En la producción de petróleo y gas, es esencial monitorear algunos indicadores de rendimiento que están relacionados con la composición de la mezcla extraída, como el contenido de líquido y gas del flujo. Estos indicadores no se pueden medir directamente y deben inferirse con otras mediciones utilizando enfoques de sensores suaves que modelan la cantidad objetivo. Para el propósito de monitoreo de producción, la estimación puntual por sí sola no es suficiente, y se requiere un intervalo de confianza para evaluar la incertidumbre en la medida proporcionada. Las decisiones basadas en estas estimaciones pueden tener un gran impacto en los costos de producción; por lo tanto, proporcionar una cuantificación de la incertidumbre puede ayudar a los operadores a tomar las decisiones más correctas. Este documento se centra en la estimación del indicador de rendimiento llamado la relación agua-en-líquido utilizando herramientas basadas en datos: en primer lugar, se emplean técnicas de detección de anomalías para encontrar datos que pueden alterar el rendimiento del modelo subsiguiente; luego, se prueban y utilizan diferentes modelos de aprendizaje automático, como procesos gaussianos, bosques aleatorios, bosques locales lineales y redes neuronales, para realizar predicciones conscientes de la incertidumbre sobre datos provenientes de una herramienta industrial, el medidor de flujo multifásico, que recopila múltiples señales de la mezcla de flujo. Los resultados reportados muestran las diferencias entre los enfoques discutidos y las ventajas de la estimación de incertidumbre; en particular, muestran que métodos como el proceso gaussiano y el bosque local lineal son capaces de alcanzar un rendimiento competitivo en términos de RMSE (1.9-2.1) y incertidumbre estimada (1.6-2.6).