UMA REVISÃO SOBRE ABORDAGENS E MÉTODOS DE CÁLCULO DE INCERTEZA
Daniel Homrich da Jornada 1, Carla ten Caten2
1
Certificar e PPGEP/UFRGS, Porto Alegre, Brasil, daniel@portalcertificar.com.br
2
PPGEP/UFRGS, Porto Alegre, Brasil, tencaten@producao.ufrgs.br
Resumo: o cálculo da incerteza de medição vem ganhando
maior destaque no ramo da metrologia, principalmente
considerando a publicação de documentos orientativos e
suplementares ao GUM. É importante que os laboratórios
apliquem um método de cálculo que seja matematicamente
válido e que esse processo seja implantado com uma
abordagem (ou estratégia) que seja tecnicamente e
economicamente viável. Existem diversos métodos para
cálculo da incerteza de medição e esses muitas vezes
apresentam um grau de dificuldade que pode requer, por
parte do laboratório, pessoal com sólidos conhecimentos em
estatística. Uma questão importante e que não vem sendo
discutida com especial atenção é com relação a qual
abordagem adotar para estimar as fontes de incerteza. Nesse
sentido, o presente artigo preocupa-se em traçar um
panorama geral sobre métodos e abordagens para o cálculo
da incerteza de medição. Os métodos e abordagens
indicados serão discutidos em termos de suas vantagens e
desvantagens e aplicações. Será apresentada uma relação
cruzada em termos dos métodos e abordagens mais
apropriados a cada situação, visando assim, facilitar a
estratégia dos laboratórios para implementar tais cálculos
em seus ensaios e calibrações.
Palavras chave: incerteza de medição, métodos de cálculo,
abordagens de cálculo de incerteza.
1. CONSIDERAÇÕES INICIAIS
Como o resultado de uma medição é meramente uma
estimativa do valor do mensurando, ao relatá-lo, torna-se
necessária a indicação quantitativa da qualidade dessa
estimativa, de tal forma que os usuários desse resultado
possam avaliar a adequação frente as suas necessidades. A
incerteza de uma medição reflete a falta de conhecimento
exato do valor do mensurando. Ela compreende, em geral,
muitos componentes. Alguns desses componentes podem ser
estimados com base na distribuição estatística dos resultados
das séries de medições e podem ser caracterizados por
desvios padrão experimentais. Outros componentes, que
também podem ser caracterizados por desvios padrão, são
avaliados por meio de distribuições de probabilidade
assumidas, baseadas na experiência ou em outras
informações [1].
A avaliação da incerteza é de extrema importância,
destacando-se por [2]:
a) estimar a margem de dúvida em torno do resultado
declarado pelo laboratório e conseqüentemente prover
confiança nesse resultado;
b) representar um fator de vantagem competitiva:
laboratórios com menores incertezas têm melhores
capacidades de medição;
c) propiciar fontes de melhoria aos laboratórios dos seus
métodos de ensaio, na medida em que identifica e quantifica
todas as componentes de incerteza;
d) possibilitar ao cliente uma avaliação adequada do
resultado frente a limites de conformidade;
e) possibilitar ao laboratório eventual redução de custos
com calibração de determinados instrumentos, caso seja
demonstrado que os mesmos pouco influenciem na
incerteza.
Quando for estimada a incerteza de medição, todos os
componentes de incerteza que sejam importantes para uma
determinada situação devem ser considerados usando-se
métodos de análise apropriados [3]. Uma diversidade de
métodos está estabelecida. Dentre eles, o mais difundido e
universalmente reconhecido é estabelecido pelo Guia Para a
Expressão da Incerteza de Medição, conhecido como GUM
[1]. É importante, salientar, neste sentido, que o laboratório
adote um método matematicamente válido, adequado as
suas necessidades e que seja técnica e economicamente
viável.
Outra questão que deve ser tratada com especial atenção
é com relação a qual abordagem (ou estratégia) adotar para
quantificar as fontes de incerteza. As abordagens podem
variar de acordo com a natureza da medição e com as
informações disponíveis ao laboratório. Deve ser aplicada
uma abordagem que seja prática e resulte em valores de
incerteza válidos.
Neste sentido, o presente artigo tem por objetivo
apresentar um panorama sobre métodos e abordagens para o
cálculo de incerteza, enfocando as vantagens, desvantagens
e as possibilidades de aplicações em cada caso.
Na primeira parte, o artigo traz um resumo sobre os
principais métodos de cálculo de incerteza. Na segunda, são
apresentadas abordagens para quantificação de fontes de
incerteza. Após, os métodos e abordagens são comparados
em termos de suas vantagens, desvantagens e aplicações.
2. MÉTODOS DE CÁLCULO DE INCERTEZA
Existem vários métodos para cálculo da incerteza de
medição e esses muitas vezes apresentam um grau de
dificuldade que pode requer, por parte do laboratório,
pessoal com sólidos conhecimentos em estatística.
Os métodos descritos a seguir são os principais aplicados
por laboratórios de calibração e ensaio.
2.1. Método do GUM
O GUM foi elaborado no sentido de harmonizar as
metodologias utilizadas pelos laboratórios de metrologia
para a estimativa da incerteza nas medições, bem como
servir como um guia de fácil entendimento e implantação
nas diferentes áreas da metrologia. Seu princípio consiste
em demonstrar que a incerteza global do ensaio ou
calibração incorpora diversas fontes de incerteza, que
surgem de efeitos sistemáticos e aleatórios, propiciando,
assim, a comparabilidade dos resultados de medições
executadas por laboratórios distintos [1].
A implantação do GUM parte da análise do modelo
matemático da medição (equação da medição propriamente
dita) que deve incluir todas as contribuições relevantes para
o ensaio ou calibração. A incerteza global é então estimada
pela lei da propagação da incerteza, seguindo a identificação
e a quantificação da incerteza individual dos fatores de
influência [4].
O procedimento geral para aplicação do GUM consiste
em representar as grandezas de entrada (variáveis
independentes) do modelo matemático da medição em
termos de suas médias e desvios padrão [5].
O método do GUM está fundamentado na lei da
propagação de incertezas, a qual provém da lei de
propagação de erros, desenvolvida inicialmente por Gauss
no final do século XIX. A lei de propagação de incertezas
afirma que a incerteza de cada fator de influência (fonte de
incerteza) do ensaio ou calibração é propagada para a
obtenção da incerteza final da medição através de uma
expansão de série de Taylor, truncada geralmente em
primeira ordem. Assume-se a priori, através da
aplicabilidade do Teorema do Limite Central, que a medição
e a sua respectiva incerteza possuirá uma função densidade
de probabilidade (FDP) normal, ou t-Student para pequenas
amostras [1].
O procedimento de estimativa de incerteza nas medições
segundo o método proposto pelo GUM consiste em [6]:
• definir o modelo matemático da medição: é a
definição analítica daquele processo de medição, na qual f é
o mensurando em questão e Xi são as grandezas de entrada,
da qual dependem o mensurando;
• identificar e aplicar eventuais correções
significativas: corrigir os erros sistemáticos a fim de não
incorporá-los na incerteza (o que aumentaria a incerteza e
poderia até mesmo gerar um valor incoerente);
• relacionar todas as fontes de incerteza: verificar os
fatores que podem ter influência sobre o resultado do ensaio
ou calibração. Para a apresentação de tais fontes de
incerteza, pode-se utilizar, por exemplo, o diagrama de
causa e efeito;
• calcular os coeficientes de sensibilidade: consiste em
calcular as derivadas parciais de f em relação a cada Xi;; essa
etapa serve para verificar quanto cada fonte contribui para a
incerteza global do ensaio ou calibração, convertendo cada
uma em uma mesma unidade de medida desejada;
• calcular as incertezas do tipo A: fontes de incertezas
obtidas através de meios estatísticos, por uma série de
observações de repetidas de uma mesma medição;
• calcular as incertezas do tipo B: fontes de incertezas
obtidas por outros meios que não estatísticos;
• calcular as contribuições de incerteza: estimar quanto
cada uma das fontes de incerteza, do tipo A e do tipo B,
influenciam na incerteza global do ensaio ou calibração, por
meio da aplicação dos coeficientes de sensibilidade;
• avaliar correlações: analisar a eventual existência de
correlação entre as fontes de incerteza e avaliá-las;
• obter a incerteza padrão combinada: é a incerteza do
ensaio ou calibração considerando todas as fontes de
incerteza relevantes, expressa como um desvio padrão,
calculado de acordo com a equação (1) a seguir:
2
 ∂y 
uc = ∑ u ( y)
i
2
= ∑  ∂x ⋅ u ( xi )  (1)
 i 
Onde:
uc: é a incerteza padrão combinada, ou simplesmente
incerteza combinada;
ui(y) são as contribuições de incerteza para o
mensurando y;
u(xi) são as incerteza padrão das grandezas Xi; e
∂y
são os coeficientes de sensibilidade.
∂xi
• obter a incerteza expandida: consiste em obter um
valor de incerteza que possua uma maior probabilidade de
abrangência na estimativa; é calculada através do produto da
incerteza combinada por um fator de abrangência, segundo
equação (2):
U = kuc ( y )
(2)
Onde:
U é a incerteza expandida;
k é o fator de abrangência para incerteza;
Maiores detalhes sobre o passo-a-passo para o cálculo da
incerteza podem ser consultados em [1; 2; 5-7].
Para a aplicação do método do GUM, as seguintes
premissas devem ser atendidas [5]: a) suficiente linearidade
do modelo matemático da medição; b) aplicabilidade do
Teorema do Limite Central, implicando na representação da
FDP do mensurando através de uma distribuição Normal ou
tipo t-Student, com média e desvio padrão conhecidos; c)
adequação da equação de Welch-Satterthwaite.
Quando as premissas apresentadas anteriormente não são
atendidas, métodos de cálculo de incerteza alternativos ao
GUM devem ser aplicados [1].
 2.2. Método de Monte Carlo Uma importante utilidade do método de Monte Carlo
consiste na possibilidade avaliar a validade dos cálculos
A Simulação de Monte Carlo é um método probabilístico
executados pelo método do GUM. A lei da propagação da
baseado na aleatoriedade, que, através de tentativas
incerteza, proposta pelo GUM, pode funcionar plenamente,
experimentais, torna-se possível resolver difíceis problemas
na maioria dos casos. Contudo, é complexo quantificar os
determinísticos (não probabilísticos) [11].
efeitos das aproximações envolvidas, tais como não-
A Simulação de Monte Carlo está inserida no ramo da
linearidade do modelo matemático, inaplicabilidade da
estatística chamado de bayesiana. A estatística bayesiana, ao
fórmula de Welch-Satterthwaite e a distribuição não normal
contrário da estatística clássica ou freqüentista, faz uso das
da grandeza de saída. Neste sentido, sempre que houver
informações e conhecimentos prévios ao evento –
dúvidas com relação à adequação do método do GUM, os
conhecidos como informações a priori – para, a partir destas
cálculos devem ser validados de alguma forma. A
e de dados observados, obter-se uma informação posterior –
Simulação de Monte Carlo, associada à utilização de
chamada de a posteriori [12; 13].
softwares computacionais, pode ser uma alternativa para
As informações a priori utilizadas no Método de Monte
validar tais cálculos, já que a propagação de distribuições é
Carlo são aquelas referentes FDPs das fontes de incerteza. A
uma generalização da lei de propagação de incertezas [9].
partir da geração de n números aleatórios, as distribuições a
Diversos artigos encontram-se publicados sobre a
priori são propagadas pelo modelo matemático da medição,
aplicação do método de Monte Carlo para cálculo da
para então obter uma FDP a posteriori [8].
incerteza de medição. As referências [9-10; 14-16]
Levando em consideração os aspectos de confiabilidade
apresentam aplicações práticas do método.
na metodologia de cálculo da incerteza nas medições e,
utilizando uma abordagem que seja tecnicamente válida e 2.3. Métodos Alternativos
economicamente aplicável, o método de Monte Carlo está
A soma de duas FDPs pode ser resolvida através da
sendo discutido entre a comunidade metrológica
convolução das mesmas [17]. Uma expressão semelhante
internacional como um método alternativo eficaz para os
para o produto de variáveis aleatórias também existe [13].
casos onde a aplicação do método do GUM é inadequada ou
Um método de integração numérica direta pode ser
muito complexa.
aplicado para resolver tais casos, porém não são de trivial
O método de Monte Carlo, diferentemente do método do
implantação, sobretudo pela complexidade computacional.
GUM, utiliza o conceito de propagação de toda a
Para que essa operação seja realizada via integração
distribuição de probabilidade das grandezas de entrada, ao
numérica direta, o espaço do sistema deve ser discretizado
invés de somente propagar seus segundos momentos. Tal
em um número N de pontos, de forma que o tempo
fator torna a aplicação do método de Monte Carlo mais
necessário irá crescer com o quadrado de N.
ampla.
O método pode ser computacionalmente aprimorado
Devido à importância do tema, um documento
através da aplicação de Transformadas de Fourier e de
suplementar ao GUM, a respeito da utilização da Simulação
Mellin. Um trabalho aplicado sobre tais transformadas
de Monte Carlo para o cálculo da incerteza de medição, vem
encontra-se disponível em [9].
sendo desenvolvido, ainda em forma de minuta, por um
Métodos numéricos podem cobrir teoricamente qualquer
comitê ligado ao BIPM chamado de Joint Committee for
expressão analítica, por isso são de ampla aplicação.
Guides in Metrology (JCGM) [8].
Ressalta-se, contudo, que tais métodos numéricos requerem
O conceito de propagação de distribuições utilizado pela
conhecimentos sólidos e mais avançados de matemática. O
Simulação de Monte Carlo consiste primeiramente em
esforço para implementá-los muitas vezes não se justifica.
assumir FDPs apropriadas para cada fonte de incerteza do
Além dos métodos discutidos anteriormente, pode-se
ensaio ou calibração, como por exemplo, uniforme, normal,
citar outra categoria, os chamados métodos analíticos. Esses
triangular, entre outras. Essas distribuições são, então,
métodos se baseiam em resolver analiticamente integração e,
propagadas n vezes através da equação da medição e os
desta forma, obter uma FDP a posteriori exata [5; 8].
valores para a média e desvio padrão dos resultados são
Os métodos analíticos têm a vantagem de serem exatos,
estimados. A incerteza do ensaio ou da calibração será
porém, devido à extrema complexidade, tornam-se
calculada de acordo com uma determinada probabilidade de
geralmente inviáveis na prática, sendo restrita a aplicação.
abrangência desejada (normalmente 95,45%), após um
Por essa razão, não serão alvos de estudo detalhado no
grande número de repetições executadas [5].
presente trabalho.
Os valores correspondes à cada fonte de incerteza são
obtidos através de gerações de números aleatórios que
observam a FDP das grandezas de entrada. Cada número 3. ABORDANGES PARA CÁLCULO DE INCERTEZA
aleatório gerado é combinado no modelo matemático da A abordagem para o cálculo de incerteza não se refere ao
medição e um resultado é, então, obtido para a grandeza de método de cálculo em si, mas sim, à estratégia utilizada para
saída. Este passo é repetido n vezes, de forma independente, quantificar as fontes de incerteza relevantes para o ensaio ou
a fim de avaliar a FDP resultante do mensurando [8]. calibração.
Desta forma, os procedimentos adotados pela Simulação O uso incorreto de uma abordagem pode levar com que o
de Monte Carlo dispensam os cálculos das derivadas laboratório subestime ou superestime sua incerteza. Uma
parciais, o que em muitos casos pode ser um fator de das razões para o atual cenário confuso é que a terminologia
complicada obtenção [5]. utilizada para descrever as abordagens ainda não está
padronizada em nível internacional [21]. Outro fator
relevante é que os diversos guias disponíveis para o cálculo
da incerteza, sobretudo na área de ensaios [1-2; 6-8; 20],
possuem estruturação distinta, ainda que o método de
cálculo sugerido pelos mesmos geralmente esteja baseado
no GUM.
Sob o ponto de vista prático, uma abordagem adequada é
aquela que possibilita ao laboratório o cálculo da incerteza
sem grandes esforços adicionais de obtenção das fontes [22].
Isso inclui a utilização de dados de validação de métodos e
garantia da qualidade e uso de informações de ensaios de
proficiência que o laboratório tenha participado.
As abordagens apresentadas a seguir estão subdividas de
acordo com o nível das informações utilizadas para
quantificar as fontes de incerteza.
3.1. Abordagem bottom-up
A abordagem bottom-up, também conhecida na literatura
como abordagem de modelagem, teórica, preditiva ou
tradicional [19], é aquela clássica proposta no método do
GUM, na qual cada fonte de incerteza é quantificada
individualmente e seus efeitos são então combinados,
geralmente através da aplicação do método do GUM, com
uma expansão da série de Taylor, normalmente de primeira
ordem [7; 18]. É freqüentemente utilizada na área de
calibração.
Neste caso, a informação flui de um nível caracterizado
por dados específicos sobre cada etapa analítica ou fator que
contribui para a incerteza da medição, até um nível
caracterizado pela combinação da informação do nível
anterior, produzindo a incerteza combinada da medição [21].
Ou seja, ela vai do início até o fim da medição, passando
etapa por etapa, daí a razão por sua designação como
abordagem bottom-up (do inglês, de baixo para cima).
Na área de ensaios, muitas vezes pode ser de difícil
implantação uma vez que as medições envolvem geralmente
uma grande quantidade de fatores de influência e quantificá-
lo individualmente pode ser técnica ou economicamente
inviável. Tal abordagem requer um conhecimento detalhado
da equação da medição, de forma que todos os fatores de
influência estejam explícitos no modelo matemático e
possam, assim, ser aplicados os métodos de cálculos de
incerteza apropriados.
3.2. Abordagem experimental: top-down
3.2.1 Considerações Gerais
Com relação às abordagens experimentais para o cálculo
de incerteza, não há uma uniformidade de classificação e
terminologia na comunidade metrológica. Neste trabalho,
optou-se por considerar todas as abordagens experimentais
dentro da categoria “top-down” pelo fato de ser a
classificação mais comumente utilizada na literatura, ainda
que não de forma única.
3.2.2 Abordagem top-down
A abordagem top-down, também conhecida como
supralaboratorial [21], empírica, experimental ou
retrospectiva [19], utiliza um determinado nível de
informações que corresponde a todo o processo de medição
para resultar em uma incerteza global do ensaio ou
calibração. Por essa abordagem, não há necessidade de
quantificar cada componente de incerteza individualmente,
podendo as mesmas ser avaliadas de forma combinada, seja
através de um estudo experimental ou de ensaios de
proficiência [19].
Por essa abordagem, é possível identificar
separadamente as componentes aleatórias e as sistemáticas
para a incerteza de medição, subdividindo-as nas etapas do
processo de medição, tais como etapa de amostragem,
analítica, etc. [19].
Informações externas ao laboratório (em nível
supralaboratorial) tais como resultados de comparações
interlaboratoriais, podem ser utilizadas, desde que com
cuidado, para que o laboratório possa calcular a incerteza de
seus métodos. Tais informações incluem medidas de
exatidão e precisão do método em avaliação. Neste caso, a
abordagem top-down requer, naturalmente, que o laboratório
participe regularmente de programas de comparações
interlaboratoriais e obtenha desempenhos satisfatórios em
tais programas [7;18].
A informação interlaboratorial é extremamente útil para
estimar a incerteza da medição, visto que reflete a variação
de fatores do método de medição, alguns dos quais
dificilmente estudados em um ambiente intralaboratorial.
Contudo, a informação interlaboratorial é muitas vezes cara
de ser obtida e, certas vezes, não está disponível ou não
inclui informação sobre todas as etapas que afetam a
qualidade da medição [21].
A abordagem em nível supralaboratorial é bastante direta
e simples, porém possui duas grandes desvantagens. A
primeira consiste em que o laboratório, ao estimar a
incerteza do método, estará incluindo na sua própria
incerteza, efeitos de variabilidade devido aos demais
laboratórios que também participaram dos mesmos
programas interlaboratoriais. Em algumas aplicações, essa
forma de aplicar a abordagem top-down pode gerar valores
de incerteza elevados e que não satisfaçam às necessidades
do laboratório e de seus clientes.
Outra questão que também pode ser um empecilho para
a aplicação dessa abordagem consiste no fato de que o
laboratório deve participar regularmente de atividades de
comparações interlaboratoriais, o que nem sempre é
possível, pois muitos programas são pontuais, sem terem
uma periodicidade definida. Uma estimativa de incerteza
baseada no resultado de uma participação em um ensaio de
proficiência pontual é desaconselhada por não haver
garantia de que o desempenho obtido pelo laboratório seja
de fato representativo de sua rotina [20].
Em um ambiente intralaboratorial, a abordagem top-
down faz uso de dados internos de validação e confirmação
de métodos (como estudos internos de precisão, exatidão e
análise de variância) e de garantia da qualidade (como dados
de cartas de controle e verificações periódicas de
desempenho do método). Essas informações geralmente já
estão disponíveis no laboratório e pouco esforço adicional é
requerido para quantificar fontes de incerteza relevantes
nessa situação. A abordagem utilizando informações em um
nível intralaboratorial é particularmente interessante quando
os métodos de medição envolvem etapas complexas (que é o
caso em muitos ensaios) ou quando não estão disponíveis
dados interlaboratoriais.
Normalmente, o desempenho do método varia de dia
para dia devido a fatores como variabilidade entre técnicos
laboratoristas, equipamentos, condições ambientais e à
variação de outros fatores experimentais não controlados. A
informação intralaboratorial usada para estimar a incerteza
inclui resultados recolhidos num âmbito mais amplo e, por
isso, geralmente representa melhor a incerteza global
envolvida no método de medição do laboratório [21].
Há diversas formas de obter as informações referentes às
fontes de incerteza para que a abordagem bottom-up seja
implantada. Referências podem ser consultadas na literatura
[7; 18-21].
4. COMPARATIVO ENTRE MÉTODOS E
ABORDAGENS
Os quadros 1, 2 resumem um comparativo de vantagens
e desvantagens discutidas anteriormente referentes a cada
método e a cada abordagem utilizada para o cálculo da
incerteza de medição. O quadro 3 apresenta um comparativo
cruzado entre métodos e abordagens evidenciando as
compatibilidades e aplicações entre os mesmos.

MÉTODO VANTAGENS DESVANTAGENS

Método do GUM Cálculos geralmente simples; não necessita emprego de
softwares específicos. Não requer conhecimentos avançados
em matemática.
Método de Dispensa o cálculo de derivadas parciais. Não requer a
Monte Carlo linearidade do modelo. Não requer a aplicabilidade do
Teorema do Limite Central. Pode servir para validar o GUM.
Métodos Não dependem de geradores de números pseudo-aleatórios.
Alternativos Podem ser estendidos para teoricamente qualquer expressão
analítica. Podem servir para validar o GUM. Boa aplicação
quando do cálculo da incerteza no limite físico. Nesse caso, é
importante que se tenha a FDP resultante com a melhor
resolução possível, condição facilmente alcançada.
Quadro 1. Vantagens e desvantagens entre métodos de cálculo de incerteza
As premissas para sua aplicação precisam ser
atendidas. Derivadas podem ser difíceis.
Aproximações do método podem introduzir erros
não conhecidos na incerteza calculada.
Qualidade do resultado depende da qualidade do
algoritmo pseudo-aleatório e do número de
gerações. Requer emprego de software.
Requerem conhecimentos mais aprofundados de
matemática e o emprego de softwares
específicos. Métodos analíticos têm aplicação
restrita pelo seu grau de dificuldade.

ABORDAGEM VANTAGENS DESVANTAGENS

Bottom-up Explicita todas as fontes de incerteza consideradas no cálculo,
em consonância como o modelo matemático de medição.
Quando informações prévias estão disponíveis e o modelo
matemático é simples, a abordagem apresenta o melhor custo-
benefício. Ideal para calibrações e ensaios simples.
Top-down Inclui todas as fontes de incerteza sem que o laboratório tenha
que identificá-las individualmente. Geralmente apresenta
baixo custo de implantação, pois os dados referentes às fontes
de incerteza normalmente já estão disponíveis, havendo várias
possibilidades para que essas sejam quantificadas. Ideal para
situações envolvendo ensaios com etapas complexas e quando
não há conhecimento detalhado do modelo matemático.
Quadro 2. Vantagens e desvantagens entre abordagens para quantificação das fontes de incerteza
Requer o conhecimento aprofundado do
mensurando, definido detalhadamente em um
modelo matemático de medição. Em situações de
medições complexas pode ser impraticável ou até
fornecer um valor subestimado de incerteza.
Não identifica as componentes de incerteza de
forma individual. Não é baseada em um modelo
matemático apurado, por isso, o valor resultante
de incerteza é apenas aproximado. Eventuais
valores extremos obtidos em experimentos para
quantificar as fontes de incerteza podem
inadequadamente superestimar a incerteza final.

MÉTODO DE ABORDAGEM DE QUANTIFICAÇÃO DAS FONTES DE INCERTEZA

CÁLCULO Bottom-up Top-down
Compatibilidade Aplicação Compatibilidade Aplicação
Método do GUM Compatível: é a situação ideal Muito utilizado na área Compatível: quando há Muito utilizado
proposta pelo GUM de avaliação de calibração, ainda que grande complexidade nas em ensaios,
individual das fontes de incerteza possa ser aplicado em etapas do método ou quando sobretudo
em um modelo matemático, para a ensaios mais simples. não há um conhecimento naqueles com
posterior combinação dessas. detalhado no modelo etapas mais
matemático da medição. complexas.
Método de Compatível: usados genericamente Ensaios e calibrações Incompatível: os cálculos Não aplicável.
Monte Carlo em qualquer tipo de medição na com modelo matemático necessários e o emprego de
qual sejam conhecidos o modelo definido. Ideal quando as softwares não justificariam a
matemático e as FDPs das fontes premissas do GUM não utilização de Monte Carlo
de incerteza. são atendidas. nesta situação.
Métodos Compatível: usados genericamente Por sua complexidade, Incompatível: os cálculos Não aplicável.
Alternativos em qualquer tipo de medição na são pouco usados na. necessários e o emprego de
qual sejam conhecidos o modelo Porém, podem ser softwares não justificariam a
matemático e parâmetros aplicados a qualquer tipo utilização de métodos
específicos relacionados às fontes de medição, sem as numéricos e analíticos nesta
de incerteza. restrições do GUM. situação.
Quadro 3. Comparativo cruzado entre métodos e abordagens de cálculo de incerteza
5. CONCLUSÕES
O presente artigo abordou uma revisão e um
comparativo entre os principais métodos e abordagens para
o cálculo da incerteza de medição. Os métodos apresentados
foram os do GUM, de Monte Carlo e, de maneira sucinta,
métodos alternativos. As abordagens para quantificação das
fontes de incerteza estudadas foram bottom-up e top-down.
Vale ressaltar o fato de que ainda não há uma plena
padronização em nível internacional quanto à terminologia
de classificação das abordagens.
O comparativo cruzado dos métodos e abordagens
(conforme quadro 3) possibilitou evidenciar as
compatibilidades e aplicações entre os mesmos.
O trabalho também apresentou as vantagens e
desvantagens dos métodos e abordagens (conforme quadros
1 e 2), de forma que cada laboratório possa, assim, decidir
qual estratégia adotar com relação ao processo de cálculo de
incerteza de suas medições, levando em consideração suas
necessidades específicas.
REFERÊNCIAS
[1] INMETRO. Guia para a Expressão da Incerteza de Medição.
Terceira edição brasileira em língua portuguesa. Rio de
Janeiro: ABNT, INMETRO, 2003. 120 p.
[2] EUROPEAN CO-OPERATION FOR ACREDITATION
(EA). EA-4/16 – EA guidelines on the expression of
uncertainty in quantitative testing. 2003. 27 p.
[3] ABNT NBR ISO/IEC 17025. Requisitos gerais para
competência de laboratórios de calibração e ensaio. Edição
2, 2005.
[4] BARWICK, Vicki J; ELLISON, Stephen L. R. Using
validations data for ISO measurement uncertainty
estimation: Part 2 – Measurement uncertainty estimates
compared with collaborative trial expectation. Anal.
Commum, 35, p. 377-383, out/1998.
[5] COX, M. G. e HARRIS, P. M. GUM Supplements. CIE
Expert Symposium on Uncertainty Evaluation, Method for
analysis of uncertainties in optical radiation measurement,
Vienna, Austria, 2001.
[6] EUROPEAN CO-OPERATION FOR ACREDITATION
(EA). EA-4/02 – Expression of the Uncertainty of
Measurement in Calibration. 1999. 79 p.
[7] EURACHEM/CITAC. Quantifying Uncertainty in Analitical
Measurement. 2ª ed. 2000.
[8] BIPM. Guide to the expression of uncertainty in
measurement (GUM) - Supplement 1: Numerical methods
for the propagation of distributions - Temporary ISO Guide
9998. BIPM/JCGM-WG1-SC1-N10. 2006.
[9] JORNADA, Daniel; JORNADA, Felipe. Cálculo de
incerteza da medição: estudo comparativo entre os métodos
do GUM, de Monte Carlo e de Integração Numérica.
ENQUALAB-2007 - Encontro para a Qualidade de
Laboratórios. 2007, São Paulo.
[10] JORNADA, Daniel; PIZZOLATTO, Morgana. Uso de
planilhas eletrônicas para implementação do método de
Monte Carlo para estimativa da incerteza de medição.
ENQUALAB-2005 - Encontro para a Qualidade de
Laboratórios. 2005, São Paulo.
[11] BENNET, Debora. Aleatoriedade. São Paulo, 2000.
[12] AGOSTINI, Giulio D. Probability and Measurement
Uncertainty in Physics - a Bayesian Primer. Universita “La
Sapienza” and INFN, Roma, Italy. 1995. Disponível em:
<http://zow00.desy.de:8000/zeus papers/ZEUS
PAPERS/DES95-242.ps> Acessado em 20/10/2006.
[13] AL-HUJAJ; H.L. HARNEY. Objective Bayesian statistics.
MPI für Kernphysik, Postfach. Heidelberg, Germany, 2006
[14] BAZILIO, Fabio. S.; DAMASCENO, Jailton C.; ÁVILA,
Akie K.; COUTO, Paulo Roberto Guimarães; BORGES,
Renata M. Horta. Evaluation of measurement uncertainty in
analytical inorganic assays: a study of case. IMEKO
WORLD CONGRESS, 2006.
[15] COUTO, Paulo R. G., DAMASCENO, Jailton C.; BORGES,
Renata M. H. Uncertainty estimation of mechanical assays
by ISO GUM 95 and Monte Carlo Simulation – Case study:
tensile strength, torque and brinell Hardness measurements.
IMEKO WORLD CONGRESS, 2006.
[16] TOMAN, Blaza. Bayesian Approach to Assessing
Uncertainty and Calculating a Reference Value in Key
Comparison Experiments. Journal of Research of the
National Institute of Standards and Technology. Volume
110, número 6, novembro/dezembro de 2005.
[17] WINTNER, A. American Journal of Mathematics, 56 (1934)
pp. 8-16.
[18] RODRÍGUEZ, Ana. Incertidumbre de los resultados de los
ensayos.III Congreso Iberoamericano de Laboratorios.
Cartagena, Colombia. 2005.
[19] RAMSEY, M H; ELLISON, S L R. Eurachem/EUROLAB/
CITAC/Nordtest/AMC Guide: Measurement uncertainty
arising from sampling: a guide to methods and approaches.
Eurachem (2007). Disponível wm: <www.eurachem.org>
Acesso em: 10/10/2007.
[20] NORDEST. Handbook for Calculation of Measurement
Uncertainty in Environmental Laboratories. 2003.
Disponível em: <www.nordtest.org> Acessado em:
10/08/2006.
[21] SILVA, R. J. N. B.; SANTOS, J. R.; CAMÕES, M. F. G. F.
C. Nova terminologia para as abordagens usadas na
quantificação da incerteza de medições químicas. 1ª
Conferência Nacional da Sociedade Portuguesa de
Metrologia, 2006.
[22] SAHUQUILLO, Angels; RAURET, Gemma. Uncertainty
and traceability: the view of the analytical chemist.
International Workshop: Rome, March 2006.