Un motor a reacción enfrenta incertidumbres de múltiples fuentes que consisten en incertidumbre epistémica del motor a reacción y la incertidumbre estocástica del sistema de control durante su operación. Este documento investiga la estimación de fallos de actuadores bajo incertidumbre de múltiples fuentes para mejorar la capacidad de diagnóstico de fallos de los sistemas de control de motores a reacción en entornos complejos. Con la cuantificación del modelo estocástico discreto basado en la expansión de caos polinómico, se propone el filtro de Kalman hiperelefítico como el filtro óptimo bajo incertidumbre de múltiples fuentes. Mientras tanto, al tratar el fallo del actuador como una entrada desconocida, también se propone el Filtro de Kalman Hiperelefítico de Dos Etapas (TSHeKF) para lograr una estimación óptima de fallos bajo incertidumbre de múltiples fuentes. Sin embargo, considerando que los sesgos del modelo suelen ser fijos para el individuo, la estimación de fallos basada en TSHeKF es robusta y conduce a una inevitable conservadurismo. Al agregar la estimación adicional de la desviación desconocida en la función de estado causada por parámetros del sistema probabilísticos, se propone el observador de fallos híbrido (HFO) basado en el TSHeKF y se realiza una estimación reducida en conservadurismo para el fallo del actuador bajo incertidumbre de múltiples fuentes. Las simulaciones numéricas muestran la efectividad y optimalidad del HFO propuesto en la estimación de estado, predicción de salida y estimación de fallos tanto para modos de fallo único como múltiple, al considerar la incertidumbre de múltiples fuentes. Además, los experimentos de Monte Carlo han demostrado que la estimación óptima de fallos basada en HFO es menos conservadora y más precisa que el Filtro de Kalman de Dos Etapas y el TSHeKF, proporcionando mejor seguridad y una garantía de operación más confiable del motor a reacción.