Unas pocas palabras para entender el enfoque de GUM

El mtodo clsico para la evaluacin y expresin de la incertidumbre de medicin se

establece en la "Gua para la expresin de la incertidumbre de medida" (conocido ISO
GUM). El enfoque de GUM estima la incertidumbre global sobre la base de la ley de
propagacin de la incertidumbre, por medio de la identificacin y cuantificacin de fuentes
individuales de la incertidumbre. Las fuentes estimadas estadsticamente (tipo A
incertidumbre) son evaluadas directamente como una desviacin estndar de una o ms
series de mediciones repetidas, mientras que la evaluacin de otros componentes
(incertidumbres tipo B) es administrado por medio de diferentes fuentes, como los
certificados del fabricante, los informes de calibracin y, sobre todo, la experiencia del
analista, dando lugar a un intervalo de confianza con una distribucin de probabilidad
especfica que se debe convertir a la incertidumbre estndar. Entonces, la incertidumbre
tpica combinada se evala a partir de las incertidumbres tpicas de las contribuciones
individuales y las covarianzas de los parmetros relacionados segn los principios de la
propagacin de errores.

Por lo tanto, la incertidumbre expandida se calcula multiplicando la incertidumbre tpica

combinada por un factor de cobertura k. Si la incertidumbre estndar combinada se ajusta a
una distribucin normal (lo que significa que las condiciones del teorema del lmite central
se cumplen), k = 2. Sin embargo, cuando el nmero de lecturas (parmetros de tipo A) no
son mucho, es necesario el uso de-tabulan valor de la t de Student para el nivel de confianza
elegido y los grados efectivos de libertad (calculada a partir de la ecuacin de Welch-
Satterthwaite).

Unas pocas palabras para entender el enfoque del mtodo de Monte Carlo

El mtodo de Monte Carlo es una tcnica estocstica basada en el uso de nmeros al azar y
las estadsticas de probabilidad para investigar los problemas matemticos. El anlisis de
Monte Carlo se utiliza para combinar la funcin de probabilidad de cada contribuyente
obteniendo la incertidumbre por la generacin de nmeros aleatorios con la distribucin de
probabilidad correspondiente, simulando los valores de cada variable aleatoria del modelo.
AL igual que en el mtodo clsico, el analista debe encontrar cada parmetro de
incertidumbre del modelo matemtico del ensayo. Sin embargo, a diferencia de enfoque
precedente, los parmetros no se utilizarn estandarizados, sino simulados por medio de la
utilizacin directa de su distribucin adecuada (triangular, rectangular, normal, etc).
Finalmente, utilizando un software adecuado, un gran nmero de muestras (100 000 o ms)
se realizan con el modelo simulado, para obtener resultados con una distribucin particular
y desconocida.

Monte Carlo vs Mtodo GUM

Incluso cuando el enfoque GUM es el mtodo recomendado para la estimacin de la

incertidumbre, stee exhibe algunas limitaciones conocidas que son resueltas por el mtodo
de Monte Carlo (MCM):
- La linealizacin del modelo podra ser insuficiente para representar algunos casos. En
estos casos, evitar el uso de trminos de orden superior de la serie de Taylor puede impedir
la obtencin de resultados fiables.

- El enfoque clsico consiste en suponer que la distribucin del resultado es gaussiana y por
lo tanto, en casos en que la variable de salida se desva de esta distribucin con una
marcada asimetra, el resultado podra derivar en un intervalo de confianza irreal.

- Partir de variables de entrada estandarizadas, puede llevar a un anlisis errneo del

resultado del ensayo, mayormente cuando el modelo cuenta con variables de entrada
asimtricas.

As que ... Por qu el mtodo de Monte Carlo?

La Gua ISO para la expresin de la incertidumbre de medida reconoce Mtodo de

Montecarlo para la estimacin de la incertidumbre, como se documenta en el anexo 1 de la
GUM. El verdadero obstculo hasta ahora era contar con un software que permite la
simulacin de una manera rpida, fcil y amigable. Este software ya est disponible y libre.
Es Alchimia MCM.