Simulao de Monte Carlo na Avaliao de Incertezas de Medio

Monte Carlo Simulation for the Evaluation of Measurement Uncertainty

GUSTAVO DANIEL DONATELLI
Universidade Federal de Santa Catarina (Florianpolis, Brasil) donatelli@labmetro.ufsc.br

ANDRA CRISTINA KONRATH

Universidade Federal de Santa Catarina (Florianpolis, Brasil) ack@labmetro.ufsc.br

RESUMO Neste artigo explora-se a aplicao da simulao computacional na avaliao de incertezas de medio. Apresenta brevemente o mtodo clssico ou de propagao de incertezas, sua formulao e suas limitaes. A seguir, descrevese o mtodo de simulao de Monte Carlo, ou de propagao de distribuies, realizando consideraes acerca de alguns aspectos crticos para a qualidade dos resultados da simulao, em particular, sobre o nmero de eventos de medio simulados e o processo de estimao do intervalo de abrangncia. Para maior clareza, so includos exemplos articiais. Conclui-se sobre as limitaes da tcnica, as diculdades na sua aplicao e os desaos futuros. Palavras-chave INCERTEZA DE MEDIO SIMULAO DE MONTE CARLO. ABSTRACT This paper addresses the use of computer simulation to estimate the uncertainty of a particular measurement. First, the basic principles and the limitations of the standard GUM method are briey described. Then, the Monte Carlo simulation technique is presented, paying special attention to those aspects that are critical to the quality of the simulation results, such as the number of Monte Carlo trials and the procedure for determining the coverage interval. Some examples are given in order to clarify the discussion. Finally, some remarks are made about the limitations of the method, the difculties in implementing it, and the future challenges. Keywords MEASUREMENT UNCERTAINTY MONTE CARLO SIMULATION.
REVISTA DE CINCIA & TECNOLOGIA V. 13, N 25/26 pp. 5-15

INTRODUO

s resultados de medio afastam-se do valor verdadeiro da grandeza medida (valor do mensurando) por uma quantidade denominada erro de medio. Em primeira instncia, os erros de medio podem ser classicados como bem comportados ou grosseiros. Os primeiros so prprios do processo de medio em condio de operao normal e caracterizam-se por apresentar um comportamento estocstico consistente. Estes ltimos, por sua vez, so gerados por afastamentos com referncia s condies normais de medio mau funcionamento do sistema de medio, desvios incomuns das condies ambientais, execuo errada de procedimentos, incorrees de transcrio ou tratamento de dados, entre outros. Eles produzem dados atpicos ou esprios, identicados por meio de ferramentas estatsticas apropriadas, mas que no so descritos por uma distribuio de probabilidade denida. J os que apresentam um comportamento estocstico consistente podem ser separados em componentes sistemticos (de valor constante e repetido para medies sucessivas) e puramente aleatrios, cujo valor mdio zero e que respondem a um determinado modelo de distribuio. Em princpio, efeitos sistemticos so passveis de correo]. Pela sua prpria natureza, os erros de medio no podem ser conhecidos com exatido. Nos ltimos anos, o reconhecimento desse fato, somado constatao de que os efeitos sistemticos e aleatrios no so facilmente diferenciveis entre si nos processos de medio reais, levou a comunidade metrolgica internacional a formular e difundir o conceito de incerteza de medio, indissoluvelmente conectado noo moderna de rastreabilidade (Belanger, 2000). Segundo o Vocabulrio Internacional de Termos Fundamentais e Gerais de Metrologia (VIM, 2000), a incerteza de medio assim denida: parmetro associado ao resultado de uma medio, que caracteriza a disperso dos valores que podem ser fundamentadamente atribudos a um mensurando. Para uma melhor compreenso do conceito de incerteza, torna-se necessrio diferenci-lo claramente da concepo de erro de medio. Sabe-se que um resultado de medio, aps correo dos efeitos sistemticos reconhecidos, no exatamente igual ao valor do mensurando, por conta de interferncias pseudo-aleatrias, determinao imperfeita de correes para efeitos sistemticos ou ainda falta de conhecimento sobre certos fenmenos fsicos, caracterizados tambm por efeitos sistemticos (GUM, 2003). Ao observar, ou mesmo suspeitar, a presena de um erro de medio, tenta-se avaliar a incerteza, tomando por base o conhecimento disponvel sobre o processo de medio. Durante a avaliao da incerteza de medio, pode acontecer que fontes signicativas de erro passem despercebidas, em razo do conhecimento limitado do avaliador. Nesse caso, a amplitude da faixa de incerteza pode ser menor que aquela que deveria ser declarada para que a rastreabilidade no fosse prejudicada. Em outras situaes, a incerteza pode ser sobreestimada, em virtude de suposies excessivamente conservativas sobre a magnitude dos erros provveis. Assim, embora os conceitos de erro e incerteza estejam associados, por referir-se ao mesmo fenmeno, pode no existir relao alguma entre o valor dos erros efetivamente existentes e a incerteza expressada para a medio em questo. O Guia para a Expresso da Incerteza de Medio (GUM, 2003) aqui denominado simplesmente Guia estabelece regras gerais para avaliar e expressar a incerteza de medio. O mtodo de avaliao de incertezas, proposto por ele, toma por base a propagao de incertezas (desvios padres) atravs do modelo matemtico da medio. Apesar de representar um consenso da comunidade internacional na prtica da expresso da incerteza de medio, constituindo, assim, a referncia para a avaliao de incerteza, tal mtodo apresenta algumas peculiaridades que atentam contra sua difuso e correta aplicao. Entre outras, destacamse as seguintes: complexidade conceitual; necessidade de construir um modelo matemtico da medio; utilizao de conceitos de probabilidade e estatstica nem sempre claros para os prossionais da metrologia. Alm disso, na sua formulao mais usual, o mtodo de propagao de incertezas requer o atendimento de certas condies de validade, como a linearidade do modelo e a normalidade da distribuio da varivel aleatria que representa os valores possveis do mensurando. Por isso, a sua aplicabilidade no to ampla como seria desejada.
6
jan./dez. 2005

Esses empecilhos associados aplicabilidade e validade do mtodo tradicional de avaliao da incerteza de medio tm impelido o surgimento de tcnicas alternativas, mas consistentes com aquele, para esse propsito. Entre elas, est a aplicao da simulao de Monte Carlo (SMC) para avaliar incertezas de medio. A utilizao dessa tcnica na metrologia, contudo, no nova, mas s recentemente passou a circular, para reviso e comentrio, um suplemento ao Guia (GUM Suppl 1, 2004), que busca estabelecer as bases para uma correta aplicao da SMC na avaliao de incertezas. Este artigo apresenta brevemente o mtodo clssico, ou de propagao de incertezas, contemplando aspectos como sua formulao e limitaes. Na seqncia, descrito o mtodo da SMC, ou de propagao de distribuies, evidenciando alguns pontos crticos para a qualidade dos resultados da simulao, como o nmero de eventos de medio simulados e o processo de estimao do intervalo de abrangncia. A m de claricar os conceitos, exemplos articiais so includos na exposio do mtodo. Finda-se o artigo com uma reviso do escopo de aplicao da tcnica de simulao de Monte Carlo, enfatizando no apenas a importncia dela no mbito da metrologia cientca e industrial, mas tambm levantando problemas intrnsecos tcnica ou associados sua aplicao que precisam ser tratados de forma a possibilitar uma difuso bem direcionada da ferramenta.

O MTODO CLSSICO OU DE PROPAGAO DE INCERTEZAS

O mtodo clssico, proposto pelo Guia, baseia-se na propagao das incertezas das grandezas de inuncia atravs de um modelo matemtico que representa o mensurando:
Y = f ( X 1 ,X 2 , X n )

(1)

Onde Y representa o valor do mensurando e X i , as grandezas de entrada. Segundo o Guia, as contribuies para a incerteza podem ser classicadas em dois tipos, dependendo do mtodo de avaliao empregado. As incertezas tipo A podem ser estimadas a partir da anlise estatstica de um conjunto de resultados experimentais, ao passo que as incertezas tipo B so obtidas por outros meios. A incerteza padro combinada estimada usando a lei de propagao de incertezas:
uc ( y ) =

i=1

y ------ u ( xi ) xi

n1

+2

i = 1j = i + 1

y y ------ ------ u ( x i ) u ( x j ) r ( x i ,x j ) xi xj u ( xi ) ,

(2)

Onde

uc ( y )

a incerteza padro combinada;

a incerteza de uma grandeza de inuncia

x i ; y x i , o coeciente de sensibilidade da grandeza x i ;e r ( x i ,x j ) , o coeciente de correlao entre duas gran-

dezas de inuncia x i e x j . A equao 2 obtida a partir de um desenvolvimento em srie de Taylor, quando se considera insignicante a inuncia dos termos de ordem superior. Assim, s produz resultados aceitveis quando as condies de validade a seguir so atendidas (GUM, 2003): Se a relao funcional entre Y e suas grandezas de entrada no-linear e se uma expresso de primeira ordem da srie de Taylor da relao no uma aproximao aceitvel, ento a distribuio de probabilidade de Y no pode ser obtida pela convoluo das grandezas de entrada. Em tais casos, outros mtodos numricos ou analticos so requeridos. Em aplicaes prticas reais, no entanto, muitas vezes necessrio dar uma medida de incerteza que dena um intervalo com maior probabilidade de abrangncia. A medida adicional de incerteza que satisfaz esse requisito denominada incerteza expandida, obtida por:
U = k uc ( y )

(3)

Onde U representa a incerteza expandida e k, um fator de abrangncia, calculado a partir dos graus de liberdade efetivos V eff e da probabilidade de abrangncia desejada (tipicamente 95%). O Guia prope que os graus de liberdade efetivos sejam calculados usando a frmula de Welch-Satterthwaite:
REVISTA DE CINCIA & TECNOLOGIA V. 13, N 25/26 pp. 5-15

uc ( y ) V eff = ----------------------------------------------------n 4 1 y - u ( xi ) v i ----- xi

i=1

(4)

Onde v i so os graus de liberdade de uma grandeza de inuncia x i . Com referncia validade desse procedimento de expanso, o Guia estabelece: A avaliao da incerteza expandida U dada aqui (...) somente uma aproximao e tem suas limitaes. A distribuio de ( y y ) u ( y ) dada pela distribuio t, somente se a distribuio de Y normal, se a estimativa y e sua incerteza padro combinada u c ( y ) so inde2 pendentes e se a distribuio de u 2 c ( y ) uma distribuio . Em alguns casos prticos, a normalidade da varivel Y pode ser assumida a partir do atendimento das condies de aplicabilidade do Teorema do Limite Central: a estimativa do mensurando deve depender de um nmero signicativo de grandezas de inuncia, cujo efeito sobre a incerteza padro combinada seja de similar relevncia. A partir da sucinta anlise anterior, pode-se armar que as condies de aplicabilidade do mtodo de propagao de incertezas tornam-se restritivas demais para garantir resultados conveis em muitas situaes reais. O uso desse mtodo na avaliao da incerteza de medies que respondam a modelos no-lineares ou apresentem grandezas de inuncia no-normais dominantes pode resultar em incertezas pouco realistas.

O MTODO DA SIMULAO DE MONTE CARLO OU DE PROPAGAO DE DISTRIBUIES

Quando se utiliza um modelo matemtico para descrever um sistema, possvel que o modelo seja complexo demais, ou ento, no permita uma soluo analtica. Nesse caso, a simulao computacional pode ser considerada uma ferramenta de grande valia na obteno de uma resposta para um problema particular. Quando o modelo envolve amostragem aleatria de uma distribuio probabilstica, o mtodo designado Simulao de Monte Carlo. Os matemticos norte-americanos John Von Neumann e Stanislaw Ulam so considerados os principais autores da tcnica de SMC. J antes de 1949 foram resolvidos vrios problemas estatsticos de amostragem aleatria empregando-se essa tcnica. Entretanto, pelas diculdades de realizar simulao de variveis aleatrias mo, a adoo da SMC como tcnica numrica universal tornou-se realmente difundida com a chegada dos computadores (Sobol, 1994). De acordo com Cox et al. (2001), a avaliao da incerteza de medio usando a tcnica de SMC realizada em duas fases. A primeira consiste em estabelecer o modelo de medio, ao passo que a segunda envolve a avaliao do modelo. As diferenas fundamentais entre o mtodo clssico e a SMC esto no tipo de informao descrevendo as grandezas de entrada e na forma em que essa informao processada para se obter a incerteza de medio. No mtodo clssico, cada varivel de entrada deve ser caracterizada pela funo densidade de probabilidade (PDF), sua mdia e desvio padro e os graus de liberdade. Na SMC, esse ltimo parmetro no envolvido nos clculos, tornando-se desnecessrio, porm, no irrelevante na anlise dos resultados. Na SMC, o formato da distribuio de sada ser obtido a partir da avaliao do modelo matemtico por meio da combinao de amostras aleatrias das variveis de entrada, respeitando as respectivas distribuies. Assim, a SMC produz a propagao das PDFs das grandezas de entrada atravs do modelo matemtico da medio, fornecendo como resultado uma PDF que descreve os valores do mensurando consistentes com a informao que se possui. Por isso, conhecido como mtodo da propagao de distribuies. Na gura 1, pode-se observar a seqncia de aes necessrias para avaliar a incerteza de medio usando SMC, de acordo com o Suplemento 1 do Guia para a Expresso da Incerteza de Medio, intitulado Mtodos Numricos para a Propagao de Distribuies (GUM Suppl 1, 2004).

jan./dez. 2005

Fig. 1. Fluxograma simplicado da avaliao de incerteza de medio usando a SMC (adaptado de GUM Suppl 1, 2004).

Na SMC, modelos matemticos no-lineares, distribuies assimtricas das grandezas de inuncia, contribuies no-normais dominantes, correlaes entre grandezas de inuncia e outras diculdades para a aplicao do mtodo clssico no precisam receber ateno especial. De maneira similar, consideraes sobre a normalidade da estimativa de sada e a aplicabilidade da frmula de Welch-Satterthwaite tornam-se desnecessrias. No entanto, a qualidade dos resultados obtidos ir depender dos seguintes fatores: representatividade do modelo matemtico; qualidade da caracterizao das variveis de entrada; caractersticas do gerador de nmeros pseudo-aleatrios utilizado; nmero de simulaes realizadas (M); procedimento de denio do intervalo de abrangncia. Nas sees seguintes, sero analisados alguns aspectos chaves para a correta aplicao da tcnica de SMC na avaliao de incertezas de medio.

O nmero de medies simuladas

O nmero M de medies simuladas possui forte inuncia no erro amostral esperado para as estimativas obtidas por SMC. Na gura 2, possvel observar o efeito de M sobre distribuio emprica de uma varivel distribuda normal, com mdia = 10 e desvio padro = 1. A linha de grcos superior apresenta o histograma ( esquerda) e a correspondente distribuio de freqncias acumuladas ( direita), obtidos com uma amostra de tamanho M = 50. A linha de grcos inferior mostra os resultados de uma simulao realizada com uma amostra bem maior, M = 104.

REVISTA DE CINCIA & TECNOLOGIA V. 13, N 25/26 pp. 5-15

Fig. 2. Distribuies empricas obtidas por gerao de nmeros aleatrios com distribuio normal N (10,1) para distintos tamanhos de amostra (M = 50, na posio superior, e M = 104, na posio inferior da tabela).
0.7 1 0.9 0.6 0.8 Distribuiao de Frequncias Frequncia Acumulada 0.5 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.1 0 7.5 0 7.5

0.4

0.3

0.2

8.5

9.5

10

10.5

11

11.5

12

8.5

9.5

10

10.5

11

11.5

12

Valores da Quantidade de Saida

Valores da Quantidade de Sada

1 0.9 0.8 Frequncia Acumulada 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0

10

11

12

13

14

15

Valores da Quantidade de Sada

Observa-se que a distribuio de freqncias acumuladas ca fortemente afetada com a reduo do tamanho da amostra. A intensidade do rudo amostral e a reduo na amplitude dos valores obtidos so signicativas, quando se trabalha com amostras de tamanho reduzido. Isso tudo afeta drasticamente a capacidade de denir com exatido os valores da varivel que correspondem a uma dada probabilidade, particularmente com relao a probabilidades prximas aos valores 0 e 1, nos quais as amostras menores apresentam valores esparsos. Embora os grcos da gura 2 descrevam o comportamento de uma varivel isolada (uma das grandezas de inuncia, por exemplo), o fenmeno similar quando se trata de uma varivel originada da combinao matemtica de vrias variveis aleatrias (entre outras, o valor do mensurando). Assim, o aumento do valor de M produzir uma diminuio do rudo amostral, resultando em estimativas mais conveis do valor do mensurando e da incerteza de medio associada. Infelizmente, a ampliao do tamanho de amostra M traz consigo um aumento nos requisitos sobre o hardware usado na simulao e, conseqentemente, um acrscimo no tempo necessrio para se dispor do resultado. Na bibliograa consultada (GUM Suppl 1, 2004; Cox, et al., 2001), os exemplos foram resolvidos com tamanhos de amostra M = 105 ou M = 106. Na experincia relatada neste artigo, tal quantidade de amostras pode resultar em tempos de espera longos, quando modelos matemticos complexos esto envolvidos, e tem-se disposio, para a execuo da simulao, um computador de congurao moderna, porm, padro. Por isso, para denir o nmero de simulaes, deve-se fazer um balano entre a qualidade dos resultados desejada e as disponibilidades de hardware e de tempo. Entretanto, cabe lembrar sempre que o erro amostral de simulao no a nica fonte de desvios potenciais na anlise de incerteza
10
jan./dez. 2005

por SMC. Em particular, modelos matemticos pouco representativos e grandezas de inuncia mal caracterizadas podem gerar desvios bem maiores e mais difceis de serem detectados. Na soluo desses problemas mal denidos, aumentar radicalmente o nmero de simulaes M para reduzir o erro amostral pode no trazer o retorno esperado.

Estimativa da incerteza expandida para certa probabilidade de abrangncia

A maior exibilidade do mtodo de avaliao de incerteza por SMC permite que ele seja usado para estimar a incerteza expandida, em situaes nas quais a distribuio que representa os valores possveis do mensurando no normal. Nesses casos, a soluo de multiplicar o desvio padro estimado por um certo fator de abrangncia deixa de ser vlida, pois resulta em incertezas pouco realistas. Quando a distribuio da varivel que representa os valores possveis do mensurando simtrica, possvel usar o recurso de ordenar o vetor de sada do menor para o maior valor e identicar os limites do intervalo de abrangncia por meio da contagem dos seus elementos. Assim, por exemplo, supondo que M = 105 e p = 95%, os limites de um intervalo de abrangncia simtrico so estimados pelos valores dos elementos nmero 2.500 e 97.500 do vetor ordenado. Na construo dos limites do intervalo, cabe considerar ainda que ele deve ser simtrico com referncia mdia aritmtica do vetor, a qual representa o valor estimado do mensurando. Variaes amostrais deste e dos limites estimados perturbam a condio de simetria e obrigam a tomar decises de compromisso, como usar a mdia dos semi-intervalos inferior e superior ou, eventualmente, o maior de ambos os semi-intervalos para representar a incerteza de medio. Contudo, antes de tomar uma deciso nesse sentido, vale lembrar que uma assimetria excessiva pode indicar a necessidade de aumentar o tamanho de amostra M. Infelizmente, esse mtodo revela-se inadequado, quando a distribuio de sada no simtrica. Nesses casos, conveniente aplicar o procedimento recomendado para a estimao do intervalo de abrangncia mnimo, conforme GUM Suppl (2004), descrito a seguir. Seja 0 ( 1 p ) , onde p a probabilidade de abrangncia desejada. Os extremos de um intervalo de abrangncia de probabilidade p, denominado Ip, esto denidos pelas equaes:
I p inf = G ( ) I p sup = G ( p + )
1 1

(5)

Onde I p inf e I p sup so, respectivamente, os limites inferior e superior do intervalo de abrangncia e a inversa da funo de probabilidade acumulada (CDF), calculada para o valor de probabilidade entre parnteses. Para obter o menor intervalo de abrangncia I p min , um valor de deve ser calculado de forma tal que a seguinte condio seja satisfeita:
G () ,
1

Ip

min

= mnimo G ( p + ) G ( ) 0 ( 1 p )

(6)

Para funes de densidade de probabilidade unimodais, a condio imposta em (6) equivale a: (7) Onde g ( ) o valor da funo de densidade de probabilidade para o argumento entre parnteses. A m de mostrar o comportamento do menor intervalo de abrangncia para variveis de sada com distribuio simtrica e assimtrica, foi resolvido um caso hipottico, no qual o valor do mensurando depende de duas variveis aleatrias independentes: (8)
Y = X1 + X2 g(G ()) = g(G (p + ))
1 1

Para maior exibilidade, adotaram-se para as variveis X1 e X2 a funo de densidade de probabilidade Beta generalizada. A distribuio Beta generalizada, identicada como X Beta ( LI ,LS ,a ,b ) , nita e depende de quatro parmetros: dois extremos (LI e LS) e dois coecientes de forma (a, b). Alterando-se os coecientes, diversas PDFs, simtricas e assimtricas, podem ser simuladas. Por exemplo, a PDF Beta aproxima-se da normal, quando os dois coecientes so iguais e de valor elevado, e torna-se retangular, quando ambos os
REVISTA DE CINCIA & TECNOLOGIA V. 13, N 25/26 pp. 5-15

11

coecientes so iguais unidade. possvel obter distribuies assimtricas com coecientes de valores distintos. Maiores informaes sobre a distribuio Beta podem ser obtidas em Bury (1999) e a sua aplicao para simulao de processos metrolgicos, em Donatelli (1999). Na simulao do caso simtrico, foram combinadas duas variveis X 1 Beta ( 20, 28, 10, 10 ) e X 2 Beta ( 4, 9, 15, 15 ) , aproximadamente normais. Realizaram-se M = 104 simulaes, calculando-se igual nmero de valores da varivel de sada Y. Na gura 3, observa-se a distribuio de freqncias acumuladas de Y, que apresenta uma caracterstica simtrica. A seguir, estimaram-se os valores de diferentes intervalos de abrangncia I p, p = 0, 95 , para valores de no intervalo 0 ( 1 p ) . A gura 4 mostra que o valor de que minimiza a amplitude do intervalo de abrangncia , aproximadamente, ( I 95% min ) = 0, 025 . Assim, o resultado da anlise um intervalo de incerteza probabilisticamente simtrico, com extenso igual a ( I 95% min ) = 3, 855 e cujos extremos so I 95% inf = 28,512 e I 95% sup = 32,367 . Fig. 3. Distribuio acumulada da varivel de sada Y (caso simtrico, com M = 104 simulaes

Fig. 4. Variao do intervalo de abrangncia para distintos valores de entre 0 e 5% (caso simtrico, com M = 104 simulaes).

12

jan./dez. 2005

Para simular o caso assimtrico, foram combinadas duas variveis X 1 Beta ( 20, 28, 1, 8 ) e sendo a primeira aproximadamente normal e a segunda aproximadamente exponencial. Como anteriormente, realizaram-se M = 104 simulaes. A distribuio acumulada da varivel Y pode ser observada na gura 5, com destaque para a sua assimetria.
X 2 Beta ( 4, 9, 8, 20 ) ,

Fig. 5. Distribuio acumulada da varivel de sada Y (caso assimtrico, com M = 104 simulaes).

Fig. 6. Variao do intervalo de abrangncia para distintos valores de entre 0 e 5% (caso simtrico, com M = 104 simulaes).

Valor de (%)
I p , p = 0, 95 , estimado para cada valor de . A gura 6 mostra a variao do intervalo de abrangncia Observa-se que a variao desses intervalos de abrangncia comporta-se de forma claramente assimtrica. Isso resulta num intervalo de abrangncia mnimo probabilisticamente assimtrico, posicionado de maneira tal 95% min = 3,299, sendo seus extremos I 95% inf = 24,816 e I 95% sup = 28,114 . que 1 ( p + ), com amplitude I

REVISTA DE CINCIA & TECNOLOGIA V. 13, N 25/26 pp. 5-15

13

Quando se realiza a busca de I pmin , deve-se atentar para o efeito das variaes amostrais. Dada a baixa curvatura da funo Ip na regio adjacente ao mnimo, ligeiras variaes amostrais no valor das estimativas I p podem resultar em intervalos mnimos fortemente deslocados da posio terica ou ainda posicionados I pmin iguais). Isso ir acontede modo ambguo (por exemplo, quando se encontram dois ou mais valores de cer ao se implementar rotinas convencionais de busca do mnimo elemento no vetor que armazena as estimativas de I p para diferentes valores de , especialmente com amostras M relativamente pequenas e valores de I p expressos com baixa resoluo. possvel atenuar tal problema com o uso de variveis de alta resoluo (double ou long double) e tamanhos de amostra grandes, como as adotadas nas referncias consultadas (GUM Suppl 1, 2004; Cox, et al., 2001). Uma soluo alternativa, que permite relaxar os requisitos anteriores, ajustar uma funo de interpolao aos dados e buscar, por mtodos numricos ou analticos, o mnimo dessa funo. Na implementao dessa soluo, deve-se sempre conrmar que, na regio adjacente ao mnimo, os resduos da interpolao sejam insignicantes.

CONSIDERAES FINAIS
Neste artigo foi brevemente descrita a aplicao da tcnica de Simulao de Monte Carlo para a avaliao de incertezas de medio. Mostrou-se que a SMC constitui uma alternativa vlida ao mtodo clssico, aplicvel em qualquer situao prtica, mas especialmente indicada a casos em que as condies de aplicabilidade do mtodo clssico so violadas, como a seguir: o modelo matemtico da medio apresenta uma acentuada no-linearidade; a distribuio de probabilidade da grandeza de sada afasta-se signicativamente da normal. O mtodo da SMC tambm particularmente til, quando modelos matemticos complexos esto envolvidos, nos quais difcil ou inconveniente determinar as derivadas parciais exigidas pelo mtodo clssico, ou quando a grandeza medida no pode ser explicitamente expressa em razo das grandezas de inuncia. Cabe salientar tambm que o uso de ferramentas computacionais, no mbito da metrologia cientca e industrial, tem sido cada vez mais aceito. As atividades metrolgicas vm sendo fortemente beneciadas pela aquisio de dados e pelo processamento de resultados via computador, com a conseqente reduo do trabalho rotineiro e dos erros grosseiros, aspectos esses inevitveis quando grandes quantidades de nmeros precisam ser manipuladas. As ferramentas computacionais so bem-aceitas pelos organismos de acreditao de laboratrios, segundo a norma ISO/IEC 17025, e pelas certicadoras de sistemas da qualidade (ISO 9000 e ISO/TS 16949, entre outras). Adicionalmente, a rpida evoluo dos computadores tem disponibilizado aos metrologistas das indstrias e de pequenos laboratrios poderosas ferramentas de clculo, que viabilizam a execuo da SMC a um custo razovel e em tempos compatveis com a dinmica do servio metrolgico. A combinao das vantagens da SMC com a evoluo dos meios computacionais de processamento de dados indica que ela poder ser, no futuro, a tcnica preferida para a avaliao de incertezas de medio, substituindo total ou parcialmente o mtodo de propagao de incertezas. Seguramente, tcnicos e engenheiros atuantes em metrologia estariam de acordo com essa perspectiva, uma vez que a simulao muito mais intuitiva que a tradicional combinao de incertezas. Entretanto, existem ainda questes que precisam ser tratadas a m de tornar isso possvel. Algumas delas foram levantadas neste artigo. necessrio desenvolver uma sistemtica que permita minimizar o tamanho de amostra M, porm, sem comprometer a qualidade dos resultados da simulao, de modo que os objetivos da anlise possam ser atendidos. A adoo de tcnicas de reamostragem (conhecidas como tcnicas de bootstrap) pode constituir um recurso interessante para diminuir o tempo de processamento e aumentar a qualidade das estimativas. Existem tambm outros empecilhos aplicao massiva da SMC que parecem mais difceis de ser superados. Um deles desaa a principal vantagem do conceito de incerteza: fornecer as bases para melhorar o processo de medio. Um balano de incerteza clssico, realizado segundo o mtodo de propagao de incertezas, possibilita individualizar o efeito de cada contribuio para a incerteza. Assim, torna-se simples identicar as contribuies dominantes e agir nelas para diminuir a incerteza da medio com boa relao impacto/
14
jan./dez. 2005

esforo. Em contrapartida, a SMC no realiza explicitamente derivadas da varivel de sada a respeito das grandezas de inuncia. A importncia relativa das diferentes contribuies ca, conseqentemente, oculta aos olhos do analista, limitando sua capacidade de induzir melhorias no processo. Mtodos de anlise de sensibilidade (experimentos virtuais programados 2k, entre outros) poderiam ser aplicados para superar essa limitao, mas o tempo total de simulao e processamento de resultados tornar-se-ia proibitivo. Outro grande empecilho a diculdade de muitos metrologistas em construir um modelo matemtico da medio. Em princpio, esse modelo revela-se necessrio tambm no mtodo de propagao de incertezas. Porm, na prtica, muitas vezes evitado, realizando-se a avaliao de incerteza com a ajuda de tabelas, nas quais cada contribuio caracteriza-se pela sua incerteza padro e por um fator de sensibilidade (que substitui a derivada parcial da grandeza medida com relao grandeza de inuncia). Esse tipo de operao simplicada impossvel ao usar a SMC: sem modelo matemtico, no existe simulao possvel. Assim, a generalizao do uso da SMC traria como conseqncia a necessidade de treinar os metrologistas na difcil tarefa de analisar sistemas fsicos e construir modelos matemticos que os representem. Como foi mostrado nos pargrafos anteriores, a correta aplicao de SMC na avaliao de incertezas de medio no simples, nem est carente de desaos dos mais diversos cunhos. Apesar disso, a sua universalidade e a capacidade de operar na anlise de sistemas de medio complexos a tornam uma ferramenta de grande valor na metrologia cientca e industrial, merecendo detalhada ateno por parte de prossionais e pesquisadores.
AGRADECIMENTOS
O presente trabalho foi realizado com o apoio do Conselho Nacional de Desenvolvimento Cientco e Tecnolgico (CNPq), Brasil.

REFERNCIAS BIBLIOGRFICAS
BELANGER, B.C. et al. Traceability: an evolving concept. In: A Century of Excellence in Measurements, Standards and Technology a chronicle on selected NBS/NIST publications 1901-2000. Gaithesburg: Ed. D.R. Lide, NIST SP 958, 2000. BURY, K. Statistical Distributions in Engineering. USA, Cambridge University Press, 1999. COX, M.G. et al. Use of Monte Carlo Simulation for Uncertainty Evaluation in Metrology. In: Advanced Mathematical & Computational Tools in Metrology V . Singapore: World Scientic Publishing, 2001. DONATELLI, G. D. Capability of Measurement Systems for 100% Inspection Tasks. Universidade Fed. de Sta. Catarina, 1999. GUM. Guia para a Expresso da Incerteza de Medio. 3a. ed. bras. do Guide to the Expression of Uncertainty in Measurement. Rio de Janeiro: INMETRO, ABNT, 2003. GUM Suppl 1. Guide to the Expression of Uncertainty in Measurement (GUM) Supplement 1: numerical methods for the propagation of distributions. In accordance with the ISO/IEC Directives, Part 1, 2001, Clause A5, this draft is submitted to the ISO national bodies for approval. International Organization for Standardization, 2004. ISO/TS 16949. Quality Management Systems particular requirements for the application of ISO 9001: 2000 for automotive production and relevant service part organizations. 2a. ed., 2002. NBR ISO 9000:2000. Sistemas de Gesto da Qualidade fundamentos e vocabulrio. Rio de Janeiro: ABNT, 2002. NBR ISO/IEC 17025. Requisitos Gerais para a Competncia de Laboratrios de Ensaio e Calibrao. RJ: ABNT, 2001. SOBOL, I.M. A Primer for the Monte Carlo Method. Flrida: CRC, 1994. VIM. Vocabulrio Internacional de Termos Fundamentais e Gerais de Metrologia. Braslia: Senai/DN, 2000.

Dados dos autores GUSTAVO DANIEL DONATELLI

Professor doutor e visitante do Departamento de Engenharia Mecnica e do Programa de Ps-Graduao em Metrologia Cientca e Industrial da UFSC.

ANDRA CRISTINA KONRATH

Mestre em engenharia de produo e sistemas e doutoranda em engenharia mecnica, na rea de concentrao metrologia e instrumentao, pela UFSC. Recebimento do Artigo: 27/jul./05 Aprovado: 4/nov./05

REVISTA DE CINCIA & TECNOLOGIA V. 13, N 25/26 pp. 5-15

15