ENQUALAB-2007 – Congresso da Qualidade em Metrologia

Rede Metrológica do Estado de São Paulo - REMESP

11 a 14 de junho de 2007, São Paulo, Brasil

CÁLCULO DE INCERTEZA DA MEDIÇÃO: ESTUDO COMPARATIVO

ENTRE OS MÉTODOS DO GUM, DE MONTE CARLO E DE INTEGRAÇÃO
NUMÉRICA

Daniel Homrich da Jornada 1, Felipe Homrich da Jornada 2

1
Certificar e PPGEP/UFRGS, Porto Alegre, Brasil, daniel@portalcertificar.com.br, (51) 3379-0480
2
IF/UFRGS, Porto Alegre, Brasil, fjornada@gmail.com, (51) 3308-6497

Resumo: a crescente exigência quanto a resultados
confiáveis e a importância da incerteza na análise crítica e
interpretação de tais resultados tem feito com que métodos
alternativos ao GUM venham sendo discutidos para o
cálculo da incerteza de medição. É importante que este
cálculo de incerteza deva ser realizado de uma maneira
matematicamente válida e de forma prática. Neste sentido, o
presente artigo tem como objetivo apresentar um estudo
comparativo entre métodos de cálculo da incerteza de
medição, suas diferenças, vantagens e desvantagens. O
trabalho começa analisando criticamente o método GUM,
suas suposições e restrições. Na seqüência, o artigo
apresenta uma breve revisão sobre um método alternativo,
através de simulação de Monte Carlo. Logo após, um
método de cálculo da incerteza através da integração
numérica baseado em Transformadas de Fourier e Mellin é
apresentado e comparado com os anteriores. O estudo
apresenta as vantagens e desvantagens de cada método
estudo, enfocando o caso deste último método. Através
deste trabalho, pôde-se constatar que a aplicação de métodos
de integração numérica via Transformadas de Fourier e
Mellin é uma forma possível e válida de cálculo da
incerteza. Trata-se de um método exato de cálculo da
incerteza e mostrou-se eficaz inclusive quando o GUM não
atinge resultados satisfatórios.
Palavras chave: incerteza de medição, métodos de cálculo
de incerteza, GUM, Monte Carlo, Integração Numérica.
1. INTRODUÇÃO
A incerteza de medição consiste em um parâmetro,
associado ao resultado de uma medição, seja ela uma
calibração ou um ensaio, que caracteriza a dispersão dos
valores que podem ser atribuídos ao mensurando [1]. A
incerteza pode ser entendida como um grau de dúvida
inerente ao processo de medição, no qual já não é mais
possível a aplicação de correções para que a mesma seja
eliminada por completo.
A incerteza na área de calibração é um já difundido e
praticado pelos laboratórios em sua maioria. Entretanto, na
área de ensaios, o cálculo de incerteza ainda não é uma
prática totalmente adotada. De fato, somente a partir da
substituição do antigo ISO/IEC Guia 25 pela ISO/IEC
17025, ocorrida no final de 1999 em nível internacional e
em 2001 no Brasil, o tema começou a ser discutido com
maior intensidade na área de ensaios.
Diversos fatores justificam a importância do cálculo da
incerteza. Por exemplo, quando são realizados ensaios para
estabelecer a conformidade de um produto frente a uma
especificação ou legislação, é importante para as partes
interessadas (comprador, fornecedor, organismo
regulamentador, etc.) que a incerteza seja tomada em
consideração. Fundamentalmente, a incerteza nesse caso
pode auxiliar os clientes dos laboratórios em duas questões:
1) fornecer uma indicação quantitativa da confiabilidade do
resultado do ensaio declarado; 2) quantificar um intervalo
considerando uma probabilidade de abrangência para as
declarações de conformidade do produto em questão sendo
avaliado frente a especificações [2].
Na avaliação da conformidade, a incerteza já vem sendo
utilizada para definição de regras de decisão para aceitação e
rejeição. Referências podem ser consultadas em [3].
Adicionalmente ao exposto, a incerteza em laboratórios de
ensaios pode ser utilizada como uma ferramenta para
auxiliar na identificação de potenciais fontes de redução de
custos com calibrações de instrumentos. Caso seja
evidenciado que esses instrumentos pouco contribuem para
a incerteza total do ensaio, a calibração dos mesmos pode
ser executada em intervalos maiores ou mesmo não ser mais
executada, dependendo do seu impacto [2].
Vale lembrar que a incerteza é composta de diversos
componentes, conforme sugere o GUM [1]. Por isso,
realizar uma avaliação completa e cautelosa é necessária.
O Guia para Expressão da Incerteza de Medição da ISO,
conhecido como GUM, é um método oficial publicado pela
ISO, em conjunto com o BIPM e outras entidades
internacionais da área científica, que estabelece uma forma
de cálculo de incerteza de forma que possa ser
universalmente aplicada.
Devido a restrições inerentes ao método do GUM, outros
métodos também podem ser aplicados para a estimativa da
incerteza de medição [1]. Neste sentido é importante que tais
métodos alternativos sejam matematicamente válidos e
práticos quanto a sua forma implementação nos laboratórios.
O objetivo deste trabalho consiste em apresentar estudo
comparativo entre métodos de cálculo de incerteza,
enfatizando suas diferenças, vantagens e desvantagens.
Foram comparados os métodos do GUM, de Monte Carlo e
de Integração Numérica, este último raramente
implementado em laboratórios.
Foi dado especial destaque ao método da integração
numérica, uma vez que este não é discutido com freqüência.
O referido método de integração numérica estudado neste
artigo está baseado na aplicação de Transformadas de
Fourier e Mellin. A partir dos resultados obtidos, pôde-se
constatar a possibilidade de realização do cálculo de
incerteza por um método alternativo aos já conhecidos
métodos do GUM e de Monte Carlo. Tal método numérico
mostrou-se válido e será exemplificado em duas aplicações.
Não é objetivo deste trabalho esgotar a discussão, uma vez
que o tema, métodos de cálculo de incerteza, é um assunto
complexo e abrange todas as áreas de metrologia.
O artigo apresenta no seu item 2 uma breve revisão a
respeito do método do GUM e suas restrições. Logo após, o
item 3 descreve uma breve revisão sobre o método de Monte
Carlo. Na seqüência, o item 4 deste trabalho apresenta um
método de integração numérica via Transformadas de
Fourier e Mellin. Tal método é aplicado em duas situações
distintas, juntamente com os métodos do GUM e de Monte
Carlo. Os resultados destas aplicações são discutidos no
item 5. Por fim, o item 6 traz as conclusões finais deste
trabalho.
2. MÉTODO DE CÁLCULO DO GUM
2.1. Breve descrição do método
O 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 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 [4].
O método do GUM está baseado na lei da propagação de
incertezas. Tal lei afirma que a incerteza de cada fator de
influência da medição é propagado para a incerteza final da
medição através de uma expansão de primeira ordem da
série de Taylor. Assume-se, através da aplicabilidade do
Teorema do Limite Central, que distribuição de
probabilidade para o resultado da medição seguirá um
modelo de distribuição do tipo normal, ou tipo t-Student
quando o grau de liberdade efetivo for baixo ( ν < 30 ) [1].
O procedimento de estimativa de incerteza nas medições
consiste nos seguintes passos [1]:
a) definir o modelo matemático da medição: representar a
medição através de uma equação matemática, na qual f
é o mensurando em questão e Xi são as grandezas de
entrada, da qual dependem o mensurando;
b) identificar e aplicar eventuais correções significativas:
corrigir os erros sistemáticos a fim de não incorporá-los
na incerteza;
c) relacionar todas as fontes de incerteza: verificar tudo o
que pode ter influência no resultado do ensaio ou
calibração;
d) calcular os coeficientes de sensibilidade: calcular as
derivadas parciais de f em relação a cada Xi;
e) calcular as incertezas do tipo A: fontes de incertezas
obtidas através de meios estatísticos;
f) calcular as incertezas do tipo B: fontes de incertezas
obtidas por outros meios que não estatísticos;
g) calcular as correlações entre as fontes de incerteza,
quando elas de fato existam e sejam significantes;
h)calcular as contribuições de incerteza: estimar quanto
cada uma das fontes incerteza, do tipo A e do tipo B,
influenciam na incerteza global do ensaio ou calibração,
por meio da aplicação dos coeficientes de sensibilidade.
i) obter a incerteza padrão combinada: é a incerteza do
ensaio ou calibração considerando todas as fontes de
incerteza, como um desvio padrão; é calculada de
acordo com a equação 1 a seguir:
 ∂y 
∑ u ( y) ∑  ∂x ⋅ u( xi ) 
2
2
 i 
uc = i = Eq. 1
Onde:
uc: é a incerteza padrão combinada, ou simplesmente
incerteza combinada;
ui (y) são as contribuições de incerteza para o
mensurando y;
u(xi ) são as incerteza padrão das grandezas Xi; e
∂y
∂xi
são as derivadas parciais de y para o cálculo dos
coeficientes de sensibilidade.
j) obter a incerteza expandida: é a incerteza do ensaio ou
calibração considerando todas as fontes de incerteza,
com desvio padrão superior a um, para obter-se uma
maior probabilidade de abrangência naquela estimativa
é calculada a partir da equação 2.
U = kuc ( y )
Eq. 2
Onde:
U é a incerteza expandida;
k é o fator de abrangência para incerteza;
2.2. Restrições do método
O GUM estabelece que, para certas situações, as condições
requeridas pelo Teorema do Limite Central podem não ser
completamente satisfeitas e o enfoque dado pelo método
pode levar a um resultado de incerteza inadequado. Este é o
caso quando, por exemplo, uc(y) é dominada por um
componente de incerteza avaliado por uma distribuição
retangular. De acordo com o GUM, tais casos devem ser
tratados individualmente [1].
Para a aplicação do método proposto pelo ISO GUM, as
seguintes premissas devem válidas: i) linearização suficiente
do modelo matemático da medição; ii) aplicabilidade do
Teorema do Limite Central, implicando na representação da
função densidade de probabilidade do mensurando através
de uma distribuição Normal (Gaussiana) ou tipo t-Student,
com média e desvio-padrão conhecidos; iii) adequação da
equação de Welch-Satterthwaite [5].
Em muitas situações, a dificuldade reside em saber quando a
premissa de linearização do modelo é valida para que o
método do GUM possa ser aplicado [5].
Em determinadas situações, quando a incerteza combinada é
dominada por uma fonte de incerteza com distribuição de
probabilidade radicalmente diferente da distribuição normal,
a distribuição de saída pode não ser do tipo normal ou t-
Student [5]. Diversos trabalhos já apontaram para tal fato.
Um exemplo pode ser visto em [6].
A equação de Welch-Satterthwaite para cálculo dos graus
efetivos de liberdade é bastante adequada para situações na
qual as variáveis são independentes. Entretanto, quando
efeitos de correlação são levados em consideração essa
equação pode distorcer o valor dos graus efetivos de
liberdade [7]. Um estudo de caso sobre o cálculo dos graus
efetivos de liberdade com variáveis correlacionadas pode ser
consultado em [8].
Quando as restrições acima apresentadas são impostas,
métodos de cálculo de incerteza alternativos ao GUM devem
ser aplicados [1].
3. MÉTODO DE MONTE CARLO
O método ou simulação de Monte Carlo está inserido no
ramo da estatística chamado de estatística bayesiana. A
estatística bayesiana, ao contrário da estatística clássica ou
freqüentista, faz uso das informações e conhecimentos
prévios ao evento – conhecidos como a priori – para, a
partir destas e de dados coletados, obter-se uma informação
posterior – conhecido como a posteriori [9].
A Simulação de Monte Carlo utiliza informações a priori
das grandezas de entrada que afetam a incerteza, através das
suas distribuições de probabilidade, gera n números
aleatórios e então obtém uma probabilidade a posteriori [7].
Neste sentido, o método de Monte Carlo, diferentemente do
método do GUM, utiliza o conceito de propagação das
distribuições de probabilidade das grandezas de entrada, ao
invés de somente a propagar as incertezas das grandezas de
entrada, como preconiza o outro método. Ao contrário do
GUM, ele consiste em um método dito exato para o cálculo
da incerteza [5].
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 da medição será calculada de acordo
com um determinado nível da confiança desejado
(normalmente 95,45%), após um grande número de
repetições executadas, e será expressa como um intervalo de
confiança [5].
Como vantagem do método, 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. Além disso, o método dispensa a
atribuição de graus de liberdade para as fontes de incerteza e
requer a linearização do modelo matemático da medição [5].
Outra importante utilidade do método de Monte Carlo
consiste na possibilidade de validação dos cálculos
executados pelo método do GUM, justamente porque a
propagação de distribuições é uma generalização da lei de
propagação de incertezas [7].
Apesar do tema ainda estar em discussão no BIPM, diversos
estudos e exemplos de aplicação do método de Monte Carlo
encontram-se na literatura. Dentre eles, pode-se citar [6; 10;
11].
Um cuidado que se deve ter em mente quando da aplicação
deste método é com relação à qualidade de geração dos
números aleatórios e ao tamanho da semente aleatória. Tais
fatores impactam diretamente na qualidade do resultado da
simulação.
4. MÉTODO DA INTEGRAÇÃO NUMÉRICA VIA
TRANSFORMADAS DE FOURIER E MELLIN
4.1. Apresentação do método
Apesar do antigo interesse na álgebra de variáveis aleatórias,
métodos numéricos estocásticos eram impraticáveis antes do
advento do computador. Desde o início do século, porém, já
se trata a soma de duas distribuições analiticamente através
da convolução [12]. Se denotarmos por x(·) a função
distribuição da variável aleatória X e por y(·) a da variável
Y, a distribuição z(·) da soma Z = X+Y pode ser escrita
como:
∫ x(ξ − t )y(t )
z (ξ ) = dt = x(·) ∗ y(·)
∞
Eq. 3
−∞
Uma expressão semelhante para o produto de variáveis
aleatórias só foi desenvolvida na primeira metade do século
passado [13]. Se as distribuições x(·) e y(·) forem positivas,
a distribuição Z = XY é dada por:
∫ t x(ξ / t )y(t )
z (ξ ) =
∞
1
dt Eq. 4
0

Pela complexidade analítica, apenas o produto de
distribuições simples é estudado. Por outro lado, uma
integração numérica direta também não é trivial de ser
implementada, pela acentuada não-linearidade do fator 1/t.
Neste trabalho, testamos um algoritmo que trata
eficientemente da soma e do produto de variáveis aleatórias,
tomando o cuidado para que seja numericamente estável e
para que exija um número mínimo de cálculos.
Um grande problema numérico encontrado nas expressões
(3) e (4) é o da complexidade computacional. Qualquer uma
das expressões necessita, para um determinado ponto da
distribuição z(·), o cálculo de uma integração em todo
espaço das distribuições x(·) e y(·). Para que essa operação
seja realizada numericamente, o espaço do sistema deve ser
discretizado em um número N de pontos, de forma que o
tempo necessário pelas distribuições de z(·) vão crescer com
o quadrado de N, ou seja O(N²).
Para a soma, esse problema pode ser simplificado com o
auxílio da Transformada de Fourier [14]:
z (ξ ) = Fξ−1 [ F [x (·)] F [ y (·)] ]
Eq. 5
onde F [f] é a Transformada de Fourier da função f(·), e F -1
[f], a sua inversa. Se calcularmos a Transformada de Fourier
e sua inversa pelo algoritmo da Fast Fourier Transform
(FFT) [15], a complexidade total torna-se O(N log(N)) [16],
um progresso significativo frente ao algoritmo original.
O problema do produto de variáveis aleatórias pode ser
tratado com o mesmo raciocínio. Nesse caso, é a
Transformada de Mellin que separa a integral da expressão
(4) em um produto de transformadas [17]:
z (ξ ) = Mξ−1 [M[x(·)] M[ y (·)]]
Eq. 6
onde M [f] é a Transformada de Mellin da função f(·), e M
-1
[f], a Transformada inversa. Essa fórmula, porém, só é
válida para X e Y positivas. Uma solução para contornar
este problema é separar cada uma das funções z(·), x(·) e y(·)
em uma função definida apenas para argumento positivo, e
outra somente para argumento negativo [18] . Para x(·), por
exemplo, tem-se que:
x (t < 0) = 0, x (t > 0 ) = x (t )
+ +
x − (t > 0) = 0, x − (t < 0 ) = x (t )
Eq. 7
A mesma construção é feita para z(·) e y(·). Assim, pode-se
obter uma expressão para o produto de duas variáveis X e Y
de qualquer sinal [18]:
 [ [
Mξ Mt x (t )] [ ] [ ] M [y (− t )]],
Mt y + (t ) + Mt x − (− t )
z (ξ ) =  −1
−1 + −
z>0 Eq. 8
[ [ ] M [ y (− t )]+ M [x (− t )] M [y (t )]],
t

Mξ Mt x (t )
+ − − +
t t t z<0
Uma relação semelhante existe para a razão de duas
variáveis aleatórias, mas será omitida. A forma acima,
porém, ainda não é eficiente computacionalmente, já que
não existe nenhum algoritmo para o cálculo direto e rápido
da Transformada de Mellin. Porém, esta transformada está
relacionada com a Transformada de Fourier por [19]:
[ ( )]
Mt [ f ( x )] = F−it f e − x
Eq. 9
Desta forma, é possível utilizar novamente o algoritmo da
FFT. A complexidade total para a multiplicação e para a
divisão de distribuições será também, portanto, O(N
log(N)).
Para completar o algoritmo, implementamos a distribuição
resultante da aplicação de uma função sobre uma variável
aleatória. Sendo agora Z=f(X), sendo Z e X variáveis
aleatórias e f uma função, a distribuição resultante z(·) é
dada por [20] :
x(si )
z (ξ ) = ∑ f ( si ) = ξ
| f' (si )|
, Eq. 10
i
Felizmente, na maioria dos casos práticos, a função f possui
inversa, de forma que existirá apenas um si para cada valor
de ξ.
A soma e do produto de distribuições simples calculadas
pelo algoritmo desenvolvido foi comparado, com sucesso,
com suas expressões analíticas. Adicionalmente, como será
mostrado, comparamos este método com o do GUM e com o
de Monte Carlo.
4.2. Aplicação do método
O referido método foi aplicado em duas situações fictícias e,
logo após, seus resultados foram comparados. As situações
são apresentadas a seguir.
Caso 1:
Considere um determinado objeto cuja emissividade em
função da temperatura não é exatamente conhecida. Deseja-
se saber a temperatura efetiva do objeto dentro de um forno
medindo sua radiação emitida. Da Lei de Stefan-Boltzmann,
sabe-se que um corpo negro emite uma quantidade S de
radiação proporcional à quarta potência da temperatura.
Agora, se o objeto em questão não for um corpo negro, a
quantidade de radiação será proporcional também com
relação a sua emissividade, que é um número adimensional
e menor do que um.
No exemplo proposto, podemos relacionar a temperatura (T)
do objeto, em unidades arbitrárias, com sua emissividade
(e), e com a sua radiacão total medida (S), também em
unidades arbitrárias, da seguinte forma:
S
T=4 Eq. 11
e tempo muito maior para ser produzido através do método de
Normalmente, o valor da emissividade possui uma elevada
incerteza. Este problema é um exemplo interessante para a
aplicação do algoritmo desenvolvido, já que a equação
possui uma não-linearidade acentuada. Consideramos,
então, que a variável aleatória S assume uma distribuição
normal de média unitária e de desvio padrão 0,01. Já à
emissividade atribui-se uma distribuição normal de média
0,6 e de desvio padrão 0,2. Calculamos a incerteza total da
temperatura T por três métodos: pelo GUM, por Monte
Carlo, e por integração numérica via Transformadas de
Fourier e Mellin.
Pelo método da propagação de incerteza do GUM, o
intervalo de confiança foi calculado como sendo o dobro da
incerteza expandida U. Foram executadas três simulações
Monte Carlo, as quais foram implementadas em uma
planilha eletrônica do Microsoft Excel®, utilizando 10 000
iterações. Os valores apresentados (incluindo o tempo)
referem-se à média das simulações. Os resultados, contendo
o intervalo de confiança de 95,45% calculado por cada
método, a média das distribuições, e os limites dos
intervalos apresentam-se na tabela 1:
Tabela 1. Comparativo das Incertezas – Caso 1
GUM Monte Integração via
Carlo Transformadas
de Fourier e
Mellin
intervalo de 0,38 0,50 0,52
confiança
limite inferior 0,95 1,00 0,98
média 1,14 1,16 1,19
limite superior 1,33 1,50 1,49
Tempo - 11,3s 0,4s
É interessante notar que o intervalo de confiança calculado
pelo método de Monte Carlo e pela Integração foram
consideravelmente maiores do que o calculado pelo GUM
(31,6 % e 36,8% maiores, respectivamente). Este é um
exemplo claro, portanto, em que a não linearidade é
acentuada para justificar a utilização de métodos alternativos
ao do GUM para o cálculo da incerteza. Também
ressaltamos que, mesmo utilizando apenas distribuições
normais, a incerteza calculada pelo GUM foi subestimada.
Por fim, este exemplo mostrou-se interessante para validar
novo algoritmo apresentado nesse trabalho.
A figura 1 apresenta a distribuição gerada através do
algoritmo de integração numérica por Transformadas de
Fourier e Mellin. Ressalta-se que a curva calculada é
extremamente suave (é formada por 65 536 pontos), mas
que não foi empregado nenhum tipo algoritmo a posteriori
para tal. Um gráfico de qualidade semelhante demoraria um
Monte Carlo.
Fig. 1. Distribuição de probabilidade resultante do Caso 1 pelo
método da Integração
Percebe-se claramente pela figura 1 que a não linearidade do
modelo é acentuada, acarretando que a distribuição de saída
seja notadamente diferente da distribuição normal.
Caso 2:
Considere um caso teórico mais simples: a soma de três
variáveis aleatórias A, B e C. Atribuímos a A e a B
distribuições normais de média 1 e de desvio padrão 0,01, e
a C, uma distribuição retangular de média 1 e de desvio
padrão 0,1. Através do método do GUM, a incerteza
expandida calculada é de 0,12, e o intervalo de confiança,
0,24 (de 2,88 até 3,12). Utilizando o algoritmo
desenvolvido, calculou-se também a soma das variáveis. A
distribuição resultante possui intervalo de confiança de 0,20
(de 2,90 até 3,10).
Neste exemplo, comprova-se que o método do GUM
efetivamente superestimou a incerteza por um fator de
aproximadamente 20%. Esse erro se deve à forte
contribuição da variável aleatória C, de distribuição
retangular, para a incerteza combinada. Tal erro pode não
ser tolerável em determinadas aplicações.
Em situações em que incerteza combinada é dominada por
uma fonte de incerteza de distribuição retangular, o método
do GUM subestimará a incerteza expandida (para um nível
de confiança superior a 91%) [1]. Mais uma vez, o
algoritmo apresentado mostrou-se útil como uma maneira
alternativa para calcular a incerteza quando o método do
GUM não fornece resultados adequados.
A figura 2 apresenta a distribuição calculada pelo método da
integração numérica por Transformadas de Fourier e Mellin.
As mesmas observações quanto à qualidade do gráfico se
aplicam neste caso.

Fig. 2. Distribuição de probabilidade resultante do Caso 2 pelo
método da Integração
Pela análise do gráfico da figura 2, gerado pelo método da
integração, é possível constatar que a distribuição de
probabilidade resultante não segue o modelo normal. Tal
fato se deve à predominância de uma fonte de incerteza de
distribuição de probabilidade retangular. A distribuição de
saída, neste caso, se assemelha a uma trapezoidal.
5. DISCUSSÕES
No caso 2, a incerteza obtida pelo método do GUM foi
superestimada. Nesta situação, o erro foi de
aproximadamente 20%, o que já poderia ser considerado
como inaceitável. Contudo, para a maioria das situações,
uma superestimação da incerteza, desde que não muito
elevada, não representa um problema sério.
No caso 1, a incerteza obtida pelo método do GUM foi
incompatível com aquelas calculadas pelos métodos exatos.
O GUM subestimou a incerteza expandida devido ao fato de
que suas premissas de aplicação não foram atendidas no
caso. Tal fato ressalta a importância de se observar as
restrições do GUM quando da sua aplicação. Neste caso, é
necessário empregar algum método alternativo para o
cálculo da incerteza. Os métodos de cálculo de incerteza de
Monte Carlo e de Integração Numérica via Transformadas
de Fourier e Mellin se mostraram eficazes neste sentido,
sendo o da integração implementado de forma muito mais
rápida do que o de Monte Carlo.
Também salientamos a utilidade do novo algoritmo
apresentado: trata-se de um método exato para o cálculo da
incerteza, que não depende de números aleatórios, pode ser
estendido para cobrir virtualmente qualquer expressão
analítica, e é extremamente rápido. É, também, muito mais
fácil de ser utilizado do que a integração analítica, e, para a
maioria dos casos, estes dois métodos acabam por apresentar
resultados muito semelhantes.
Conforme mostramos, também é uma implementação mais
otimizada do que a convolução direta – a qual pode ser
empregada apenas na soma, e possui complexidade
computacional de O(N2), contra O(N logN) do referido
algoritmo utilizado. Na maioria dos casos, o erro numérico
(causado pela discretização do espaço e pela precisão
numérica do computador) é desprezível. Apesar dessas
vantagens, o método da integração é mais complexo de ser
implementado do que o Monte Carlo e, obviamente, do que
o GUM. Necessita de conhecimentos avançados de
matemática e utilização de softwares para que se tenha uma
implementação efetiva do algoritmo.
Acreditamos, por fim, que o método apresentado pode ser
útil para a validação de simulações de Monte Carlo, já que
este último é o único método numérico exato utilizado, na
prática, para o cálculo da incerteza pelos laboratórios. O
algoritmo apresentado baseado na integração numérica por
Transformadas de Fourier e Mellin pode encontrar um nicho
ainda mais útil: o do cálculo da incerteza no limite físico.
Nesse caso, é interessante que se tenha a distribuição de
probabilidade com a maior resolução possível, condição
facilmente alcançada pelo algoritmo.
Por fim, vale lembrar que o método do GUM segue sendo
uma forma adequada de cálculo da incerteza para a maioria
dos casos práticos. Em diversas situações testadas
adicionalmente pelos autores, com base em dados reais de
laboratórios, o método do GUM obteve resultados de
incertezas compatíveis com aquelas calculadas através dos
métodos exatos de Monte Carlo e de Integração via
Transformadas de Fourier e Mellin.
6. CONCLUSÕES
Este trabalho comparou três métodos possíveis para o
cálculo da incerteza, quais sejam: o do GUM, o de Monte
Carlo e um algoritmo numérico exato, baseado na integração
numérica via Transformadas de Fourier e Mellin.
O enfoque principal foi dado no método da integração
numérica, por ser um método que praticamente não é
discutido ou implementado em laboratórios.
Tal método numérico mostrou-se eficaz, produzindo
resultados compatíveis aos do método de Monte Carlo,
porém requerendo um tempo de processamento muito
menor.
Métodos de cálculo de incerteza exatos podem ser aplicados
para validar o método do GUM. Neste sentido, o método da
integração surge como possibilidade de aplicação, sobretudo
quando as premissas para aplicação do GUM não são
satisfeitas.
REFERÊNCIAS
[1] ABNT/INMETRO. Guia para a Expressão da Incerteza de
Medição. Terceira edição brasileira em língua portuguesa.
Rio de Janeiro: ABNT, INMETRO, 2003. 120 p.
[2] EUROPEAN CO-OPERATION FOR ACREDITATION
(EA). EA-4/16 - EA guidelines on the expression of
uncertainty in quantitative testing. Rev. 00, 2003. Disponível
em: www.european-accreditation.org
[3] INTERNATIONAL ORGANIZATION FOR
STANDARDIZATION (ISO). Geometrical Product
Specification (GPS) – Inspection by measurement of
workpieces and measuring equipment; Part 1: Decision
rules for proving conformance or nonconformance with
specifications, ISO 14253 – 1. Geneva 1998.
[4] ELLISON, Stephen L. R. and BARWICK, Vicki J. Using
validations data for ISO measurement uncertainty
estimation: Part 1 – Principles of an approach using cause
and effect analysis. The Analyst, vol 123, p. 1387-1392,
jun/1998.
[5] COX, M. G. e HARRIS, P. M. GUM Supplements. CIE
Expert Symposium on Uncertainty Evaluation, Method for
analysis of uncertainties in optical radiation measurement,
Vienna, Austria, 2001.
[6] JORNADA, Daniel; PIZZOLATTO, Morgana. Uso de
planilhas eletrônicas para implementação do método de
Monte Carlo para estimativa da incerteza de medição.
ENQUALAB-2005 - Encontro para a Qualidade de
Laboratórios. 2005, São Paulo.
[7] 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. 2006.
[8] AIBE, Valter. Efeito da correlação no cálculo do número de
graus de liberdade efetivo. Imeko World Congress, 2000.
[9] AGOSTINI, Giulio D. Probability and Measurement
Uncertainty in Physics - a Bayesian Primer. Universita “La
Sapienza” and INFN, Roma, Italy. 1995. Disponível em:
http://zow00.desy.de:8000/zeus papers/ZEUS
PAPERS/DES95-242.ps
[10] CANAVES, M. J; POMPEIA, P. J. Incerteza da Densidade
do Ar Úmido: GUM x Monte Carlo. In: IV Congresso Latino
Americano de Metrologia, 2004, Foz do Iguaçu. Anais.
[11] COUTO, Paulo R. G., DAMASCENO, Jailton C.; BORGES,
Renata M. H. Uncertainty estimation of mechanical assays
by ISO GUM 95 and Monte Carlo Simulation – Case study:
tensile strength, torque and brinell Hardness measurements.
IMEKO WORLD CONGRESS, 2006.
[12] Wintner, A. American Journal of Mathematics, 56 (1934)
pp. 8-16.
[13] Huntington, E. V. Annals of Mathematical Statistics, 10
(1939) pp. 260-378
[14] Cramer, H.. Journal of the Royal Statistical Society, 101, n.
1. (1938), pp. 206-208.
[15] Cooley, J, Tukey, J Math. Comp. 19 (1965) pp. 297–301
[16] Beth, T. Theor. Comput. Sci. 51, n. 3 (1987) pp. 331-339
[17] Epstein, B. The Annals of Mathematical Statistics, 19 (1948)
pp. 370-379
[18] Springer, M. D., The Algebra of Random Variables. New
York, John Wiley (1979)
[19] A. De Sena, D. Rocchesso, "7th Int. Conference on Digital
Audio Effects (DAFx'04)", Napoli, October, 5-8 2004, 2004,
pp. 65-69
[20] Hanley, J. A., Teltsch, D. The American Statistician, 60 n.
1(2006), pp. 61-67