Aula 04 Prof. Valner Brusamarello Incerteza - GUM y O Guia para a Expresso da Incerteza de Medio (GUM) estabelece regras gerais para avaliar e expressar a incerteza de medio. y O mtodo de avaliao de incertezas, proposto pelo GUM toma por base a propagao de incertezas atravs do modelo matemtico da medio. y O mtodo apresenta alguns problemas prticos como por exemplo: p y Complexidade conceitual; y Necessidade de construir um modelo matemtico da medio; y Requer condies de linearidade do modelo; y R Requer di distribuio t ib i normall dda varivel i l aleatria l t i que representa t os valores possveis do mensurando. MMC Mtodo de Monte Carlo y Antes de 1949 foram resolvidos vrios problemas estatsticos de amostragem aleatria empregando-se essa tcnica (John Von Neumann e Stanislaw Ulam). y Primeiramente estabelece-se o modelo de medio; y Em seguida avalia-se o modelo. y As diferenas entre o mtodo clssico e a SMC esto no tipo p de informao descrevendo as grandezas de entrada e na forma em que essa informao processada para se obter a incerteza. y N mtodo No d clssico, l i cadad varivel i l dde entrada d ddeve ser caracterizada pela funo densidade de probabilidade (PDF), sua mdia e desvio ppadro e os ggraus de liberdade. y Na SMC, esse ltimo parmetro no envolvido nos clculos, tornando-se desnecessrio. MMC Mtodo de Monte Carlo y Na SMC, 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, entrada respeitando as respectivas distribuies. y Assim, A i a SMC produz d a propagao ddas PDFs PDF das d grandezas d dde entrada atravs do modelo matemtico da medio, f fornecendo d como resultado lt d uma PDF que ddescreve os valores l do mensurando consistentes com a informao que se possui. y conhecido h d como mtodo d dad propagao de d distribuies. d b Mtodo de Monte Carlo y Vantagens: y produz uma aproximao da funo de distribuio para o mensurando.. y Desta distribuio quaisquer parmetros estatsticos, incluindo o resultado da medio, a incerteza de medio ppadro associada e a respectiva probabilidade de abrangncia intervalo de confiana, podem ser obtidos. y No depende da natureza do modelo, isto , pode ser fortemente no- linear ou ter um nmero grande de variveis. y Desvantagens D t ((ou no!!?): !!?) y Carter numrico, particularmente a sua natureza computacional intensiva Mtodo de Monte Carlo y Modelos matemticos no-lineares; no lineares; y Distribuies assimtricas das grandezas de influncia; y Contribuies no-normais dominantes; y Correlaes entre grandezas g e outras dificuldades para p a aplicao do mtodo clssico no precisam receber ateno especial. especial y Consideraes sobre a normalidade da estimativa de sada d e a aplicabilidade li bilid d dda f frmula l para clculo l l ddo nmero de graus de liberdade tornam-se desnecessrias. Mtodo de Monte Carlo A qualidade dos resultados depender dos seguintes fatores: y representatividade do modelo matemtico; y qualidade da caracterizao das variveis de entrada; y caractersticas do gerador de nmeros pseudo- aleatrios l utilizado; l d y nmero de simulaes realizadas; y procedimento de definio do intervalo de abrangncia. abrangncia Efeito do nmero de amostras y Varivel aleatria gaussiana M=100 e M=100000 Mtodo de Monte Carlo y O aumento do tamanho de amostra M traz um aumento nos requisitos sobre o hardware usado na simulao e no tempo necessrio para se dispor do resultado. y Para definir o nmero de simulaes, deve-se fazer um balano entre a qualidade dos resultados desejada e as disponibilidades de h d hardware e dde tempo. y O erro amostral de simulao no a nica fonte de desvios potenciais na anlise de incerteza por SMC. SMC y Modelos matemticos pouco representativos e grandezas de influncia mal caracterizadas podem gerar desvios bem maiores e mais difceis de serem detectados. y Aumentar o nmero de simulaes M para p reduzir o erro amostral pode no trazer o retorno esperado. Mtodo de Monte Carlo y A flexibilidade do MMC permite que ele seja usado para estimar a incerteza expandida, em situaes onde a distribuio que representa os valores possveis do mensurando no normal. y Quando Q d a di distribuio t ib i dda varivel i l que representa t os valores l possveis do mensurando simtrica, possvel usar o recurso d ordenar de d o vetor t dde sada d ddo menor para o maior i valor l e identificar os limites do intervalo de abrangncia por meio da contagem t dos d seus elementos. l t MMC Propagao de PDFs y Ex.: Ex : Duas distribuies retangulares iguais iguais. Variveis X e Z tm amplitudes iguais, dentro do intervalo [0; 1]. y A convoluo das duas distribuies pode p ser calculada,, resultando uma distribuio de probabilidade de sada triangular. y 100000 simulaes.
Soma de duas distribuies retangulares g com 100000 - mesmo intervalo [0,1] Soma entre duas distribuies retangulares com o mtodo clssico da aplicao da Lei de propagao de incertezas com o MCM, com 500000 simulaes.
Mtodo Mdia U95% U99%
Clssico 1,0000 1,6004 2,1066 MCM 0,9994 1,5543 1,8002 Ex.2 Ex 2 : duas distribuies retangulares com amplitudes diferentes (X [0, 1] e Z [0, 2,5]). 100000 simulaes Soma de duas distribuies retangulares com o intervalo [0,1] e [0,2,5] - 100000
simulaes -distribuio trapezoidal p Comparao mtodo clssico x MMC y 500.000 500 000 simulaes y Diferenas de 8% e 21% para os nveis de confiana de 95% e 99%
Mtodo Mdia U95% U99%
Clssico 1,7500 3,0470 4,0108 MCM 1 7507 1,7507 2 7941 2,7941 3 1858 3,1858 Ex. 3 - Trs distribuies retangulares X [0, 1], Z [0, 2,5] e Y [0, 1]). 100000 simulaes y Resultado da soma de trs distribuies retangulares, Comparao mtodo clssico x MMC y 500000 simulaes
Mtodo Mdia U95% U99%
Clssico 2,2500 3,2502 4,2784
MCM 2,2496 3,0582 3,6551
O exemplo da calibrao de um multmetro digital y modelo matemtico: E X = ViX VS + VIX VS y MMC com 500 000 simulaes, a incerteza na indicao do MMD resultou no valor de 0,100 0 100 V, V com um intervalo de confiana de 95%. y A forma da distribuio essencialmente trapezoidal. trapezoidal y A distribuio retangular uma aproximao possvel y Seria S i uma aproximao i grosseirai assumir i uma didistribuio ib i gaussiana. Distribuio da varivel de sada para o exemplo da calibrao do multmetro digital 100000 simulaes digital- Mtodo de Monte Carlo y O mtodo de Monte Carlo uma ferramenta q que pode p ser utilizada com vantagem em situaes onde as condies do mtodo convencional no so atendidas: y o modelo matemtico da medio apresenta p uma acentuada no-linearidade; y a distribuio de probabilidade da grandeza de sada afasta-se significativamente da normal. y O mtodo da SMC p particularmente til,, qquando 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 ggrandezas de influncia. y A utilizao de ferramentas computacionais, na metrologia cientfica e industrial, tem sido cada vez mais aceito. y As atividades metrolgicas vm sendo fortemente beneficiadas 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 qquando grandes g quantidades q de nmeros precisam p ser manipuladas.