Escolar Documentos
Profissional Documentos
Cultura Documentos
Agosto de 2020
ISO GUM
Propagação de incertezas
Modelo 𝒚 = 𝒇(𝒙𝟏 , 𝒙𝟐 , 𝒙𝟑 )
𝒙𝟏 , 𝒖(𝒙𝟏 )
𝒙𝟐 , 𝒖(𝒙𝟐 ) 𝒚, 𝒖(𝒚)
𝒇(𝒙)
𝒙𝟑 , 𝒖(𝒙𝟑 )
Simulação numérica por Monte Carlo
ISO GUM
Versões atuais
Aproximações da abordagem do GUM
x y x y
z
Expansão
f f 1 2 f 2 f 2 f 2
x y 2 x 2 xy 2 y ... ...
1
f ( x, y )
2
x y 2! x xy y 3!
0
𝑥1 , 𝑢(𝑥1 ) 𝑔(𝑥1 )
a) integração analítica,
b) integração numérica ou
c) simulação numérica por método de 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
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)
• Apresentando os resultados:
1
Estimativa do mensurando: 𝑦=
𝑀
𝑦𝑖
1
Incerteza padrão: 𝑢(𝑦) =
𝑀−1
(𝑦𝑖 − 𝑦)2
Definição de M a priori:
104
Sugestão do suplemento: 𝑀>
(1 − 𝑝)
Método Adaptativo
1 𝑙
𝛿 = 10
2
Detalhes da simulação
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
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
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
Calculam-se:
𝑑inf = 𝑦 − 𝑈(𝑦) − 𝑦inf 𝑑sup = 𝑦 + 𝑈(𝑦) − 𝑦sup
𝑑inf < 𝛿
GUM pode ser validado
𝑑sup < 𝛿
Detalhes da simulação
2𝜎 < 𝛿
Exemplos
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
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
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