Você está na página 1de 9

METROSUL IV – IV Congresso Latino-Americano de Metrologia ”A METROLOGIA E A COMPETITIVIDADE NO MERCADO GLOBALIZADO” 09 a 12 de Novembro, 2004, Foz do Iguaçu, Parná – BRASIL Rede Paranaense de Metrologia e Ensaios

SIMULAÇÃO DE MONTE CARLO E FERRAMENTAS PARA AVALIAÇÃO DA INCERTEZA DE MEDIÇÃO

M.Sc. Wagner R. Landgraf 1 ; M.Sc. Charles R. Stempniak 1

1 AUTOMA Consultoria & Informática Ltda Curitiba – Paraná – Brasil

Resumo: Muitos méritos são creditados ao Guia para Expressão da Incerteza de Medição – GUM - por sua aplicabilidade quase universal na expressão da incerteza de medição, mas ele também apresenta limitações de aplicação, as quais podem ser encontradas em seu próprio texto. Estas restrições de aplicabilidade podem levar a erros numéricos no resultado da medição e são até bastante comuns em diversas áreas de ensaios. Desde sua publicação em 1995, muito foi avançado no campo teórico e na prática dos conceitos envolvendo incerteza de medição e técnicas mais específicas para determinados tipos de problemas têm sido desenvolvidas. Publicações internacionais têm apontado para uma nova edição do consagrado guia, onde métodos alternativos serão também abordados. Um desses métodos baseia-se em Simulação de Monte de Carlo (MCS), muito usado em várias disciplinas, bem antes do GUM. O MCS está livre da maioria das limitações do GUM e pode ser empregado alternativamente para validar o modelo de cálculo original, além de poder ser utilizado no lugar do GUM, conforme ele mesmo adianta. No entanto, métodos MCS requerem intensivo processamento numérico, o qual somente é viável através de um software dedicado para este tipo de aplicação. Este artigo discute as limitações do GUM, vantagens no uso de MCS e um software que pode lidar com essas duas abordagens, especificamente para aplicações em ensaios e calibrações.

Palavras chave: Simulação de Monte Carlo, Incerteza de Medição, ISO GUM

1. INTRODUÇÃO

Resultados de medições são informações decorrentes dos trabalhos feitos nos laboratórios de calibração e ensaios. Também são necessários na maioria dos trabalhos de pesquisa e desenvolvimento ou no controle de qualidade de processos e produtos na indústria. O resultado de

uma medição é sistematicamente tratado pelo Guia

Para Expressão da Incerteza de Medição [1], aceito

e conhecido internacionalmente como GUM. Esta

abordagem faz parte também dos requisitos de muitos documentos da qualidade como a ISO/IEC 17025[2], EURACHEM/CITAC [3], EA-4/02 [4], dentre muitos outros.

O resultado de uma medição deve fornecer uma estimativa realista para uma determinada grandeza específica (mensurando), com um nível de confiança (probabilidade de abrangência [5]) conhecido. Este resultado deve fornecer uma aproximação do valor verdadeiro da grandeza (média obtida em uma situação particular de medição) e deve incluir sua incerteza de medição, que representa quantitativamente a dúvida inerente à determinação desta grandeza [1].

Medir e expressar este resultado, corretamente, constitui o objetivo principal de toda calibração ou ensaio.

A abordagem do GUM, compilada primeiramente no

início dos anos 90, proporcionou uma padronização na forma de tratar o resultado das medições em todo o mundo. Porém, sua aplicação não é uma tarefa simples. A interpretação do GUM e sua correta aplicação requerem preparo técnico especializado. Além disso, a própria abordagem do GUM está sujeita a considerações de aplicabilidade que podem trazer limitações em determinadas situações e propiciar dúvidas de interpretação, levando até a resultados de medição incorretos [6]. Como conseqüência, sérios problemas podem ser causados por tais resultados incorretos, ao longo de sua cadeia de aplicações (por exemplo, na especificação, no desempenho ou no controle de qualidade de um produto dependente daquele resultado) e fatalmente levarão a problemas para o emissor do resultado quando auditado.

Para evitar esses problemas, os envolvidos devem compreender a abordagem do GUM, para poder validar os cálculos e os resultados com ela obtidos.

Esse cuidado pode ser realizado através do uso de técnicas para determinar parâmetros da modelagem do sistema de medição, que possam indicar sua correta modelagem e a confiabilidade de seus resultados. O uso de uma abordagem recomendada para cálculo, alternativa ao GUM, pode determinar indicadores que permitem validar a abordagem do GUM e também pode ser mais adequada no lugar desse, quando a primeira abordagem for comprovadamente menos confiável que a segunda. Esta abordagem alternativa pode ser a de Simulação de Monte Carlo (MCS), que está sendo muito empregada em ciências econômicas para análise de riscos, e também em muitas outras áreas, desde meados do século XX, com a era da computação.

Cox e Harris [6] indicam que esta técnica é útil para validar a abordagem do GUM e apontam para uma nova versão deste consagrado guia, que contemplará técnicas de MCS.

Contudo, a abordagem do guia e, mais ainda, a abordagem por MCS, requerem numerosos cômputos matemáticos. Essa computação pode ser convenientemente realizada com a ajuda de algoritmos de computador, em uma ferramenta de

software especializada. Se o software puder ser validado e dispuser de recursos específicos para cuidar da abordagem do GUM e também da abordagem por MCS, ele pode então efetivar a solução do problema apresentado, de forma eficaz.

2. CONSIDERAÇÕES SOBRE A METODOLOGIA DO ISO GUM

A determinação de um resultado de medição começa com a modelagem do próprio sistema de medição. Este modelo deve relacionar a grandeza de saída (resultado da medição) com as grandezas de entrada que são significativas. A modelagem deve formular um equacionamento matemático onde as estimativas das grandezas de influência são representadas por variáveis (símbolos matemáticos).

A Figura 1 ilustra o procedimento para determinação do resultado de uma medição, segundo a abordagem do GUM.

Na maioria dos casos o mensurando Y não é

medido diretamente, mas é determinado a partir de

N outras grandezas X 1 , X 2 ,

, X N , através de uma

Entradas

Modelo Y=f(X) Estimativas x das grandezas de entrada X Incertezas padronizadas u de x Graus
Modelo
Y=f(X)
Estimativas x
das grandezas
de entrada X
Incertezas
padronizadas u de x
Graus de
liberdade νννν
associados a x
Probabilidade
de abrangência
desejada
Coeficientes de
sensibilidade
c = ∂Y/∂x
Incerteza padrão
combinada u c (y)
Graus de liberdade
efetivos ν eff
Modelo avaliado nas estimativas
das grandezas de entrada y=f(x)
Fator de abrangência k p
Incerteza Expandida U(y)

Saída

Intervalo de abrangência y ± U(y)
Intervalo de
abrangência
y ± U(y)

Fig. 1. Determinação do resultado de uma medição usando a metodologia do GUM.

relação funcional f [1]:

Y = f( X 1 , X 2 ,

,

X N )

(1)

O GUM comenta na cláusula 4.1.2 que as

grandezas de entrada podem elas mesmas, ser consideradas como mensurandos e depender de outras grandezas, incluindo correções para efeitos sistemáticos, levando a relações funcionais muito complicadas, que não podem ser escritas explicitamente. A relação f pode também ser determinada analiticamente a partir de modelos teóricos ou experimentalmente (como através do levantamento de curvas estatísticas, como as de mínimos quadrados). Quando a relação não é explícita, pode ser resolvida através de um algoritmo computacional (métodos numéricos).

O GUM é mais específico para modelos explícitos, onde apenas uma estimativa de saída, de variáveis reais, é formulada. Outros modelos são menos freqüentes, como os de múltiplas saídas correlacionadas, de variáveis complexas ou de funções implícitas, não sendo detalhados exaustivamente pelo GUM. Cox e Harris [6] também indicam que uma versão futura do GUM pode contemplar todas essas categorias de modelos.

As seguintes etapas de cálculo devem ser seguidas

até a expressão do resultado da medição:

a) Determinação das estimativas x i para as grandezas de entrada X i , a partir de análise estatística de observações ou por outros meios;

b) Determinação dos coeficientes de sensibilidade de cada uma das contribuições x i , a partir das derivadas parciais do modelo em relação a cada uma de suas variáveis de entrada;

c) Determinação das incertezas padrão u(x i ) associadas a cada estimativa x i . A partir das distribuições estatísticas das variáveis aleatórias x i . Essa determinação pode ser do Tipo A (através de métodos estatísticos)

ou do Tipo B (através de julgamento

científico);

d) Determinação das covariâncias u(x 1 ,x 2 ), ou dos fatores de correlação r(x 1 ,x 2 ), associados a todos os pares de estimativas

que sejam correlacionadas;

e) Cálculo da estimativa y do mensurando Y, a partir da relação funcional f, utilizando como grandezas de entrada X i as estimativas x i ;

f) Cálculo da incerteza padrão combinada u c (y) associada à estimativa y, usando a lei de propagação de incertezas, a partir das incertezas padrão, dos fatores de correlação

e dos coeficientes de sensibilidade

associados a cada uma das estimativas de entrada x i .

k

(tipicamente na faixa de 2 a 3) é obtido da distribuição t-Student, a partir dos graus de

liberdade efetivos ν eff da incerteza combinada u c (y). Os quais são calculados pela fórmula de Welch-Satterthwaite a partir das incertezas padrão u(x i ), da incerteza combinada u c (y), dos graus de liberdade associados a cada uma das estimativas x i e da probabilidade de abrangência p estipulada.

g) Cálculo do fator

de

abrangência

h) Cálculo da incerteza expandida U e expressão do intervalo de abrangência determinado para o mensurando Y. A partir da relação U=k.u c (y). O intervalo de abrangência compreende valores que podem, razoavelmente, ser atribuídos ao mensurando entre y-U até y+U.

Como esta abordagem baseia-se na lei de propagação de incertezas, ela requer algumas considerações de aplicabilidade, como descrito abaixo:

relação

a) Linearidade

do

modelo

“Se

a

funcional entre Y e suas grandezas de entrada é não-linear e se uma expressão de primeira ordem da série de Taylor da relação não for uma aproximação aceitável, então a distribuição de probabilidade de Y não pode ser obtida pela convolução das grandezas de entrada. Em tais casos, outros métodos numéricos ou analíticos são requeridos”[1]. Ou seja, a lei de propagação de incertezas, na qual se baseia o GUM, pode tornar-se inapropriada quando o mensurando não puder ser representado adequadamente por uma função linear como:

Y = c 1 X 1 + x 2 X 2 +

+ x N X N ,

(2)

Onde c i é o coeficiente de sensibilidade linear da variável Xi.

Modelos envolvendo polinômios de ordem superior a 1, funções logarítmicas, exponenciais e trigonométricas ou quocientes são alguns exemplos de funções que apresentam não-linearidades.

b) Normalidade da distribuição resultante – “A avaliação da incerteza expandida dada aqui

é somente uma aproximação e tem suas

limitações. A distribuição de (y-Y)/u c (y) é

dada pela distribuição t-Student somente se a distribuição de Y é normal, se a estimativa

y e sua incerteza padrão combinada u c (y)

) (

são independentes e se a distribuição de u c 2 (y) é uma distribuição χ 2 ”. A normalidade de que depende esta abordagem é assegurada fundamentalmente pelo Teorema Central do Limite, para muitas medições práticas, devido a: (1) a estimativa do mensurando ser obtida de um número significativo de grandezas de entrada, cujas distribuições são em geral simétricas; (2) as incertezas padrão de entrada contribuírem com quantidades comparáveis entre si; (3) a aproximação linear do modelo ser, em geral, aceitável; e (4) a incerteza combinada ser relativamente pequena devido a seus graus de liberdade efetivos possuírem uma magnitude, geralmente, maior que 10 [1].

Modelos de medição com contribuições de incerteza assimétricas, relações não- lineares, incertezas não-normais dominantes (quando uma ou mais retangulares são significativamente maiores que as demais, por exemplo) e forte dependência entre variáveis de entrada (correlações significativas), são situações que merecem cuidados matemáticos especiais na modelagem do resultado, quando submetidos à abordagem do GUM.

3. PRINCIPAIS CUIDADOS NA MODELAGEM DO RESULTADO

O GUM enfatiza que a incerteza de medição deve ser realista, ou seja, nem subestimada, nem superestimada. E embora ele forneça um conjunto de técnicas para avaliar o resultado da medição e suas incertezas, o senso crítico, o conhecimento e experiência do profissional de metrologia são fundamentais para a determinação do resultado correto de uma medição. Algumas recomendações práticas podem ser destacadas, para orientar a modelagem de calibrações ou ensaios:

a) Partir de um modelo conceitual do sistema de medição, que esteja bem documentado e que seja reconhecidamente aplicável a um dado processo de medição. É interessante partir de modelos que levem em conta o maior número de grandezas de influência, para depois simplificá-lo a partir de considerações particulares da medição. O EURACHEM/CITAC [2] apresenta uma lista de grandezas de influência que podem estar presentes em muitos ensaios. Exemplos de aplicação do GUM [1], suplementos do EA- 4/02 [4] e o trabalho de Link [10], trazem modelos de sistemas de medição, explicando suas grandezas de influência e considerações práticas;

b) Atribuir distribuições de probabilidade realistas para as grandezas de influência do

modelo. Castrup [7] discute algumas distribuições comuns para incertezas de medição e cita algumas de suas principais aplicações;

c) Documentar detalhadamente todo o roteiro de cálculo, descrevendo todas as simplificações e considerações particulares que são realizadas através do julgamento científico do metrologista;

Algumas etapas na determinação de resultados de uma medição são mais propensas a erros, merecendo maior atenção. Alguns erros comuns neste processo são:

a) Equacionamento da função matemática que representa o mensurando omitindo contribuições de influência que são significativas;

b) Grandezas de influência sendo representadas por distribuições inadequadas. Uma atitude conservadora muito comum é o uso indiscriminado de distribuições uniformes (retangulares) no lugar das distribuições mais realistas para determinadas variáveis aleatórias de influência;

c) Emprego de dados obtidos de tabelas, sem

a respectiva informação de incerteza

associada a cada valor numérico transcrito;

d) Incorreta interpretação de dados obtidos dos manuais dos fabricantes ou de certificados. Por exemplo: existe confusão entre valores

de limite de erro com valores de incerteza

padrão, também causa confusão especificações de resolução ou precisão com incerteza de medição;

e) Negligência ou erro na avaliação dos coeficientes de sensibilidade do modelo;

f) Desconhecimento e negligência sobre eventuais correlações existentes entre as variáveis de entrada, sendo consideradas,

em geral, todas não correlacionadas;

g) Razão de proporcionalidade de incertezas (TUR) insuficiente entre o mensurando e o padrão, revelando sistemas de medição incompatíveis com a exatidão do mensurando;

h) Excesso de arredondamentos em cálculos intermediários e também no resultado final, que não é levado em conta na determinação do intervalo de abrangência do resultado;

4. TÉCNICAS PARA VALIDAÇÃO DO MODELO

É comum a determinação de resultados de medições que apresentam incorreções e que às vezes são detectadas somente em eventuais auditorias, ou então que raramente são detectadas. Usuários de calibrações e ensaios, muitas vezes, trocam de fornecedor devido a não-conformidades obtidas em processos que empregaram resultados incorretos, fornecidos em certificados de calibração. Mas de modo geral, os laboratórios não utilizam meios eficientes para verificar os resultados das medições, antes que as conseqüências do erro sejam notadas tardiamente.

Entretanto, é possível sistematizar e mesmo automatizar o processo de determinação dos resultados de uma medição. Podem-se empregar técnicas matemáticas e computacionais que forneçam indicadores precisos sobre a validade dos resultados da medição. A seguir são descritas algumas técnicas úteis para isso:

a) Rastreabilidade dos cálculos – consiste no registro sistemático de todos os cômputos realizados para a determinação do mensurando. Para ser confiável, esse registro deve ser realizado automaticamente, com base nas operações que o usuário realiza seqüencialmente desde a formulação do modelo da medição até a expressão dos resultados. Este registro permite que o metrologista possa conferir toda a extensa seqüência de cômputos que foram realizadas. Contudo este registro deve ser montado de forma organizada, para que o trabalho de verificação seja confortável (fácil e rápido) e livre de interpretações ambíguas;

b) Razão de proporcionalidade de incertezas – TUR (Test Uncertainty Ratio) – é um indicador quantitativo que representa a qualidade do sistema de medição, isto é, quantas vezes o sistema de medição padrão é melhor que o mensurando, em termos de incerteza. Esta razão é obtida diretamente pela divisão entre a incerteza padrão do objeto da medição e a incerteza combinada dos padrões de medição. O numerador pode ser, por exemplo, o limite de erro ou a classe de exatidão especificada pelo fabricante do equipamento em teste, devidamente convertidos na forma de um desvio padrão. O uso do TUR é recomendado por alguns documentos da qualidade como NBR 10012 [8], devendo ser geralmente maior que 2 ou 3. Maftoum [9] discute detalhadamente a aplicação do TUR como indicador da qualidade em um processo de medição;

c) Derivadas parciais de ordem superior – A derivação parcial de segunda ordem do modelo matemático da medição, em relação

a cada uma de suas variáveis de entrada,

conduz a uma avaliação quantitativa individual de não linearidades do mensurando. Modelos lineares apresentam todos os coeficientes de segunda ordem nulos. Coeficientes não nulos quantificam a influência de segunda ordem que as respectivas variáveis de entrada introduzem na estimativa de saída.

d) Análise de influências dominantes – Multiplicando-se as incertezas padrão pelos respectivos coeficientes de sensibilidade, obtém-se as contribuições de incerteza padrão associadas a cada variável. Tomando estas contribuições ao quadrado e dividindo-se pela incerteza padrão combinada ao quadrado, obtém-se um índice que revela o quanto cada variável influencia na incerteza resultante. Ordenando estas contribuições segundo sua magnitude e apresentando-as em um

gráfico de barras, obtém-se um diagrama conhecido como gráfico de Pareto, que é útil para identificar influências dominantes. A presença de contribuições não-normais (com distribuições retangulares, por exemplo) dominantes no modelo, indica que

a distribuição resultante tem maior

probabilidade de ser não-normal, o que

tornaria a avaliação da incerteza expandida

e o intervalo de abrangência da estimativa

de saída mais propensas à erros, pela

abordagem do GUM.

e) Determinação numérica da distribuição resultante – Aplicando-se o método de Simulação de Monte Carlo (MCS) para

determinar a distribuição do mensurando, a partir das distribuições das variáveis de entrada, obtém-se a representação gráfica aproximada da distribuição do mensurando

e também dados de onde se podem extrair

estatísticas interessantes como a estimativa da média, a incerteza padrão combinada e o

intervalo de abrangência do mensurando. Quanto maior o número de simulações e melhor o algoritmo computacional utilizado, maior exatidão se obtém das informações determinadas por este método. Como ele está livre das limitações e considerações de aplicabilidade apresentadas pela abordagem aproximativa da lei de propagação de incertezas, este método pode ser usado para validar os resultados finais obtidos pelo GUM. A seção seguinte descreve melhor a aplicação do MCS para cálculo de incertezas.

5.

CARLO

As informações de entrada para aplicação do método da MCS são quase as mesmas usadas na abordagem do GUM, ou seja, parte-se de um modelo matemático descrevendo o mensurando a partir das variáveis de entrada e de suas informações estatísticas. A diferença fundamental é que as informações estatísticas de entrada usadas no GUM são basicamente a média, desvio padrão e graus de liberdade de cada distribuição de incerteza (Tipo A ou Tipo B), já na MCS as próprias funções densidade de probabilidade das distribuições de entrada é que são utilizadas, fornecendo informações mais completas sobre as distribuições de entrada [11]. Na abordagem do GUM, as distribuições de entrada são combinadas em termos de desvios padrão, produzindo uma incerteza combinada onde é esperado um formato gaussiano de distribuição (ou t-Student quando os graus de liberdade efetivos forem finitos). Na MCS, o formato da distribuição de saída será obtido da avaliação do modelo matemático sobre amostras aleatórias das variáveis de entrada, respeitando suas respectivas distribuições estatísticas. O método avalia o modelo N vezes, em cada avaliação (simulação) um valor aleatório possível para o mensurando é obtido. A partir das N amostras obtidas para o mensurando, calcula-se a média, desvio padrão e também os limites do intervalo de abrangência para o mensurando, o qual corresponderia ao intervalo de

MONTE

O

MÉTODO

DE

SIMULAÇÃO

DE

saída que vai de y-U até y+U da abordagem do GUM.

Quando correlações estão presentes entre distribuições de entrada (distribuições conjuntas), utilizam-se transformações convenientes sobre os vetores de amostras aleatórias, para sintetizar os coeficientes de correlação estipulados (a partir de uma matriz de correlações, pode-se empregar a transformada de Cholesky para obter amostras pseudo-aleatórias correlacionadas [12]).

A figura 2 ilustra a seqüência de operações necessária para a aplicação do MCS.

As considerações sobre distribuições assimétricas para as variáveis de entrada, modelos não-lineares, contribuições dominantes, correlações entre variáveis de entrada, normalidade da estimativa de saída e a aplicabilidade da fórmula de Welch- Satterthwaite são todas irrelevantes para a MCS. Contudo, sua exatidão irá depender dos seguintes fatores:

a) Número N de simulações realizadas, que deve ser, em geral, bastante grande para promover resultados com pelo menos 2 algarismos significativos de precisão (50 mil simulações é um número citado em algumas referências como sendo adequado [11]);

b) Qualidade do algoritmo, principalmente em relação à qualidade dos geradores de números pseudo-aleatórios empregado;

Entradas

Modelo Y=f(X) Funções densidade de probabilidade g(X) Número M de extrações aleatórias para a simulação
Modelo
Y=f(X)
Funções densidade de
probabilidade g(X)
Número M de extrações
aleatórias para a simulação
de Monte Carlo
M amostras x 1 ,
,x
M
de x a partir de g(x)
M avaliações da estimativa de saída
y=(y 1 ,
,y
M )={ f(x 1 ),
,
f(x M ) }
M avaliações ordenadas
da estimativa de saída
y 1 ,
,y
M

Saída

Probabilidade de abrangência desejada p Intervalo de abrangência [y (1-p)M/2 , y (1+p)M/2 ]
Probabilidade
de abrangência
desejada p
Intervalo de
abrangência
[y (1-p)M/2 , y (1+p)M/2 ]

Fig. 2. Determinação do resultado de uma medição usando a metodologia da MCS.

Comparando-se quantitativamente os intervalos de abrangência obtidos com o GUM e com a MCS, pode-se determinar, de forma objetiva, se a primeira abordagem é válida para o sistema de medição. Se os resultados são compatíveis, pode-se confiar nos resultados obtidos conforme metodologia do guia. Em caso contrário, pode-se refinar o tratamento matemático usando recomendações do próprio GUM, mas também é permitido utilizar diretamente os resultados obtidos do método MCS, conforme o próprio GUM alude em G.1.5.

6. USO DE SOFTWARE COMO FERRAMENTA PARA A DETERMINAÇÃO DOS RESULTADOS DE MEDIÇÃO

A utilização de software em metrologia é justificada

não somente para assegurar a qualidade dos resultados da medição, mas também porque a determinação desses resultados é uma tarefa que requer muitos cômputos, em geral, bastante complicados para serem realizados manualmente.

O uso de software em metrologia vem sendo cada

vez mais recomendado e tratado diretamente pelas normas pertinentes a ensaios e calibrações. Muitos trabalhos do NPL (National Physicalish Laboratory,

no Reindo Unido) têm sido voltados para esse assunto, destacando o programa SSfM (Software Support for Metrology).

Utilizando software dedicado às áreas de ensaio e calibração, pode-se identificar facilmente os seguintes benefícios para os laboratórios:

a) Aumento na produtividade, devido à automação dos processos técnicos, e de gestão (quando a ferramenta de software for abrangente);

b) Aumento na confiabilidade dos resultados, facilitando auditorias e o credenciamento de ensaios ou do próprio laboratório, pela aplicação automática das técnicas descritas aqui e por empregar metodologias já validadas para determinação dos resultados de medição;

c) Aumento da competitividade do laboratório, pela redução de custos, aumento da flexibilidade para trabalhar com métodos de medição variados, redução das incertezas de medição, facilidades gerenciais para tomada de decisão, dentre outros inúmeros aspectos positivos que podem ser alcançados, quando a ferramenta de software for abrangente e especializada.

a ferramenta de software for abrangente e especializada. Fig. 3. Orçamento de incertezas usando a metodologia

Fig. 3. Orçamento de incertezas usando a metodologia do GUM, incluindo teste de conformidade, gráfico de Pareto das contribuições de influência e análise do TUR no Autolab .

O uso de planilhas eletrônicas, como Ms-Excel, é bastante comum por ser o meio mais fácil e barato para lidar com a matemática por trás das medições, já que essas são ferramentas generalistas e flexíveis, o bastante para serem programadas pelos próprios usuários. No entanto, essas ferramentas não são feitas especificamente para tratar de ensaios ou calibrações. O uso de software especializado para metrologia incluindo métodos de medição validados, traz inúmeras vantagens sobre as planilhas construídas a mão, destacando as ferramentas de modelagem, automação e avaliação de incertezas, que tornam a prática da metrologia acessível e confiável, não somente para os especialistas.

Como resultado das pesquisas dos autores, concebeu-se um software dedicado para tratar da modelagem, automação e validação de sistemas de medição, intitulado AUTOLAB, o qual contempla em sua versão 3, todas as técnicas apresentadas neste artigo e módulos integrados para gestão de laboratórios. Uma versão de baixo custo estará disponível para fins educacionais e científicos.

A

diretamente pelos próprios usuários, através das

realizada

validação

deste

software

pode

ser

ferramentas apresentadas aqui. Atualmente, mais de cem usuários no Brasil calculam resultados de medições usando o AUTOLAB, em inúmeras áreas da metrologia, confirmando a validade das técnicas aqui descritas.

A figuras 3 e 4 apresentam resultados obtidos neste software. Na figura 4 se pode constatar a não- linearidade no mensurando, fazendo a distribuição (em vermelho) ficar assimétrica em relação à média. A distribuição determinada pelo MCS mostra-se não muito próxima da t-Student do GUM (em azul).

7. CONCLUSÕES

Em diversos casos práticos identificou-se deficiências no processo de validação dos resultados pelos laboratórios. Erros de cálculo foram detectados quando os usuários compararam os novos resultados (obtidos com o AUTOLAB) com aqueles que vinham obtendo em análises manuais, software “caseiro” ou em planilhas eletrônicas.

Vários casos de êxito no credenciamento de laboratórios foram também obtidos, graças à adoção de técnicas de cálculo já validadas, como as descritas aqui.

técnicas de cálculo já validadas, como as descritas aqui. Fig. 4. Análise de incertezas por Simulação

Fig. 4. Análise de incertezas por Simulação de Monte Carlo no Autolab

Esses fatos reforçam a importância de utilizar meios confiáveis para assegurar os resultados de medições.

Com o aumento da tecnologia, e das exigências impostas pelos sistemas de gestão da qualidade, torna-se cada vez mais importante dispor de ferramentas para modelar e validar resultados de medição de forma eficiente e confiável, por isso o uso de software especializado para ensaios e calibrações é hoje assunto fundamental para a competitividade das organizações envolvidas com Metrologia.

REFERÊNCIAS

[1] BIPM, IEC, IFCC, ISSO, IUPAC, OIML. Guia para a Expressão da Incerteza de Medição. 2.ed. Rio de Janeiro: SERIFA, 1998.

[2]

ISO/DIS

Competence of testing and Calibration Laboratories.

17025,

General

Requirements

for

the

[3] EURACHEM/CITAC. Primeira Edição Brasileira do Guia EURACHEM/CITAC. Determinando a Incerteza na Medição Analítica. SBM, CNPq, SENAI, QMOL. Trad. CNPq. 2 ed, Rio de Janeiro. 2002.

[4] INSTITUTO NACIONAL DE METROLOGIA, NORMALIZAÇÃO E QUALIDADE INDUSTRIAL (INMETRO). Expressão da Incerteza de Medição na Calibração. Versão Brasileira do Documento de Referência EA-4/02. Rio de Janeiro, 1999.

[5] INMETRO. Vocabulário Internacional de Termos Fundamentais e Gerais de Metrologia - VIM. Versão brasileira do "Vocabulary of Basic and General Terms in Met rology". Rio de Janeiro: INMETRO, 1995.

[6]

COX, M. G.; HARRIS, P. M. GUM Supplements.

Disponível

em:

http://www.npl.co.uk/ssfm/download/documents/ciegu

m_paper.pdf

[7]

Castrup,

H. A critique os Uniform

Distribution.

Disponível

em:http://www.isgmax.com/Articles_Papers/Uniform%

20Distribution%20Usage.pdf

[8] ISO/ABNT NBR 10012-1 - Requisitos de garantia da qualidade para equipamentos de medição - Parte 1:

Sistema de comprovação metrológica para equipamento de medição - ABNT, 11-1993, Rio de Janeiro, RJ.

CONGRESSO SUL-AMERICANO DE METROLOGIA-

METROSUL, 2, 1999, Foz do Iguaçu. Anais

Iguaçu: PARANÁ METROLOGIA, 1999.

Foz do

[9]

[10] LINK, Walter. Tópicos Avançados da Metrologia Mecânica - Confiabilidade Metrológica e Suas Aplicações. Rio de Janeiro: INMETRO, 2000.

[11] COX, M. G.; DAINTON, M. P.; HARRIS, P. M. Software Specifications for Uncertainty Calculation and Associated Statistical Analysis. UK, 2002.

em:

Disponível

http://www.npl.co.uk/ssfm/download/documents/cmsc

10_01.pdf

[12] IMAN, R.L., CONOVER, W.J. A distribution-free approach to inducing rank correlation among input variables. Communications in Statistics, Vol. 11, No. 3, p. 311-334, 1982.

Autor: M.Sc. Wagner Rafael Landgraf, Diretor Comercial da AUTOMA Consultoria & Informática Ltda, R. Eng° Roberto Fischer, 208 - CEP 81250.025, Parque de Software, Cidade Industrial de Curitiba, Paraná, Brasil, Fone: (41) 337-1033, E- mail: wagner@automa.com.br

Autor: M.Sc. Charles Roberto Stempniak, Diretor Técnico da AUTOMA Consultoria & Informática Ltda, R. Eng° Roberto Fischer, 208 - CEP 81250.025, Parque de Software, Cidade Industrial de Curitiba, Paraná, Brasil, Fone: (41) 337-1033, E- mail: charles@automa.com.br