Simplificaes admitidas pela norma ISO GUM.

Joo Antnio Palma Setti 1 , Vicente Machado Neto 2

1
Departamento de Mecnica, UTFPR, Curitiba, Brasil, setti@utfpr.edu.br
2
Departamento de Eletrnica, UTFPR, Curitiba, Brasil , vmachado@utfpr.edu.br

Resumo: estabelece que a distribuio de Y ser

No clculo de incertezas de medies fazemos algumas aproximadamente normal, com esperana
suposies aceitas pela norma ISO GUM, tais quais: as N
fontes de incertezas so estatisticamente independentes e E ( Y )= ci E(x i) e varincia
que a somatria de diferentes distribuies converge para i=1
uma distribuio normal. N
2 ( Y )= c2i 2 (x i) , onde E( X i) a esperana
Com base no teorema do valor central e na suposio de i=1
entradas independentes, faz-se o clculo da incerteza padro, 2
de Xi e ( X i) a varincia de X i , se os
somando quadraticamente as contribuies padres de cada
uma das incertezas. A partir da incerteza combinada, Xi so independentes e 2
(Y ) muito maior do
fazemos a expanso para 2 com base na tabela t que qualquer componente individual
2 2
c ( Xi) de um
i
student e nos graus de liberdade.
X i , com distribuio no normal.
Neste artigo pretende-se por simulaes matemticas,
utilizando-se o mtodo Monte Carlo, experimentar diversas Se a relao funcional entre Y e suas grandezas de
entrada no linear e se uma expanso de primeira ordem
situaes de variveis de entrada de X i (incertezas) e
da srie de Taylor da relao no uma aproximao
verificar as distribuies resultantes das somatrias. At que aceitvel, ento a distribuio de probabilidade de Y no
ponto pode-se admitir que a distribuio resultante de sada pode ser obtida pela convoluo das grandezas de entrada.
seja uma distribuio normal, quais os possveis erros que Em tais casos, outros mtodos numricos ou analticos so
incorremos com isto? requeridos.

Palavras chave: ISO GUM, Clculo de incerteza de 2. OBJETIVOS

medio.
1. INTRODUO
A ISO GUM baseando-se no Teorema do Limite Central,
diz que a partir da estimativa y do mensurando Y, sendo Y
dependente das distribuies de probabilidade das grandezas
de entrada X1,X2,X3,...,XN, das quais so conhecidas (suas
esperanas, varincias e momentos de ordem superior, se as
distribuies no so normais) e se Y uma funo linear
das grandezas de entrada, Y = c1X1+c2X2+...+cNXN, ento a
distribuio de probabilidade de Y pode ser obtida por
convoluo das distribuies individuais.
O Teorema do Limite Central diz que
N simplificaes admitidas pela norma ISO GUM so
Y =c1 X 1 +c 2 X 2+ +c n X n= c i X i e todos os
i=1
X i so caracterizados por distribuies normais, ento a
distribuio convolucionada resultante de Y tambm
ser normal. Entretanto, mesmo que as distribuies de
X i no sejam normais, a distribuio de Y pode,
freqentemente, ser aproximada por uma distribuio
normal devido ao Teorema do Limite Central. Este teorema
Verificar a validade das simplificaes admitidas pela
norma ISO GUM no clculo de incertezas de medio e
quais os limites em que estas simplificaes podem ser
verdadeiras ou falsas. Principalmente, testar situaes onde
uma das componentes a serem convolucionadas, apresente
2 2
um c i ( X i ) maior que os componentes individuais.
3. MTODO
Atravs de simulaes matemticas utilizando-se o
se Mtodo de Monte Carlo, vamos verificar se as
verdadeiras em algumas situaes limites, ou mesmo quais
os erros incorridos em relao a outros mtodos.
Utilizou-se a planilha eletrnica Excel para fazer
simulaes de distribuies Normais e Retangulares. Para as
distribuies Normais utilizamos mdia igual a 100 e desvio
padro igual a 10 e a equao 1 para a simulao.
 Ou seja somando temos uma retangular com 60%
x 1=[ 2 ln r 1 cos(2 r 2) ] + do peso total;
r 1=nmero aleatrio gerado pelo excel
r 2=segundo nmero aleatrio gerado peloexcel
=desvio padro=10 atribudo
=valor mdio=100 atribudo
Foram simulados 1000 valores.

Equao 1 Algoritmo gerador de distribuio normal

[2].

Optou-se pela simulao atravs da formula acima para

se ter atualizaes a cada instante dos valores gerados, o que
no seria possvel utilizando-se a funo do Excel de
gerao de distribuio Normal, haja visto que a mesma
feita uma nica vez, tirando-se assim a capacidade de Figura 1 Distribuio normal simulada.
realizar facilmente diversas simulaes.
Para as distribuies retangulares utilizou-se a equao 2
para a simulao.

x=a+ ( ba ) r
a=limite inferior ; b=limite su perior ; r =nmero aleatrio gerado
Foram simulados 1000 valores.

Equao 2 Algoritmo gerador de distribuio

retangular [2].

Foram simulados 1000 valores utilizando-se 82 e 118

como limites inferior e superior respectivamente. A idia
que os valores correspondentes as disperses de 68,27% das
Figura 2 Distribuio retangular simulada.
distribuies Normais e retangulares ficassem prximos, ou
seja Normal = 10 e retangular igual a
Para a somatria onde participam duas distribuies
11882
( 2 )
=10,39
.
normais mais duas distribuies retangulares todas com
pesos iguais se observa que a distribuio resultante se
aproxima muito de uma distribuio normal, como pode ser
3 visto na figura 3.
Nas figuras 1 e 2 v-se as distribuies normal e
retangular simuladas por meio dos seus histogramas.
A partir das simulaes foram testadas as seguintes
situaes, sempre utilizando duas distribuies normais e
duas retangulares:
1. Somatria de 2 normais e 2 retangulares com
iguais pesos;
2. Somatria de 1 retangular com 85% do peso, mais
2 normais e 1 retangular com 5% de peso cada. Ou
seja somando temos uma retangular com 90% do
peso total;
3. Somatria de 1 retangular com 70% do peso, mais
2 normais e 1 retangular com 10% de peso cada. Figura 3 Somatria resultante de 2 normais e 2
Ou seja somando temos uma retangular com 80% retangulares com iguais pesos.
do peso total;
4. Somatria de 1 retangular com 55% do peso, mais Para a somatria onde temos uma retangular com 90%
2 normais e 1 retangular com 15% de peso cada. do peso a distribuio resultante se aproxima muito de uma
Ou seja somando temos uma retangular com 70% distribuio retangular, como pode ser visto na figura 4.
do peso total;
5. Somatria de 1 retangular com 40% do peso, mais
2 normais e 1 retangular com 20% de peso cada.

Figura 4 Somatria resultante de 2 normais e 2
retangulares com 90% do peso.
Para a somatria onde temos uma retangular com 80%
do peso a distribuio resultante tambm se aproxima de
uma distribuio retangular, como pode ser visto na figura 5.
Para a somatria onde temos uma retangular com 70%
do peso a distribuio resultante se aproxima de uma
distribuio normal, como pode ser visto na figura 6.
Para a somatria onde temos uma retangular com 60%
do peso a distribuio resultante se aproxima muito de uma
distribuio normal, como pode ser visto na figura 7.
Figura 5 Somatria resultante de 2 normais e 2
retangulares com 80% do peso.
Figura 6 Somatria resultante de 2 normais e 2
retangulares com 70% do peso.
Os resultados obtidos esto resumidos na tabela 1 que
representa a mdia de 10 simulaes. Na tabela as colunas
representam as 5 diferentes simulaes feitas ou seja: Iguais
pesos; Uma retangular com 90% do peso; Uma retangular
com 80% do peso; Uma retangular com 70% do peso e Uma
retangular com 60% do peso. Considerando as curvas
resultantes, calculou-se a incerteza padro combinada
resultante pelos seguintes mtodos: a) Abrangncia de
aproximadamente 68% dos casos obtida diretamente do
grfico (histograma), ou seja como eram 1000 simulaes
teramos um intervalo abrangendo aproximadamente 680
simulaes centralizadas; b) Clculo do desvio padro dos
dados obtidos da somatria das distribuies, ou seja
simplesmente calculando o desvio padro da somatria das
distribuies com os seus devidos pesos atribuidos;
Figura 7 Somatria resultante de 2 normais e 2
retangulares com 60% do peso.
c) Clculo segundo a norma ISO GUM considerando a
somatria quadrtica das incertezas padres de cada uma
das fontes, tirando a raiz quadrada do resultado e d) Clculo
considerando a resultante como uma distribuio retangular,
ou seja tirando-se a mdia dos limites superior e inferior,
dividido por raiz quadrada de 3.
Com base nos clculos das incertezas resultantes pelas 4
formas descritas acima, calculou-se as diferenas
percentuais entre elas a saber: a) Desvio Padro dos dados e
Grfico - % Sim / Graf (mtodo b / mtodo a); b) Grfico e
Retangular - % Graf / Ret (mtodo a / mtodo d); c) Grfico
e ISO - % Graf / ISO (mtodo a / mtodo c); d) Desvio
padro dos dados e ISO - % Sim / ISO (mtodo b / mtodo
c); d) Desvio padro dos dados e Retangular - % Sim / Ret
(mtodo b / mtodo d).
Analisando os resultados obtidos na Tabela 1 tomando
por base o clculo da incerteza obtido do grfico para 68%,
observa-se:
1) Para a somatria de 2 normais e 2 retangulares com
iguais pesos, a diferena percentual do grfico para o
mtodo de clculo da ISO de apenas 1,7 %. Portanto o
mtodo de clculo da ISO adequado, uma vez que a
distribuio resultante uma normal;
 2) Para a somatria de 1 retangular com 90% do peso a
diferena percentual do grfico para o mtodo de clculo da
ISO de 11,94%, neste caso calculando-se o desvio padro
como sendo uma distribuio retangular o erro cai para
3,56%, uma vez que a distribuio resultante se aproxima
mais de uma retangular;
3) Para a somatria de 1 retangular com 80% do peso a
diferena percentual do grfico para o mtodo de clculo da
ISO de 13,63%, neste caso calculando-se o desvio padro
como sendo uma distribuio retangular o erro cai para
6,72%, o que tambm significativo, uma vez que a
distribuio resultante se aproxima mais de uma retangular;
4) Para a somatria de 1 retangular com 70% do peso a
diferena percentual do grfico para o mtodo de clculo da
ISO de 9,44 %. Neste caso o clculo da incerteza como
sendo uma distribuio retangular leva a erros de 28,36%,
uma vez que a forma da distribuio resultante mais se
parece com uma normal;
5) Para a somatria de 1 retangular com 60% do peso a
diferena percentual do grfico para o mtodo de clculo da
ISO de 5,01 %, uma vez que a distribuio resultante j
converge bem mais para uma normal, apesar do peso 60%
dado para a distribuio normal. O erro considerando-se
uma distribuio retangular passa dos 50%;
As demais anlises feitas podem ser obtidas diretamente
da Tabela 1, observa-se uma coerncia muito grande das
incertezas calculadas atravs do desvio padro diretamente
dos dados e pela ISO GUM com diferenas percentuais
menores que 1% (% Sim/ISO da tabela 1).
Tabela 1 Quadro resumo de 10 simulaes.
4. CONCLUSES
A simplificao admitida pela norma ISO GUM que a
distribuio resultante converge para uma distribuio
normal, apesar das distribuies somadas serem das mais
diversas vlida, principalmente, quando no h
predominncia de um determinado tipo de distribuio,
diferente de uma distribuio normal. Este fato observou-se
quando da somatria de duas distribuies normais e duas
distribuies retangulares com iguais pesos, quando os erros
foram inferiores a 2% e mesmo quando a distribuio
retangular representava um peso de 60% quando o erro ficou
em apenas 5%.
Para a condio em que h predominncia de uma
distribuio retangular da ordem de 90, 80 e 70% sobre as
distribuies normais, os erros da metodologia da ISO giram
em torno de 10 a 13,6%. O que demonstra que a
metodologia de clculo de incerteza de medio da norma
ISO GUM bastante robusta, mesmo em condies
extremas.
O fato de admitirmos um outro tipo de distribuio
diferente da normal, no caso retangular como resultante, no
levou a diminuies significativas nos erros, apenas quando
os pesos da retangular eram de 90 e 80%, pode-se dizer que
houve vantagens.
As incertezas resultantes do clculo pela norma ISO
GUM foram sempre um pouco inferiores aos valores obtidos
diretamente do grfico, o que demonstra que a metodologia
no muito conservadora, o que pode ser uma desvantagem.
No entanto como as condies simuladas so extremas, ou
seja, distribuio retangular supe-se que outras
distribuies iro produzir resultados mais favorveis
convergncia para uma distribuio normal.
Portanto quando determinadas condies extremas se
apresentarem, a simulao matemtica usando-se o Mtodo
de Monte Carlo, que tambm previsto na ISO GUM, pode
levar a valores mais corretos, mas sua diferena para o
mtodo de clculo tradicional da ISO GUM no ser muito
superior a 10%.
REFERNCIAS
[1] Guia para Expresso da Incerteza de Medio.
Terceira edio brasileira em lngua portuguesa Rio
de Janeiro: ABNT, INMETRO, 2003.
[2] Reliability modeling with spreadsheets. Dodson,
Bryan. ASQ`s 53rd Annual Quality Congress
Proceedings.
[3] Fundamentos de Metrologia Cientfica e Industrial.
Albertazzi, Armando, Andr R. de Sousa. Barueri, SP:
Manole, 2008.