Show simple item record

dc.contributor.authorCárdenas-Monsalve, Jhon J.
dc.contributor.authorRamírez-Barrera, Andrés F.
dc.contributor.authorDelgado-Trejos, Edilson
dc.date.accessioned2019-07-18T14:13:20Z
dc.date.accessioned2019-08-22T14:15:32Z
dc.date.available2019-07-18T14:13:20Z
dc.date.available2019-08-22T14:15:32Z
dc.date.issued2018-05-14
dc.identifierhttps://revistas.itm.edu.co/index.php/tecnologicas/article/view/790
dc.identifier10.22430/22565337.790
dc.identifier.urihttp://hdl.handle.net/20.500.12622/1048
dc.description.abstractEste artículo presenta una revisión de metodologías comúnmente citadas en la literatura para la estimación de la incertidumbre, como es la metodología no estocástica de la Guía para la Expresión de la Incertidumbre de Medida (GUM), la cual provee una estructura de estimación con limitaciones en su implementación, como son: cálculo de derivadas parciales, suposición de linealidad de los modelos e identificación de las fuentes de incertidumbre y sus distribuciones de probabilidad. Por otro lado, se discuten otros métodos para estimar la incertidumbre, como son: Monte Carlo, Conjuntos Difusos, Intervalo Generalizado, Inferencia Bayesiana, Caos Polinomial y Bootstrap, que a diferencia de la GUM, presentan limitaciones de costo computacional y requieren de conocimientos más especializados para su implementación. El objetivo de este artículo es reportar el grado de aplicación y difusión de los métodos de estimación de la incertidumbre en las emisiones de fuentes fijas, encontrándose que la mayoría se enfoca en estudios usados para la elaboración de inventarios de gases de efecto invernadero (GHG), y son escasos los orientados a la medición de las emisiones de fuentes fijas usando monitoreos de lectura directa, como también los métodos definidos por la Agencia de Protección Ambiental de los Estados Unidos (US EPA). Se discute finalmente las fortalezas y debilidades que dan lugar al fomento de nuevas investigaciones en esta área del conocimiento.spa
dc.format.mimetypeapplication/pdf
dc.format.mimetypetext/html
dc.format.mimetypetext/xml
dc.language.isospa
dc.publisherInstituto Tecnológico Metropolitano (ITM)spa
dc.relationhttps://revistas.itm.edu.co/index.php/tecnologicas/article/view/790/919
dc.relationhttps://revistas.itm.edu.co/index.php/tecnologicas/article/view/790/992
dc.relationhttps://revistas.itm.edu.co/index.php/tecnologicas/article/view/790/1212
dc.relationhttps://revistas.itm.edu.co/index.php/tecnologicas/article/view/790/1258
dc.rightshttps://creativecommons.org/licenses/by/3.0/deed.es_ESspa
dc.source2256-5337
dc.source0123-7799
dc.sourceTecnoLógicas; Vol 21 No 42 (2018); 231-244eng
dc.sourceTecnoLógicas; Vol. 21 Núm. 42 (2018); 231-244spa
dc.subjectIncertidumbre de mediciónspa
dc.subjectGuía para la Expresión de la Incertidumbre de Medida GUMspa
dc.subjectMétodo Monte Carlospa
dc.subjectmétodos estocásticosspa
dc.titleEvaluación y aplicación de la incertidumbre de medición en la determinación de las emisiones de fuentes fijas: una revisiónspa
dc.title.alternativeEvaluation and implementation of measurement uncertainty for determining stationary source emissions: a review
dc.subject.keywordsMeasurement uncertaintyeng
dc.subject.keywordsGuide to the Expression of Uncertainty in Measurement GUMeng
dc.subject.keywordsMonte Carlo methodeng
dc.subject.keywordsstochastic methodseng
dc.typeinfo:eu-repo/semantics/article
dc.typeinfo:eu-repo/semantics/publishedVersion
dc.typeReview Articleen-US
dc.typeArtículos de revisiónes-ES
dc.description.abstractenglishThis paper presents a review of commonly-cited methods for estimating uncertainty in the literature. One of them is the non-stochastic approach proposed by the Guide to the Expression of Uncertainty in Measurement (GUM), which provides an estimation framework with limitations for the implementation, such as computation of partial derivatives, linear model assumptions, and uncertainty source identification with probability distributions. Other methods to estimate uncertainty are discussed as well; they include Monte Carlo, Fuzzy Sets, Generalized Intervals, Bayesian Inference, Polynomial Chaos, and Bootstrap, which in contrast to GUM present limitations regarding computational cost and require more specialized knowledge to be implemented. The aim of this work is to report the level of application and dissemination of methods for estimating the uncertainty of emissions caused by stationary sources. Most of the works in this field were found to be focused on the creation of inventories of Greenhouse Gases (GHG), and very few of them on the uncertainty associated with measuring the emissions of stationary sources using direct reading monitoring or those defined by the Environmental Protection Agency of the United States (US EPA). Finally, strengths and weaknesses are discussed in order to promote new research in this knowledge area.eng


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record