Aspectos computacionales en la estimación de incertidumbres de ensayo por el Método de Monte Carlo

Autores

  • Luis Pablo Constantino Departamento de Metrología Física, Laboratorio Tecnológico del Uruguay, LATU, Uruguay

DOI:

https://doi.org/10.26461/08.02

Palavras-chave:

Metrología, incertidumbre, Monte Carlo, GUM, software, código fuente, Delphi

Resumo

El propósito de este trabajo es analizar los distintos aspectos relacionados al desarrollo de una aplicación informáticapara la estimación de incertidumbres de ensayo por el método de Monte Carlo, independiente de plataformas de cálculo como MS Excel, MathLab o R. Se analizan las dificultades y posibles soluciones en cada una de las etapas necesarias para alcanzar este objetivo, el algoritmo para la creación de un intérprete de ecuaciones, la generación de números pseudo-aleatorios con las distribuciones de probabilidad más frecuentes y el tratamiento de incertidumbres Tipo A por este método.

Finalmente se hace un estudio comparativo de los resultados obtenidos con la aplicación generada, el método clásico (GUM) y la misma simulación realizada con el Software R. Este estudio se realiza sobre el cálculo de la densidad del aire según ecuación CIPM, la presión generada por una balanza de presión y la estandarización de una solución de hidróxido de sodio de acuerdo al ejemplo A2 de la guía EURACHEM / CITEC CG 4.

Downloads

Não há dados estatísticos.

Referências

BOX, G. E. P.; MULLER, M. E. A note on the generation of random normal deviates. En: The Annals of Mathematical Statistics. 1958, 29(2)610:611.

BURKS, A. W.; WARREN, D. W.; WRIGHT, J. B. An analysis of a logical machine using parenthesis-free notation. En: Mathematical Tables and Other Aids to Computation. 1954, 46(8):53-57.

DAGPUNAR, J. Principles of random variate generation. Oxford: Clarendon Press, 1988• EURACHEM; CITAC. EURACHEM / CITAC Guide CG 4:quantifying uncertainty in analytical measurement. 3rd ed. London: EURACHEM, [s.d.].

JCGM 100. Evaluation of measurement data: guide to the expression of uncertainty in measurement [En línea]. [s.l.]: JCGM, 2008. [Consulta 2 de mayo de 2013]. Disponible en: http://www.bipm.org/utils/common/documents/jcgm/JCGM_100_2008_E.pdf

JCGM 101. Evaluation of measurement data. Supplement 1 to the “guide to the expression of uncertainty in measurement”. Propagation of distributions using a Monte Carlo method [En línea]. [s.l.]: JCGM, 2008. [Consulta 2 de mayo de 2013]. Disponible en: http://www.bipm.org/utils/common/documents/jcgm/JCGM_101_2008_E.pdf.

KREJCI, Roman. Another random numbers generator(32-bit) [En línea]. [s.l.]: [s.n.], 1999. [Consulta 2 de mayo de 2013]. Disponible en: http://www.rksolution.cz/delphi/tips.htm.

MARSAGLIA, G.; BRAY, T. A convenient method for generating normal variables. En: SIAM Rev.1964, 6(3):260–264.

MATSUMOTO, M.; NISHIMURA, T. Mersenne twister: a 623-dimensionally equidistributed uniform pseudorandom number generator. En: ACM Trans. on Modeling and Computer Simulation. 1998, 8(1):3-30.

PICARD, A.; DAVIS, R. S.; GLÄSER, M.; FUJII, K. Revised formula for the density of moist air. En: Metrologia, 2008, 45(2):149-155.

SAUCIER, R. Computer generation of statistical distributions [En línea]. [s.l.]: Army Research Laboratory, 2000. [Consulta 2 de mayo de 2013]. Disponible en: http://ftp.arl.mil/random/random.pdf.

THOMAS, D.B.; LUK, W.; LEONG, P.H. Gaussian random number generators. En: ACM Comput. Surv. 2007, 39(4):Article 11

Publicado

2013-12-08

Como Citar

Constantino, L. P. (2013). Aspectos computacionales en la estimación de incertidumbres de ensayo por el Método de Monte Carlo. INNOTEC, (8 ene-dic), 13–22. https://doi.org/10.26461/08.02

Edição

Seção

Artículos