Ana le había pedido a Carlos que realizara la primera estimación completa de incertidumbre para la calibración de una micropipeta de 1000 µL. Después de dos días, Carlos se presentó en la oficina de Ana con una pila de papeles y una expresión de agobio.

«Ana, tengo todo lo que discutimos», dijo, señalando sus notas. «Calculé la desviación estándar de mis 10 mediciones, así que tengo la evaluación Tipo A.

Extraje la incertidumbre del certificado de la balanza y la de la pesa patrón. Incluso consideré el efecto de la temperatura del agua usando el factor Z. Pero ahora… tengo un montón de números y no sé cómo juntarlos. ¿Simplemente los sumo? ¿Cuál es más importante? Me siento perdido en los detalles».

Ana revisó las notas. Los cálculos individuales eran correctos, pero no había una estructura clara. Era imposible seguir el razonamiento de principio a fin o saber qué fuente contribuía más al resultado final.

Antes de que la frustración se apoderara del equipo, Ana tomó el teléfono. «Es el momento perfecto para una lección del Dr. Morales», dijo. «Necesitamos aprender a organizar este caos». Y ahí es donde comienza nuestro trabajo hoy.

Capítulo 1: Los Fundamentos – La Teoría Indispensable

Un presupuesto de incertidumbres no es más que una tabla organizada que documenta y resume todos los componentes que contribuyen a la incertidumbre de tu resultado final. Piensa en él como la receta de un pastel.

La receta no solo lista los ingredientes (las fuentes de incertidumbre), sino que también te dice las cantidades exactas (la magnitud), cómo prepararlos (la distribución y el divisor) y cómo combinarlos para obtener el resultado final.

La estructura básica de un presupuesto de incertidumbres es una tabla con las siguientes columnas:

1. Fuente de Incertidumbre (xi): El nombre de la componente (ej: Repetibilidad, Resolución del equipo, Certificado de calibración).

2. Valor o Magnitud (ai): El valor numérico de la incertidumbre, ya sea una desviación estándar, un dato del certificado o los límites de una estimación.

3. Distribución de Probabilidad: La suposición sobre cómo se distribuyen los valores (Normal, Rectangular, Triangular).

3. Divisor: El número por el que divides la magnitud para convertirla en una incertidumbre estándar. Depende de la distribución (para la Normal con k=2, es 2; para la Rectangular, es raíz de 3).

4. Incertidumbre Estándar (u(xi): El resultado de dividir la magnitud por el divisor. Todas las fuentes deben estar en esta forma (como una desviación estándar) para poder combinarse.

5. Coeficiente de Sensibilidad (ci): Un factor que indica cómo afecta un cambio en esta fuente al resultado final. Para mediciones simples (sumas o restas), este coeficiente es 1. (Lo exploraremos a fondo en el siguiente módulo).

6. Contribución a la Varianza: El cuadrado de la incertidumbre estándar multiplicado por el cuadrado del coeficiente de sensibilidad. Este valor nos muestra el «peso» real de cada componente.

Una vez que tienes las contribuciones a la varianza de todas las fuentes, las combinas usando la regla de la «suma de cuadrados».

Explicación de la fórmula:

• uc(y) es la incertidumbre estándar combinada, el resultado que buscamos.

• Sigma es el símbolo de la suma.

• ui2(y) es la varianza aportada por cada fuente individual de incertidumbre i.

• ci es el coeficiente de sensibilidad para la fuente i.

• u(xi) es la incertidumbre estándar de la fuente i.

En palabras simples: no sumas las incertidumbres directamente. Sumas sus varianzas (sus «pesos») y luego calculas la raíz cuadrada del total.

Un Vistazo Más de Cerca: La Magia de la «Suma de Cuadrados»

Sé lo que podrías estar pensando. «¿Por qué complicarnos con cuadrados y raíces cuadradas? ¿No podemos simplemente sumar las incertidumbres estándar y ya está?». Es una pregunta excelente y la respuesta revela el corazón de cómo interactúan las incertidumbres.

Piénsalo de esta manera. Sumar directamente las incertidumbres (0.253 + 0.250 + 0.029 + 0.346) sería como asumir el peor escenario posible: que todos los errores máximos de cada fuente ocurren al mismo tiempo y en la misma dirección. Esto es estadísticamente muy improbable.

En la realidad, las fuentes de incertidumbre son independientes. El error por la temperatura no tiene nada que ver con el error de la repetibilidad. Unas veces, un error tirará el resultado «hacia arriba» mientras otro lo empuja «hacia abajo», cancelándose parcialmente.

Aquí es donde entra la «suma de cuadrados». Funciona de manera muy parecida al Teorema de Pitágoras.

Imagina un triángulo rectángulo. Si tienes un cateto a (la incertidumbre Tipo A) y otro cateto b (la incertidumbre Tipo B), la hipotenusa c (la incertidumbre combinada) no es a + b. Sabemos que es:

Las incertidumbres se comportan igual. No se suman directamente, sino que se combinan como si fueran las dimensiones perpendiculares de un espacio. Cada fuente de incertidumbre es un cateto en un triángulo multidimensional.

Por lo tanto, la regla práctica que debes grabar en tu mente es:

Si lo escribimos de forma simplificada, es justo esto:

Donde:

• uTipoA es la incertidumbre estándar de tu repetibilidad.

• uTipoB1 es la incertidumbre estándar de tu certificado de calibración.

• uTipoB2 es la incertidumbre estándar de la resolución del equipo, y así sucesivamente.

Este método nos da una estimación mucho más realista y honesta del rango probable en el que se encuentra el valor verdadero, porque respeta la naturaleza independiente de los errores. No es magia, es estadística sólida aplicada de forma práctica.

Capítulo 2: Manos a la Obra – El Taller Práctico

El Dr. Morales les dijo: «Carlos, Ana, ¡excelente trabajo al reunir todas las piezas! Ahora vamos a construir el marco para que encajen. Usaremos el caso de tu calibración de la micropipeta de 1000 µL. Abre una hoja de cálculo y vamos a llenarla juntos».

Paso 1: Identificar y Listar las Fuentes

El Dr. Morales comenzó: «Carlos, dime las fuentes que identificaste».

• La repetibilidad de tus 10 mediciones de dispensación de agua. (Tipo A)

• La incertidumbre de la balanza usada para pesar el agua. (Tipo B)

• La incertidumbre del certificado de la pesa patrón usada para verificar la balanza. (Tipo B)

• La resolución (legibilidad) de la balanza. (Tipo B)

• La incertidumbre asociada a la temperatura del agua, que afecta su densidad (Factor Z). (Tipo B)

Paso 2: Construir el Presupuesto Fila por Fila

«Perfecto», dijo el Dr. Morales. «Ahora vamos a cuantificar cada una en una tabla».

Desglose del Taller:

Fila 1 (Repetibilidad): Carlos había calculado la desviación estándar (s) de sus 10 mediciones, obteniendo 0.8 µL. «Esa es una incertidumbre de Tipo A», explicó el Dr. Morales. «Para obtener la incertidumbre estándar de la media, la divides por la raíz cuadrada del número de mediciones, en este caso, raíz de 10.

Fila 2 (Certificado Balanza): El certificado indicaba una incertidumbre expandida de 0.5 µL con un factor de cobertura k=2. «Esto es fácil», dijo el Dr. Morales. «El certificado ya nos dice que la distribución es normal. Simplemente divides la incertidumbre expandida por el factor k».

Fila 3 (Resolución Balanza): La balanza tenía una resolución de 0.0001 g (0.1 mg), que para el agua es aproximadamente 0.1 µL. «Cuando solo conoces la resolución, asumes una distribución rectangular», guio el Dr. Morales. «La incertidumbre se debe a que el valor real puede estar en cualquier lugar entre ± la mitad de la división más pequeña. El divisor para esta ‘incertidumbre digital’ es 2 por raíz de 3».

Fila 4 (Temperatura Agua): Ana explicó que la temperatura en el laboratorio puede variar en ±1°C, lo que, según sus tablas de conversión (Factor Z), podría causar un error en el volumen de hasta ±0.6 µL. «Perfecto», intervino el Dr. Morales. «No sabes si el error es más probable en el centro o en los extremos, así que asumimos una distribución rectangular. Divides por raíz de 3».

Paso 3: Calcular el Resultado Final

«Ahora, la parte final», anunció el Dr. Morales. «Sumen todas las contribuciones a la varianza de la última columna».

Suma = 0.064 + 0.063 + 0.001 + 0.120 = 0.248 µL²

«Y para obtener la incertidumbre estándar combinada, uc(y), simplemente calculen la raíz cuadrada de esa suma».

Carlos miró la tabla completa. «¡Ahora todo tiene sentido! Puedo ver claramente que la mayor contribución viene de la variación de la temperatura del agua, con 0.120 µL². ¡Y la resolución de la balanza es casi insignificante! Sé exactamente dónde debemos mejorar».

Capítulo 3: Preguntas Clave y Mitos Comunes

P: ¿Tengo que incluir absolutamente todas las fuentes de incertidumbre que se me ocurran?

R: No. Tu deber es considerar todas las fuentes potencialmente significativas. Si, tras una evaluación preliminar, determinas que una fuente (como la vibración del suelo) tiene un efecto despreciable en comparación con las dominantes (como la repetibilidad o la calibración), puedes justificar su exclusión. La clave es justificar y documentar por qué la omites, no simplemente ignorarla.

P: ¿Qué pasa si una fuente de incertidumbre es muy difícil de cuantificar?

R: Ese es uno de los mayores desafíos. En esos casos, debes hacer una estimación razonable y conservadora basada en tu experiencia, datos de validación, literatura científica o guías técnicas. Asumir una distribución rectangular basada en límites máximos razonables es una estrategia común y defendible. Lo peor que puedes hacer es omitirla porque es difícil.

P: El coeficiente de sensibilidad es 1 en todos tus ejemplos. ¿Es siempre así?

R: No, y esta es una pregunta crucial. Es 1 cuando la fórmula para calcular tu resultado es una simple suma o resta (Y = x1 + x2 – x3). Pero si tu fórmula implica multiplicaciones, divisiones o funciones más complejas, este coeficiente cambia y debe calcularse. Ese es precisamente el tema de nuestro próximo encuentro: la Ley de Propagación de la Incertidumbre.

Capítulo 4: Lecciones Aprendidas y Siguientes Pasos

Ana y Carlos ahora tenían una hoja de cálculo clara y defendible que no solo les daba el valor final de la incertidumbre, sino que también contaba la historia de cómo llegaron a él.

El presupuesto de incertidumbres transformó un caos de números en una herramienta de análisis poderosa. Lograron ver que, para mejorar la calibración de sus pipetas, su prioridad no era comprar una balanza nueva con mejor resolución, sino estabilizar la temperatura del laboratorio o del agua.

Al final de la sesión, Carlos ya estaba pensando en el siguiente desafío. «Dr. Morales», preguntó, «esto funcionó de maravilla para la pipeta, donde el resultado final es básicamente el valor que leemos en la balanza.

Pero, ¿qué pasa cuando calculamos la concentración de un analito usando una curva de calibración? Ahí la fórmula es y = mx + b. ¿Cómo calculo el peso de la incertidumbre de la pendiente ‘m’ o de la ordenada ‘b’ en mi resultado final? El coeficiente de sensibilidad ya no puede ser 1″.

El Dr. Morales sonrió. «Excelente pregunta, Carlos. Has llegado al siguiente nivel. Para responder a eso, necesitamos hablar de la Ley de Propagación de la Incertidumbre y los coeficientes de sensibilidad. Y ese es, exactamente, nuestro punto de partida para el próximo paso».