Los modelos convencionales de densidad termosférica son limitados en su capacidad para capturar la dinámica de acoplamiento solar-geomagnético y carecen de estimaciones de incertidumbre probabilística. Presentamos MSIS-UN (NRLMSISE-00 con Cuantificación de Incertidumbre), un marco innovador que integra el análisis de componentes principales escasos (sPCA) con redes neuronales heterocedásticas. Nuestra metodología aprovecha las mediciones de densidad de múltiples satélites de las misiones CHAMP, GRACE y SWARM, junto con datos de temperatura exosférica (tinf) derivados de MSIS-00. El enfoque técnico presenta tres innovaciones clave: (1) descomposición armónica esférica de Tinfinity utilizando funciones base ortogonales espaciotemporales, (2) extracción basada en sPCA de modos dominantes a partir de datos de muestreo orbital escaso, y (3) predicción de coeficientes temporales mediante redes neuronales con cuantificación de incertidumbre incorporada. Este marco integrado mejora significativamente el módulo de cálculo de temperatura en MSIS-00 mientras proporciona estimaciones de densidad probabilística. La validación contra las mediciones de SWARM-C demuestra un rendimiento superior, reduciendo el error absoluto medio (MAE) durante períodos tranquilos del 44.1% de MSIS-00 al 23.7%, con límites de incertidumbre (1) logrando un MAE de 8.4%. Los intervalos de confianza dinámicos del modelo permiten una evaluación rigurosa del riesgo probabilístico para los sistemas de evitación de colisiones de satélites en LEO, representando un cambio de paradigma del modelado determinista al modelado probabilístico de la densidad termosférica.