ENQUALAB-2005 - Encontro para a Qualidade de Laboratórios

7 a 9 de junho de 2005, São Paulo, Brasil

USO DE PLANILHAS ELETRÔNICAS PARA IMPLEMENTAÇÃO DO

MÉTODO DE MONTE CARLO PARA ESTIMATIVA DA INCERTEZA DE
MEDIÇÃO

Daniel Homrich da Jornada

Rede Metrológica RS
dhj@terra.com.br / (51) 3347-8745 / 9696-4474

Morgana Pizzolato
Universidade Federal do Rio Grande do Sul
morgana@producao.ufrgs.br / (51) 3316-3490 / 9808-5979

Resumo:
O presente artigo visa apresentar um estudo de caso da
utilização de um software de planilhas eletrônicas para
implementação do cálculo de incerteza da medição
segundo o Método de Monte Carlo, comparando
posteriormente os resultados obtidos com o método de
cálculo proposto pelo ISO GUM.
Uma vez que a metodologia já está estabelecida, o
problema central será a implementação deste novo
método. A disponibilidade de softwares – que é um pré-
requisito para aplicação da Simulação de Monte Carlo – é
restrita, e os laboratórios de metrologia que desejarem
implementar esse método deverão optar por um software
que seja adequado às necessidades.

Palavras-chave: metrologia; cálculo de incerteza; método
de Monte Carlo; Planilhas Eletrônicas.
1. INTRODUÇÃO
A recente necessidade dos laboratórios de ensaios
implementarem uma sistemática para a estimativa da
incerteza em suas medições fez com que este universo de
laboratórios se deparasse com um problema: a atual
sistemática de cálculo de incerteza, proposta pelo Guia
para Expressão da Incerteza de Medição da ISO
(International Organization for Standardization),
documento também conhecido como ISO GUM, vem
sendo muito bem implementada, desde 1993, pela área de
calibração, mas em muitos casos, principalmente em
ensaios, a metodologia não pode ser considerada a mais
adequada ou viável de ser adotada, seja pela
complexidade dos cálculos envolvidos ou pelos pré-
requisitos exigidos pelo atual método. Neste contexto,
começam a ser discutidas formas alternativas para o
cálculo da incerteza de medição, para que este parâmetro
possa ser mais adequadamente estimado.
Surge, assim, como uma possibilidade, a aplicação da
Simulação de Monte Carlo para o cálculo de incerteza.
Um documento orientativo sobre o assunto já está em
discussão na ISO, que deverá traçar os principais
requisitos para aplicação desta nova metodologia para o
cálculo de incerteza.
O presente artigo traz uma análise a respeito da aplicação
do Método de Monte Carlo com o uso do software
computacional Microsoft Excel. Serão apresentadas as
ferramentas disponíveis e as restrições do software para a
geração de números aleatórios e conseqüente
implementação do método de Simulação de Monte Carlo.
O trabalho apresenta também um exemplo da aplicação
desta ferramenta computacional no ensaio de
determinação do índice de acidez em águas. Os resultados
foram comparados com aqueles obtidos através do cálculo
executado segundo o método proposto pelo ISO GUM.
2. OBJETIVO
O objetivo deste artigo consiste em demonstrar a
implementação do método de Simulação de Monte Carlo
para cálculo da incerteza de medição de um ensaio através
de planilhas eletrônicas, comparando os resultados com o
método proposto pelo ISO GUM.
O presente artigo não pretende esgotar a discussão sobre o
tema, mas sim, avaliar uma proposta para a efetiva
implementação do método de Monte Carlo para o cálculo
da incerteza.
3. MÉTÓDO
Como o resultado de uma medição é meramente uma
estimativa do valor do mensurando, ao relatar seu
resultado torna-se necessária a indicação quantitativa da
qualidade dessa estimativa, de forma tal que aqueles que
os utilizam possam avaliar sua confiabilidade. A incerteza
do resultado de uma medição reflete a falta de
conhecimento exato – ou dúvida – quanto ao valor
verdadeiro do mensurando. A incerteza de medição
compreende, em geral, muitos componentes. Alguns
desses componentes podem ser estimados com base na
distribuição estatística dos resultados das séries de
medições e podem ser caracterizados por desvios padrão
experimentais. Outros componentes, que também podem
ser caracterizados por desvios padrão, são avaliados por
meio de distribuições de probabilidade assumidas,
baseadas na experiência ou em outras informações [1].
O ISO GUM foi elaborado no sentido de harmonizar as
metodologias utilizadas pelos laboratórios de metrologia
para a estimativa da incerteza nas medições, bem como
servir como um guia de fácil entendimento e
implementação nas diferentes áreas da metrologia. Seu
princípio consiste em demonstrar que a incerteza global
do ensaio ou calibração incorpora diversas fontes de
incerteza, que surgem de efeitos sistemáticos e aleatórios,
propiciando, assim, a comparabilidade dos resultados de
medições executadas por laboratórios distintos [1].
A implementação do ISO GUM parte da análise do
modelo matemático da medição (equação da medição
propriamente dita) que inclui todas as contribuições
relevantes para o ensaio ou calibração. A incerteza global
é então estimada pela lei da propagação da incerteza,
seguindo a identificação e a quantificação da incerteza
individual dos fatores de influência [2].
O procedimento geral para aplicação do ISO GUM
consiste em representar as estimativas de entrada do
modelo matemático da medição em termos de suas
médias e desvios-padrão. Essas informações são
propagadas para obtenção de um desvio-padrão,
assumindo a distribuição do mensurando como uma
Gaussiana, ou tipo t-Student [3].
Por outro lado, o método de Monte Carlo, diferentemente
do ISO GUM, utiliza o conceito de propagação das
distribuições de probabilidade das grandezas de entrada e
não, somente a propagação das incertezas das grandezas
de entrada como preconiza o outro método. Ou seja, toda
a distribuição de probabilidade de cada fonte de incerteza
é propagada através da equação da medição [3].
O conceito de propagação de distribuições utilizado pela
Simulação de Monte Carlo consiste primeiramente em
assumir distribuições de probabilidade apropriadas (como
uniforme, normal, triangular, entre outras) para as fontes
de incerteza do ensaio ou calibração. Essas distribuições
são, então, propagadas através da equação da medição e
os valores para a média e desvio-padrão dos resultados
são estimados. A incerteza do ensaio ou da calibração será
calculada de acordo com um determinado nível da
confiança desejado (normalmente 95,45%), após um
grande número de repetições executadas [3].
Um documento suplementar ao ISO GUM, a respeito da
utilização da Simulação de Monte Carlo para o cálculo da
incerteza de medição, vem sendo desenvolvido, ainda em
forma de minuta por um comitê ligado ao BIPM chamado
de Joint Committee for Guides in Metrology (JCGM).
Com o método de Monte Carlo, as funções densidade de
probabilidade das grandezas de entrada são propagadas
pelo modelo matemático da medição para obter uma
função densidade de probabilidade para a grandeza de
saída, o mensurando. Desta forma, a distribuição da
grandeza de saída não é assumida a priori, como acontece
no método do ISO GUM, mas calculada a partir das
distribuições de probabilidade das grandezas de entrada
[4].
As bases para a aplicação da Simulação de Monte Carlo
no cálculo da incerteza consistem em selecionar
aleatoriamente um número de uma distribuição de
possíveis valores para uma grandeza de entrada e repetir o
procedimento para as outras grandezas de entrada. Cada
valor obtido aleatoriamente é considerado no modelo
matemático da medição e um resultado é, então, obtido
para a grandeza de saída. Este passo é repetido n vezes, de
forma independente, a fim de avaliar a função densidade
de probabilidade do mensurando. Desta forma, os
procedimentos adotados pela Simulação de Monte Carlo
dispensam os cálculos das derivadas parciais, o que em
muitos casos pode ser um fator de complicada obtenção
[4].
De acordo com [4], a incerteza calculada pelo método de
Monte Carlo pode ser expressa pela equação (1):
I0,9545 = [Percentil0,022275; Percentil0,97725] (1)
Onde:
- I0,9545 é a incerteza de medição, para um nível da
confiança de 95,45%
- Percentil0,022275 é o percentil 2,2275 % do conjunto de
resultados gerados através das simulações de Monte
Carlo;
- Percentil0,97725 é o percentil 97,725 % do conjunto de
resultados gerados através das simulações de Monte
Carlo;
Outra importante utilidade da Simulação de Monte Carlo
consiste na possibilidade de validação, ou não, dos
cálculos executados pelo método do ISO GUM. A lei da
propagação da incerteza, proposta pelo ISO GUM, pode
funcionar plenamente, na maioria dos casos. Contudo, é
complexo quantificar os efeitos das aproximações
envolvidas, tais como não-linearização do modelo
matemático, inaplicabilidade da fórmula de Welch-
Satterthwaite e a distribuição não normal da grandeza de
saída. Neste sentido, sempre quando houver dúvidas com
relação à adequação do método do ISO GUM, os cálculos
devem ser validados de alguma forma. A Simulação de
Monte Carlo, associada à utilização de softwares
computacionais, pode ser uma alternativa para validar tais
cálculos, já que a propagação de distribuições é uma
generalização da lei de propagação de incertezas [4].
Informações detalhadas sobre o processo de cálculo de
incerteza segundo o método do ISO GUM podem ser
consultadas em [1; 5-6]. Referências com relação ao
Método de Monte Carlo para o cálculo de incerteza
podem ser obtidas em [3-4;7].
A seguir será demonstrado o resultado de um estudo sobre
a implementação do método de Monte Carlo, em
comparação com o método do ISO GUM.
4. RESULTADOS
4.1 Sobre o estudo
O estudo apresentado a seguir visa analisar criticamente a
implementação do cálculo de incerteza através do método
de Monte Carlo com a utilização de planilhas eletrônicas
para estruturação de tais cálculos.
A ferramenta computacional escolhida para implementar
o método de Monte Carlo foi o Microsoft Excel, visto que
se configura como um software de grande utilização por
parte dos laboratórios. Cabe ressaltar que este software
não foi concebido, a princípio, para este fim, possuindo,
portanto, algumas limitações que serão tratadas na
seqüência.
Para o estudo de caso, foi enfocado o ensaio de
determinação do índice de acidez em águas, executado no
Laboratório Geral do Centro de Ecologia da UFRGS
(CENECO). O CENECO é um órgão ligado ao Instituto
de Biociências. Ele possui quatro laboratórios
reconhecidos pela Rede Metrológica RS, de acordo com a
norma NBR ISO/IEC 17025:2001, dentre eles o
Laboratório Geral, que executa análises físico-químicas
em águas e efluentes.
4.2 Resultados pelo método do ISO GUM
A determinação do Índice de Acidez em Águas é dado
pela equação (2):
-1
Y = 50.000 x N x Vt x Va (2)
Onde:
- Y é o resultado do ensaio (índice de acidez) – expresso
em mg/L de CaCO3;
- 50.000 é uma constante multiplicativa em função da
massa molar de CaCO3;
- N é a normalidade da solução-padrão preparada;
- Vt é o volume gasto do titulante;
- Va é o volume da amostra;
Para efeitos de cálculo, será estimada a incerteza de
medição do ensaio, quando:
N = 0,0196 N
Vt = 1,20 mL
Va = 100,00 mL
Desta forma, substituindo os valores citados
anteriormente na equação (2), o resultado do ensaio de
determinação do índice de acidez seria:
Y = 50.000x0,0196x1,2x100,00-1 = 11,8 mg/L de CaCO3
O resultado da incerteza expandida calculada previamente
pelo laboratório, de acordo com o método do ISO GUM
foi de ± 1,3 mg/L de CaCO3, para o ensaio de
determinação do índice de acidez em águas, para uma
probabilidade de abrangência de 95,45%.
4.3 Resultados pelo método de Monte Carlo
Para implementar o método de Monte Carlo, foi utilizada
a função “ferramentas de análise – geração de números
aleatórios” para gerar os números aleatórios em Microsoft
Excel. Para tanto, as mesmas fontes de incerteza
consideradas inicialmente pelo laboratório, em sua
planilha de incerteza pelo método do ISO GUM, foram
consideradas no cálculo pelo método de Monte Carlo.
Infelizmente, o referido software não descreve o
algoritmo utilizado para a geração de tais números
aleatórios. Sendo assim, para avaliar a coerência da
geração destes números foram analisados histogramas de
um conjunto de números gerados aleatoriamente pelo
software. As figuras (1) e (2) apresentam dois testes feitos
com a geração de 20.000 números aleatórios cada, com
distribuições de probabilidade normal (média 0 e desvio-
padrão 1) e uniforme (de -1 a 1), respectivamente. Pela
análise visual das figuras (1) e (2), nota-se claramente a
adequação dos conjuntos de dados às distribuições
propostas.
300
250
200
Freqüência
150
100
50
0
Bloco
Figura (1) – Histograma de freqüência da geração de números
aleatórios para uma variável com distribuição normal, com
média 0 e desvio-padrão 1.

120
100
80
Freqüência
60
40
20
0
Bloco
Figura (2) – Histograma de freqüência da geração de números
aleatórios para variável com distribuição uniforme, de -1 a 1.
Na primeira planilha elaborada, envolvendo o cálculo do
volume da solução-padrão, consideraram-se como fontes
de incerteza a incerteza na calibração da pipeta, o erro de
indicação da pipeta e o erro volumétrico da pipeta em
função da variação de temperatura do laboratório.
Do certificado de calibração da pipeta, temos que a
incerteza expandida é igual a 0,0111 mL. Dividindo-se
esse valor pelo respectivo fator de abrangência k = 2,
temos que a incerteza padrão combinada (representada
sob forma de um desvio-padrão) será igual a 0,00555 mL.
O passo seguinte consiste em acionar a função de geração
de números aleatórios, selecionando, neste caso,
distribuição de probabilidade normal para esta fonte de
incerteza. O software solicita a definição do número de
repetições que deverão ser executadas pelo algoritmo.
Optou-se por utilizar neste trabalho 20.000 repetições em
cada variável gerada aleatoriamente. Na seqüência,
declarou-se o valor central da variável, que é igual a 0, e o
seu desvio-padrão, igual a incerteza padrão combinada, ou
seja, 0,00555 mL. A figura (3) apresenta a janela de
entrada dos dados para acionar a função de geração de
números aleatórios pelo Microsoft Excel.
Figura (3) – Uso da função “ferramentas de análise – geração de
números aleatórios” no Microsoft Excel
Com relação a opção “geração de números aleatórios”, o
software apresenta uma restrição quanto às distribuições
de probabilidade: o usuário pode escolher somente entre
as seguintes distribuições:
- Uniforme/retangular
- Normal
- Bernoulli
- Binomial
- Poisson
- Padronizada
- Discreta
Neste sentido, o software não contempla as distribuições
do tipo triangular ou t-Student, o que, em certos casos,
poderia vir impossibilitar seu uso para o cálculo da
incerteza pelo método de Monte Carlo.
Para a fonte de incerteza com relação ao erro de indicação
da pipeta, acionou-se novamente a função de geração de
números aleatórios. Neste caso, a distribuição desta
variável é do tipo uniforme, que é um sinônimo para
distribuição retangular. Os valores podem variar desde
-0,0118 mL até 0,0118 mL, conforme indicação da
planilha do método do ISO GUM, calculada previamente
pelo laboratório.
O mesmo processo foi executado para a fonte de incerteza
com relação ao erro volumétrico em função da variação
de temperatura do laboratório. Novamente, a distrituição é
do tipo uniforme, variando desde -0,0126 mL até 0,0126
mL.
Para combinar as 3 variáveis e obter um valor de incerteza
único para esta etapa, deve-se primeiro recorrer à equação
da medição, no qual todos os valores obtidos da geração
aleatória são combinados. Esse processo é repetido 20.000
vezes, que é justamente o número de repetições
estabelecido anteriormente.
Na seqüência, calcula-se o valor da média do conjunto de
resultados e o valor dos percentis 2,275 % e 97,725 %,
para se obter uma incerteza com 95,45 % de nível da
confiança (mesmo nível estabelecido para o cálculo pelo
método do ISO GUM). O valor obtido do percentil 2,2275
% será o limite inferior de incerteza e o valor do percentil
97,725 % será o limite superior da incerteza pelo método
de Monte Carlo.
Desta forma, a incerteza final para a determinação de do
índice de acidez pelo método de Monte Carlo foi de:
I0,9545 = [-1,31; 1,34] mg/L de CaCo3
A figura (4) apresenta o histograma dos resultados obtidos
através das 20.000 repetições executadas pelo método de
Monte Carlo. O histograma demonstra a adequação dos
dados à distribuição normal.
É importante neste ponto ressaltar que o Microsoft Excel
apresenta uma restrição com relação à quantidade de
repetições possíveis na geração dos números aleatórios. O processamento de cada geração foi de aproximadamente 1
software permite gerar até 32.767 repetições para cada minuto, num computador com processador de 1,7 GHz e
variável. 256 Mb de memória RAM.

Sendo assim, foi desenvolvido um estudo para avaliar as Nestas configurações, o arquivo com as planilhas
variações nos resultados em função da variação no eletrônicas pelo método de Monte Carlo ocupou
número de repetições executadas no Microsoft Excel. aproximadamente 23 Mb no HD, o que vem a ser um
ponto negativo, pois demanda muito espaço de
O estudo envolveu a geração de números aleatórios com armazenamento.
distribuição uniforme, variando de -1 a 1. Foram gerados
números aleatórios com 5.000 repetições, 10.000 Após obtido este valor de incerteza, foi executado um
repetiçõe, 15.000 repetições, 20.000 repetições, 25.000 processo de comparação entre as incertezas obtidas pelo
repetições e 32.767 repetições. método do ISO GUM e pelo método de Monte Carlo.
Através desta comparação, foi possível verificar a
validade dos cálculos gerados e o uso da planilha
500 eletrônica. Para este processo de validação, foi utilizado o
450 procedimento recomendado por [4].
400
350
5. DISCUSSÃO
Freqüência

300
Pelos resultados apresentados percebe-se claramente que
250 o uso de softwares tipo Microsoft Excel, de planilhas
200 eletrônicas, para o processo de cálculo de incerteza é
150
válido, apesar de suas limitações apresentadas
anteriormente neste trabalho.
100
50 6. CONCLUSÕES
0
Bloco O presente artigo apresentou uma comparação entre o
atual método de cálculo de incerteza segundo o ISO GUM
Figura (4) – Histograma de Freqüência para os resultados finais e o método alternativo de cálculo de incerteza que utiliza
do ensaio pelo Método de Monte Carlo Simulação de Monte Carlo, enfocando o uso de planilhas
eletrônicas.
A figura (5) apresenta graficamente os resultados desse
Foi possível constatar a compatibilidade entre os dois
estudo, que demonstra que visualmente não há diferenças
métodos de cálculo. Pelo uso do software proposto neste
significativas com relação a variações no número de
trabalho, apesar de suas restrições discutidas
repetições executadas.
anteriormente, foi possível verificar sua fácil
implementação. Obviamente, estudos abrangendo outros
1,50000
ensaios e calibrações devem também ser executados, para
1,00000 avaliar todas as restrições em termos de software, quando
da implementação da metodologia de cálculo de incerteza
0,50000
por Simulação de Monte Carlo.
Resultado

0,00000

REFERÊNCIAS
-0,50000

-1,00000 [1] INMETRO. Guia para a Expressão da Incerteza de

Medição. Terceira edição brasileira em língua
-1,50000
0 5.000 10.000 15.000 20.000 25.000 30.000 35.000
portuguesa. Rio de Janeiro: ABNT, INMETRO, 2003.
Número de repetições
120 p.

Figura (5) – Estudo do número de repetição para aplicação do [2] ELLISON, Stephen L. R. and BARWICK, Vicki J.
método de Monte Carlo Using validations data for ISO measurement
uncertainty estimation: Part 1 – Principles of an
approach using cause and effect analysis. The Analyst,
Em função dos resultados apresentados na figura (5), vol 123, p. 1387-1392, jun/1998.
estipulou-se o número padrão de 20.000 repetições para as
planilhas desenvolvidas. Isto porque, um número maior [3] COX, M. G. e HARRIS, P. M. GUM Supplements. CIE
demandaria muito tempo de processamento Expert Symposium on Uncertainty Evaluation, Method
computacional e ocuparia muita memória no Hard Drive for analysis of uncertainties in optical radiation
measurement, Vienna, Austria, 2001.
(HD). Para as planilhas desenvolvidas, o tempo de
[4] BIPM. Guide to the expression of uncertainty in
measurement (GUM) - Supplement 1: Numerical
methods for the propagation of distributions -
Temporary ISO Guide 9998. BIPM/JCGM-WG1-SC1-
N10. 2004.

[5] European co-operation for Acreditation (EA). EA-4/02 –

Expression of the Uncertainty of Measurement in
Calibration. 1999. 79 p.

[6] EURACHEM/CITAC. Quantifying Uncertainty in

Analitical Measurement. 2ª ed. 2000.

[7] LANDGRAF, Wagner R.; STEMPNIAK, Charles R.

Simulação de Monte Carlo e Ferramentas para
Avaliação da Incerteza de Medição. In: IV Congresso
Latino Americano de Metrologia, 2004, Foz do Iguaçu.
Anais.