Você está na página 1de 48

Capítulo 5 – Erros e Incerteza de Medição Página 1 de 48

5. ERROS E INCERTEZA DE MEDIÇÃO

5.1 CONCEITOS DE ERRO E DE INCERTEZA DE MEDIÇÃO

Para entender os conceitos de erro e de incerteza de medição, recorre-se ao clássico


exemplo do tiro ao alvo. Na figura 5.1, estão representados os resultados (furos) de cinco tiros
e todos não coincidindo com a marca central (alvo). Portanto, houve erros. A cada tiro
corresponde um erro. Os cinco erros são determinados pelas suas distâncias radiais ao alvo.
Eles podem ser diminuídos se a mira da arma for apontada para um alvo imaginário,
diametralmente oposto ao ponto médio dos resultados. Mas essa providência não garantirá
resultados de tiros corretos porque outras influências desconhecidas ou desprezadas
continuarão contribuindo. Assim, dúvidas persistirão. A aparência de resultados dispersos, em
torno de um ponto médio, quase junto ao alvo, continuará a mesma. Essa dispersão, embora
providenciada uma correção, serve para caracterizar a dúvida ou, apropriadamente, a
incerteza.

Figura 5.1 - Ilustração dos conceitos de erro e de incerteza com o tiro ao alvo.

Nota-se, portanto, que erro e incerteza não são sinônimos. Erro pode ser estimado e
corrigido aproximadamente num resultado de medição, enquanto que a incerteza permanece.
Então, a incerteza faz parte e deve ser indicada num resultado de medição. Nas medições de
calibrações, é praxe indicá-la. No entanto, em ensaios, muitas vezes é ignorada. Um resultado
de medição, expresso somente com um valor e a unidade da grandeza medida, não é
significativo porque não se pode compará-lo a outro resultado obtido nas mesmas condições,
ou a uma média de outros resultados. A incerteza de medição indicada junto com cada
resultado de medição serve como parâmetro para compará-los entre si.

Os erros de medição ocorrem devido às combinações ou interações entre os agentes


envolvidos num processo de medição e também devido às grandezas de influência,
principalmente as ambientais. Eles podem ser considerados nos resultados de medição,
mediante correções, ou incluindo as grandezas de influência identificadas e conhecidas no
modelo matemático do valor estimado de uma grandeza. O desconhecimento ou ignorância
dos erros pode causar sérios prejuízos, principalmente financeiros. Um exemplo simples é o
do controle dimensional de fabricação de peças mecânicas, onde o uso de um instrumento
com erro indicaria que uma peça tem as dimensões conforme as especificações e, mais tarde,
Capítulo 5 – Erros e Incerteza de Medição Página 2 de 48

ao ser montada, surgiriam danos comprometedores do funcionamento de um mecanismo do


qual ela faz parte, resultando em sérios prejuízos financeiros.

As incertezas ocorrem devido às variações ao acaso das grandezas influentes e de


parâmetros dos agentes envolvidos no processo de medição. Além disso, erros de origem e
comportamento desconhecidos também são assumidos como incertezas. A importância de se
indicar a incerteza de medição de uma grandeza, junto com o resultado de medição, é realçada
pelas seguintes razões:
a) A incerteza de medição é uma indicação quantitativa da qualidade de um resultado de
medição.
b) Sem incerteza de medição, resultados não podem ser comparados.
c) A incerteza de medição é também o parâmetro de comparação dos padrões físicos.
d) A incerteza de medição qualifica resultados de pesquisa experimental.
e) A incerteza pode servir para identificar potenciais reduções de custo em calibrações de
instrumentos de medição.
f) No procedimento de cálculo da incerteza, podem ser identificadas as contribuições fracas e
críticas nos métodos de medição.

5.2 FONTES DE ERROS E DE INCERTEZAS

Um erro pode ser determinado após obter-se o resultado observado no sistema de


medição. A diferença entre o resultado observado e o valor da grandeza sob medição é devida
aos efeitos da interação entre os agentes envolvidos no processo de medição e às influências,
principalmente as ambientais (figura 5.2). As incertezas são percebidas quando medições
repetidas apresentam resultados desiguais. Com base em tais interações, a seguir são
apresentadas as principais fontes de erros e de incertezas num processo de medição, mediante
as ações que tais agentes e influências exercem. Nota-se que as ações do objeto sobre o
sistema de medição e deste sobre o observador são desejáveis porque assim se realiza a
transferência da informação de medição.

Figura 5.2 - Interações no processo de medição.

Ação do sistema de medição no objeto.

A ação do sistema de medição sobre o objeto é indesejável porque este pode ser
afetado de tal modo que a grandeza a medir sofre alterações significativas. A seguir, são
descritos alguns exemplos.
Capítulo 5 – Erros e Incerteza de Medição Página 3 de 48

a) Na medição da freqüência natural de uma viga em balanço, a massa do acelerômetro


contribui com uma parcela na massa equivalente da viga e assim tem-se uma frequência
natural alterada.
b) Na medição da temperatura de um líquido aquecido, dentro de um recipiente de volume
relativamente pequeno, a imersão do sensor do termômetro provocará um fluxo térmico
até a estabilização do indicador, numa temperatura inferior à inicial sob medição.
c) Em sistemas de medição que dissipam energia (como a conversão de energia elétrica em
calor), geram-se sinais aleatórios de pequena flutuação chamados de ruído. Esses ruídos
são adicionados ao sinal da grandeza a medir.
d) Nas medições da metrologia dimensional, muitos instrumentos entram em contato com a
peça sob medição. Esse contato é acompanhado de uma força (força de medição) que
provoca deformações, e assim alteram-se as dimensões da peça.
e) Alguns medidores de vazão têm aplicações limitadas porque podem alterar o escoamento
de um fluido em ambiente confinado.

Ação de grandezas indesejadas do objeto no sistema de medição.

No modelo de transformação da teoria da metrologia, admite-se que existe uma


relação definida separadamente entre cada grandeza de um objeto e seu resultado de medição.
Na prática, não é isso o que acontece, pois outras grandezas do objeto contribuem com sinais
indesejáveis no sinal da grandeza escolhida para ser medida. A seguir, são comentados alguns
exemplos.
a) Num processo de furação, na usinagem de peças, atuam simultaneamente uma força axial
e um torque. Um instrumento de medição de tais grandezas possui canais independentes
para medir os correspondentes sinais. No entanto, constata-se que o sinal de medição do
canal da força carrega uma parcela do sinal do torque. Do mesmo modo, no canal do
torque ocorre uma contribuição do sinal da força.
b) Em medições de grandes massas d’água oceânicas e costeiras, é comum medir, com um
mesmo sistema, grandezas tais como salinidade, temperatura e profundidade. Neste caso,
também ocorrem contribuições das outras grandezas no canal da grandeza sob medição.

Ação do ambiente no sistema de medição.

As principais fontes ambientais que influenciam os resultados de um sistema de


medição são as seguintes: variações de temperatura, umidade relativa do ar, pressão
atmosférica, interferências eletromagnéticas, interferências elétricas, poeira, vibrações,
aceleração da gravidade, radiações luminosas. A seguir, são comentados alguns exemplos
tradicionais.
a) As variações de temperatura constituem a principal fonte de influência ambiental. Elas
provocam variações de comprimento de elementos elásticos, variações de resistências e de
outras características elétricas do sistema de medição. Nos circuitos elétricos condutores
de sistemas de medição, tendo materiais diferentes, principalmente nas juntas desses
condutores, ocorre o efeito termoelétrico semelhante aos termopares, sendo gerados sinais
indesejados de tensão.
b) A umidade provoca a dilatação de materiais higroscópicos como certos plásticos e, assim,
alteram-se as características do sistema de medição. A umidade influi no isolamento de
condutores elétricos, causando correntes de fuga (perda de parte do sinal de medição). Ela
também cauda ferrugem que falsifica os resultados e danifica elementos do sistema de
medição. Além disso, é favorecida a proliferação de fungos em sistemas óticos. Os fungos
dificultam as leituras de escalas óticas e impossibilitam a visualização de retículos e linhas
de referência.
Capítulo 5 – Erros e Incerteza de Medição Página 4 de 48

c) Interferências eletromagnéticas ocorrem quando o circuito elétrico de um sistema de


medição está num campo magnético variável. Neste caso, uma tensão de interferência
poderá ser induzida. Na presença de campos magnéticos fortes, certos elementos do
sistema de medição poderão permanecer magnetizados e assim seu funcionamento será
alterado.
d) Interferências elétricas ocorrem como no caso da entrada de um circuito condutor estar
próxima de um fio que transmite uma tensão alternada. Podem ser produzidas
interferências capacitivas e indutivas que alteram as características do sistema de medição.
Sistemas de medição computadorizados podem ser perturbados de tal modo que um
processo é iniciado aleatoriamente, ou omitido um passo de um programa.
e) Vibrações mecânicas, atuando sobre o sistema de medição, podem contribuir com sinais
adicionais pelo efeito de ações inerciais. Além disso, ocorrem alterações de atrito e de
folgas em mecanismos de medição. Interferômetros usados na metrologia mecânica, para
calibrar blocos padrão, podem ser perturbados por ondas vibratórias atmosféricas
provocadas por aparelhos de ar condicionado.

Ação do sistema de medição no ambiente.

Geralmente esta ação é desconsiderada, mas o sistema de medição pode produzir


alterações no ambiente onde se insere, provocando geração de calor, vibrações ou movimento
de ar.

Ação do operador/observador no sistema de medição.

O operador/observador pode influenciar resultados de medição, por ação sobre o


sistema de medição, nos seguintes casos:
a) Erros de leitura. No caso de indicadores analógicos, é conhecido o fenômeno da paralaxe,
que ocorre devido a escala e o ponteiro indicador estarem em planos diferentes. Se a
observação for efetuada com uma pequena inclinação, o valor lido será diferente do
melhor resultado. Mas, mesmo efetuando a leitura perpendicularmente ao plano da escala,
o erro de paralaxe poderá ocorrer devido à diferença de acuidade visual dos olhos. Outro
erro bastante comum é o de interpolação da leitura em escalas analógicas. Neste caso,
algumas pessoas cometem erros tendenciosos involuntariamente e durante muito tempo,
subestimando ou superestimando as leituras. Enganos são erros de leitura que podem
acontecer, como nos seguintes casos: ler 3 no lugar de 8, em indicadores digitais; ler
escalas erradas em indicadores analógicos; anotar errado um valor lido (falta de atenção).
b) Erros de operação. Geralmente são devidos à falta de habilidade tátil, ótica ou até auditiva,
falta de habilidade para manejar o sistema de medição, falta de treinamento ou
treinamento inadequado.

Ação do operador/observador no ambiente.

O calor do corpo do observador, um movimento brusco que provoque vento, ou sua


voz, podem alterar o ambiente que influencia o sistema de medição.

Ação do ambiente no objeto.

O objeto da medição também pode sofrer influências por ação de grandezas


ambientais. Exemplos:
a) Na medição de massa, em balanças analíticas, correntes de ar e vibrações podem alterar o
resultado de medição.
Capítulo 5 – Erros e Incerteza de Medição Página 5 de 48

b) Efeito de variações da temperatura na medição do comprimento de peças.


c) Uma peça inadequadamente limpa pode estar contaminada com poeira, óleo ou ferrugem
devido à umidade.
d) Efeito do empuxo do ar na medição do peso de uma peça.
e) Objetos a serem ensaiados sofrem influência das condições de armazenagem e também do
tempo de armazenagem.

Ação do operador/observador no objeto.

O operador pode alterar um objeto da medição como nos seguintes casos:


a) Na medição da temperatura de uma câmara frigorífica, o calor do corpo do operador pode
causar alterações na temperatura ambiente.
b) Manuseio e montagem inadequados do objeto da medição.
c) Contaminação do objeto com o suor das mãos.

Ação do padrão no sistema de medição.

No processo de medição, o padrão corresponde à realização física da unidade de


medida do sistema de medição. A comparação das indicações do sistema de medição com os
correspondentes valores do padrão da grandeza a medir é feita na operação de calibração.
Então, os erros e incertezas do padrão são transferidos para o sistema de medição. É desejável
que essa contribuição seja insignificante. Para isso, requer-se a criteriosa escolha da adequada
classe de exatidão do padrão.

Ação do método de medição.

O método de medição envolve os demais agentes do processo de medição, bem como


as influências. A sua operacionalização dá-se mediante um procedimento que consiste numa
seqüência de instruções detalhadas, baseada num modelo matemático. Assim, no método
absoluto ou de deflexão, o modelo matemático é Xx e, no método diferencial, Xx+xp, onde
X é o valor da grandeza a medir, x o resultado observado no sistema de medição e x p o valor
de um padrão de referência. Observa-se que estes modelos são extremamente simplificados
porque desconsideram as diferentes influências. Então, a principal fonte de erros e de
incertezas do método de medição refere-se às hipóteses simplificativas do modelo matemático
usado. Devido a isso, influências e ações de interação significativas são desprezadas. Outras
fontes relacionadas ao método, ou procedimento de medição, são relacionadas como segue.
a) Posicionamento inadequado do sistema de medição em relação ao objeto.
b) Pontos de medição inadequados e insuficientes no objeto.
c) Sistema de medição incompatível com as características do objeto.
d) Amostras não representativas da grandeza a medir, ou insuficientes.
e) Interpolação de dados não correspondentes aos pontos de calibração do sistema de
medição (pode ocorrer com medidores de força tipo anel dinamométrico).
f) Inobservância do princípio de ABBE, na metrologia dimensional (a escala do instrumento
e a dimensão da peça a medir devem estar alinhadas).
g) Não usar instrumento de medição nas mesmas condições de calibração.
h) Extrapolações injustificadas de resultados de medição.
i) Embora atualmente operações aritméticas sejam realizadas com auxílio de calculadoras e
computadores, podem ocorrer erros nos programas ou em arredondamentos.
Capítulo 5 – Erros e Incerteza de Medição Página 6 de 48

Fontes intrínsecas ao sistema de medição.

As falhas de concepção do projeto de um sistema de medição e as imperfeições e


interações dos elementos que o constituem são as principais fontes intrínsecas de erros e
incertezas. Exemplos dessas fontes são relacionados como segue.
a) Variações da tensão da fonte de energia auxiliar alteram a amplificação.
b) Variações rápidas de posições de elementos do sistema de medição provocam
deformações que mudam temporariamente o foco de lentes.
c) Uso do sistema de medição com sobrecargas.
d) Materiais dos elementos do sistema de medição consumíveis ou deterioráveis com o
tempo e o uso.
e) Arranjo inadequado dos elementos do sistema de medição.
f) Atrito interno.
g) Folgas entre elementos do sistema de medição.
h) Alguns efeitos dessas fontes podem ser determinados nas calibrações. A falta de
calibração é uma fonte de erros e incertezas.

Fontes intrínsecas ao objeto da medição.

Embora se considere que a ação do objeto sobre o sistema de medição seja desejável,
porque assim se transmite a informação de medição, parte dessa pode ser devida a grandezas
indesejadas e também devido a outras fontes intrínsecas ao objeto. Estas fontes são
relacionadas, por exemplo, à matéria, como anisotropia e baixo grau de homogeneidade, ou à
forma do objeto. Um caso típico da forma é o de um eixo de transmissão, onde as
irregularidades superficiais e os desvios da forma cilíndrica são causas de diferentes valores
dos diâmetros medidos em posições determinadas ou escolhidas ao acaso.

5.3 ERROS DE MEDIÇÃO

5.3.1 Definição de erro de medição

Em geral, na metrologia, os erros podem ser classificados como:


a) Desvios,
b) Erros ilegítimos,
c) Erros de medição.

Desvios.

Um desvio d é definido como a diferença entre o valor efetivo (resultado de medição


x) de uma grandeza e o seu correspondente valor de referência xo, ou seja,

d  x  xo (5.1)

Na metrologia mecânica, o desvio representa efetivamente uma grandeza a medir.


Assim, para blocos padrão de comprimento, o erro no comprimento (um desvio) é definido
pela diferença entre o comprimento efetivo e o comprimento nominal. Quando se mede o
diâmetro de um eixo, a diferença entre o resultado de medição e o valor nominal do eixo é um
Capítulo 5 – Erros e Incerteza de Medição Página 7 de 48

desvio dimensional. Outros exemplos importantes são os desvios de forma e posição de peças.
Geralmente, um desvio é obtido pelo método diferencial.

Erros ilegítimos.

Erros ilegítimos ou grosseiros são causados por ação do operador/observador ou por


acidentes. Na maioria dos casos, o observador comete esse erro por engano ou por desatenção
no momento de registrar a leitura. Não efetuar o procedimento de medição conforme
estabelecido e operar as regulagens incorretamente, também são exemplos de erros grosseiros
cometidos pelo operador/observador. Choques no sistema de medição, sobrecargas
excessivas, funcionamento incorreto ou vibrações extremas, são exemplos de fontes de erros
ilegítimas acidentais. Esses erros distorcem exageradamente os resultados e, como não
descrevem corretamente a grandeza sob medição, os resultados exagerados deverão ser
descartados. A identificação dos erros ilegítimos pode ser conseguida na observação de
medições repetidas e analisando criteriosamente a consistência dos resultados, com base em
métodos estatísticos ou outros. No caso de erros causados por acidentes, convém parar a
medição e tentar eliminar as fontes perturbadoras. Os erros ilegítimos não são considerados
como erros de medição porque podem ser evitados procedendo as medições cuidadosamente.

Erros de medição.

Apesar de todos os cuidados, erros de medição ocorrem. A sua definição é a seguinte:


diferença entre o valor obtido por medição e o valor verdadeiro do mensurando. O valor
obtido por medição é o resultado de medição x. Sendo X o valor verdadeiro, esta definição
expressa-se por

E  x X (5.2)

Como o valor verdadeiro é indeterminado, na prática, usa-se o valor verdadeiro convencional,


geralmente representado pelo valor xp de um padrão. Assim, determina-se um erro de medição
estimado por

Ee  x  x p (5.3)

A determinação experimental do erro, baseada nestas definições, pressupõe que o


valor verdadeiro do mensurando permaneça constante, tendo tempo suficiente para obter-se o
resultado de medição. Então, pode-se denominá-lo de erro estático. Quando o valor do
mensurando variar com o tempo, o erro de medição vale para cada instante considerado.
Desse modo, tem-se o erro dinâmico E(t) definido como

E (t )  x(t )  X (t ) (5.4)

Os erros dinâmicos são causados basicamente pelo atraso de um instrumento ao responder às


mudanças rápidas do mensurando. O erro dinâmico pode ser estimado experimentalmente,
usando um mensurando variável representado por um estímulo determinístico X(t) conhecido
como, por exemplo, função degrau ou função senoidal. Neste caso, o resultado de medição
x(t) é constituído de um registro de diversos valores, para um certo intervalo de tempo. Com
este, pode-se obter também um registro de valores estimados de erros. Se for medido um sinal
de resposta y(t), pode-se estimar o erro dinâmico em relação à resposta ideal Y(t)
correspondente ao comportamento de instrumento de ordem zero, ou seja,
Capítulo 5 – Erros e Incerteza de Medição Página 8 de 48

E (t )  y (t )  Y (t ) (5.5)

Quando o erro for expresso na unidade do mensurando, ou na unidade do sinal de


medição que representa o mensurando, costuma-se denominá-lo de erro absoluto. Esta
denominação serve para distinguir “erro” de erro relativo. Erro relativo Er é definido pela
razão entre erro de medição e o valor verdadeiro do mensurando. Na prática, usa-se o valor
verdadeiro convencional e, portanto,

Ee
Er 
xp (5.6)

ou, na forma percentual,


Ee
E r %  100
xp (5.7)

5.3.2 Erros sistemáticos e aleatórios

Inicialmente, considera-se que tenham sido efetuadas medições de um mesmo


mensurando, sob condições conhecidas e possíveis de serem mantidas invariáveis. Então,
sejam X o valor verdadeiro do mensurando e xi (i=1,n) um dos n resultados de medição. Neste
caso, têm-se n erros de medição expressos por

Ei  xi  X ,.......i  1, n (5.8)

A média desses erros determina-se por

E xX (5.9)

onde x é a média dos n resultados xi.

Observa-se que existem n desvios entre os erros e essa média. Cada desvio determina-
se por
d i  Ei  E  xi  x ,......i  1, n (5.10)

Se forem obtidos outros grupos de n resultados do mesmo mensurando e mantidas as mesmas


condições de medição, ocorreriam médias e desvios diferentes. No entanto, caso fosse
possível obter um número cada vez maior de resultados de medição, até um valor infinito, a
média dos erros tenderia a um valor constante. Esse valor é denominado de erro sistemático.
O erro sistemático é definido como a média µ que resultaria de um infinito número de
medições do mesmo mensurando, efetuadas sob condições de repetitividade, menos o valor
verdadeiro do mensurando. A expressão matemática do erro sistemático é

Es    X (5.11)

Na prática, apenas um número finito de medições pode ser obtido e se usa o valor verdadeiro
convencional xp do mensurando. Assim, é possível obter uma estimativa do erro sistemático,
definida por
E se  x  x p (5.12)
Capítulo 5 – Erros e Incerteza de Medição Página 9 de 48

Para o caso hipotético de infinitos resultados de medição, têm-se infinitos desvios


entre erros e a média deles. Esses desvios são denominados de erros aleatórios (ou
estatísticos). Um erro aleatório é definido como o resultado xi de uma medição menos a média
que resultaria de um infinito número de medições do mesmo mensurando, efetuadas sob
condições de repetitividade. A expressão matemática do erro aleatório é, portanto,

E ai  xi   ,....i  1,  (5.13)

Na prática, para um número finito n de medições, obtêm-se n correspondentes estimativas Eaei


de erros aleatórios, determinadas por

E aei  xi  x ,....i  1, n (5.14)

Somando membro a membro as expressões dos erros sistemático e aleatórios


estimados, obtêm-se n erros absolutos estimados, ou seja,

E se  E aei  xi  x p  Eei ,....i  1, n (5.15)

Analisando esta expressão, percebe-se que o erro de medição pode ser abordado como
tendo duas componentes: erro sistemático e erro aleatório. A componente sistemática é
representada por um único valor constante e a aleatória por n valores, em princípio, diferentes
entre si. Então, a identificação da existência de erros aleatórios é fácil de observar pelos
diferentes resultados de medição obtidos. O mesmo não ocorre com o erro sistemático. Para
identificar e determinar seu valor, é necessário um experimento preliminar de comparação
com um padrão que também tem erros. Além disso, a média dos valores lidos no instrumento
de medição apresenta uma incerteza.

O termo “erro sistemático” é usado tradicionalmente para o caso do efeito de uma


fonte de erro ser previsível, ou seja, sua contribuição para o valor do mensurando, no modelo
matemático, pode ser estimada como uma função variável ou uma constante. Um exemplo de
função variável é a contribuição da influência de variações da temperatura. A contribuição
constante é introduzida no modelo matemático como uma correção definida por

C   E se (5.16)

O termo “erro aleatório” é usado para designar os efeitos imprevisíveis das fontes de
erro, ou os efeitos previsíveis de difícil determinação para incluir no modelo matemático do
valor do mensurando.

Essa classificação de erros em sistemáticos e aleatórios é meramente convencional e se


usa principalmente pela dificuldade em determinar os efeitos de certas fontes de erro. Não
existe uma diferença marcante entre causas sistemáticas ou aleatórias, porque qualquer
componente aleatória torna-se sistemática tão logo sua contribuição seja identificada e
determinada. Por outro lado, uma relação conhecida de causa sistemática pode ser ignorada e
tratada aleatoriamente.

Observa-se que, dependendo do número de repetições, podem ser obtidos vários


valores de erros absolutos e aleatórios. Apresentar todos eles numa determinação
experimental é impraticável. A maneira mais apropriada é de referir-se a eles mediante uma
Capítulo 5 – Erros e Incerteza de Medição Página 10 de 48

faixa de dispersão em torno do erro sistemático. Assim, o erro absoluto pode ser expresso
aproximadamente como

E  E se   (5.17)

onde  representa o erro aleatório e é determinado por um desvio estatístico que depende da
probabilidade desejada (ou nível de confiança).

Com o erro aleatório sendo representado por um desvio estatístico, (por exemplo, um
desvio padrão experimental), pode-se observar o seguinte:
a) O aumento do número de medições repetidas diminui o erro aleatório e não afeta o erro
sistemático.
b) Como os erros aleatórios se distribuem em valores positivos e negativos, em torno do erro
sistemático, o aumento do número de medições repetidas diminui a soma e a média dos
erros aleatórios, tendendo a zero.
c) Ao lidar com erros aleatórios, pode-se falar apenas da probabilidade de um erro ter um
determinado valor.

Deve-se enfatizar o fato de que a determinação de erros aleatórios estáticos é possível


desde que o mensurando não varie. Então, é muito importante medir em tempo relativamente
curto. Os diferentes resultados observados caracterizam a existência de erros aleatórios e a
média aritmética deles é a melhor estimativa do mensurando invariável.

Quando se lida com erros dinâmicos, tem-se um registro de valores estimados de


erros, para um dado intervalo de tempo. Geralmente esse registro representa um sinal de erro
dinâmico. A parcela determinística do sinal de erro é denominada de sinal interferente e
corresponde ao erro sistemático. A parcela probabilística é denominada de sinal de ruído e
corresponde ao erro aleatório. Ruídos são tratados estatisticamente e a média deles também
tende a zero.

5.3.3 Determinação de erros sistemáticos

No capítulo 3, foram mostradas as seguintes características estáticas e dinâmicas que


podem ser consideradas como erros sistemáticos e cujas expressões para estimá-los são lá
apresentadas:

a) Características estáticas: não-linearidade, histerese, coeficiente aditivo (efeito da grandeza


de influência no zero), coeficiente multiplicativo (efeito da grandeza de influência na
sensibilidade), efeito de sensibilidade transversal e erro de quantização na conversão A/D.
b) Características dinâmicas: erro de resposta à função degrau, sobrepassagem (overshoot) e
razão sinal/ruído.

Os erros sistemáticos possíveis de calcular dependem das ações de interação


predominantes dos agentes envolvidos no processo de medição. Cada problema de medição
tem suas particularidades, tornando-se exaustiva a apresentação de casos típicos. Na
metrologia dimensional, são conhecidas as expressões para calcular erros tais como
deformações causadas por forças de medição, achatamentos localizados em pontas
apalpadoras e deformações causadas por ação da gravidade. Neste capítulo, são apresentados
alguns casos ilustrativos, em itens a seguir.
Capítulo 5 – Erros e Incerteza de Medição Página 11 de 48

5.3.4 Curva de erros e correção

Anteriormente, mostrou-se que o erro de medição tem uma componente sistemática e


outra aleatória, e que é mais prático expressá-lo na forma

E  E se  

onde Ese é o erro sistemático estimado e  representa o erro aleatório. Neste modo, enfatizou-
se que o erro sistemático é constante. Deve ser observado que, a rigor, isso vale para
condições especificadas e principalmente para o valor da grandeza correspondente à indicação
do instrumento. Para outros valores do intervalo nominal, têm-se erros sistemáticos diferentes
e os erros aleatórios são substituídos por incertezas de medição, conforme se determina num
procedimento de calibração do instrumento.

Geralmente, os resultados de uma calibração fornecem os erros sistemáticos E se,


determinados para valores programados da grandeza a medir, correspondentes a indicações
igualmente espaçadas do intervalo nominal, e as correspondentes incertezas U(Ese). Assim,
com estes, constrói-se um gráfico, constituído por segmentos de reta unindo os ponto de
calibração, e que se denomina curva de erros, conforme mostrado na figura 5.3.

Da curva de erros, obtêm-se as estimativas de correções C=-Ese e das correspondentes


incertezas, e também o erro máximo definido por

E max  E se  U ( E se ) max (5.18)

Esse erro máximo deve ser menor do que o módulo da característica do instrumento definida
como “erros máximos admissíveis” ou “limites de erro” (ver capítulo 4).

Figura 5.3 - Curva de erros de um sistema de medição.

5.3.5 Minimização de erros


Capítulo 5 – Erros e Incerteza de Medição Página 12 de 48

A presença de erros no processo de medição é fato consagrado. Para considerá-los, o


primeiro e óbvio problema a se deparar é o de identificar suas fontes e seus efeitos. No item
5.2, apresentou-se uma visão geral das possibilidades de ocorrência de erros devidos às
interações entre os agentes envolvidos no processo de medição e às influências ambientais.
Antes disso, no item 2.8, foram relacionados meios de tratar erros devidos às influências
ambientais em ensaios e calibrações. Tais meios são aqui repetidos e complementados, como
segue:
a) Considerar as grandezas ambientais, no modelo matemático do valor da grandeza a medir,
de modo a descontar seus efeitos no sinal de medição. Além dos efeitos das grandezas
ambientais, outros efeitos também devem ser considerados de modo a obter o modelo mais
representativo possível.
b) Manter as grandezas ambientais constantes por meio de dispositivos de controle.
Normalmente, a temperatura e a umidade relativa do ar são as grandezas mais monitoradas
e controladas em laboratórios.
c) Isolar as grandezas ambientais por meios físicos. O exemplo mais aplicado é o do
isolamento de vibrações.
d) Compensar os efeitos das grandezas ambientais por soluções de projeto. Um exemplo bem
conhecido é o da compensação dos efeitos de variações de temperatura, na ponte de
Wheatstone, usando extensômetros elétricos resistivos arranjados em meia ponte ou ponte
completa, nos sensores que usam elemento elástico.
e) Eliminar as fontes que originam efeitos ambientais.

Essas soluções não eliminam os erros de medição por influências ambientais, mas
contribuem para diminuí-los. Outras soluções comumente relatadas para minimizar os efeitos
de fontes de erros, são as seguintes:
f) Usar materiais dos elementos do sistema de medição mais estáveis (ou menos sensíveis às
influências ambientais), e também com melhor comportamento de envelhecimento.
g) Conceber soluções de projeto com melhor desempenho, ao usar a criatividade e
experiência, na seleção cuidadosa dos elementos do sistema de medição como sensores,
condicionadores e processadores, bem como no arranjo deles.
h) Efetuar calibrações do sistema de medição com a periodicidade recomendada pelo
fabricante ou por exigências regulamentares, e usar as correções obtidas do certificado de
calibração.
i) Efetuar medições de ensaios ou de calibrações segundo procedimentos validados.
j) Usar hardware e software adequados para compensar ou reduzir sinais interferentes e
ruídos, como filtros analógicos e digitais.
k) Usar blindagem elétrica e aterramento apropriado para reduzir ruídos.
l) Usar o sistema de medição dentro das características operacionais recomendadas pelo
fabricante.

5.4 ESTATÍSTICA ELEMENTAR PARA INCERTEZA


Capítulo 5 – Erros e Incerteza de Medição Página 13 de 48

5.4.1 Dados de amostras e de populações

Nos itens anteriores, foram apresentados os conceitos de erros e incerteza, suas fontes
e as definições de erro sistemático e erro aleatório. Para explicar estas definições, usaram-se
parâmetros estatísticos como dispersão, desvio e média aritmética. Além disso, percebe-se
que, aos erros aleatórios, estão associadas incertezas. Então, como a estatística aplica-se às
variáveis aleatórias, o estudo das incertezas requer conhecimentos estatísticos.

Na metrologia, os resultados de medição, expressos no valor dos mensurandos ou na


forma de sinais de medição, representam dados estatísticos. Um conjunto finito de dados
experimentais é denominado de amostra. A amostra é uma porção do conjunto total de dados
denominado de população ou universo. Uma amostra pode ainda ser simples ou múltipla.

Para consolidar o significado desses termos estatísticos, considera-se que o objeto da


medição seja um pino cilíndrico e que tenha sido escolhido o diâmetro como grandeza a
medir, para sua avaliação. Assim, um único resultado de medição é um dado de amostra
simples. Se forem efetuadas repetidas medições, o conjunto de resultados ainda constituirá
uma amostra simples. Caso fossem medidos os diâmetros de um determinado número de
pinos, produzidos para serem iguais, o conjunto dos resultados constituiria uma amostra
múltipla.

Num pino, podem ser obtidos tantos resultados quantos se queira. Supõe-se que
tenham sido obtidos 500 resultados. Estes caracterizam uma população finita. A rigor, a
população deveria ser constituída de todos os resultados, ou seja, infinitos valores. No
entanto, isso é impossível. Além disso, os 500 resultados são impraticáveis. O que parece
mais razoável é efetuar um número de 20 medições. Os 20 resultados constituem uma amostra
simples.

O número de dados de uma amostra denomina-se de tamanho da amostra e costuma


ser denotado pela letra n. No exemplo do pino, foram apresentadas amostra com n = 20 e
população finita com n = 500. Numa população com todos os dados, n = .

Na metrologia, geralmente lida-se com amostras de tamanho relativamente pequeno


(de 1 até 10). Os parâmetros estatísticos determinados para a amostra são admitidos
justificadamente como representativos da população. Porém, sabe-se que, resultados de
diferentes amostras, da mesma população, não são exatamente iguais.

Deve ser lembrado que os dados em metrologia são obtidos basicamente sob as
seguintes condições:
a) Condição de repetitividade: o mesmo mensurando é medido repetidamente em condições
de medição conhecidas e possíveis de serem mantidas invariáveis.
b) Condição de reprodutibilidade: o mesmo mensurando é medido repetidamente em
condições de medição conhecidas e variáveis.
c) Condição de precisão intermediária: o mensurando é medido em condições intermediárias
entre as condições acima.
d) Sinais de medição variando rapidamente com o tempo.

Os parâmetros estatísticos apresentados a seguir referem-se às condições de


repetitividade, reprodutibilidade ou de precisão intermediária (definições completas destes
termos são encontradas no VIM 2008).
Capítulo 5 – Erros e Incerteza de Medição Página 14 de 48

5.4.2 Probabilidade

Inicialmente, considera-se a seguinte amostra, de n=20 resultados de medição de uma


peça, obtidos com um dado instrumento (em mm): 26,40 – 25,30 – 27,22 – 27,02 – 27,60 –
27,81 – 26,70 – 26,63 – 29,01 – 25,55 – 26,47 – 27,10 – 27,65 – 28,32 – 26,71 – 27,16 -
28,84 – 26,33 – 27,82 – 27,01. Na tabela 5.1, estes valores estão organizados em m=9 grupos.
O número de resultados de medição dentro de cada grupo também está indicado na tabela.
Este número é denominado de freqüência de ocorrência e recebe a notação nj(xi,Δx), onde xi
(1=1,n) é um dos resultados de medição e Δx o intervalo de cada faixa (Δx=0,50mm, para este
caso).

Tabela 5.1 – Freqüências de resultados de medição.

Número do grupo Grupo de Freqüência de Freqüência relativa


dimensões (mm) ocorrência (número
de resultados por
grupo)
1 25,00 – 25,50 1 0,05
2 25,50 – 26,00 1 0,05
3 26,00 – 26,50 3 0,15
4 26,50 – 27,00 3 0,15
5 27,00 – 27,50 5 0,25
6 27,50 – 28,00 4 0,20
7 28,00 – 28,50 1 0,05
8 28,50 – 29,00 1 0,05
9 29,00 – 29,50 1 0,05
Total de ocorrências 20 1,00

A freqüência relativa é definida por

n j ( xi , x ) (5.19)
F j ( xi , x )  ... j  1, m
n

onde m é o número de grupos de ocorrência.

Na tabela 5.1, observa-se que a soma das freqüências de ocorrência é igual ao número
total de ocorrências e que a soma das frequências relativas é 1,00. Então, pode-se expressar
que

m m n j ( xi , x) (5.20)
 F j ( xi , x)  
j 1 j 1 n
1

Quando o número de resultados de medição for muito grande (n>>20), a variável


discreta xi, que representa os resultados de medição, pode ser considerada contínua (denotada
por x) e o intervalo Δx→0. Assim, pode-se definir a probabilidade de ocorrência do resultado
x, na faixa x a x+Δx, como
Capítulo 5 – Erros e Incerteza de Medição Página 15 de 48

dP ( x )  lim x0 F j ( xi , x ) (5.21)

A probabilidade de ocorrer um resultado x no intervalo x1≤x≤x2 é obtida de

x2 (5.22)
P ( x1 , x 2 )   dP( x)
x1

Deve ser observado que normalmente a probabilidade é expressa na forma percentual, ou seja,

P( x1 , x2 )%  100 P ( x1 , x2 ) (5.23)

5.4.3 Média

A média x dos resultados de uma amostra, como a exemplificada no item anterior, é


obtida de

1 n (5.24)
x  xi
n i 1

Para os 20 valores apresentados, obtém-se x  27,13mm.

Na tabela 5.1, se a média dos resultados dentro de cada grupo de dimensões for
denotada por x j , a soma  xi pode ser substituída por  x j n j ( xi , x). Assim, tem-se
que

m n j ( xi , x ) m (5.25)
x  xj   x j F ( xi , x )
j 1 n j 1

Quando o tamanho n da amostra for muito grande, o número de intervalos Δx aumenta


consideravelmente, a média x se aproxima da média µ da população, a variável discreta
x j  x e Δx→0. Assim, tem-se que

  lim n x   xdP( x)


população
(5.26)

A média experimental x representa o valor mais provável dos resultados observados. O valor
teórico ideal, representativo dos resultados observados, é a média µ da população.

5.4.4 Variância, desvio padrão e desvio padrão da média

Para uma população, define-se o desvio estatístico por


Capítulo 5 – Erros e Incerteza de Medição Página 16 de 48

d  x (5.27)

A variância da população é definida em função do desvio estatístico e da probabilidade


como

2   (x  ) (5.28)
2
dP ( x )
população

O desvio padrão da população é a raiz quadrada da variância, ou seja,

(5.29)
   (x  )
2
dP( x )
população

Como o número infinito de repetições é impossível, o valor exato da média µ é sempre


desconhecido e, consequentemente, da variância e do desvio padrão. No entanto, a inferência
estatística possibilita obter valores aproximados representativos. Então, para uma amostra
definem-se os parâmetros que seguem.

Desvio experimental:

d i  xi  x...i  1, n (5.30)

Observa-se que estes desvios são os erros aleatórios estimados e podem ter sinais positivos,
negativos ou nulos, e a soma e a média deles tende a zero quando n→∞.

Variância experimental:

1 n (5.31)
s 2 ( xi )  s 2   ( xi  x ) 2
n  1 i 1

Desvio padrão experimental:

1 n (5.32)
s ( xi )  s  
n  1 i 1
( xi  x ) 2

O denominador n-1 é conhecido como número de graus de liberdade e se expressa por

  n 1 (5.32)

Voltando ao exemplo dos 20 resultados de medição do diâmetro do pino, cuja média


experimental é x  27,13mm , tem-se:
  19
s ( xi )  0,93mm

Desvio padrão experimental da média:

Se forem tomadas diferentes amostras de uma população, esperam-se diferentes valores das
correspondentes médias. A variância e o desvio padrão da média são determinados por
Capítulo 5 – Erros e Incerteza de Medição Página 17 de 48

s 2 ( xi ) (5.33)
s2 (x) 
n

s ( xi ) (5.34)
s( x ) 
n

O desvio padrão da média, dos 20 resultados do exemplo em voga, é s ( x )  0,21mm.

Portanto, para uma amostra, pode-se calcular a média, o desvio padrão e o desvio padrão da
média. Os parâmetros calculados para a amostra representam a melhor estimativa dos
correspondentes parâmetros da população.

5.4.5 Covariância e correlação

Supõe-se que, na medição de uma dada grandeza X, obtêm-se, em condições de


repetitividade, n resultados de medição xi e que, a estes resultados, correspondam n valores y i
de sinais medidos simultaneamente. Define-se a covariância experimental entre os n pares de
resultados xi,yi (i=1,n) por

1 n (5.35)
s ( xi , y i )   ( xi  x )( yi  y )
n  1 i 1

A covariância de duas variáveis aleatórias é um parâmetro estatístico que serve para


avaliar a dependência mútua entre elas. Se não existir correlação entre x i e yi, os produtos dos
desvios ( xi  x ) e ( yi  y ) se distribuirão aleatoriamente e simetricamente em relação ao
valor zero e s(xi,yi) tenderá a zero, conforme aumentar o número n de medições.

Para um instrumento de medição, quando for possível obter sinais yi correspondentes a


resultados de medição xi, certamente haverá uma dependência mútua entre estas variáveis.
Pode-se dizer que existirá correlação entre elas.

A correlação estatística é avaliada pelo coeficiente de correlação que também é um


parâmetro indicador da dependência mútua entre duas variáveis, e muito usado. Sua
estimativa é determinada por

s( xi , yi ) (5.36)
r ( xi , yi ) 
s ( xi ) s( yi )

Como os desvios padrão s(xi) e s(yi) são sempre positivos, o sinal de r(xi,yi) é o mesmo de
s(xi,yi). O coeficiente de correlação é um número puro tal que

 1  r ( xi , y i )  1 (5.37)

Quando r(xi,yi)=+1 ou r(xi,yi)=-1, significa que as variáveis xi e yi são perfeitamente


correlacionadas. O valor r(xi,yi)=0 dificilmente ocorre porque têm-se tamanhos finitos de
amostras (na prática, obtém-se |r(xi,yi) | <<1).
Capítulo 5 – Erros e Incerteza de Medição Página 18 de 48

A covariância de duas médias é determinada por

s ( xi , y i ) s ( xi ) s ( y i ) (5.38)
s( x , y )   r ( xi , yi )  r ( xi , y i ) s ( x ) s ( y )
n n n

5.4.6 Histograma

Histograma é um gráfico de barras onde se representam as relações F(xi,Δx)/Δx em


função das intervalos Δx. A escolha do intervalo Δx é crítica e, se inadequada, poderá levar a
interpretações equivocadas para o propósito a que se destina.

Normalmente, a largura do intervalo Δx é determinada por regras empíricas como

xi max  xi min (5.39)


x  ... para...n  25
n

xi max  xi min (5.40)


x  ... para...n  25
1  3,3 log n

onde ximax e ximin são os valores extremos dos dados obtidos.

Usando as informações contidas na tabela 5.1 e essas regras, construiu-se o histograma


representado na figura 5.4.

Figura 5.4 - Histograma dos resultados de medição referentes à tabela 5.1

No histograma, estão representados a média x dos resultados de medição e a faixa de


±s(xi) do desvio padrão em torno da média. Pode-se observar o seguinte:
a) A soma das áreas de todas as barras é 1,00;
b) A média está no intervalo de maior freqüência relativa (logo, é o valor mais provável do
resultado de medição);
c) A área das barras dentro da faixa do desvio padrão é aproximadamente 0,70 (70%).
Capítulo 5 – Erros e Incerteza de Medição Página 19 de 48

5.4.7 Função densidade de probabilidade

Se aumentar consideravelmente o número n dos resultados de medição, usados para


construir o histograma da figura 5.1, os valores extremos x imax e ximin permanecerão próximos
dos valores atuais, mas o intervalo Δx diminuirá. Quando n→∞, a curva envoltória das barras
do histograma tenderá a uma curva contínua cuja função é denominada de função densidade
de probabilidade e definida por

F ( xi , x) dP( x) (5.41)


p( x)  lim x0 
x dx

Com esta definição, tem-se que

dP ( x )  p ( x) dx

representa a probabilidade de um resultado de medição estar no intervalo x, x+dx.

A probabilidade de um resultado de medição estar entre os valores x1 e x2 é determinada por


x2
(5.42)
P ( x1 , x2 )  
x1
p ( x )dx

É oportuno lembrar que a área sob a curva representativa da função densidade de


probabilidade é a mesma das barras do histograma, ou seja,


população
f ( x ) dx  1 (5.43)

Sendo conhecida a função densidade de probabilidade, pode-se ter uma melhor


estimativa da média e do desvio padrão da população. Nesta condição, têm-se

   xdP( x) 
população
 xp( x)dx
população
(5.44)

(5.45)
   (x  ) dP ( x)   (x  )
2 2
p ( x )dx
população população

Na bibliografia sobre estatística, são apresentadas diversas funções densidade de


probabilidade com as aplicações mais apropriadas. O histograma tem o propósito de servir
como instrumento para observar qual, dentre tais funções, melhor se enquadra às ocorrências
experimentais.

Para os resultados de medição obtidos em condições de variabilidade estatística


(medições repetidas), a função densidade de probabilidade que tem sido mais usada é a de
Laplace – Gauss, também conhecida como distribuição gaussiana ou normal. A seguir,
apresenta-se essa distribuição, bem como outras usadas na determinação de incertezas de
resultados de medição na metrologia mecânica.
Capítulo 5 – Erros e Incerteza de Medição Página 20 de 48

Distribuição de Laplace – Gauss.

Essa função densidade de probabilidade é definida por

1  
1  x 

2
(5.46)
 
p ( x)  e 2 ,...    x  
 2

Na figura 5.5, representa-se sua forma. Observa-se que ela pode substituir a envoltória das
barras do histograma da figura 5.4.

Figura 5.5 - Função densidade de probabilidade gaussiana.

Um problema clássico, de uso da distribuição gaussiana, é o de determinar a


probabilidade de obter um resultado de medição x tal que

(   )  x  (   )

Com tais limites, a probabilidade determina-se por


 
(5.47)
P(    ,    )   p( x)dx
 

Fazendo
x (5.48)
z

a integral transforma-se para

z2 (5.49)
P ( z1 , z 2 )  
z1
p( z )dz

onde
Capítulo 5 – Erros e Incerteza de Medição Página 21 de 48

 (5.50)
z1  


z2 

z2
1 
p( z )  e 2
2

Na figura 5.6, representa-se a função p(z). Observa-se que as áreas sob p(z), entre (z 1,0) e
(0,z2), são iguais. Então, a integral P(z1,z2) pode ser determinada como o dobro de uma delas.
Elas são obtidas numericamente e se encontram em tabelas estatísticas. Na tabela 5.2,
reproduz-se parte da tabela obtida de DALLY et al (1984), a fim de ilustrar seu uso.

Figura 5.6 - Representação da função p(z).

Tabela 5.2 – Áreas sob a curva p(z) de z=0 até z=z2.

z2 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0350
1,0 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1,9 0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4758 0,4761 0,4767
2,0 0,4772 0,4778 0,4783 0,4788 0,4793 0,4799 0,4803 0,4808 0,4812 0,4817
3,0 0,49865 0,4987 0,4987 0,4988 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990

Considera-se o caso de z2=1,00 que corresponde a δ/σ=1, ou seja, δ=σ (um desvio
padrão). Da tabela 5.2, obtém-se a área 0,3413. Então, a probabilidade de um resultado de
medição estar entre µ±1,00σ é P(z1,z2)=P(-1,1)=2(0,3413)=0,6826, ou, na forma percentual,
68,3%. Observa-se que, para um desvio experimental, obteve-se uma probabilidade de
aproximadamente 70%, no histograma da figura 5.1. Procedendo de modo semelhante, obtêm-
se que as probabilidades de um resultado de medição da população estar nos intervalos de
µ±1,96σ, µ±2,00σ e µ±3,00σ são, respectivamente, 95%, 95,4% e 99,7%.

Na determinação de incertezas, a distribuição gaussiana aplica-se principalmente às


estimativas baseadas em observações repetidas de um processo aleatório.

Distribuição retangular (ou uniforme).


Capítulo 5 – Erros e Incerteza de Medição Página 22 de 48

Essa função densidade de probabilidade é definida por (figura 5.7),

p ( x)  0,... para...x  (   a )...e...x  (   a ) (5.51)


1
p( x)  ,... para...(   a )  x  (   a )
2a

O desvio padrão de uma população com tal distribuição determina-se por

 a
dx a (5.52)


 a
(x  )2
2a

3
Deve ser notado que, com essa distribuição, admite-se que a probabilidade de um resultado de
medição estar entre os limites (µ-a, µ+a) é 100%. A probabilidade de um resultado de
medição estar entre os limites (µ-σ, µ+σ) é determinada por
 
dx  (5.53)
P(    ,    )   2a  a
 

Substituindo σ=a/√3, obtém-se P(µ-σ,µ+σ)=1/√3=0,577, ou seja, 57,7%.

Figura 5.7 - Função densidade de probabilidade retangular.

Na determinação de incertezas, essa distribuição é assumida quando se desconhece a


sua forma e sem qualquer informação do nível de confiança (probabilidade) das
especificações pertinentes aos limites de erro de um instrumento de medição.

Distribuição triangular.

Essa distribuição está representada na figura 5.8 e define-se como


Capítulo 5 – Erros e Incerteza de Medição Página 23 de 48

p ( x)  0... para...x  (   a )...e...x  (   a ) (5.54)


1 x
p ( x)   ... para...(   a )  x  
a a2
1 x
p ( x)   ... para...  x  (   a )
a a2

Semelhante à distribuição retangular, determina-se que o desvio padrão é σ=a/√6 e a


probabilidade de um resultado estar entre os limites (µ-σ,µ+σ) é 65%.

A distribuição triangular pode ser assumida nos casos onde as informações sobre a
variável x sejam menos limitadas do que na distribuição retangular. Ela se caracteriza por
apresentar mais resultados de medição próximos da média do que nas bordas.

Figura 5.8 - Função densidade de probabilidade triangular.

Distribuição t-Student.

Esta função densidade de probabilidade é definida por

  1 
  
( 1)
1  2   t2  2
p(t , )  1   ... para...    t  
       (5.55)
 
2
onde Г é a função gama e ν>0. Com essa distribuição, determinam-se

 0
 (5.56)
 
 2

A medida que o número de graus de liberdade aumenta (ν→∞), esta distribuição se aproxima
da distribuição normal, com µ=0 e σ=1. Muitos autores consideram que, a partir de ν=30, as
duas distribuições são aproximadamente iguais (substituindo ν=30 na expressão acima,
obtém-se σ=1,035).
Capítulo 5 – Erros e Incerteza de Medição Página 24 de 48

A variável t é definida de modo semelhante à variável z da distribuição normal, ou


seja,

x
t
s ( xi ) / n (5.57)

A diferença está em usar a média e o desvio padrão da média de uma amostra, para a variável
t, no lugar respectivamente da variável contínua x e do desvio padrão σ da população, para a
variável z. Então, quando ν→∞, t torna-se igual a z.

Deve ser observado que esta distribuição também se aplica a tamanhos pequenos de
amostras, como ocorre em muitas aplicações da metrologia.

Ao exemplificar o uso da distribuição normal (tabela 5.2), na determinação da


probabilidade de um resultado de medição estar entre limites tais como µ±1,00σ, chegou-se
aos resultados mostrados na tabela 5.3. Observa-se que as dispersões em torno da média µ são
±zσ e valem para populações. Para amostras pequenas e também grandes, usa-se a variável t
no lugar de z. Assim, as dispersões em torno da média são  ts (x ) e os limites estimados
dentro dos quais o resultado de medição x se encontra, com determinada probabilidade de
ocorrência, são

( x  ts ( x ))...e...( x  ts ( x )) (5.58)

Tabela 5.3 - Probabilidade de resultados de medição estarem entre limites simétricos à


média µ, segundo a distribuição normal.

Limites µ±1,00σ µ±1,96σ µ±2,00σ µ±3,00σ


Probabilidade (%) 68,3 95 95,4 99,7

Na tabela 5.4, mostram-se valores de t.

5.4.8 Intervalo de confiança

Na apresentação de cada função densidade de probabilidade, efetuou-se o cálculo da


probabilidade do resultado de medição da população ocorrer num intervalo especificado. O
valor mais provável do resultado de medição da população é a média µ. A probabilidade
calculada pode ser chamada de nível de confiança e o intervalo especificado de intervalo de
confiança.

Segundo o GUM, nível de confiança é o valor da probabilidade associada com um


intervalo de confiança ou um intervalo estatístico de abrangência e, intervalo estatístico de
abrangência é o intervalo para o qual se pode dizer que, com um dado nível de confiança, ele
contém pelo menos uma proporção especificada da população.

Uma definição de intervalo de confiança, encontrada na bibliografia, estabelece que


intervalo de confiança é a faixa dentro da qual espera-se que um resultado (como a média da
população) se encontre. Esta definição é explicada e exemplificada a seguir, com argumentos
matemáticos.
Capítulo 5 – Erros e Incerteza de Medição Página 25 de 48

Tabela 5.4 – Valores de t-Student em função do número de graus de liberdade e do nível


de confiança de um intervalo ±ts( x ) (fonte: GUM 1993).

Graus de Nível de Nível de Nível de Nível de Nível de Nível de


liberdade confiança confiança confiança confiança confiança confiança
() 68.3 % 90 % 95% 95,4% 99% 99.7%
1 1,84 6,31 12,71 13,97 63,66 235,80
2 1,32 2,92 4,30 4,53 9,92 19,21
3 1,20 2,35 3,18 3,31 5,84 9,22
4 1,14 2,13 2,78 2,87 4,60 6,62
5 1,11 2,02 2,57 2,65 4,03 5,51
6 1,09 1,94 2,45 2,52 3,71 4,90
7 1,08 1,89 2,36 2,43 3,50 4,53
8 1,07 1,86 2,31 2,37 3,36 4,28
9 1,06 1,83 2,26 2,32 3,25 4,09
10 1,05 1,81 2,23 2,28 3,17 3,96
11 1,05 1,80 2,20 2,25 3,11 3,85
12 1,04 1,78 2,18 2,23 3,05 3,76
13 1,04 1,77 2,16 2,21 3,01 3,69
14 1,04 1,76 2,14 2,20 2,98 3,64
15 1,03 1,75 2,13 2,18 2,95 3,59
16 1,03 1,75 2,12 2,17 2,92 3,54
17 1,03 1,74 2,11 2,16 2,90 3,51
18 1,03 1,73 2,10 2,15 2,88 3,48
19 1,03 1,73 2,09 2,14 2,86 3,45
20 1,03 1,72 2,09 2,13 2,85 3,42
25 1,02 1,71 2,06 2,11 2,79 3,33
30 1,02 1,70 2,04 2,09 2,75 3,27
35 1,01 1,70 2,03 2,07 2,72 3,23
40 1,01 1,68 2,02 2,06 2,70 3,20
45 1,01 1,68 2,01 2,06 2,69 3,18
50 1,01 1,68 2,01 2,05 2,68 3,16
100 1,005 1,660 1,984 2,025 2,626 3,077
 1,000 1,645 1,960 2,000 2,576 3,000

Quando se lida com uma amostra grande (n>30), o intervalo de confiança é dado por

( x  zs ( x ))    ( x  zs ( x )) (5.59)

onde x  zs (x ) é o limite inferior de confiança e x  zs (x ) é o limite superior de confiança.

Para o caso de amostras pequenas (n<30) e grandes, o intervalo de confiança é dado


por

( x  ts ( x ))    ( x  ts ( x )) (5.60)

Valores de z, para determinados níveis de confiança, podem ser obtidos na mesma tabela de
valores t-Student, com ν=∞.

Considerando o exemplo dos 20 resultados de medição obtidos com um dado


instrumento, tem-se:
Capítulo 5 – Erros e Incerteza de Medição Página 26 de 48

x  27,13mm
s ( xi )  0,93mm
s ( x )  0,21mm
  19
t  3,45... para...nível...de...confiança...de...99,7%(3 )
Intervalo...de...confiança :
26,41mm    27,85mm.

5.4.9 Critério de aceitação/rejeição de dados

Quando se efetuam medições repetidas, pode ocorrer de alguns valores aparentarem


disparidade em relação aos demais resultados obtidos. A causa disso pode ser atribuída a
enganos, falhas momentâneas do sistema de medição ou comportamento aleatório
extremamente variável. Então, a primeira idéia é excluir os resultados suspeitos da amostra.
Para tal, deve-se usar um critério estatístico apropriado. O critério de Chauvenet dá uma base
consistente de aceitação ou rejeição dos dados suspeitos.

O critério de Chauvenet consiste no seguinte procedimento:

a) Calcular o parâmetro dri usando a seguinte expressão:

xi  x (5.61)
d ri 
s ( xi )
onde xi é o valor suspeito.

b) Se dri > dch, rejeitar o valor suspeito;


c) Se dri ≤ dch, aceitar o valor suspeito.

O parâmetro dch é denominado de limite de rejeição de Chauvenet e seu valor depende do


tamanho da amostra. Ele é um desvio relativo calculado para diferentes tamanhos de amostra
e uma determinada probabilidade de ocorrer valores acima dele, usando distribuição
gaussiana. Na tabela 5.5, constam valores de dch para diferentes tamanhos de amostra.

Tabela 5.5 – Limites dch de rejeição de Chauvenet.

N dch N dch n dch n dch


2 1,15 8 1,86 25 2,33 300 3,14
3 1,38 10 1,96 30 2,39 500 3,29
4 1,54 12 2,04 50 2,58 1000 3,48
5 1,65 15 2,13 100 2,80 2000 3,66
7 1,80 20 2,24 200 3,02

Examinando os dados referentes ao exemplo de 20 resultados de medição


apresentados para elucidar as definições de probabilidade, no item 5.4.2, consideram-se
suspeitos os valores 25,30mm e 29,01mm. Aplicando o critério de Chauvenet, tem-se:
Capítulo 5 – Erros e Incerteza de Medição Página 27 de 48

d ch  2,24,...x  27,13mm,...s ( xi )  0,93mm


25,30  27,13
d r1   1,97  2,24,...valor...25,30...aceito
0,93
29,01  27,13
dr2   2,02  2,24,...valor...29,01...aceito
0,93

Obviamente, após a rejeição de alguns dados, os parâmetros estatísticos devem ser calculados
para a amostra sem os dados excluídos.

5.5 INCERTEZA DE MEDIÇÃO

5.5.1 Definição

No início deste capítulo, o conceito de incerteza foi ilustrado com o exemplo do tiro ao
alvo. Também se justificou que o valor da incerteza deve ser expresso junto com o resultado
de medição. Na apresentação do resultado de medição (capítulo 2), foi apenas lembrado que a
expressão do valor de uma grandeza deve ser acompanhada da incerteza, uma faixa de
dispersão estatística, determinada para um dado nível de confiança.

Para apresentar a definição de incerteza, precedida de uma argumentação matemática


simples, considera-se a expressão prática do erro absoluto, vista anteriormente, qual seja,

E  E se   (5.62)

Então, substituindo E por x – X e Ese por –C, obtém-se

X  x C  (5.63)

Assim, estima-se que o valor X do mensurando está num intervalo determinado


aproximadamente pelo valor medido x, mais uma correção C e acrescido da dispersão
estatística .

Denotando xb = x + C e substituindo  por U(x), doravante chamada de incerteza de


medição, o resultado de medição (membro direito da expressão (5.63)) é reapresentado como

x  xb  U (x ) (5.64)

Nesta expressão, xb é a estimativa do valor do mensurando, determinada como um valor


medido ou de outros modos alternativos.

Segundo VIM 2008, incerteza de medição é o parâmetro não negativo que


caracteriza a dispersão dos valores atribuídos a um mensurando, com base nas informações
utilizadas.

Com a incerteza e a estimativa do valor do mensurando, determinam-se os limites de


confiança (xb – U(x)) e (xb + U(x)), para os valores que podem ser atribuídos ao mensurando.
Nota-se, então, que a incerteza é um parâmetro estatístico, determinado para o intervalo de
Capítulo 5 – Erros e Incerteza de Medição Página 28 de 48

confiança correspondente a estes limites, que se obtém baseando-se nas informações


conhecidas e disponíveis, das grandezas usadas na construção do modelo matemático do valor
do mensurando.

5.5.2 Modelo matemático para o valor do mensurando

No capítulo 2, mostraram-se exemplos de modelos matemáticos simples para


expressar o valor estimado de um mensurando. O modelo mais elementar advém do método
da deflexão (observação direto do valor integral), expresso como

X x (5.65)

onde X é o valor do mensurando e x sua estimativa. A estimativa x pode ser obtida de um


único valor medido ou da média aritmética de um número finito de valores medidos. Pelo
método diferencial, o valor estimado do mensurando obtém-se de

x  x  x p (5.66)

onde Δx é um único valor medido ou a média aritmética de finitos valores medidos, e x p é o


valor de referência (padrão físico).

No capítulo 4, mostrou-se que o valor estimado y do sinal de medição de um


mensurando também depende de variações das grandezas ambientais e pode ser expresso
como

y  (a0  S a z a )  ( S 0  S m z m ) x  N ( x ) (5.67)

Nesta relação entre grandezas, Δza é uma variação ambiental aditiva e Δzm uma multiplicativa.

No caso de influências de outras grandezas (não ambientais), como em sensores


multicanais, o modelo de sinal de saída expressa-se na forma matricial. Considerando o caso
de um sensor para medição de força axial e torque, no processo de furação com broca,
conforme visto no capítulo 4, tem-se que o modelo matemático é

 y1  a1   S11 S12   x1  (5.68)


     S S   x 
 y2  a 2   21 22   2 

onde y1 é o sinal no canal correspondente à força x1, y2 o sinal no canal correspondente à força
x2, a1 e a2 são constantes, S11 e S22 são sensibilidades, e S12 e S21 sensibilidades transversais.

Nota-se que um modelo matemático é uma função que expressa a relação entre um ou
mais valores estimados de mensurandos e valores estimados de outros mensurandos obtidos
por medição ou de outros modos.

Portanto, com base nesses modelos já apresentados, adota-se o seguinte modelo geral
para calcular o valor Y de um mensurando que depende dos valores X 1, X2, ..., Xm de outros
mensurandos:
Capítulo 5 – Erros e Incerteza de Medição Página 29 de 48

Y  f ( X 1 , X 2 ,... X m ) (5.69)

A estimativa y do mensurando determina-se por

y  f ( x1 , x2 ,...xm ) (5.70)

Os outros mensurandos são denominados de grandezas de entrada ou de estímulos e cada


uma das suas estimativas x1, x2,...xm pode ser determinada por uma das seguintes alternativas:
a) Um único valor medido;
b) Média de repetidos valores medidos;
c) Correção C do instrumento de medição;
d) Variação do valor de uma grandeza ambiental e seu respectivo fator de correção;
e) Valor da grandeza não-ambiental e seu respectivo fator de correção;
f) Valor associado ao padrão de calibração;
g) Valor de referência obtido de bibliografia.

A identificação das grandezas de entrada, a incluir no modelo matemático, é um passo


muito importante para a determinação mais exata do valor estimado y do mensurando e da
incerteza de medição U(y).

5.5.3 Propagação de incertezas, incerteza padrão combinada e incerteza expandida.

Seja o modelo geral para calcular a estimativa y de um mensurando que depende das
estimativas xj (j=1,n) dos estímulos:

y  f ( x1 , x2 ,...xm ) (5.70)

Supõe-se que tenham sido efetuadas n medições repetidas (n≥30) de cada um dos estímulos.
Com os valores obtidos, podem ser calculadas as médias e as variâncias. Têm-se os seguintes
dados:

x11 x12 ... x1n → x1 e s2(x1)


x21 x22 ... x2n → x2 e s2(x2)
... ... ... ... ... ... ... ...
xm1 xm2 ... xmn → xm e S2(xm)

Substituindo em (5.70) cada conjunto de resultados dessas n colunas, obtêm-se os seguintes


valores de y:

y1  f ( x11 , x21 ,...xm1 )


y 2  f ( x12 , x22 ,...xm 2 )
...
y n  f ( x1n , x2 n ,...xmn )

A média desses valores é


1 n
y  yi
n i 1
Capítulo 5 – Erros e Incerteza de Medição Página 30 de 48

Admite-se que esta média também possa ser determinada por

y  f ( x1 , x2 ,...xm )

Como os n valores yi  f ( x1i , x2i ,...xmi ) são próximos de y  f ( x1 , x2 ,...xm ) , pode-se


expressar cada yi em termos de uma série de Taylor. Assim, tem-se:

f f
yi  y  ( x1i  x1 )  ...  ( xmi  xm )  termos..de..ordem.. sup erior ,...i  1, n
x1 xm

Se a função f tiver pequena curvatura (derivadas parciais com pequenos valores) e os desvios
( x ji  x j ) forem relativamente pequenos, os termos de ordem superior podem ser desprezados
e, então,

f f
yi  y  ( x1i  x1 )  ...  ( xmi  xm ),...i  1, n
x1 xm

Elevando esta expressão ao quadrado, obtém-se:


2 2
 f   f  f f
( yi  y ) 2    ( x1i  x1 ) 2  ...    ( xmi  xm ) 2  2 ( x1i  x1 )( x2 i  x2 )
 x1   xm  x1 x2
f f
 ...  2 ( x( m1) i  xm1 )( xmi  xm ),..., i  1, n
xm1 xm
Somando membro a membro todas as n expressões dos desvios ( yi  y ) 2 , resulta

2 2
n
 f  n  f  n
 ( yi  y )  
2

x
  ( x1i  x1 ) 2  ...  
x
  ( xmi  xm ) 2 
i 1  1 i 1  m  i 1
f f n f f n
2 
x1 x2 i 1
( x1i  x1 )( x2i  x2 )  ...  2  ( x( m1)i  xm1 )( xmi  xm )
xm1 xm i 1

Dividindo cada termo por (n-1) e lembrando as definições de variância e covariância, esta
expressão se transforma para
2
 f  2
 s ( x j )  2  f f r ( x j , xk ) s ( x j ) s ( xk )
m m1 m
s ( y)   
2
(5.71)

j 1  x j
 j 1 k  j 1 x j xk

As incertezas são da mesma ordem de grandeza dos desvios padrão. Então, os desvios
padrão em (5.71) podem ser substituídos por incertezas. Assim, tem-se
2
 f  2
 u ( x j )  2  f f r ( x j , xk )u ( x j )u ( xk )
m m 1 m
u ( y)   
2
(5.72)

j 1  x j
 j 1 k  j 1 x j xk

Esta expressão é conhecida como lei de propagação de incertezas.

Algumas observações importantes devem ser salientadas a respeito do uso da lei de


propagação de incertezas:
Capítulo 5 – Erros e Incerteza de Medição Página 31 de 48

1) A dedução da expressão (5.71) baseou-se em medições repetidas para cujos resultados a


distribuição gaussiana se aplica e, portanto, o nível de confiança de s2(y) é o mesmo de
s2(xj), ou seja, 68,3%.
2) Quando se lida com a expressão (5.72), nem todos os estímulos e respectivas incertezas
são estimados com base em distribuição gaussiana. Pode-se ter diferentes níveis de
confiança para as estimativas dos desvios padrão.
3) Para a expansão de y  f ( x1 , x2 ,...xm ) em termos de uma série de Taylor, no entorno de
um dado ponto, não importa como se determinam os desvios em relação a esse ponto.

Quando as incertezas dos resultados de medição dos estímulos forem determinadas


como um desvio padrão, baseando em diferentes funções densidades de probabilidade, a
incerteza de y denomina-se incerteza padrão combinada. A sua expressão de cálculo é a
seguinte:

m m 1 m
u( y)   u 2j ( y)  2
j 1
 r( x
j 1 k  j 1
j , xk )u j ( y )u k ( y ) (5.73)

As contribuições uj(y) são determinadas por:

u j ( y )  c j u ( x j ),..., j  1, m
f (5.74)
cj  ,..., j  1, m
x j

As derivadas e u(xj) são calculadas para as estimativas x j. Os coeficientes cj denominam-se


coeficientes de sensibilidade.

Se as estimativas xj forem estatisticamente independentes, r(xj,xk)≈0. Em muitos casos,


isso ocorre e, assim, a incerteza padrão combinada pode ser estimada por

u( y)  u12 ( y )  u 22 ( y )  ...  u m2 ( y )
(5.75)

Tendo sido calculada a incerteza padrão combinada, o valor Y do mensurando expressa-se


como:

Y  y  u ( y)
(5.76)
Esta expressão é interpretada do seguinte modo:
a) y é a melhor estimativa do valor Y do mensurando;
b) (y-u(y)) até (y+u(y)) é o intervalo de confiança dos valores que podem ser atribuídos a Y.
Este intervalo também se expressa como

( y  u ( y ))  Y  ( y  u ( y )) (5.77)
Muitas vezes é necessário expressar a incerteza de modo a abranger um maior
intervalo de confiança. Usa-se então a incerteza expandida, determinada por

U ( y )  ku ( y ) (5.78)
Capítulo 5 – Erros e Incerteza de Medição Página 32 de 48

onde k é o coeficiente de abrangência.

O coeficiente de abrangência é o valor de t, determinado na tabela t-student, para o


nível de confiança desejado (normalmente 95,4%) e o número de graus de liberdade efetivo.
Este, determina-se por

u 4 ( y) (5.79)
 eff  m u 4 ( y)


j 1
j

j

onde νj é o número de graus de liberdade com o qual cada parcela uj(y) foi determinada.

Com a incerteza expandida, o valor do mensurando expressa-se por

Y  y  U ( y) (5.80)

5.5.4 Avaliação das incertezas padrão dos estímulos.

Na expressão de cálculo da incerteza padrão combinada, deduzida no item anterior, as


estimativas dos estímulos e das suas incertezas padrão, não são determinadas apenas como
médias e desvios padrão de medições repetidas, respectivamente. Aliás, isso pode ser inviável
ou, em certos casos, impossível na prática.

As estimativas xj dos estímulos são determinadas conforme alternativas apresentadas


para o modelo de cálculo do valor do mensurando. As estimativas u(x j) das incertezas dos
estímulos são determinadas como desvios padrão, com base em funções distribuições de
probabilidade adequadas a resultados experimentais, ou assumidas, baseadas em experiência
ou outras informações. A seguir, são apresentadas estimativas das incertezas de estímulos,
correspondentes a diferentes informações sobre sua variabilidade.

a) Variação experimental do estímulo.

Este é o caso em que a incerteza é determinada como o desvio padrão experimental de


valores obtidos em medições repetidas. Normalmente assume-se que a função distribuição de
probabilidade de ocorrência dos resultados é a gaussiana. Assim, para n valores medidos, cuja
média é x , a incerteza padrão determina-se por

s( x j ) (5.81)
u( x j ) 
n

onde s(xj) é o desvio padrão amostral.

Segundo o GUM, este método de avaliação da incerteza padrão do estímulo


denomina-se avaliação tipo A e a incerteza, incerteza tipo A.
Capítulo 5 – Erros e Incerteza de Medição Página 33 de 48

As estimativas que seguem, não se baseiam em resultados de medições repetidas e,


segundo o GUM, se enquadram no método de avaliação denominado avaliação tipo B. A
incerteza é denominada incerteza tipo B.

b) Dados de medições prévias.

Neste caso, pode-se dispor da incerteza u(xj) ou de informações que possibilitem seu
cálculo, como a incerteza expandida U(xj) e o coeficiente de abrangência kj. Assim,

U (x j ) (5.82)
u( x j ) 
kj

c) Informações técnicas dos fabricantes.

Nos manuais dos instrumentos ou em folhetos técnicos podem ser encontradas


características tais como erros máximos admissíveis, histerese e não-linearidade. Muitas
vezes, histerese e não-linearidade estão incluídas nos erros máximos admissíveis.
Dificilmente são informadas características estatísticas que permitam o cálculo da incerteza
padrão.

Normalmente usa-se a informação do erro máximo Emax(xj) para associá-la ao estímulo


representado por uma correção CE=0. Neste caso, assume-se a distribuição retangular e a
incerteza padrão do estímulo determina-se por

Emax ( x j ) (5.83)
u( x j ) 
3

Se não forem tomados cuidados com leituras de subidas e descidas, a histerese H(x j)
deve ser considerada, para determinar uma incerteza associada a uma correção CH=0.
Assume-se novamente a distribuição retangular e, então,

H (x j ) (5.84)
u( x j ) 
2 3

Quando só a não-linearidade N(xj) for conhecida e não estiver incluída no erro


máximo, associa-se a ela uma correção C N=0 e assume-se a distribuição retangular. Então,
dependendo como a não-linearidade for definida, tem-se

N (x j ) (5.85)
u( x j ) 
3
ou
N (x j ) (5.86)
u( x j ) 
2 3

d) Informações no instrumento de medição (resolução adotada).

Muitas vezes, não se dispõe de qualquer informação técnica a não ser as indicadas ou
obtidas no próprio instrumento de medição. Estas geralmente são a resolução ou um símbolo
da classe de exatidão.
Capítulo 5 – Erros e Incerteza de Medição Página 34 de 48

A resolução, em indicadores digitais, é o incremento digital. Em alguns casos, a


presença de ruído elétrico pode causar flutuações rápidas (nos dígitos menos significativos),
sendo difícil a leitura integral e forçando o uso de resolução superior ao incremento digital.
Nos indicadores analógicos, costuma-se adotar o valor da divisão da escala ou sua fração de
meia divisão ou de décimo de divisão. Quando se têm resultados tais como 15,61mm,
15,77mm e 15,85mm, percebe-se que foi adotada a resolução de 0,01mm nas leituras.

A resolução adotada Radotada está associada à variabilidade das leituras. Assim, mesmo
que todas as leituras de uma amostra tenham o mesmo valor, obtendo-se desvio padrão nulo, a
incerteza do resultado é determinada por

Radotada (5.87)
u( x j ) 
2 3

Neste caso, atribui-se uma correção CR=0 às leituras e assume-se novamente a distribuição
retangular.

Com o símbolo da classe de exatidão, consulta-se a bibliografia técnica disponível e


procede-se a avaliação da incerteza como se fosse uma informação técnica do fabricante.

e) Informações de certificados de calibração.

Geralmente os certificados informam a correção C j e os correspondentes incerteza


expandida U(xj), coeficiente de abrangência kj e o número de graus de liberdade νj. Ao
estímulo, representado pela correção Cj, atribui-se a incerteza padrão

U (x j ) (5.88)
u( x j ) 
kj
Esta é a mais importante incerteza associada ao instrumento de medição.

f) arredondamentos e truncamentos.

Supõe-se que o valor de um estímulo tenha sido arredondado de 1,28mm para 1,3mm.
A diferença δxj = 1,3 – 1,28 = 0,02mm pode ser usada para determinar a incerteza padrão,
assumindo a distribuição retangular. Assim,

x j (5.89)
u( x j ) 
3

Semelhantemente, o truncamento de 1,28mm para 1,2mm dá a diferença δx j = |1,3 – 1,28| =


0,08mm para usar no cálculo da incerteza padrão. Ao arredondamento, atribui-se uma
correção CA=0.

g) Informações de bibliografia.

Os valores dos estímulos e informações de incerteza podem ser obtidos também de


bibliografia (manuais, normas técnicas, etc.) como no caso de constantes físicas. Quando se
Capítulo 5 – Erros e Incerteza de Medição Página 35 de 48

obtêm limites de erro ±L, sem nível de confiança, as seguintes possibilidades devem ser
consideradas:
g1) Se não houver qualquer indicação sobre a distribuição do estímulo, usa-se a distribuição
retangular e determina-se
u( x ) 
L (5.90)
j
3
g2) Se a ocorrência do estímulo for mais provável em torno da média, usa-se a distribuição
triangular e determina-se
u( x ) 
L (5.91)
j
6

g3) Se a distribuição dos estímulos for mais provável perto dos extremos, usa-se a distribuição
U e determina-se
u( x ) 
L (5.92)
j
2

Aos limites de erro, atribui-se uma correção CL=0.

h) Estimativas baseadas na experiência.

Um exemplo de incerteza obtida com base na experiência relatada é a atribuída à


aderência entre dois blocos padrão de comprimento. Usa-se distribuição retangular, correção
CA=0 e adota-se
u ( x j )  0,01m (5.93)

5.5.5 Procedimento para avaliação do resultado de medição e da incerteza de medição.

Dependendo dos parâmetros envolvidos num processo de medição, a determinação da


incerteza pode tornar-se laboriosa, com possíveis omissões e até equívocos. Portanto, é
recomendável sistematizá-la, procedendo a sua avaliação conforme passos estabelecidos em
normas. O procedimento apresentado a seguir é baseado em GUM (1993), NIS 3003 (1995),
EURACHEM/CITAC GUIDE CG4(2000) e NIT-DICLA-021 (INMETRO, 2007 – revisão
03), e se aplica ao caso de um mensurando Y que dependo dos mensurandos Xj (j=1,m).

Passo 1 – Expressar a estimativa do mensurando.

Estabelecer a relação matemática entre a estimativa y do mensurando e as estimativas


xj dos estímulos, na forma

y  f ( x1 , x2 ,..., xm ) (5.94)

Essa expressão deve conter as estimativas de todos os estímulos que possam contribuir com
uma fonte de incerteza, inclusive correções. Inicialmente, tem-se uma relação matemática
básica sujeita à inclusão de outros parâmetros. Considera-se o seguinte exemplo hipotético:

y  x1  x2  x3 (5.95)

onde x1 obtém-se de medições repetidas, x2 de uma única medição e x3 de bibliografia.


Capítulo 5 – Erros e Incerteza de Medição Página 36 de 48

Passo 2 – Identificar as fontes de incerteza.

Listar as fontes de incerteza, para cada parâmetro da expressão estabelecida no passo


1, e outras envolvidas no processo de medição. Para formar uma lista, costuma-se usar o
diagrama de causa e efeito. Com este, tem-se uma visualização estruturada dos efeitos das
fontes no resultado de medição y. Na figura 5.9, mostra-se o diagrama para o exemplo
hipotético do passo 1. As seguintes fontes foram identificadas:
a) Estimativa x1:
 Repetições de medições,
 Resolução do indicador do instrumento de medição de X1,
 Incerteza de calibração do instrumento de medição de X1.
b) Estimativa x2:
 Limites de erro do instrumento de medição de X2,
 Resolução do indicador do instrumento de medição de X2.
c) Estimativa x3:
 Arredondamento do valor de X3.

Figura 5.9 - Exemplo de diagrama de causa e efeito, de fontes de incerteza no resultado de


medição.

Agora, a estimativa y deverá ter a seguinte expressão:

y  x1  x2  x3  C R1  C1  C E 2  C R 2  C A3 (5.96)
onde
x1 : média aritmética dos valores medidos de X1,
x2 : resultado de uma única medição de X2,
x3 : valor de X3 arredondado do valor obtido de bibliografia,
CR1 : correção atribuída à resolução do instrumento de medição de X1,
C1 : correção obtida do certificado de calibração do instrumento de medição de X1;
CE2 : correção atribuída aos limites de erro obtidos para o instrumento de medição de X2,
CR2 : correção atribuída à resolução do instrumento de medição de X2,
CA3 : correção atribuída ao valor arredondado de X3.

Passo 3 – Determinar as estimativas dos estímulos.


Capítulo 5 – Erros e Incerteza de Medição Página 37 de 48

No item 5.5.2, são relacionadas alternativas para estimar os estímulos x j. Para o


exemplo hipotético revisto no passo 2, tem-se:

x1 = média aritmética de n resultados de medição obtidos em condições de repetitividade.


x2 = resultado de uma única medição.
x3 = valor arredondado de informação bibliográfica.
CR1 = 0
C1 = correção obtida de certificado de calibração.
CE2 = 0
CR2 = 0
CA3 = 0

Passo 4 – Determinar a incerteza padrão de cada fonte.

No item 5.5.4, são apresentadas estimativas de incerteza padrão para diferentes fontes.
As fontes identificadas no passo 2, para o exemplo hipotético em voga, têm suas estimativas
indicadas na tabela 5.6. Essa tabela pode ser denominada de balanço de incerteza. Seu uso é
recomendado para garantir maior clareza na análise referente à determinação das incertezas
padrão das fontes.

Tabela 5.6 – Incertezas padrão das fontes (exemplo hipotético dos passos 1 e 2).

Símbolo da Descrição da Estimativa Distribuição Fator Incerteza


estimativa fonte de da incerteza de divisor padrão
xj incerteza da fonte probabilidade u(xj)
x1 Repetições de s(x1) Gaussiana √n s(x1)/ √n
medições
x2 -- -- -- -- --
x3 -- -- -- -- --
CR1 Resolução de R1 Retangular 2√3 R1/(2√3)
indicação
C1 Certificado de U1 Gaussiana k1 U1/ k1
calibração
CR2 Resolução de R2 Retangular 2√3 R2/(2√3)
indicação
CE2 Limites de erro L Retangular √3 L/√3
CA3 Arredondamento 3 Retangular 2√3 3/(2√3)

Passo 5 – Determinar as covariâncias associadas aos estímulos correlacionados.

A covariância associada a dois estímulos pode ser zero ou insignificante se:


a) Os estímulos forem medidos repetidamente, em experimentos independentes, mas não
simultâneos;
b) Os estímulos representarem grandezas resultantes de diferentes avaliações efetuadas
independentemente;
c) Um deles for tratado como uma constante;
d) As informações existentes para avaliar a covariância forem insuficientes.

A covariância pode ser significativa se os estímulos associados forem correlacionados,


ou seja, se existir uma relação de interdependência entre dois ou mais estímulos. A
Capítulo 5 – Erros e Incerteza de Medição Página 38 de 48

covariância representa uma medida da dependência mútua entre estímulos. Pode existir
correlação entre dois estímulos se, na avaliação de seus valores, for usado o mesmo
instrumento de medição, mesmo padrão de referência, mesmo dado de referência, ou até o
mesmo método de medição, tendo uma incerteza significativa. No entanto, a correlação pode
ser evitada por uma escolha apropriada do modelo de estimativa do mensurando, ou seja,
substituindo os estímulos pelas suas variáveis independentes. Em muitos casos, os efeitos de
temperatura ambiente, pressão atmosférica e umidade relativa do ar têm interdependência
desprezível e os estímulos afetados podem ser considerados não correlacionados. Mesmo
sendo correlacionados, tais efeitos ainda poderiam ser evitados por substituições adequadas
no modelo de estimativa do mensurando.

Quando os estímulos forem correlacionados, a expressão de cálculo da variância


combinada a usar é

m m 1 m
u 2 ( y )   c 2j u 2 ( x j )  2  c c r(x j k j , xk )u ( x j )u ( xk ) (5.97)
j 1 j 1 k  j 1

ou
m m 1 m
u 2 ( y )   u 2j ( y )  2  r(x j , xk )u j ( y )u k ( y ) (5.98)
j 1 j 1 k  j 1

A covariância associada às estimativas xj e xk é definida por

u ( x j , xk )  r ( x j , xk )u ( x j )u ( xk )... para... j  k (5.99)

Nota-se que o parâmetro crítico a determinar, nesta expressão, é o coeficiente de correlação.


Sabe-se que r(xj,xk) = r(xk,xj) e que -1 ≤ r(xj,xk) ≤ 1. Se | r(xj,xk)| = 1, os estímulos são
correlacionados e, se r(xj,xk) = 0, são independentes. No caso muito especial em que
r(xj,xk)=1, a expressão (5.97) reduz-se a

2
m 
u ( y )   c j u ( x j ) 
2
(5.100)
 j 1 

Na expressão (5.97), o segundo termo pode resultar num valor negativo, ou até mesmo nulo,
porque os coeficientes cj e r(xj,xk) têm sinais positivos ou negativos.

A seguir, apresentam-se alguns casos de determinação do coeficiente de correlação.

1o caso – Determinação de n pares independentes (xj,xk) de observações repetidas


simultaneamente.

Determina-se a covariância por (ver item 5.4):

n
s ( xi , y i ) 1
u ( x j , xk )  s ( x , y ) 
n
 
n(n  1) i 1
( x ji  x j )( xki  xk ) (5.101)

Substitui-se este valor em (5.99), obtendo-se


Capítulo 5 – Erros e Incerteza de Medição Página 39 de 48

u ( x j , xk )
r ( x j , xk )  (5.102)
u ( x j )u ( x k )

2o caso – Estimativas xj e xk dependentes de um conjunto de variáveis independentes


q1,q2,...,qp.

Supõe-se que
x j  f (q1 , q2 ,..., q p )
xk  g ( q1 , q2 ,..., q p )

Dentre as variáveis independentes, algumas podem constar somente numa função (f ou g).
Existirá correlação entre xj e xk, mesmo que as estimativas q1,q2,...,qp sejam independentes. A
interdependência entre xj e xk é caracterizada pelas variáveis comuns a ambos. Assim, se
todos q’s constarem em f e g, a covariância é determinada por (GUM, 1993):

p
f g 2
u ( x j , xk )   u ( qi ) (5.103)
i 1 qi qi

O coeficiente de correlação é determinado então, substituindo este u(xj,xk) em (5.102).

Considera-se um exemplo onde


x1  t  z1
x2  t  z 2
Então
u 2 ( x1 )  u 2 (t )  u 2 ( z1 )
u 2 ( x2 )  u 2 (t )  u 2 ( z 2 )
u ( x1 , x2 )  u 2 (t )

Assim, o coeficiente de correlação é

u 2 (t )
r ( x1 , x2 ) 
u 2 (t )  u 2 ( z1 ) u 2 (t )  u 2 ( z 2 )

Se u(z1) = u(z2) = u(z), tem-se que


u 2 (t ) 1
r ( x1 , x2 )  
u 2 (t )  u 2 ( z )  u( z) 
2

1   
 u (t ) 

Nota-se que, dependendo da razão u(z)/u(t), r(x1,x2) estará próximo de 0 ou de 1.

Este exemplo é um caso onde a correlação pode ser evitada, ao substituir x 1 e x2 pelas
variáveis independentes no modelo de cálculo do mensurando.

3o caso – Coeficiente de correlação não é exatamente conhecido.


Capítulo 5 – Erros e Incerteza de Medição Página 40 de 48

Supõe-se que dois estímulos sejam correlacionados e que o coeficiente de correlação deles
não seja exatamente conhecido. Este é o caso, por exemplo, de usar o mesmo instrumento de
medição ou o mesmo padrão, na obtenção das estimativas x1 e x2, e sem a possibilidade de
substituí-los por variáveis independentes no modelo de cálculo do mensurando. Então,
costuma-se avaliar a influência máxima dessa correlação, mediante uma estimativa do limite
superior da incerteza padrão combinada, ou seja,

m
u 2 ( y )   u1 ( y )  u2 ( y )    u 2j ( y )
2

j 3
(5.104)

A expressão entre parênteses pode ser acrescida de outras parcelas, no caso de existirem mais
estímulos correlacionados.

4o caso – Relação conhecida entre estimativas de estímulos.

Se dois estímulos estimados por xj e xk forem correlacionados e uma variação δj em xj


produzir uma variação δk em xk, então r(xj,xk) pode ser estimado aproximadamente por

u ( x j ) k
r ( x j , xk ) 
u ( xk ) j (5.105)

Esta relação pode servir como base para estimar coeficientes de correlação
experimentalmente.

O exemplo hipotético, considerado no passo 1 e cujo modelo matemático foi refinado


no passo 2, não contém informações suficientes que permitam assegurar a existência de
correlação entre alguns estímulos. No entanto, se fosse usado o mesmo instrumento para
determinar as estimativas x1 e x2, deveria ser aplicado o 3o caso de determinação do
coeficiente de correlação.

Passo 6 – Calcular a estimativa do resultado de medição.

Calcular a estimativa y do mensurando, usando a expressão matemática revisada no


passo 2 e substituindo nela as estimativas dos estímulos determinados no passo 3.

Passo 7 – Calcular as contribuições uj (y).

As contribuições uj(y) são determinadas por:

u j ( y)  c j u( x j )
f (5.106)
cj 
x j

Nestas expressões, substituem-se as incertezas padrão u(x j), determinadas no passo 4, e as


estimativas necessárias dos estímulos determinados no passo 3.

As contribuições uj(y) também podem ser calculadas numericamente. Para tal, usa-se a
seguinte aproximação:
Capítulo 5 – Erros e Incerteza de Medição Página 41 de 48

f f j Zj
cj   
x j x j u ( x j )

onde

Zj 
1
2

f ( x1 , x2 ,..., x j  u ( x j ),..., xm )  f ( x1 , x2 ,..., x j  u ( x j ),..., xm )  (5.107)

Desse modo,

u j ( y)  Z j (5.108)

Esse modo de cálculo é útil quando se tem um modelo de y com funções matemáticas mais
complexas e que impliquem em derivadas laboriosas.

Passo 8 – Determinar a incerteza padrão combinada.

A incerteza padrão combinada u(y) é determinada pela raiz quadrada da variância


combinada (expressão (5.98)), onde as contribuições uj (y) são calculadas no passo 7 e os
coeficientes de correlação (se for o caso) conforme o passo 5.

Passo 9 – Determinar a incerteza expandida.

O principal cálculo a efetuar é o do número de graus de liberdade efetivo. Usando a


expressão (5.79), apresentada no item 5.5.3, para o exemplo hipotético, tem-se (ver dados na
tabela 5.7):

u 4 ( y)
 eff 
u14 ( y ) u 24 ( y ) u34 ( y ) u 44 ( y ) u54 ( y ) u64 ( y )
    
n 1  1   
u 4 ( y)
 eff 
u14 ( y ) u34 ( y )

n 1 1

Com o valor calculado de νeff e o nível de confiança desejado (geralmente 95,45%), na tabela
5.4, obtém-se o valor de t de student. Esse valor é o coeficiente de abrangência (k = t). Assim,
a incerteza expandida é determinada por

U ( y )  ku ( y )

Por motivo de organização, convém apresentar numa planilha os resultados dos


cálculos efetuados desde o passo 5. Usando o exemplo hipotético explorado até o passo 4,
construiu-se a planilha mostrada na tabela 5.7.

Passo 10 – Relatar o resultado completo de medição e a incerteza de medição.

No capítulo 2 (item 2.5), foram apresentadas regras para expressar o resultado de


medição e a correspondente incerteza, baseadas em algarismos significativos, na resolução de
Capítulo 5 – Erros e Incerteza de Medição Página 42 de 48

medição direta e no número máximo de algarismos significativos da incerteza. O resultado


completo de medição foi expresso na forma

y  yb  U ( y )

A incerteza poderia ser expressa nos modos absoluto, relativo e percentual como,
respectivamente, nos seguintes exemplos: (40±1) mm, 40mm ± 25.10-3 e 40mm ± 2,5%.

Tabela 5.7 – Planilha de cálculo de y, u(y) e U(y) (exemplo hipotético dos passos 1 e 2).

Símbolo da Valor da Incerteza Coeficiente Contribuições Graus de


estimativa estimativa padrão de u j ( y)  c j u( x j ) liberdade
xj xj u(xj) sensibilidade j
f
cj 
x j
x1 x1 S(x1)/ √n 1 s(x1)/ √n n-1
x2 x2medido -- -- -- --
x3 xa -- -- -- --
CR1 0 R1/(2√3) 1 R1/(2√3) 
C1 C U1/ k1 1 U1/ k1 3
CR2 0 R2/(2√3) 1 R2/(2√3) 
CL2 0 L/√3 1 L/√3 
Ca3 0 3/(2√3) 1 3/(2√3) 

y= eff =
uc(y) = k=
U(y) = k uc(y) =

De acordo com GUM (1993) e EURACHEM (2000), o relato do resultado completo


de medição é distinto, se usar a incerteza padrão combinada u(y) ou a incerteza expandida
U(y). As informações a constar no relato dependem das finalidades de uso. Os princípios do
GUM são os seguintes:
a) Apresentar informações suficientes para permitir que o resultado possa ser reavaliado
diante de novas informações ou dados.
b) É preferível errar para o lado de informações a mais do que para o lado de informações a
menos.

Segundo o GUM (1993), quando se usa a incerteza padrão combinada, o relato deve
incluir:
a) Uma completa descrição da definição do mensurando;
b) A estimativa y do mensurando e sua incerteza padrão combinada u(y); as unidades de y e
u(y) sempre devem ser dadas;
c) A incerteza padrão combinada relativa u(y)/|y|, |y| ≠ 0, quando apropriado;
d) No relato detalhado da obtenção de y e de u(y), deve-se dar:
 O valor de cada estímulo e sua incerteza padrão junto com a descrição de como foram
obtidos;
 As estimativas das covariâncias ou dos coeficientes de correlação (preferencialmente
ambos) e os métodos de obtê-los;
 O grau de liberdade da incerteza padrão de cada estímulo e como foram obtidos;
Capítulo 5 – Erros e Incerteza de Medição Página 43 de 48

 A relação funcional Y=f(X1,...,Xm) e, quando necessário, os coeficientes de


sensibilidade cj.

Quando a incerteza de medição a usar for u(y), o resultado numérico deve ser
infirmado conforme um dos seguintes métodos:
a) y = yb (unidade) com (incerteza padrão combinada) u = xx (unidade);
b) y = yb (u) (unidade);
c) y = (yb ± u) (unidade).

Observa-se que, no método a, a unidade de u pode ser expressa como um submúltiplo.

Quando se relata o resultado de medição com a incerteza expandida U(y), deve-se:


a) Dar uma completa descrição de como o mensurando y foi definido;
b) Estabelecer o resultado de medição como y = yb ± U e dar as unidades de y e U;
c) Incluir a incerteza expandida relativa U/|y|, |y| ≠ 0, quando apropriado;
d) Dar o valor de k usado para obter U (ou k e u(y));
e) Dar o nível de confiança associado com o intervalo y±U e declarar como foi determinado;
f) Dar as mesmas informações d referentes à incerteza padrão combinada.

Quando se usa a incerteza expandida, é preferível declarar o resultado de medição


como no seguinte exemplo:
“y = (40 ± 1) mm, onde o número após o símbolo ± é o valor numérico da incerteza
expandida U = ku, com U determinado com uma incerteza padrão combinada u = 0,5mm e
fator de abrangência k = 2, baseado na distribuição t para ν = ∞ graus de liberdade, e define
um intervalo estimado tendo um nível de abrangência de 95%”.

O valor numérico das estimativas y, u e U não deve ser dado com dígitos excessivos.
Usar no máximo dois algarismos significativos para u e U. Se y tiver mais casas decimais do
que as correspondentes aos dois algarismos significativos de u e U, arredondar y para
compatibilizar.

5.5.6 Exemplos de cálculo de incertezas.

Exemplo 1. O diâmetro de uma peça foi medido com um paquímetro universal e obtiveram-se
os seguintes resultados (em mm): 25,00 – 24,95 – 25,05 – 24,95 – 25,00.
Informações disponíveis do paquímetro:
 Intervalo nominal: 0 – 150 mm,
 Resolução da escala auxiliar: 0,05 mm,
 Limites de erro obtidos no catálogo do fabricante: ± 0,05 mm.
Deseja-se determinar a incerteza de medição expandida, e o resultado completo de medição.

A solução desenvolve-se nos passos detalhados a seguir, conforme o procedimento


apresentado.

Passo 1 – Estimativa do mensurando.

yx (método absoluto)

Passo 2 – Fontes de incerteza identificadas.


Capítulo 5 – Erros e Incerteza de Medição Página 44 de 48

 Irregularidades da forma da peça,


 Variações de leitura devido ao erro de paralaxe,
 Força de medição difícil de ser mantida constante,
 Folga do cursor do paquímetro,
 Variações das posições do paquímetro em relação à peça,
 Erros das escalas principal e auxiliar,
 Inexistência de certificado de calibração,
 Dúvidas da coincidência do traço da escala principal com o traço da escala auxiliar.

Estas fontes são agrupadas às seguintes fontes possíveis de quantificar com as informações
disponíveis:
 Oscilações de repetições (irregularidades da peça, paralaxe, força de medição, folga no
cursor, variações de posições do paquímetro em relação à peça);
 Resolução de indicação (dúvidas de coincidências de traços);
 Limites de erros (erros das escalas, inexistência de certificado de calibração).

Na figura 5.10, mostram-se os diagramas de causa e efeito.

Figura 5.10 - Diagramas de causa e efeito numa medição com paquímetro universal.

Agora é possível rever o modelo de cálculo da estimativa do resultado de medição. Assim,


tem-se que

y  x  CR  CL

x : média dos cinco valores medidos,


CR: correção atribuída à resolução,
CL: correção atribuída aos limites de erro.

Passo 3 – Estimativas dos estímulos.

x = 24,990 mm,
CR=0,
CL=0.

Passo 4 – Incerteza padrão de cada fonte (tabela 5.8).

Passo 5 – Covariância dos estímulos correlacionados.

Não se identificam correlações.


Capítulo 5 – Erros e Incerteza de Medição Página 45 de 48

Passo 6 – Estimativa do valor do mensurando.

y  24,990  0  0  24,99mm (ver tabela 5.9)

Passo 7 – Contribuições uj (y) (tabela 5.9).

Tabela 5.8 – Incertezas padrão das fontes (exemplo 1).

Símbolo da Descrição da Estimativa da Distribuição Fator Incerteza


estimativa fonte de incerteza incerteza da de divisor padrão
xj fonte probabilidade u(xj)
x Repetições 0,041833mm Gaussiana √5 0,018708mm
CR Resolução de 0,05mm retangular 2√3 0,014434mm
indicação
CL Limites de erro 0,05mm retangular √3 0,028867mm

Passo 8 – Incerteza padrão combinada.

u( y)  u12 ( y )  u 22 ( y )  u 32 ( y )  0,037305mm (ver tabela 5.9)

Tabela 5.9 – Planilha de cálculo de y, u(y) e U(y) (exemplo 1).

Símbolo da Valor da Incerteza Coeficiente de Contribuições Graus de


estimativa estimativa padrão sensibilidade liberdade
f
j c 
xj xj u(xj) x j uj(y)=cju(xj) νj
x 24,990 mm 0,018708mm 1 0,018708mm 4
CR 0 0,014434mm 1 0,014434mm ∞
CL 0 0,028867mm 1 0,028867mm ∞
y = 24,99 mm νeff = 63
u(y) = 0,04 mm k = 2,04
U(y) = k u(y) = 0,08 mm

Passo 9 – Incerteza expandida.

Número de graus de liberdade efetivo:


4 4
u 4 ( y)  u( y)   0,037305 
 eff  4 4 4
 4   4 
u1 ( y ) u 2 ( y ) u 3 ( y )  u1 ( y )   0,018708 
 
4  
 eff  63

Com νeff = 63, na tabela t–Student, para nível de confiança de 95,45%, obtém-se k = 2,04.
Assim,

U ( y )  ku ( y )  (2,04)(0,037305)  0,076102  0,08mm


Capítulo 5 – Erros e Incerteza de Medição Página 46 de 48

Passo 10 – Resultado completo de medição.

y = (24,99 ± 0,08) mm é o resultado completo de medição para um nível de confiança de


95,45%.

5.6 BIBLIOGRAFIA

1. ALBERTAZZI G. Jr, A. e SOUZA, A. R., Fundamentos de Metrologia Científica e


Industrial. Editora Manole, 2008.

2. BECKWITH, T. G. and MARANGONI, R. D., Mechanical Measurements. Addison-


Wesley Publishing Company, Fourth Edition, 1990.

3. BENTLEY, J. P., Principles of Measurement Systems. Longman Group Limited, 1983.

4. BIPM/IEC/IFCC/ISO/IUPAC/IUPAP/OIML, Guide to the expression of Uncertainty in


Measurement (GUM). First Edition, 1993.

5. CONTROLE DIMENSIONAL – Teoria e prática dos fundamentos da técnica de medição.


Mundo Mecânico, janeiro a abril, 1982.

6. DALLY, J. W., RILEY, W. F. and McCONNELL, K. G., Instrumentation for Engineering


Measurements. John Wiley & Sons, Inc., 1984.

7. DAMASCENO, J. C. e COUTO, P. R. G., A Validação de um Programa para o Cálculo


da Estimativa de Incerteza de Medição pelo Método de Monte Carlo. 1 o Congresso
Internacional de Metrologia Mecânica, Rio de Janeiro, 8 – 10 de outubro de 2008.

8. EURACHEM/CITAC Guide CG4. Quantifying Uncertainty in Analytical Measurement.


Second Edition, 2000 (www.measurementuncertainty.org).

9. EURACHEM/CITAC Guide – Use of Uncertainty information in compliance assessment.


First Edition 2007.

10. FERRERO, A. and SALICONE, S., A Comparative Analysis of the Statistical and
Random – Fuzzy Approaches in the Expression of the Uncertainty in Measurement. IEEE
Transactions on Instrumentation and Measurement, Vol. 54, N o 4, pp 1475 – 1481, august
2005.

11. FERRERO, A. and SALICONE, S., Measurement Uncertainty. Part 8 in a series of


tutorials in instrumentation and measurement, IEEE Instrumentation & Measurement
Magazine, pp 44 – 51, June 2006.

12. FINKELSTEIN, L., Instrument Science – Introductory article. J. Phys. E.: Sci. Instrum.,
Volume 10, pp 566 – 572, 1977.

13. GONZALES, A. G., HERRADOR, M. A. and ASUERO, A. G., Uncertainty evaluation


from Monte – Carlo simulations by using Crystal – Ball software. Accred. Qual. Assur.,
10, pp 149 – 154, 2005.
Capítulo 5 – Erros e Incerteza de Medição Página 47 de 48

14. GRABE, M., Principles of “Metrological Statistics”. Metrologia, 23, pp 213 – 219
(1986/87).

15. ILAC – G8: 1996 – Guidelines on Assessment and Reporting of Compliance with
Specification (based on measurements and tests in laboratory), www.bipm.org.

16. JCGM 101:2008, Evaluation of measurement data – Supplement 1 to the “Guide to


expression of uncertainty in measurement” – Propagation of distributions using a Monte
Carlo method. BIPM, First edition 2008.

17. KLAASSEN, K. B., Electronic Measurement and Instrumentation. Cambridge University


Press, 1996.

18. MATHIESEN, O., Uncertainty of measurement – understanding the GUM. Lecture given
at the Advanced School of Metrology: Evaluation of Uncertainty in Measurement,
Programa RH Metrologia, Angra dos Reis, Brasil, março, 2 – 7, 1997.

19. NIS 3003 – NAMAS, The Expression of Uncertainty and Confidence in Measurement for
Calibrations. Edition 8, May 1995.

20. NORMA NO NIT – DICLA – 021 – Expressão da Incerteza de Medição. INMETRO,


agosto/2007.

21. PHILLIPS, S. D., Measurement Uncertainty and Traceability Issues in National and
International Measurements. International Dimensional Metrology Workshops, Nashville,
TN, May 12 – 16, 2003.

22. REDE METROLÓGICA RS. Certificação de Produtos: guia prático/SEBRAE/FIERGS.


Porto Alegre: Metrópole, 2000.

23. STEMPNIAK, C. R., LANDGRAF, W. R. e PAULA, L. G., Reduzindo a Incerteza de


Medição com Ajuda de Software. EQUALAB – 2005: Encontro para a Qualidade de
Laboratórios, Rede Metrológica do Estado de São Paulo – REMESP, São Paulo, 7 – 9 de
junho de 2005.

24. SYDENHAM, P. H., HANCOCK, N. H. and THORN, R., Introduction to Measurement


Science and Engineering. John Wiley 4 Sons, 1992.

25. VIM 1995 – Vocabulário Internacional de Termos Fundamentais e Gerais de Metrologia.


Portaria INMETRO no 029 de 1995.

26. VIM 2004 – International Vocabulary of basic and general terms in metrology, 3 rd Edition,
Draft April 2004.

27. VUOLO, J, H., Fundamentos da Teoria de Erros. Editora Edgard Blücher Ltda, 2ª edição,
1996.

SÍTIOS NA INTERNET:

www.automa.com.br (acessado em 06/08/2009).


Capítulo 5 – Erros e Incerteza de Medição Página 48 de 48

www.forlogic.net (acessado em 06/08/2009).


www.lcds.com.br (acessado em 06/08/2009).
www.bipm.org (acessado em 06/08/2009).
www.dphmetrologia.googlepages.com (acessado em 14/08/2009).

Você também pode gostar