El aprendizaje robusto es un tema importante en Aprendizaje Científico de Máquinas (SciML). Hay varios trabajos en la literatura que abordan este tema. Sin embargo, hay una demanda creciente de métodos que puedan considerar simultáneamente todos los diferentes componentes de incertidumbre involucrados en la identificación de modelos de SciML. Por lo tanto, este trabajo propone una metodología integral para la evaluación de incertidumbres en el SciML que también considera varias posibles fuentes de incertidumbres involucradas en el proceso de identificación. Las incertidumbres consideradas en el método propuesto son la ausencia de una teoría, modelos causales, sensibilidad a la corrupción o imperfección de datos, y esfuerzo computacional. Por lo tanto, es posible proporcionar una estrategia general para modelos conscientes de la incertidumbre en el campo del SciML. La metodología se valida a través de un estudio de caso desarrollando un sensor suave para un reactor de polimerización. El primer paso es construir la distribución de probabilidad (PDF) de los parámetros del modelo no lineal mediante inferencia Bayesiana. El segundo paso es obtener la incertidumbre del modelo de aprendizaje de máquinas mediante simulaciones de Monte Carlo. En el primer paso, se construye una PDF con 30,000 muestras. En el segundo paso, la incertidumbre del modelo de aprendizaje de máquinas se evalúa muestreando 10,000 valores a través de la simulación de Monte Carlo. Los resultados demuestran que los sensores suaves identificados son robustos a las incertidumbres, corroborando la consistencia del enfoque propuesto.