud, la desviacin tpica de Y, considerada como la incertidumbre tpica u(y) asociada a y [GUM: 1995, E.3.2]; un intervalo de cobertura que contenga Y con una probabilidad especfica (la probabilidad de cobertura).
La esperanza matemtica puede no ser apropiada para todas las aplicaciones (vase [GUM: 1995

NOTA 1 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.

JCGM 2008 - Reservados todos los derechos

10

Suplemento 1 de la GUM, traduccin al espaol 2010

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 Y () =

gY (z) z

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:

g Y () =

g X () ( f ())d N

...

... d

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

GY

( p + ) , 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.

JCGM 2008 - Reservados todos los derechos

11

Suplemento 1 de la GUM, traduccin al espaol 2010

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 1 1 viene dada por el valor numrico de que cumple la expresin: g Y G ( ) = g Y G ( p + ) , si Y Y gY ( ) es unimodal, y en general el valor numrico de hace que la expresin

GY

( p + ) G ( ) sea un mnimo. Y

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;

JCGM 2008 - Reservados todos los derechos

12

Suplemento 1 de la GUM, traduccin al espaol 2010

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); 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]; mtodos numricos [GUM: 1995, G.1.5] que implementan la propagacin de distribuciones, particularmente los que utilizan el MMC (vase el apartado 5.9).

c)

d)

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 ) .

JCGM 2008 - Reservados todos los derechos

13

Suplemento 1 de la GUM, traduccin al espaol 2010

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:

JCGM 2008 - Reservados todos los derechos

14

Suplemento 1 de la GUM, traduccin al espaol 2010

u(y) = 0,028 V, y = 1,024 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: u(y) = 0,03 V, y = 1,02 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) b)

una estimacin y de la magnitud de salida Y, 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.

JCGM 2008 - Reservados todos los derechos

15

Suplemento 1 de la GUM, traduccin al espaol 2010

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 WelchSatterthwaite [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; las Xi son independientes cuando los grados de libertad asociados a las u(xi) son de valor finito; la FDP de Y puede aproximarse adecuadamente mediante una distribucin gaussiana o una distribucin t.
Es necesario que se cumpla la condicin a) para que Y pueda caracterizarse por una distribucin t.

b) c)
NOTA 1

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].

JCGM 2008 - Reservados todos los derechos

16

Suplemento 1 de la GUM, traduccin al espaol 2010

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.

JCGM 2008 - Reservados todos los derechos

17

Suplemento 1 de la GUM, traduccin al espaol 2010

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;

JCGM 2008 - Reservados todos los derechos

18

Suplemento 1 de la GUM, traduccin al espaol 2010

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:
f es continua con respecto a los elementos Xi de X en el entorno de las mejores a) estimaciones xi de las Xi;

b) c)

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

d) e)

existen E(Y) y V(Y); se utiliza un valor suficientemente grande de M.

JCGM 2008 - Reservados todos los derechos

19

Suplemento 1 de la GUM, traduccin al espaol 2010

PDF combinada gX() de las magnitudes de entrada X entradas MMC


Apartado 6

probabilidad de cobertura p
Definicin 3.13

modelo Y = f(X)
Apartado 4.1

nmero M de reiteraciones Monte Carlo


Apartado 7.2

M vectores x1, , xM muestreados a partir de gX() propagacin MMC: grficos de la PDF combinada de las magnitudes de entrada y evaluacin del modelo para dichos grficos
Apartado 7.3

M valores del modelo yr = f(xr), r = 1,, M


Apartado 7.4

salida primaria MMC: funcin de distribucin de la magnitud de salida

representacin discreta G de la funcin de distribucin de la magnitud de salida Y


Apartado 7.5

resumen MMC

estimacin y de Y e incertidumbre tpica asociada u(y)


Apartado 7.6

intervalo de cobertura [yinf, ysup] de Y


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)

JCGM 2008 - Reservados todos los derechos

20

Suplemento 1 de la GUM, traduccin al espaol 2010

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

JCGM 2008 - Reservados todos los derechos

21

Suplemento 1 de la GUM, traduccin al espaol 2010

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.

JCGM 2008 - Reservados todos los derechos

22

Suplemento 1 de la GUM, traduccin al espaol 2010

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

JCGM 2008 - Reservados todos los derechos

23

Suplemento 1 de la GUM, traduccin al espaol 2010

(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,

JCGM 2008 - Reservados todos los derechos

24

Suplemento 1 de la GUM, traduccin al espaol 2010

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 () = en el resto de puntos 0,

6.4.2.3 La esperanza matemtica y la varianza de X son:


E( X ) = ( b a )2 a+b , 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). 6.4.3.2 La FDP para X es:
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.

JCGM 2008 - Reservados todos los derechos

25

Suplemento 1 de la GUM, traduccin al espaol 2010

Tabla 1 FDP asignadas en funcin de la informacin disponible (6.4.1, C.1.2) Informacin disponible
Lmites inferior y superior a, b Rectangular: R(a, b)

FDP asignada e ilustracin (no a escala)

Apartado
6.4.2

Lmites inferior y superior inexactos a d, b d

Trapezoide curvilneo: CTrap(a, b, d)

6.4.3

Suma de distribuciones rectangulares con lmites inferiores y superiores a1, b1 y a2, b2, asignadas a dos magnitudes Suma de distribuciones rectangulares con lmites inferiores y superiores a1, b1 y a2, b2 y la misma semiamplitud (b1 a1 = b2 a2), asignadas a dos magnitudes Comportamiento sinusoidal entre los lmites inferior y superior a, b

Trapezoidal: Trap(a, b, ) con a = a1 + a2, b = b1 + b2, = |(b1 a1) (b2 a2)| / (b a) Triangular: T(a, b) con a = a1 + a2, b = b1 + b2

6.4.4

6.4.5

Arco seno (en forma de U): U(a, b)

6.4.6

Mejor estimacin x con incertidumbre tpica asociada u(x) Mejor estimacin x de una magnitud vectorial y matriz de incertidumbres asociadas Ux Serie de indicaciones x1,, xn obtenidas independientemente a partir de una magnitud con distribucin gaussiana, con esperanza matemtica y varianza desconocidas Mejor estimacin x, con incertidumbre expandida Up, factor de cobertura kp y grados efectivos de libertad ef Mejor estimacin x de magnitudes no negativas

Gaussiana: 2 N(x, u (x)) Gaussiana multivariante: N(x, Ux) Distribucin t: tn1( x , s / n) con x =
2

6.4.7 6.4.8

6.4.9.2

x
i =1

n,

s2 =

(x
i =1

x ) / (n 1)
2

Distribucin t:
2 t ef (x, (Up / kp) )

6.4.9.7

Exponencial: Ex(1 / x)

6.4.10

Nmero q de objetos contados

Gamma: G(q + 1, 1)

6.4.11

JCGM 2008 - Reservados todos los derechos

26

Suplemento 1 de la GUM, traduccin al espaol 2010

NOTA

La ecuacin (3) puede expresarse para aplicaciones informticas como:

g x ( ) =

1 +d max ln , 0 max x , d 4d

6.4.3.3 La esperanza matemtica y la varianza de X son:


E( X ) = a+b , 2 V(X) =

(b a)2 + d 2 .
12 9

(4)

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, y = 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:
u 2 (x) = (0,2) 2 (0,05) 2 + = 0,003 6. 12 9

bs = (a + b ) as ,

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

JCGM 2008 - Reservados todos los derechos

27

Suplemento 1 de la GUM, traduccin al espaol 2010

parmetros de esta distribucin trapezoidal estn relacionados con los de las distribuciones rectangulares mediante: a = a1 + a2 , donde
1 = (b1 a1 ) (b2 a2 ) 2 , 2 = ba 2

b = b1 + b2 ,

1 , 2

(5)

(6)

y 0 1 2.

6.4.4.2 La FDP para X (Figura 5), obtenida mediante convolucin [42, p93], es:
2 ( x + 2 )/( 2 1 ), x 2 x 1, 2 x 1 x + 1, 1/(1 + 2 ), g x () = 2 (x + 2 )/( 2 1 ), x + 1 x + 2 , 2 0, en el resto de puntos,

(7)

donde
NOTA

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

1 1 min max 2 x , 0 , 1 1 + 2 2 1

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)

6.4.4.3 La esperanza matemtica y la varianza de X son:


E( X ) = a+b , 2 V(X) =

(b a )2 (1 + 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:
=a+ ba [(1 + )r1 + (1 )r2 ] . 2

JCGM 2008 - Reservados todos los derechos

28

Suplemento 1 de la GUM, traduccin al espaol 2010

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]. 6.4.5.2 La FDP para X es:
( a )/ 2 , g x () = (b )/ 2 , 0, ax x b, en el resto de puntos

(8)

donde
NOTA

La ecuacin (8) puede expresarse como:


g x ( ) =

x = (a + b) / 2 y = 2 = (b a) / 2.
2 x 2 max 1 ,0 ba ba

para su uso en aplicaciones informticas.

6.4.5.3 La esperanza matemtica y la varianza de X son:


E( X ) = a+b , 2 V(X) =

(b a )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 r1 + r2 2

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:
X= a+b ba + sen, 2 2

donde sigue una distribucin rectangular R(0, 2).

6.4.6.2 La FDP para X es:


(2/ ) (b a)2 (2 a b)2 g x () = 0,

-1/2

, a < < b, en el restode puntos.

JCGM 2008 - Reservados todos los derechos

29

Suplemento 1 de la GUM, traduccin al espaol 2010

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) = 0, en el resto de puntos, para la variable Z, a travs de la transformacin lineal: X = a + (b a) Z.

(9)

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:
GZ ( z ) = 1 arcsen( 2 z 1) + 1 . 2

Es un caso particular de la distribucin beta donde ambos parmetros son iguales a 1/2.

6.4.6.3 La esperanza matemtica y la varianza de X son:


E( X ) = a+b , 2 V(X) =

(b a )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)). 6.4.7.2 La FDP para X es:
g x () = ( x ) 2 exp 2u 2 ( x ) 2 u ( x ) 1 .

(10)

6.4.7.3 La esperanza matemtica y la varianza de X son:


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

JCGM 2008 - Reservados todos los derechos

30

Suplemento 1 de la GUM, traduccin al espaol 2010

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

se asignara una distribucin gaussiana multivariante N(x, Ux) a X.

6.4.8.2 La FDP conjunta para X es:

g X ( =
)

[(2) N

1 d e t

Ux

1 / 2

1 1 T e x p 2 ( x ) U x ( x ) .

(11)

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).
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,
T

U x = diag u 2 (x 1 ),..., u 2 (x N ) ,
donde

g x ( ) =
con

g
i =1

xi

(i ) ,
.

g x i ( i ) =

( x )2 exp i 2 i 2u ( x ) 2 u( x i ) i
1

JCGM 2008 - Reservados todos los derechos

31

Suplemento 1 de la GUM, traduccin al espaol 2010

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 2 independiente a partir de una magnitud con distribucin gaussiana N(0, 0 ), con esperanza
2 matemtica 0 y varianza 0 desconocidas. La magnitud de entrada deseada X se toma igual a 0.
2 Entonces, asignando una distribucin previa, conjunta y no informativa a 0 y 0 , 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:
x= 1 n

x
i =1

s2 =

1 (x i x )2 n 1 i =1

son, respectivamente, la media y la varianza de las indicaciones [20].

6.4.9.3 La FDP para X es:


g x ( ) = ((n - 1) 2) (n 1)

(n 2)

1 s

1 x 1 + n - 1 s n n

n 2

(12)

donde (z ) =

t z 1e t dt ,

z>0,

es la funcin gamma.

6.4.9.4 La esperanza matemtica y la varianza de X son:


E (X ) = x ,
V (X ) = n 1 s2 , 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: x=x,
NOTA 1

u (x ) =

n 1 s . n3 n

(13)

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).

En la GUM [GUM: 1995, 4.2], la incertidumbre tpica u(x) asociada a la media de una serie de

JCGM 2008 - Reservados todos los derechos

32

Suplemento 1 de la GUM, traduccin al espaol 2010

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:
=x+ s n t.

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:
2 sp =

s
j j =1

2 j ,

p =

j =1

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:

(( ) ) x 1 1 + 1 x g x ( ) = ( p 2) p sp n p sp n
p +1 2 y las expresiones (13) por: x=x= 1 n

p +1 2

x
i =1

u (x ) =

p sp ( 3) . p 2 n p

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).

JCGM 2008 - Reservados todos los derechos

33

Suplemento 1 de la GUM, traduccin al espaol 2010

6.4.10.2 La FDP para X es:

0, exp ( x ) x , g x ( ) = 0, en el resto de puntos.


6.4.10.3 La esperanza matemtica y la varianza de X son:

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). 6.4.11.2 La FDP para X es:
0, q exp ( ) q! , g x ( ) = 0, para el resto de los puntos.

(14)

6.4.11.3 La esperanza matemtica y la varianza de X son:

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:

= ln

r
i =1

q +1

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 = expresiones (14) y (15) se utilizan con q =

q
i

S
i

es G(, ) con = 1 +

q
i

y = 1. Las

JCGM 2008 - Reservados todos los derechos

34

Suplemento 1 de la GUM, traduccin al espaol 2010

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 incertidumbre

de

probabilidad

partir

de

estimaciones

previas

de

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.
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.
6

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.

JCGM 2008 - Reservados todos los derechos

35

Suplemento 1 de la GUM, traduccin al espaol 2010

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.

JCGM 2008 - Reservados todos los derechos

36

Suplemento 1 de la GUM, traduccin al espaol 2010

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) b)

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; 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); tomar G como el conjunto y(r), r = 1, , M.

c)

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
~ 1 y = M

y
r =1

(16)

JCGM 2008 - Reservados todos los derechos

37

Suplemento 1 de la GUM, traduccin al espaol 2010

~ y la desviacin tpica u (y ) calculada como: ~ u 2 (y ) = 1 ~ (y r y )2 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 ~ u2 y = M 1 M

()

y
r =1

2
r

~ y2 .

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. 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 %.
5

JCGM 2008 - Reservados todos los derechos

38

Suplemento 1 de la GUM, traduccin al espaol 2010

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.
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:
8 9

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;

JCGM 2008 - Reservados todos los derechos

39

Suplemento 1 de la GUM, traduccin al espaol 2010

b) tomando:

1 l 10 . 2

(18)

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 5 cifras significativas como imprescindibles. Entonces ndig = 2 y u(y) puede expresarse como 35 10 g y, por 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 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
0

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;

JCGM 2008 - Reservados todos los derechos

40

Suplemento 1 de la GUM, traduccin al espaol 2010

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:
2 sy =

1 y (r ) y h(h 1) r =1

(
h

donde y= 1 h

y
r =1

(r )

h) calcular el homlogo de este estadstico para u(y), yinf e ysup; i) j) emplear todos los h x M valores disponibles del modelo para obtener u(y); 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 NOTA 2 NOTA 3 tpica sy. Normalmente ndig en el paso a) podra elegirse como 1 2. La eleccin de M en el paso b) es arbitraria pero, en la prctica, se ha demostrado conveniente. En el paso g), y puede considerarse como la realizacin de una variable aleatoria con desviacin

NOTA 4 Las desviaciones tpicas obtenidas en los pasos g) y h) tienden a reducirse de forma proporcional a 1/2 h (vase apartado 5.9.6 nota 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,

JCGM 2008 - Reservados todos los derechos

41

Suplemento 1 de la GUM, traduccin al espaol 2010

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

C j p j (1 p )

M j

< 1 0,99 ,

donde
M

Cj =

M! 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; 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.

b)

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;

JCGM 2008 - Reservados todos los derechos

42

Suplemento 1 de la GUM, traduccin al espaol 2010

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|, dsup = |y + Up ysup|, (19) (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) b) c)

el MMC, empleando un nmero M preasignado de reiteraciones, el mtodo de Monte Carlo adaptable (vase el apartado 7.9.4), en el que M se determina automticamente, ambos.

JCGM 2008 - Reservados todos los derechos

43

Suplemento 1 de la GUM, traduccin al espaol 2010

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

JCGM 2008 - Reservados todos los derechos

44

Suplemento 1 de la GUM, traduccin al espaol 2010

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).

JCGM 2008 - Reservados todos los derechos

45

Suplemento 1 de la GUM, traduccin al espaol 2010

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) Mtodo
EGUM MMC MMC MMC MMC adaptable MMC adaptable Analtico M 10 6 10 6 10 6 1,23 x 10 6 1,02 x 10
5

y 0,00 0,00 0,00 0,00 0,00 0,00 0,00

u(y) 2,00 2,00 2,00 2,00 2,00 2,00 2,00

Intervalo de cobertura simtrico con probabilidad del 95 % [3,92; 3,92] [3,94; 3,92] [3,92; 3,92] [3,92; 3,92] [3,92; 3,93] [3,92; 3,92] [3,92; 3,92]

dinf

dsup

EGUM validado ( = 0,05 )?

0,00 0,00

0,01 0,00

S S

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.

JCGM 2008 - Reservados todos los derechos

46

Suplemento 1 de la GUM, traduccin al espaol 2010

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
EGUM MMC MMC MMC MMC adaptable MMC adaptable Analtico M 10 6 10 6 10 6 1,02 x 10 6 0,86 x 10
5

y 0,00 0,00 0,00 0,00 0,00 0,00 0,00

u(y) 2,00 2,01 2,00 2,00 2,00 2,00 2,00

Intervalo de cobertura simtrico con probabilidad del 95 % [3,92; 3,92] [3,90; 3,89] [3,89; 3,88] [3,88; 3,88] [3,88; 3,89] [3,87; 3,87] [3,88; 3,88]

dinf

dsup

EGUM validado ( = 0,05)?

0,04 0,05

0,03 0,05

S No

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

JCGM 2008 - Reservados todos los derechos

47

Suplemento 1 de la GUM, traduccin al espaol 2010

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.
Densidad de probabilidad/ unidad-1

Magnitud de salida /unidad

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) EGUM Intervalo de cobertura validado simtrico con probabilidad Mtodo M y u(y) dinf dsup del 95 % ( = 0,5)? 0,0 10,1 EGUM [19,9; 19,9] 5 0,0 10,2 MMC 10 [17,0; 17,0] 6 0,0 10,2 10 MMC [17,0; 17,0] 6 0,0 10,1 10 MMC [17,0; 17,0] 6 2,8 2,8 No 0,1 10,2 0,03 x 10 MMC adaptable [17,1; 17,1] 6 2,9 2,9 No 0,08 x 10 0,0 10,1 MMC adaptable [17,0; 17,0]

JCGM 2008 - Reservados todos los derechos

48

Suplemento 1 de la GUM, traduccin al espaol 2010

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.

Densidad de probabilidad/ unidad-1

Magnitud de salida /unidad


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

JCGM 2008 - Reservados todos los derechos

49

Suplemento 1 de la GUM, traduccin al espaol 2010

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, y, a partir de ste, en una aproximacin adecuada para la mayor parte de los casos, mW, c = (mR,c + mR,c ) 1 + a a 0

(23)

) 1

1 . R

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 . R W
(24)

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

JCGM 2008 - Reservados todos los derechos

50

Suplemento 1 de la GUM, traduccin al espaol 2010

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.
NOTA A la magnitud a0 en el modelo de calibracin de masa (24) se le asigna el valor 1,2 kg/m sin
3

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 Desviacin Esperanza tpica matemtica x = (a + b) / 2 0,050 mg 0,020 mg 3 1,20 kg/m 3 8 10 kg/m3 3 3 8,00 10 kg/m

Xi mR,c mR,c

Distribucin
N(, ) 2 N(, ) R(a, b) R(a, b) R(a, b)
2

a W R

Esperanza matemtica 100 000,000 mg 1,234 mg

Semiamplitud
(b + a) / 2
3

0,10 kg/m 1 103 kg/m3 3 3 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) Mtodo

m
/mg 1,234 0 1,234 1 1,234 0

u (m ) /mg 0,053 9 0,075 4 0,075 0

EGUM1 MMC EGUM2

Menor intervalo de cobertura del 95 % /mg [1,128 5; 1,339 5] [1,083 4; 1,382 5] [1,087 0; 1,381 0]

dlinf /mg 0,045 1 0,003 6

dsup /mg 0,043 0 0,001 5

EGUM validado ( = 0,005)? No

JCGM 2008 - Reservados todos los derechos

51

Suplemento 1 de la GUM, traduccin al espaol 2010

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)

Densidad de probabilidad/ mg-1 Desviacin de la masa convencionalm del nominal /mg Desviacin de la masa convencional m del nominal /mg

Xi mR,c mR,c

Derivada parcial

a W
R

1 + (a a0) (1 / W 1 / R) 1 + (a a0) (1 / W 1 / R) (mR,c + mR,c) (1 / W 1 / R) 2 (mR,c + mR,c ) a a0 W

(mR,c + mR,c

( )(

a0

) )

Coeficiente de sensibilidad 1 1 0

0 0

2 R

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

JCGM 2008 - Reservados todos los derechos

52

Suplemento 1 de la GUM, traduccin al espaol 2010

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 2 u (m ) = 0,08 = 8 10 , y as c (apartado 7.9.2) es igual a 8 y l = 2. Por lo tanto, = 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]:
1 M 1 S G P Y = M = , 2 2 PS 1 1 M G S
2 2

(25)

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.
Puesto que M
2 2 2 = X 1 + X 2 , la frmula (25) queda: 2 2 Y = 1 X1 X 2 .

(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:

JCGM 2008 - Reservados todos los derechos

53

Suplemento 1 de la GUM, traduccin al espaol 2010

x1 , x2

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

(27)

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:
1 2 Y = 1 Y = X 2 + X 2 ,

(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.

JCGM 2008 - Reservados todos los derechos

54

Suplemento 1 de la GUM, traduccin al espaol 2010

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:
2 2 y = x1 + x2 .

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).

Desviacin de la prdida pora la unidad dela prdida por comparacin Y /10-6 Desviacin respecto comparacin Y de la unidad /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)

JCGM 2008 - Reservados todos los derechos

Densidad de probabilidad/ 10-3

55

Suplemento 1 de la GUM, traduccin al espaol 2010

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 chicuadrado 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)
x1
0,000 0,010 0,050

Estimacin 6 y / 10 A G M
50 150 2 550 0 100 2 500 50 150 2 551

Incertidumbre tpica 6 u(y) / 10 A G1 G2 M


50 112 502 0 100 500 50 112 502 50 112 502

A
[0, 150]

Menor intervalo de cobertura del 95 % 6 Y / 10 G1 G2 M


[0; 0] [96; 296] [1 520; 3 480] [98; 98] [119; 319] [1 515; 3 485] [0; 150] [0; 367] [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 6 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

JCGM 2008 - Reservados todos los derechos

56

Suplemento 1 de la GUM, traduccin al espaol 2010

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.

JCGM 2008 - Reservados todos los derechos

57

Suplemento 1 de la GUM, traduccin al espaol 2010

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 por comparacin prdida unidad /10 Desviacin prdida a la unidad prdida por comparacin /10-6 Desviacin respecto a la unidad de lade la Y de la por comparacin YY /10
-6

Densidad de probabilidad/ 10-3

-6

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

JCGM 2008 - Reservados todos los derechos

58

Suplemento 1 de la GUM, traduccin al espaol 2010

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

Densidad de probabilidad/ 10-3

Desviacin respecto a la unidad, de la prdida por comparacin Y /10

-6

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.

JCGM 2008 - Reservados todos los derechos

59

Suplemento 1 de la GUM, traduccin al espaol 2010

9.4.3 Propagacin y resumen: covarianza distinta de cero 9.4.3.1 Generalidades 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,
2 u 2 (y ) = 4 x1 u 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)
x1 Estimacin 6 y / 10 Analtica 0,000 0,010 0,050 50 150 2 550 EGUM 0 100 2 500 MMC 50 150 2 551 Incertidumbre tpica 6 u(y) / 10 Analtica 67 121 505 EGUM 0 100 500 MMC 67 121 504 Menor intervalo de cobertura del 95 % 6 Y / 10 Analtica EGUM [0, 0] [96, 296] [1 520, 3 480] MMC [0, 185] [13, 398] [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:

JCGM 2008 - Reservados todos los derechos

60

Suplemento 1 de la GUM, traduccin al espaol 2010

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)

-6 Desviacin de larespecto a la unidad de la prdidaY de la unidad /10-6 Desviacin prdida por comparacin por comparacin Y /10

Figura 16 Como la Figura 15 excepto que x1 = 0,050 (9.4.3.2.2, 9.4.3.3)

JCGM 2008 - Reservados todos los derechos

Densidad de probabilidad/ 10-3

Densidad de probabilidad/ 10-3

61

Suplemento 1 de la GUM, traduccin al espaol 2010

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:


L= Ls (1 + s s ) + d 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:
L= Ls [1 + s ( )] + d 1 + ( s + )

(32)

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.

JCGM 2008 - Reservados todos los derechos

62

Suplemento 1 de la GUM, traduccin al espaol 2010

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:
L = Ls [1 + s ( 0 + )] + D + d1 + d 2 Lnom 1 + ( s + )( 0 + )

(36)

L = Ls + D + d1 + d 2 Ls [ ( 0 + ) + s ] Lnom
como modelos para el problema de medida.

(37)

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 9.5.2.1 Generalidades
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 Magnitud
Ls D d1 d2

FDP
t(, ) 2 t(, ) 2 t(, ) 2 t(, ) R(a,b) 2 N(, ) U(a,b) CTrap(a,b,d) CTrap(a,b,d)
2

50 000 623 nm 215 nm 0 nm 0 nm 0,1 C

25 nm 6 nm 4 nm 7 nm 0,2 C

18 24 5 8

Parmetros a

s 0

9,5 10 C

13,5 10 C

0,5 C 6 1 1,0 10 C 0,050 C

0,5 C 6 1 1,0 10 C 0,050 C

0,1 10 C 0,025 C

JCGM 2008 - Reservados todos los derechos

63

Suplemento 1 de la GUM, traduccin al espaol 2010

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:

= 50 000 623 nm,


9.5.2.3 Diferencia media de longitudes, D 9.5.2.3.1 Informacin

Up kp

75 nm = 25 nm , 3

= 18.

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].

9.5.2.3.2 Interpretacin
Asgnese a D una distribucin t(, 2) de Student (vanse los apartados 6.4.9.2 y 6.4.9.6), con:

= 215 nm,

13 5

nm = 6 nm ,

= 24.

9.5.2.4 Efecto aleatorio d1 del comparador 9.5.2.4.1 Informacin


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].

9.5.2.4.2 Interpretacin
Asgnese a d1 una distribucin t(, 2) de Student (vase el apartado 6.4.9.7), con:

JCGM 2008 - Reservados todos los derechos

64

Suplemento 1 de la GUM, traduccin al espaol 2010

= 0 nm,

U 0,95 10 = nm = 4 nm , k 0,95 2,57

= 5.

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 9.5.2.5.1 Informacin


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].

9.5.2.5.2 Interpretacin
Asgnese a d2 una distribucin t(, 2) de Student (vase el apartado 6.4.9.7), con:

= 0 nm,

Up kp

20 nm = 7 nm , 3

= 8.

9.5.2.6 Coeficiente de dilatacin trmica s 9.5.2.6.1 Informacin


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].

9.5.2.6.2 Interpretacin
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 9.5.2.7.1 Informacin


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].

JCGM 2008 - Reservados todos los derechos

65

Suplemento 1 de la GUM, traduccin al espaol 2010

9.5.2.7.2 Interpretacin
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 9.5.2.8.1 Informacin


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].

9.5.2.8.2 Interpretacin
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 9.5.2.9.1 Informacin


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].

9.5.2.9.2 Interpretacin
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 9.5.2.10.1 Informacin


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].

JCGM 2008 - Reservados todos los derechos

66

Suplemento 1 de la GUM, traduccin al espaol 2010

9.5.2.10.2 Interpretacin
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.

JCGM 2008 - Reservados todos los derechos

67

Suplemento 1 de la GUM, traduccin al espaol 2010

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) Mtodo
EGUM MMC L (nm) 838 838 u( L ) (nm) 32 36

Mnimo intervalo del 99 % para L (nm) [745, 931] [745, 932]

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.

JCGM 2008 - Reservados todos los derechos

Densidad de probabilidad/ nm-1 Desviacin de la longitud bloque patrn del respecto al /nm Desviacin de la longitud del bloque patrn, nominal nominal /nm

68

Suplemento 1 de la GUM, traduccin al espaol 2010

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.

JCGM 2008 - Reservados todos los derechos

69

Suplemento 1 de la GUM, traduccin al espaol 2010

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.

JCGM 2008 - Reservados todos los derechos

70

Suplemento 1 de la GUM, traduccin al espaol 2010

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 = Gx 1 ( ) , 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 .

JCGM 2008 - Reservados todos los derechos

71

Suplemento 1 de la GUM, traduccin al espaol 2010

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 Cantidad de nmeros pseudoaleatorios a generar. Parmetro de entrada-salida 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 Vector columna de q extracciones de la distribucin rectangular R (0, 1).

JCGM 2008 - Reservados todos los derechos

72

Suplemento 1 de la GUM, traduccin al espaol 2010

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.

JCGM 2008 - Reservados todos los derechos

73

Suplemento 1 de la GUM, traduccin al espaol 2010

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

i1, i2, i3, i4

a, b, c, d
r

Parmetro de entrada-salida Parmetros enteros requeridos como magnitudes de entrada y que cambian durante el proceso. Fijar como enteros entre 1 y 2 147 483 647 antes de la primera peticin. No intervenir entre peticiones. Los valores subsiguientes de estos parmetros no suelen ser causa de preocupacin para el usuario. Los parmetros proporcionan la base para la generacin de los nmeros pseudoaleatorios. Pueden 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 = (11 600, 47 003, 23 000, 33 000), b = (185 127, 45 688, 93 368, 65 075), 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 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
b) Calcular =

4 j =1

ij dj

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

z1, z2

Parmetro de salida Dos extracciones obtenidas de forma independiente a partir de una distribucin gaussiana 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

JCGM 2008 - Reservados todos los derechos

74

Suplemento 1 de la GUM, traduccin al espaol 2010

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]. 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.
T

Tabla C.4 Un generador de nmeros aleatorios gaussianos multivariantes (C.5.2) Parmetro de entrada Dimensin de la distribucin multivariante gaussiana. Vector de esperanzas matemticas, de dimensin n 1. Matriz de covarianzas, de dimensin n n. 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 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.

V q X

C.5.3 La Figura C.1 muestra 200 puntos generados utilizando el generador MULTNORM [45] a partir de N(, V), donde:

= , 3,0

2,0

2,0 1,9 V = , 1,9 2,0

en las que las dos magnitudes implicadas estn correlacionadas positivamente. Existen otros generadores parecidos [12].

JCGM 2008 - Reservados todos los derechos

75

Suplemento 1 de la GUM, traduccin al espaol 2010

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 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 2 ( +1)/2 c) Si v < 1 | t | /2 v < (1 + t / ) , 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.

JCGM 2008 - Reservados todos los derechos

76

Suplemento 1 de la GUM, traduccin al espaol 2010

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 a) b) Trabajar con una aproximacin continua supone, por ejemplo, que:

el muestreo a partir de la funcin de distribucin puede llevarse a cabo sin la necesidad de redondeo, como en el caso discreto, 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:

y (r ) r 1/ 2 ~ , GY ( ) = + M M y ( r +1) y ( r )

y ( r ) y ( r +1) ,

r = 1, ..., M 1.

(D.1)

~ 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.

JCGM 2008 - Reservados todos los derechos

77

Suplemento 1 de la GUM, traduccin al espaol 2010

Probabilidad

Magnitud de salida /unidad Magnitud de salida YY /unidad

Figura D.1 Aproximacin GY ( ) a la funcin de distribucin GY ( ) (D.3). Unidad denota cualquier unidad

~ ~ ~ ~ D.4 Considrese gY ( ) = 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 ~ ~ ~ y y la desviacin tpica u( y ) de Y, descritas por gY ( ) se toman respectivamente, como una ~ estimacin de Y y como la incertidumbre tpica asociada a dicha estimacin. Las expresiones de y
~ y u( y ) vienen dadas por: ~ 1 y = M

" y
r =1

(r )

(D.2)

y
M M 1 1 1 ~ ~ u 2 ( y ) = " ( y (r ) y )2 ( y ( r +1) y ( r ) ) 2 , M r =1 6 r =1

(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.
5 ~ NOTA Para un valor numrico suficientemente grande de M (por ejemplo, 10 o mayor), los valores de y ~ ) obtenidos mediante las expresiones dadas en (D.2) y (D.3) seran generalmente, a efectos prcticos, y u( y 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.

JCGM 2008 - Reservados todos los derechos

78

Suplemento 1 de la GUM, traduccin al espaol 2010

Entonces, por interpolacin lineal inversa,


y inf = y (r ) + ( y ( r +1) y ( r ) )

pr . pr +1 pr

~ Anlogamente, el lmite superior ysup determinado de tal forma que p + = GY ( y sup ) se calcula a

partir de
y sup = y ( s ) + ( y ( s +1) y ( s ) ) p + ps , 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 GY 1( p + ) GY 1( ) = H ( ) sea un mnimo. Una aproximacin numrica directa para determinar el mnimo es evaluar H() para un gran nmero de opciones { k } uniformemente
( )

espaciadas, para entre cero y 1 p, y elegir l del conjunto { k } tal que produzca el mnimo del conjunto { H k } .

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.

JCGM 2008 - Reservados todos los derechos

79

Suplemento 1 de la GUM, traduccin al espaol 2010

Anexo E

Intervalo de confianza para la convolucin de cuarto orden de una distribucin rectangular


E.1 La solucin analtica:
2 3 2

3 / 5 1 / 4

] 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]:
Bn ( ) = donde
n

1 n C ( 1)r ( r )n 1 , + (n 1) ! r = 0 r

Cr =

n! , r ! (n r ) !

z+ = mx (z, 0).

En particular,
B 4 ( ) = 1 3 , 6

01

(con diferentes expresiones de polinomios cbicos para B4() en otros intervalos entre nodos adyacentes), por tanto:

1 1 4 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:
0,025 = 1 1 < 40 24

del rea bajo la FDP a la izquierda de yinf, que por lo tanto est dado por:

JCGM 2008 - Reservados todos los derechos

80

Suplemento 1 de la GUM, traduccin al espaol 2010

y inf

B
0

( ) d =

1 4 1 , y inf = 24 40

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:

[( 3 / 5 )

1 / 4

4 3 / 5 1 / 4 2 2 3 / 5 1 / 4 ) ) . ; ( (

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).

JCGM 2008 - Reservados todos los derechos

81

Suplemento 1 de la GUM, traduccin al espaol 2010

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 2 2 el modelo (28), Y = 1 Y = X 1 + X 2 ,
2 2 y = (Y ) = x1 + x 2 + 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:


2 2 2 2 u 2 (y ) = u 2 x1 + u 2 x 2 + 2u x1 , x 2 , 2 2 2 2 donde para i = 1 e i = 2, u 2 x i2 = V X i2 y u 2 x1 , x 2 = Cov X 1 , X 2 . Por tanto, aplicando el Teorema de Price para distribuciones gaussianas [40, 41], 2 2 u 2 (y ) = 4u 2 (x1 )x1 + 4u 2 (x 2 )x 2 + 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),

JCGM 2008 - Reservados todos los derechos

82

Suplemento 1 de la GUM, traduccin al espaol 2010

2 u (y ) = 2 x1 + 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: 2 2 u 2 (y ) = 4u 2 (x1 )x1 + 4u 2 (x 2 )x 2 + 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) = 2 (z ) = e z 2 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:
gY ( ) =
1 , = exp 2 2 2 2 2u ( x ) 2u 2 ( x ) u ( x1 ) u ( x1 ) 1 1

0.

F.2.4 La esperanza matemtica de Y viene dada por:


y = E (Y ) =

g
0

( ) d = 2u 2 ( x 1)

y la varianza u 2 (y ) = V (Y ) =

( - y ) 2 gY ( ) d = 4u 4 ( x 1) ,

es decir, la desviacin tpica es 2 u2(x1), lo que resulta consistente con F.1.

JCGM 2008 - Reservados todos los derechos

83

Suplemento 1 de la GUM, traduccin al espaol 2010

F.2.5 La funcin de distribucin correspondiente se obtiene integrando:

( )

GY =

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

y el intervalo de cobertura con una probabilidad del 100p % para Y (vase el apartado 7.7) es:

con amplitud

F.2.7 El menor intervalo de cobertura con una probabilidad del 100p % viene dado calculando el 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:

[0 ; 2 u
2

H( )= u

ln 1 p 1

(x1) (

ln 1

p) .

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):

[ 2 u
2

(x1) (

ln 0,9 7 5 ;

2 2 1 ln 0,0 2 5 u (x ) (

] = [0,000 001 3; 0,000 184 4],

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:

JCGM 2008 - Reservados todos los derechos

[ y ; y p + ] [
2

2 2 ln 1 y = u x 1 ( - )

e x p 2 , 2 1 u x

(F.3)

u (x )

ln 1

; 2 2 1 l n 1 ( - p - ) - ) u x

(F.4)

84

Suplemento 1 de la GUM, traduccin al espaol 2010

2 2 Y = f (X ) = f ( X 1, X 2 ) = X 1 + X 2 ,

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:


2 2 y = x1 + x 2 ,

como estimacin de Y. Las nicas derivadas parciales no triviales y no nulas son, para i = 1,2,

f = 2Xi , X i

2f X i2

= 2.

F.3.1.3 Por tanto, aplicando el apartado 5.1.2 de la GUM se obtiene, para la incertidumbre tpica u(y): 2 f 2 f 2 2 2 u ( x 2 ) u 2 ( x1 ) + u 2 (y ) = = 4 x 1 u 2 ( x1 ) + 4 x 2 u 2 ( x 2 ), (F.5) X X 1 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 + 2 2 X X 2 1 u 2 ( x1 )u 2 ( x 2 )
X =x

debe aadirse a la ecuacin (F.5), en cuyo caso (F.5) se transforma en:


2 2 u 2 (y ) = 4 x 1 u 2 ( x1 ) + 4 x 2 u 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 u 2 (y ) = X u ( x1 ) + X 1 2 =
2 4 x1 u 2 ( x 1 ) + 2 2 f f u (x2 ) + 2 r ( x1, x 2 )u( x1 )u( x 2 ) X 1 X 2

X =x

2 4 x 2 u 2 ( x 2 ) + 8r ( x1, x 2 )x1x 2 u( x1 )u( x 2 ).

JCGM 2008 - Reservados todos los derechos

85

Suplemento 1 de la GUM, traduccin al espaol 2010

Anexo G

Glosario de los smbolos principales

A a a B b b CTrap(a, b, d) Cov(Xi,Xj) c ci

variable aleatoria que representa el lmite inferior de una distribucin rectangular con lmites establecidos sin exactitud extremo inferior del intervalo en el que se sabe que se encuentra una variable aleatoria 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 variable aleatoria que representa el lmite superior de una distribucin rectangular con lmites establecidos sin exactitud extremo superior del intervalo en el que se sabe que se encuentra una variable aleatoria 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 distribucin rectangular con lmites establecidos sin exactitud (distribucin trapezoidal curvilnea) con parmetros a, b y d covarianza entre dos variables aleatorias Xi y Xj nmero entero con ndig cifras decimales significativas 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 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 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 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 base de los logaritmos naturales esperanza matemtica de una variable aleatoria X esperanza matemtica de una variable aleatoria vectorial X momento r-simo de una variable aleatoria X distribucin exponencial con parmetro 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 representacin discreta de la funcin de distribucin GY () para la magnitud

dsup dinf

e E(X) E(X) E(X ) Ex() f


r

JCGM 2008 - Reservados todos los derechos

86

Suplemento 1 de la GUM, traduccin al espaol 2010

de salida Y de un procedimiento Monte Carlo G(, ) gX() gX()


g X i ( i )

distribucin gamma con parmetros y funcin de densidad de probabilidad con variable para la magnitud de entrada X funcin de densidad de probabilidad conjunta (multivariante) con variable vectorial para la magnitud vectorial de entrada X funcin de densidad de probabilidad con variable i para la magnitud de entrada Xi funcin de distribucin con variable para la magnitud de salida Y aproximacin continua a la funcin de distribucin GY() para la magnitud de salida Y funcin de densidad de probabilidad con variable para la magnitud de salida Y
~ 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

GY() ~ GY ( ) gY() ~ gY ( )

J kp l M N N(0, 1) N(, 2) N(,V ) n ndig Pr(z) p q q


R

menor nmero entero, mayor o igual que 100 / (1 p) factor de cobertura correspondiente a una probabilidad de cobertura p exponente entero en la forma de presentacin c 10l de un valor numrico, donde c es un nmero entero con ndig cifras decimales significativas nmero de reiteraciones de Monte Carlo nmero de magnitudes de entrada X1, . . . ,XN distribucin gaussiana normalizada distribucin gaussiana con parmetros y 2 distribucin gaussiana multivariante con parmetros y V nmero de elementos (indicaciones o resultados) de una serie nmero de cifras decimales significativas consideradas como representativas en un valor numrico dado probabilidad del suceso z probabilidad de cobertura parte entera de pM + 1/2 nmero de elementos contados en una muestra de tamao especfico matriz triangular superior distribucin rectangular normalizada en el intervalo [0, 1] distribucin rectangular en el intervalo [a, b] coeficiente de correlacin asociado a las estimaciones xi y xj de las magnitudes de entrada Xi y Xj desviacin tpica de una serie de n indicaciones x1, . . . , xn desviacin tpica conjunta obtenida de varias series de indicaciones

R(0, 1) R(a, b) r(xi, xj) s sp

JCGM 2008 - Reservados todos los derechos

87

Suplemento 1 de la GUM, traduccin al espaol 2010

T sz

superndice que indica la transpuesta de una matriz 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 distribucin triangular en el intervalo [a, b] distribucin trapezoidal en el intervalo [a, b] con parmetro distribucin t centrada con grados de libertad
2

T(a, b) Trap(a, b, ) t t(, ) U(0, 1) U(a, b) Up


Ux u(x)

distribucin t con parmetros y 2, y grados de libertad distribucin arco seno normalizada (tipo U) en el intervalo [0, 1] distribucin arco seno (tipo U) en el intervalo [a, b] incertidumbre expandida correspondiente a una probabilidad de cobertura p matriz de incertidumbre asociada a las estimaciones vectoriales x de la magnitud de entrada vectorial X vector (u(x1), . . . , u(xN))T de incertidumbres tpicas asociadas a la estimacin vectorial x de la magnitud de entrada vectorial X incertidumbre tpica asociada la estimacin xi de la magnitud de entrada Xi covarianza asociada a las estimaciones xi y xj de las magnitudes de entrada Xi y Xj incertidumbre tpica asociada a la estimacin y de la magnitud de salida Y ~ incertidumbre tpica asociada a y incertidumbre tpica combinada asociada al estimador y de la magnitud de salida Y i-sima componente de incertidumbre de la incertidumbre tpica u(y) asociada a la estimacin y de la magnitud de salida Y matriz de covarianzas (o de varianzas-covarianzas) varianza de una variable aleatoria X matriz de covarianzas para la variable aleatoria vectorial X semiamplitud (b a) / 2 de un intervalo [a, b] magnitud de entrada, considerada como variable aleatoria vector (X1, . . . ,XN)T de magnitudes de entrada, consideradas como variables aleatorias, de las que depende la magnitud de salida Y i-sima magnitud de entrada, considerada como variable aleatoria, de la que depende la magnitud de salida Y estimacin (esperanza matemtica) de X vector de estimaciones (esperanza matemtica vectorial) (x1, . . . , xN)T de X promedio de una serie de n indicaciones x1, . . . , xn estimacin (esperanza matemtica) de Xi i-sima indicacin (o elemento) de una serie

u(xi) u(xi, xj) u(y) ~ u (y ) uc(y) ui(y)


V

V(X) V(X)

X
X

Xi x
x

x xi xi

JCGM 2008 - Reservados todos los derechos

88

Suplemento 1 de la GUM, traduccin al espaol 2010

xi,r
xr

r-sima reiteracin/extraccin de Monte Carlo a partir de la funcin de densidad de probabilidad para Xi 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 magnitud de salida (escalar), considerada como variable aleatoria estimacin (esperanza matemtica) de 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 ( ) lmite derecho de un intervalo de cobertura para Y lmite izquierdo de un intervalo de cobertura para Y r-simo valor del modelo f(xr) r-simo valor del modelo, despus de ordenar los yr valores en orden creciente 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 funcin gamma de variable z tolerancia numrica asociada a un valor numrico funcin delta de Dirac de variable z variable que describe los valores posibles de la magnitud de salida Y semiamplitud de la parte superior del trapecio, para una distribucin trapezoidal 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 grados efectivos de libertad asociados a la incertidumbre tpica u(y) 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

Y y ~ y

ysup yinf yr y(r) z


(h)


(z)

(z)

1 2

ef p

JCGM 2008 - Reservados todos los derechos

89

Suplemento 1 de la GUM, traduccin al espaol 2010

variable que describe los valores posibles de la magnitud de entrada Xi desviacin tpica de una magnitud caracterizada por una distribucin de probabilidad varianza (desviacin tpica al cuadrado) de una magnitud caracterizada por una distribucin de probabilidad fase de una magnitud que oscila sinusoidalmente distribucin chi-cuadrado con grados de libertad

2
2

JCGM 2008 - Reservados todos los derechos

90

Suplemento 1 de la GUM, traduccin al espaol 2010

Bibliografa

[1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11]

BEATTY, R. W. Insertion loss concepts. Proc. IEEE 52 (1964), 663671. BERTHOUEX, P. M. y BROWN, L. C. Statistics for Environmental Engineers. CRC Press, USA, 1994. BOX, G. E. P. y MULLER, M. A note on the generation of random normal variates. Ann. Math. Statist. 29 (1958), 610611. CHAN, A., GOLUB, G. y LEVEQUE, R. Algorithms for computing the sample variance: analysis and recommendations. Amer. Stat. 37 (1983), 242247. CONTE, S. D. y DE BOOR, C. Elementary Numerical Analysis: An Algorithmic Approach. McGrawHill, 1972. COX, M. G. The numerical evaluation of B-splines. J. Inst. Math. Appl. 10 (1972), 134149. COX, M. G. y HARRIS, P. M. Software specifications for uncertainty evaluation. Tech. Rep. DEMES-010, National Physical Laboratory, Teddington, UK, 2006. 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. 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. DAVID, H. A. Order Statistics. Wiley, New York, 1981. 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. DEVROYE, L. Non-Uniform Random Number Generation. Springer, New York, 1986. DIETRICH, C. F. Uncertainty, Calibration and Probability. Adam Hilger, Bristol, UK, 1991. DOWSON, D. C. y WRAGG, A. Maximum entropy distributions having prescribed first and second order moments. IEEE Trans. IT 19 (1973), 689693. EA. Expression of the uncertainty of measurement in calibration. Tech. Rep. EA-4/02, European Co-operation for Accreditation, 1999. ELSTER, C. Calculation of uncertainty in the presence of prior knowledge. Metrologia 44 (2007), 111116. EURACHEM/CITAC. Quantifying uncertainty in analytical measurement. Tech. Rep. Guide CG4, EURACHEM/ CITEC, 2000. Second edition. EVANS, M., HASTINGS, N. y PEACOCK, B. Statistical distributions. Wiley, 2000. 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. GELMAN, A., CARLIN, J. B., STERN, H. S. y RUBIN, D. B. Bayesian Data Analysis. Chapman and Hall, London, 2004. GLESER, L. J. Assessing uncertainty in measurement. Stat. Sci. 13 (1998), 277290. HALL, B. D. y WILLINK, R. Does Welch-Satterthwaite make a good uncertainty estimate?

[12] [13] [14] [15] [16] [17] [18] [19]

[20] [21] [22]

JCGM 2008 - Reservados todos los derechos

91

Suplemento 1 de la GUM, traduccin al espaol 2010

Metrologia 38 (2001), 915. [23] [24] [25] [26] HIGHAM, N. J. Accuracy and Stability of Numerical Algorithms. SIAM, Philadelphia, 1996. ISO. ISO 3534-1. Statistics Vocabulary and symbols Part 1: Probability and general statistical terms. International Standards Organization, Geneva. JAYNES, E. T. Information theory and statistical mechanics. Phys. Rev 106 (1957), 620630. 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] 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. KERNS, D. M. y BEATTY, R. W. Basic Theory of Waveguide Junctions and Introductory Microwave Network Analysis.Pergamon Press, London, 1967. KINDERMAN, A., MONAHAN, J. y RAMAGE, J. Computer methods for sampling from Students tdistribution. Math. Comput 31 (1977), 10091018. 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] LEYDOLD, J. Automatic sampling with the ratio-of-uniforms method. ACM Trans. Math. Software 26 (2000), 7898. LIRA, I. Evaluating the Uncertainty of Measurement. Fundamentals and Practical Guidance. Institute of Physics, Bristol, UK, 2002. 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. 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. MCCULLOUGH, B. D. y WILSON, B. On the accuracy of statistical procedures in Microsoft Excel 2003. Computational Statistics and Data Analysis (2004). MOLER, C. B. Numerical computing with MATLAB. SIAM, Philadelphia, 2004. 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]. NIST. La NIST Digital Library of Mathematical Functions contiene herramientas para muestrear a partir de distribuciones de probabilidad. [http://dlmf.nist.gov] OIML. Conventional value of the result of weighing in air. Tech. Rep. OIML D 28, Organisation Internationale de Mtrologie Lgale, Paris, 2004. PAPOULIS, A. On an extension of Prices theorem. IEEE Trans. Inform. Theory IT-11 (1965). PRICE, R. A useful theorem for nonlinear devices having Gaussian inputs. IEEE Trans. Inform. Theory IT-4 (1958), 6972. RICE, J. R. Mathematical Statistics and Data Analysis, second ed. Duxbury Press, Belmont, Ca., USA, 1995. 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). ROBERT, C. P. y CASELLA, G. Monte Carlo Statistical Methods. Springer-Verlag, New York, 1999.

[27] [28] [29] [30] [31] [32] [33] [34]

[35] [36] [37]

[38] [39] [40] [41] [42] [43] [44]

JCGM 2008 - Reservados todos los derechos

92

Suplemento 1 de la GUM, traduccin al espaol 2010

[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. SCHOENBERG, I. J. Cardinal interpolation and spline functions. J. Approx. Theory 2 (1969), 167 206. SCOWEN, R. S. QUICKERSORT, Algorithm 271. Comm. ACM 8 (1965), 669. SHANNON, C. E. A mathematical theory of information. Bell Systems Tech. J. 27 (1948), 623656. STRANG, G. y BORRE, K. Linear Algebra, Geodesy and GPS. Wiley, Wellesley-Cambridge Press, 1997. 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. WEISE, K. y Wger, W. A Bayesian theory of measurement uncertainty. Meas. Sci. Technol. 3 (1992), 111. WICHMANN, B. A. y HILL, I. D. Algorithm AS183. An efficient and portable pseudo-random number generator. Appl. Statist. 31 (1982), 188190. WICHMANN, B. A. y HILL, I. D. Correction. algorithm AS183. An efficient and portable pseudorandom number generator. Appl. Statist. 33 (1984), 123. WICHMANN, B. A. y HILL, I. D. Generating good pseudo-random numbers. Computational Statistics and Data Analysis 51 (2006), 16141622. WILLINK, R. Coverage intervals and statistical coverage intervals. Metrologia 41 (2004), L5L6. WGER, W. Probability assignment to systematic deviations by the Principle of Maximum Entropy. IEEE Trans. Instr. Measurement IM-36 (1987), 655658.

[46] [47] [48] [49] [50]

[51] [52] [53] [54] [55] [56]

JCGM 2008 - Reservados todos los derechos

93

Suplemento 1 de la GUM, traduccin al espaol 2010

ndice alfabtico

A
algoritmo de ordenacin 7.5.1, 7.8.2

de una magnitud de entrada 6.1.6 convolucin covarianza

5.1.1,

6.4.4.2, A.1, E 3.10, 3.11, 5.6.3, 9.4.1.3, 9.4.3

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, F.3.1.3 aproximacin por diferencias finitas 5.8.1

D B
Bayes, teorema 6.1.1, 6.2, 6.4.9.2, 6.4.11.1 3.12 derivada parcial 5.6.3, 5.8.1, 5.11.4, 5.11.6, 9.3.1.3, 9.3.2.5, 9.4.2.2.1, 9.4.2.2.4, B.1, F.3.1.2 desviacin tpica 3.8, 5.1.1, 5.3.1, 5.6.2, 5.6.3 de un conjunto de indicaciones 5.11.2 de valores del modelo muestreados 7.6 pooled 6.4.9.6 distribucin t 3.5, 6.4.9 funcin de densidad de probabilidad 6.4.9.2, 6.4.9.7, 9.5.2.2.2, 9.5.2.3.2, 9.5.2.4.2, 9.5.2.5.2 esperanza matemtica y varianza 6.4.9.4 funcin de densidad de probabilidad 3.5, 6.4.9.3 muestreo 6.4.9.5, C.6 distribucin arco seno 6.4.6 asignacin a una magnitud 6.4.6.1, 9.5.2.8.2 esperanza matemtica y varianza 6.4.6.3 funcin de densidad de probabilidad 6.4.6.2 muestreo 6.4.6.4 distribucin de probabilidad 3.1 a partir de estimaciones previas de incertidumbre 6.5 conjunta 3.1 muestreo C, 7.3 multivariante 3.1 univariante 3.1

bayesiano, intervalo

C
calibracin certificado de, 6.4.3.4, 6.4.9.7, 9.5.2.2.1, 9.5.2.4.1, 9.5.2.5.1 de bloque patrn 9.5 de masa 9.3 de un medidor de potencia de microondas 9.4 Cauchy, distribucin chi-cuadrado, distribucin 9.4.2.2.3, F.2.2 5.1.1 6.4.11.4,

Cholesky, descomposicin de 6.4.8.4, C.5.2 cifras decimales significativas 1, 3.20, 4.13, 5.5.2, 6.4.3.4, 7.2.1, 7.6, 7.9.2, 8.1.3, 8.2, 9.1.3 coeficiente de correlacin 9.4.1.3, 9.4.2.3.1

coeficientes de sensibilidad 5.4.3, 5.6.3, 5.11.4, 5.11.6, 9.3.2.5, 9.5.2.6.2, B conocimiento incompleto de una magnitud previo relativo a un magnitud

6.3.2 5.11.2

JCGM 2008 - Reservados todos los derechos

94

Suplemento 1 de la GUM, traduccin al espaol 2010

distribucin en forma de U distribucin arco seno

vase

elemento de probabilidad

3.3

distribucin exponencial 6.4.10, 6.4.11.4, C.2 asignacin a una magnitud 6.4.10.1 esperanza matemtica y varianza 6.4.10.3 funcin de densidad de probabilidad 6.4.10.2 muestreo 6.4.10.4 distribucin normal 3.4

distribucin rectangular 6.4.2, 9.2.3, 9.2.4, C.2, E asignacin a una magnitud 6.4.2.1, 9.3.1.4, 9.5.2.6.2 esperanza matemtica y varianza 6.4.2.3 funcin de densidad de probabilidad 6.4.2.2 muestreo 6.4.2.4, 9.1.4, C.3 distribucin rectangular con lmites inexactos 6.4.3 asignacin a una magnitud 6.4.3.1, 9.5.2.9.2, 9.5.2.10.2 esperanza matemtica y varianza 6.4.3.3 funcin de densidad de probabilidad. 6.4.3.2 muestreo 6.4.3.4 distribucin trapezoidal 6.4.4 asignacin a una magnitud 6.4.4.1 esperanza matemtica y varianza 6.4.4.3 funcin de densidad de probabilidad. 6.4.4.2 muestreo 6.4.4.4 distribucin triangular 6.4.5 asignacin a una magnitud 6.4.5.1 esperanza matemtica y varianza 6.4.5.3 funcin de densidad de probabilidad 6.4.5.2 muestreo 6.4.5.4

enfoque GUM sobre la incertidumbre (EGUM) 1, 3.18, 4.15, 5.1.2, 5.4.2, 5.6, 5.10.2, F.3 comparacin con un mtodo de Monte Carlo 5.11 condiciones para la aplicacin en modelos no lineales 5.7 condiciones para la aplicacin en modelos no lineales 5.8 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 con trminos de orden superior 5.8.1, 8.1.2, 9.1.1, 9.3.2.1, 9.3.2.6, 9.4.2.1.3, 9.4.2.2.1 Erlang, distribucin de 6.4.11.4

esperanza matemtica 3.6, 4.1, 4.3, 4.8, 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 ,9.4.2.1.2,9.4.2.2.7,9.4.2.2.11,9.4.2.3.2, 9.4.3.1.3, C.2, D.3, D.4, E.3, F.1.1, F.2.4, F.3.1.1 Estimacin de la magnitud de salida a partir del mtodo de Monte Carlo 7.6 estimacin de la magnitud de salida 5.1.1, 5.3.1, 5.5.1, 5.11.4, 5.11.6, 9.4.2.2.7, B.2 a partir del enfoque GUM sobre la incertidumbre 4.10, 5.6.2, 5.6.3, 9.4.2.1.3, 9.4.2.2.8, F.3.1.2 a partir del mtodo de Monte Carlo 5.9.6, 7.9.4, 9.4.2.2.8, D.4 evaluacin de la incertidumbre Tipo A y Tipo B 5.1.2, 5.11.2, 5.11.4, 6.1.3, 6.4.9.4

F
factor de cobertura 5.3.3, 5.11.6, 6.4.9.7, 9.2.2.3, 9.2.4.4, 9.5.2.2.1 fases de la evaluacin de la incertidumbre 5.1.1, 5.6.1 formulacin 5.1.1, 5.1.3 propagacin 5.1.1, 5.1.3, 5.4, 5.4.3, 5.6.1, 5.6.3, 5.9

E
EGUM vase enfoque GUM sobre la incertidumbre (EGUM)

JCGM 2008 - Reservados todos los derechos

95

Suplemento 1 de la GUM, traduccin al espaol 2010

resumen 5.1.1, 5.1.3, 5.3, 5.6.1, 5.6.3, 5.9 FDP vase funcin de densidad de probabilidad (PDF) fiabilidad de la incertidumbre incertidumbre tpica vase

gaussiana, distribucin multivariante. 6.4.8, 9.4.3.1.3 asignacin a una magnitud vectorial 6.4.8.1, 9.4.1.4 esperanza matemtica y matriz de covarianza 6.4.8.3 funcin de densidad de probabilidad. 6.4.8.2 muestreo 6.4.8.4, C.5

formulacin vase fases de la evaluacin de la incertidumbre funcin de densidad de probabilidad (PDF) 3.3, 4.2, 4.3, 4.15 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 a las magnitudes de entrada..5.1.1, 5.1.2, 5.4.4, 5.6.2, 5.11.2, 5.11.4, 6, 6.1.3, 6.1.5, 6.26.4, 7.3, 7.4.1, 7.6, 7.8.1 asimtrica 5.3.4, 5.3.6 conjunta 4.4, 4.5, 5.1.1, 6.1.2, 6.1.4, 6.4.8.2, 6.4.8.4, 7.3, 7.8.1, 9.4.1.8 muestreo C, 7.3, 9.2.2.4 simtrica 5.3.3, 5.3.5, 9.2.2.8 funcin de distribucin 3.2, 4.2, 5.3.6, 6.5 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

generador de nmeros a partir de una distribucin rectangular capacidad de C.3.1.1 procedimiento C.3.3 grado de confianza 5.1.2

grados de libertad 3.5, 5.6.2, 5.6.3, 5.7.2, 5.11.5, 6.4.3.3, 6.4.9.2, 6.4.9.4, 6.4.9.5, 7.6, 9.5.2.4.2, 9.5.2.5.1, 9.5.4.1, C.6, F.2.2 efectivos 5.6.3, 5.7.2, 5.11.6, 6.4.9.4, 6.4.9.7, 9.5.2.2.1, 9.5.3.1 de una desviacin tpica 6.4.9.6 Gua para la expresin de la incertidumbre de medida (GUM) 2, 3, 4.15, 5.6.1, A GUM vase Gua para la expresin de la incertidumbre de medida (GUM)

G
Gamma, distribucin 6.4.11 asignacin a una magnitud 6.4.11.1 esperanza matemtica y varianza 6.4.11.3 funcin de densidad de probabilidad. 6.4.11.2 muestreo 6.4.11.4 gamma, funcin 3.5, 6.4.9.3

I
incertidumbre expandida 5.3.3, 5.6.3, 6.4.9.7, 9.5.2.2.1 incertidumbre mutua incertidumbre tpica combinada 3.11, 5.6.3 4.10

gaussiana, distribucin 3.4, 5.65.8, 5.11.6, 6.4.7, 9.2.2, 9.4.1.8, 9.4.2.2.5, 9.4.2.3.2, D.3 asignacin a una magnitud 6.4.7.1, 9.3.1.4, 9.5.2.7.2, F.3.1.1 esperanza matemtica y varianza 6.4.7.3 funcin de densidad de probabilidad. 3.4, 6.4.7.2 muestreo 6.4.7.4, C.4

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 del enfoque GUM 5.6.2, 5.6.3 del mtodo de Monte Carlo 5.9.6, 7.6 fiabilidad de la 6.4.9.4 indicaciones, anlisis de una serie de 5.11.2, 6.1.3, 6.2.1, 6.2.2, 6.3.1, 6.4.9.2, 6.4.9.4, 6.4.9.6, 9.5.1.3, 9.5.2.3.1, 9.5.2.4.1

JCGM 2008 - Reservados todos los derechos

96

Suplemento 1 de la GUM, traduccin al espaol 2010

informe de resultados intervalo creble

1, 5.5, 9.1.3 3.12

intervalo de cobertura3.12, 4.11, 5.1.1, 5.3.2, 5.5.1, 5.11.4, 5.11.6, 8.1.2, 8.1.3, D.5, E, F.2.6, F.3.1.4 amplitud del 3.14, 9.2.2.8, 9.4.2.2.11 con probabilidad simtrica 3.15, 5.3.3, 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, 9.2.3.4, 9.2.4.4, 9.2.4.5, 9.4.2.2.11, D.6, E.1, F.2.8 del enfoque GUM sobre la incertidumbre 5.6.2, 5.6.3, 5.7.2, 5.8.2 del mtodo de Monte Carlo 5.9.6, 7.2.1, 7.6, 7.7 el menor, 3.16, 5.3.45.3.6, 5.5.1, 8.1.2, 9.2.2.9, 9.3.2.1, 9.3.2.3, 9.4.2.1.2 , 9.4.2.2.9, 9.4.2.2.11, 9.4.2.3.3, 9.4.3.2 .2, 9.5.4.1, D.7, D.8, F.2.7, F.2.8 estadstico 7.9.4

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, C.1.1, D.3 comparacin con el enfoque GUM 5.11 condiciones para la aplicacin 5.10 ejemplos 9.19.5 muestreo a partir de distribuciones de probabilidad 7.3 nmero de reiteraciones 7.2, 7.9.1 procedimiento adaptable 7.9 tiempo de procesamiento 7.8 MMC (MMC) moda vase mtodo de Monte Carlo

5.3.4, 5.10.1, 7.5.1

M
magnitud de salida magnitudes de entrada 4.1, 5.1.1 4.1, 5.1.1

modelo de medicin 1, 4.1, 5.1.1 aditivo 9.2.1 lineal 5.4.2, 5.7 calibracin de masas 9.3.1.3 no lineal 5.4.4, 5.8 calibracin de bloque patrn 9.5.1.5 calibracin de un medidor de potencia de microondas 9.4.1.5 momento 3.9

nivel de confianza 3.13, 4.11, 7.9.4

magnitudes de entrada correlacionadas 5.6.3, 9.4.3, C.5.3, F.3.2 matriz de covarianza 3.11, 4.4, 6.4.8.3, 9.4.1.4, 9.4.1.8, 9.4.3.1.3, C.5 matriz de incertidumbre 3.11, 6.4.8.1, F.3.2.1 matriz de varianzas-covarianzas 3.11

P
Poisson, distribucin de 6.4.11.1

principio de mxima entropa 6.1.1, 6.3, 6.4.2.1, 6.4.3.1, 6.4.6.1, 6.4.7.1, 6.4.10.1 probabilidad 3.1, 3.2, 5.1.2, 5.11.2, 7.5.1, 9.2.2.8, 9.4.2.2.9, 9.4.2.2.11, 9.5.2.9. 1, 9.5.2.10.1, D.2 probabilidad de cobertura 3.13, 4.11, 5.1.1, 5.3.2, 5.5.1, 5.6.3, 5.9.6, 7.2.1, 7.7.2, 7.9.3, 8.1.2, 8.1.3, D.5 problemas en incertidumbre la evaluacin de la 1

media de un conjunto de indicaciones 5.11.2, 6.4.9.2, 6.4.9.4, 9.5.1.3, 9.5.2.3.1 de valores muestreados de un modelo 7.6 mejor estimacin de un certificado de calibracin 6.4.9.7 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, 9.2.3.1, 9.3.1.4, 9.4.1.3 de una magnitud de entrada vectorial 6.4.8.1 de una magnitud no negativa 6.4.10.1

JCGM 2008 - Reservados todos los derechos

97

Suplemento 1 de la GUM, traduccin al espaol 2010

propagacin vase fases evaluacin de la incertidumbre

de

la

propagacin de distribuciones 3.17, 5.2, 5.4, 5.9.6 analtica 5.4.1, 9.4.2.1.1, 9.4.2.2.2 realizacin de 5.4 propagacin de la incertidumbre 3.18, 4.9, 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, 9.4.2.2.1, 9.4.2.2.8

tolerancia numrica 3.20, 5.1.3, 7.2.1, 7.2.3, 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, 9.2.4.5, 9.3.2.2, 9.3.2.6, 9.5.3.2 trapezoide curvilneo vase distribucin rectangular con lmites inexactos

V
variable aleatoria 3.1, 4.1, 4.3, 5.6.3, 5.9.6, 6.2.1, 6.2.2, 7.9.4 varianza 3.7, 4.3, 5.3.1

R
resumen vase fases de la evaluacin de la incertidumbre

VIM vase Vocabulario Internacional de trminos fundamentales y generales de Metrologa (VIM) Vocabulario Internacional de trminos fundamentales y generales de Metrologa (VIM) 2, 3, 4.15

S
sesgo 7.5.1, 9.4.2.4.1

T
teorema del lmite central 9.2.4.5 5.7.2, 5.11.6,

W
Welch-Satterthwaite, frmula de 5.7.2, 5.11.6, 6.4.9.4, 9.5.3.1 5.6.3,

test para evaluar la aleatoriedad 7.3, C.3.2.2

JCGM 2008 - Reservados todos los derechos

98

Suplemento 1 de la GUM, traduccin al espaol 2010

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.

JCGM 2008 - Reservados todos los derechos

99

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