Incerteza de Medicao

Estatı́stica para Metrologistas e
Cálculo de Incerteza
Instrutor:
Dorival Leão
Estatcamp Consultoria em Estatı́stica e Qualidade
Rua: Adolfo Catani, 682

Jardim Macarengo CEP: 13560-470 São Carlos/SP
Fone/Fax: (16) 3376-2047
E-mail: estatistica@estatcamp.com.br
Site: www.estatcamp.com.br
Dezembro / 2007
ii
Sumário
1 Noções Básicas de Estatı́stica 1

1.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Coleta de Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Exposição de Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.4 Distribuição de Freqüências . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.5 Histograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.6 Medidas de Posição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.7 Medidas de Dispersão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.8 Probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.9 Distribuição Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.10 Teorema do Limite Central . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.11 Distribuição amostral do desvio padrão . . . . . . . . . . . . . . . . . . . . . . . 23
1.12 A Distribuição t-Student . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.13 A estatı́stica F e a distribuição F de Snedecor . . . . . . . . . . . . . . . . . . . 27
1.14 Teste para Duas Variâncias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.15 Teste de Valor Extremo (Grubbs) . . . . . . . . . . . . . . . . . . . . . . . . . . 31
1.16 Teste de Dixon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
1.17 Teste de Cochran . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
1.18 Teste de Igualdade das Variâncias . . . . . . . . . . . . . . . . . . . . . . . . . . 35
1.18.1 Teste de Bartlett . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
1.18.2 Teste de Levene . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
1.19 Comparação entre Sistemas de Medição . . . . . . . . . . . . . . . . . . . . . . . 39
2 Fundamentos do Cálculo de Incerteza em Medição 41

2.1 Medição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.2 Erros, efeitos e correções . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
Sumário iii
2.3 Incerteza de Medição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

2.4 Avaliação da Incerteza Padrão . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.5 Determinação da Incerteza Padrão Combinada . . . . . . . . . . . . . . . . . . . 58
2.6 Determinação da Incerteza Expandida . . . . . . . . . . . . . . . . . . . . . . . 59
2.6.1 Comprovação Metrológica - Equipamento de Medição . . . . . . . . . . . 60
2.7 Determinação da Variância Agrupada . . . . . . . . . . . . . . . . . . . . . . . . 62
2.8 Regras de arredondamento de valores . . . . . . . . . . . . . . . . . . . . . . . . 63
2.9 Propagação da Incerteza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3 Estudos de Estabilidade 68
4 Método da ANOVA (Completo) 74

4.0.1 Método da ANOVA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
5 Cálculo de Incerteza de um Relógio Comparador 92

5.1 Incerteza Combinada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
5.2 Cálculo da Incerteza Padrão das grandezas de entrada . . . . . . . . . . . . . . . 94
5.2.1 Repetitividade (∆l ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
5.2.2 Incerteza Herdada do Padrão U (ls ) . . . . . . . . . . . . . . . . . . . . . 94
5.2.3 Resolução do Calibrador (Res(Cal)) . . . . . . . . . . . . . . . . . . . . . 95
5.2.4 Resolução do Relógio (Res(Rel)) . . . . . . . . . . . . . . . . . . . . . . . 95
5.2.5 Cálculo da Histerese . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
5.3 Cálculo de Incerteza do Relógio . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
5.3.1 Cálculo da Incerteza Combinada . . . . . . . . . . . . . . . . . . . . . . . 95
5.3.2 Graus de liberdade Efetivo . . . . . . . . . . . . . . . . . . . . . . . . . . 96
5.4 Incerteza Expandida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
6 Cálculo de Incerteza de um Manômetro 97

6.1 Incerteza Combinada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
6.2 Cálculo da Incerteza Padrão das grandezas de entrada . . . . . . . . . . . . . . . 99
6.2.1 Repetitividade (∆l ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
6.2.2 Incerteza Herdada do Manômetro Padrão - U(Upadrão) . . . . . . . . . 100
6.2.3 Resolução do Manômetro Pãdrão - U(Res(padra)) . . . . . . . . . . . . . 100
6.2.4 Resolução do Manômetro - U(Res(man)) . . . . . . . . . . . . . . . . . . 100
6.2.5 Cálculo da Histerese . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
Sumário iv
6.3 Cálculo da Incerteza do Manômetro . . . . . . . . . . . . . . . . . . . . . . . . . 101

6.3.1 Cálculo da Incerteza Combinada . . . . . . . . . . . . . . . . . . . . . . . 101
6.3.2 Graus de liberdade efetivo . . . . . . . . . . . . . . . . . . . . . . . . . . 102
6.3.3 Incerteza Expandida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
6.3.4 Expressão da Incerteza em Porcentagem . . . . . . . . . . . . . . . . . . 102
7 Cálculo de Incerteza de um Voltı́metro Digital 103
8 Cálculo de Incerteza no Ensaio de Tensão 105

8.1 Calibração . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
8.2 Aplicação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
9 Cálculo de Incerteza no Ensaio de Corrente 109

9.1 Calibração . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
9.2 Aplicação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
10 Cálculo de Incerteza no Ensaio de Impedância 113

10.1 Calibração . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
10.2 Aplicação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
A Parâmetros Caracterı́sticos de um Sistema de Medição 117
B Tabelas Estatı́sticas 123
Referências Bibliográficas 132

1
Capı́tulo 1
Noções Básicas de Estatı́stica
Nosso curso de incerteza de medição está dividido em duas partes. A primeira parte contem-
pla as técnicas estatı́sticas e os fundamentos do cálculo de incerteza, enquanto que a segunda
parte contempla as aplicações para calibrações especı́ficas. A seguir, vamos apresentar os con-
ceitos básicos de Estatı́stica necessários para expressarmos a incerteza em medições.
1.1 Introdução
Com a finalidade de estudar métodos estatı́sticos utilizados para expressarmos a incerteza
de medição, faremos inicialmente uma breve abordagem aos conceitos básicos de Estatı́stica.
Ao efetuarmos uma medição, diversas fontes de variação estão presentes. A temperatura,
umidade, resolução do instrumento entre outras, fazem com que o valor de um mensurado tenha
variação.
A variabilidade está presente em todo lugar. Ao estacionar um carro em sua garagem, a
posição do carro na garagem não é a mesma ao longo dos dias. A posição do carro apresenta
uma variação. As técnicas estatı́sticas são utilizadas para avaliarmos as variações. A aplicação
de técnicas estatı́stica envolve várias etapas:
• Coleta dos dados - Amostragem;
• Exposição dos dados;
• Modelos Estatı́sticos.
1. Noções Básicas de Estatı́stica 2
1.2 Coleta de Dados

Uma população é um agregado de elementos (finitos ou não) para o qual deseja-se obter
informações sobre algumas de suas caracterı́sticas. Duas populações são consideradas distintas
se uma delas contém um elemento que não está contido na outra população. Como exemplo de
população temos a produção diária de um empresa, conjunto de resultados de medição de uma
haste de aço realizada com um micrômetro, entre outras. A amostra é uma parcela de uma
população que pode conter informações sobre a população. Para estudarmos adequadamente
uma população através de uma amostra devemos planejar a coleta de dados.
Planejando a Coleta de Dados - Amostragem
• Qual a pergunta a ser respondida?
• Como comunicar a resposta obtida?
• Qual ferramenta de análise pretende-se usar e como vai comunicar os resultados?
• Que tipo de dados é necessário para utilizar as ferramentas desejadas e responder a

pergunta?
• Onde acessar estes dados?
• Como coletar esse dados com um mı́nimo de esforço e de erro?
• Quais informações adicionais serão necessárias para estudos futuros, referências ou recon-
hecimento?
1.3 Exposição de Dados

Antes da exposição dos dados coletados é necessário que se faça um trabalho de revisão
e correção nos dados coletados na tentativa de eliminar possı́veis enganos na elaboração do
relatório.
Medidas Quantitativas Contı́nuas
Quando os possı́veis valores incluem “todos” os números do intervalo de variação da car-
acterı́stica medida. Ao medirmos um bloco padrão com um micrômetro externo obtemos uma
medida quantitativa contı́nua .
Exemplo 1.1. Na calibração de um micrômetro externo, o avaliador tomou 10 pontos (ou

blocos padrão) com 10 leituras de cada ponto. Os desvios de cada leitura em relação ao valor
do ponto estão na tabela 1.1.
-0.012 0.003 0.015 0.012 -0.018 0.013 -0.015 0.002 -0.006 0.012
0.008 -0.001 0.000 0.003 -0.008 0.008 0.017 0.013 0.002 -0.002
-0.002 0.006 -0.021 -0.001 0.000 0.007 -0.009 0.018 0.000 0.010
-0.006 0.000 0.009 -0.011 0.000 -0.006 -0.001 0.012 0.004 -0.002
0.000 -0.012 0.001 0.006 0.000 -0.002 -0.004 0.012 0.003 0.020
0.024 -0.003 -0.011 -0.007 -0.009 0.018 -0.017 0.006 -0.004 0.019
0.016 0.012 -0.002 -0.007 -0.013 0.008 -0.013 0.001 0.017 0.012
0.006 0.008 0.004 0.002 0.006 0.000 -0.008 0.017 -0.002 0.019
-0.005 -0.008 0.013 -0.004 0.001 -0.005 0.000 -0.007 0.012 -0.003
0.004 0.002 -0.004 0.002 0.011 -0.012 -0.011 0.003 0.002 -0.006
Tabela 1.1: Desvios
Podemos fazer a apuração considerando intervalos de medidas como apresentado na tabela

1.2.
Intervalos No de Desvios
−0.021 ` −0.017 3
−0.017 ` −0.013 3
−0.013 ` −0.009 8
−0.009 ` −0.005 12
−0.005 ` −0.001 15
−0.001 ` 0.003 22
0.003 ` 0.007 9
0.007 ` 0.011 7
0.011 ` 0.015 11
0.015 ` 0.019 8
0.019 ` 0.024 2
Tabela 1.2: Freqüência absoluta
Ao se estabelecer intervalos, está-se admitindo que o desvio pode assumir qualquer valor
entre o limite inferior, inclusive, e o limite superior, exclusive. A exposição dos dados pode ser
feita através de tabela e/ou gráficos. Inúmeros gráficos auxiliam na apresentação e interpretação
dos fatos, mas destacaremos os mais usuais.
1.4 Distribuição de Freqüências

Com as tabelas e/ou gráficos em mãos, apresentando uma melhor visualização dos dados,
muitas vezes já temos condições de interpretar o fenômeno em estudo. Entretanto, em muitos
casos há necessidade de se efetuar operações numéricas para se chegar a conclusões mais sólidas.
Devido ao fato de dados quantitativos serem os mais freqüentemente encontrados no estudo de
Sistemas de medição, desenvolveremos os métodos de análise para estes tipos de dados.
Dados Contı́nuos:
Vejamos o exemplo 1.1, com APURAÇÃO na tabela 1.2. Note que neste exemplo a variável
de interesse é o ”Desvio”enquanto que “Número de Desvios” representa a freqüência de medidas
em cada intervalo (Tabela 1.2).
Definições:
Freqüência Absoluta (fi ): É o número de observações correspondentes a cada intervalo.

A freqüência absoluta é, geralmente, chamada apenas de freqüência. No exemplo anterior, a
freqüência é o número de desvios. Para um dado intervalo i, denotaremos a freqüência absoluta
correspondente por fi . Assim, por exemplo, a freqüência do quarto intervalo é f4 = 12.
Freqüência Relativa (f ri ): É o quociente entre a freqüência absoluta e o número total
fi
de observações, e será denotada por f ri . Isto é, f ri = n
onde n representa o número total de
12
observações. No nosso exemplo, f r4 = 100
= 0.12, onde n = 100.
Freqüência Percentual: (pi ): É conseguida multiplicando-se a freqüência relativa por 100
12
p4 = 100% = 12%
100
Freqüência Acumulada: É o total acumulado (soma) de todas as classes anteriores até
a classe atual. Pode ser Freqüência Acumulada Absoluta (Fi ), Freqüência Acumulada Relativa
(F ri ), ou Freqüência Acumulada Percentual (Pi ).
Ponto Médio (xi ): É obtido somando o limite inferior e o limite superior de cada intervalo
e dividindo o resultado por 2. Este ponto se constitui no valor representativo de cada intervalo.
No caso do primeiro intervalo, no exemplo dado, temos:
−0.021 + (−0.017)
x1 = = −0.019
2
Agora que temos estas quantidades definidas, vamos usar o exemplo que estamos acom-
panhando e mostrar todas elas através de uma tabela completa. Como Freqüência Acumulada
iremos apresentar somente a Freqüência Acumulada Percentual.
Algumas indicações na construção da distribuição de freqüências são:
Diâmetro Xi fi f ri pi (%) Pi (%)

−0.021 ` −0.017 −0.019 3 0.03 3 3
−0.017 ` −0.013 −0.015 3 0.03 3 6
−0.013 ` −0.009 −0.011 8 0.08 8 14
−0.009 ` −0.005 −0.007 12 0.12 12 26
−0.005 ` −0.001 −0.003 15 0.15 15 41
−0.001 ` 0.003 0.001 22 0.22 22 63
0.003 ` 0.007 0.005 9 0.09 9 72
0.007 ` 0.011 0.009 7 0.07 7 79
0.011 ` 0.015 0.013 11 0.11 11 90
0.015 ` 0.019 0.017 8 0.08 8 98
0.019 ` 0.024 0.021 2 0.02 2 100
Tabela 1.3: Distribuição de freqüências
1. Na medida do possı́vel, as classes deverão ter amplitudes iguais.
2. Escolher os limites dos intervalos entre duas possı́veis observações.
3. O número de intervalos não deve ultrapassar 20.
4. Escolher limites que facilitem o agrupamento.
5. Marcar os pontos médios dos intervalos.
6. Ao construir o histograma, cada retângulo deverá ter área proporcional à freqüência

relativa (ou à freqüência absoluta, o que dá no mesmo) correspondente.
7. Um critério para determinar os intervalos (classes) é:
Tamanho da Amostra (n) Número de Classes (c)

30 a 50 5a7
51 a 100 6 a 11
101 a 250 7 a 13
acima de 250 10 a 20
Tabela 1.4: Número de classes
Determinação do tamanho da classe ou intervalo (L):
amplitude R
L= o =
n de classes c
onde R= maior valor da amostra menos o menor valor da amostra.

1.5 Histograma
Uma representação gráfica da distribuição de freqüência, como as anteriores, é o Histograma.
É um gráfico onde a freqüência relativa do intervalo i (f ri ) é representada pela área de um
retângulo que é colocado acima do ponto médio da classe i. Consequentemente, a área total do
histograma (igual a soma das áreas de todos os retângulos) será igual a ”1”. No caso em que
os intervalos sejam de tamanhos (amplitudes) iguais, as alturas dos retângulos serão iguais às
freqüências relativas (ou iguais às freqüências absolutas) dos intervalos correspondentes. Para
a distribuição de freqüências da tabela 1.3, o histograma correspondente é o seguinte:
Figura 1.1: Histograma dos desvios
Ao analisarmos a distribuição de freqüência dos desvios, observamos que 15% das ob-
servações encontram-se entre −0, 005 a −0, 001 e que pelo menos 10% das observações estão
acima de 0, 015.
1.6 Medidas de Posição

Essas medidas visam representar ”onde”os valores estão localizados ou posicionados. As
mais usuais são média aritmética, mediana e moda.
Média Aritmética: A média aritmética, ou simplesmente Média, é calculada somando-se
os valores das observações e dividindo-se o resultado pelo número de valores. Notação:
• xi : cada valor individual.
• x̄ : média de uma amostra.
• µ : média da população.
• n : tamanho da amostra.
• N : tamanho do universo (população).

Dado uma população e uma amostra {x1 , . . . , xn } retirada desta população, a média amostral
é dada por :
x1 + x2 +, . . . , +xn
x=
n
Exemplo 1.2. No exemplo dos desvios das 100 leituras x= 0, 00161. Confira !!! O ideal é que
o desvio seja zero. Entretanto, há um pequeno deslocamento.
Exemplo 1.3. Foram realizadas 5 leituras de uma massa padrão com valor nominal 2, 45g
com um comparador. Os valores foram: 2, 45; 2, 46; 2, 45; 2, 44; 2, 45. A média amostral para
as medidas da massa é:
2, 45 + 2, 46 + 2, 45 + 2, 44 + 2, 45 12, 25
x= = = 2, 45 .
5 5
A média das 5 leitura é x= 2, 45.
Mediana: Para calcular a mediana devemos, em primeiro lugar, ordenar os dados do menor
para o maior valor. Se o número de observações for ı́mpar, a mediana será a observação central.
Se o número de observações for par, a mediana será a média aritmética das duas observações
centrais.
Notação : A mediana será denotada por x̃.
Exemplo 1.4. Nos dados referentes ao exemplo 1.3, obtemos a seguinte ordenação: 2, 44; 2, 45;
2, 45; 2, 45; 2, 46.
Como o número de observações é ı́mpar, a mediana é o valor central, isto é, x̃ = 2, 45.
Exemplo 1.5. Consideremos os seguintes dados correspondentes aos comprimentos de 8 rolos

de fio de aço: 65, 72, 70, 77, 60, 67, 69, 68.
Ordenando os valores, temos: 60, 65, 67, 68, 69, 70, 72, 77.
Como o número de observações é 8, portanto par, a mediana é dada pela média dos dois
valores centrais que são 68 e 69, isto é:
68 + 69
x= = 68, 5
2
Moda: A moda de um conjunto de valores é o valor que apresenta a maior freqüência.
Notação: A moda será denotada por Mo.
No exemplo 1.4, a moda é Mo = 2,45. Confira !
1.7 Medidas de Dispersão

Dispersão é sinônimo de variação ou variabilidade. Para medir a dispersão são usadas mais
freqüentemente duas medidas: a amplitude e o desvio padrão.
Amplitude:
A amplitude é definida como sendo a diferença entre o maior e o menor valor do conjunto
de dados. Denotaremos a amplitude por R.
Exemplo 1.6. Os comprimentos de 8 rolos de fio de aço foram: 60, 65, 67, 68, 69, 70, 72, 77
. A amplitude deste conjunto é :
R = 77 − 60 = 17
Para definirmos desvio padrão é necessário definir variância. A notação mais comumente
usada é :
Desvio Padrão:
• s2 : Variância amostral.
• σ 2 : Variância populacional.
• s : Desvio padrão amostral.
• σ : Desvio padrão populacional.
A variância de uma amostra {x1 , . . . , xn } de n elementos é definida como a soma dos quadra-
dos dos desvios de elementos em relação à sua média amostral x̄ dividido por (n − 1). Ou seja,
a variância amostral é dada por:
n
2
X (xi − x)2
s =
i=1
n−1
O desvio padrão de um conjunto de dados é igual à raiz quadrada positiva da variância.

Assim, o desvio padrão amostral é dado por:
v
u n
√ uX (xi − x)2
s= s2 = t
1=i
n−1
Exemplo 1.7. Suponha a amostra dos comprimentos de 8 rolos de fio de aço cujos valores
foram: 65, 72, 70, 77, 60, 67, 69, 68 metros. Para calcularmos o desvio padrão devemos
primeiramente calcular a média X, isto é:
65 + 72 + 70 + 77 + 60 + 67 + 69 + 68
x̄ = = 68, 5
8
Agora vamos subtrair x de cada valor, elevar os resultados ao quadrado e somá-los. Então
dividimos o total dos quadrados pelo número de valores menos 1, ou seja, por (n−1) e extraı́mos
a raiz quadrada:
(x − x) (x − x)2
65 - 68.5 = −3.5 (−3.5)2 = 12.25
72 - 68.5 = 3.5 (3.5)2 = 12.25
70 - 68.5 = 1.5 (1.5)2 = 2.2
2
77 - 68.5 = 8.5 (8.5) = 72.25
2
60 - 68.5 = −8.5 (−8.5) = 72.25
67 - 68.5 = −1.5 (−1.5)2 = 2.25
69 - 68.5 = 0.5 (0.5)2 = 0.25
68 - 68.5 = 0.5 (0.5)2 = 0.25
Total = 174.00
Tabela 1.5: Cálculo do Desvio Padrão
174 √
s2 = = 24 ⇒ s = 24 ⇒ s = 4.9
7
Portanto o desvio padrão é 4.9.
Exemplo 1.8. No exemplo 1.1, que trata os desvios das leituras do micrômetro referente ao
valor do padrão, o desvio padrão é igual a 0.00957. Confira !!!.
1.8 Probabilidade
Os dados são originados de uma amostra de medições realizadas com a aplicação do pro-
cedimento de medição, equipamentos e operadores. Estas medições apresentam variações que
podem ser analisadas através da distribuição de freqüências (visualmente, o histograma). Ob-
serve que a variação obtida pelos desvios das leituras do micrômetro em blocos padrão (exemplo
1.1) pode ser caracterizado pela freqüências relativas,por exemplo, 15% dos desvios estão entre
−0.005 e −0.001 mm).
Uma forma de modelarmos a variabilidade presente nos dados relativos a quaisquer amostras
é a probabilidade. Considere H uma haste de aço, um experimento é realizado para se obter
o comprimento da haste H. Este experimento é realizado n vezes de forma independente,
isto é, cada realização do experimento é independente das outras realizações do experimento.
Considere Ω o espaço formado por todos os possı́veis resultados da medição do comprimento

da haste, denominado espaço amostral. Para caracterizar a variabilidade dos resultados da
medição, podemos modelar a probabilidade do resultado da medição pertencer a subconjuntos
do espaço amostral Ω, denominados eventos. Por exemplo, considere o evento A como sendo a
classe de resultados da medição inferiores a C1 e o evento B como sendo a classe de resultados
da medição superiores a C2, onde C1 e C2 são constantes numéricas.
Ao denotarmos por X a variável referente ao resultado da medição, podemos tomar como
espaço amostral,
Ω = {−∞ < X < +∞}
A = {X < C1 }
B = {X > C2 }
Com os eventos A e B, podemos associar os eventos:
• A união com B = A ∪ B = {A ou B};
• A intersecção com B = A ∩ B = {A e B};
• Complementar de A, denotado por Ac = não A;
A probabilidade é uma função de associa valores (pesos) aos eventos de um experimento,

satisfazendo as seguintes propriedades:
a) Prob (Ω) = 1
b) Prob (A ∪ B) = P rob(A) + P rob(B) − P rob(A ∩ B)
Ao associarmos probabilidades (pesos) aos eventos de um experimento, satisfazendo as pro-

priedades acima, obtemos um modelo para a variabilidade, denominado modelo de probabili-
dade. A seguir, vamos estudar alguns modelos de probabilidade utilizados na prática.
1.9 Distribuição Normal

A variação natural de qualquer medida é realmente aleatória (incerta). Embora as dis-
tribuições possam assumir uma variedade de formas, muitas variáveis observadas possuem uma
distribuição de freqüências que é, aproximadamente, como a da distribuição Normal (simétrica
e em forma de sino).
Como discutimos anteriormente, a probabilidade é um modelo para calcularmos a chance

real de ocorrer um determinado evento, isto é, a chance de ocorrer uma medida em um de-
terminado intervalo. Por exemplo, a freqüência relativa deste intervalo, observada à partir de
uma amostra de medidas, é a aproximação da probabilidade. E a distribuição de freqüências é
a aproximação da distribuição de probabilidades.
Uma das formas mais tradicionais de modelar a distribuição de probabilidade dos dados cor-
responde a distribuição normal ou gaussiana. A denominação gaussiana é devido ao matemático
e astrônomo Gauss, que utilizou esta distribuição para modelar a variação do resultado de
medições do posicionamento de planetas.
Figura 1.2: Distribuição Normal
A forma da distribuição normal é simétrica em torno da média e com formato de sino. O

gráfico desta distribuição é apresentado na figura 1.2.
Densidade:

" 2 #


 −∞ < µ < ∞
1 −1 x−µ 
f (x) = √ exp 0 < σ < ∞
2πσ 2 2 σ 

 −∞ < x < ∞

A distribuição dos ”desvios”do Exemplo 1.1 tem uma forma parecida com a distribuição
normal. Volte e confira!!
Se concluirmos que o modelo da distribuição normal é adequado para caracterizar a vari-
abilidade, podemos calcular probabilidade do resultado da medição estar entre determinados
intervalos, calculando a área sob a curva naquele intervalo. Então, a probabilidade de um
evento A ocorrer é dado por
Z
P rob(A) = f (x) dx
A
Para achar a área sob a curva normal devemos conhecer dois valores numéricos (também
chamados de parâmetros), a média µ e o desvio padrão σ. O gráfico a seguir (figura 1.3) mostra
algumas áreas importantes:
Figura 1.3: Área sob a Curva Normal
Quando µ e σ são desconhecidos, como geralmente acontece, são substituı́dos por X e S,

respectivamente, a partir da amostra.
Nota: Áreas sob a curva normal são probabilidades que na prática são dadas em porcent-
agens
Para cada valor de µ e/ou σ , temos uma distribuição. Mas para se calcular áreas es-
pecı́ficas, se faz uso de uma distribuição particular: a ”distribuição normal padronizada”. Esta
distribuição tem média µ = 0 e desvio padrão σ = 1, e está tabelado (a tabela se encontra no
apêndice). Como a distribuição é simétrica em relação à média µ = 0, a área à direita de µ
é igual a área à esquerda de µ . Assim, a tabela fornece áreas acima de valores não-negativos
que vão desde 0.00 até 4.09. Veja o gráfico (figura 1.4) da curva normal padronizada a seguir:
Nota: A variável que tem distribuição normal padronizada é denotada por Z.
Exemplo 1.9. A área sob a curva normal para Z maior do que 4.00 é 0.00003. Ou seja, a
probabilidade de Z ser maior do que 4.00 é 0.003%. Veja o gráfico!
Exemplo 1.10. : A área sob a curva para Z maior do que 1.00 é 0.1587. Ou seja, a probabi-
lidade de Z ser maior do que 1 é 15.87%, veja figura 1.5.
Exemplo 1.11. A área sob a curva para Z maior do que 1.19 é 0.1170,ou seja, a probabilidade
de Z ser maior do que 1.19 é 11.70%.
Exemplo 1.12. A área sob a curva para Z menor do que 2.00 não é fornecida diretamente
pela tabela. Então devemos encontrar a área para Z maior do que 2.00. Em seguida fazemos
Figura 1.4: Distribuição Normal Padronizada
1 menos a área encontrada e temos a área desejada. A área sob a curva para Z maior do que
2.00 é 0.0228. A área desejada é 1 − 0.0228 = 0.9772. Ou seja, a probabilidade de Z ser menor
do que 2.00 é 97.72%.
Quando se tem uma variável X com distribuição normal com média µ diferente de 0 (zero)
e/ou desvio padrão diferente de 1 (um), devemos reduzi-la a uma Z, efetuando o seguinte
cálculo:
X −µ
Z=
σ
Exemplo 1.13. Considere uma variável X com distribuição normal com média µ = 4.888 e
Figura 1.5: Cálculo de probabilidades com a distribuição Normal
desvio padrão σ = 0.31949, se quisermos calcular a probabilidade de X ser inferior a 5.0 mm,
fazemos:
5.0 − 4.888
Z= = 0.35
0.31949
Usando a tabela da normal padronizada, temos que a área sob a curva e abaixo de 0.35 é
0.6368. Ou seja, a probabilidade de X ser inferior a 5.0 mm é 63.68%.

Exemplo 1.14. Suponha que a variação nas espessuras das arruelas possa ser modelado pela
distribuição normal com média 11.15 e desvio padrão 2.238. Qual a porcentagem de arruelas
que tem espessura entre 8.70 e 14.70?
Temos que encontrar dois pontos da distribuição normal padronizada. O primeiro ponto é:
8.70 − 11.15
Z1 = = −1.09
2.238
A área para valores maiores do que −1.09 é 0.8621 ou 86.21%. O segundo ponto é:
14.70 − 11.15
Z2 = = 1.58
2.238
A área para valores maiores do que 1.58 é 0.0571 ou 5.71%. O que procuramos é a área
entre Z1 e Z2, como mostram os gráficos a seguir:
Figura 1.8: Cálculo de percentis com a distribuição Normal
Portanto, fazemos:
0.8621 − 0.0571 = 0.8050
Ou seja, a porcentagem de arruelas com espessura entre 8.70 e 14.70(limites de tolerância

da especificação) é somente de 80.50%. Portanto,cerca de 19.50% das arruelas não atendem aos
limites de especificações. Anteriormente havı́amos calculado esta porcentagem diretamente do
histograma e o valor encontrado foi de 22%. A diferença entre os dois cálculos fica por conta
da suposição de normalidade que fizemos.
Exercı́cio 1.1. Com os dados do exemplo 1.1, relativos aos desvios, utilize a distribuição
normal para calcular a probabilidade de que o módulo dos desvios seja maior 0.02.
Desvio Padrão da Média

Figura 1.9: Cálculo de percentis com a distribuição Normal
Ao obtermos uma amostra de leituras de um equipamento, denotadas x1 , x2 , · · · , xn , a média

e o desvio padrão relativo a medidas são definidos por.
x1 + x2 + · · · , +xn
x=
n
v
u n
√ uX (xi − x)2
2
s= s =t .
i=1
n − 1
respectivamente. Por outro lado, o desvio padrão relativo a média das medidas é dado por
s
sx = √
n
Observe que quanto maior o número de leituras melhor é a aproximação da média amostral
em relação a média populacional. Da mesma forma, quanto maior o número de leitura menor
o desvio padrão da média.
Exercı́cio 1.2. Calcule a média e o desvio padrão da média para os seguintes dados:
VR Leituras Média DP Repetitividade

12,5 12,501 12,502 12,501
15 15,001 15,001 15
17,5 17,5 17,501 17,502
20 20,001 20 20
Onde,
s
Repetitividade = Desvio padrão da média = sx = √
n
Repetitividade Total do Sistema (Rptotal ):
• Maior Repetitividade;
Com isso,
Rptotal = M aiorRepetitividade =
• Desvio padrão agrupado:
Com isso, sP
j
i=1Rep2i
Rptotal = =
j
onde:
– j: representa o número de pontos (no exemplo, j=4);
– Repi : representa a Repetividade no ponto i (i=1,2,3,4);
Exercı́cio 1.3. Considere o sistema de medição para o furo de um pistão de automóvel. Esta
dimensão apresenta uma tolerância (Limite Superior de Especificação-Limite Inferior de Es-
pecificação) de 0,005mm. Em um estudo preliminar foram obtidas 30 leituras do furo de um

pistão. Os dados estão abaixo de forma ordenada.
18997,6 18999,0 18999,4 19000,0 19000,9 19001,6

18997,7 18999,0 18999,5 19000,1 19000,9 19001,8
18998,1 18999,1 18999,6 19000,4 19001,1 19001,8
18998,5 18999,1 18999,8 19000,6 19001,2 19002,1
18998,6 18999,2 18999,9 19000,7 19001,4 19002,9
a) Montar a tabela de distribuição de freqüências.
Diâmetro Xi fi f ri pi (%) Pi (%)

18997, 6 ` 18998, 6 18998, 1 4
18998, 6 ` 18999, 6 18999, 1 8
18999, 6 ` 19000, 6 19001, 1 6
19000, 6 ` 19001, 6 19002, 1 7
19001, 6 ` 19002, 9 19002, 25 5
Tabela 1.6: Distribuição de freqüências
b) Montar o histograma.
c) Calcular a média.
30
X
xi
i=1 570002
x= = =
30 30
d) Calcular o desvio-padrão.
30
X
(xi − x)2
i=1 52, 4344
s2 = = =
n−1 30 − 1
e) Dado que o verdadeiro diâmetro do furo de uma peça é 19001.Utilize a distribuição normal
para calcular a probabilidade do sitema de medição reprovar essa peça.
1.10 Teorema do Limite Central

O teorema central do limite é um resultado estatı́stico fundamental em aplicações práticas,
pois este teorema garante que mesmo que os dados não sejam distribuı́dos conforme uma dis-
tribuição normal, a média dos dados converge para a distribuição normal conforme o número
de dados aumenta. Para ilustrar, considere os dados da tabela 1.7 com histograma apresentado
na figura 1.10.
0,18039 0,06105 0,33264 1,0589 0,04611 2,07919 0,16426 0,13756 2,25764 0,69611 0,00666 1,43685
0,04858 0,05189 0,04937 4,0006 2,44309 1,19279 0,36034 0,14896 1,02117 0,22775 0,19664 0,67209
2,04899 0,00578 0,24781 0,43687 0,02991 0,52321 1,19931 0,97063 0,65404 1,2899 0,56337 0,28809
0,29371 0,07804 0,483 0,2983 3,75236 0,283 0,01252 0,07863 1,51493 0,58831 0,40478 0,12692
1,82698 0,9184 1,30431 0,68007 3,9539 1,00186 2,1392 0,65945 2,44657 2,26175 0,04064 0,90853
0,70571 2,32028 1,44356 1,04687 3,07768 0,91547 1,0711 0,78354 0,10735 1,8086 3,58991 0,28985
0,10034 1,09242 0,11591 0,93788 0,86555 0,11135 0,22064 2,54724 2,32252 0,21121 0,99732 0,73894
0,18068 0,03391 0,33554 2,82354 0,21896 0,61599 2,70122 0,59041 0,9296 0,37208 0,96049 0,97886
1,67637 0,3829 0,66678 1,27616 0,15644 1,49853 0,2438 0,69662 0,03946 1,68575 1,68336 1,97248
0,75177 0,14673 0,85142 0,60226 0,10131 0,00041 1,04934 0,71689 0,6841 0,40779 0,655 2,59891
1,86995 0,11694 1,0702 5,24055 0,91629 0,74449 1,54706 1,71929 0,57949 0,06082 4,50549 1,31121
1,20456 1,32523 0,15098 3,82457 2,21574 1,24752 3,01742 0,48124 0,50226 0,752 0,07319 0,7532
1,84546 1,00032 0,18113 1,95966 0,12043 0,02755 1,12134 0,15825 0,39719 0,73928 0,75933 0,98665
0,20692 1,04208 0,77392 0,53456 0,37931 0,55943 0,1528 0,32622 1,34607 0,1881 0,63464 0,01368
1,07056 1,56307 3,97567 0,12068 0,0591 0,09311 0,13433 1,13353 0,06729 0,73302 3,68017 0,36334
0,33364 0,10242 0,24987 0,436 0,63775 0,92961 0,1736 0,5642 0,07914 1,69506 3,81342 1,18567
0,835 1,0241 1,75904 0,655 1,5316 2,38105 1,31363 4,87441 1,87911 1,19198 4,01736 0,98998
0,97558 0,70493 0,02362 1,8392 0,23149 0,42528 0,70005 0,81429 0,14648 1,14152 1,63649 0,42354
0,49084 0,42526 0,21363 1,71473 0,1912 0,30273 0,50795 0,59502 0,0055 0,99069 0,05411 0,08015
1,88966 2,54082 0,05887 0,49302 1,94563 2,88959 0,76715 0,08922 1,50332 1,44135 0,25575 0,52356
1,21121 1,63265 2,49013 0,58964 0,73067 0,5809 0,20309 1,19891 0,41577 4,83329 0,83598 3,31921
0,3745 0,55206 0,96108 0,87766 0,52777 0,10678 0,89247 0,68666 0,40921 3,13698 0,15909 0,78276
1,19616 1,31787 0,1115 0,3589 0,61516 2,2579 0,5537 1,12084 1,18308 5,6274 0,38246 1,26049
0,30181 1,88888 0,9136 1,7155 0,49844 1,80252 0,78627 2,30031 0,37888 0,27255 0,13101 0,25451
3,21402 2,01428 1,5868 0,01396 0,31211 1,41659 0,20996 0,56251 0,64183 0,7217 0,01722 0,2567
0,0903 2,67363 0,38425 0,17188 4,38611 0,47624 1,7204 1,97416 0,15397 0,20741 1,23387 0,83222
2,61544 0,34815 3,7862 0,17602 0,49381 1,11899 0,33027 0,91986 1,10484 0,3501 0,6366 0,64013
0,49725 0,29042 2,32141 0,56294 1,10058 0,23771 0,16611 0,19464 0,53044 1,10223 2,63819 1,73767
0,35147 0,13475 2,31799 1,42038 0,28477 0,61507 0,70722 0,16977 2,07863 0,21453 2,31535 0,06885
0,97265 0,05683 0,08027 0,6846 0,29454 0,40381 0,38346 0,3467 0,08971 0,29033 0,71624 2,05792
0,77907 0,04533 1,21407 0,15632 1,54651 1,03375 0,20112 0,21492 1,23729 0,02209 1,92794 1,81139
0,25324 0,06947 0,14656 1,43476 0,58053 0,2361 1,30842 0,90432 0,38311 0,01359 0,2938 1,03444
0,57609 0,00047 0,15099 0,74214 0,88673 1,0456 3,40522 1,31729 0,19672 0,84027 0,38748 1,29327
Tabela 1.7: Dados Exponenciais

Figura 1.10: Dados Exponenciais
Notamos que o gráfico mostra que o conjunto de dados segue uma distribuição não simétrica,
mas se agruparmos os valores do conjunto de dados em grupos de 5 e tirando a média de cada
grupo, temos o seguinte gráfico (figura 1.11):
Percebemos que a média dos dados foi deslocada, fazendo com que os dados mudassem suas
caracterı́sticas de simetria. Novamente, vamos agrupar os dados em grupos de 5 e tirar a média.
O resultados estão na figura 1.12.
Como percebemos, este gráfico já possui uma distribuição similar a da distribuição normal.
Teorema do Limite Central: Para amostras grandes, a distribuição amostral da
média pode ser aproximada pela distribuição normal.
Se combinarmos esse resultado com
µx = µ e σx = √σ
n
para amostras aleatórias de populações infinitas, temos que se é a média de uma amostra
aleatória de tamanho n retirada de uma população infinita com média e desvio padrão X , para
n grande
Figura 1.11: Média de grupos de 5
X −µ
z= √
σ/ n
representa os valores de uma variável aleatória com distribuição normal com média zero e desvio
padrão igual a 1.
O Teorema Central do Limite é de fundamental importância em estatı́stica porque justifica
o intenso uso da curva normal. Ele se aplica à populações infinitas, e também em populações
finitas quando n, embora grande, constitui-se em uma pequena porção da população. É difı́cil
dizer precisamente quão grande deve ser n para que o Teorema Central do Limite possa ser
aplicado, mas a menos da distribuição populacional tenha uma forma muito ”estranha”n = 30
é considerado suficientemente grande.
Nota: Quando uma amostra proveniente de uma população realmente normal, a distribuição
amostral da média é normal não importando o tamanho de n.
Figura 1.12: Médias
1.11 Distribuição amostral do desvio padrão

Uma importante distribuição amostral associada a amostras aleatórias de variáveis normais
corresponde a distribuição qui-quadrado (χ2 ). Suponha que Z1 , ..., Zn são variáveis aleatórias
normalmente distribuı́das com média zero e variância 1. Então, a variável aleatória
Qn = Z12 + ... + Zn2
tem distribuição qui-quadrado com n graus de liberdade (χ2n ). A função densidade da qui-
quadrado é definida por:
1
f (x) = x(n/2)−1 exp(−x/2) ; x > 0.
2n/2 Γ(n/2)
A distribuição qui-quadrado é assimétrica e tem média E(Qn ) = n e variância V ar(Qn ) = 2n.

Como um exemplo de uma variável aleatória qui-quadrado, suponha que y1 , ..., yn são
variáveis aleatórias normais independentes e identicamente distribuı́das com média µ e desvio
padrão σ. Então, temos que a estatı́stica

Pn
i=1 (yi − y)2 (n − 1)s2
Qn = =
σ2 σ2
tem distribuição qui-quadrado com (n-1)graus de liberdade, onde s é o desvio padrão amostral.
Graus de liberdade
Ao denotarmos
n
X
SS = (yi − y)2 = (n − 1)s2
i=1
obtemos que
n
" # " n # n
X X X σ2
E(SS) = E (yi − y)2 = E yi2 − n(y)2 = (µ + σ 2 ) − n(µ + )2 = (n − 1)σ 2 .
i=1 i=1 i=1
n
A quantidade (n−1) multiplicando σ 2 é denominado graus de liberdade da soma de quadra-

dos SS. De forma geral, se tomarmos Y uma variável aleatória com variância σ 2 , a soma de
quadrado
n
X
SS = (yi − y)2 .
i=1
Tem graus de liberdade ν se

E(SS) = νσ 2 .
O número de graus de liberdade de uma soma de quadrados corresponde ao número de ele-

mentos independentes na soma de quadrados. Por exemplo, se y1 , ..., yn são variáveis aleatórias
normais independentes e identicamente distribuı́das com média µ e desvio padrão σ. Então, os
elementos da soma de quadrados y1 − y, ..., yn − y, não são todos independentes, pois
n
X
(yi − y).
i=1
Na realidade, somente (n − 1) destes elementos são independentes, implicando que SS tem

(n − 1) graus de liberdade.
1.12 A Distribuição t-Student

Em calibrações, não conhecemos o desvio padrão da medição e coletamos amostras de
tamanho pequeno (3 a 10), que não permite uma boa estimativa do desvio padrão. Considere
que as leituras realizadas por um equipamento são modeladas por variáveis X1 , ..., Xn indepen-
dentes e com distribuição normal com média e desvio padrão. Então, a variável
X −µ
t= √
s/ n
onde s é o desvio padrão amostral, tem distribuição t-student com n − 1 graus de liberdade.
Figura 1.13: Função densidade da distribuição t-Student

Para calcularmos os valores da distribuição t-Student precisamos conhecer o grau de liber-

dade ”ν”, associado ao número de repetições da medida. Os graus de liberdade para uma
amostra com n repetições da mesma medida é definido por
ν(graus de liberdade) = n − 1.
Exemplo 1.15. A média de uma série de dez medições de uma anel padrão é 40,0078 mm
com um desvio padrão de 0,0002 mm. Qual o intervalo do resultado da medição com confiança
de 95% ?
Solução
Graus de liberdade: 10 - 1 = 9
X −µ
P rob[−t2.5 ≤ √ ≤ t2.5 ] = 0, 95.
s/ n
O intervalo de 95% é dado por:
s
X ± t2,5 √
n
onde t2,5 é o valor tabelado igual a 2,262. Assim, o intervalo de confiança com 95% é :
0, 0002
40, 0078 ± 2, 262 √ = 0, 000143.
10
Exercı́cio 1.4. Continuando o exercı́cio 1.3, a mesma peça que foi medida no chão de fábrica
da empresa, foi enviada ao laboratório de Metrologia para determinar o valor de referência.
Após 100 medições da peça, o laboratório da RBC determinou o valor de referência para a
peça VR=19001 µm. Avaliar a consistência das medições da empresa com relação ao valor
de referência (estudo de tendência). Na seqüência vamos determinar o intervalo de confiança
para a média das medições da empresa.
s
LI = X − t2,5 √ =
n
s
LS = X + t2,5 √ =
n
Conclusão:
1.13 A estatı́stica F e a distribuição F de Snedecor

Considere Qn e Qm variáveis aleatórias com distribuição qui-quadrado com n e m graus de
liberdade respectivamente, além disso, vamos supor que estas variáveis aleatórias são indepen-
dentes. Então a variável aleatória
Qn /n
F =
Qm /m
tem distribuição F de Snedecor com n graus de liberdade no numerador e m graus de liberdade
no denominador. A função densidade de probabilidade é definida por
m + n m m2 m −1

Γ x2
2 n
f (x) = h i h i h i m+n .
m n m 2
Γ Γ x+1
2 2 n
Um importante exemplo da distribuição F de Snedecor corresponde a estatı́stica F . Suponha

que temos duas populações independentes tendo distribuições normais com variância comum
igual a σ 2 . Considere y11 , ..., y1n uma amostra aleatória da primeira população com n ob-
servações e y21 , ..., y2m uma amostra aleatória da segunda população com m observações. Então,
a estatı́stica
(n − 1)s21
(n − 1)σ 2
F =
(m − 1)s22
(m − 1)σ 2
tem distribuição F de Snedecor com (n − 1) graus de liberdade no numerador e (m − 1) graus
de liberdade no denominador, onde s1 e s2 são os desvios padrão amostrais.
1.14 Teste para Duas Variâncias

Suponha que queiramos comparar as variâncias σ12 e σ22 de duas populações normais inde-
pendentes. Para isso retiramos uma amostra aleatória X1 , X2 , ..., da população 1, e Y1 , Y2 , ...,
da população 2. Já vimos que
(n1 − 1)s21
Q1 = ∼ χ2(n1 −1)
σ12
(n2 − 1)s22
Q2 = ∼ χ2(n2 −1)
σ22
onde s21 é a variância amostral da população 1 e s22 a variância amostral da população 2.

Então a estatı́stica F definida por
Q1
n1 − 1 s2
F = = 12
Q2 s2
n2 − 1
tem distribuição ”F de Snedecor”com (n1 − 1) graus de liberdade no numerador e (n2 − 1) graus

de liberdade no denominador, e denotamos F(n1 −1)(n2 −1) .
Para executar um teste, podemos seguir os passos:
1) Estabelecer as hipóteses, por exemplo
H0 : σ12 = σ22
H1 : σ12 6= σ22
que é equivalente a 
σ2
 H0 : 12 = 1


σ2
σ12
 H1 : 2 6= 1.


σ2
2) Fixar o nı́vel de significância α.
3) Determinar a região crı́tica; neste caso devemos determinar os pontos crı́ticos F1− α2 e
F α2 com (n1 − 1) graus de liberdade no numerador e (n2 − 1) graus de liberdade no
denominador usando a tabela da distribuição ”F de Snedecor”. Graficamente:
4) Calcular, sob a hipótese nula, o valor
s21
Fobs =
s22
onde:
s21 : variância da amostra retirada da população 1.

s22 : variância da amostra retirada da população 2.
5) Conclusão, neste caso se Fobs < F1− α2 ou Fobs > F α2 , rejeita-se H0 , caso contrário, aceita-se
H0 .
6) Temos que
P-valor = 2 ∗ min{ P [F > Fobs |H0 ] ; P [F < Fobs |H0 ] }
Observação: Geralmente, não se tem interesse aqui em considerar hipóteses alternativas

do tipo H1 : σ12 > σ22 ou H1 : σ12 < σ22 .
Exemplo 1.16. Para avaliar a eficácia de um sistema de medição, uma empresa enviou uma
peça para um laboratório do cliente medir. Esta peça foi medida 30 vezes pelo laboratório
cliente, obtendo uma variância de 70 microns. A mesma peça foi medida também 30 vezes
pelo laboratório da empresa obtendo uma variância de 81 microns. Considerando α = 0, 05,
podemos concluir que a variância do sistema de medição do cliente é menor que a variância do
sistema de medição da empresa?
Resposta:
1)
H0 : σ12 = σ22
H1 : σ12 6= σ22
2) α = 0.05.
3) Região crı́tica
S12 81
4) Fobs = 2 = 70 = 1, 157
S2
5) Conclusão: F0.975 = 0, 476 e F0.025 = 2, 1
Como F0.025 ≤ Fobs ≤ F0.975 , não rejeitamos H0 .

6) Temos que
P-valor= 2 ∗ min{P [F > 1, 157|H0 ] ; P [F < 1, 157|H0 ]} = 2 ∗ min{0, 35; 0, 65} = 0, 7.
Assim, como o P − valor = 0, 7 > 0, 05, não rejeitamos a hipótese H0 .
1.15 Teste de Valor Extremo (Grubbs)

Este teste é desenvolvido para verificar a presença de valores extremos em observações
amostrais. Valores extremos podem ser considerados como manifestações da variabilidade
aleatória inerente aos dados, ou apenas um erro no cálculo durante o recolhimento dos da-
dos e até mesmo uma anotação preciptada pelo operador.
Existem inúmeros critérios para testar valores extremos. Em todos eles, desenvolvemos o
cálculo numérico amostral (Estatı́stica) e comparamos com um valor crı́tico baseado na teoria
de amostras aleatórias para decidirmos se existe ou não uma observação considerada valor
extremo.
No teste de Grubbs, usamos a seguinte estatı́stica:
|xi − x̄|
Z =
s
onde
• xi : é uma observação da amostra x1 , x2 , · · · , xn ;
• x̄: é a média amostral e ;
• s: é o desvio padrão amostral.
Esta estatı́stica testa as seguintes hipóteses:


 H : xi é uma observação considerada valor extremo
0
 H : x não é uma observação considerada valor extremo.
1 i
Rejeitamos a hipótese H0 , com nı́vel de significância α, se Z > Zc . Onde Zc é um valor

crı́tico baseado na distribuição de Z e encontra-se tabelado (Ver F. E. Grubbs (1969) ) para
alguns valores de α. Na Tabela B.3, encontra-se alguns valores crı́ticos para 5%.
1.16 Teste de Dixon

O teste de DIXON é um critério para rejeição de valores extremos de um conjunto de dados.
Objetivo: Determinar valores extremos em conjunto de dados.
Exemplo 1.17. Um metrologista realizou uma série de medidas com uma Régua graduada. As
medidas são: 20,1; 19,9; 20,2; 19,9; 21,1; 20,0.
Para sabermos se o resultado 21,1 pertence à mesma distribuição dos outros 5 , aplicamos
o Teste de Dixon.
Etapas do Teste de Dixon
a) Etapa 1 - Ordenar os dados;
19,9 19,9 20 20,1 20,2 21,1

Z1 Z2 Z3 Z4 Z5 Z6 ou ZH
b) Etapa 2 - Calcular a Estatı́stica;
Número de Repetições rD ZH (suspeito) Z1 (suspeito)

(ZH − ZH−1 ) (Z2 − Z1 )
3 ≤ H ≤ 7 Q10 (ZH − Z1 ) (ZH − Z1 )
(ZH − ZH−1 ) (Z2 − Z1 )
8 ≤ H ≤ 12 Q11 (ZH − Z2 ) (ZH−1 − Z1 )
(ZH − ZH−2 ) (Z3 − Z1 )
13 ≤ H Q22 (ZH − Z3 ) (ZH−2 − Z1 )
21, 1 − 20, 2
ZH (suspeito) = = 0, 75
21, 1 − 19, 9
19, 9 − 19, 9
Z1 (suspeito) = = 0
21, 1 − 19, 9
c) Etapa 3 - Encontrar o Valor Crı́tico na Tabela, para 5% de significância;
Valor Crı́tico = 0,628.
Como o valor calculado de ZH (suspeito) é maior do que o valor tabelado conclui-se pela
rejeição da medida 21,1mm.
Como o valor calculado de Z1 (suspeito) é menor do que o valor tabelado conclui-se pela
não rejeição da medida 19,9mm. Após a rejeição de um dos extremos devemos aplicar
mais uma vez o Teste de Dixon nos novos valores extremos.
Exercı́cio 1.5. Considere um sistema de medição do diâmetro por uma coluna pneumática.
O equipamento realizou 8 medições, conforme abaixo: 12,5013; 12,5012; 12,5016; 12,5015;
12,5018; 12,5030; 12,5022; 12,5022.
a) Etapa 1 - Ordenar os dados;
b) Etapa 2 - Calcular a Estatı́stica;
c) Etapa 3 - Comparar com a tabela e concluir.
Valor de RD Valores crı́ticos
Q10 H 5%
3 0.970
4 0.829
5 0.710
6 0.628
7 0.569
Q11 8 0.608
9 0.504
10 0.530
11 0.502
12 0.479
Q22 13 0.611
14 0.586
15 0.565
16 0.546
17 0.529
18 0.514
19 0.501
20 0.489
21 0.488
22 0.468
23 0.459
24 0.451
25 0.444
26 0.436
27 0.429
28 0.423
29 0.417
Valor de RD Valores crı́ticos
Q22 30 0.412
31 0.407
32 0.402
33 0.397
1.17 Teste de Cochran

(HOMOGENEIDADE DE VARIÂNCIA)
O teste de Cochran é usado para comparar a maior variância com as outras variâncias
de um grupo. Pode ser utilizado para comparar metrologistas, métodos ou laboratórios.
Para aplicar o Teste de Cochran vamos seguir as seguintes etapas a seguir:
a) Etapa 1 - Calcular a Estatı́stica;
s2 maior variância
C = Ppmax 2 =
i=1 si soma de todas as variâncias
onde:
• p: representa o número de metrologistas, métodos ou laboratórios;
• s2i : representa a variância amostral. Esta é calculada por:

Pn
j=1 (yj− ȳ)2
s2i = ;
n − 1
• n: representa o número de medidas feitas por cada metrologista, métodos ou labo-

ratórios.
b) Etapa 2 - Comparar com valor tabelado.
Exemplo 1.18. Em um laboratório de metrologia, 4 metrologistas realizam 5 medições para

calibrarem um certo equipamento. veja as medições na tabela 1.9.
METROLOGISTAS
JOÃO NOVATO MOACIR ROBERTO
MEDIDA 1 50,0071 50,007 50,0072 50,0073
MEDIDA 2 50,0072 50,0076 50,0074 50,0074
MEDIDA 3 50,0072 50,0075 50,0073 50,0073
MEDIDA 4 500.071 50,0071 50,0072 50,0072
MEDIDA 5 500.072 50,0078 50,0072 50,0072
MÉDIA 50,00716 50,0074 50,00726 50,00728
DESVIO PADRÃO 0,000055 0,00034 0,000089 0,000084
VARIÂNCIA 0,000000003 0,000000115 0,000000008 0,000000007
Tabela 1.8: Tabela resumo das medições dos metrologistas
2
Observamos que Smax = 0, 000000115, com isso:
0, 000000115
Ccalculado = = 0, 985
0, 000000003 + 0, 000000115 + 0, 000000008 + 0, 000000007
Ctabelado (Tabela C, para 5% de significância) = 0,629. Portanto, como Ccalculado > Ctabelado ,
a variância do metrologista NOVATO não é homogênea em relação a dos demais metrologistas.
Exercı́cio 1.6. Considere um laboratório de metrologia com 4 metrologistas realizando o mesmo

tipo de calibração. Ao realizarmos uma comparação interlaboratorial, obtemos os seguintes
resultados:
METROLOGISTAS
M1 M2 M3 M4
MEDIDA 1 12,501 12,502 12,502 12,501
MEDIDA 2 12,501 12,501 12,502 12,501
MEDIDA 3 12,502 12,501 12,502 12,501
MEDIDA 4 12,503 12,502 12,501 12,501
MEDIDA 5 12,502 12,501 12,501 12,502
MEDIDA 6 12,502 12,501 12,503 12,501
MÉDIA
DESVIO PADRÃO
VARIÂNCIA
Avaliar a homogeneidade dos quatro metrologistas!
Tabela C para um nı́vel de significância de 5%.
p n=4 n=5 n=6

2 0,939 0,906 0,877
3 0,798 0,746 0,707
4 0,684 0,629 0,59
5 0,598 0,544 0,506
6 0,532 0,48 0,445
7 0,48 0,431 0,397
8 0,428 0,391 0,36
9 0,403 0,358 0,328
10 0,373 0,321 0,302
1.18 Teste de Igualdade das Variâncias

Apesar de utilizarmos o gráfico de resı́duos para avaliar a igualdade de variância, diversos
testes estatı́sticos podem ser encontrados na literatura. Considere as hipóteses
H0 : σ12 = σ22 = ... = σk2
H1 : pelo menos um dos σ 2 ’s diferente.
Os métodos mais utilizados são o teste de Bartlett e o teste de Levene.

1.18.1 Teste de Bartlett
Este procedimento consiste em calcular uma estatı́stica cuja distribuição amostral é aprox-
imada por uma qui-quadrado com k − 1 graus de liberdade.
A estatı́stica de teste é
q
B0 =
c
onde
k
X
ln s2p (ni − 1) ∗ ln s2i

q = (N − k) ∗ −
i=1
k
!
1 X 1 1
c = 1+ −
3 ∗ (k − 1) i=1
ni − 1 N − k
k ni
X
(yij − y i. )2
X
(ni − 1)s2i
i=1 j=1
s2p = ; s2i =
N −k ni − 1
A quantidade q é grande quando as variâncias amostrais s2i são significativamente diferentes
e é igual a 0 quando estas variâncias são iguais. Portanto, rejeitamos H0 para valores de B0
forem alto, isto é, rejeitamos H0 se
B0 > Q[1−α;k−1] .
Onde Q[1−α;k−1] representa o percentil com (1 − α) ∗ 100% da distribuição qui-quadrado com

k − 1 graus de liberdade. O P-valor é calculado por
P − valor = P [ χ2(k−1) > B0 | H0 ].
Exemplo 1.19. Vamos aplicar aos dados do Exemplo1.18 o método de Bartlett para testar a
igualdade de variância. As variâncias amostrais são
s2JOAO = 0, 0000000030; s2N OV AT O = 0, 0000001156;
s2M OACIR = 0, 0000000079; s2ROBERT O = 0, 0000000071.

Então, temos que
4 ∗ (0, 0000000030) + 4 ∗ (0, 0000001156) + 4 ∗ (0, 0000000079) + 4 ∗ (0, 0000000071)

s2p =
20 − 4
= 0, 000033.
Logo
q = [16 ∗ ln(0, 000000033)] − 4 ∗ [ln(0, 0000000030) + ln(0, 0000001156)]
− 4 ∗ [ln(0, 0000000079) + ln(0, 0000000071)]
= −275, 6281 − −292, 0694
= 16, 44.
Temos também que

1 1
c = 1+ 1−
3∗3 16
= 1, 1
Então, a estatı́stica do teste
B0 = 16, 44/1, 1 = 14, 94545.
Como Q[0,95;3] = 7, 81, nós rejeitamos a hipótese de que todas as variância são iguais. Abaixo
calculamos o p-valor para o teste de Bartlett.
P − valor = P [ χ2(k−1) > B0 | H0 ] = P [ χ2(3) > 14, 94545 | H0 ] = 0, 00186386.
Como o p-valor está abaixo de 5% rejeitamos a hipótese H0 .
1.18.2 Teste de Levene
Este procedimento consiste em fazer uma transformação aos dados originais e aplicar os
dados transformados ao teste da ANOVA. Levene (1960) proprõe a seguinte transformação:
zij = |xij − xi. | , i = 1, · · · , k, e j = 1, · · · , ni . (1.1)

onde
• zij : representa os dados após transformação;
• xij : representa os dados originais;
• xi. : representa a média do nı́vel i, para os dados originais;
• As duas barras verticais representa o módulo ou valor absoluto da diferença.
Uma transformação (robusta) alternativa considerada para o procedimento de Levene, pro-

posto por Brown (1974), é substituir a média do nı́vel pela mediana. Com isso, a expressão 1.1
é substituı́da por
zij = |xij − x̃i. | , i = 1, · · · , k, e j = 1, · · · , ni (1.2)
onde
• zij : representa os dados após transformação;
• xij : representa os dados originais;
• x̃i. : representa a mediana do nı́vel i, para os dados originais;
• As duas barras verticais representa o módulo ou valor absoluto da diferença.
Após a transformação dos dados originais pela expressão 1.2, aplicamos o teste da ANOVA.
Se a estatı́stica F for significativa rejeitamos a hipótese de igualdade das variâncias, ou seja, se
o p-valor for inferior ao valor de α (nı́vel de significância do teste) rejeitamos H0 .
Exemplo 1.20. Utilizando os dados do Exemplo1.18 iremos aplicar o teste de Levene para
testar a igualdade de variância. Os dados estão apresentados na tabela 1.9.
Usando a expressão 1.2, para os dados da medição metrologista JOÃO (i = 1), obtemos os
dados transformado que são dados por:
z11 = |50, 0071−50, 0072| = 0, 0001 ; z12 = |50, 0072−50, 0072| = 0 ; z13 = |50, 0072−50, 0072| = 0;
z14 = |50, 0071 − 50, 0072| = 0, 0001 ; z15 = |50, 0072 − 50, 0072| = 0.
Fazendo o mesmo para os demais nı́veis, obtemos a tabela 1.10 com os dados transformados
para todos os nı́veis.
JOÃO NOVATO MOACIR ROBERTO

MEDIDA 1 50,0071 50,007 50,0072 50,0073
MEDIDA 2 50,0072 50,0076 50,0074 50,0074
MEDIDA 3 50,0072 50,0075 50,0073 50,0073
MEDIDA 4 50,0071 50,0071 50,0072 50,0072
MEDIDA 5 50,0072 50,0078 50,0072 50,0072
SOMA (xi. ) 250,036 250,037 250,036 250,036 x.. = 1000, 146
MÉDIA (x̄i. ) 50,0072 50,0074 50,0073 50,0073 x̄.. = 50, 0073
MEDIANA (x˜i. ) 50,0072 50,0075 50,0072 50,0073
Tabela 1.9: Tabela resumo das medições dos metrologistas
Operador Medições
JOÃO 0,0001 0,0000 0,0000 0,0001 0,0000
NOVATO 0,0005 0,0001 0,0000 0,0004 0,0003
MOACIR 0,0000 0,0002 0,0001 0,0000 0,0000
ROBERTO 0,0000 0,0001 0,0000 0,0001 0,0001
Tabela 1.10: Dados Transformados para as Medições
Com os dados transformados, aplicamos o teste da Anova. A tabela 1.11 apresenta o resul-
tado do teste.
Fonte de Soma de Graus de Quadrados Estatı́stica F P-valor

Variação Quadrados Liberdade Médios
Fator 1,615e-07 3 5,3833e-08 3,778 0,0318
Erro 2,280e-07 16 1,4250e-08
Total 3,895e-07 19
Tabela 1.11: Análise de Variância para os dados transformados.
Como o p-valor é menor que 5%, temos evidências para rejeitar a hipótese de igualdade de
variâncias.
1.19 Comparação entre Sistemas de Medição

Aqui, vamos apresentar uma técnica para comparar dois sistemas de medição. Para ilustrar,
vamos considerar um exemplo.
Exemplo 1.21. O diâmetro de um anel padrão pode ser medido por dois tipos de sistemas de
medição. Para comparar estes sistemas de medição, um anel padrão foi medido 5 vezes por
cada sistema de medição utilizando o mesmo operador. Os resultados estão abaixo:
SM 1 SM 2
Média 15,601mm 15,603mm
Incerteza Expandida 0,001mm 0,0015mm
Etapa 1: Calcular a Estatı́stica:
|M SM 1 − M SM 2|
EN = √
U SM 12 + U SM 22
onde:
• MSM1: representa a média do sistema de medição 1;
• MSM2: representa a média do sistema de medição 2;
• USM1: representa a incerteza expandida do sistema de medição1;
• USM2: representa a incerteza expandida do sistema de medição2.
Com isso, temos que
|15, 601 − 15, 603| 0, 002

EN = p = = 1, 109
2
(0, 001) + (0, 0015) 2 0, 0018
Etapa 2:
• Se EN < 1, os dois sistemas de medição são compatı́veis;
• Se EN > 1, os dois sistemas de medição não são compatı́veis, isto é, os sistemas de
medição apresentam diferenças significativas.
Como, no exemplo, EN = 1, 109 é maior que 1, concluı́mos que existe uma diferença
significativa entre os dois sistemas medição.
Exercı́cio 1.7. Considere dois sistemas de medição de dureza na escala HB. Um mesmo padrão
foi medido várias vezes por cada sistema, os resultados estão abaixo:
SM 1 SM 2
Média 56 HB 58,2 HB
Incerteza Expandida 1,25 HB 2,2 HB
|56 − 58, 2|
EN = p = 0, 8695
(1, 25)2 + (2, 2)2
Como o EN = 0, 8695 é menor que 1, concluı́mos que não existe uma diferença significativa
entre os dois sistemas medição.
41
Capı́tulo 2
Fundamentos do Cálculo de Incerteza

em Medição
2.1 Medição
O objetivo de uma medição é determinar o valor de uma grandeza, isto é, um valor particular
de uma quantidade da grandeza. Esta medição começa com uma apropriada especificação da
grandeza, do método e procedimento de medição.
Em geral, o resultado de uma medição é uma aproximação ou estimativa do valor da
grandeza. Assim, o resultado da medição somente está completo se estiver acompanhado da
incerteza da estimativa.
Na prática, a especificação ou definição da grandeza é conseqüência da exatidão (accuracy)
desejada. Para atender a exatidão requerida, a grandeza deve ser especificada de tal forma que,
esta tenha um único valor para os propósitos práticos associados.
Exemplo 2.1. Considere uma haste de 75 mm onde a exatidão requerida é de micrômetros.

Neste caso, sua especificação deve incluir a temperatura e pressão. Por outro lado, se o compri-
mento da haste deve ser determinado em milı́metros, sua especificação não requer a definição
da temperatura e pressão.
Na grande maioria dos casos, o resultado da medição é determinado através de uma série
de leituras obtidas sob condições de repetitividade. Variações obtidas nas leituras repetidas são
conseqüência de fatores que afetam os resultados das leituras.
Além disso, o modelo matemático da medição, que transforma as leituras repetidas no
resultado da medição é crı́tico, pois incluı́ fatores que não são totalmente conhecidos. Assim, a
2. Fundamentos do Cálculo de Incerteza em Medição 42
variação obtida nas leituras repetidas e a falta de informação do modelo matemático, contribuem
para a incerteza do resultado da medição.
Medição é o conjunto de operações com objetivo de determinar o valor de uma grandeza.
Estas operações podem ser realizadas automaticamente.
Medir é um processo experimental pelo qual o valor momentâneo de uma grandeza fı́sica
(grandeza a medir) é determinado como múltiplo e/ou uma fração de uma unidade, estabelecida
por um padrão, e reconhecida internacionalmente.
2.2 Erros, efeitos e correções

Em geral, uma medição tem imperfeições que dão origem a um erro no resultado da medição.
Tradicionalmente, um erro é visto como tendo dois componentes, a saber, um componente
aleatório e um componente sistemático.
NOTA - Erro é um conceito idealizado e os erros não podem ser conhecidos exatamente.
O erro aleatório presumivelmente se origina de variações temporais ou espaciais, estocásticas

ou imprevisı́veis, de grandeza de influência. Os efeitos de tais variações, daqui para a frente
denominamos efeitos aleatórios, são a causa de variações em observações repetidas da grandeza.
Embora não seja possı́vel compensar o erro aleatório de um resultado de medição, ele pode geral-
mente ser reduzido aumentando-se o número de observações; sua esperança ou valor esperado
é zero.
NOTAS
1. O desvio padrão experimental da média aritmética ou média de uma série de observações

não é o erro aleatório da média embora ele assim seja designado em algumas publicações.
Ele é, em vez disso, uma medida de incerteza da média devida a efeitos aleatórios. O
valor exato do erro na média, que se origina destes efeitos, não pode ser conhecido.
2. Deve-se tomar muito cuidado em distinguir entre os termos ”erros”e ”incerteza”. Eles
não são sinônimos, ao contrário representam conceitos completamente diferentes; eles
não deveriam ser confundidos um com o outro, nem ser mal empregados.
O erro sistemático, como o erro aleatório, não pode ser eliminado porém ele também,
freqüentemente, pode ser reduzido. Se um erro sistemático se origina de um efeito recon-

hecido de uma grandeza de influência em um resultado de medição, daqui para diante denom-
inado como efeito sistemático, o efeito pode ser quantificado e, se for significativo com relação
à exatidão requerida da medição, uma correção ou fator de correção pode ser aplicado para
compensar o efeito. Supõe-se que, após esta correção, a esperança ou valor esperado do erro
provocado ou um efeito sistemático seja zero.
NOTA - A incerteza de uma correção aplicada a um resultado de medição, para compensar

um efeito sistemático, não é o erro sistemático, freqüentemente denominado efeito de tendência,
como é algumas vezes denominada no resultado de medição devido ao efeito. É, ao contrário,
uma medida de incerteza do resultado devido ao conhecimento incompleto do valor requerido
da correção. O erro originado da compensação imperfeita de um efeito sistemático não pode
ser exatamente conhecido, Os termos ”erro”e ”incerteza”devem ser usados apropriadamente e
deve-se tomar cuidado em distinguir um do outro.
Supõe-se que o resultado de uma medição tenha sido corrigido para todos os efeitos sis-
temáticos reconhecidos como significativos e que todo esforço tenha sido feito para identificar
tais efeitos.
Exemplo 2.2. Uma correção devida à impedância finita de um voltı́metro usado para medir
uma diferença de potencial (a grandeza), através de um resistor de alta impedância é aplicada
para reduzir o efeito sistemático sobre no resultado da medição proveniente do efeito de car-
regamento do voltı́metro. Entretanto, os valores da impedância do voltı́metro e do resistor, que
são usados para estimar o valor da correção e são obtidos a partir de outras medidas, são,
eles mesmos, incertos. Essas incertezas são usadas para avaliar a componente de incerteza da
determinação de diferença de potencial originada da correção e, assim, do efeito sistemático
devido à impedância finita do voltı́metro.
NOTA - Freqüentemente, os instrumentos e sistemas de medição são ajustados ou cali-

brados, utilizando-se padrões de medição e materiais de referência para eliminar os efeitos
sistemáticos; entretanto, as incertezas associadas a esses padrões e materiais ainda devem ser
levadas em conta.
2.3 Incerteza de Medição

A incerteza do resultado de uma medição reflete a falta de conhecimento exato do valor da
grandeza. O resultado de uma medição, após correção dos efeitos sistemáticos reconhecidos, é
ainda, tão somente uma estimativa do valor da grandeza por causa da incerteza proveniente
dos efeitos aleatórios e da correção imperfeita do resultado para efeitos sistemáticos.
NOTA - O resultado de uma medição (após correção) pode, sem que se perceba, estar muito
próximo do valor da grandeza (e, assim, ter um erro desprezı́vel), muito embora possa ter uma
incerteza grande. Portanto, a incerteza do resultado de uma medição não deve ser confundida
com o erro desconhecido remanescente.
Na prática, existem muitas fontes possı́veis d incerteza em uma medição, incluindo:

a) definição incompleta da grandeza;
b) realização imperfeita da definição da grandeza;
c) amostragem não-representativa - a amostra medida pode não representar a grandeza
definida;
d) conhecimento inadequado dos efeitos das condições ambientais sobre a medição ou medição
imperfeita das condições ambientais;
e) erro de tendência pessoal na leitura de instrumentos analógicos;
f) resolução finita do instrumento ou limiar de mobilidade;
g) valore inexatos dos padrões de medição e materiais de referência;
h) valore inexatos de constantes e de outros parâmetros obtidos de fontes eternas e usados
no algoritmo de redução de dados;
i) aproximações e suposições incorporadas ao método e procedimento de medição;
j) variações nas observações repetidas da grandeza sob condições aparentemente idênticas.
Essas fontes não são necessariamente independentes e algumas das fontes de a) a i) podem
contribuir para a fonte j). Naturalmente, um efeito sistemático não reconhecido não pode ser
levado em consideração na avaliação da incerteza do resultado de uma medição, porém contribui
para seu erro.
NOTA - Em algumas publicações, os componentes da incerteza são categorizados como

”aleatório”e ”sistemático”e são associados com erros provenientes de efeitos aleatórios e de
efeitos sistemáticos conhecidos, respectivamente. Tal categorização de componentes de in-
certeza pode se tornar ambı́gua quando aplicada genericamente. Por exemplo, um componente
”aleatório”de incerteza em uma medição pode se tornar um componente ”sistemático”da in-
certeza em outra medição na qual o resultado da primeira medição é usado como dado de
entrada. Categorizando os métodos de avaliação dos componentes de incerteza, em vez de fazê-
lo com os próprios componentes, evita-se tal ambigüidade. Ao mesmo tempo, isto não impede
designar componentes individuais que tenham sido avaliados pelos dois diferentes métodos em
grupos distintos, a serem usados para uma finalidade em particular.
O propósito da classificação Tipo A e Tipo B é de indicar as duas maneiras diferentes de

avaliar os componentes da incerteza e serve apenas para discussão; a classificação não se propõe
a indicar que haja qualquer diferença na natureza dos componentes resultando dos dois tipos
de avaliação. Ambos os tipos d avaliação são baseados em distribuições de probabilidade e os
componentes de incerteza resultantes de cada tipo são quantificados por variâncias ou desvios
padrão.
A variância estimada u2 , caracterizando um componente de incerteza obtido de uma avaliação
do Tipo A, é calculada a partir de uma série de observações repetidas, e é a conhecida variância
s2 estatisticamente estimada. O desvio padrão estimado u, a raiz quadrada positiva de u2 , é
portanto u = s e, para maior conveniência, é por vezes denominada incerteza padrão do Tipo
A. Para um componente de incerteza obtido por uma avaliação do Tipo B, a variância estimada
u2 é avaliada, usando-se o conhecimento disponı́vel, e o desvio padrão estimado u é, por vezes,
denominado incerteza padrão do Tipo B.
Assim, uma incerteza padrão do Tipo A é obtida a partir de uma função densidade de
probabilidade derivada da observação de uma distribuição de freqüência, enquanto que a in-
certeza padrão do Tipo B é obtida de uma suposta função densidade de probabilidade, baseada
no grau de credibilidade de que um evento vá ocorrer (freqüentemente chamada probabilidade
subjetiva). Ambos os enfoques empregam interpretações reconhecidas de probabilidade.
NOTA - Uma avaliação do Tipo B de um componente de incerteza é usualmente baseada

em um conjunto de informações comparativamente confiáveis.
A incerteza padrão do resultado de uma medição, quando este resultado é obtido de valores
e um número de outras grandezas, é denominada incerteza padrão combinada e designada ou
uc . Ela é o desvio padrão estimado, associado com o resultado, e é igual à raiz quadrada positiva
da variância combinada, obtida a partir de todos os componentes da variância e covariância,
independente de como tenham sido avaliados, usando o que é denominado, de lei da propagação
de incerteza.
Para satisfazer as necessidades de algumas aplicações industriais e comerciais, assim como a
requisitos nas áreas da saúde e segurança, uma incerteza expandida U é obtida, multiplicando-
se a incerteza padrão combinada uc por um fator de abrangência k. A finalidade pretendida
para U é fornecer um intervalo em torno do resultado de uma medição, com o qual se espera
abranger uma grande fração da distribuição de valores que poderiam razoavelmente ser atribuı́da
a grandeza. A escolha de k, o qual está geralmente na faixa de 2 a 3, é baseada na probabilidade
de abrangência ou nı́vel da confiança requerido do intervalo.
NOTA - O fator de abrangência k deve sempre ser declarado de forma que a incerteza padrão
da grandeza medida possa ser recuperada para uso no cálculo de incerteza padrão combinada
de outros resultados de medição que possam depender dessa grandeza.
Se houver variação de todas as grandezas das quais o resultado de uma medição depende,
sua incerteza poderá ser calculada por meios estatı́sticos. Entretanto, uma vez que isso, na
prática, raramente é possı́vel, devido a tempo e recursos limitados, a incerteza de um resultado
de medição é, geralmente, avaliada, utilizando-se um modelo matemático da medição e a lei
de propagação da incerteza. Assim, está implı́cita a suposição de que uma medição pode ser
modelada matematicamente até o grau imposto pela exatidão requerida na medição. Uma
vez que o modelo matemático pode ser incompleto, todas as grandezas relevantes dever ser
variadas até a maior extensão prática possı́vel, de modo que a avaliação da incerteza possa ser
baseada, tanto quanto possı́vel, nos dados observados. Sempre que factı́vel, o uso de modelos
empı́ricos da medição, fundamentados em dados quantitativos, colecionados ao longo do tempo,
e o uso de padrões de verificação e gráficos de controle que possam indicar se uma medição
está sob controle estatı́stico, devem ser parte do esforço de obtenção de avaliações confiáveis
de incerteza. O modelo matemático deverá sempre ser revisado quando os dados observados,
incluindo o resultado de determinações independentes da mesma grandeza, demonstrarem que
o modelo está incompleto. Um experimento bem projetado pode, muito, facilitar avaliações
confiáveis da incerteza e é uma parte importante da arte de medição.
De forma a decidir se um sistema de medição está funcionando adequadamente, a vari-
abilidade observada experimentalmente de seus valores de saı́da, conforme medida pelo seu
desvio padrão observado, é, freqüentemente, comparada com o desvio padrão previsto obtido,
combinando-se os vários componentes da incerteza que caracterizam a medição. Em tais ca-
sos, somente aqueles componentes (obtidos de avaliações Tipo A ou Tipo B) que poderiam
contribuir para a variabilidade experimentalmente observada destes valores de saı́da devem ser
considerados.
NOTA - Tal análise pode ser facilitada, reunindo-se aqueles componentes que contribuem
para a variabilidade e aqueles que não o fazem em dois grupos separados e adequadamente
rotulados.
Em alguns casos, a incerteza de uma correção para um efeito sistemático não precisa ser
incluı́da na avaliação da incerteza de um resultado de medição. Embora a incerteza tenha
sido avaliada, ela pode ser ignorada se sua contribuição para a incerteza padrão combinada
de um resultado de medição é insignificante. Se o valor da própria correção for insignificante
relativamente à incerteza padrão combinada, ele também pode ser ignorado.
Muitas vezes ocorre na prática, especialmente no domı́nio da metrologia legal, que um
equipamento é ensaiado através de uma comparação com um padrão de medição e as incertezas
associadas com o padrão e com o procedimento de comparação são desprezı́veis relativamente
à exatidão requerida do ensaio. Um exemplo é o uso de um conjunto de padrões de massa
bem calibrados para verificar a exatidão de uma balança comercial. Em tais casos, porque os
componentes da incerteza são pequenos o bastante para serem ignorados, a medição pode ser
vista como determinação do erro do equipamento sob ensaio.
A estimativa do valor de uma grandeza, obtida pelo resultado de uma medição, é algumas
vezes expressa em termos de valor adotado de um padrão de medição, em vez de termos da
unidade apropriada do Sistema Internacional de Unidades (SI). Em tais casos, a magnitude da
incerteza atribuı́vel ao resultado de medição pode ser significativamente menor do que quando
aquele resultado for expresso na unidade SI apropriada (na realidade, a grandeza foi redefinida
para ser razão entre o valor da grandeza a ser medida e do valor adotado do padrão).
Exemplo 2.3. Um padrão de tensão Zener de alta qualidade é calibrado por comparação
com uma referência de tensão de efeito Josephson baseado no valor convencional da constante
Josephson recomendada para uso internacional pelo CIPM. A incerteza padrão combinada rel-
ativa uc (VS )/VS da diferença de potencial calibrada VS é relatado em termos do valor conven-
cional, mas uc (VS )/VS é 4 × 10−7 quando VS é relatado em termos da unidade SI da diferença
de potencial, volt(V ), por causa da incerteza adicional associada com o valor SI da constante
Josephson.
Erros grosseiros no registro ou na análise dos dados podem introduzir um erro desconhecido
significativo no resultado de uma medição. Grandes erros grosseiros podem ser, geralmente,
identificados por uma revisão apropriada dos dados; os pequenos erros grosseiros podem ser
mascarados por variações aleatórios, ou até mesmo podem aparecer como tais. Medidas de
incerteza não são projetadas para levar em conta tais erros.
A avaliação da incerteza não é uma tarefa de rotina nem uma tarefa puramente matemática;
ela depende de conhecimento detalhado da natureza da grandeza e da medição. A qualidade
e utilidade da incerteza indicada para o resultado de uma medição, dependem, portanto, e em
última análise, da compreensão, análise crı́tica e integridade daqueles que contribuem para o
estabelecimento de seu valor.
Resultado da Medição
A expressão de um resultado de medição encontra-se incompleta caso esta não se apresente

com a declaração da Incerteza de medição associada. A incerteza de um resultado define uma
faixa de valores em torno da média das medições, dentro da qual o valor verdadeiro da grandeza
se encontra com nı́vel de confiança estabelecido.
Resultado = Média (das medidas) - Erro Sistemático ± IM (Incerteza)
Embora não seja ainda de entendimento geral e até mesmo algumas vezes de desconheci-
mento de alguns, cumpre-nos observar que dentre as parcelas mostradas na expressão do Re-
sultado de uma medição a IM (Incerteza de Medição) é a mais importante, até mesmo do que
a Média (das medidas) e mereceria uma maior compreensão e aplicação.
Vejamos um exemplo em que a um Metrologista fosse solicitado para medir as dimensões do
seu Laboratório de Metrologia para a preparação de um layout, e este não dispusesse de trena
ou qualquer outro meio de medição. Este poderia utilizar-se das dimensões padronizadas das
placas do piso (Por exemplo Paviflex, 30 × 30 cm) e após uma contagem do número de placas
em cada lado emitir um resultado de medição, como o seguinte: 4,0 × 4,0 m ± 0,15 m .
Metrologicamente falando, o resultado da sua medição está correto mesmo se o solicitante
não estivesse satisfeito com a IM apresentada e neste caso o mesmo poderia propor uma al-
teração no procedimento de medição utilizado, como por exemplo o uso de uma trena.
Sob o mesmo ponto de vista, errado estaria se a medição fosse feita, por exemplo com uma
trena e o resultado apresentado fosse: 4,010 × 4,047 m (sem a declaração da IM).
Tipos de Incertezas de Medição

Por recomendações do INC-1 (1981) [ISO GUM ver.95] os componentes da incerteza foram
divididos em dois grupos de acordo com o método utilizado para estimar seus valores numéricos:
Tipo A - Aquelas que são avaliadas por métodos estatı́sticos
Tipo B - Aquelas que são avaliadas por outros métodos
Estas categorias aplicam-se somente a incerteza e não são substitutos das palavras “aleatórios”
e “sistemáticos”.
Ora os componentes da incerteza de medição são classificados como “Tipo A” ou “Tipo
B” e modelados pelo tipo de avaliação, mas todos estes componentes independente de suas
classificações são modelados pelo tipo de distribuição de probabilidade e quantificados pela
variância ou pelo desvio padrão. Portanto, a incerteza do tipo A é obtida da função densidade
de probabilidade derivada das observações (leituras), isto é, da distribuição de freqüência.
Enquanto a incerteza do tipo B é obtida da função densidade de probabilidade previamente
assumida.
• A avaliação do Tipo A será normalmente utilizada para obter o valor da repetitividade ou

aleatoriedade de um processo de medição, exibido em um dado momento. Para algumas
medições o componente aleatório da incerteza pode não ser significante em relação a
outras contribuições da incerteza.
• É provável que os componentes sistemáticos da incerteza, por exemplo aqueles relativos

a erros que permanecem quase constantes enquanto a medição é realizada, serão obti-
das por avaliações Tipo B. A mais importante dessas componentes sistemáticas, para
um instrumento, normalmente será a incerteza associada aos padrões de referência uti-
lizados de forma a atender às necessidades da rastreabilidade aos Padrões Nacionais ou
Internacionais.
Exemplos de Componentes de Incerteza de Medição Tipo “A”
GRANDEZA FONTE DE INCERTEZA - TIPO “A”

Dimensional Repetitividade entre as várias medições em um calibrador
Temperatura Repetitividade entre as medições de microvoltagens em um Termopar Tipo S
Dureza Repetitividade entre 10 medidas em uma placa padrão de dureza
Exemplos de Componentes de Incerteza de Medição Tipo “B”

GRANDEZA FONTE DE INCERTEZA - TIPO “B”

Dimensional Incerteza no medidor de temperatura utilizado para compensar a expansão térmica do mensurando
Dimensional Resolução do Instrumento
Dimensional Incerteza do Coeficiente de Expansão térmica utilizado
Temperatura Erro estimado na determinação do ponto zero
Temperatura Incerteza do padrão utilizado
Temperatura Uniformidade do forno
Medidas Elétricas Influências das condições ambientais
Medidas Elétricas Estabilidade estimada do instrumento ao longo do tempo
Massa Estabilidade (Drift) da massa padrão
Massa Incerteza do padrão
Massa Linearidade da balança
Algumas Fontes de Erros para Estimativas de Componentes Tipo “B”
Dimensional
• Fonte de Incerteza;
• Dúvida na leitura (resolução do instrumento);
• Desconhecimento do coeficiente de expansão térmica do mensurando ou padrão a ser

calibrado;
• Diferenças de temperatura;
• Erros de cosseno;
• Erros geométricos;
• Incertezas do equipamento de medição usado na calibração.

Temperatura
• Incerteza assumida para os instrumentos elétricos usados durante da calibração;
• Drift (instabilidade) desde a última calibração;
• Resolução da leitura;
• Instabilidade e gradientes de temperatura no ambiente;
• Efeito do auto aquecimento dos termômetros de resistência Pt;
• Interpolações em tabelas de referência.
Elétrica
• Drift ( instabilidade ) desde a última calibração;
• Condições ambientais diferentes daquela recomendada para a calibração;
• Interpolação nos dados de calibração;
• Resolução;
• Layout dos instrumentos e padrões durante a calibração (fugas de corrente, campos eletro-
magnéticos);
• Impedância dos cabos, terminais e instrumentos.
2.4 Avaliação da Incerteza Padrão
Em muitos casos, uma grandeza y não é medida diretamente, mas é determinado em função
de n outras grandezas x1 , x2 , . . . , xn , através de uma relação funcional f :
y = f (x1 , x2 , . . . , xn )
As grandezas de entrada x1 , x2 , . . . , xn , sobre o qual o valor de saı́da y depende, pode ser uma
medida ou depender de outras variáveis, incluindo correções e fatores de correções para efeitos
sistemáticos. A função f pode ser determinada experimentalmente, ou existe somente, como
um algoritmo que pode ser avaliado numericamente.
As grandezas de entradas x1 , x2 , . . . , xn podem ser caracterizadas como:
I valores e incertezas determinados diretamente em medição; esses valores e incertezas

podem ser obtidos de uma simples observação, repetidas observações ou julgamentos
baseados na experiência. Também podem envolver as determinações de correções para
indicação dos instrumentos e correções por grandezas de influências, tais como: tempera-
tura ambiente, pressão barométrica e umidade;
I valores e incertezas, os quais são conduzidos para uma medição de fontes externas, tais
como: grandezas associadas com calibração de padrões, certificados de materiais de re-
ferência e referência de informações obtidas através de manuais.
Exemplo: Para medirmos o volume, podemos utilizar o seguinte método:
M assa
V ol =
Densidade
onde a grandeza volume é obtida através das grandezas massa e densidade .

A estimativa do desvio padrão, associado com cada estimativa de entrada xi , é denominada
de incerteza padrão e indicada por u(xi ).
A estimativa do desvio padrão, associado com a estimativa do resultado de medição y,
é denominado incerteza padrão combinada e indicado por uc (y), e é determinada pela
combinação das incertezas padrão, associada com as estimativas de entrada (xi ).
Cada estimativa de entrada xi e sua incerteza associada u(xi ) são obtidas pela distribuição
dos valores de uma grandeza de entrada (xi ).
A avaliação da incerteza de medição “Tipo A” é baseada na distribuição de
freqüência, enquanto que a avaliação “Tipo B” é baseada em informações disponı́veis
da variabilidade da grandeza de entrada (xi ).
Exemplo 2.4. (NIS 3003, 1995) Calibração de uma massa padrão com valor nominal 10 Kg de
classe M1, utilizando um comparador. Neste caso, obtemos a equação da massa desconhecida
WX , por
WX = WS + DS + δC + Ab + ∆W.
Na prática não aplicamos correção para esta classe de massa e o comparador tem linearidade
desconhecida. Entretanto, associamos incertezas para estas contribuições.
Avaliação da Incerteza Padrão Tipo A.
Na grande maioria dos casos, a melhor estimativa para o valor esperado de uma quantidade
que varia aleatoriamente, e para o qual temos n leituras independentes k obtidas sob condições
Sı́mbolo Fonte de Incerteza Tipo Limites Média

WS Massa padrão B ± 30 mg (k=2) 10 kg
DS Deriva (drift) massa padrão B ± 15 mg 0
δC Linearidade do comparador B ± 10 mg 0
Ab Efeito do ar B ± 10 mg 0
∆W Repetitividade A
de repetitividade, corresponde a média aritmética.

Assim, quando a estimativa de uma grandeza de entrada xi , tem sido obtida de n medidas,
sob condições de repetitividade, a incerteza padrão u(xi ) é obtida pela estimativa da variância
da média, dada por:
s
sX̄ = √ .
n
onde n = número de medidas e s = desvio padrão correspondente às n leituras.
Voltando ao exemplo 2.4: Considerando o processo de calibração da massa padrão do exem-
plo anterior, o avaliador realizou cinco medidas da diferença entre a massa padrão e a massa
desconhecida. Os resultados estão abaixo:
Leitura 1 15 mg
Leitura 2 25 mg
Leitura 3 20 mg
Leitura 4 13 mg
Leitura 5 18 mg
Média 18,20 mg
Desvio Padrão 4,66 mg
Desvio Padrão da Média 2,08 mg
Incerteza do tipo A : 2,08 mg.

Avaliação da Incerteza Padrão Tipo B

Para uma estimativa de uma grandeza de entrada xi , que não tenha sido obtida de ob-
servações repetidas, a variância estimada u2 (xi ) ou a incerteza padrão u(xi ) é avaliada pelo
julgamento especı́fico baseado em todas as informações disponı́veis na variabilidade de xi . No
conjunto destas informações incluı́mos:
a) informações prévias de medição;
b) experiência ou conhecimento geral do comportamento e propriedades dos instrumentos e

materiais relevantes;
c) especificações do fabricante;
d) informações de relatórios de calibração e outras especificações;
e) incerteza transmitidas pelas informações de referências obtidas de manuais.
Por conveniência, u2 (xi ) e u(xi ) avaliados desta maneira são chamados de Variância Tipo
B e Incerteza Padrão Tipo B, respectivamente.
O propósito de usar várias informações disponı́veis para a avaliação da incerteza padrão do
Tipo B é para buscar um discernimento baseado na experiência e nos conhecimentos gerais,
e é uma habilidade que pode ser obtida com a prática. É reconhecido que uma avaliação da
incerteza pelo Tipo B pode ser tanto confiável quanto a do Tipo A, especialmente na situação
em que a avaliação do Tipo A é baseada na comparação de pequenos números de observações
estatisticamente independentes (ISO GUM, 1995)
A seguir, são apresentados 4 suposições disponı́veis para as grandezas de entradas de in-
fluência xi , para a avaliação da Incerteza Padrão Tipo B.
• Caso 1
Se a estimativa xi é retirada da especificação do fabricante, certificados de calibração, ma-

nuais ou outras fontes, sua incerteza padrão u(xi ) é simplesmente o valor citado dividido pelo
multiplicador.
Exemplo 2.5. Um certificado de calibração afirma que a massa de um aço inoxidável de massa
padrão ms = 1000, 000325g, tem como incerteza 240µg para um nı́vel de confiança com k = 3.
A incerteza padrão da massa padrão, é então:
u(ms) = 240 µg/3 = 80 µg

A incerteza de xi , não necessariamente é relatada como um múltiplo de um desvio padrão,

como abordado acima. Em vez disso, pode-se encontrar uma declaração que a incerteza
declarada possui 90, 95 ou 99 % de nı́vel de confiança.
Salvo indicação contrária, poderá assumir que uma distribuição normal (ou, t-Student) será
utilizada para o cálculo da incerteza declarada, e a incerteza padrão u(xi ), pode ser encontrada
dividindo-se a incerteza declarada por um fator k, apropriado da distribuição normal.
Exemplo 2.6. Um certificado de calibração afirma que a resistência de um resistor padrão

RS de valor nominal 10 Ohms é 10, 000742Ω a 23o C e com incerteza de 129mΩ, definindo um
intervalo de com nı́vel de significância de 99%. Então, a incerteza padrão é dada por:
129
u(RS ) = = 50 µΩ
2, 58
Neste caso, utilizamos a tabela da distribuição normal para determinar o valor de k.
• Caso 2
Em alguns casos, pode ser possı́vel estimar somente os limites (limite superior a+ e inferior
a− ) para xi , por exemplo, quando a grandeza de influência é a variação da temperatura. Neste
caso, consideramos que a probabilidade de que o valor de xi se encontra dentro do intervalo
a− até a+ , para todo propósito prático, é igual a 1 e a probabilidade que xi esteja fora deste
intervalo é essencialmente zero. Se não há conhecimento especı́fico sobre a possibilidade do valor
xi estar dentro do intervalo, pode-se somente admitir que, é igualmente provável encontrá-lo
por toda parte, dentro do intervalo (uma distribuição uniforme ou retangular).
(a− +a+ )
Então xi , é o ponto médio do intervalo , onde: xi = 2
, cuja variância associada é dada
por:
(a+ − a− )2
u2 (xi ) = .
12
Se a diferença entre os limites, (a+ − a− ), é representado por 2a, ou seja, os limites são
simétricos, então a equação para variância será:
a2
u2 (xi ) =
2
base 2a a
u= √ = √ = √
2 3 2 3 3
Exemplo 2.7. Um manual estabelece que o valor do coeficiente linear de expansão térmica de
um bloco padrão de aço é determinado por αS = 11, 5 × 10−6 ◦ C −1 e que o “erro” neste valor
não deve exceder 2 × 10−6 ◦ C −1 . Baseado nesta informação limitada, é razoável assumir que
o coeficiente de expansão térmica pertence ao intervalo 9, 5 × 10−6 ◦ C −1 a 13, 5 × 10−6 ◦ C −1 ,
com probabilidade 1. A incerteza padrão do coeficiente de expansão térmica é dado por
(2 × 10−6 )
u(αS ) = √ = 1, 2 × 10−6 ◦ C −1
3
• Caso 3
Os limites superiores e inferiores a− ea+ para uma grandeza de entrada xi pode não ser
simétrico, ou seja, se o limite menor é escrito como a− = xi − b− e o limite superior como
a+ = xi + b+ , então b− 6= b+ . Neste caso, xi não é o centro do intervalo (a− , a+ ) e a dis-
tribuição de probabilidade de xi não pode ser uniforme. Entretanto, pode não existir informação
suficiente para escolher uma distribuição apropriada e diferentes modelos conduzirão para dife-
rentes expressões para a variância. Na ausência de tais informações uma simples aproximação
é:
2 (b+ + b− )2 (a+ + a− )2
u (xi ) = =
12 12
que corresponde a variância da distribuição retangular com comprimento b− + b+ .
Exemplo 2.8. Caso o exemplo anterior referente ao coeficiente de expansão térmica especifique
aS = 11, 5×10−6 ◦ C −1 tal que o menor valor possı́vel seja 10, 0×10−6 ◦ C −1 e que o maior valor
possı́vel seja de 14, 0 × 10−6 ◦ C −1 . Neste caso, b− = 1, 5 × 10−6 ◦ C −1 e b+ = 2, 5 × 10−6 ◦ C −1 .
Assim, a incerteza padrão é determinada por
(4 × 10−6 )
u(αS ) = √ = 1, 15 × 10−6 ◦ C −1
12
Exemplo 2.9. Voltando ao exemplo 2.4 da calibração da massa padrão, vamos estimar as
incertezas padrão do tipo B:
Sı̈moblo Fonte de Incerteza Limites Distribuição Incerteza

WS massa padrão ± 30 mg Normal 30/2=15 mg
DS Deriva (drift) massa padrão ± 15 mg Retangular 15/(3)1/2 = 8, 66mg
δC Linearidade do comparador ± 10 mg Retangular 10/(3)1/2 = 5, 77mg
Ab Efeito do ar ± 10 mg Retangular 10/(3)1/2 = 5, 77mg
• Caso 4
Nos casos acima não temos informação sobre os valor da grandeza Xi , apenas que ela se
encontra dentro dos limites especificados. Por isso, assumimos que os valores da grandeza são
equiprováveis dentro destes limites, e que tem probabilidade zero de estar for destes limites.
Muitas vezes é mais realista assumirmos que valores perto dos limites especificados são menos
prováveis do que valores próximos ao centro. Neste caso, é razoável trocarmos a distribuição
retangular pela distribuição triangular. Assumindo uma distribuição triangular para a grandeza
Xi , obtemos como média
xi = (a+ + a− )/2
com incerteza associada
u2 (xi ) = a2 /6
base 2a a
u= √ = √ = √
2 6 2 6 6
2.5 Determinação da Incerteza Padrão Combinada

Quando a incerteza do resultado do mensurado y é obtida pela combinação das incertezas
padrão das estimativas de entrada x1 , x2 , . . . , xN , esta incerteza combinada da estimativa y é
representada por uc (y), e denominada de incerteza padrão combinada.
As estimativas de entrada x1 , x2 , . . . , xN , podem ser classificadas como grandezas:
• Estatisticamente independentes ou não correlacionadas;
• Estatisticamente dependentes ou correlacionadas.
Para as grandezas estatisticamente independentes, considera-se as séries de medições que

foram realizadas com diferentes sistemas de medição. Neste caso, a incerteza padrão combinada
uc (y) é a raiz quadrada positiva da variância combinada.
Quando as medições são realizadas com o mesmo sistema de medição, considera-se que as
grandezas de entradas são estatisticamente dependentes entre si.
Neste caso, a covariância estimada deve ser considerada como uma contribuição adicional
para a incerteza.
A expressão para se determinar esta incerteza padrão combinada no caso não correlacionado
é apresentada por:
N 2
X ∂f
u2c (y) = u2 (xi )
i=1
∂xi
onde u(xi ) é a incerteza padrão associada com a grandeza de entrada Xi . As derivadas parciais
(df /dxi ) calculada no ponto xi são denominadas coeficientes de sensibilidade, pois descrevem
como a estimativa de y varia com pequenas mudanças nos valores das estimativas das grandezas
de entrada x1 , x2 , . . . , xN .
Nota: A incerteza combinada padrão no caso correlacionado não será tratado nesta apostila.
Exemplo: Na calibração da massa padrão, obtemos a seguinte incerteza combinada
p
uc (m) = (15)2 + (8, 66)2 + (5, 77)2 + (5, 77)2 + (2, 08)2 = 19, 26mg
2.6 Determinação da Incerteza Expandida

Embora a incerteza combinada uc (y) possa ser universalmente usado para expressar a in-
certeza de um resultado de medição, devido a necessidade de algumas indústrias e aplicações
comerciais, bem como requisitos em áreas de saúde e segurança, é freqüentemente necessário
apresentar uma medida de incerteza que defina um intervalo sobre o resultado de medição.
Neste caso, a incerteza compreende uma fração da distribuição dos valores, que podem ser ra-
zoavelmente atribuı́dos para um mensurando, denominada de incerteza expandida U. Este
requisito foi reconhecido pelo Working Group e Recomendações do CIPM, INC (1981).
A incerteza expandida U é obtida pela multiplicação da incerteza padrão combinada
uc (y) por um fator k:
U = k ∗ uc (y)
O valor do fator k é escolhido com base no nı́vel de confiança requerido para o intervalo.
Em geral, k é usado entre 2 e 3. Portanto, para aplicações especiais, k poderá ser determinado
conforme o nı́vel de confiança requerido, de acordo com a distribuição normal ou t-Student.
A Namas (NIS 3003 , 1995) recomenda que o fator k seja igual a 2 para calcular a incerteza
expandida. Este valor corresponde a aproximadamente 95% de confiança. Entretanto, se as
contribuições para a incerteza relativo a repetitividade for grande comparado com as outras dis-
tribuições e o número de repetições for pequeno, existe uma possibilidade de que a distribuição
de probabilidade normal não seja adequada. Neste caso, o fator k = 2 nos garante um nı́vel
de confiança menor que 95%. Aqui, devemos utilizar a distribuição t-Student para encontrar o
valor do fator k que garante 95%.
Regra: Se a incerteza do tipo A for menor que metade da incerteza combinada, vamos
utilizar o fator k = 2. Caso contrário, devemos utilizar a distribuição t-Student para obtermos
o valor de k que nos garante um intervalo com 95% confiança. A norma ISO GUM ver. 95
recomenda a utilização da equação de Welch-Satterwaite para calcular os graus de liberdade,
baseado nos graus de liberdade de cada fonte de incerteza.
4
u4c (y) u4 (y)

uc (y)
υef f = PN 4 = 4 c = νA
i=1 ui (y)/νi
uA (y)/νA uA (y)
onde νi representa os graus de liberdade do fator de incerteza i e νA e representa os graus

de liberdade do tipo A. Para contribuições da incerteza tipo A, consideramos como graus de
liberdade o número de leitura menus 1 vezes o número de pontos de calibração. Para os graus
de liberdade referente a contribuições da incerteza tipo B, vamos considerar υi igual a infinito.
Exemplo 2.10. Voltando ao exemplo 2.4 da calibração da massa padrão, observe que a in-
certeza do tipo A é menor que metade da incerteza combinada. Assim, a incerteza expandida é
dada por:
U = 2x19, 26mg = 38, 52mg (k = 2)
Neste caso o resultado da medição é expresso na forma:
10000, 000 g + 0, 018 g ± 0, 04 g (k = 2)
10000, 018 g ± 0, 04 g (k = 2)
Exemplo 2.11. Suponha um sistema de medição com incerteza do tipo A, baseada em 4 ob-
servações, tenha valor ui (y) de 3,5 unidades, existem outras 5 fontes de incerteza do tipo B que
apresentam incerteza estimada muito pequeno, de tal forma que a incerteza combinada uc (y)
seja igual a 5,7 unidades. Como a incerteza do tipo A é maior que metade da incerteza com-
binada, vamos utilizar a distribuição t-Student para determinar o fator k. Através da equação
de Welch-Satterwaite, temos
(5, 7)4
υef f = = 21, 1
((3, 5)4 /(4 − 1)) + 0 + 0 + 0 + 0 + 0
Tomando valor de υef f igual a 20, obtemos que k = 2, 13.
2.6.1 Comprovação Metrológica - Equipamento de Medição
Determinar o erro máximo permissı́vel.
menor tolerancia medida

EM P = com J = (5; 15]
J
O mais utilizado é J = 10. Assim
tolerancia
EM P = .
10
Critério:
maxi {| Ti | +U (i)} ≤ EM P (2.1)
A comprovação metrológica no caso em que o EMP é função das leituras é discutido abaixo.
EM P = ± (a + b × leitura)
a = 0, 01
b = 0, 01
Critério: |Ti | + U (i) ≤ EM P (i), para todo ponto de calibração. (i, representa o ponto de
calibração).
Exemplo 2.12. Suponha que temos uma tolerância de 1 g para as massas padrão. Após a cali-
bração das massas, obteve-se as seguintes informações do certificado de calibração apresentado
na Tabela 2.1.
Ponto (g) Tendência (g) U (g) k
1000 0,009 0,015 2
1000 0,01 0,015 2
1000 0,016 0,015 2
1000 0,01 0,015 2
5000 -0,014 0,075 2
5000 -0,069 0,075 2
5000 -0,043 0,075 2
5000 0,025 0,075 2
Tabela 2.1: Certificado de Calibração
Considerando J = 10 temos que
Tolerancia
EM P = = 0, 1 g.
10
A Tabela 2.2 apresenta o critério de aprovação (|T | + U ≤ EM P ) para as oito massas
padrão. Como podemos ver, duas massas de 5 kg foram reprovadas. Com isso, o certificado de
calibração cujo os valores foram apresentados na Tabela 2.1 não está aprovado.
Ponto (g) |T|+U Critério

1000 0,024 Aprovado
1000 0,025 Aprovado
1000 0,031 Aprovado
1000 0,025 Aprovado
5000 0,089 Aprovado
5000 0,144 Reprovado
5000 0,118 Reprovado
5000 0,1 Aprovado
Tabela 2.2: Critério de Aprovação
2.7 Determinação da Variância Agrupada

Para agrupar k variâncias com (n-1) graus de liberdade, utilizamos a seguinte fórmula
Pk 2
Pk
2 i=1 (n − 1)si i=1 s2i
s = Pk =
i=1 (n − 1)
k
onde (n - 1) = Grau de Liberdade; e s2 = Variância

Considere que o método de calibração de um equipamento utilize três pontos da escala
deste equipamento. Para cada ponto é obtido o variância da média a partir de 5 leituras. Para
obtermos variância da média do equipamento, aplicamos a fórmula para o grupo de 3 variâncias,

na forma
4 × 0, 0000000030 + 4 × 0, 0000000070 + 4 × 0, 0000000080

s2 agrupada = = 0, 0000000060
4+4+4
A variância agrupada de 0,0000000060 representa a variância da média do equipamento.
2.8 Regras de arredondamento de valores

Quando desejamos arredondar um número para que seja expresso com uma certa quantidade
de dı́gitos significativos, devemos aplicar regras convencionais de arredondamento.
Regra 1:
Se o algarismo à direita do último dı́gito que se pretende representar for inferior a 5, apenas
desprezamos os demais dı́gitos à direita Exemplo: 3, 14159265 para 3, 14
Regra 2:
Se o algarismo à direita do último dı́gito que se pretende representar for maior que 5,
adicionamos uma unidade ao último dı́gito representado e desprezamos os demais dı́gitos à
direita.
Exemplo 2.13. 3, 14159265 para 3, 1416
Regra 3:
Se o algarismo à direita que se pretende representar for igual a 5, então o arredondamento

deve ser tal que o último dı́gito representado depois do arredondamento deve ser par.
Exemplo 2.14. 3, 14159265 para 3, 142
Números de algarismo na incerteza de medição
Não existe uma regra bem definida para o número de algarismos que devem ser indicados
para a incerteza de medição. Em geral, utilizamos 2 algarismos significativos, além dos
zeros à esquerda. Em alguns casos, pode ser necessário utilizar mais dı́gitos significativos para
evitar erros de arredondamento nos cálculos subseqüentes. Em outros casos, não é possı́vel
atribuir mais de 1 algarismo para incerteza de medição. Regras para número de algarismo na
incerteza de medição.
• Incerteza de medição deve ser apresentada com 2 algarismos quando o primeiro algarismo
na incerteza for 1 ou 2.
• Incerteza de medição pode ser apresentada com 1 algarismo quando o primeiro algarismo
da incerteza for 3 ou maior.
• o Incerteza de medição pode ser representada com 2 algarismos em qualquer caso.
De acordo com as regras acima apresentamos os exemplos:
Incorreto Correto
0,144 (mm) 0,14 (mm)
1,026 (s) 1,0 (s)
3,49 (mm) 3,5 (mm) Ou 3 (mm)
3,51 (mm) 3,5 (mm) Ou 4 (mm)
0,00514 (mm) 0,0050 (mm) Ou 0,005 (mm)
2.9 Propagação da Incerteza

Um mensurando y calculado em função de outras grandezas x1 , . . . , xn com u(x1 ), . . . , u(xn )
as incertezas padrão correspondente, tem como incerteza combinada uc (y) definida por:
n 2
X ∂y
u2c (y) = u2 (xi )
i=1
∂xi
• Soma de variáveis
y = x 1 ± x 2 ± x 3 ± · · · ± xn
Assim, todas as derivadas são iguais a 1. Então,
Exemplo 2.15. Determinar a incerteza de medição, na composição de dois blocos padrão:

Dados:
• Bloco 1
Dimensão nominal: 10 (mm)

Incerteza Expandida u(x1 ) = 0,0077(nm) para k = 2
• Bloco 2
Dimensão nominal: 20 (mm)

Incerteza Expandida u(x2 ) = 0,084(nm) para k = 2
O resultado da combinação dos blocos pode ser expresso matematicamente por:
y = x 1 + x2
A incerteza padrão u(xi ) de cada bloco é obtida dividindo-se a incerteza expandida pelo fator
k. Assim,
u(x1 ) = 0, 077/2 =
u(x2 ) = 0, 084/2 =
Então, a variância combinada é:
u2c (y) = = (µm)2
A incerteza combinada é:
uc (y) =
• Relação linear
y = a + bx
Admitindo-se que a e b são constantes isentas de incertezas ou com incertezas desprezı́veis,

somente a variável x é considerada para o cálculo de incerteza. Assim,
u2c (y) = a2 u2 (x) ou uc (y) =| a | u(x)

Produto de Variáveis:
y = axw
Temos que:
∂y ∂y
= aw = ax
∂x ∂w
Então,
u2c (y) = (aw)2 u2 (x) + (ax)2 u2 (w)
Dividindo a expressão acima por y2 = (axw)2 , obtemos
u2c (y)/y2 = u2 (x)/x2 + u2 (w)/w2
Exemplo 2.16. Determinar a incerteza da área de um cı́rculo, cujo diâmetro foi medido ex-
perimentalmente através de um sistema de medição denominado paquı́metro:
Valor do diâmetro obtido com o micrômetro digital, com resolução de 0,002 mm e incerteza
expandida U=0,001 mm (k=1,96):
Leituras Diâmetro
1 10,28
2 10,26
3 10,28
4 10,3
5 10,28
Média das leituras
Desvio padrão das leituras
Desvio padrão da média das leituras
A expressão para o cálculo da área é dada por:
1 2
πd
4
1
Admitindo-se que 4
e π são constantes isentas de incerteza ou com incertezas desprezı́veis,
somente a variável d é considerada para cálculo da incerteza. Assim, a variância combinada
relativa é:
u2c (y) 22 u2 (d)

=
y2 d2
Incerteza combinada relativa:
uc (y) 2u(d)
=
y d
Substituindo os valores do exemplo, obtemos a incerteza combinada relativa:
uc (y)
=
y
e a incerteza combinada da área,
uc (y) =
68
Capı́tulo 3
Estudos de Estabilidade
Estabilidade é a quantidade de variação total na tendência do sistema ao longo do tempo

com relação a um padrão rastreável (ou amostra). Antes de estudarmos qualquer propriedade
estatı́stica do sistema de medição, vamos analisar a capacidade do sistema manter tais pro-
priedades ao longo do tempo. O objetivo da estabilidade consiste em avaliarmos:
• A interação do sistema de medição e o meio ambiente;
• Desgaste de componentes;
• Ajuste de dispositivos e sensores.
Diretrizes para sistemas não destrutivos:
• Obter padrão rastreável (ou amostra);
• Montar diário de bordo;
• Medir periodicamente (diário, semanal, quinzenal ou mensal) o padrão (ou amostra);
• Após 20 ou mais grupos de medições, construir o gráfico X̄ e R, conforme descrito abaixo.
Critério de avaliação:
Analisar os gráficos X̄ e R, primeiro o gráfico R e na seqüencia o gráfico X̄:
• Pontos fora dos limites de controle.
• 7 ou mais pontos consecutivos crescentes ou decrescentes.
• 7 ou mais pontos consecutivos acima ou abaixo da linha média.

3. Estudos de Estabilidade 69
Limites dos Gráficos No de element. A2 D3 D4

amostra (n)
Gráfico das Médias X̄ 2 1, 880 0 3, 267
LSC = Limite Superior = X̄ ¯ + A R̄ 3 1, 023 0 2, 574
2
LC = Limite Central = X̄ ¯ 4 0, 729 0 2, 282
¯ − A R̄
LIC = Limite Inferior = X̄ 5 0, 577 0 2, 114
2
Gráfico das Amplitudes R 6 0, 483 0 2, 004
LSC = Limite Superior = D4 R̄ 7 0, 419 0, 076 1, 924
LC = Limite Central = R̄ 8 0, 373 0, 136 1, 864
LIC = Limite Inferior = D3 R̄ 9 0, 337 0, 184 1, 816
10 0, 308 0, 223 1, 777
Caso os gráficos X̄ e R estejam fora de controle, investigar as causas e estabelecer ações

corretivas.
• Se o processo apresentar falta de estabilidade, identifique as causas, estabeleça ação cor-

retiva. Repita o estudo de estabilidade;
Discriminação do Sistema de medição no estudo de Estabilidade
Capacidade do sistema de medição de detectar e indicar de forma confiável, pequenas

variações da grandeza que está sendo medida. Uma forma de quantificar o poder discrimi-
nador é expressando a menor variação da grandeza que o sistema de medição pode detectar.
Critério de avaliação:
Verificar se o gráfico de controle R não apresenta muitas amplitudes iguais a zero (acima de
30%). Caso isso ocorra, existe uma boa evidência de que o equipamento de medição não tem
uma resolução adequada para esta necessidade. Neste caso, faça uma análise crı́tica.
Exemplo 3.1. O metrologista deve realizar um estudo sobre a estabilidade do sistema de cal-
ibração de um micrômetro com um bloco padrão. O metrologista selecionou um bloco padrão,
que foi medida 3 vezes diariamente por um avaliador. Os valores estão na Tabela 3.1. Montar
os gráficos de Controle X̄ e R e interpretar os resultados!
Solução
Da Tabela 3.1 tomamos a média dos valores da coluna Média e a média dos valores da
coluna Amplitude e obtemos:
¯ = 4, 200486
X̄ e R̄ = 0, 001292 .
Medidas
Data Horário Temperatura Média Amplitude
1 2 3
6/ago 09:15 20,3 4,202 4,201 4,202 4,20167 0,001
13/ago 16:35 20,0 4,201 4,202 4,203 4,20200 0,002
20/ago 14:13 19,4 4,199 4,198 4,200 4,19900 0,002
27/ago 09:40 19,8 4,200 4,201 4,201 4,20067 0,001
4/set 15:28 19,9 4,200 4,201 4,200 4,20033 0,001
11/set 10:39 19,9 4,202 4,201 4,200 4,20100 0,002
19/set 15:10 20,1 4,200 4,201 4,200 4,20033 0,001
25/set 09:25 20,2 4,200 4,199 4,199 4,19933 0,001
1/out 15:40 19,3 4,198 4,199 4,199 4,19867 0,001
8/out 09:25 19,9 4,200 4,202 4,200 4,20067 0,002
16/out 16:10 20,8 4,202 4,203 4,203 4,20267 0,001
24/out 10:05 20,1 4,201 4,202 4,201 4,20133 0,001
1/nov 13:40 19,5 4,199 4,199 4,198 4,19867 0,001
8/nov 14:55 20,1 4,200 4,200 4,201 4,20033 0,001
14/nov 11:00 19,3 4,199 4,198 4,199 4,19867 0,001
22/nov 15:50 19,8 4,200 4,199 4,200 4,19967 0,001
29/nov 09:42 20,1 4,201 4,201 4,200 4,20067 0,001
7/dez 08:20 19,6 4,199 4,200 4,199 4,19933 0,001
12/dez 15:30 19,8 4,200 4,201 4,199 4,20000 0,002
20/dez 11:05 20,1 4,199 4,199 4,200 4,19933 0,001
28/dez 15:30 20,1 4,201 4,200 4,199 4,20000 0,002
4/jan 16:00 20,2 4,200 4,200 4,202 4,20067 0,002
10/jan 15:15 20,7 4,203 4,204 4,203 4,20333 0,001
15/jan 16:00 20,8 4,204 4,203 4,203 4,20333 0,001
Tabela 3.1: Dados
Os limites de controle são calculados da seguinte forma:
• Gráfico R. Como temos 3 elementos em nossa amostra, obtemos um valor de D3 = 0

e D4 = 2, 574, com isso:
LSC = 2, 574 ∗ 0, 001292 = 0, 003325
LIC = 0 ∗ 0, 001292 = 0
• Gráfico X̄. Como temos 3 elementos em nossa amostra, obtemos um valor de A2 = 1, 023,
com isso:
LSC = 4, 200486 + 1, 023 ∗ 0, 001292 = 4, 201807
LIC = 4, 200486 − 1, 023 ∗ 0, 001292 = 4, 199165

Exercı́cio 3.1. O metrologista deve realizar um estudo sobre o sistema de medição para cal-
ibração de um anel padrão em um banco micrométrico. O metrologista selecionou um anel
padrão, que foi medido (3 réplicas) diariamente por um avaliador. Os valores estão na Tabela
3.2.
Medidas
Amostra Data Média Amplitude
1 2 3
1 22/set 20006,6 20006,6 20006,7 20006,63 0,1
2 22/set 20006,8 20006,7 20006,9 20006,8 0,2
3 23/set 20006,1 20006,2 20006,2 20006,17 0,1
4 24/set 20005,4 20005,3 20005,3 20005,33 0,1
5 27/set 20005,7 20005,9 20005,8 20005,8 0,2
6 27/set 20005,9 20006 20006 20005,97 0,1
7 1/out 20005,4 20005,7 20005,7 20005,6 0,3
8 6/out 20006,6 20006,6 20006,5 20006,57 0,1
9 7/out 20006,1 20006,1 20006,1 20006,1 0
10 8/out 20006,1 20006 20006 20006,03 0,1
11 8/out 20006,2 20006,3 20006,3 20006,27 0,1
12 13/out 20005,9 20006 20006 20005,97 0,1
13 13/out 20006,2 20006,1 20006,2 20006,17 0,1
14 14/out 20006,5 20006,3 20006,4 20006,4 0,2
15 18/out 20005,4 20005,4 20005,5 20005,43 0,1
16 20/out 20005,9 20006,2 20006,2 20006,1 0,3
17 25/out 20006,8 20006,9 20006,6 20006,77 0,3
18 26/out 20006,3 20006,3 20006,3 20006,3 0
19 26/out 20006,5 20006,5 20006,5 20006,5 0
20 28/out 20006,4 20006,3 20006,2 20006,3 0,2
21 4/nov 20005,8 20005,9 20005,9 20005,87 0,1
22 8/nov 20006 20005,8 20005,9 20005,9 0,2
23 8/nov 20006,4 20006,3 20006,2 20006,3 0,2
24 10/nov 20006,2 20006,3 20006,3 20006,27 0,1
25 15/nov 20006,7 20006,4 20006,4 20006,5 0,3
26 16/nov 20006,6 20006,5 20006,5 20006,53 0,1
27 17/nov 20006,4 20006,2 20006,2 20006,27 0,2
28 18/nov 20006,6 20006,5 20006,4 20006,5 0,2
29 18/nov 20006,9 20006,8 20006,8 20006,83 0,1
Tabela 3.2: Estabilidade do Diâmetro do Furo

¯
Montar os gráficos de Controle X̄ e R e interpretar os resultados! (X̄ = 20006, 21 e
R̄ = 0, 1448).
• Gráfico R. Temos 3 elementos em nossa amostra, então: D3 = e D4 = , com

isso:
LSC = D4 R̄ =
LIC = D3 R̄ =
• Gráfico X̄ Novamente, temos 3 elementos em nossa amostra, então: A2 = , com

isso:
LSC = ¯ + A R̄ =
X̄ 2
LC = ¯ =
X̄
LIC = ¯ − A R̄ =
X̄ 2
74
Capı́tulo 4
Método da ANOVA (Completo)
4.0.1 Método da ANOVA
Em cada sistema de medição, existe um valor de referência para uma caracterı́stica para
cada amostra. Estes valores de referência variam de amostra para amostra em torno de um
nı́vel médio. Isto pode ser representado simplesmente como:
1) Valor Padrão = Média das Medições + Variação Própria da Amostra
Na prática, existe algum erro introduzido pelo sistema de medição, o qual pode ser escrito
como:
2) Valor observado = Valor Padrão + Erro de Medição:
Um modo simples de modelar o erro de medição.
3) Erro de Medição = Tendência + Efeito do Fator1 + Erro de Replicações. A tendência

é um número único que representa o erro geral, sistemático, introduzido pelo sistema de
medição. Além disso, poderiam existir erros introduzidos pelo uso de diferentes Fatores1.
O termo erro de replicações reflete as diferenças nas observações repetidas da mesma
amostra, com o mesmo sistema de medição e pelo mesmo Fator1.
Combinando (1), (2) e (3), obtém-se o modelo representado no próximo ı́tem.
4) Valor Observado = (Média das Amostras + Tendência) + Efeito da Amostra + Efeito do

Fator1 + Erro de Replicações. A média das amostras e a tendência são constantes. Eles
não podem ser estimados separadamente sem ter um sistema de medição padrão. O efeito
da amostra, o efeito do Fator1 e o erro de repetição (replicação) são variáveis aleatórias.
O efeito da amostra representa a variação no processo de produção. O efeito do Fator1
4. Método da ANOVA (Completo) 75
representa a variação devida aos diferentes Fatores1, denominado reprodutibilidade. O

erro de repetição representa a variação resultante de medições repetidas feitas pelo mesmo
Fator1 na mesma amostra, denominado repetitividade. A média das amostras e o efeito
da amostra são propriedades do processo de produção e não dependem do sistema de
medição. Os termos restantes no modelo refletem o erro no sistema de medição.
Representação Matemática
Seja Yijk a k-ésima medição feita pelo Fator1 j na i-ésima amostra. Cada amostra tem um
valor de referência, digamos Xi , o qual é impossı́vel de ser medido na prática. Chame de ijk o
erro sobreposto a Xi na prática. Então, temos no próximo ı́tem que:
0
5) Yijk = Xi + ijk ou
Valor Observado = Valor Padrão + Desvio
Supondo que os Xi 0 s são distribuı́dos independentemente conforme uma distribuição normal

de média µ e variância σP2 . O parâmetro µ é a média das amostras. A equação (5) pode ser
escrita, equivalentemente, como:
0
6) Yijk = µ + αi + ijk
Onde: αi = Xi − µ é o efeito da amostra, com média zero e variância σP2 .
O desvio pode ser modelado como consistindo de uma tendência sistemática devido ao
sistema de medição e ao Fator1 como um todo (sistema de medição), uma tendência
adicional devido ao Fator1 especı́fico e um erro associado à replicação da medição. Isto
é,
0
7) ijk = b + βj + ijk , ou seja,
Desvio = Tendência do sistema de medição + efeito do Fator1 + Erro de Replicação.

Suponha que os erros de replicação são independentes, com uma distribuição normal de
média zero e variância comum σ 2 para todas as combinações amostra / Fator1 / replicação. A
variância σ 2 mede a repetitividade para o sistema de medição. Se os Fatores1 são selecionados
aleatoriamente de uma grande população, pode-se modelar o efeito do Fator1, βj , como sendo
normalmente distribuı́do com média zero e variância σF2 1 . A variância σF2 1 mede a variabilidade
devido ao Fator1, isto, é a reprodutibilidade. Combinando (6) e (7), o modelo pode ser escrito
como:
8) Yijk = (µ + b) + αi + βj + ijk ou
Valor Observado = (Média das Amostras + Tendência do sistema de medição) + Efeito

da Amostra + Efeito do Fator1 + Erro de Replicação
Onde αi , βj , ijk são variáveis aleatórias independentes com distribuições normais de

médias zero e variância σP2 , σF2 1 , σ 2 respectivamente. Conseqüentemente, a variância do
processo é dada por
9) V ar(Yijk ) = σP2 + σF2 1 + σ 2 .
No modelo (8) supõe-se que os efeitos da amostra e do Fator1 são aditivos. Isto significa
que o efeito do j-ésimo Fator1 é o mesmo em todas as amostras. Consequentemente, nós
nos referimos a este modelo simples como o modelo aditivo. A suposição de aditividade
pode nem sempre ser válida na prática. Além disso, a validade da suposição poderia ser
testada a partir dos dados, se cada Fator1 repetir medições em cada amostra. A validade
do modelo aditivo pode ser testada pela consideração de um modelo mais geral, que inclua
um efeito de interação entre peça e Fator1. Supondo que o desvio em (7) seja dado por
0
10) ijk = b + βj + τij + ijk , ou seja,
Desvio = Tendência do sistema de medição + Efeito do Fator1 + Efeito do Fator1 *

Amostra + Erro de Replicação.
O termo adicional τij representa a interação entre o j-ésimo Fator1 e a i-ésima amostra.
Então, substituindo (10) em (6) resulta no seguinte modelo não aditivo:
11) Yijk = (µ + b) + αi + βj + τij + ijk , ou seja,
Valor Observado = (Média das amostras + tendência do sistema de medição) + Efeito

da Amostra + Efeito do Fator1 + Efeito do Fator1×Amostra + Erro de Replicação.
Se τij é distribuı́do normalmente com média zero e variância σI2 , então a variância total
para (11) é dada por:
12) V ar(Yijk ) = σP2 + σF2 1 + σI2 + σ 2
Particionando a variância, no caso onde p é o número de amostras, o o número de Fatores1

e r é o número de replicações. i = 1, ..., p, j = 1, ..., o e k = 1, ..., r.
1o Passo Coleta de dados e definição do modelo:

Fator1
Amostra
1 2 ··· o Média
1 Y111 , · · · , Y11r Y121 , · · · , Y12r · · · Y1o1 , · · · , Y1or Ȳ1..
2 Y211 , · · · , Y21r Y221 , · · · , Y22r · · · Y2o1 , · · · , Y2or Ȳ2..
.. .. .. .. .. ..
. . . . . .
p Yp11 , · · · , Yp1r Yp21 , · · · , Yp2r · · · Ypo1 , · · · , Ypor Ȳp..
Média Ȳ.1. Ȳ.2. ··· Ȳ.o. Ȳ...
Tabela 4.1: Tabela de Entradas
O modelo estatı́stico para este planejamento é




 i = 1, · · · , p Amostra

Yijk = µ + αi + βj + τij + εijk j = 1, · · · , o Fator1 (4.1)


 k = 1, · · · , r Réplica

onde:
• Yijk representa a k-ésima medição do j-ésimo Fator1 na i-ésima amostra ;
• µ é a Média das amostras adicionada com a tendência do sistema de medição;
• αi é o efeito da Amostra;
• βj é o efeito do Fator1;
• τij é o efeito da interação Amostra×Fator1;
• εijk é o erro de replicação.
Onde αi , βj , τij e εijk são variáveis aleatórias independentes com distribuições normais de
médias zero e variância σp2 , σF2 1 , σI2 e σ 2 , respectivamente. Conseqüentemente, a variância do
processo é:
V ar(yijk ) = σp2 + σF2 1 + σI2 + σ 2
2o Passo: Soma de Quadrados:
Vamos mostrar que:

SQT = SQP + SQF 1 + SQI + SQE
onde SQT é a soma de quadrados total, SQP é a soma de quadrados do fator amostra, SQF 1
é a soma de quadrados do Fator1, SQI é a soma de quadrados da interação Fator1 × amostra
e SQE é a soma de quadrados do erro. Para isto, temos que
p X
o X
r p X
o X
r
X X 2
(Yijk − Ȳ... )2

= (Ȳi.. − Ȳ... ) + (Ȳ.j. − Ȳ... ) + (Ȳij. − Ȳi.. − Ȳ.j. + Ȳ... ) + (Yijk − Ȳij. )
i=1 j=1 k=1 i=1 j=1 k=1
X p o
X p X
X o
2 2
= or (Ȳi.. − Ȳ... ) + p r (Ȳ.j. − Ȳ... ) + r (Ȳij. − Ȳi.. − Ȳ.j. + Ȳ... )2
i=1 j=1 i=1 j=1
p X
X o X
r
+ (Yijk − Ȳij. )2
i=1 j=1 k=1
Portanto
p o X
r
X X
SQT = (Yijk − Ȳ... )2
i=1 j=1 k=1
p
X
SQP = o r (Ȳi.. − Ȳ... )2
i=1
o
X
SQF 1 = p r (Ȳ.j. − Ȳ... )2
j=1
p o
XX
SQI = r (Ȳij. − Ȳi.. − Ȳ.j. + Ȳ... )2
i=1 j=1
p o X r
XX
SQE = (Yijk − Ȳij. )2
i=1 j=1 k=1
Onde:
o X
r p r r p o X
r
X X X X X X
Yi.. = Yijk , Y.j. = Yijk , Yij. = Yijk , Y... = Yijk
j=1 k=1 i=1 k=1 k=1 i=1 j=1 k=1
o r p r r p o r
1 XX 1 XX 1X 1 XXX
Ȳi.. = Yijk , Ȳ.j. = Yijk , Ȳij. = Yijk , Ȳ... = Yijk
o r j=1 k=1 p r i=1 k=1 r k=1 o p r i=1 j=1 k=1
Da mesma forma,
o X
r p r r p o X
r
X X X X X X
yi.. = yijk , y.j. = yijk , yij. = yijk , y... = yijk
j=1 k=1 i=1 k=1 k=1 i=1 j=1 k=1
o r p r r p o r
1 XX 1 XX 1X 1 XXX
ȳi.. = yijk , ȳ.j. = yijk , ȳij. = yijk , ȳ... = yijk
o r j=1 k=1 p r i=1 k=1 r k=1 o p r i=1 j=1 k=1
Uma forma mais conveniente para se calcular a soma de quadrados é utilizar o cálculo de
variância amostral. A tabela 4.2 apresenta quais variâncias devemos calcular.
Fator1
Amostra
1 2 ··· o Média
1 Y111 , · · · , Y11r Y121 , · · · , Y12r · · · Y1o1 , · · · , Y1or Ȳ1..
2 2 2
S11 S12 ··· S1o
2 Y211 , · · · , Y21r Y221 , · · · , Y22r · · · Y2o1 , · · · , Y2or Ȳ2..
2 2 2
S21 S22 ··· S2o Sp2
.. .. .. .. .. ..
. . . . . .
p Yp11 , · · · , Yp1r Yp21 , · · · , Yp2r ··· Ypo1 , · · · , Ypor Ȳp..
2 2 2
Sp1 Sp2 ··· Spo
Média Ȳ.1. Ȳ.2. ··· Ȳ.o. Ȳ...
SF2 1
Tabela 4.2: Tabela de Entradas
Portanto,
2
SQT = (p o r − 1) S... (4.2)
2
SQP = o r (p − 1) Si.. (4.3)
2
SQF 1 = p r (o − 1) S.j. (4.4)
p o
X X
2
SQE = (r − 1) Sij. (4.5)
i=1 j=1
SQI = SQT − SQP − SQF 1 − SQE (4.6)
Onde:
2
• S... : representa a variância amostral com relação a todos os dados. Com isso,
p o r
2 1 XXX
S... = (y... − ȳ... )2 onde ȳ... é a média de todos os dados;
p o r − 1 i=1 j=1 k=1
2
• Si.. : representa a variância amostral com relação aos valores das médias das amostras, ou
seja, a variância com relação a última coluna da tabela 4.2. Com isso,
o r
2 1 XX
Si.. = (ȳi.. − ȳ... )2 onde ȳi.. é a média em cada amostra e
p − 1 j=1 k=1
ȳ... é a média de todos os dados;
2
• S.j. : representa a variância amostral com relação aos valores das médias dos Fatores1, ou
seja, a variância com relação a última linha da tabela 4.2. Com isso,
p r
2 1 XX
S.j. = (ȳ.j. − ȳ... )2 onde ȳ.j. é a média em cada Fator1 e
o − 1 i=1 k=1
ȳ... é a média de todos os dados;
2
• Sij. : representa a variância amostral com relação a cada combinação de amostra e Fator1,
ou seja, em cada casela da tabela 4.2. Com isso,
r
2 1 X
Sij. = (ȳij. − ȳ... )2 onde ȳij. são as medições em cada casela e ȳ... é a
r − 1 k=1
média de todos os dados;
3o Passo: Cálculo dos graus de liberdade:
O número de graus de liberdade em uma soma de quadrados é a quantidade de elementos

independentes nessa soma. Por exemplo, considere a soma de quadrados pi=1 (Ȳi.. − Ȳ... )2 .
P
Neste caso, como pi=1 (Ȳi.. − Ȳ... ) = 0, nem todos os elementos (Ȳ1.. − Ȳ... ), · · · , (Ȳp.. − Ȳ... ) são
P
independentes. Portanto, temos p − 1 graus de liberdade. Nesse sentido, os respectivos graus

de liberdade associados a cada soma de quadrados são:
Efeito Grau de Liberdade

Amostra p−1
Fator1 o−1
Interação (p − 1)(o − 1)
Erro p o (r − 1)
Total p o r−1
4o Passo: Cálculo do erro quadrático médio:

Cada soma de quadrados dividido por seu grau de liberdade determina o quadrado médio (QM),
ou seja
SQP
QMP = Amostra (4.7)
p−1
SQF 1
QMF 1 = Fator1 (4.8)
o−1
SQI
QMI = Amostra × Fator1 (4.9)
(p − 1)(o − 1)
SQE
QME = Réplica (4.10)
p o (r − 1)
Considerando as expressões 4.3, 4.4, 4.5 e 4.6 vamos calcular o valor esperado do QM. Para o
fator amostra, temos que:
p
" ! 2 #
1 X Yi..2 Y...
E(QMP ) = E −E
p−1 i=1
or por
  !2   !2 
p o X r p o X r
1  1 X X 1 X X 
= E Yijk  − E Yijk 
p − 1  o r i=1 j=1 k=1
por i=1 j=1 k=1

  !2 
p o X r
1  1 X X
= E (µ + αi + βj + τij + εijk )  −
p − 1  o r i=1 j=1 k=1

p o X r
!2 
1 X X 
− E  (µ + αi + βj + τij + εijk ) 
por i=1 j=1 k=1

p
(
1 1 X
(o r µ)2 + (o r σP )2 + o r2 σF2 1 + o r2 σI2 + o r σ 2 −

=
p − 1 o r i=1

1 2 2 2 2 2

− (p o r µ) + p (o r σP ) + o (p r σF 1 ) + o p (r σI ) + p o r σ
por
= o r σP2 + r σI2 + σ 2
Podemos resumir que
E(QMP ) = σ 2 + r σI2 + o rσP2
E(QMF 1 ) = σ 2 + r σI2 + p rσF2 1
E(QMI ) = σ 2 + r σI2
E(QME ) = σ 2
5o Passo: Definindo os testes:

Especificamente, estamos interessados em testar as seguintes hipóteses :

  
 H = σ2 = 0  H = σ2 = 0  H = σ2 = 0
0 P 0 F1 0 I
A: ; B: ; C:
 H = σ2 > 0  H = σ2 > 0  H = σ2 > 0
1 P 1 F1 1 I
Vamos mostrar como essas hipóteses são testadas usando a análise de variância. Para
determinarmos a estatı́stica do teste C, vamos observar que
SQI SQE
∼ χ2(p−1)(o−1) e também, ∼ χ2p o (r−1) ,
σ 2 + r σI2 σ2
onde ambas são independentes.
Assim, sob H0 temos que a estatı́stica
SQI
(σ 2 +r σI2 ) (p−1)(o−1) QMI
F0 = SQE
= ∼ F ((p − 1)(o − 1); p o (r − 1))
σ 2 p o (r−1)
QME
tem distribuição de Fisher-Snedecor com (p − 1)(o − 1) graus de liberdade no numerador e

p o (r − 1) graus de liberdade no denominador. A região crı́tica (RC) do teste F é dada por
RC = {F ∈ <+ | F > Fc }. Com isso, utilizando o número de graus de liberdade do numerador
e denominador, podemos, considerando um nı́vel de significância α encontrar o valor de Fc na
tabela da distribuição F-Snedecor. A Figura 4.1 mostra a região crı́tica do teste.
Para determinarmos a estatı́stica do teste A, vamos observar que
SQP SQI
∼ χ2(p−1) e também, ∼ χ2(p−1)(o−1) ,
σ 2 + r σI2 + o r σP2 σ 2 + r σI2
SQP
(σ 2 +r σI2 +o r σP2 ) (p−1) QMP
F0 = SQI
= ∼ F ((p − 1); (p − 1)(o − 1))
(σ 2 +r σI2 ) (p−1)(o−1)
QMI
tem distribuição de Fisher-Snedecor com (p − 1) graus de liberdade no numerador e (p − 1)(o − 1)

graus de liberdade no denominador. A região crı́tica (RC) do teste F é dada por RC =
{F ∈ <+ | F > Fc }. Com isso, utilizando o número de graus de liberdade do numerador e
denominador, podemos, considerando um nı́vel de significância α encontrar o valor de Fc na
Para determinarmos a estatı́stica do teste B, vamos observar que
Figura 4.1: Região Crı́tica do Teste
SQF 1 SQI
∼ χ2(o−1) e também, ∼ χ2(p−1)(o−1) ,
σ2 + r σI2 + p r σF2 1 σ2 + r σI2
SQP
(σ 2 +r σI2 +p r σF2 ) (o−1) QMF 1
F0 = SQI
1
= ∼ F ((o − 1); (p − 1)(o − 1))
(σ 2 +r σI2 ) (p−1)(o−1)
QMI
tem distribuição de Fisher-Snedecor com (o − 1) graus de liberdade no numerador e (p − 1)(o − 1)

graus de liberdade no denominador. A região crı́tica (RC) do teste F é dada por RC =
{F ∈ <+ | F > Fc }. Com isso, utilizando o número de graus de liberdade do numerador e
denominador, podemos, considerando um nı́vel de significância α encontrar o valor de Fc na
6o Passo: Tabela de ANOVA:
O teste estatı́stico para as hipóteses (A, B, C) propostas é resumido na tabela 4.3. Essa
tabela é chamada tabela de análise de variânica. Caso o teste C implique em H0 ser não
significativo, ou seja, a interação ( Amostra × Fator1 ) será considerada nula. Neste caso, os
testes A e B serão realizados conforme a tabela 4.4. Para isso, vamos incorporar a soma de
quadrados da interação à soma de quadrados do erro. Assim, temos que SQE = SQT − SQP −
SQF 1 .
Fonte de Graus de Soma de Quadrado Teste

Variação Liberdade Quadrados Médio F
QMP
Amostra p−1 SQP QMP QMI
QMF 1
Fator1 o−1 SQF 1 QMF 1 QMI
QMI
Interação (p − 1)(o − 1) SQI QMI QME
Erro p o (r − 1) SQE QME
Total p o r−1 SQT
Tabela 4.3: Tabela de Análise de Variância (ANOVA) - Com interação
Fonte de Graus de Soma de Quadrado Teste

Variação Liberdade Quadrados Médio F
Amostra p−1 SQP QMP = pSQ P
− 1
QMP
QME
Fator1 o−1 SQF 1 QMF 1 = oSQ−F 11 QMF 1
QME
Erro p o r−p−o+1 SQE QME = p o r −SQ E
p − o + 1
Total p o r−1 SQT
Tabela 4.4: Tabela de Análise de Variância (ANOVA) - Sem interação
7o Passo: Componentes de variância:
Aqui, vamos estimar as componentes de variância pelo método de momentos. Este método,
visa igualar os momentos populacionais aos momentos amostrais. Considerando o modelo com
interação temos:
E(QME ) = σ 2 =⇒ σ̂ 2 = QME
E(QMI ) = σ 2 + r σI2 =⇒ + r σI2 = QMI

σ 2\
E(QMF 1 ) = σ 2 + r σI2 + p rσF2 1 =⇒ σI2 + p rσF2 1 = QMF 1

σ2 + r \
E(QMP ) = σ 2 + r σI2 + o rσP2 =⇒ σI2 + o rσP2 = QMP

σ 2 + r\
Assim, obtemos que as fontes de variação podem ser estimadas por

s
QMF 1 − QMI
VF1 = Fator1 (4.11)
pr
r
QMI − QME
VI = interação (4.12)
p r
VE = QME repetitividade (4.13)
q
VF = (VF1 )2 + (V I)2 reprodutibilidade (4.14)
p
R&R = (V E)2 + (V O)2 R&R (4.15)
r
QMP − QMI
VP = amostra (4.16)
p o∗r
VT = (R&R)2 + (V P )2 total (4.17)
Considerando que a interação não é significativa, temos que
E(QME ) = σ 2 =⇒ σ̂ 2 = QME
E(QMF 1 ) = σ 2 + p rσF2 1 =⇒ \
σ2 + p rσF2 1 = QMF 1
E(QMP ) = σ 2 + o rσP2 =⇒ + o rσP2 = QMP

σ2 \
Assim, obtemos que as fontes de variação podem ser estimadas por
s
QMF 1 − QME
VF1 = Fator1 (4.18)
pr
p
VE = QME repetitividade (4.19)
q
VF = (VF1 )2 reprodutibilidade (4.20)
p
R&R = (V E)2 + (V F )2 R&R (4.21)
r
QMP − QME
VP = amostra (4.22)
p o∗r
VT = (R&R)2 + (V P )2 total (4.23)
Exemplo 4.1. Nesta aplicação usaremos uma anova two-way, ou seja, dois fatores aleatórios.
A tabela 4.5 apresenta as medições realizadas no copo PS, a coluna Ponto representa o ponto
de medição.
T empo (s) P essoa Absorcao (g/m2 ) Desvio

20 Camila 0,11479 0,001618
20 Paula 0,05992 0,000215
22 Paula 0,06308 0,000132
22 Paula 0,06308 0,000132
22 Camila 0,05740 0,000295
20 Camila 0,03021 0,001968
20 Paula 0,08200 0,000055
22 Camila 0,08458 0,000100
20 Camila 0,09667 0,000488
20 Paula 0,05362 0,000439
22 Paula 0,09777 0,000538
22 Paula 0,05362 0,000439
22 Camila 0,09969 0,000631
20 Camila 0,06948 0,000026
20 Paula 0,07569 0,000001
22 Camila 0,08458 0,000100
20 Camila 0,05135 0,000539
20 Paula 0,03785 0,001348
22 Paula 0,08516 0,000112
22 Paula 0,03785 0,001348
22 Camila 0,07854 0,000016
20 Camila 0,09063 0,000258
20 Paula 0,11039 0,001283
22 Camila 0,11177 0,001384
Soma 1,78972 0,013466
Tabela 4.5: Tabela de dados
O modelo estatı́stico para este experimento é:




 i = 1, · · · , p Tempo

Yijk = µ + αi + βj + εijk j = 1, · · · , o Pessoa (4.24)


k = 1, · · · , r

 Réplicas
onde:
• Yijk representa a k-ésima medição no j-ésimo Fator 2 no i-ésima copo;
• µ é a Média das medições;
• αi é o efeito do Tempo;
• βj é o efeito do Fator Pessoa;
• εijk é o erro de replicação.
Para calcularmos as somas de quadrados, precisamos primeiramente calcular as seguintes

variâncias amostrais :
p o r
2 1 XXX
S... = (yijk − ȳ... )2 = 0, 0005855
p o r − 1 i=1 j=1 k=1
p
1 X
Sp2 = (ȳi.. − ȳ... )2 = 0, 0000778
p − 1 i=1
o
1 X
So2 = (ȳ.j. − ȳ... )2 = 0, 0000069
o − 1 j=1
onde, 


 p = 1, 2 Pessoa

o = 1, 2 Tempo



 r = 6 Réplica
2 2
SQT otal = (p o r − 1) S... = (23) S... = 0, 0134657
SQP essoa = o r (p − 1) Sp2 = (12) Sp2 = 0, 000933255
SQT empo = p r (o − 1) So2 = (12) So2 = 0, 000083
SQErro = SQT otal − SQP essoa − SQT empo = 0, 012449957
Os graus de liberdade são:

Pessoa p−1 = 1
Tempo o−1 = 1
Erro por − p − o + 1 = 21
Total por − 1=23
Com isso, o quadrado médio é:
SQP essoa 0, 000933

QMP essoa = =
p−1 1
= 0, 000933
SQT empo 0, 000083

QMT empo = =
o−1 1
= 0, 000083
SQErro 0, 012449957
QMErro = =
por − p − o + 1 21
= 0, 000592855
A tabela abaixo apresenta o resumo da análise de variância.
Fonte G.L. Soma Quad Média Quad Estat. F P-valor

Tempo 1 0,000083 0,000083 0,139300 0,712719
Pessoa 1 0,000933255 0,000933 1,57417 0,223387
Residuals 21 0,012449957 0,000593
Total 23 0,01347
Tabela 4.6: Tabela de Análise de Variância
Aqui, temos que P-Valor é dado por:
T empo P (F1; 21 > 0, 139) = 0, 712719
P essoa P (F1; 21 > 1, 574) = 0, 223387
Portanto, temos que a estimativa da variabilidade com dois fatores é:
σ̂ 2 = QME = 0, 000593
Considerando que os fatores não são significativo, temos que os componentes de variância
são desprezı́veis.
Exemplo 4.2. Para avaliar a exatidão das medições de dureza na escala HRB (ponto 52,39),
tomamos 2 tipos de penetradores e 2 operadores. Cada operador realizou 6 medições com cada
penetrador aleatóriamente. Os dados estão apresentados na tabela 4.7.
Op. A Op. B
Medições Medições
Penetrador 1 2 3 4 5 6 1 2 3 4 5 6
Bom 52 52 52,4 52 52,4 53 53 53 53,2 53,4 52,8 53
Ruim 72,2 71,2 71 70,2 72 72 42 72,4 72 73 73,2 72,3
Tabela 4.7: Medição de Dureza Escala HRB
Solução
2o Passo: Soma de Quadrados:
2
• Cálculo do S... . Seja ȳ... = 61, 07 a média dos dados, com p = 2, o = 2 e r = 6. Então:
2 (52 − 61, 07)2 + (72, 2 − 61, 07)2 + · · · + (72, 00 − 61, 07)2 + (53, 00 − 61, 07)2
S... =
24 − 1
= 109, 6195
2
• Cálculo do Si.. . Veja a tabela 4.8.
Penetrador Média (ȳi.. ) Média das Médias (ȳ... ) (ȳi.. − ȳ... )2

Bom 52,6833 61,0708 70,35
Ruim 69,4583 61,0708 70,35
Total 140,7
2
Tabela 4.8: Cálculo do Si..
Portanto,
2 140, 7
Si.. = = 140, 7
1
2
• Cálculo do S.j. . Veja a tabela 4.9.
Operador Média (ȳ.j. ) Média das Médias (ȳ... ) (ȳ.j. − ȳ... )2

A 61,87 61,0708 0,6334
B 60,28 61,0708 0,6334
Total 1,2667
2
Tabela 4.9: Cálculo do S.j.
Portanto,
2 1, 2667
S.j. = = 1, 2667
1
Utilizando as expressões (4.2), (4.3), (4.4), (4.5) e (4.6) e os resultados das variâncias
amotrais, temos que:
2
SQT = (p o r − 1) S... = 2521, 2496
2
SQO = p r (o − 1) S.j. = 15, 2004
2
SQP = o r (p − 1) Si.. = 1688, 4038
SQE = SQT − SQP − SQO = 817, 6454
3o Passo: Cálculo dos graus de liberdade:

Penetrador p-1 =1
Operador o-1 =1
Erro por-p-o+1 = 21
Total por-1 = 23
4o Passo: Cálculo do erro quadrático médio:
Utilizando as expressões (4.7), (4.8), (4.9) e (4.10) temos que:
SQP
QMP = = (Penetrador)
p−1
SQO
QMO = = (Operador)
o−1
SQE
QME = = (Erro)
por − p − o + 1
6o Passo: Tabela de ANOVA:
Siga os procedimentos de montagem da tabela anova, com base na tabela 4.3, apresentada
no sexto passo da teoria.
7o Passo: Componentes de variância:

Fonte GL SQ QM F
Penetrador
Operador
Erro
Total
Tabela 4.10: Tabela de Análise de Variância (ANOVA) - Sem interação
p
VE = QME =
r
QMP − QME
VP = =
o∗r
s
QMO − QME
VO = =
p∗r
p
R&R = (V E)2 + (VO )2 =
p
VT = (R&R)2 + (V P )2 =
92
Capı́tulo 5
Cálculo de Incerteza de um Relógio

Comparador
Considere o processo de calibração de um relógio de resolução de 0,01mm. Esta calibração

é realizada por comparação utilizando-se um calibrador de relógio. O calibrador apresenta
uma resolução 0,001 mm com incerteza expandida de 0,001 mm com k=2. Os resultados são
apresentados na tabela 9.2.
Ref. Leituras (mm) Média Tend DP DPM

A R A R A R
0,1 0,101 0,098 0,102 0,101 0,102 0,102 0,101 0,001 0,0015492 0,000633
0,5 0,503 0,502 0,504 0,501 0,504 0,502 0,502667 0,0026667 0,0012111 0,000494
0,7 0,7 0,695 0,702 0,697 0,703 0,698 0,699167 -0,0008333 0,0030605 0,001249
1 1,002 1 1,001 1,001 0,996 0,998 0,999667 -0,0003333 0,0022509 0,000919
Tabela 5.1: Tabela de Dados
Na tabela 9.2, temos que
• A: representa a leitura no avanço;
• R: representa a leitura no retorno;
• Tend: representa a tendência;
• Ref: representa o valor de referência;
• DP: representa o Desvio Padrão;
• DPM: representa o Desvio padrão da Média ou repetitividade.

5. Cálculo de Incerteza de um Relógio Comparador 93
Método de Medição
A calibração corresponde a diferença entre as medições do relógio e do calibrador
d = l − lS
onde
• l: representa a leitura ajustada no relógio comparador;
• lS : representa a leitura obtida pelo calibrador.
Modelo Matemático
Os desvios obtidos apresentam as seguintes fontes de incerteza
d = ∆l + Res(Rel) + Res(Cal) + Histerese
Então,
l = d + ls = ∆l + Res(Rel) + Res(Cal) + Histerese + ls
onde,
• ∆l : representa a diferença observada entre a medição do relógio e a medição do calibrador

(repetitividade);
• Res(Rel) : Resolução do relógio;
• Res(Cal) : Resolução do calibrador;
• ls : representa a contribuição do padrão;
• Histerese: Máxima diferença entre a medição no avanço e no retorno.

5.1 Incerteza Combinada

Através da equação de propagação da incerteza, temos que a expressão da incerteza combinada
é dada por
p
uc (d) = u2 (∆l ) + u2 (Res(Rel)) + u2 (Res(Cal)) + u2 (ls ) + u2 (Histerese)
5.2 Cálculo da Incerteza Padrão das grandezas de en-

trada
A seguir, vamos calcular a incerteza de cada fonte.
5.2.1 Repetitividade (∆l )
Incerteza do tipo A Agrupada:
r Pn r
i=1 u2A (i) 0, 0000030
u(∆l ) = = =
n 4
Onde
• u(∆l ): representa a incerteza combinada (agrupada) do tipo A;
• uA (i): representa a incerteza do tipo A no ponto de calibração i;
• n: representa o número de pontos de calibração.
5.2.2 Incerteza Herdada do Padrão U (ls )
Distribuição: Normal
u(ls ) =
5.2.3 Resolução do Calibrador (Res(Cal))
Distribuição: Retangular
u(Res(Cal)) =
5.2.4 Resolução do Relógio (Res(Rel))
u(Res(Rel)) =
5.2.5 Cálculo da Histerese
Referência Média do Avanço Média do Retorno |Histerese|

0,1 0,101667 0,100333 0,0013333
0,5 0,503667 0,501667 0,002
0,7 0,701667 0,696667 0,005
1 0,999667 0,999667 0
Histerese Máxima:
5.3 Cálculo de Incerteza do Relógio
5.3.1 Cálculo da Incerteza Combinada
Fonte Estimativa Tipo Distribuição Divisor Incerteza

Repetitividade 0,000866 A Normal 1 0,000866
Res(Rel) 0,01 B Retangular 3,464 0,002887
Res(Cal) 0,001 B Retangular 3,464 0,0002887
Incert. Herdada do ls 0,001 B Normal 2 0,0005
Histerese 0,005 B Retangular 3,464 0,00144342
Incerteza Combinada:
p
uc (d) = (0, 000866)2 + (0, 002887)2 + (0, 0002887)2 + (0, 0005)2 + (0, 00144342)2
5.3.2 Graus de liberdade Efetivo

4
uc (d)
νef f = νA =
u(∆l )
Através da tabela t-Student encontramos k =
5.4 Incerteza Expandida

U = k ∗ uc (d) =
O relógio de medição é utilizado para medir uma tolerância de 0,2mm. Faça um estudo da
comprovação metrológica.
97
Capı́tulo 6
Cálculo de Incerteza de um
Manômetro
Objeto a ser calibrado: Manômetro

Resolução: 1kgf /cm2.
Faixa de Indicação (faixa nominal): 0 − 160kgf /cm2.
Padrão de referência: Manômetro padrão.

Resolução: 0, 1kgf /cm2
Incerteza expandida - U = 0, 1% (k = 2) (Fundo de escala).
Temperatura durante a calibração: 22 ± 1 ◦ C.
Faixa de Indicação (faixa nominal): 0 − 200kgf /cm2.
Resultados: A bancada foi ajustada com o manômetro (a ser calibrado) e as leituras foram
realizadas com o padrão. A tabela 6.1 apresenta os dados.
6. Cálculo de Incerteza de um Manômetro 98
Ajustado Leituras (Kgf /cm2 ) Média Tendência DP DPM

A R A R A R
15 14,9 14,9 14,8 14,9 14,9 14,9 14,883 -0,11667 0,040825 0,016667
30 29,8 29,6 29,7 29,7 29,8 29,7 29,717 -0,28333 0,075277 0,030732
45 45 44,6 45,1 44,7 45,1 44,7 44,867 -0,13333 0,225093 0,091894
60 60,1 59,7 60 59,8 60,1 59,8 59,917 -0,08333 0,17224 0,070317
75 75 74,6 75 74,6 75 74,6 74,8 -0,2 0,219089 0,089443
90 89,9 89,5 89,9 89,6 89,8 89,6 89,717 -0,28333 0,17224 0,070317
105 104,9 104,5 105 104,6 105 104,6 104,767 -0,23333 0,225093 0,091894
120 119,9 119,7 119,8 119,8 119,9 119,7 119,8 -0,2 0,089443 0,036515
140 140,2 140 140,1 140,2 140,2 140 140,117 0,116667 0,098319 0,040139
160 160,3 160,1 160,2 160,2 160,2 160,2 160,2 0,2 0,063246 0,02582
Tabela 6.1: Tabela de Dados para o Manômetro
Na tabela 6.1, temos que
• A: representa a leitura no avanço;
• R: representa a leitura no retorno;
• D: representa o Desvio;
• DP: representa o Desvio Padrão;
• DPM: representa o Desvio padrão da Média ou repetitividade.
Equação Matemática
Desvio = Medida do Manômetro − Manômetro padrão
Fontes de Incerteza
• Repetitividade - tipo A;
• Resolução do manômetro;
• Resolução do manômetro padrão;
• Incerteza herdada do padrão, U = 0, 1% (k = 2):
Porcentagem tomada em relação ao fundo de escala.
U (unidade)
U= 100% ,
200
Então
U (%)
U (unidade) = 200
100
U (unidade)
uc =
k
• Histerese.
6.1 Incerteza Combinada

Através da equação de propagação da incerteza, temos que a expressão da incerteza combinada
para o manômetro é dada por
p
uc (M ) = u2 (∆l ) + u2 (Res(man)) + u2 (Res(padra)) + u2 (hP ad ) + u2 (Hist)
Onde
• u(∆l ): representa a incerteza devido a repetitividade;
• u(Res(man)): representa a incerteza devido a resolução do manômetro;
• u(Res(padra)): representa a incerteza devido a resolução do manômetro padrão;
• u(hP ad ): representa a incerteza herdada do manômetro padrão;
• u(Hist): representa a incerteza devido a histerese;
6.2 Cálculo da Incerteza Padrão das grandezas de en-

trada
A seguir, vamos calcular a incerteza de cada fonte.
6.2.1 Repetitividade (∆l )
Incerteza do tipo A Agrupada:
sP
n r
i=1 u2Ai 0, 0396111
u(∆l ) = = =
n 10
Onde
• u(∆l ): representa a incerteza do tipo A;
• uAi : representa a incerteza do tipo A para o i-ésimo ponto de calibração;
• n: representa o número de pontos de calibração.
6.2.2 Incerteza Herdada do Manômetro Padrão - U(Upadrão)
Distribuição: Normal
u(hP ad ) =
6.2.3 Resolução do Manômetro Pãdrão - U(Res(padra))
u(Res(padra)) =
6.2.4 Resolução do Manômetro - U(Res(man))
u(Res(man)) =
6.2.5 Cálculo da Histerese
Média do Avanço Média do Retorno |Histerese|

14,867 14,9 0,033333
29,767 29,667 0,1
45,0667 44,667 0,4
60,067 59,767 0,3
75 74,667 0,333333
89,867 89,567 0,3
104,9 104,567 0,333333
119,867 119,733 0,133333
140,1 140,067 0,033333
160,233 160,233 0
Histerese Máxima:
6.3 Cálculo da Incerteza do Manômetro
6.3.1 Cálculo da Incerteza Combinada
FV Estimativa Tipo Distribuição Divisor Incerteza

Repetitividade 0,062937 A Normal 1 0,062937
Inc. Herdada 0,2 B Normal 2 0,1
Res-Padrão 0,1 B Retangular 3,464 0,02887
Res-manôm. 1 B Retangular 3,464 0,2887
Histerese 0,4 B Retangular 3,464 0,11547
Incerteza combinada:
p
uc (M ) = (0, 062937)2 + (0, 1)2 + (0, 02887)2 + (0, 2887)2 + (0, 11547)2
6.3.2 Graus de liberdade efetivo

4
uc (M )
νef f = νA =
u(∆l )
Através da tabela t-Student encontramos k =
6.3.3 Incerteza Expandida
U = k ∗ uc (M ) =
6.3.4 Expressão da Incerteza em Porcentagem

U (unidade)
U= 100%
160
103
Capı́tulo 7
Cálculo de Incerteza de um Voltı́metro

Digital
Exemplo 7.1. Considere a calibração de um voltı́metro digital por comparação.

Código: VO341 Série: 006-C Descrição: Voltı́metro digital
Menor Div. 0,1 mV Unidade: mV Faixa de leitura: 0 a 200 mV
Temperatura ambiente: 20 ± 3o C;
Padrão de referência: Multı́metro digital HP - 3458A

Resolução: 0,01 mV U = ± 0,001% (k=2) (em relação ao fundo de escala)
Drift (estabilidade) =± 0,002 mV
Faixa de leitura: 0 a 200 mV
Modelo Matemático
Desvio = (Voltagem indicada no equipamento em calibração) - (voltagem do padrão de

referência)
Valores Encontrados:
Leitura
Padrão 1 2 3 4 Média Tend. DPM
40 40,11 40,15 40,16 40,12 40,135 0,135 0,0119024
80 80,12 80,16 80,14 80,13 80,138 0,1375 0,0085391
120 120,15 120,17 120,19 120,19 120,175 0,175 0,0095743
160 160,23 160,18 160,17 160,18 160,19 0,19 0,0135401
200 200,21 200,23 200,26 200,27 200,243 0,2425 0,0137689
7. Cálculo de Incerteza de um Voltı́metro Digital 104
Planilha de Incerteza
Fonte de Incerteza Valor Tipo Dist Divisor Incerteza gl

Repetitividade
Incerteza do Padrão
Resolução Padrão
Drift do Padrão
Resolução Voltı́metro
Incerteza Combinada:
Graus de Liberdade efetivo
4
uc (y)
υef f = νA =
uA (y)
Onde νA = j ∗ (n − 1) corresponde ao grau de liberdade tipo A, tal que j é o número de
pontos de calibração e n o número de leituras por ponto.
Incerteza Expandida:
Avaliação da incerteza: Suponha que este equipamento seja utilizado para medir uma
tolerância de 3 mV. Faça uma análise crı́tica da capacidade deste equipamento para medir
tal tolerância.
105
Capı́tulo 8
Cálculo de Incerteza no Ensaio de

Tensão
8.1 Calibração
X Equação de Medição
A expressão 8.1 representa a equação de medição utilizada para a obtenção da Tensão:
T = M + Res + Inst + ∆ (8.1)
T : Representa a Tensão
M : Representa a tensão no multı́metro padrão do laboratório. Podemos supor que M tem

distribuição Normal com incerteza u(herdM ) e fator de abrangência obtidos via certificado
de calibração.
Res: Resolução do multı́metro. Podemos supor que a resolução tem distribuição retangular
(ou uniforme) no intervalo − Res , Res

2 2
, onde Res é a resolução do artefato. Logo, a
incerteza devida a resolução será dada por:
Res
u(Res) = √
2 3
Inst: Instabilidade do multı́metro. Podemos supor que a Instabilidade tem distribuição retan-
gular (ou uniforme) no intervalo − Inst , Inst

2 2
, onde Inst é a Instabilidade do artefato.
8. Cálculo de Incerteza no Ensaio de Tensão 106
Logo, a incerteza devida a Instabilidade será dada por:
Inst
u(Inst) = √
2 3
∆: Representa a leitura do equipamento. Podemos supor que a distribuição da média das

medições (repetitividade) tem distribuição normal. Logo, podemos estimar sua incerteza
(desvio padrão) como
s
u(∆) = √ ,
n
1
Pn 1
Pn
onde s2 = n−1 i=1 (xi − X)
2
é a variância amostral e X = n i=1 xi é a média amostral;
X Incerteza Combinada (uc (T ))
A incerteza combinada para a Tensão é dada por:
uc (T )2 = u2 (herdM ) + u2 (Res) + u2 (Inst) + u2 (∆)
Logo,
p
uc (T ) = u2 (herdM ) + u2 (Res) + u2 (Inst) + u2 (∆).
X Incerteza Expandida (U (T ))
Aqui, a expressão 8.2 representa a incerteza expandida para a Tensão.
U (T ) = k × uc (T ) (8.2)
onde, k (fator de abrangência) é o quantil da distribuição t-Student com νef f (T ) graus

de liberdade e confiança de 95%. Aqui, os graus de liberdade são dados por:
(uc (T ))4
νef f (T ) = u4 (∆) u4 (herdM ) u4 (Res) u4 (Inst)
n−1
+ ∞
+ ∞
+ ∞
A tabela 9.3 apresenta o resumo para o calculo da incerteza da Tensão.

Cálculo de Incerteza - Canal de Tensão

Sı́mbolo Fontes de Incerteza Unidade Est. Tipo Distr. Div. Incerteza C.S. Contr. G.L.
∆ Repetitividade A Normal 1 1 n−1
M Equip. Medição B Normal k
√ 1 ∞
Res Resolução B Retangular 2 √3 1 ∞
Inst Instabilidade B Retangular 2 3 1 ∞
Incerteza Combinada uc (T )
Grau de Liberdade Efetivo (G.L.) νef f (T )
Fator de Abrangência k
Incerteza Expandida U (T )
Est. = Estimativa Distr. = Distribuição Div. = Divisor
C.S. = Coeficiente de Sensibilidade Contr. = Contribuição G.L. = Graus de Liberdade
Tabela 8.1: Resumo do Cálculo de Incerteza para a Tensão
8.2 Aplicação
Considere um Ensaio de Tensão, utilizando um Multı́metro, são realizadas 5 leituras, na
unidade de milivolts (mV). Os resultados são apresentados na Tabela 8.2.
Leituras (mV)
97,761
102,488
100,870
98,941
100,510
Média 100,1139
Repetitividade 0,8148
Os dados necessários para esta aplicação são:
• A incerteza do multı́metro U (herdM ) = 1% da leitura com k = 2;
• A resolução do multı́metro Res(M ) = 0, 1% da leitura;
• A instabilidade do multı́metro Inst(M ) = 0, 04% da leitura;

√
• A repetitividade (%) é dada por: u(∆) = 100 s/T n = 100 100,1139
0,8148
= 0, 81383%
A seguir, todos os cálculos serão feitos em porcentagem (%)!!!!

uc (T ) =

((uc (T ))4
νef f (T ) = u4 (∆) u4 (herdM ) u4 (Res) u4 (Inst)
n−1
+ ∞
+ ∞
+ ∞
Considerando os graus de liberdade efetivo e uma confiança de aproximadamente 95%,

temos pela tabela da distribuição t-student, que o fator de abrangência é k = . Com isso,
a incerteza expandida para a variável tensão:
U (T ) = k × uc (T )
Cálculo de Incerteza - Canal de Tensão

∆ Repetitividade % 0,81383 A Normal 1 0,81383 1 0,81383 4
M Equip. Medição % 1 B Normal 2
√ 0,5 1 0,5 ∞
Res Resolução % 0,1 B Retangular 2 √3 0,0289 1 0,0289 ∞
Inst Instabilidade % 0,04 B Retangular 2 3 0,01155 1 0,01155 ∞
Incerteza Combinada 0, 9557
Grau de Liberdade Efetivo (G.L.) 7, 61
Fator de Abrangência 2, 33
Incerteza Expandida 2, 22 %
Tabela 8.3: Resumo do Cálculo de Incerteza para a Tensão

109
Capı́tulo 9

Corrente
9.1 Calibração
A expressão 9.1 representa a equação de medição utilizada para a obtenção da Corrente:
I = M + Res + Inst + ∆ (9.1)
I: Representa a Corrente
M : Representa a tensão no multı́metro padrão do laboratório. Podemos supor que M tem

distribuição Normal com incerteza u(herdM ) e fator de abrangência obtidos via certificado
de calibração.
Res: Resolução do multı́metro. Podemos supor que a resolução tem distribuição retangular
(ou uniforme) no intervalo − Res Res

2
, 2
, onde Res é a resolução do artefato. Logo, a
incerteza devida a resolução será dada por:
Res
u(Res) = √
2 3
Inst: Instabilidade do multı́metro. Podemos supor que a Instabilidade tem distribuição retan-
gular (ou uniforme) no intervalo − Inst Inst

2
, 2
, onde Inst é a Instabilidade do artefato.
9. Cálculo de Incerteza no Ensaio de Corrente 110
Logo, a incerteza devida a Instabilidade será dada por:
Inst
u(Inst) = √
2 3

s
u(∆) = √ ,
n
1
Pn 1
Pn
onde s2 = n−1 i=1 (xi − X)
2
é a variância amostral e X = n i=1 xi é a média amostral;
X Incerteza Combinada (uc (I))
uc (I)2 = u2 (herdM ) + u2 (Res) + u2 (Inst) + u2 (∆)
Logo,
p
uc (I) = u2 (herdM ) + u2 (Res) + u2 (Inst) + u2 (∆).
X Incerteza Expandida (U (I))

Aqui, a expressão 9.2 representa a incerteza expandida para a Corrente.
U (I) = k × uc (I) (9.2)
onde, k (fator de abrangência) é o quantil da distribuição t-Student com νef f (I) graus de
liberdade e confiança de 95%. Aqui, os graus de liberdade são dados por:
(uc (I))4
νef f (I) = u4 (∆) u4 (herdM ) u4 (Res) u4 (Inst)
n−1
+ ∞
+ ∞
+ ∞
A tabela 9.1 apresenta o resumo para o calculo da incerteza da Corrente.

Cálculo de Incerteza - Canal de Corrente

∆ Repetitividade A Normal 1 1 n−1
M Equip. Medição B Normal k
√ 1 ∞
Res Resolução B Retangular 2 √3 1 ∞
Inst Instabilidade B Retangular 2 3 1 ∞
Incerteza Combinada uc (T )
Grau de Liberdade Efetivo (G.L.) νef f (T )
Incerteza Expandida U (T )
Tabela 9.1: Resumo do Cálculo de Incerteza para a Corrente
9.2 Aplicação
Considere um Ensaio de Corrente, utilizando um Multı́metro, são realizadas 5 leituras, na
unidade de miliamper (mA). Os resultados são apresentados na Tabela 9.2. Temos que, a
Instabilidade do Multı́metro é ±0, 2%.
Leituras (mA)
500,41
500,32
501,75
498,06
496,71
Média 499,45
Repetitividade 0,9058
• A incerteza do multı́metro u(herdM ) = 1% da leitura com k = 2;
• A resolução do multı́metro res(M ) = 0, 1% da leitura ;
• A instabilidade do multı́metro inst(M ) = 0, 4% da leitura;

√
• A repetitividade (%) é dada por: u(∆) = 100 s/I n = 100 0,9058
499,45
= 0, 18%
uc (I) =

(uc (I))4
νef f (I) = u4 (∆) u4 (herdM ) u4 (Res) u4 (Inst)
n−1
+ ∞
+ ∞
+ ∞

temos pela tabela da distribuição t-student, que o fator de abrangência é k = . Com isso,
a incerteza expandida para a variável corrente:
U (I) = k × uc (I)
Cálculo de Incerteza - Canal de Corrente

M Equip. Medição % 1 B Normal 2
√ 0,5 1 0,5 ∞
Res Resolução % 0,1 B Retangular 2 √3 0,0289 1 0,0289 ∞
Inst Instabilidade % 0,4 B Retangular 2 3 0,0115 1 0,0115 ∞
Incerteza Combinada 0, 5328
Grau de Liberdade Efetivo (G.L.) 297, 96
Fator de Abrangência 1, 96
Incerteza Expandida 1, 04 %
Tabela 9.3: Resumo do Cálculo de Incerteza para a Corrente

113
Capı́tulo 10

Impedância
10.1 Calibração
A expressão 10.1 representa a equação de medição utilizada para a obtenção da Impedancia:
V
R= +∆
I
R: Representa a Impedancia;
V : Representa a tensão no multı́metro padrão do laboratório. Podemos supor que V tem

distribuição Normal com incerteza U (V ) e fator de abrangência obtidos na capı́tulo 8.
I: Representa a corrente no multı́metro padrão do laboratório. Podemos supor que I tem

distribuição Normal com incerteza U (I) e fator de abrangência obtidos na capı́tulo 9.

s
u(∆) = √ ,
n
1
Pn 1
Pn
onde s2 = n−1 i=1 (xi − X)
2
é a variância amostral e X = n i=1 xi é a média amostral.
X Incerteza Combinada (uc (R))

10. Cálculo de Incerteza no Ensaio de Impedância 114
2
2
∂R ∂R
u2c (R) = 2
u (V ) + u2 (I) + u2 (∆)
∂V ∂I
2 2
1 V
= u (V ) + − 2 u2 (I) + u2 (∆)
2
I I
A Incerteza combinada relativa é dada por

2 2 2 2
u2 (R) u (I) u2 (∆)

1 u (V ) V
u2r (R) = c 2 = + − +
R I R2 I2 R2 R2
Logo,
s 2 2 2
u(V ) u(I) u(∆)
ur (R) = + +
V I R
p
= u2r (V ) + u2r (I) + u2r (∆)
X Incerteza Expandida (U (R))

Aqui, a expressão 10.1 representa a incerteza expandida para a Impedância.
U (R) = k × ur (R) (10.1)
onde, k (fator de abrangência) é o quantil da distribuição t-Student com νef f (R) graus
de liberdade e confiança de 95%. Aqui, os graus de liberdade são dados por:
(ur (R))4
νef f (R) = u4r (V ) u4r (I) u2r (∆)
=∞
∞
+ ∞
+ n−1
A tabela 10.3 apresenta o resumo para o calculo da incerteza da Impedância.

Cálculo de Incerteza - Canal de Impedância

∆ Repetitividade % A Normal 1 1 n−1
V Herdada da Tensão % B Normal k 1 ∞
I Herdada da Corrente % B Normal k 1 ∞
Incerteza Combinada uc (R)
Grau de Liberdade Efetivo (G.L.) νef f (R)
Incerteza Expandida U (R)
Tabela 10.1: Resumo do Cálculo de Incerteza para a Impedância
10.2 Aplicação
Considere um Ensaio de Impedância, utilizando os dados dos Capı́tulos 9 e 8, temos os
valores da Impedância na Tabela 10.2
Tensão (mV) Corrente (mA) Impedância

97,761 500,41 0,195
102,488 500,32 0,205
100,870 501,75 0,201
98,941 498,06 0,199
100,510 496,71 0,202
Média 100,113856 Média 499,45 Média 0,2004
Repetitividade 0,8148 Repetitividade 0,9058 Repetitividade 0,0017
• A incerteza herdada da Tensão U (V ) = 2, 22 % com k = 2, 33;
• A incerteza herdada da Corrente U (I) = 1, 04 % com k = 1, 96;

√
• A repetitividade (%) é dada por: u(∆) = 100 s/R n = 100 0,0017
0,2004
= 0, 829%.
A incerteza combinada para a Impedância é dada por:
ur (R) =
(ur (R))4
νef f (R) = u4r (V ) u4r (I) u2r (∆)
∞
+ ∞
+ n−1

temos pela tabela da distribuição t-student, que o fator de abrangência é k = . Com isso, a
incerteza expandida para a variável impedância:
U (R) = k × ur (R)
Cálculo de Incerteza - Canal de Impedância

I Herdada da Corrente % 1,0442 B Normal 1, 96 0,5328 1 0,5328 ∞
V Herdada da Tensão % 2,2238 B Normal 2, 33 0,9557 1 0,9557 ∞
Incerteza Combinada 1,3727
Grau de Liberdade Efetivo (G.L.) 30,07
Fator de Abrangência 2,04
Incerteza Expandida 2,8%
Tabela 10.3: Resumo do Cálculo de Incerteza para a Impedância

117
Apêndice A
Parâmetros Caracterı́sticos de um
Sistema de Medição
Para caracterizar o comportamento metrológico de um sistema de medição, são empregados

alguns parâmetros metrológicos. Estes parâmetros podem ser expressos na forma de um simples
número, uma faixa de valores ou na forma de um gráfico. Aqui, são descritos os principais
parâmetros.
Faixa Nominal
A faixa nominal é a faixa de indicação que se pode obter em uma posição especı́fica dos
controles de um instrumento de medição. A faixa nominal normalmente é definida em termos
de seus limites inferiores e superiores. Exemplos:
• Termômetro: 100o C a 200o C
• Manômetro: 0 bar a 20 bar
• Contador: 5 dı́gitos ( isto é 99999 pulsos )
Quando o limite inferior é zero, a faixa nominal pode ser definida unicamente em termos do
limite superior, por exemplo: a faixa nominal de 0V a 100V é expressa como ”100 V”.
Amplitude da Faixa Nominal
A amplitude da faixa nominal é a diferença, em módulo, entre os dois limites de uma faixa
nominal de -10 V a + 10 V a amplitude da faixa nominal é 20 V. Em algumas áreas, a diferença
entre o maior e o menor valor é denominado faixa.
A. Parâmetros Caracterı́sticos de um Sistema de Medição 118
Faixa de Medição
A faixa de medição, também denominada faixa de trabalho, é o conjunto de valores de um

mesurando para o qual admite-se que o erro de um instrumento de medição mantém-se dentro
dos limites especificados. Exemplo: Num relógio Apalpador a faixa de medição é de ± 50 µm
a + 50 µm ).
A faixa de medição é menor ou, no máximo, igual a faixa nominal. O valor da faixa de
medição pode ser obtidas através:
• do manual de operação do SM;
• de sinais gravados sobre a escala;
• das especificações de normas técnicas;
• dos relatórios de calibração.
Divisão de Escala
É a parte de uma escala compreendida entre duas marcas sucessivas quaisquer.
Comprimento de uma Divisão
É a distância entre duas marcas sucessivas quaisquer, medidas ao longo da linha do com-
primento de escala. O comprimento de uma divisão é expresso em unidades de comprimento.
Qualquer que seja a unidade mensurado ou a unidade marcada sobre a escala.
Valor de uma Divisão
O valor de uma divisão é a diferença entre os valores de escala correspondente a duas marcas
sucessivas.
Condições de Utilização
São as condições de uso para as quais as caracterı́sticas metrológicas especificadas de um

instrumento de medição mantém-se dentro de limites especificados.
Condições de Referência
As condições de referência são as condições usuais prescritas para ensaio de desempenho

de um instrumento de medição ou para intercomparação de resultados de medições. Es-
tas condições geralmente incluem os valores de referência ou as faixas de referência para as
grandezas de influência que afetam o instrumento de medição.
Caracterı́stico de Resposta
É a relação entre um estı́mulo e a resposta correspondente, sob condições definidas. Exem-

plo: a força elemotriz ( fem) de um termopar como função da temperatura. A relação poderá
ser expressa na forma de uma equação matemática, uma tabela numérica ou um gráfico.
Sensibilidade
A sensibilidade é caracterizada pela variação da resposta de um instrumento de medição

dividida pela variação de estimulo. Nos instrumentos com indicador de ponteiro comumente
se estabelece a sensibilidade como sendo a relação entre o deslocamento da extremidade do
ponteiro em (mm) e o valor unitário da grandeza a medir.
Limiar de Mobilidade
É a maior variação no estimulo que não produz variação detectável na resposta de um

instrumento de medição, sendo a variação no sinal de entrada lenta e uniforme. O limiar de
mobilidade ( também chamado threshold ) pode depender, por exemplo de ruı́do ( interno e
externo ) ou atrito. Pode depender também, do valor do estı́mulo.
Resolução
A resolução é a menor diferença entre as indicações de um dispositivo mostrador que pode

ser significativamente percebida. A avaliação da resolução é executada em função do tipo de
instrumento:
a) Para dispositivo mostrador digital, a resolução é a variação na indicação quando o dı́gito

menos significativo varia de uma unidade.
b) Nos sistemas de medição com dispositivo mostrador analógico, a resolução é função das
limitações do executor da leitura, da qualidade do indicador e da própia necessidade de
leituras mais ou menos criteriosas.
Estabilidade
A estabilidade é a aptidão de um instrumento de medição em conservar constantes suas

caracterı́sticas metrológicas ao longo do tempo. A estabilidade pode ser quantificada de várias
maneiras, por exemplo: pelo tempo no qual a caracterı́stica metrológica varia de um valor
determinado, ou, em termos de variação de uma caracterı́stica em um determinado perı́odo de
tempo.
Discrição
Caracteriza a aptidão de um instrumento de medição em não alterar o valor do mensurado.

Por exemplo: Uma balança é um instrumento discreto para medição de massas, pois o sistema
de medição não altera o valor da massa. Um termômetro de resistência que aquece o meio
ambiente no qual a temperatura está sob medição, não é discreto.
Deriva
A deriva é a variação lenta de uma caracterı́stica metrológica de um instrumento de medição.
Tempo de Resposta
É o intervalo entre o instante em que o estı́mulo é submetido a uma variação brusca e o

instante em que a resposta atinge e permanece dentro de limites especificados em torno do seu
valor final estável.
Exatidão de Um Instrumento de Medição
A exatidão é a aptidão de um instrumento de medição par dar respostas próximas a um

valor verdadeiro ( também denominada de acurácia ). A exatidão é um conceito qualitativo,
não devendo ser confundido com precisão.
Classe de Exatidão
Classe de instrumentos de medição ou medidas materializadas, que satisfazem a certas

exigências metrológicas para conservar os erros dentro de certos limites especificados. Uma
classe de exatidão é usualmente indicada por um número ou sı́mbolo adotado por convenção e
denominado de ı́ndice de classe, por exemplo: jogo de blocos padrão classe 0.
Erro de Indicação em um Instrumento de Medição

Este erro é determinado pela diferença da indicação de um instrumento de medição e um

valor verdadeiro da grandeza de entrada correspondente. Uma vez que um valor verdadeiro
não pode ser determinado, então na prática é utilizado um valor verdadeiro convencional. Este
conceito de erro aplica-se principalmente quando o instrumento é comparado a um padrão de
referência. Para uma medida materializada, o erro é caracterizado entre a indicação e o valor
atribuı́do a ela.
Erros Máximos Admissı́veis
São os valores extremos de um erro admissı́vel por especificações, regulamentos, etc, para
um dado instrumento de medição. Também denominado de Limites de Erros Admissı́veis.
Tendência
A tendência é o erro sistemático da indicação de um instrumento de medição ( também

denominado: bias of a measuring instrument, erreur de justesse ). A tendência de um instru-
mento de medição é normalmente estimada pela média dos erros de indicação de um número
apropriado de medições repetidas.
Isenção de Tendência
Aptidão de um instrumento de medição em dar indicações isentas de erros sistemáticos.
Repetitividade
A repetitividade é a aptidão de um instrumento de medição em fornecer indicações muito

próximas, em repetidas aplicações do mesmo mensurando, sob as mesmas condições de medição.
Estas condições incluem:
• Redução ao mı́nimo das variáveis devido ao observador;
• Mesmo procedimento de medição;
• Mesmo avaliador;
• Mesmo equipamento de medição, sendo utilizado nas mesmas condições;
• Mesmo local;
• Repetições em um curto perı́odo de tempo.

A repetitividade pode ser expressa quantitativamente em termos das caracterı́sticas de dis-

persão das indicações.
Histerese
A histerese de um instrumento de medição é um erro de medição, que ocorre quando há

diferença entre a medida para um dado valor do mensurado quando esta foi atingida por
valores crescentes e a medida quando atingida por valores decrescentes do mensurado. Este
valor poderá ser diferente se o ciclo de carregamento e descarregamento for completo ou parcial.
A histerese é um fenômeno bastante tı́pico nos instrumentos mecânicos, tendo como fonte de
erro, principalmente, folgas e deformações associadas ao atrito.
123
Apêndice B
Tabelas Estatı́sticas
B. Tabelas Estatı́sticas 124
• Distribuição Normal - Tabela 6 Sigma
Z Área Z Área Z Área Z Área

0,00 0,500000000 0,50 0,308537539 1,00 0,158655254 1,50 0,066807201
0,01 0,496010644 0,51 0,305025731 1,01 0,156247645 1,51 0,065521712
0,02 0,492021686 0,52 0,301531788 1,02 0,153864230 1,52 0,064255488
0,03 0,488033527 0,53 0,298055965 1,03 0,151505003 1,53 0,063008364
0,04 0,484046563 0,54 0,294598516 1,04 0,149169950 1,54 0,061780177
0,05 0,480061194 0,55 0,291159687 1,05 0,146859056 1,55 0,060570758
0,06 0,476077817 0,56 0,287739719 1,06 0,144572300 1,56 0,059379941
0,07 0,472096830 0,57 0,284338849 1,07 0,142309654 1,57 0,058207556
0,08 0,468118628 0,58 0,280957309 1,08 0,140071090 1,58 0,057053433
0,09 0,464143607 0,59 0,277595325 1,09 0,137856572 1,59 0,055917403
0,10 0,460172163 0,60 0,274253118 1,10 0,135666061 1,60 0,054799292
0,11 0,456204687 0,61 0,270930904 1,11 0,133499513 1,61 0,053698928
0,12 0,452241574 0,62 0,267628893 1,12 0,131356881 1,62 0,052616138
0,13 0,448283213 0,63 0,264347292 1,13 0,129238112 1,63 0,051550748
0,14 0,444329995 0,64 0,261086300 1,14 0,127143151 1,64 0,050502583
0,15 0,440382308 0,65 0,257846111 1,15 0,125071936 1,65 0,049471468
0,16 0,436440537 0,66 0,254626915 1,16 0,123024403 1,66 0,048457226
0,17 0,432505068 0,67 0,251428895 1,17 0,121000484 1,67 0,047459682
0,18 0,428576284 0,68 0,248252230 1,18 0,119000107 1,68 0,046478658
0,19 0,424654565 0,69 0,245097094 1,19 0,117023196 1,69 0,045513977
0,20 0,420740291 0,70 0,241963652 1,20 0,115069670 1,70 0,044565463
0,21 0,416833837 0,71 0,238852068 1,21 0,113139446 1,71 0,043632937
0,22 0,412935577 0,72 0,235762498 1,22 0,111232437 1,72 0,042716221
0,23 0,409045885 0,73 0,232695092 1,23 0,109348552 1,73 0,041815138
0,24 0,405165128 0,74 0,229649997 1,24 0,107487697 1,74 0,040929509
0,25 0,401293674 0,75 0,226627352 1,25 0,105649774 1,75 0,040059157
0,26 0,397431887 0,76 0,223627292 1,26 0,103834681 1,76 0,039203903
0,27 0,393580127 0,77 0,220649946 1,27 0,102042315 1,77 0,038363570
0,28 0,389738752 0,78 0,217695438 1,28 0,100272568 1,78 0,037537980
0,29 0,385908119 0,79 0,214763884 1,29 0,098525329 1,79 0,036726956
0,30 0,382088578 0,80 0,211855399 1,30 0,096800485 1,80 0,035930319
0,31 0,378280478 0,81 0,208970088 1,31 0,095097918 1,81 0,035147894
0,32 0,374484165 0,82 0,206108054 1,32 0,093417509 1,82 0,034379502
0,33 0,370699981 0,83 0,203269392 1,33 0,091759136 1,83 0,033624969
0,34 0,366928264 0,84 0,200454193 1,34 0,090122672 1,84 0,032884119
0,35 0,363169349 0,85 0,197662543 1,35 0,088507991 1,85 0,032156775
0,36 0,359423567 0,86 0,194894521 1,36 0,086914962 1,86 0,031442763
0,37 0,355691245 0,87 0,192150202 1,37 0,085343451 1,87 0,030741909
0,38 0,351972708 0,88 0,189429655 1,38 0,083793322 1,88 0,030054039
0,39 0,348268273 0,89 0,186732943 1,39 0,082264439 1,89 0,029378980
0,40 0,344578258 0,90 0,184060125 1,40 0,080756659 1,90 0,028716560
0,41 0,340902974 0,91 0,181411255 1,41 0,079269841 1,91 0,028066607
0,42 0,337242727 0,92 0,178786380 1,42 0,077803841 1,92 0,027428950
0,43 0,333597821 0,93 0,176185542 1,43 0,076358510 1,93 0,026803419
0,44 0,329968554 0,94 0,173608780 1,44 0,074933700 1,94 0,026189845
0,45 0,326355220 0,95 0,171056126 1,45 0,073529260 1,95 0,025588060
0,46 0,322758110 0,96 0,168527607 1,46 0,072145037 1,96 0,024997895
0,47 0,319177509 0,97 0,166023246 1,47 0,070780877 1,97 0,024419185
0,48 0,315613697 0,98 0,163543059 1,48 0,069436623 1,98 0,023851764
0,49 0,312066949 0,99 0,161087060 1,49 0,068112118 1,99 0,023295468

2,00 0,022750132 2,50 0,006209665 3,00 0,001349898 3,50 0,000232629
2,01 0,022215594 2,51 0,006036558 3,01 0,001306238 3,51 0,000224053
2,02 0,021691694 2,52 0,005867742 3,02 0,001263873 3,52 0,000215773
2,03 0,021178270 2,53 0,005703126 3,03 0,001222769 3,53 0,000207780
2,04 0,020675163 2,54 0,005542623 3,04 0,001182891 3,54 0,000200064
2,05 0,020182215 2,55 0,005386146 3,05 0,001144207 3,55 0,000192616
2,06 0,019699270 2,56 0,005233608 3,06 0,001106685 3,56 0,000185427
2,07 0,019226172 2,57 0,005084926 3,07 0,001070294 3,57 0,000178491
2,08 0,018762766 2,58 0,004940016 3,08 0,001035003 3,58 0,000171797
2,09 0,018308900 2,59 0,004798797 3,09 0,001000782 3,59 0,000165339
2,10 0,017864421 2,60 0,004661188 3,10 0,000967603 3,60 0,000159109
2,11 0,017429178 2,61 0,004527111 3,11 0,000935437 3,61 0,000153099
2,12 0,017003023 2,62 0,004396488 3,12 0,000904255 3,62 0,000147302
2,13 0,016585807 2,63 0,004269243 3,13 0,000874032 3,63 0,000141711
2,14 0,016177383 2,64 0,004145301 3,14 0,000844739 3,64 0,000136319
2,15 0,015777607 2,65 0,004024589 3,15 0,000816352 3,65 0,000131120
2,16 0,015386335 2,66 0,003907033 3,16 0,000788846 3,66 0,000126108
2,17 0,015003423 2,67 0,003792562 3,17 0,000762195 3,67 0,000121275
2,18 0,014628731 2,68 0,003681108 3,18 0,000736375 3,68 0,000116617
2,19 0,014262118 2,69 0,003572601 3,19 0,000711364 3,69 0,000112127
2,20 0,013903448 2,70 0,003466974 3,20 0,000687138 3,70 0,000107800
2,21 0,013552581 2,71 0,003364160 3,21 0,000663675 3,71 0,000103630
2,22 0,013209384 2,72 0,003264096 3,22 0,000640953 3,72 0,000099611
2,23 0,012873721 2,73 0,003166716 3,23 0,000618951 3,73 0,000095740
2,24 0,012545461 2,74 0,003071959 3,24 0,000597648 3,74 0,000092010
2,25 0,012224473 2,75 0,002979763 3,25 0,000577025 3,75 0,000088417
2,26 0,011910625 2,76 0,002890068 3,26 0,000557061 3,76 0,000084957
2,27 0,011603792 2,77 0,002802815 3,27 0,000537737 3,77 0,000081624
2,28 0,011303844 2,78 0,002717945 3,28 0,000519035 3,78 0,000078414
2,29 0,011010658 2,79 0,002635402 3,29 0,000500937 3,79 0,000075324
2,30 0,010724110 2,80 0,002555130 3,30 0,000483424 3,80 0,000072348
2,31 0,010444077 2,81 0,002477075 3,31 0,000466480 3,81 0,000069483
2,32 0,010170439 2,82 0,002401182 3,32 0,000450087 3,82 0,000066726
2,33 0,009903076 2,83 0,002327400 3,33 0,000434230 3,83 0,000064072
2,34 0,009641870 2,84 0,002255677 3,34 0,000418892 3,84 0,000061517
2,35 0,009386706 2,85 0,002185961 3,35 0,000404058 3,85 0,000059059
2,36 0,009137468 2,86 0,002118205 3,36 0,000389712 3,86 0,000056694
2,37 0,008894043 2,87 0,002052359 3,37 0,000375841 3,87 0,000054418
2,38 0,008656319 2,88 0,001988376 3,38 0,000362429 3,88 0,000052228
2,39 0,008424186 2,89 0,001926209 3,39 0,000349463 3,89 0,000050122
2,40 0,008197536 2,90 0,001865813 3,40 0,000336929 3,90 0,000048096
2,41 0,007976260 2,91 0,001807144 3,41 0,000324814 3,91 0,000046148
2,42 0,007760254 2,92 0,001750157 3,42 0,000313106 3,92 0,000044274
2,43 0,007549411 2,93 0,001694810 3,43 0,000301791 3,93 0,000042473
2,44 0,007343631 2,94 0,001641061 3,44 0,000290857 3,94 0,000040741
2,45 0,007142811 2,95 0,001588870 3,45 0,000280293 3,95 0,000039076
2,46 0,006946851 2,96 0,001538195 3,46 0,000270088 3,96 0,000037475
2,47 0,006755653 2,97 0,001488999 3,47 0,000260229 3,97 0,000035936
2,48 0,006569119 2,98 0,001441242 3,48 0,000250707 3,98 0,000034458
2,49 0,006387155 2,99 0,001394887 3,49 0,000241510 3,99 0,000033037

4,00 0,000031671 4,50 0,000003398 5,00 0,000000287 5,50 0,000000019
4,01 0,000030359 4,51 0,000003241 5,01 0,000000272 5,51 0,000000018
4,02 0,000029099 4,52 0,000003092 5,02 0,000000258 5,52 0,000000017
4,03 0,000027888 4,53 0,000002949 5,03 0,000000245 5,53 0,000000016
4,04 0,000026726 4,54 0,000002813 5,04 0,000000233 5,54 0,000000015
4,05 0,000025609 4,55 0,000002682 5,05 0,000000221 5,55 0,000000014
4,06 0,000024536 4,56 0,000002558 5,06 0,000000210 5,56 0,000000013
4,07 0,000023507 4,57 0,000002439 5,07 0,000000199 5,57 0,000000013
4,08 0,000022518 4,58 0,000002325 5,08 0,000000189 5,58 0,000000012
4,09 0,000021569 4,59 0,000002216 5,09 0,000000179 5,59 0,000000011
4,10 0,000020658 4,60 0,000002112 5,10 0,000000170 5,60 0,000000011
4,11 0,000019783 4,61 0,000002013 5,11 0,000000161 5,61 0,000000010
4,12 0,000018944 4,62 0,000001919 5,12 0,000000153 5,62 0,000000010
4,13 0,000018138 4,63 0,000001828 5,13 0,000000145 5,63 0,000000009
4,14 0,000017365 4,64 0,000001742 5,14 0,000000137 5,64 0,0000000085
4,15 0,000016624 4,65 0,000001660 5,15 0,000000130 5,65 0,0000000080
4,16 0,000015912 4,66 0,000001581 5,16 0,000000123 5,66 0,0000000076
4,17 0,000015230 4,67 0,000001506 5,17 0,000000117 5,67 0,0000000071
4,18 0,000014575 4,68 0,000001434 5,18 0,000000111 5,68 0,0000000067
4,19 0,000013948 4,69 0,000001366 5,19 0,000000105 5,69 0,0000000064
4,20 0,000013346 4,70 0,000001301 5,20 0,000000100 5,70 0,0000000060
4,21 0,000012769 4,71 0,000001239 5,21 0,000000094 5,71 0,0000000056
4,22 0,000012215 4,72 0,000001179 5,22 0,000000089 5,72 0,0000000053
4,23 0,000011685 4,73 0,000001123 5,23 0,000000085 5,73 0,0000000050
4,24 0,000011176 4,74 0,000001069 5,24 0,000000080 5,74 0,0000000047
4,25 0,000010689 4,75 0,000001017 5,25 0,000000076 5,75 0,0000000045
4,26 0,000010221 4,76 0,000000968 5,26 0,000000072 5,76 0,0000000042
4,27 0,000009774 4,77 0,000000921 5,27 0,000000068 5,77 0,0000000040
4,28 0,000009345 4,78 0,000000876 5,28 0,000000065 5,78 0,0000000037
4,29 0,000008934 4,79 0,000000834 5,29 0,000000061 5,79 0,0000000035
4,30 0,000008540 4,80 0,000000793 5,30 0,000000058 5,80 0,0000000033
4,31 0,000008163 4,81 0,000000755 5,31 0,000000055 5,81 0,0000000031
4,32 0,000007801 4,82 0,000000718 5,32 0,000000052 5,82 0,0000000029
4,33 0,000007455 4,83 0,000000683 5,33 0,000000049 5,83 0,0000000028
4,34 0,000007124 4,84 0,000000649 5,34 0,000000046 5,84 0,0000000026
4,35 0,000006807 4,85 0,000000617 5,35 0,000000044 5,85 0,0000000025
4,36 0,000006503 4,86 0,000000587 5,36 0,000000042 5,86 0,0000000023
4,37 0,000006212 4,87 0,000000558 5,37 0,000000039 5,87 0,0000000022
4,38 0,000005934 4,88 0,000000530 5,38 0,000000037 5,88 0,0000000021
4,39 0,000005668 4,89 0,000000504 5,39 0,000000035 5,89 0,0000000019
4,40 0,000005413 4,90 0,000000479 5,40 0,000000033 5,90 0,0000000018
4,41 0,000005169 4,91 0,000000455 5,41 0,000000032 5,91 0,0000000017
4,42 0,000004935 4,92 0,000000433 5,42 0,000000030 5,92 0,0000000016
4,43 0,000004712 4,93 0,000000411 5,43 0,000000028 5,93 0,0000000015
4,44 0,000004498 4,94 0,000000391 5,44 0,000000027 5,94 0,0000000014
4,45 0,000004294 4,95 0,000000371 5,45 0,000000025 5,95 0,0000000013
4,46 0,000004098 4,96 0,000000352 5,46 0,000000024 5,96 0,0000000013
4,47 0,000003911 4,97 0,000000335 5,47 0,000000023 5,97 0,0000000012
4,48 0,000003732 4,98 0,000000318 5,48 0,000000021 5,98 0,0000000011
4,49 0,000003561 4,99 0,000000302 5,49 0,000000020 5,99 0,0000000010
6,00 0,0000000010
Tabela B.1: Tabela Normal 6σ

• Distribuição T-Student
GLα/2 0,10 0,05 0,025 0,01

1 3,078 6,314 12,706 31,821
2 1,886 2,920 4,303 6,965
3 1,638 2,353 3,182 4,541
4 1,533 2,132 2,776 3,747
5 1,576 2,015 2,571 3,365
6 1,440 1,943 2,447 3,143
7 1,415 1,895 2,365 2,998
8 1,397 1,860 2,306 2,896
9 1,383 1,833 2,262 2,821
10 1,372 1,812 2,228 2,764
11 1,363 1,796 2,201 2,718
12 1,356 1,782 2,179 2,681
13 1,350 1,771 2,160 2,650
14 1,345 1,761 2,145 2,624
15 1,341 1,753 2,131 2,602
16 1,337 1,745 2,120 2,583
17 1,333 1,740 2,110 2,567
18 1,330 1,734 2,101 2,552
19 1,328 1,729 2,093 2,539
20 1,325 1,725 2,086 2,528
21 1,323 1,721 2,080 2,518
22 1,321 1,717 2,074 2,508
23 1,319 1,714 2,069 2,500
24 1,318 1,711 2,064 2,492
25 1,316 1,708 2,060 2,485
26 1,315 1,706 2,056 2,479
27 1,314 1,703 2,052 2,473
28 1,313 1,701 2,048 2,467
29 1,311 1,699 2,045 2,462
30 1,310 1,697 2,042 2,457
40 1,303 1,684 2,021 2,423
60 1,296 1,671 2,000 2,390
120 1,289 1,658 1,980 2,358
maior 1,282 1,645 1,960 2,326
Tabela B.2: Distribuição T-Student

• Tabela do Teste de Grubbs

Número de 5% de
Laboratórios Significância
3 1,15
4 1,48
5 1,71
6 1,89
7 2,02
8 2,13
9 2,21
10 2,29
11 2,36
12 2,41
13 2,46
14 2,51
15 2,55
16 2,59
17 2,62
18 2,65
19 2,68
20 2,71
Tabela B.3: Tabela de Grubbs

• Distribuição de Fisher-Snedecor
G.L. Graus de liberdade do numerador
Denom. 1 2 3 4 5 6 7 8 9 10 15 20 25 30 60 120 ∞
B. Tabelas Estatı́sticas
1 647,8 799,5 864,2 899,58 921,84 937,11 948,21 956,65 963,29 968,63 984,87 993,103 998,08 1001,41 1009,8 1014,02 1018,26
2 38,50 39 39,17 39,248 39,298 39,331 39,355 39,373 39,387 39,398 39,431 39,448 39,458 39,46 39,48 39,49 39,5
3 17,44 16,04 15,44 15,101 14,885 14,735 14,624 14,54 14,473 14,419 14,253 14,167 14,115 14,08 13,99 13,95 13,9
4 12,21 10,64 9,98 9,605 9,364 9,197 9,074 8,98 8,905 8,844 8,657 8,56 8,501 8,46 8,36 8,31 8,26
5 10,00 8,434 7,75 7,388 7,146 6,978 6,853 6,757 6,681 6,619 6,428 6,329 6,268 6,23 6,12 6,07 6,02
6 8,813 7,26 6,599 6,227 5,988 5,82 5,695 5,6 5,523 5,461 5,269 5,168 5,107 5,07 4,96 4,9 4,85
7 8,073 6,542 5,89 5,523 5,285 5,119 4,995 4,899 4,823 4,761 4,568 4,467 4,405 4,36 4,25 4,2 4,14
8 7,571 6,059 5,416 5,053 4,817 4,652 4,529 4,433 4,357 4,295 4,101 3,999 3,937 3,89 3,78 3,73 3,67
9 7,209 5,715 5,078 4,718 4,484 4,32 4,197 4,102 4,026 3,964 3,769 3,667 3,604 3,56 3,45 3,39 3,33
10 6,937 5,456 4,826 4,468 4,236 4,072 3,95 3,855 3,779 3,717 3,522 3,419 3,355 3,31 3,2 3,14 3,08
11 6,724 5,256 4,63 4,275 4,044 3,881 3,759 3,664 3,588 3,526 3,33 3,226 3,162 3,12 3 2,94 2,88
12 6,554 5,096 4,474 4,121 3,891 3,728 3,607 3,512 3,436 3,374 3,177 3,073 3,008 2,96 2,85 2,79 2,72
13 6,414 4,965 4,347 3,996 3,767 3,604 3,483 3,388 3,312 3,25 3,053 2,948 2,882 2,84 2,72 2,66 2,6
14 6,298 4,857 4,242 3,892 3,663 3,501 3,38 3,285 3,209 3,147 2,949 2,844 2,778 2,73 2,61 2,55 2,49
15 6,2 4,765 4,153 3,804 3,576 3,415 3,293 3,199 3,123 3,06 2,862 2,756 2,689 2,64 2,52 2,46 2,4
16 6,115 4,687 4,077 3,729 3,502 3,341 3,219 3,125 3,049 2,986 2,788 2,681 2,614 2,57 2,45 2,38 2,32
17 6,042 4,619 4,011 3,665 3,438 3,277 3,156 3,061 2,985 2,922 2,723 2,616 2,548 2,5 2,38 2,32 2,25
18 5,978 4,56 3,954 3,608 3,382 3,221 3,1 3,005 2,929 2,866 2,667 2,559 2,491 2,44 2,32 2,26 2,19
19 5,922 4,508 3,903 3,559 3,333 3,172 3,051 2,956 2,88 2,817 2,617 2,509 2,441 2,39 2,27 2,2 2,13
20 5,871 4,461 3,859 3,515 3,289 3,128 3,007 2,913 2,837 2,774 2,573 2,464 2,396 2,35 2,22 2,16 2,09
21 5,827 4,42 3,819 3,475 3,25 3,09 2,969 2,874 2,798 2,735 2,534 2,425 2,356 2,31 2,18 2,11 2,04
22 5,786 4,383 3,783 3,44 3,215 3,055 2,934 2,839 2,763 2,7 2,498 2,389 2,32 2,27 2,14 2,08 2
23 5,75 4,349 3,75 3,408 3,183 3,023 2,902 2,808 2,731 2,668 2,466 2,357 2,287 2,24 2,11 2,04 1,97
24 5,717 4,319 3,721 3,379 3,155 2,995 2,874 2,779 2,703 2,64 2,437 2,327 2,257 2,21 2,08 2,01 1,94
25 5,686 4,291 3,694 3,353 3,129 2,969 2,848 2,753 2,677 2,613 2,411 2,3 2,23 2,18 2,05 1,98 1,91
26 5,659 4,265 3,67 3,329 3,105 2,945 2,824 2,729 2,653 2,59 2,387 2,276 2,205 2,16 2,03 1,95 1,88
27 5,633 4,242 3,647 3,307 3,083 2,923 2,802 2,707 2,631 2,568 2,364 2,253 2,183 2,13 2 1,93 1,85
28 5,61 4,221 3,626 3,286 3,063 2,903 2,782 2,687 2,611 2,547 2,344 2,232 2,161 2,11 1,98 1,91 1,83
29 5,588 4,201 3,607 3,267 3,044 2,884 2,763 2,669 2,592 2,529 2,325 2,213 2,142 2,09 1,96 1,89 1,81
30 5,568 4,182 3,589 3,25 3,026 2,867 2,746 2,651 2,575 2,511 2,307 2,195 2,124 2,07 1,94 1,87 1,79
60 5,286 3,925 3,343 3,008 2,786 2,627 2,507 2,412 2,334 2,27 2,061 1,944 1,869 1,82 1,667 1,581 1,482
120 5,152 3,805 3,227 2,894 2,674 2,515 2,395 2,299 2,222 2,157 1,945 1,825 1,746 1,69 1,529 1,433 1,31
∞ 5,024 3,689 3,116 2,786 2,567 2,408 2,288 2,192 2,114 2,048 1,833 1,708 1,626 1,57 1,388 1,268 1,004
Tabela B.4: Distribuição de Fisher-Snedecor - Valores fC tais que P (F ≥ fC ) = 0,025

130
G.L. Graus de liberdade do Numerador
Denom. 1 2 3 4 5 6 7 8 9 10 15 20 25 30 60 120 ∞
B. Tabelas Estatı́sticas
1 0,0015 0,0260 0,0573 0,0818 0,0999 0,1135 0,1239 0,1321 0,1387 0,1442 0,1613 0,1703 0,1759 0,1796 0,1892 0,1941 0,1990
2 0,0013 0,0256 0,0623 0,0939 0,1186 0,1377 0,1529 0,1650 0,1750 0,1833 0,2099 0,2242 0,2331 0,2391 0,2548 0,2628 0,2711
3 0,0012 0,0255 0,0648 0,1002 0,1288 0,1515 0,1698 0,1846 0,1969 0,2072 0,2408 0,2592 0,2707 0,2786 0,2992 0,3099 0,3209
4 0,0011 0,0255 0,0662 0,1041 0,1354 0,1606 0,1811 0,1979 0,2120 0,2238 0,2629 0,2845 0,2982 0,3077 0,3325 0,3455 0,3590
5 0,0011 0,0254 0,0672 0,1068 0,1399 0,1670 0,1892 0,2076 0,2230 0,2361 0,2796 0,3040 0,3196 0,3304 0,3589 0,3740 0,3896
6 0,0011 0,0254 0,0679 0,1087 0,1433 0,1718 0,1954 0,2150 0,2315 0,2456 0,2929 0,3197 0,3369 0,3488 0,3806 0,3976 0,4152
7 0,0011 0,0254 0,0684 0,1102 0,1459 0,1756 0,2002 0,2208 0,2383 0,2532 0,3036 0,3325 0,3511 0,3642 0,3989 0,4176 0,4371
8 0,0010 0,0254 0,0688 0,1114 0,1480 0,1786 0,2041 0,2256 0,2438 0,2594 0,3126 0,3433 0,3632 0,3772 0,4147 0,4349 0,4562
9 0,0010 0,0254 0,0691 0,1123 0,1497 0,1810 0,2073 0,2295 0,2484 0,2646 0,3202 0,3525 0,3736 0,3884 0,4284 0,4501 0,4731
10 0,0010 0,0254 0,0694 0,1131 0,1511 0,1831 0,2100 0,2328 0,2523 0,2690 0,3268 0,3605 0,3826 0,3982 0,4405 0,4636 0,4882
11 0,0010 0,0254 0,0696 0,1137 0,1523 0,1849 0,2123 0,2357 0,2556 0,2729 0,3325 0,3675 0,3906 0,4069 0,4513 0,4757 0,5018
12 0,0010 0,0254 0,0698 0,1143 0,1533 0,1864 0,2143 0,2381 0,2585 0,2762 0,3375 0,3737 0,3976 0,4146 0,4610 0,4867 0,5142
13 0,0010 0,0254 0,0699 0,1147 0,1541 0,1877 0,2161 0,2403 0,2611 0,2791 0,3419 0,3792 0,4039 0,4215 0,4698 0,4966 0,5256
14 0,0010 0,0254 0,0700 0,1152 0,1549 0,1888 0,2176 0,2422 0,2633 0,2817 0,3458 0,3842 0,4096 0,4278 0,4778 0,5057 0,5360
15 0,0010 0,0254 0,0702 0,1155 0,1556 0,1898 0,2189 0,2438 0,2653 0,2840 0,3494 0,3886 0,4148 0,4334 0,4851 0,5141 0,5457
16 0,0010 0,0254 0,0703 0,1158 0,1562 0,1907 0,2201 0,2453 0,2671 0,2860 0,3526 0,3927 0,4195 0,4386 0,4919 0,5219 0,5547
17 0,0010 0,0254 0,0704 0,1161 0,1567 0,1915 0,2212 0,2467 0,2687 0,2879 0,3555 0,3964 0,4238 0,4434 0,4981 0,5291 0,5631
18 0,0010 0,0254 0,0704 0,1164 0,1572 0,1922 0,2222 0,2479 0,2702 0,2896 0,3582 0,3998 0,4277 0,4477 0,5039 0,5358 0,5709
19 0,0010 0,0254 0,0705 0,1166 0,1576 0,1929 0,2231 0,2490 0,2715 0,2911 0,3606 0,4029 0,4313 0,4518 0,5093 0,5421 0,5783
20 0,0010 0,0253 0,0706 0,1168 0,1580 0,1935 0,2239 0,2500 0,2727 0,2925 0,3629 0,4058 0,4347 0,4555 0,5143 0,5480 0,5853
21 0,0010 0,0253 0,0706 0,1170 0,1584 0,1940 0,2246 0,2510 0,2738 0,2938 0,3649 0,4084 0,4378 0,4590 0,5190 0,5535 0,5919
22 0,0010 0,0253 0,0707 0,1172 0,1587 0,1945 0,2253 0,2518 0,2749 0,2950 0,3668 0,4109 0,4407 0,4623 0,5234 0,5587 0,5981
23 0,0010 0,0253 0,0708 0,1173 0,1590 0,1950 0,2259 0,2526 0,2758 0,2961 0,3686 0,4132 0,4434 0,4653 0,5275 0,5636 0,6041
24 0,0010 0,0253 0,0708 0,1175 0,1593 0,1954 0,2265 0,2533 0,2767 0,2971 0,3703 0,4154 0,4460 0,4682 0,5314 0,5683 0,6097
25 0,0010 0,0253 0,0708 0,1176 0,1595 0,1958 0,2270 0,2540 0,2775 0,2981 0,3718 0,4174 0,4484 0,4709 0,5351 0,5727 0,6151
26 0,0010 0,0253 0,0709 0,1178 0,1598 0,1962 0,2275 0,2547 0,2783 0,2990 0,3733 0,4193 0,4506 0,4734 0,5386 0,5769 0,6202
27 0,0010 0,0253 0,0709 0,1179 0,1600 0,1965 0,2280 0,2552 0,2790 0,2998 0,3746 0,4210 0,4527 0,4758 0,5419 0,5809 0,6251
28 0,0010 0,0253 0,0710 0,1180 0,1602 0,1968 0,2284 0,2558 0,2797 0,3006 0,3759 0,4227 0,4547 0,4780 0,5451 0,5847 0,6298
29 0,0010 0,0253 0,0710 0,1181 0,1604 0,1971 0,2288 0,2563 0,2803 0,3013 0,3771 0,4243 0,4566 0,4802 0,5481 0,5883 0,6343
30 0,0010 0,0253 0,0710 0,1182 0,1606 0,1974 0,2292 0,2568 0,2809 0,3020 0,3783 0,4258 0,4584 0,4822 0,5509 0,5917 0,6386
60 0,0010 0,0253 0,0715 0,1196 0,1633 0,2017 0,2351 0,2642 0,2899 0,3127 0,3962 0,4498 0,4874 0,5155 0,6000 0,654 0,72
120 0,0010 0,0253 0,0717 0,1203 0,1648 0,2039 0,2382 0,2682 0,2948 0,3185 0,4063 0,4638 0,5048 0,5358 0,6320 0,698 0,788
∞ 0,0010 0,0253 0,0719 0,1211 0,1662 0,2062 0,2414 0,2725 0,3000 0,3247 0,4175 0,4795 0,5248 0,5597 0,6750 0,763 0,996
Tabela B.5: Distribuição de Fisher-Snedecor. Valores fC tais que P (F ≥ fC ) = 0,975

131
• Distribuição Qui-quadrado
Graus de liberdade 97, 50% 95% 5% 2, 50%

1 0,001 0,004 3,841 5,024
2 0,051 0,103 5,991 7,378
3 0,216 0,352 7,815 9,348
4 0,48 0,71 9,49 11,14
5 0,83 1,15 11,07 12,83
6 1,24 1,64 12,59 14,45
7 1,69 2,17 14,07 16,01
8 2,18 2,73 15,51 17,53
9 2,7 3,33 16,92 19,02
10 3,25 3,94 18,31 20,48
11 3,82 4,57 19,68 21,92
12 4,4 5,23 21,03 23,34
13 5,01 5,89 22,36 24,74
14 5,63 6,57 22,68 26,12
15 6,26 7,26 25 27,49
16 6,91 7,96 26,3 28,85
17 7,56 8,67 27,59 30,19
18 8,23 9,39 28,87 31,53
19 8,91 10,12 30,14 32,85
20 9,59 10,85 31,41 34,17
21 10,28 11,59 32,67 35,48
22 10,98 12,34 33,92 36,78
23 11,69 13,09 35,17 38,08
24 12,4 13,85 36,42 39,36
25 13,12 14,61 37,65 40,65
26 13,84 15,38 38,89 41,92
27 14,57 16,15 40,11 43,19
28 15,31 16,93 41,34 44,46
29 16,05 17,71 42,56 45,72
30 16,79 18,49 43,77 46,98
Tabela B.6: Distribuição Qui-quadrado. Valores vC tais que P (χ2 ≥ vC ) = p

133
Referências Bibliográficas
[1] Bussab, W. O. e Morettin, P. A. (1987), Estatı́stica Básica, 4a Edição, Atual Editora.
[2] Magalhães, M. N. e Lima, A. C. P. De (2001), Noções de Probabilidade e Estatı́stica, 3a

edição, Editora USP.
[3] Meyer, P. L. (1983), Probabilidade: Aplicações à Estatı́stica, 2a edição, Livros técnicos e

Cientı́ficos Editora.
[4] CIPM (1981) INC, BIPM Proc. Verb. Com. Int. Poids et Mesures, vol. 18, Metrologia
(1992), 43-44 (English).
[5] BIPM, IEC, IFCC, ISO, IUPAC, OIML, Guide to the Expression of Uncertainty in Mea-
surement. International Organization for Standardization, Genebra, Switzerland, Second
Edition, 1995.
[6] NIS 3003, The Expression of Uncertainty and Confidence in Measurement for Calibrations,
Edition 8, may 1995.
[7] Versão Brasileira do Documento de Referência EA-4/02, Expressão da Incerteza em

Medição, Volumes I e II.
[8] Montgomery, D. C. (1997), Design and Analysis of Experiments, Fourth Edition - Ed. John
Wiley & Sons.
[9] Ripley, B. D. (1987), Stochastic Simulation, Wiley: New York.
[10] Wichmann, B. A. e Hill, I. D. (1982), “Algorithm AS 183: An Efficient and Portable

Pseudo-random Number Generator”, Applied Statistics, vol 31, p 188-190.

Incerteza de Medicao

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Incerteza de Medicao

Enviado por

Direitos autorais:

Formatos disponíveis

Estatı́stica para Metrologistas e

Estatcamp Consultoria em Estatı́stica e Qualidade

Rua: Adolfo Catani, 682

1 Noções Básicas de Estatı́stica 1

2 Fundamentos do Cálculo de Incerteza em Medição 41

2.3 Incerteza de Medição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

4 Método da ANOVA (Completo) 74

5 Cálculo de Incerteza de um Relógio Comparador 92

6 Cálculo de Incerteza de um Manômetro 97

6.3 Cálculo da Incerteza do Manômetro . . . . . . . . . . . . . . . . . . . . . . . . . 101

7 Cálculo de Incerteza de um Voltı́metro Digital 103

8 Cálculo de Incerteza no Ensaio de Tensão 105

9 Cálculo de Incerteza no Ensaio de Corrente 109

10 Cálculo de Incerteza no Ensaio de Impedância 113

A Parâmetros Caracterı́sticos de um Sistema de Medição 117

B Tabelas Estatı́sticas 123

Referências Bibliográficas 132

Noções Básicas de Estatı́stica

• Coleta dos dados - Amostragem;

• Exposição dos dados;

1.2 Coleta de Dados

• Qual a pergunta a ser respondida?

• Como comunicar a resposta obtida?

• Qual ferramenta de análise pretende-se usar e como vai comunicar os resultados?

• Que tipo de dados é necessário para utilizar as ferramentas desejadas e responder a

• Onde acessar estes dados?

• Como coletar esse dados com um mı́nimo de esforço e de erro?

1.3 Exposição de Dados

Exemplo 1.1. Na calibração de um micrômetro externo, o avaliador tomou 10 pontos (ou

Tabela 1.1: Desvios

Podemos fazer a apuração considerando intervalos de medidas como apresentado na tabela

Tabela 1.2: Freqüência absoluta

1.4 Distribuição de Freqüências

Freqüência Absoluta (fi ): É o número de observações correspondentes a cada intervalo.

Diâmetro Xi fi f ri pi (%) Pi (%)

Tabela 1.3: Distribuição de freqüências

1. Na medida do possı́vel, as classes deverão ter amplitudes iguais.

2. Escolher os limites dos intervalos entre duas possı́veis observações.

3. O número de intervalos não deve ultrapassar 20.

4. Escolher limites que facilitem o agrupamento.

5. Marcar os pontos médios dos intervalos.

6. Ao construir o histograma, cada retângulo deverá ter área proporcional à freqüência

7. Um critério para determinar os intervalos (classes) é:

Tamanho da Amostra (n) Número de Classes (c)

Tabela 1.4: Número de classes

Determinação do tamanho da classe ou intervalo (L):

onde R= maior valor da amostra menos o menor valor da amostra.

Figura 1.1: Histograma dos desvios

1.6 Medidas de Posição

• xi : cada valor individual.

• x̄ : média de uma amostra.

• N : tamanho do universo (população).

Exemplo 1.5. Consideremos os seguintes dados correspondentes aos comprimentos de 8 rolos

1.7 Medidas de Dispersão

• s : Desvio padrão amostral.

• σ : Desvio padrão populacional.

O desvio padrão de um conjunto de dados é igual à raiz quadrada positiva da variância.

Tabela 1.5: Cálculo do Desvio Padrão

Considere Ω o espaço formado por todos os possı́veis resultados da medição do comprimento

• A união com B = A ∪ B = {A ou B};

• A intersecção com B = A ∩ B = {A e B};

• Complementar de A, denotado por Ac = não A;

A probabilidade é uma função de associa valores (pesos) aos eventos de um experimento,