METROSUL IV IV Congresso Latino-Americano de Metrologia

A METROLOGIA E A COMPETITIVIDADE NO MERCADO GLOBALIZADO

09 a 12 de Novembro, 2004, Foz do Iguau, Parn BRASIL
Rede Paranaense de Metrologia e Ensaios

SIMULAO DE MONTE CARLO E FERRAMENTAS

PARA AVALIAO DA INCERTEZA DE MEDIO
M.Sc. Wagner R. Landgraf1; M.Sc. Charles R. Stempniak1
1

AUTOMA Consultoria & Informtica Ltda

Curitiba Paran Brasil

Resumo: Muitos mritos so creditados ao Guia

para Expresso da Incerteza de Medio GUM por sua aplicabilidade quase universal na expresso
da incerteza de medio, mas ele tambm
apresenta limitaes de aplicao, as quais podem
ser encontradas em seu prprio texto. Estas
restries de aplicabilidade podem levar a erros
numricos no resultado da medio e so at
bastante comuns em diversas reas de ensaios.
Desde sua publicao em 1995, muito foi avanado
no campo terico e na prtica dos conceitos
envolvendo incerteza de medio e tcnicas mais
especficas para determinados tipos de problemas
tm sido desenvolvidas. Publicaes internacionais
tm apontado para uma nova edio do consagrado
guia, onde mtodos alternativos sero tambm
abordados. Um desses mtodos baseia-se em
Simulao de Monte de Carlo (MCS), muito usado
em vrias disciplinas, bem antes do GUM. O MCS
est livre da maioria das limitaes do GUM e pode
ser empregado alternativamente para validar o
modelo de clculo original, alm de poder ser
utilizado no lugar do GUM, conforme ele mesmo
adianta. No entanto, mtodos MCS requerem
intensivo processamento numrico, o qual somente
vivel atravs de um software dedicado para este
tipo de aplicao. Este artigo discute as limitaes
do GUM, vantagens no uso de MCS e um software
que pode lidar com essas duas abordagens,
especificamente para aplicaes em ensaios e
calibraes.
Palavras chave: Simulao de Monte Carlo,
Incerteza de Medio, ISO GUM
1. INTRODUO
Resultados
de
medies
so
informaes
decorrentes dos trabalhos feitos nos laboratrios de
calibrao e ensaios. Tambm so necessrios na
maioria
dos
trabalhos
de
pesquisa
e
desenvolvimento ou no controle de qualidade de
processos e produtos na indstria. O resultado de

uma medio sistematicamente tratado pelo Guia

Para Expresso da Incerteza de Medio [1], aceito
e conhecido internacionalmente como GUM. Esta
abordagem faz parte tambm 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 medio deve fornecer uma
estimativa realista para uma determinada grandeza
especfica (mensurando), com um nvel de confiana
(probabilidade de abrangncia [5]) conhecido. Este
resultado deve fornecer uma aproximao do valor
verdadeiro da grandeza (mdia obtida em uma
situao particular de medio) e deve incluir sua
incerteza
de
medio,
que
representa
quantitativamente a dvida inerente determinao
desta grandeza [1].
Medir e expressar este resultado, corretamente,
constitui o objetivo principal de toda calibrao ou
ensaio.
A abordagem do GUM, compilada primeiramente no
incio dos anos 90, proporcionou uma padronizao
na forma de tratar o resultado das medies em
todo o mundo. Porm, sua aplicao no uma
tarefa simples. A interpretao do GUM e sua
correta aplicao requerem preparo tcnico
especializado. Alm disso, a prpria abordagem do
GUM est sujeita a consideraes de aplicabilidade
que podem trazer limitaes em determinadas
situaes e propiciar dvidas de interpretao,
levando at a resultados de medio incorretos [6].
Como conseqncia, srios problemas podem ser
causados por tais resultados incorretos, ao longo de
sua cadeia de aplicaes (por exemplo, na
especificao, no desempenho ou no controle de
qualidade de um produto dependente daquele
resultado) e fatalmente levaro 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 clculos e os resultados com ela obtidos.

Esse cuidado pode ser realizado atravs do uso de

tcnicas para determinar parmetros da modelagem
do sistema de medio, que possam indicar sua
correta modelagem e a confiabilidade de seus
resultados. O uso de uma abordagem recomendada
para clculo, alternativa ao GUM, pode determinar
indicadores que permitem validar a abordagem do
GUM e tambm pode ser mais adequada no lugar
desse, quando a primeira abordagem for
comprovadamente menos confivel que a segunda.
Esta abordagem alternativa pode ser a de
Simulao de Monte Carlo (MCS), que est sendo
muito empregada em cincias econmicas para
anlise de riscos, e tambm em muitas outras reas,
desde meados do sculo XX, com a era da
computao.

software especializada. Se o software puder ser

validado e dispuser de recursos especficos para
cuidar da abordagem do GUM e tambm da
abordagem por MCS, ele pode ento efetivar a
soluo do problema apresentado, de forma eficaz.
2. CONSIDERAES SOBRE A METODOLOGIA
DO ISO GUM
A determinao de um resultado de medio
comea com a modelagem do prprio sistema de
medio. Este modelo deve relacionar a grandeza
de sada (resultado da medio) com as grandezas
de entrada que so significativas. A modelagem
deve formular um equacionamento matemtico onde
as estimativas das grandezas de influncia so
representadas
por
variveis
(smbolos
matemticos).

Cox e Harris [6] indicam que esta tcnica til para

validar a abordagem do GUM e apontam para uma
nova verso deste consagrado guia, que
contemplar tcnicas de MCS.

A Figura 1 ilustra o procedimento para determinao

do resultado de uma medio, segundo a
abordagem do GUM.

Contudo, a abordagem do guia e, mais ainda, a

abordagem por MCS, requerem numerosos
cmputos matemticos. Essa computao pode ser
convenientemente realizada com a ajuda de
algoritmos de computador, em uma ferramenta de

Entradas

Modelo
Y=f(X)

Estimativas x
das grandezas
de entrada X

Na maioria dos casos o mensurando Y no

medido diretamente, mas determinado a partir de
N outras grandezas X1, X2, ..., XN, atravs de uma

Incertezas
padronizadas u de x

Graus de
liberdade
associados a x

Probabilidade
de abrangncia
desejada

Coeficientes de
sensibilidade
c = Y/x

Incerteza padro
combinada uc(y)

Graus de liberdade
efetivos eff

Modelo avaliado nas estimativas

das grandezas de entrada y=f(x)

Fator de abrangncia kp

Incerteza Expandida U(y)

Sada

Intervalo de
abrangncia
y U(y)

Fig. 1. Determinao do resultado de uma medio usando a metodologia do GUM.

relao funcional f [1]:

Y = f( X1, X2,..., XN)

(1)

O GUM comenta na clusula 4.1.2 que as

grandezas de entrada podem elas mesmas, ser
consideradas como mensurandos e depender de
outras grandezas, incluindo correes para efeitos
sistemticos, levando a relaes funcionais muito
complicadas, que no podem ser escritas
explicitamente. A relao f pode tambm ser
determinada analiticamente a partir de modelos
tericos ou experimentalmente (como atravs do
levantamento de curvas estatsticas, como as de
mnimos quadrados). Quando a relao no
explcita, pode ser resolvida atravs de um algoritmo
computacional (mtodos numricos).
O GUM mais especfico para modelos explcitos,
onde apenas uma estimativa de sada, de variveis
reais, formulada. Outros modelos so menos
freqentes, como os de mltiplas sadas
correlacionadas, de variveis complexas ou de
funes
implcitas,
no
sendo
detalhados
exaustivamente pelo GUM. Cox e Harris [6] tambm
indicam que uma verso futura do GUM pode
contemplar todas essas categorias de modelos.
As seguintes etapas de clculo devem ser seguidas
at a expresso do resultado da medio:
a) Determinao das estimativas xi para as
grandezas de entrada Xi, a partir de anlise
estatstica de observaes ou por outros
meios;
b) Determinao
dos
coeficientes
de
sensibilidade
de
cada
uma
das
contribuies xi, a partir das derivadas
parciais do modelo em relao a cada uma
de suas variveis de entrada;
c) Determinao das incertezas padro u(xi)
associadas a cada estimativa xi. A partir das
distribuies estatsticas das variveis
aleatrias xi. Essa determinao pode ser
do Tipo A (atravs de mtodos estatsticos)
ou do Tipo B (atravs de julgamento
cientfico);
d) Determinao das covarincias u(x1,x2), ou
dos
fatores
de
correlao
r(x1,x2),
associados a todos os pares de estimativas
que sejam correlacionadas;
e) Clculo da estimativa y do mensurando Y, a
partir da relao funcional f, utilizando como
grandezas de entrada Xi as estimativas xi;
f)

Clculo da incerteza padro combinada

uc(y) associada estimativa y, usando a lei
de propagao de incertezas, a partir das
incertezas padro, dos fatores de correlao
e dos coeficientes de sensibilidade

associados a cada uma das estimativas de

entrada xi.
g) Clculo do fator de abrangncia k
(tipicamente na faixa de 2 a 3) obtido da
distribuio t-Student, a partir dos graus de
liberdade efetivos eff da incerteza
combinada uc(y). Os quais so calculados
pela frmula de Welch-Satterthwaite a partir
das incertezas padro u(xi), da incerteza
combinada uc(y), dos graus de liberdade
associados a cada uma das estimativas xi e
da probabilidade de abrangncia p
estipulada.
h) Clculo da incerteza expandida U e
expresso do intervalo de abrangncia
determinado para o mensurando Y. A partir
da relao U=k.uc(y). O intervalo de
abrangncia compreende valores que
podem, razoavelmente, ser atribudos ao
mensurando entre y-U at y+U.
Como esta abordagem baseia-se na lei de
propagao de incertezas, ela requer algumas
consideraes de aplicabilidade, como descrito
abaixo:
a) Linearidade do modelo Se a relao
funcional entre Y e suas grandezas de
entrada no-linear e se uma expresso de
primeira ordem da srie de Taylor da
relao no for uma aproximao aceitvel,
ento a distribuio de probabilidade de Y
no pode ser obtida pela convoluo das
grandezas de entrada. Em tais casos, outros
mtodos numricos ou analticos so
requeridos[1]. Ou seja, a lei de propagao
de incertezas, na qual se baseia o GUM,
pode tornar-se inapropriada quando o
mensurando no puder ser representado
adequadamente por uma funo linear
como:
Y = c1X1 + x2X2 + ... + xNXN,

(2)

Onde ci o coeficiente de sensibilidade

linear da varivel Xi.
Modelos envolvendo polinmios de ordem
superior a 1, funes logartmicas,
exponenciais
e
trigonomtricas
ou
quocientes so alguns exemplos de funes
que apresentam no-linearidades.
b) Normalidade da distribuio resultante A
avaliao da incerteza expandida dada aqui
(...) somente uma aproximao e tem suas
limitaes. A distribuio de (y-Y)/uc(y)
dada pela distribuio t-Student somente se
a distribuio de Y normal, se a estimativa
y e sua incerteza padro combinada uc(y)

so independentes e se a distribuio de
2
2
uc (y) uma distribuio . A normalidade
de que depende esta abordagem
assegurada
fundamentalmente
pelo
Teorema Central do Limite, para muitas
medies prticas, devido a: (1) a estimativa
do mensurando ser obtida de um nmero
significativo de grandezas de entrada, cujas
distribuies so em geral simtricas; (2) as
incertezas padro de entrada contriburem
com quantidades comparveis entre si; (3) a
aproximao linear do modelo ser, em geral,
aceitvel; e (4) a incerteza combinada ser
relativamente pequena devido a seus graus
de liberdade efetivos possurem uma
magnitude, geralmente, maior que 10 [1].
Modelos de medio com contribuies de
incerteza assimtricas, relaes nolineares, incertezas no-normais dominantes
(quando uma ou mais retangulares so
significativamente maiores que as demais,
por exemplo) e forte dependncia entre
variveis
de
entrada
(correlaes
significativas), so situaes que merecem
cuidados
matemticos
especiais
na
modelagem
do
resultado,
quando
submetidos abordagem do GUM.
3. PRINCIPAIS CUIDADOS NA MODELAGEM DO
RESULTADO
O GUM enfatiza que a incerteza de medio deve
ser realista, ou seja, nem subestimada, nem
superestimada. E embora ele fornea um conjunto
de tcnicas para avaliar o resultado da medio e
suas incertezas, o senso crtico, o conhecimento e
experincia do profissional de metrologia so
fundamentais para a determinao do resultado
correto de uma medio. Algumas recomendaes
prticas podem ser destacadas, para orientar a
modelagem de calibraes ou ensaios:
a) Partir de um modelo conceitual do sistema
de medio, que esteja bem documentado e
que seja reconhecidamente aplicvel a um
dado processo de medio. interessante
partir de modelos que levem em conta o
maior nmero de grandezas de influncia,
para depois simplific-lo a partir de
consideraes particulares da medio. O
EURACHEM/CITAC [2] apresenta uma lista
de grandezas de influncia que podem estar
presentes em muitos ensaios. Exemplos de
aplicao do GUM [1], suplementos do EA4/02 [4] e o trabalho de Link [10], trazem
modelos de sistemas de medio,
explicando suas grandezas de influncia e
consideraes prticas;
b) Atribuir distribuies de probabilidade
realistas para as grandezas de influncia do

modelo. Castrup [7] discute algumas

distribuies comuns para incertezas de
medio e cita algumas de suas principais
aplicaes;
c) Documentar detalhadamente todo o roteiro
de
clculo,
descrevendo
todas
as
simplificaes e consideraes particulares
que so realizadas atravs do julgamento
cientfico do metrologista;
Algumas etapas na determinao de resultados de
uma medio so mais propensas a erros,
merecendo maior ateno. Alguns erros comuns
neste processo so:
a) Equacionamento da funo matemtica que
representa
o
mensurando
omitindo
contribuies de influncia que so
significativas;
b) Grandezas
de
influncia
sendo
representadas
por
distribuies
inadequadas. Uma atitude conservadora
muito comum o uso indiscriminado de
distribuies uniformes (retangulares) no
lugar das distribuies mais realistas para
determinadas variveis aleatrias de
influncia;
c) Emprego de dados obtidos de tabelas, sem
a respectiva informao de incerteza
associada a cada valor numrico transcrito;
d) Incorreta interpretao de dados obtidos dos
manuais dos fabricantes ou de certificados.
Por exemplo: existe confuso entre valores
de limite de erro com valores de incerteza
padro,
tambm
causa
confuso
especificaes de resoluo ou preciso
com incerteza de medio;
e) Negligncia ou erro na avaliao dos
coeficientes de sensibilidade do modelo;
f)

Desconhecimento e negligncia sobre

eventuais correlaes existentes entre as
variveis de entrada, sendo consideradas,
em geral, todas no correlacionadas;

g) Razo de proporcionalidade de incertezas

(TUR) insuficiente entre o mensurando e o
padro, revelando sistemas de medio
incompatveis
com
a
exatido
do
mensurando;
h) Excesso de arredondamentos em clculos
intermedirios e tambm no resultado final,
que no levado em conta na determinao
do intervalo de abrangncia do resultado;

4. TCNICAS PARA VALIDAO DO MODELO

comum a determinao de resultados de
medies que apresentam incorrees e que s
vezes so detectadas somente em eventuais
auditorias, ou ento que raramente so detectadas.
Usurios de calibraes e ensaios, muitas vezes,
trocam de fornecedor devido a no-conformidades
obtidas em processos que empregaram resultados
incorretos, fornecidos em certificados de calibrao.
Mas de modo geral, os laboratrios no utilizam
meios eficientes para verificar os resultados das
medies, antes que as conseqncias do erro
sejam notadas tardiamente.
Entretanto, possvel sistematizar e mesmo
automatizar o processo de determinao dos
resultados de uma medio. Podem-se empregar
tcnicas matemticas e computacionais que
forneam indicadores precisos sobre a validade dos
resultados da medio. A seguir so descritas
algumas tcnicas teis para isso:
a) Rastreabilidade dos clculos consiste no
registro sistemtico de todos os cmputos
realizados para a determinao do
mensurando. Para ser confivel, esse
registro
deve
ser
realizado
automaticamente, com base nas operaes
que o usurio realiza seqencialmente
desde a formulao do modelo da medio
at a expresso dos resultados. Este
registro permite que o metrologista possa
conferir toda a extensa seqncia de
cmputos que foram realizadas. Contudo
este registro deve ser montado de forma
organizada, para que o trabalho de
verificao seja confortvel (fcil e rpido) e
livre de interpretaes ambguas;
b) Razo de proporcionalidade de incertezas
TUR (Test Uncertainty Ratio) um
indicador quantitativo que representa a
qualidade do sistema de medio, isto ,
quantas vezes o sistema de medio padro
melhor que o mensurando, em termos de
incerteza. Esta razo obtida diretamente
pela diviso entre a incerteza padro do
objeto da medio e a incerteza combinada
dos padres de medio. O numerador
pode ser, por exemplo, o limite de erro ou a
classe de exatido especificada pelo
fabricante do equipamento em teste,
devidamente convertidos na forma de um
desvio padro. O uso do TUR
recomendado por alguns documentos da
qualidade como NBR 10012 [8], devendo
ser geralmente maior que 2 ou 3. Maftoum
[9] discute detalhadamente a aplicao do
TUR como indicador da qualidade em um
processo de medio;

c) Derivadas parciais de ordem superior A

derivao parcial de segunda ordem do
modelo matemtico da medio, em relao
a cada uma de suas variveis de entrada,
conduz a uma avaliao quantitativa
individual
de
no
linearidades
do
mensurando. Modelos lineares apresentam
todos os coeficientes de segunda ordem
nulos. Coeficientes no nulos quantificam a
influncia de segunda ordem que as
respectivas variveis de entrada introduzem
na estimativa de sada.
d) Anlise de influncias dominantes
Multiplicando-se as incertezas padro pelos
respectivos coeficientes de sensibilidade,
obtm-se as contribuies de incerteza
padro associadas a cada varivel.
Tomando estas contribuies ao quadrado e
dividindo-se
pela
incerteza
padro
combinada ao quadrado, obtm-se um
ndice que revela o quanto cada varivel
influencia
na
incerteza
resultante.
Ordenando estas contribuies segundo sua
magnitude e apresentando-as em um
grfico de barras, obtm-se um diagrama
conhecido como grfico de Pareto, que til
para identificar influncias dominantes. A
presena de contribuies no-normais
(com
distribuies
retangulares,
por
exemplo) dominantes no modelo, indica que
a distribuio resultante tem maior
probabilidade de ser no-normal, o que
tornaria a avaliao da incerteza expandida
e o intervalo de abrangncia da estimativa
de sada mais propensas erros, pela
abordagem do GUM.
e) Determinao numrica da distribuio
resultante Aplicando-se o mtodo de
Simulao de Monte Carlo (MCS) para
determinar a distribuio do mensurando, a
partir das distribuies das variveis de
entrada, obtm-se a representao grfica
aproximada da distribuio do mensurando
e tambm dados de onde se podem extrair
estatsticas interessantes como a estimativa
da mdia, a incerteza padro combinada e o
intervalo de abrangncia do mensurando.
Quanto maior o nmero de simulaes e
melhor o algoritmo computacional utilizado,
maior exatido se obtm das informaes
determinadas por este mtodo. Como ele
est livre das limitaes e consideraes de
aplicabilidade
apresentadas
pela
abordagem
aproximativa da lei de
propagao de incertezas, este mtodo
pode ser usado para validar os resultados
finais obtidos pelo GUM. A seo seguinte
descreve melhor a aplicao do MCS para
clculo de incertezas.

5. O MTODO DE SIMULAO DE MONTE

CARLO

sada que vai de y-U at y+U da abordagem do

GUM.

As informaes de entrada para aplicao do

mtodo da MCS so quase as mesmas usadas na
abordagem do GUM, ou seja, parte-se de um
modelo matemtico descrevendo o mensurando a
partir das variveis de entrada e de suas
informaes estatsticas. A diferena fundamental
que as informaes estatsticas de entrada usadas
no GUM so basicamente a mdia, desvio padro e
graus de liberdade de cada distribuio de incerteza
(Tipo A ou Tipo B), j na MCS as prprias funes
densidade de probabilidade das distribuies de
entrada que so utilizadas, fornecendo
informaes mais completas sobre as distribuies
de entrada [11]. Na abordagem do GUM, as
distribuies de entrada so combinadas em termos
de desvios padro, produzindo uma incerteza
combinada onde esperado um formato gaussiano
de distribuio (ou t-Student quando os graus de
liberdade efetivos forem finitos). Na MCS, o formato
da distribuio de sada ser obtido da avaliao do
modelo matemtico sobre amostras aleatrias das
variveis de entrada, respeitando suas respectivas
distribuies estatsticas. O mtodo avalia o modelo
N vezes, em cada avaliao (simulao) um valor
aleatrio possvel para o mensurando obtido. A
partir das N amostras obtidas para o mensurando,
calcula-se a mdia, desvio padro e tambm os
limites do intervalo de abrangncia para o
mensurando, o qual corresponderia ao intervalo de

Quando correlaes esto presentes entre

distribuies de entrada (distribuies conjuntas),
utilizam-se transformaes convenientes sobre os
vetores de amostras aleatrias, para sintetizar os
coeficientes de correlao estipulados (a partir de
uma matriz de correlaes, pode-se empregar a
transformada de Cholesky para obter amostras
pseudo-aleatrias correlacionadas [12]).

Entradas

Modelo
Y=f(X)

A figura 2 ilustra a seqncia de operaes

necessria para a aplicao do MCS.
As consideraes sobre distribuies assimtricas
para as variveis de entrada, modelos no-lineares,
contribuies
dominantes,
correlaes
entre
variveis de entrada, normalidade da estimativa de
sada e a aplicabilidade da frmula de WelchSatterthwaite so todas irrelevantes para a MCS.
Contudo, sua exatido ir depender dos seguintes
fatores:
a) Nmero N de simulaes realizadas, que
deve ser, em geral, bastante grande para
promover resultados com pelo menos 2
algarismos significativos de preciso (50 mil
simulaes um nmero citado em algumas
referncias como sendo adequado [11]);
b) Qualidade do algoritmo, principalmente em
relao qualidade dos geradores de
nmeros pseudo-aleatrios empregado;

Funes densidade de
probabilidade g(X)

Nmero M de extraes
aleatrias para a simulao
de Monte Carlo

Probabilidade
de abrangncia
desejada p

M amostras x1,...,xM
de x a partir de g(x)

M avaliaes da estimativa de sada

y=(y1,...,yM)={ f(x1),..., f(xM) }

M avaliaes ordenadas
da estimativa de sada
y1,...,yM

Sada

Intervalo de
abrangncia
[y(1-p)M/2, y(1+p)M/2]

Fig. 2. Determinao do resultado de uma medio usando a metodologia da MCS.

Comparando-se quantitativamente os intervalos de

abrangncia obtidos com o GUM e com a MCS,
pode-se determinar, de forma objetiva, se a primeira
abordagem vlida para o sistema de medio. Se
os resultados so compatveis, pode-se confiar nos
resultados obtidos conforme metodologia do guia.
Em caso contrrio, pode-se refinar o tratamento
matemtico usando recomendaes do prprio
GUM, mas tambm permitido utilizar diretamente
os resultados obtidos do mtodo MCS, conforme o
prprio GUM alude em G.1.5.
6. USO DE SOFTWARE COMO FERRAMENTA
PARA A DETERMINAO DOS RESULTADOS
DE MEDIO
A utilizao de software em metrologia justificada
no somente para assegurar a qualidade dos
resultados da medio, mas tambm porque a
determinao desses resultados uma tarefa que
requer muitos cmputos, 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 calibraes. Muitos
trabalhos do NPL (National Physicalish Laboratory,
no Reindo Unido) tm sido voltados para esse
assunto, destacando o programa SSfM (Software
Support for Metrology).

Utilizando software dedicado s reas de ensaio e

calibrao, pode-se identificar facilmente os
seguintes benefcios para os laboratrios:
a) Aumento na produtividade, devido
automao dos processos tcnicos, e de
gesto (quando a ferramenta de software for
abrangente);
b) Aumento na confiabilidade dos resultados,
facilitando auditorias e o credenciamento de
ensaios ou do prprio laboratrio, pela
aplicao automtica das tcnicas descritas
aqui e por empregar metodologias j
validadas para determinao dos resultados
de medio;
c) Aumento da competitividade do laboratrio,
pela reduo de custos, aumento da
flexibilidade para trabalhar com mtodos de
medio variados, reduo das incertezas
de medio, facilidades gerenciais para
tomada de deciso, dentre outros inmeros
aspectos positivos que podem ser
alcanados, quando a ferramenta de
software for abrangente e especializada.

Fig. 3. Oramento de incertezas usando a metodologia do GUM, incluindo teste de conformidade, grfico de
.
Pareto das contribuies de influncia e anlise do TUR no Autolab

O uso de planilhas eletrnicas, como Ms-Excel,

bastante comum por ser o meio mais fcil e barato
para lidar com a matemtica por trs das medies,
j que essas so ferramentas generalistas e
flexveis, o bastante para serem programadas pelos
prprios usurios. No entanto, essas ferramentas
no so feitas especificamente para tratar de
ensaios ou calibraes. O uso de software
especializado para metrologia incluindo mtodos de
medio validados, traz inmeras vantagens sobre
as planilhas construdas a mo, destacando as
ferramentas de modelagem, automao e avaliao
de incertezas, que tornam a prtica da metrologia
acessvel e confivel, no somente para os
especialistas.
Como resultado das pesquisas dos autores,
concebeu-se um software dedicado para tratar da
modelagem, automao e validao de sistemas de
medio, intitulado AUTOLAB, o qual contempla em
sua verso 3, todas as tcnicas apresentadas neste
artigo e mdulos integrados para gesto de
laboratrios. Uma verso de baixo custo estar
disponvel para fins educacionais e cientficos.
A validao deste software pode ser realizada
diretamente pelos prprios usurios, atravs das

ferramentas apresentadas aqui. Atualmente, mais

de cem usurios no Brasil calculam resultados de
medies usando o AUTOLAB, em inmeras reas
da metrologia, confirmando a validade das tcnicas
aqui descritas.
A figuras 3 e 4 apresentam resultados obtidos neste
software. Na figura 4 se pode constatar a nolinearidade no mensurando, fazendo a distribuio
(em vermelho) ficar assimtrica em relao mdia.
A distribuio determinada pelo MCS mostra-se no
muito prxima da t-Student do GUM (em azul).
7. CONCLUSES
Em
diversos
casos
prticos
identificou-se
deficincias no processo de validao dos
resultados pelos laboratrios. Erros de clculo foram
detectados quando os usurios compararam os
novos resultados (obtidos com o AUTOLAB) com
aqueles que vinham obtendo em anlises manuais,
software caseiro ou em planilhas eletrnicas.
Vrios casos de xito no credenciamento de
laboratrios foram tambm obtidos, graas adoo
de tcnicas de clculo j validadas, como as
descritas aqui.

Fig. 4. Anlise de incertezas por Simulao de Monte Carlo no Autolab

Esses fatos reforam a importncia de utilizar meios

confiveis para assegurar os resultados de
medies.
Com o aumento da tecnologia, e das exigncias
impostas pelos sistemas de gesto da qualidade,
torna-se cada vez mais importante dispor de
ferramentas para modelar e validar resultados de
medio de forma eficiente e confivel, por isso o
uso de software especializado para ensaios e
calibraes hoje assunto fundamental para a
competitividade das organizaes envolvidas com
Metrologia.
REFERNCIAS
[1] BIPM, IEC, IFCC, ISSO, IUPAC, OIML. Guia para a
Expresso da Incerteza de Medio. 2.ed. Rio de
Janeiro: SERIFA, 1998.
[2] ISO/DIS 17025, General Requirements for the
Competence of testing and Calibration Laboratories.
[3] EURACHEM/CITAC. Primeira Edio Brasileira do
Guia EURACHEM/CITAC. Determinando a Incerteza
na Medio Analtica. SBM, CNPq, SENAI, QMOL.
Trad. CNPq. 2 ed, Rio de Janeiro. 2002.
[4] INSTITUTO
NACIONAL
DE
METROLOGIA,
NORMALIZAO E QUALIDADE INDUSTRIAL
(INMETRO). Expresso da Incerteza de Medio na
Calibrao. Verso Brasileira do Documento de
Referncia EA-4/02. Rio de Janeiro, 1999.
[5] INMETRO. Vocabulrio Internacional de Termos
Fundamentais e Gerais de Metrologia - VIM. Verso
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.
Disponvel
em:
http://www.npl.co.uk/ssfm/download/documents/ciegu
m_paper.pdf
[7] Castrup, H. A critique os Uniform Distribution.
Disponvel
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 medio - Parte 1:
Sistema
de
comprovao
metrolgica
para
equipamento de medio - ABNT, 11-1993, Rio de
Janeiro, RJ.
[9] CONGRESSO SUL-AMERICANO DE METROLOGIAMETROSUL, 2, 1999, Foz do Iguau. Anais.. Foz do
Iguau: PARAN METROLOGIA, 1999.
[10] LINK, Walter. Tpicos Avanados da Metrologia
Mecnica - Confiabilidade Metrolgica e Suas
Aplicaes. 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.
Disponvel
em:
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 & Informtica
Ltda, R. Eng Roberto Fischer, 208 - CEP
81250.025, Parque de Software, Cidade Industrial de
Curitiba, Paran, Brasil, Fone: (41) 337-1033, Email: wagner@automa.com.br
Autor: M.Sc. Charles Roberto Stempniak, Diretor
Tcnico da AUTOMA Consultoria & Informtica
Ltda, R. Eng Roberto Fischer, 208 - CEP
81250.025, Parque de Software, Cidade Industrial de
Curitiba, Paran, Brasil, Fone: (41) 337-1033, Email: charles@automa.com.br