La Guia MetAs 07 03 GUM Suplemento 1 Monte Carlo

Evaluacin de Incertidumbres con
Mtodo Monte Carlo en Excel

Esta edicin de La Gua MetAs esta
dirigida a los metrlogos que han necesitado
ahondar en los aspectos matemticos estadsticos de la evaluacin de incertidumbres,
ahora, se presenta el reto de un nuevo mtodo!, un nuevo mtodo que demandar de
sus competencias en programacin y anlisis de datos.
1,0
0,8
0,9
0,7
0,8
0,6
0,7
0,5
0,6
0,4
0,5
0,4
0,3
0,3
0,2
0,2
0,1
Probabilidad Acumulada
2007-marzo
Densidad de Probabilidad
Ao 07# 03
0,1
0,0
-1
,8
-1
,6
-1
,4
-1
,3
-1
,1
-0
,9
-0
,7
-0
,6
-0
,4
-0
,2
-0
,1
0,
1
0,
3
0,
5
0,
6
0,
8
1,
0
1,
2
1,
3
1,
5
1,
7
0,0
valor-z
La Gua MetAs
s
A
t
e
M
a
u
G
a
L
M E T A S
&
M E T R L O G O S
A S O C I A D O S
MetAs & Metrlogos Asociados
ANTECEDENTES
En 1993 se public la primera edicin de la Gua para la Expresin de Incertidumbre en
las Mediciones mejor conocida como GUM. En 1995 se public la segunda y actual edicin de
la GUM con correcciones menores, y catalogada por la ISO como ISO Guide 98:1995.
Estas ediciones son fruto de un trabajo que inicio en 1977, solicitado por el Comit Internacional de Pesas y Medidas (CIPM) a la Oficina Internacional de Pesas y Medidas (BIPM).
En 1980 el grupo de trabajo organizado por el BIPM public la recomendacin INC-1
Expresin de Incertidumbres Experimentales
Actualmente la GUM sigue vigente, y esta siendo complementada, el borrador final del
Suplemento 1 de la GUM (BIPM, 2003, 2005) se public en septiembre del 2006 y la votacin
cerrada en enero del 2007 por el Grupo de Trabajo 1 (WG1) del Comit Conjunto para Guas
en Metrologa (JCGM, 2006) del BIPM. Este Suplemento 1 se refiere a la propagacin de distribuciones utilizando el mtodo Monte Carlo.
Somos su Relevo a la Calidad

La Gua MetAs, es el boletn peridico de MetAs & Metrlogos
Servicios Metrolgicos:
Asociados.
Laboratorio de Calibracin:
En La Gua MetAs se presentan noticias de la metrologa, artcu- Presin, Alto Vaco, Temperatura, Humedad, Elctrilos e informacin tcnica seleccionada por los colaboradores de MetAs ca , Vibraciones, Masa , Densidad y Volumen
& Metrlogos Asociados, que deseamos compartir con nuestros colegas, Ingeniera:
usuarios, clientes, amigos y con todos aquellos relacionados con la me- Seleccin de Equipos, Desarrollo de Sistemas de
trologa tcnica e industrial.
Medicin y Software, Reparacin y Mantenimiento
Calle: Jalisco # 313. Colonia: Centro
49 000, Cd. Guzmn, Zapotln El Grande, Jalisco, Mxico
Telfono & Fax: 01 (341) 4 13 61 23 & 4 14 69 12 con tres lneas
E-mail: laguiametas@metas.com.mx. Web: www.metas.com.mx
Gestin Metrolgica:
Subcontratacin de Servicios, Outsourcing, Seleccin
de Proveedores, Confirmacin Metrolgica
Consultora:
Capacitacin, Entrenamiento , Asesora , Auditorias,
Ensayos de Aptitud, Sistemas de Calidad
Pgina 2
LA GUA METAS
ACLARACIONES RESPECTO A LAS INCERTIDUMBRES

La evaluacin de incertidumbres requiere de dos fases (Cox et al, 2004):
a)
La formulacin del modelo de medicin que es realizada por el metrlogo en base al conocimiento de los fenmenos que rigen su sistema, y
b)
El clculo realizado por el estadstico en base a anlisis numrico y programas de cmputo
(software).
a)
b)
c)
a)
b)
El resultado de estas dos fases es generar informacin referente a:

Estimacin del valor de la magnitud de salida (mensurando),
Incertidumbre estndar asociada, e
Intervalo de cobertura.
Actualmente la GUM reconoce dos mtodos para la evaluacin de incertidumbres:
La Estructura de la GUM (GUF) documentado en la Gua BIPM (1993, 1995),
El Mtodo Monte Carlo (MCM), documentado en el borrador del Suplemento 1 de la
GUM, (JCCM, 2006).
El MCM es un mtodo probabilstico estocstico, mientras que la GUF utiliza mtodos

determinsticos de estadstica clsica (frecuentista) para la evaluacin de incertidumbres tipo A y
lleva a cabo la evaluacin de incertidumbres tipo B y la combinacin de incertidumbres con el mtodo Bayesiano de soluciones analticas.
GUM,
GUF
MCM?
La diferencia bsica consiste en que la estadstica clsica (frecuentista) utiliza solamente la

informacin provista por la muestra, mientras que la estadstica Bayesiana permite utilizar adicionalmente el conocimiento subjetivo que se tenga (como aproximaciones con series de Taylor
suponer distribuciones), y el mtodo estocstico se entiende como una secuencia de estados cuya
evaluacin viene determinada por sucesos al azar, donde las leyes de causa-efecto no explican
cmo acta un sistema fenmeno de manera determinista, sino en funcin de probabilidades.
a)
b)
c)
El MCM es una alternativa prctica a la GUF cuando:

La linealizacin del modelo (del mensurando) provee una inadecuada representacin. En
este caso la estimacin de la magnitud de salida (mensurando) y su incertidumbre estndar
asociada provista por la GUF podra no ser confiable (JCCM, 2006),
La funcin de densidad de probabilidad (PDF) para la magnitud de salida (mensurando) se
aparta apreciablemente de una distribucin gaussiana o de una distribucin-t escalada y sesgada, debido a una marcada asimetra. En este caso el resultado es un intervalo de cobertura
irreal (una generalizacin de incertidumbre expandida en la GUF) (JCCM, 2006),
Es necesario validar los resultados del mtodo GUF, en proceso crticos, como los de acreditacin ISO/IEC 17025, ensayos de aptitud y comparaciones entre laboratorios (Steele,
2005).
El MCM permite combinar por simulacin numrica probabilstica las PDF de las magnitudes de entrada (rectangular, triangular, normal, etc.) y obtener la PDF de la magnitud de salida
(mensurando con PDF no necesariamente normal t como supone la GUF), dando la vuelta a
pasos complejos de la combinacin de incertidumbres de la GUF, como:
a)
Calcular coeficientes de sensibilidad (con derivadas parciales o experimentales),
b)
Aplicar la ley de propagacin de incertidumbres (la raz de la suma de cuadrados, la aproximacin de primer orden de la serie de Taylor, o trminos de orden mayor cuando no hay
linealidad), y
c)
Calcular grados efectivos de libertad (la ecuacin de estadstica clsica de WelchSatterthwaite).
Pgina 3
LA GUA METAS
a)
b)
c)
Al utilizar MCM es necesario contar con informacin clara respecto a:

La funcin de densidad de probabilidad (PDF) de las magnitudes de entrada (variables de
influencia),
Parmetros de ubicacin o tendencia central como: promedio media y mediana), y
Parmetros de dispersin como: mnimo, mximo, desviacin estndar, intervalo y probabilidad de cobertura (nivel de confianza en la GUM ).
El MCM requiere forzosamente de sistemas de computo para la generacin de nmeros

aleatorios o seudoaleatorios de las magnitudes de entrada, los cuales pueden requerir en los casos
complicados un nmero relativamente pequeo de valores 50 100 por ejemplo, o hasta de 106
(un milln) cuando se requiere tener un conocimiento completo de la PDF de la magnitud de salida.
Estructura de la GUM (GUF) para Evaluacin de Incertidumbres
Entradas
Modelo
Y = (X)
Estimacin
de X
x
Incertidumbres estndar
u
Grados de
libertad
v
Probabilidad
de cobertura
(nivel de confianza)
Derivadas parciales
del modelo
GUF
Y/X
Estructura de la
GUM
Coeficientes de
sensibilidad
c
Salidas
Resultado de la
medicin
Incertidumbre
estndar combinada
y = f(x)
u(y)
Grados efectivos de
libertad
veff
Factor de
cobertura
kp
Incertidumbre
expandida
U(y)
Salida
Intervalo de
cobertura
y U(y)
Pgina 4
LA GUA METAS
LEY DE PROPAGACIN DE INCERTIDUMBRES

En el suplemento 1 de la GUM se acua el concepto GUF (estructura de la gua para la evaluacin de
incertidumbres) que se refiere a la aplicacin de la ley de
propagacin de incertidumbres mediante combinacin de
la incertidumbre de las magnitudes de entrada y la caracterizacin de la magnitud de salida (mensurando) mediante una distribucin Gaussiana (normal) o una distribucin-t (t de Student) con el propsito de proporcionar un intervalo de cobertura.
El diagrama GUF muestra los componentes y secuencia de operaciones para evaluar la incertidumbre de medicin mediante la ley de propagacin de incertidumbres.
MTODO DE MONTE CARLO
El mtodo Monte Carlo (Wittwer, 2004) es una tcnica que involucra el uso de nmeros
aleatorios y probabilidad para resolver problemas. El trmino mtodo Monte Carlo fue acuado
en 1949 por Stanislaw Marcin Ulam y Nicholas Constantine Metropolis en referencia a los juegos
de azar, una atraccin popular en Monte Carlo, Monaco.
El mtodo Monte Carlo se utiliza para la propagacin de distribuciones llevando a cabo un muestreo aleatorio de distribuciones de probabilidad.
MCM
Mtodo
Monte Carlo
El diagrama MCM muestra los componentes y

secuencia de operaciones para evaluar la incertidumbre de
medicin mediante el mtodo de Monte Carlo.
Mtodo Monte Carlo (MCM) Suplemento 1 para Evaluacin de Incertidumbres
Entradas
Modelo
Y = (X)
Funciones de densidad de
probabilidad (PDF) gX()
para las magnitudes de entrada X
Nmero de
pruebas Monte Carlo
M
Probabilidad
de cobertura
(nivel de confianza)
M muestras
x1,,xM de gX()
M valores de modelo
yr = f(xr), r = 1, , M
Representacin discreta G
de la funcin de distribucin para
la magnitud de salida Y
Salidas
Estimado y de Y
e incertidumbre estndar asociada
u(y)
Intervalo de cobertura [ybajo, yalto]

para el valor de Y
Pgina 5
LA GUA METAS
PROGRAMAS (SOFTWARE) PARA IMPLEMENTACIN DEL MCM

Existe gran diversidad de programas cientficos y comerciales desarrollados para realizar funciones matemticas y estadsticas para el anlisis de datos en metrologa, incluyendo la generacin
de nmeros aleatorios, grficos e incluso utileras del mtodo Monte Carlo, con capacidades de
programacin, tales como:
Matlab (el cual fue utilizado para el desarrollo de los ejemplos mostrados en el Suplemento 1
de la GUM), MathCAD, Mathematica, MAPLE, MINITAB, LabVIEW, Microsoft Excel, Lotus,
etc.
Hemos considerado el uso del programa comercial Microsoft Excel, un programa de hoja de
clculo dada las siguientes caractersticas favorables:
Amplia difusin como parte del ambiente Windows de Microsoft Office,
Facilidad de operacin (ambiente amigable) e interfase grfica,
La gran cantidad de funciones disponibles sin necesidad de programacin (matemticas, trigonomtricas, estadsticas),
Se logran resultados rpidamente,
Algunos usuarios no utilizan el potencial de Microsoft Excel, el cual puede llegar a ser intimidante (Steele, 2005), sin embargo con conocimientos adicionales de programacin podemos
hacer uso de ventajas tales como:
GUM:
GUF & MCM
con
Hoja de Clculo
Excel
Herramientas propias de Excel como: Anlisis de datos, validacin de datos, auditora de

formulas, funciones definidas por el usuario, complementos por desarrolladores externos.
Capacidad de programacin mediante: grabacin de Macros, edicin de Macros en VBA
(Visual Basic for Applications), Programacin en lenguajes de alto nivel como C y FORTRAN,
los cuales al ser compilados generan un archivo de librera DLL (Dynamic Link Library).
Es necesario sin embargo, tambin indicar las caractersticas desfavorables de Microsoft Excel respecto a su aplicacin en la evaluacin de incertidumbres de acuerdo con la Ley de Propagacin de Incertidumbres y el mtodo Monte Carlo:
Algunas de sus funciones estadsticas (ALEATORIO, DEVEST) (Steele, 2005) presentaron
problemas en versiones antiguas de Excel (versiones 95 y 97), por ejemplo, la funcin
ALEATORIO generaba nmeros negativos en lugar de valores de 0...1 al generar ms de un
milln de nmeros seudoaleatorios, la funcin DESVEST no es adecuada para clculos con
nmeros muy grandes (> 10 000 000 000) o clculos de alta precisin, en la versin Excel:2003 y XP el problema se presenta para valores mayores a 10 000 000 000 000.
Esta limitado a un mximo de 65 536 filas y 256 columnas,
El nmero mximo de puntos de datos que es posible usar en una serie de datos para un
grfico 2D es 32 000 puntos,
Su velocidad de clculo se ve limitada al recalcular nmeros aleatorios voltiles,
Para desarrollar el mtodo de Monte Carlo con Microsoft Excel es necesario hacer uso de
las siguientes funciones:
a)
b)
Generacin de nmeros seudoaleatorios, con algunas de las siguientes opciones:

Herramientas -> Anlisis de datos -> Generacin de nmeros aleatorios; en este complemento de
Excel es posible generar nmeros seudoaleatorios de diferentes tipos de distribucin: Uniforme y normal, entre otras,
Funcin ALEATORIO() (RAND() en la versin en ingls) esta funcin genera nmeros
aleatorios entre 0 y 1 con una distribucin uniforme (rectangular),
Pgina 6
LA GUA METAS
c)
a)
b)
a)
Utilizar el
potencial de
Excel
puede llegar a ser
intimidante
Programar diferentes funciones inversas de probabilidad generando la probabilidad seudoaleatoria a partir de la funcin ALEATORIO():
DISTR.NORM.INV(ALEATORIO();media;desv_estndar),
DISTR.T.INV(ALEATORIO();grados_de_libertad),
DISTR.GAMMA.INV(ALEATORIO();alfa;beta).
Graficacin de histogramas y funciones de densidad de probabilidad (PDF) con alguna de
las siguientes opciones:
Herramientas -> Anlisis de datos -> Histogramas; en este complemento de Excel es posible
realizar grficos de histograma y probabilidad acumulada,
Funcin FRECUENCIA(datos; grupos) esta funcin calcula la frecuencia con que se
repiten los valores de un rango de datos y devuelve un matriz vertical de nmeros. Por
ejemplo, utilice FRECUENCIA para contar el nmero de los resultados que se encuentran dentro de un rango.
Clculo de intervalos de cobertura para cierta probabilidad de cobertura (nivel de confianza)
con la siguiente opcin:
Funcin PERCENTIL(matriz; k) esta funcin devuelve el k-simo percentil de los valores de un rango de datos. Esta funcin permite establecer un umbral de aceptacin. Esta
funcin es adecuada para cualquier PDF resultante de la magnitud de salida (mensurando)
no solo para la normal.
REFERENCIAS
Berk, K. N. & Carey, P. (2001). Anlisis de datos con Microsoft Excel, actualizado para office 2000.
Thomson Learning.
BIPM. (1993). Guide to the expression of uncertainty in measurement. First printing edition. BIPM
Bureau International des Poids et Mesures. Sevres, France.
BIPM. (1995). Corrigenda to: Guide to the expression of uncertainty in measurement. Second
printing edition. BIPM Bureau International des Poids et Mesures. Sevres, France.
Cox, M. G. Dainton, M. P. & Harris, P. M. (2001). SSfM Best Practice Guide # 6, Uncertainty and
Statistical Modelling. SSfM Software Support for Metrology. National Physical Laboratory,
Teddington, UK.
Cox, M. G. & Harris, P. M. (2004). Software Specifications for Uncertainty Evaluation. NPL Report CMSC 40/04. National Physical Laboratory, Teddington, UK.
Excel (2003). Ayuda de Microsoft Office Excel:2003. Edicin profesional, Microsoft Corporation.
Gonick, Larry. & Smith, Woollcott. (1993). The Cartoon Guide to Statistics. First edition. HarperPerennial. USA.
JCCM. (2006). Evaluation of measurement dataSupplement 1 to the Guide to the expression of
uncertainty in measurement - Propagation of Distributions using a Monte Carlo Method.
Final draft, September 2006. BIPM Bureau International des Poids et Mesures. Sevres,
France.
Steele, A.G. & Douglas, R.J. (2005). Simplifications from Simulations. 2005 NCLS International
Workshop and Symposium. INMSNRC, Institute for National Measurement Standards
National Research Council of Canada.
Wittwer, J. W. (2004). Monte Carlo Simulation in Excel: A Practical Guide. 2004-06-01.
http://vertex42.com/excelArticles/mc/.

La Guia MetAs 07 03 GUM Suplemento 1 Monte Carlo

Cargado por

Copyright:

Formatos disponibles

La Guia MetAs 07 03 GUM Suplemento 1 Monte Carlo

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

La Guia MetAs 07 03 GUM Suplemento 1 Monte Carlo

Cargado por

Copyright:

Formatos disponibles

Evaluacin de Incertidumbres con

Mtodo Monte Carlo en Excel

MetAs & Metrlogos Asociados

Somos su Relevo a la Calidad

ACLARACIONES RESPECTO A LAS INCERTIDUMBRES

El resultado de estas dos fases es generar informacin referente a:

El MCM es un mtodo probabilstico estocstico, mientras que la GUF utiliza mtodos

La diferencia bsica consiste en que la estadstica clsica (frecuentista) utiliza solamente la

El MCM es una alternativa prctica a la GUF cuando:

Al utilizar MCM es necesario contar con informacin clara respecto a:

El MCM requiere forzosamente de sistemas de computo para la generacin de nmeros

LEY DE PROPAGACIN DE INCERTIDUMBRES

El diagrama MCM muestra los componentes y

Mtodo Monte Carlo (MCM) Suplemento 1 para Evaluacin de Incertidumbres

Intervalo de cobertura [ybajo, yalto]

PROGRAMAS (SOFTWARE) PARA IMPLEMENTACIN DEL MCM

Herramientas propias de Excel como: Anlisis de datos, validacin de datos, auditora de

Generacin de nmeros seudoaleatorios, con algunas de las siguientes opciones:

También podría gustarte