AVALIAÇÃO DE INCERTEZA DE MEDIÇÃO

Jailton C Damasceno – jcdamasceno@outlook.com

Agosto de 2020
ISO GUM

Propagação de incertezas
Modelo 𝒚 = 𝒇(𝒙𝟏 , 𝒙𝟐 , 𝒙𝟑 )

Grandezas de entrada Modelo de Grandeza de saída

e fontes de incerteza medição (mensurando)

𝒙𝟏 , 𝒖(𝒙𝟏 )

𝒙𝟐 , 𝒖(𝒙𝟐 ) 𝒚, 𝒖(𝒚)
𝒇(𝒙)

𝒙𝟑 , 𝒖(𝒙𝟑 )
Simulação numérica por Monte Carlo
ISO GUM

• Guia internacional para harmonização da estimativa da incerteza de medição

• Baseado na lei de propagação de incertezas – LPU (contém aproximações)

Versões atuais
Aproximações da abordagem do GUM

• Aproximações da LPU (lei de propagação de incertezas):

• Série de Taylor truncada nos termos de 1ª ordem (linearização)
Modelo Equação Geral
2
 f   f   f  f 
2
z  f ( x, y) u    u x2    u y2  2   cov(x, y)
2

 x   y   x  y 
z

Expansão
f f 1 2 f 2 f 2 f 2
x  y   2 x   2 xy  2 y    ...  ...
1
f ( x, y ) 
2

x y 2!  x xy y  3!

0

• Aproximação da distribuição da grandeza de saída por uma distribuição t

• Aproximação no uso da equação de Welch-Satterthwaite para o cálculo de
graus de liberdade efetivo u z4
 eff 
u x4i
Equação de Welch-Satterthwaite 
xi
Aproximações da abordagem do GUM

• Situações em que a abordagem do GUM pode ser indesejável:

• modelos com graus de não linearidade ou complexidade

• distribuição não Gaussiana associada a uma componente dominante

• distribuições assimétricas para as grandezas de entrada

Propagação de distribuições

• O que é propagação de distribuições?

Propagação completa das distribuições de probabilidade relativas às fontes
de incerteza, ou seja, sem perder informações devido às aproximações da
abordagem do GUM.

Propagação de incertezas Propagação de distribuições

𝑥1 , 𝑢(𝑥1 ) 𝑔(𝑥1 )

𝑥2 , 𝑢(𝑥2 ) 𝑦, 𝑢(𝑦) 𝑔(𝑥2 )

𝑓(𝑥) 𝑓(𝑥)
𝑔(𝑦)
𝑥3 , 𝑢(𝑥3 ) 𝑔(𝑥3 )
Propagação de distribuições

• Convolução das distribuições

Este método envolve a convolução das distribuições de probabilidade das
grandezas de entrada, que pode ser feita das seguintes formas:

a) integração analítica,
b) integração numérica ou
c) simulação numérica por método de Monte Carlo.

2 retangulares com larguras diferentes

+ =

+ = 2 retangulares com larguras iguais

+ = 3 retangulares com larguras iguais

+ = 2 normais com larguras iguais

Propagação de distribuições

• Simulação numérica por Monte Carlo

• Descrita pelo suplemento 1 do GUM (2008)
• Método mais completo que a abordagem do GUM
• Usado para validar a abordagem do GUM
• Depende de um algoritmo de geração de números
pseudo-aleatórios adequado
Propagação de distribuições

• Simulação numérica por Monte Carlo

Fontes de incerteza
Distribuição final do
𝑥1 mensurando
Modelo
𝑥2 𝑧
𝑧 = 𝑓(𝑥1 , 𝑥2 , 𝑥3 )

𝑥3
i = 1 até M
Simulação numérica por Monte Carlo

Modelagem
• Definir o mensurando e o seu modelo: 𝑧 = 𝑓(𝑥1 , 𝑥2 , 𝑥3 )
• Identificar as grandezas de entrada e suas fontes de incerteza
• Construir o diagrama causa-efeito (Ishikawa ou espinha de peixe)

Metrologia
• Definir as PDFs das fontes de incerteza das grandezas de entrada

Simulação e resultados
• Definir os parâmetros e executar a simulação
• Declarar o resultado final informando a média, desvio padrão e os pontos
extremos da distribuição de saída para uma determinada probabilidade de
abrangência (geralmente igual a 95%)
𝑧

95%
Definição das PDFs

• Princípio da máxima entropia

Deve-se considerar a distribuição mais abrangente para o nível de informação que se tem a
respeito da fonte de entrada. Com isso pode-se atribuir uma distribuição que não
transmita mais informação do que aquela que é conhecida.

Informações PDF Gráfico da PDF

Caso 1 Variável 𝒙 com valores entre
𝒂 e 𝒃, ou seja, 𝒂 < 𝒙 < 𝒃
Caso 2 Valor esperado 𝒙 e incerteza-
padrão estimada 𝒖𝒙
Uniforme com
extremos em 𝒂 e 𝒃
a b
Normal com média 𝒙 e
desvio-padrão 𝒖𝒙

Caso 3 Série de indicações 𝒙𝟏 ... 𝒙𝒏 Distribuição t de

tomadas de forma Student 𝒕(𝒙, 𝒔²/𝒏)
independente
Definição das PDFs

• Princípio da máxima entropia

Sugestões do suplemento
Mecanismo da simulação

• Supondo o modelo

𝑍 = 𝑓(𝑋, 𝑌)

Z𝑍

𝑌
Mecanismo da simulação

• Primeira iteração, i = 1

Grandezas
de entrada Valores pseudo- Tabela de
aleatórios resultados

𝑋 MC
𝑥1 Modelo
Resultado 𝑧1
parcial
𝑍 = 𝑓(𝑋, 𝑌) 𝑧1
MC
𝑌 𝑦1
Mecanismo da simulação

• Primeira iteração, i = 2

Grandezas
de entrada Valores pseudo- Tabela de
aleatórios resultados

𝑋 MC
𝑥2 Modelo
Resultado 𝑧1
parcial
𝑧2 𝑧2
𝑍 = 𝑓(𝑋, 𝑌)
MC
𝑌 𝑦2
Mecanismo da simulação

• Primeira iteração, i = M
Grandezas
de entrada Valores pseudo- Tabela de
aleatórios resultados

𝑋 MC
𝑥𝑀 Modelo
Resultado 𝑧1
parcial
𝑧𝑀 𝑧2
𝑍 = 𝑓(𝑋, 𝑌)
MC …
𝑌 𝑦𝑀
…
Distribuição final do mensurando 𝑧𝑀

Estatística
𝑧inf 𝑧 𝑧sup

𝑝 = 95 %
Software para simulação

• Softwares especializados:
Análise de risco
Crystal Ball (Oracle) – www.crystalball.com
@Risk (Palisade) – www.palisade-br.com
ModelRisk (Vose Software) – www.vosesoftware.com Versão gratuita!
RiskSolver (FrontlineSolvers) – www.solver.com
SimulAr (Luciano Machain) – www.simularsoft.com.ar
XlSim (Vector Economics) – xlsim.com Gratuitos!
RiskAMP – www.riskamp.com
SimVoi (TreePlan) – www.treeplan.com
Metrologia
QMSys GUM (Qualisyst Ltd.) – www.qsyst.com
GUM Workbench (Metrodata GmbH) – www.metrodata.de
NIST Uncertainty Machine (online)

• Implementação de algoritmos em linguagens de programação

(VBA, Phyton, C++, R, ...)
Detalhes da simulação

• Apresentando os resultados:
1
Estimativa do mensurando: 𝑦=
𝑀
𝑦𝑖

1
Incerteza padrão: 𝑢(𝑦) =
𝑀−1
(𝑦𝑖 − 𝑦)2

 Probabilidade de abrangência: 100𝑝 %

 Pontos extremos do intervalo de abrangência: 𝑦inf e 𝑦sup

Escolha dos pontos extremos do intervalo de
abrangência: y

 Distribuições simétricas: Intervalo

probabilisticamente simétrico

 Distribuições assimétricas: Menor intervalo que

contenha a probabilidade de abrangência Intervalo [ 𝑦inf , 𝑦sup ]
Detalhes da simulação

• Quantas iterações realizar?

 Definição de M a priori:

104
 Sugestão do suplemento: 𝑀>
(1 − 𝑝)

 Em geral, bons resultados podem ser obtidos com: 𝑀 = 106

Método Adaptativo

 Estabilização das grandezas de interesse

𝑦, 𝑢(𝑦), 𝑦inf , 𝑦sup
Detalhes da simulação

• Tolerância numérica associada a uma incerteza

A tolerância numérica de uma incerteza pode ser obtida

expressando a incerteza padrão na forma c × 10l, onde c é um
número inteiro com um número de dígitos igual ao número de
algarismos significativos da incerteza padrão e l um número inteiro.

A tolerância numérica é tomada então como:

1 𝑙
𝛿 = 10
2
Detalhes da simulação

• Tolerância numérica – Exemplo 1:

Massa com valor nominal de 100 g
Medição:
𝑦 = 100,021 47 g
𝑢(𝑦) = 0,000 35 g

Então:
Número de dígitos significativos: 𝑛𝑑𝑖𝑔 = 2
Expressar 𝑢(𝑦) na forma: 𝑢(𝑦) = 35 × 10−5 g onde: 𝑐 = 35
𝑙 = −5

1 −5
Tolerância numérica de 𝑢(𝑦) será: 𝛿 = 10 = 0,000 005 g
2
Detalhes da simulação

• Tolerância numérica – Exemplo 2:

Massa com valor nominal de 100 g
Medição:
𝑦 = 100,021 47 g
𝑢(𝑦) = 0,000 35 g 𝑢(𝑦) = 0,000 4 g

Então:
Número de dígitos significativos: 𝑛𝑑𝑖𝑔 = 1
Expressar 𝑢(𝑦) na forma: 𝑢(𝑦) = 4 × 10−4 g onde: 𝑐=4
𝑙 = −4

1 −4
Tolerância numérica de 𝑢(𝑦) será: 𝛿 = 10 = 0,000 05 g
2
Detalhes da simulação

• Tolerância numérica – Exemplo 3:

Temperatura com valor nominal de 200 K
Medição:
𝑦 = 200 K
𝑢(𝑦) = 2 K

Então:
Número de dígitos significativos: 𝑛𝑑𝑖𝑔 = 1
Expressar 𝑢(𝑦) na forma: 𝑢(𝑦) = 2 × 100 K onde: 𝑐=2
𝑙=0

1 0
Tolerância numérica de 𝑢(𝑦) será: 𝛿 = 10 = 0,5 K
2
Detalhes da simulação

• Validação da abordagem do GUM

Comparação entre os pontos extremos dos intervalos de abrangência de ambos
os métodos.

Abordagem do GUM: Método de Monte Carlo:

[𝑦 − 𝑈(𝑦), 𝑦 + 𝑈(𝑦)] [𝑦inf , 𝑦sup ]

Calculam-se:
𝑑inf = 𝑦 − 𝑈(𝑦) − 𝑦inf 𝑑sup = 𝑦 + 𝑈(𝑦) − 𝑦sup

𝑑inf < 𝛿
GUM pode ser validado
𝑑sup < 𝛿
Detalhes da simulação

• Quando parar uma simulação adaptativa?

Estabilização das grandezas de interesse:

𝑦, 𝑢(𝑦), 𝑦inf , 𝑦sup

Uma grandeza pode ser considerada estabilizada quando o dobro do seu
desvio padrão 𝜎 for menor que a tolerância numérica 𝛿 associada a sua
incerteza padrão.

2𝜎 < 𝛿
Exemplos

Modelo aditivo do tipo 𝑧 = 𝑥1 + 𝑥2 + 𝑥3 + 𝑥4

• Exemplo 1: todas as grandezas de entrada com distribuições normais

𝑥1 = 0, 𝑥2 = 0, 𝑥3 = 0, 𝑥4 = 0
𝜎1 = 1, 𝜎2 = 1, 𝜎3 = 1, 𝜎4 = 1 Tolerância numérica:
𝑛𝑑𝑖𝑔 = 2
𝑢(𝑦) = 2,0 = 20 × 10−1
1
𝛿 = 10−1 = 0,05
2
Exemplos

Modelo aditivo do tipo 𝑧 = 𝑥1 + 𝑥2 + 𝑥3 + 𝑥4

• Exemplo 2: todas as grandezas de entrada com distribuições retangulares

𝑥1 = 0, 𝑥2 = 0, 𝑥3 = 0, 𝑥4 = 0
𝜎1 = 1, 𝜎2 = 1, 𝜎3 = 1, 𝜎4 = 1 Tolerância numérica:
𝑛𝑑𝑖𝑔 = 2
𝑢(𝑦) = 2,0 = 20 × 10−1
1
𝛿 = 10−1 = 0,05
2
Exemplos

Modelo aditivo do tipo 𝑧 = 𝑥1 + 𝑥2 + 𝑥3 + 𝑥4

• Exemplo 3: todas as grandezas de entrada com distribuições retangulares

𝑥1 = 0, 𝑥2 = 0, 𝑥3 = 0, 𝑥4 = 0
𝜎1 = 1, 𝜎2 = 1, 𝜎3 = 1, 𝜎4 = 10 Tolerância numérica:
𝑛𝑑𝑖𝑔 = 2
𝑢(𝑦) = 10 = 10 × 100
1
𝛿 = 100 = 0,5
2
Obrigado

jcdamasceno@outlook.com