Aula 04 Mtodo de Monte Carlo

aplicado a anlise de incertezas

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.