Palabras clave
GUM
Método de Monte Carlo
Inferencia Bayesiana
Medición indirecta
Cómo citar
Resumen
Objetivo: Proponer un procedimiento metodológico que sirva de guía para aplicar técnicas en la evaluación de la incertidumbre de medida, como son: GUM, MMC y Bayes; además, de desarrollar una aplicación en un caso de estudio no trivial. Materiales y métodos: En el presente artículo, se proponen un conjunto de pasos que permiten validar la evaluación de incertidumbre de medida a partir de técnicas como GUM, MMC y Bayes; estas se aplicaron como estrategia para evaluar la incertidumbre de un proceso de medición indirecta, donde el experimento de pruebas consistió en determinar el nivel de un fluido a través de la medición de presión hidrostática que genera el fluido en estado estacionario sobre la base de un contenedor. Se compararon los resultados obtenidos con cada técnica. Resultados y discusión: se encontró que el uso de la GUM es válido en el fenómeno caso de estudio, sin embargo, los resultados obtenidos aplicando el enfoque Bayesiano y el MMC ofrecieron información complementaria de mucha utilidad, como es la función de densidad de probabilidad (FDP) del mensurando, que permitió una mejor descripción del fenómeno. Asimismo, las FDP a posteriori obtenidas con Bayes permitieron aproximar a valores más cercanos en torno de los verdaderos valores del mensurando, y los intervalos de los posibles valores fueron más amplios que los que ofrecieron el MMC y la GUM. Conclusiones: En el contexto del caso de estudio se tiene que el enfoque bayesiano presenta resultados más realistas que GUM y MMC; además de la ventaja conceptual que presenta Bayes, de la posibilidad de actualizar los resultados de la evaluación de incertidumbre ante la presencia de nueva evidencia.
Joint Committee for Guides in Metrology, Evaluation of measurement data – guide to the expression of uncertainty in measurement, BIPM, 2008. [Online]. Available: https://www.bipm.org/documents/20126/2071204/JCGM_100_2008_E.pdf/cb0ef43f-baa5-11cf-3f85-4dcd86f77bd6
T. Dietza, K. Klamrothb, K. Kraus, et al., “Introducing multiobjective complex systems,” European Journal of Operational Research, vol. 280, no. 2, pp. 581-596, 2020. https://doi.org/10.1016/j.ejor.2019.07.027
C. Cai, J. Wang and Z. Li, “Assessment and modelling of uncertainty in precipitation forecasts from TIGGE using fuzzy probability and Bayesian theory,” Journal of Hydrology, vol. 577, 2019. https://doi.org/10.1016/j.jhydrol.2019.123995
T. B. Schön, , A. Svensson, L. Murray and F. Lindsten, “Probabilistic learning of nonlinear dynamical systems using sequential Monte Carlo,” Mechanical Systems and Signal Processing, vol. 104, pp. 866-883, 2018. https://doi.org/10.48550/arXiv.1703.02419
T. Hou, D. Nuyens, S. Roles and H. Janssen, “Quasi-Monte Carlo based uncertainty analysis: Sampling efficiency and error estimation in engineering applications,” Reliability Engineering and System Safety, vol. 191, 2019. https://doi.org/10.1016/j.ress.2019.106549
Joint Committee for Guides in Metrology, JCGM 101:2008 – Evaluation of measurement data - Supplement 1 to the “Guide to the expression of uncertainty in measurement” – Propagation of distributions using a Monte Carlo method, BIPM, 2008.
J. M. M. R. Roberto Arias R., “Determinación de la incertidumbre de medición del volumen de patrones volumétricos, determinado a partir del método de pesado de doble sustitución,” Santiago de Querétaro, 2002.
M. A. Azpurua, C. Tremola and E. Paez, “Comparison of the gum and Monte Carlo methods for the uncertainty estimation in electromagnetic compatibility testing,” Progress In Electromagnetics Research B, vol. 34, pp. 125 - 144, 2011. https://doi.org/10.2528/PIERB11081804
S. F. dos Santos and H. S. Brandi “Application of the GUM approach to estimate uncertainty in measurements of sustainability systems,” Clean. Techn. Environ. Policy, 2015. https://doi.org/10.1007/s10098-015-1029-3
K. Weise and W. Woger, “A Bayesian theory of measurement uncertainty,” Meas. Sci. Technol, vol. 4, no. 1, 1992. https://doi.org/10.1088/0957-0233/4/1/001
I. Lira, “The GUM revision: The Bayesian view toward the expression of measurement uncertainty,” European Journal of Physics, vol. 37, no. 2, p. 025803, 2016. [Online]. Available: https://iopscience.iop.org/article/10.1088/0143-0807/37/2/025803
D. G. I Lira, “Bayesian assessment of uncertainty in metrology: a tutorial,” Metrologia, nº 47, pp. R1 - R14, 2010. [Online]. Available: https://iopscience.iop.org/article/10.1088/0026-1394/47/3/R01
J.-H. Y. Heung-Fai Lam, “An innovative Bayesian system identification method using autoregressive model,” Mechanical Systems and Signal Processing, vol. 133, 2019. https://doi.org/10.1016/j.ymssp.2019.106289
J. Berger, “The case for objective Bayesian analysis,” Bayesian Analysis, vol. 1, nº 3, pp. 385- 402, 2006. https://doi.org/10.1214/06-BA115
L. S. Katafygiotis, “Sequential Bayesian estimation of state and input in dynamical systems using output-only measurements,” Mechanical Systems and Signal Processing, vol. 131, pp. 659-688, 2019. https://doi.org/10.1016/j.ymssp.2019.06.007
I. Lira and W. Wöger “Bayesian evaluation of the standard uncertainty and coverage probability in a simple measurement model,” Measurement Science and Technology, vol. 12, no. 8, pp. 1172 –1179, 2001. [Online]. Available: https://iopscience.iop.org/article/10.1088/0957-0233/12/8/326/meta
F. Attivissimo, N. Giaquinto and M. Savino, “A Bayesian paradox and its impact on the GUM approach to uncertainty,” Measurement, vol. 45, no. 9, pp. 2194-2202, 2012. https://doi.org/10.1016/j.measurement.2012.01.022
C. Elster and Blaza Toman, “Bayesian uncertainty analysis under prior ignorance of the measurand versus analysis using the Supplement 1 to the Guide: a comparison,” Metrología, vol. 46, no. 3, pp. 261 – 266, 2009.
M. Vilbaste, G. Slavin, O. Saks, V. Pihl and I. Leito, “Can coverage factor 2 be interpreted as an equivalent to 95% coverage level in uncertainty estimation? Two case studies,” Measurement, vol. 43, no. 3, pp. 392–399, 2010. https://doi.org/10.1016/j.measurement.2009.12.007
A. Possolo, “Five examples of assessment and expression of measurement uncertainty,” Applied Stochastic Models Bussines and Industry, vol. 22, no. 1, pp. 1-18, 2012. https://doi.org/10.1002/asmb.1947
A. Gelman, J. Carlin, H. Stern and D. Rubin, Bayesian data analysis, Boca Raton, FL, USA: Chapman & Hall/CRC, 2014.
F. White, Fluid Mechanics, 6th Ed., McGraw-Hill, 2008.
Centro Español de Metrología, Procedimiento ME - 017 para la calibración de transductores de presión con salida eléctrica, Madrid, España, 2003.
Endress+Hauser. (2015). Technical Information Waterpilot FMX21. https://portal.endress.com/wa001/dla/5000557/8038/000/05/TI00431PEN_1413.pdf
W. Hoeffding, “A non-parametric test of independence,” The annals of mathematical statistics, vol. 19, no. 4, pp. 546-557, 1948. https://doi.org/10.1214/aoms/1177730150
R Core Team, “R: A language and environment for statistical computing,” R Foundation for Statistical Computing, Vienna, Austria, 2017.
S. S. Shapiro and M. B. Wilk, “An analysis of variance test for normality (complete samples),” Biometrika, vol. 52, no. 3/4, pp. 591-611, 1965. https://doi.org/10.2307/2333709
T. Pham-Gia, N. Turkkan and E. Marchand, “Density of the ratio of two normal random variables and applications,” Communications in Statistics-Theory and Methods, vol. 9, no. 35, pp. 1569-1591, 2006. https://doi.org/10.1080/03610920600683689
J. A. Christen and F. Colin, “A general purpose sampling algorithm for continuous distributions (the t-walk),” Bayesian Analysis, vol. 2, no. 5, pp. 263-281, 2010. https://doi.org/10.1214/10-BA603
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Derechos de autor 2022 Juan Daniel Molina-Muñoz, Luis Fernando Giraldo-Jaramillo, Edilson Delgado-Trejos