Ana, la jefa de laboratorio, tenía sobre su escritorio tres informes preliminares preparados por Carlos, su técnico más prometedor. Estaban preparando el primer presupuesto de incertidumbre para la calibración de una pipeta de 10 mL y Carlos había identificado tres contribuciones principales:

1. La repetibilidad de las entregas de volumen: Había realizado 15 mediciones y los valores variaban ligeramente. Había calculado una desviación estándar.

2. La resolución de la balanza analítica: La balanza leía hasta 0.0001 g. Carlos no sabía cómo tratar este «salto» digital. ¿Era un error? ¿Una desviación?

3. El efecto de la temperatura: El certificado de la pipeta indicaba que fue calibrada a 20 °C. En el laboratorio, la temperatura fluctuaba entre 21 °C y 25 °C, aunque el sistema de climatización la mantenía casi siempre cerca de los 23 °C. Carlos había anotado los límites, pero sentía que tratar ese rango como una simple variación no era correcto, ya que los valores extremos eran menos frecuentes.

«Ana, tengo un problema», dijo Carlos, señalando sus notas. «Tengo tres fuentes de duda, pero no se parecen en nada. La repetibilidad me da una bonita campana si hago un histograma. La resolución de la balanza es un ‘o esto o aquello’, no hay valores intermedios.

Y lo de la temperatura… sé el rango, pero estoy casi seguro de que el valor más probable está en el centro. ¿No puedo simplemente promediarlas o sumarlas de alguna manera?»

Ana sonrió. Era la pregunta perfecta, el punto exacto donde la estadística deja de ser teoría académica y se convierte en una herramienta de trabajo. «Has dado en el clavo, Carlos. No todas las dudas se comportan igual.

No puedes usar la misma herramienta para un martillo, un destornillador y una llave inglesa. Vamos a ver al Dr. Morales. Él nos dirá: ‘No están viendo problemas distintos, están viendo distribuciones de probabilidad distintas’. Y ahí, es donde comienza nuestro trabajo hoy».

Capítulo 1: Los Fundamentos – La Teoría Indispensable

El Dr. Morales los recibió con su habitual estilo directo. «Dejen de pensar en ‘errores’ y empiecen a pensar en ‘distribuciones’.

Una distribución de probabilidad no es más que un modelo matemático que nos dice qué tan probable es que un valor se encuentre dentro de un cierto rango. Para la incertidumbre, nos interesan principalmente tres modelos. Vamos al grano».

La Distribución Normal (Gaussiana): El Caballo de Batalla

«Esta es la que todos conocen, la famosa campana de Gauss», comenzó el Dr. Morales.

«Aparece por todas partes en la naturaleza y en el laboratorio, especialmente cuando mides algo muchas veces. Los pequeños efectos aleatorios, positivos y negativos, tienden a cancelarse y agrupar los resultados alrededor de un valor central».

¿Para qué te sirve en el laboratorio? Es el modelo perfecto para la evaluación Tipo A de la incertidumbre, es decir, la que calculas a partir de mediciones repetidas. La dispersión de tus datos alrededor de la media (el promedio) sigue, por lo general, esta distribución.

La incertidumbre estándar para una serie de mediciones repetidas no es simplemente la desviación estándar de las mediciones (s), sino la desviación estándar del promedio (u(xˉ)), que representa cuánto podría variar el promedio si repitieras toda la serie de mediciones.

«Fíjate en el raíz de n», señaló el Dr. Morales. «Es tu mejor amigo. Te dice que cuantas más mediciones hagas, menor será la incertidumbre de tu promedio. La calidad de tu resultado mejora con el esfuerzo».

La Distribución Rectangular (Uniforme): La Caja de las Sorpresas Iguales

«Ahora, piensa en la resolución de tu balanza, Carlos. Si la lectura es 0.12 g, el valor real podría estar en cualquier punto entre 0.115 g y 0.125 g. ¿Hay alguna razón para pensar que 0.121 g es más probable que 0.118 g? No. Todas las posibilidades dentro de ese pequeño rango son igualmente probables».

¿Para qué te sirve en el laboratorio? Este es tu modelo para la evaluación Tipo B cuando tienes un rango definido de valores y ninguna información adicional sobre su probabilidad.

• Resolución de un instrumento digital.

• Tolerancias especificadas por un fabricante (ej: «±0.1%»).

• Valores de un certificado de calibración donde solo se da la incertidumbre expandida sin especificar la distribución (la GUM recomienda asumir una rectangular si no hay más datos).

Para calcular la incertidumbre estándar, tomas el semi-intervalo del rango (a) y lo divides por la raíz cuadrada de 3.

«¿Por qué raíz de 3?», preguntó Carlos. «Es la matemática de la varianza para una distribución uniforme. No necesitas deducirlo, solo aplicarlo. Es una regla fija. Conoces los límites, aplicas la fórmula. Sencillo y directo».

La Distribución Triangular: La Estimación Educada

«Finalmente, el caso de la temperatura», dijo el Dr. Morales. «Sabes que no puede ser menor a 21 °C ni mayor a 25 °C. Pero también sabes, por el climatizador, que lo más probable es que esté cerca de los 23 °C. No todos los valores son igualmente probables. El centro es el rey. Este comportamiento se modela con un triángulo».

¿Para qué te sirve en el laboratorio? Es otra herramienta para la evaluación Tipo B, ideal cuando estimas un rango basado en experiencia, pero tienes una buena razón para creer que los valores son más probables en el centro del rango.

• Estimaciones de pureza de reactivos donde se conoce un valor nominal.

• Efectos de la temperatura donde hay un punto de control.

• Lecturas de instrumentos analógicos donde es más probable que el valor real esté cerca de la marca.

La fórmula es similar a la rectangular, pero el divisor es mayor, lo que resulta en una incertidumbre menor. Esto tiene sentido, ya que al concentrar la probabilidad en el centro, reduces la dispersión general.

«Fíjate bien», concluyó el Dr. Morales. «El divisor raíz de 6 es mayor que raíz de 3. La distribución triangular te ‘premia’ con una incertidumbre menor que la rectangular porque tienes más información, tienes un ‘valor más probable’. En metrología, más información casi siempre se traduce en menor incertidumbre».

Capítulo 2: Manos a la Obra – El Taller Práctico

«Teoría clara. Ahora, apliquémosla a tus datos», dijo el Dr. Morales a Carlos.

Caso 1: Repetibilidad de la Pipeta (Distribución Normal)

Carlos había realizado 15 entregas de una pipeta de 10 mL, obteniendo los siguientes volúmenes en mL (corregidos a 20 °C):

10.02, 10.01, 9.98, 10.03, 9.99, 10.01, 10.02, 10.04, 9.97, 10.01, 10.02, 9.99, 10.00, 10.01, 9.98.

Paso 1: Calcular la media (el mejor estimado del volumen).

Media (xˉ): 10.005 mL

Paso 2: Calcular la desviación estándar experimental (dispersión de los datos).

Desviación Estándar (s): 0.021 mL

Paso 3: Calcular la incertidumbre estándar (Tipo A). «Ahora aplicas la fórmula que vimos», indicó el Dr. Morales.

Caso 2: Resolución de la Balanza (Distribución Rectangular)

La balanza tiene una resolución de 0.0001 g. Esto significa que una lectura tiene una incertidumbre de ±0.00005 g.

Paso 1: Definir el intervalo.

• El rango total es 0.0001 g. El semi-intervalo es la mitad de eso.

• Semi-intervalo (a): 0.00005 g

Paso 2: Calcular la incertidumbre estándar. «Aquí no hay mediciones repetidas, solo la especificación del equipo. Es un caso claro de distribución rectangular», explicó Ana.

«Perfecto. Esa es tu incertidumbre estándar debida a la resolución. Pequeña, pero debe ser cuantificada».

Caso 3: Efecto de la Temperatura (Distribución Triangular)

La temperatura del laboratorio varía entre 21 °C y 25 °C, con un valor más probable de 23 °C. El coeficiente de expansión del agua es aproximadamente 0.00021 mL por cada °C y por cada mL. Para una pipeta de 10 mL, el efecto máximo en el volumen se puede estimar.

Paso 1: Definir el rango de variación de la temperatura.

• El valor nominal es 23 °C. La desviación máxima es de 2 °C (hacia 21 o 25).

• El rango es de ±2 °C.

• Semi-intervalo de temperatura (aT): 2 °C

Paso 2: Convertir la variación de temperatura en una variación de volumen.

• Efecto Volumétrico (aV) = 10 mL×2 °C×0.00021 mL/(mL⋅°C)=0.0042 mL

• Tenemos un rango de volumen de ±0.0042 mL, con el valor más probable en el centro (cero desviación).

Paso 3: Calcular la incertidumbre estándar. «Como tenemos un valor central más probable, usamos el modelo triangular», dijo el Dr. Morales.

«Ahí lo tienes. La contribución de la temperatura, modelada correctamente».

Capítulo 3: Preguntas Clave y Mitos Comunes

P: ¿Puedo asumir siempre una distribución normal para mis mediciones repetidas?

R: En la mayoría de los casos, con un número suficiente de repeticiones (digamos, más de 10), la distribución de la media tenderá a ser normal gracias a un poderoso principio llamado Teorema del Límite Central. Es una suposición muy segura y la base del enfoque GUM.

Pero si tienes muy pocos datos (ej. n=3), la suposición es más débil y se deben usar otras herramientas estadísticas como la distribución t de Student para calcular la incertidumbre expandida, algo que veremos más adelante.

P: ¿Qué pasa si en un certificado de calibración me dan un rango de tolerancia pero no dicen qué distribución usar?

R: La regla de oro es: si solo tienes límites y ninguna otra información, asume una distribución rectangular. Es la suposición más conservadora porque no presume ninguna concentración de probabilidad en el centro. Si asumieras una triangular sin justificación, estarías subestimando la incertidumbre.

P: ¿El divisor raíz de 3 para la rectangular y raíz de 6 para la triangular son siempre los mismos?

R: Sí. Son constantes matemáticas derivadas de la definición de la varianza para esas distribuciones. Apréndetelos, son herramientas fijas en tu caja. No cambian.

P: ¿Existe alguna otra distribución que deba conocer?

R: Existen muchas otras (log-normal, Poisson, etc.), pero para el 95% del trabajo en laboratorios de ensayo, de calibración y clínicos, dominar la Normal, Rectangular y Triangular te permitirá resolver la gran mayoría de los casos. Son los tres pilares.

Capítulo 4: Lecciones Aprendidas y Siguientes Pasos

Carlos miró su hoja de cálculos. Ahora tenía tres números, tres incertidumbres estándar, cada una calculada con un fundamento técnico sólido:

• u(rep) = 0.0054 mL (Normal)

• u(res) = 0.000029 g (convertido a mL

sería aprox. 0.000029 mL) (Rectangular)
• u(temp) = 0.0017 mL (Triangular)

«Lo entiendo», dijo Carlos a Ana y al Dr. Morales. «No se trata de forzar todos los datos en un solo molde. Se trata de elegir el molde correcto para cada tipo de dato. La estadística nos da los moldes».

Ana asintió, satisfecha. «Exacto. Acabas de convertir tres fuentes de duda en tres componentes de incertidumbre cuantificadas y defendibles. Este es el primer paso para construir un presupuesto de incertidumbre robusto».

El Dr. Morales les dio una palmada en la espalda. «Excelente trabajo. Ya saben cómo modelar la dispersión de las fuentes que han encontrado. Pero, ¿están seguros de que las han encontrado todas? La calibración de la pipeta, el certificado de la balanza, la pureza del agua… cada uno de estos es una posible fuente de incertidumbre».

«Entonces, ¿cómo nos aseguramos de no olvidar nada?», preguntó Ana.

«Necesitan un mapa», respondió el Dr. Morales con una sonrisa. «Un mapa sistemático para identificar y clasificar todas las posibles fuentes de incertidumbre en su medición. Y la creación de ese mapa es, precisamente, el tema de nuestra siguiente parada».