Livro Métodos Eperimentais em Engenharia - Final

MÉTODOS
EXPERIMENTAIS
EM ENGENHARIA
Editores:
Denise Consonni, Júlio Carlos Teixeira, Kenji Nose Filho
Autores:
Ana Paula Romani, Daniel Zanetti de Florio, Denise Consonni,

Jorge Diego Marconi, Júlio Carlos Teixeira, Kenji Nose Filho,
Lúcia Helena Gomes Coelho, Magno Enrique Mendoza Meza,
Mário Minami, Segundo Nilo Mestanza Munoz,
Thiago Abraão dos Anjos da Silva, Tiago Ribeiro de Oliveira
Monitores
Felipe Jun Ichi Anzai, Jaine Aparecida da Silva Pereira

Jair Barbosa Parreira Corso, Roberto Gutierrez Beraldo
Métodos Experimentais em Engenharia
2
Sumário
APRESENTAÇÃO ......................................................................................................................... 9
CAPÍTULO 1- EXPERIMENTAÇÃO E METROLOGIA EM ENGENHARIA ............................. 15
1.1 Introdução ................................................................................................... 15
1.2 A metodologia do experimento .................................................................... 16
1.3 Medições de grandezas fundamentais nas Engenharias ................................ 18
1.4 A metrologia e o desenvolvimento da humanidade ...................................... 19
1.5 Padrões, sistemas de unidades e calibração .................................................. 22
1.6 Rastreabilidade de medições ........................................................................ 25
1.7 Características e resultados das medições .................................................... 27
1.8 Exercícios de aplicação ................................................................................. 32
CAPÍTULO 2 -MENSURANDOS E GRANDEZAS DE INFLUÊNCIA........................................ 35
2.1 Introdução ................................................................................................... 35
2.2 Definição de mensurando na Engenharia ...................................................... 35
2.3 Valor verdadeiro e valor convencional .......................................................... 39
2.4 Mensurando variável e invariável ................................................................. 42
2.5 Exatidão e Precisão da Medição ................................................................... 43
2.6 Grandezas de influência ............................................................................... 45

2.6.1 O diagrama de Ishikawa ........................................................................ 47
2.7 Medições diretas e indiretas ......................................................................... 49
2.8 Exercícios de aplicação ................................................................................. 50
CAPÍTULO 3 - EFEITOS ALEATÓRIOS E SISTEMÁTICOS NAS MEDIÇÕES ......................... 53
3.1 Introdução ................................................................................................... 53

3
3.2 Repetibilidade e Reprodutibilidade .............................................................. 56
3.3 Tratamento das Incertezas tipo A ................................................................. 57

3.3.1 Distribuições estatísticas ....................................................................... 60
3.3.1.1 Distribuição uniforme 60
3.3.1.2 Distribuição triangular 67
3.3.1.3 Distribuição normal 74
3.3.1.4 Distribuição t de Student 87
3.4 Incertezas tipo B........................................................................................... 92

3.4.1 Incerteza associada à resolução do instrumento .................................... 95
3.5 A incerteza padrão combinada ..................................................................... 97

3.5.1 Propagação de incertezas ...................................................................... 99
3.5.2 Incerteza relativa................................................................................. 101
3.5.3 Incerteza expandida ............................................................................ 102
3.6 Representação da incerteza com o mensurando ......................................... 111

3.6.1 Padronização da representação ........................................................... 112
3.7 Comparação e Compatibilidade entre medições ......................................... 114
3.8 Medições Correlacionadas .......................................................................... 117
3.9 Exercícios de aplicação ............................................................................... 120
CAPÍTULO 4- EQUIPAMENTOS E INSTRUMENTAÇÃO .................................................... 125
4.1 Arquitetura geral de um sistema de medição .............................................. 125
4.2 Elementos básicos de instrumentação ........................................................ 130

4.2.1 Sensores e Transdutores ...................................................................... 130
4.2.2 Condicionadores e Conversores ........................................................... 132
4.2.3 Interfaces, Armazenamento e Displays ................................................ 137
4.3 Características, Especificações e Incertezas associadas aos sistemas de

medição ............................................................................................................... 150
4.4 Calibração de sistemas de medição ............................................................ 163
4.5 Métodos de medição.................................................................................. 165

4.5.1 Método de medição absoluta .............................................................. 165
4.5.2 Método de medição por substituição ................................................... 166
4
4.5.3 Método de medição diferencial ........................................................... 166

4.5.4 Método dos nulos ............................................................................... 167
CAPÍTULO 5- PROJETO DE EXPERIMENTOS, MODELOS E ANÁLISE DE RESULTADOS 173
5.1 Projeto de experimentos em Engenharia .................................................... 173
5.2 Modelos em Engenharia ............................................................................. 175

5.2.1 Modelos matemáticos ......................................................................... 176
5.2.2 Modelos em escala .............................................................................. 177
5.2.3 A variabilidade da medição.................................................................. 179
5.2.4 A escolha do modelo ........................................................................... 180
5.2.4.1 Modelos polinomiais 182
5.2.4.2 Modelos senoidais 189
5.2.4.3 Modelos exponenciais 190
5.3 Ajuste de curvas e o Método dos Mínimos Quadrados ................................ 203

5.3.1 Ajuste por regressão linear .................................................................. 205
5.3.2 Influência das incertezas dos dados na regressão linear ....................... 207
5.3.2.1 Transferência de incertezas 210
5.3.3 Correlação entre grandezas e entre parâmetros de ajuste .................... 215
5.3.4 Considerações sobre o ajuste de curvas como um modelo para o
fenômeno ......................................................................................................... 218
5.4 Inferência estatística .................................................................................. 225

5.4.1 Histogramas ........................................................................................ 229
5.4.2 Testes de hipóteses ............................................................................. 235
CAPÍTULO 6- DOCUMENTAÇÃO TÉCNICA EM ENGENHARIA ........................................ 251
6.1 Importância da Documentação Técnica ...................................................... 251
6.2 Importância das Normas Técnicas............................................................... 254
6.3 Pré-Relatório.............................................................................................. 255
6.4 Relatório Técnico ....................................................................................... 257
6.5 Elementos Gráficos .................................................................................... 262
5
6.5.1 Fluxogramas ........................................................................................ 262

6.5.2 Diagrama de Ishikawa e Tabela de Balanço de Incertezas ..................... 264
6.5.3 Tabelas e Gráficos ............................................................................... 267
6.6 Exercícios de Aplicação ............................................................................... 271
CAPÍTULO 7- ESTUDOS DE CASOS ..................................................................................... 277
7.1 Introdução ................................................................................................. 277
7.2 Dimensões e Densidades de Sólidos ........................................................... 278

7.2.1 Descrição ............................................................................................ 278
7.2.2 Conceitos ............................................................................................ 280
7.3 Medição de Constante Elástica e Força ....................................................... 282

7.3.1 Descrição ............................................................................................ 282
7.3.2 Conceitos ............................................................................................ 283
7.4 Tamanho médio de grãos ........................................................................... 289

7.4.1 Descrição ............................................................................................ 289
7.4.2 Conceitos ............................................................................................ 290
7.5 Coeficiente de Restituição .......................................................................... 291

7.5.1 Descrição ............................................................................................ 291
7.5.2 Conceitos ............................................................................................ 292
7.6 Calibração de Termômetro ......................................................................... 295

7.6.1 Descrição ............................................................................................ 295
7.6.2 Conceitos ............................................................................................ 296
7.7 Constante de Tempo .................................................................................. 297

7.7.1 Descrição ............................................................................................ 297
7.7.2 Conceitos ............................................................................................ 299
7.8 Sensores Térmicos...................................................................................... 300

7.8.1 Descrição ............................................................................................ 300
7.8.2 Conceitos ............................................................................................ 301
7.9 Conversão AD e DA .................................................................................... 301

7.9.1 Descrição ............................................................................................ 301
7.9.2 Conceitos ............................................................................................ 302
6
7.10 Projetos para integração de conhecimentos ............................................... 303
7.11 Exercícios de Aplicação ............................................................................... 304
CAPÍTULO 8- TENDÊNCIAS NA TECNOLOGIA DE INSTRUMENTAÇÃO E NA CIÊNCIA DA

METROLOGIA ........................................................................................................................ 313
8.1 Introdução ................................................................................................. 313
8.2 Instrumentação automatizada e Instrumentação virtual ............................. 315
8.3 Instrumentação inteligente ........................................................................ 322
8.4 Instrumentação portátil de baixo custo ...................................................... 323
8.5 Dispositivos Móveis como instrumentos de medição .................................. 325
8.6 Os padrões primários da Metrologia ........................................................... 326
8.7 A Terminologia da Medição ........................................................................ 327
CAPÍTULO 9- RESPOSTAS DOS EXERCÍCIOS DE APLICAÇÃO .......................................... 331
9.1 Capítulo 1................................................................................................... 331
9.2 Capítulo 2................................................................................................... 331
9.3 Capítulo 3................................................................................................... 334
9.4 Capítulo 4................................................................................................... 343
9.5 Capítulo 5................................................................................................... 348
9.6 Capítulo 6................................................................................................... 361
9.7 Capítulo 7................................................................................................... 370
REFERÊNCIAS BIBLIOGRÁFICAS ......................................................................................... 385
BIBLIOGRAFIA COMPLEMENTAR ....................................................................................... 395
APÊNDICE A- FUNDAMENTOS MATEMÁTICOS DA METROLOGIA ............................... 399

7
A1. Modelos Matemáticos .................................................................................... 399
A2. O espaço amostral .......................................................................................... 402
A3. Noções básicas de Probabilidade .................................................................... 407
A4. Espaços Amostrais Discretos e Finitos ............................................................. 410
A5. Variáveis Aleatórias ........................................................................................ 415
A6- Funções de Variáveis Aleatórias...................................................................... 437
A7- Propagação de Incertezas ............................................................................... 444
A8- Amostras Aleatórias ....................................................................................... 451
A9- Ajuste de pontos experimentais pelo Método dos Mínimos Quadrados .......... 465
APÊNDICE B- ALGARISMOS SIGNIFICATIVOS PARA EXPRESSÃO DA INCERTEZA DE

MEDIÇÃO ............................................................................................................................... 492
8
Apresentação
Este livro é o resultado do trabalho de diversos professores, técnicos de

laboratório e alunos da UFABC- Universidade Federal do ABC, na preparação
de material didático para atender a disciplina “Métodos Experimentais em
Engenharia”. Essa disciplina tem sido ofertada desde 2008 a todos os alunos
dos oito cursos de Engenharia da UFABC: Engenharia de Energia; Engenharia
de Instrumentação, Automação e Robótica; Engenharia Aeroespacial;
Engenharia Biomédica; Engenharia de Informação; Engenharia Ambiental e
Urbana; Engenharia de Materiais e Engenharia de Gestão.
A disciplina foi criada com os objetivos de: apresentar de forma geral e conceitual
os princípios de metrologia e instrumentação para a obtenção de grandezas
fundamentais da engenharia; desenvolver com os alunos os métodos
necessários para a tomada de decisão em engenharia, baseada em técnicas
estatísticas; e praticar técnicas de elaboração de relatórios técnicos
normatizados, concisos e objetivos.
Já nas primeiras disciplinas experimentais do ensino superior, os alunos que se

dedicam às Ciências e Engenharias são apresentados às limitações inerentes
às medições de grandezas físicas. Assim como a história da própria medição em
si e dos instrumentos a ela associados, que preocupam e ocupam a humanidade
desde os seus primórdios, evoluindo em conjunto com o desenvolvimento
tecnológico, é longa também a história da seção da metrologia dedicada à
análise dos erros e incertezas associados às medições. Desde a criação do
sistema métrico decimal, a construção de padrões e a consolidação do sistema
internacional de unidades (SI) até os dias atuais, várias organizações
internacionais e nacionais têm se dedicado a estabelecer e unificar conceitos,
regras e nomenclaturas relativos à avaliação e expressão de incertezas de
medições, nem sempre bem traduzidos, compreendidos ou utilizados pelos
usuários interessados (VUOLO, 1999). No Brasil, os documentos que
atualmente servem de base aos profissionais de metrologia e como referência
primordial para essa disciplina são o VIM (Vocabulário Internacional de
Metrologia) (INMETRO, 2012) e o Guia para a Expressão da Incerteza de
Medição, denominado ISO GUM (INMETRO, 2008). Estes documentos
ressaltam a importância em se produzir indicações quantitativas da qualidade do
resultado da medição de uma grandeza física, de modo que aqueles que o
utilizam possam avaliar sua confiabilidade. Este procedimento é fundamental
nas medições em ciência, comércio, indústria, regulamentação, e sem nenhuma
dúvida, nas Engenharias.
9
Deve-se ressaltar que a metrologia e a instrumentação são áreas dinâmicas que

estão em contínuo desenvolvimento, e a linguagem associada, bem como os
conceitos e métodos são objetos de estudo de organizações internacionais. É
importante que o ensino de tópicos nessas áreas seja constantemente
atualizado de acordo com os documentos técnicos divulgados por esses órgãos,
para se garantir a correta determinação e interpretação dos resultados de
medições, os quais se baseiam nos princípios básicos da metrologia:
conhecimento, honestidade e bom-senso.
Outro ponto a ser ressaltado é a inevitável ocorrência de incertezas associada a

qualquer processo de medição, e da impossibilidade de se obter resultados
idênticos, mesmo quando se realizam as medidas em condições de
repetitividade bem estabelecidas. Ou seja, há influências não controláveis e
inerentes ao processo de medição que causam variações no resultado, o qual
deve ser tratado como uma variável estatística aleatória. Modelagens típicas de
metrologia são então feitas utilizando amostras dos resultados medidos,
considerando-se como população todos os possíveis valores observáveis do
resultado. A partir de análises e inferências estatísticas para a amostra, é
extrapolada a característica desejada da população, normalmente representada
por um valor, um intervalo e a probabilidade de que o valor verdadeiro da
grandeza se encontre nesse intervalo.
Os conceitos matemáticos e procedimentos estatísticos básicos utilizados em

metrologia devem ser adquiridos pelos alunos em disciplinas anteriores a
“Métodos Experimentais em Engenharia” e não são detalhados ou demonstrados
nesse livro, embora estejam contextualizados e inseridos em vários capítulos,
além de abordados mais formalmente no Apêndice A. Várias referências são
fornecidas nas Referências Bibliográficas e na Bibliografia Complementar, para
aprofundamento desses tópicos.
Os capítulos do livro foram organizados de acordo com os assuntos abordados,

e não seguem a ementa da disciplina, cuja proposta é o ensino-aprendizagem
de conceitos através de estudos de caso, ou seja, experimentos e projetos,
(conforme descrito no Capítulo 7) que permitem aos alunos a análise e
compreensão dos métodos e resultados através do enfrentamento de situações
práticas e reais.
Ao final de cada capítulo são apresentados exercícios de aplicação, muitos

deles, problemas que foram propostos para treinamento e avaliação da
aprendizagem dos alunos na disciplina ao longo dos anos. Possíveis soluções
são apresentadas no Capítulo 9- Respostas dos Exercícios de Aplicação,
lembrando que em alguns casos, várias soluções são possíveis, dependendo da
forma como é encaminhado e analisado o problema. É importante lembrar que
10
em metrologia não é suficiente apresentar um resultado numérico, mas também

expressá-lo de forma clara, identificando, de forma integral, as fontes de
incerteza e os respectivos cálculos, fornecendo o intervalo, com a probabilidade
de abrangência ou nível de confiança com que se espera abranger a grandeza
de interesse. Detalhes sobre a expressão de incertezas de um resultado
numérico estão apresentados no Apêndice B.
Embora não seja objetivo da disciplina “Métodos Experimentais em Engenharia”

abordar tópicos avançados de metrologia e instrumentação, considera-se que
todos os estudantes de Engenharia devem ser preparados para lidar com um
cenário profissional em que será necessário: utilizar, calibrar, especificar ou
avaliar instrumentos de medição; projetar ou julgar experimentos e métodos
experimentais para realizar medições; analisar dados experimentais, estimar
incertezas, fazer comparações e extrair conclusões sobre medições; documentar
de forma normatizada, consistente e objetiva todas as etapas de um experimento
ou projeto técnico.
As competências a serem adquiridas pelos discentes com esta disciplina são,

portanto: tomar consciência das incertezas associadas a medições realizadas
através de métodos e equipamentos de uso comum em Engenharia; aprender
os procedimentos básicos de análise estatística de dados experimentais e
adquirir familiaridade com as ferramentas disponíveis para os cálculos
associados, bem como para ajustes de curvas a partir de medidas obtidas para
grandezas fundamentais da Engenharia. Os discentes deverão também
aprender a projetar experimentos para a realização de medições e elaborar
relatórios técnicos objetivos e concisos, focando na resposta ao problema que
exigiu a medição e dentro das normas profissionais exigidas.
Os docentes que ministram essa disciplina são professores de diversas

especialidades, provindos dos oito cursos de Engenharia da UFABC,
coordenados por um dos ministrantes que já tenha tido experiência prévia com
a disciplina. A disciplina sempre recebeu apoio da Pró-Reitoria de Graduação da
UFABC através de Projetos de Monitoria e Aperfeiçoamento do Ensino, o que
permitiu contar com a participação fundamental de alunos monitores (dos cursos
de graduação e pós-graduação), que são selecionados para a equipe após terem
comprovado um bom nível de conhecimento sobre os tópicos da disciplina, e
proveem atendimento aos alunos em suas dúvidas dentro e extraclasse, auxiliam
os docente na organização das atividades propostas, participam da elaboração
de material didático e no aperfeiçoamento contínuo dos métodos de ensino e
avaliação de aprendizagem.
Tendo sido idealizada e implementada por docentes de diferentes áreas, e

contando continuamente com a participação e as contribuições de novos
11
colegas, montou-se, ao longo dos anos para esta disciplina, um conjunto de

experimentos que tende a se expandir. Deste conjunto, são extraídos, a cada
período letivo, os experimentos que serão aperfeiçoados e realizados, o que
garante dinamismo e evolução do material didático, dos recursos de laboratório,
das técnicas de ensino-aprendizagem, bem como dos métodos de avaliação
discente e docente. Deve-se ressaltar que os experimentos são tratados como
estudos de caso, e sua importância reside menos no tema do experimento em
si, e mais no fato de que consistem num recurso que permite ao aluno praticar e
explorar os conceitos relacionados às medições e avaliação de incertezas,
conforme projetado nos objetivos da disciplina. Assim, os assuntos de tais
experimentos podem ser os mais variados possíveis, abrangendo grandezas e
modelos diversos das várias áreas das Engenharias. Idealmente, os alunos já
devem ter alguma familiaridade com os assuntos abordados, com noções
qualitativas, por exemplo, dos fatores que interferem no resultado.
Detalhes sobre as propostas da disciplina, sua execução e de alguns resultados

obtidos estão apresentados em (CONSONNI, TEIXEIRA, 2015). O bom
aproveitamento discente obtido ao longo desses anos indica que os métodos
utilizados têm despertado o interesse e motivado o comprometimento da maioria
dos alunos, que se diferenciam em disciplinas posteriores e em projetos de
iniciação científica pelo seu amadurecimento e atitude no tratamento, análise e
documentação de dados e resultados experimentais.
Por ter sido criado e desenvolvido em ambiente interdisciplinar e colaborativo,

envolvendo diversos profissionais de variadas especialidades, este material
elaborado para a disciplina “Métodos Experimentais em Engenharia” poderá ser
útil a outros colegas dedicados a implementar novas metodologias de ensino-
aprendizagem na área de educação em Engenharia, envolvendo conceitos e
técnicas atuais de metrologia e instrumentação.
Além dos autores e monitores mencionados nominalmente abaixo, que

participaram diretamente no projeto desse livro, reconhecemos e agradecemos
o trabalho de todos os professores e técnicos de laboratório da UFABC que
foram responsáveis pela disciplina ao longo desses anos e têm colaborado na
elaboração e no aperfeiçoamento dos experimentos e dos roteiros, bem como
na montagem e melhoria dos laboratórios para a disciplina de “Métodos
Experimentais em Engenharia”. Agradecimentos são também dirigidos aos
monitores e alunos que, através de sua curiosidade, criatividade e
engenhosidade têm contribuído continuamente para a evolução dos cursos de
Engenharia na UFABC.
12
Santo André, abril de 2023.
Os editores
Denise Consonni
Júlio Carlos Teixeira
Kenji Nose Filho
Autores
Ana Paula Romani

Daniel Zanetti de Florio
Denise Consonni
Jorge Diego Marconi
Júlio Carlos Teixeira
Kenji Nose Filho
Lúcia Helena Gomes Coelho
Magno Enrique Mendoza Meza
Mário Minami
Segundo Nilo Mestanza Munoz
Thiago Abraão dos Anjos da Silva
Tiago Ribeiro de Oliveira
Monitores
Felipe Jun Ichi Anzai

Jaine Aparecida da Silva Pereira
Jair Barbosa Parreira Corso
Roberto Gutierrez Beraldo
13
14
Capítulo 1- Experimentação e Metrologia em Engenharia
1.1 Introdução
Já nas primeiras disciplinas experimentais do ensino superior, os alunos que se
dedicam às Ciências e Engenharias são apresentados às limitações inerentes
às medições de grandezas físicas. Assim como a história da medição em si e
dos instrumentos a ela associados, que preocupam e ocupam a humanidade
desde os seus primórdios, e evoluem em conjunto com o desenvolvimento
tecnológico, é longa também a história da seção da metrologia dedicada à
análise dos erros e incertezas associados aos resultados das medições. Desde
a criação do sistema métrico decimal, a construção de padrões e a consolidação
do sistema internacional de unidades (SI) até os dias atuais, várias organizações
internacionais e nacionais têm se dedicado a estabelecer e unificar conceitos,
regras e nomenclaturas relativos à avaliação e expressão de incertezas de
medições, nem sempre bem traduzidos, compreendidos ou utilizados pelos
usuários interessados (VUOLO, 1999).
No Brasil, os documentos que atualmente servem de base aos profissionais de

metrologia, e também como referência primordial para essa área são o VIM
(Vocabulário Internacional de Metrologia) (INMETRO, 2012) e o Guia para a
Expressão da Incerteza de Medição (INMETRO, 2008), também conhecido como
ISO GUM (sigla para International Organization for Standardization - Guide to the
Expression of Uncertainty in Measurement).
Estes documentos são traduções em português de textos originais que são

continuamente revisados e complementados através de suplementos, sob a
responsabilidade dos grupos de trabalho do Comitê JCGM (Joint Committee for
Guides in Metrology), e cujas versões mais atuais podem ser encontradas em
(JCGM). Os conceitos e métodos apresentados nesse conjunto de textos
expressam a importância em se produzir indicações quantitativas da qualidade
do resultado da medição de uma grandeza física, de modo que aqueles que o
utilizam possam avaliar sua confiabilidade. Eles têm como objetivo padronizar a
nomenclatura utilizada globalmente na área de metrologia e prover uma
estrutura probabilística que seja lógica e consistente na avaliação dos resultados
de medições. Este procedimento é fundamental nas medições em ciência, no
15
comércio, indústria, regulamentação, e assim, sem nenhuma dúvida, na

Engenharia.
Torna-se então essencial que os alunos de Engenharia tenham conhecimento

de tais documentos, bem como do processo evolutivo da nomenclatura e das
normas de metrologia no cenário globalizado, para que tenham consciência
sobre a importância em se manterem continuamente atualizados com relação a
essa evolução no exercício de sua profissão.
Por outro lado, qualquer que seja a natureza da aplicação em Engenharia, a

seleção inteligente e o uso adequado da instrumentação para se realizar
medições dependerão de conhecimento profissional sobre a disponibilidade e a
operação de equipamentos. O desenvolvimento de novos e cada vez mais
complexos sistemas e instrumentos de medições é acelerado e demanda estudo
continuado do profissional. No entanto, a familiaridade adquirida com
dispositivos básicos de medições e com as técnicas e conceitos gerais de
metrologia servirá como alicerce para a prática da Engenharia e na capacidade
de projetar os sistemas do futuro.
Embora não seja objetivo deste livro abordar tópicos avançados de metrologia e
instrumentação, considera-se que todos os estudantes de Engenharia devam ser
preparados para lidar com um cenário profissional em que será necessário:
utilizar, calibrar, especificar ou avaliar instrumentos de medição; projetar ou
julgar experimentos e metodologias para realizar medições; analisar dados
experimentais, estimar incertezas, fazer comparações e extrair conclusões sobre
medições; documentar de forma padronizada, consistente e objetiva, todas as
etapas de um experimento ou projeto técnico.
Neste cenário, este texto busca oferecer um material integrado e introdutório

para estudantes de Engenharia, apresentando os conceitos, a nomenclatura
atual das áreas de metrologia e instrumentação, os métodos experimentais e os
procedimentos para se obter a incerteza dos resultados obtidos num processo
de medição. A análise e processamento de resultados de medições permitem ao
profissional elaborar inferências, realizar testes de hipóteses e tomar decisões
sobre um protótipo, uma linha de produção ou mesmo um processo de gestão
pelo qual seja responsável.
1.2 A metodologia do experimento

Normalmente em Engenharia não se consegue controlar todas as variáveis que
podem interferir num processo. Também não é possível criar modelos que
considerem todas as variáveis que de alguma forma afetem um fenômeno ou o
16
desempenho de um sistema. Assim, não há teoria que possa substituir um

experimento, seja em pesquisa básica como em desenvolvimento de produtos.
O experimento serve para aperfeiçoar e validar um modelo geralmente
simplificado, construído a partir da hipótese de que algumas variáveis possam
ser desprezadas. Alguns exemplos comuns de simplificações em modelos são o
fato de se desprezar o atrito em sistemas mecânicos; ou a força de empuxo do
ar; ou as perdas térmicas que ocorrem em alguns processos. Assim, é
fundamental que o engenheiro esteja familiarizado não somente com métodos
experimentais, mas também com técnicas de análise para interpretar os
resultados obtidos através de medições.
Para projetar um experimento, o engenheiro deve ser capaz de definir as

variáveis físicas que serão avaliadas, bem como a sua função em modelos
analíticos que estão sendo estudados ou propostos. A partir de então, deverá
selecionar ou projetar o instrumento adequado com o qual realizará as medições.
Após o experimento em si, os resultados medidos deverão ser analisados, com
base nos princípios físicos dos processos em questão, bem como nas limitações
dos instrumentos e nas grandezas de influência que afetam as medições.
A área de instrumentação tem evoluído de forma drástica, graças aos avanços

na tecnologia eletrônica, tanto no desenvolvimento de sensores, quanto na área
computacional de controle, automação e processamento de dados. No entanto,
por mais complexos que sejam os equipamentos que estarão disponíveis nos
laboratórios atuais e futuros, o conceito de experimentação continua exigindo
que o engenheiro projete o experimento tendo clareza sobre o mensurando de
interesse e os métodos necessários para obtê-lo, dentro da incerteza pretendida.
Por outro lado, deve-se ressaltar que no cenário atual dificilmente haverá espaço
para o engenheiro primordialmente experimentalista, ou seja, que projete
dispositivos ou sistemas utilizando o método da tentativa e erro, sem ter
dedicado ao trabalho analítico que deve preceder a experimentação. Os novos
campos da Engenharia exigem um profissional interdisciplinar, que combina
teoria, simulação e experimentação em várias áreas. Para otimizar recursos, o
engenheiro deverá estar constantemente confrontando resultados experimentais
com estimativas teóricas, e realizando simulações computacionais que permitam
avaliar o desempenho da peça projetada, sob diversas condições e parâmetros
de operação, antes da produção final do sistema.
Na maior parte das vezes, o engenheiro não estará apenas preocupado em

medir uma variável física, como a temperatura ou fluxo de um fluido, por
exemplo, mas precisará também controlar tal variável. A qualidade e precisão
deste controle estarão associadas à qualidade e precisão da medição realizada.
Será necessário adquirir uma compreensão dos efeitos sistemáticos e aleatórios
17
que afetam os resultados experimentais, e o conhecimento de técnicas

estatísticas que permitam analisar tais efeitos. Consequentemente, no
planejamento do experimento deverá haver uma análise prévia sobre a
quantidade adequada de dados que serão coletados, para que se obtenham
resultados significativos, sem que haja perda de tempo e recursos.
O estudo de métodos experimentais é de importância fundamental em qualquer

curso de Engenharia, como uma extensão necessária e complementar das
disciplinas analíticas. A capacidade de projetar experimentos e verificar
resultados previstos por modelos e teorias provê real compreensão dos
fenômenos físicos, cria uma atitude crítica e investigativa e aumenta a
capacidade profissional de projetar novos sistemas.
1.3 Medições de grandezas fundamentais nas

Engenharias
As grandezas físicas são as variáveis de interesse num procedimento de
medição. Tais variáveis podem ser os objetivos diretos ou indiretos de uma
determinada medição. Por exemplo, a intensidade de uma força aplicada a um
corpo pode ser obtida indiretamente através da medição da deformação
mecânica que tal força provoca.
De acordo com o VIM (INMETRO, 2012), grandeza é definida como “propriedade

de um fenômeno, de um corpo ou de uma substância, que pode ser expressa
quantitativamente sob a forma de um número e de uma referência”. O valor de
uma grandeza, por sua vez, é definido como o “conjunto, formado por um número
e por uma referência, que constitui a expressão quantitativa de uma grandeza”.
Em Engenharia, são várias as grandezas de interesse, podendo ser classificadas

em diversos campos (FRIEDMAN, 2012), tais como:
• Variáveis relacionadas ao espaço e ao tempo
• Variáveis mecânicas
• Variáveis térmicas
• Variáveis elétricas e magnéticas
• Variáveis analíticas (físicas e químicas)
• Variáveis ópticas
• Variáveis acústicas
• Variáveis atômicas e nucleares
18
Deve-se destacar que, apesar da variedade das grandezas físicas com as quais
se lida em Engenharia, praticamente todos os sistemas de aquisição,
transmissão e análise de dados dependem de dispositivos eletrônicos. Assim,
embora sejam diversas as naturezas das grandezas de interesse na Engenharia,
a área de instrumentação moderna é intensamente dependente das grandezas
elétricas, tais como tensão, corrente e resistência elétricas; e das grandezas
ópticas, tais como frequência, comprimento de onda e intensidade luminosa.
1.4 A metrologia e o desenvolvimento da humanidade

A medição é uma necessidade desde os primeiros momentos da vida comercial
da sociedade. O comércio sempre foi muito preocupado em dar um valor
suficientemente justo para o produto trocado. Um quilo de feijão deve pesar 1 kg
dentro de um intervalo aceitável. Acreditamos que não vale a pena dividir um
grão de feijão em pedaços para que o vendedor e o comprador achem justo o
valor de 1 kg trocado. Talvez até possam faltar ou sobrar alguns grãos de feijão
(dezenas? centenas? milhares?) em alguns casos.
Durante milênios, os padrões do comércio eram estabelecidos por algumas

pessoas que definiam o valor (por exemplo, o preço) de cada produto em função
de sua característica física (por exemplo, tamanho, massa). À medida que a
sociedade foi se organizando, estas pessoas passaram também a cobrar as
taxas do poder central, associando-as ao valor medido do produto
comercializado. Sempre houve muita arbitrariedade nos padrões de medidas, o
que levou os agentes da Revolução Francesa (1789-1799) a propor padrões
baseados em grandezas físicas, às quais qualquer cidadão teria acesso. A partir
deste conceito surge o metro (Figura 1.1) que deu origem ao sistema
internacional (SI).
A metrologia surge nas primeiras etapas da Revolução Industrial (1760-1800). A

substituição do processo artesanal pelo manufaturado exigiu que as flutuações
naturais dos valores fossem mensuradas com a finalidade de garantir que o
produto pudesse ser feito por partes intercambiáveis. O fabricante de um
parafuso e o fabricante de uma porca deveriam ter condições de fornecer, para
o mesmo fabricante de cadeiras, as peças que se encaixassem e que
garantissem as condições especificadas.
19
Figura 1.1- O metro disponibilizado no século XVIII na rua de Vaugirard, Paris
Fonte: https://commons.wikimedia.org/wiki/File:Mètre_étalon_(36,_rue_de_Vaugirard,_Paris).jpg
Neste contexto, a medição em engenharia é utilitária: serve a algo que é mais

importante- o produto final. Não se busca o valor exato de algo, mas um valor
que permita a tomada de decisão se uma determinada propriedade atende ou
não as especificações necessárias para o produto.
Durante o século XX, buscou-se a padronização de métodos de medição e de

representação dos valores obtidos de forma a tornar a especificação da
propriedade adequada para a relação comercial. Inicialmente, o foco destes
métodos foi minimizar os erros e buscar o valor verdadeiro da grandeza medida.
Afinal, se o valor verdadeiro fosse medido, ficaria fácil a tomada de decisão sobre
a propriedade ser ou não igual à especificada.
Outra característica para a escolha de métodos de medição que levem ao valor

verdadeiro com um erro tendendo a zero é a base histórica da metrologia. O
metro foi inventado para ser um padrão universal, baseado em grandezas físicas.
A física sempre busca a verdade, ou uma verdade cada vez mais ampla. Como
parte importante da física está relacionada com fenômenos medidos, a medição
do valor verdadeiro é necessária para a sua evolução.
A engenharia, por ser baseada em modelos físicos simplificados da realidade,

aproveitou-se inicialmente da base metrológica que busca o valor verdadeiro.
Entretanto, a engenharia envolve cada vez mais aspectos multidisciplinares. Um
carro vermelho não precisa ter exatamente um faixa de frequência de luz refletida
20
pré-definida. Só precisa apresentar um vermelho suficientemente homogêneo.

Buscar o valor verdadeiro desta cor é uma perda de tempo e de recursos. Aceita-
se qualquer método experimental que defina o vermelho de forma
suficientemente reprodutível. Não se aceitam, no entanto, um processo produtivo
ou fornecedores de componentes deste processo que façam a cor do automóvel
ser definida hoje como “vermelha” e amanhã como “carmim”.
Os processos produtivos estão cada vez mais complexos, tornando fundamental

correlacionar os valores obtidos nas suas diversas etapas com o valor final do
produto. Assim, definir métodos experimentais que garantam o valor obtido
dentro de uma determinada faixa passa a ser crítico durante todo o processo de
fabricação. Cabe à ciência da metrologia estabelecer tais métodos.
A metrologia é a ciência da medição, e abrange todos os aspectos teóricos e

práticos relativos às medições, qualquer que seja a incerteza, em quaisquer
campos da ciência e tecnologia. Além da metrologia do cotidiano, como a
simples medição de tempo através de um relógio de pulso, ou do próprio peso,
através de uma balança digital, podemos verificar que a metrologia está presente
em vários outros contextos, como:
• Metrologia industrial: milhares de medições são realizadas nas indústrias,

como forma de garantir as especificações dos produtos e bens de consumo.
Neste ambiente, a metrologia está intimamente relacionada ao controle e
garantia de qualidade dos itens produzidos. Podem ser citados como
exemplos a medição e controle das dimensões de peças de reposição na
indústria automobilística; a medição de intensidade luminosa na indústria de
lâmpadas; a medição de massa dos compostos na indústria alimentícia etc.
• Metrologia legal: tanto nas relações de comércio, quanto na prestação de
serviços e na agricultura, os diversos setores devem operar através de
normalização, regulamentação técnica e avaliação da conformidade nas
atividades metrológicas, de forma a garantir medições corretas que protejam
o consumidor, garantam práticas comerciais justas, promovam o
desenvolvimento de novos produtos e permitam a consolidação de cadeias
regionais e globais de produção. Também é aplicada em questões de saúde
pública e segurança.
• Metrologia científica: a pesquisa científica promove não somente o
desenvolvimento de complexos instrumentos de medição, mas também a
proposta de padrões que possam ser reproduzidos em qualquer parte do
mundo e garantam a universalidade no processo de medição.
21
1.5 Padrões, sistemas de unidades e calibração

• Padrões
Para que o processo de medição de uma grandeza tenha sentido, deve ser feita
uma comparação com alguma quantidade conhecida. É necessário definir um
valor unitário para a grandeza física de interesse, que seja aceito
universalmente. No entanto, não basta apenas definir tal valor: é necessário que
ele seja mensurável. Tendo em vista que medir é determinar ou avaliar um valor,
por meio de instrumento ou utensílio de medição, os padrões surgiram devido à
necessidade em se confiar nas medições realizadas. Um padrão é então definido
como o valor fundamental de uma grandeza física, conforme estabelecido por
organizações nacionais ou internacionais, e que pode ser reproduzido. O padrão
era inicialmente uma referência materializada em artefato, que permitia a
comparação entre diferentes objetos. Assim, por exemplo, o padrão métrico foi
por muitos anos (1889 a 1960) uma barra com seção transversal em forma de X,
fabricada de platina-irídio, cujo protótipo primário era armazenado num
laboratório permanente e centro mundial da metrologia científica, o BIPM
(Bureau International des Poids et Mesures) (BIPM).
Com os avanços científicos e tecnológicos, os padrões têm sido continuamente

reformulados, de forma a atender algumas características importantes para o
processo de universalização da metrologia: acessibilidade, adequação,
consistência e confiabilidade. Para cumprir com seus objetivos primordiais, os
padrões internacionais devem ser universais, absolutos, invariáveis e imutáveis
e devem ser grandezas naturais e reprodutíveis; não devem pertencer a nenhum
governo ou Estado e não devem estar em algum lugar específico, mas estar
presentes em todo lugar do mundo e acessíveis com os instrumentos corretos.
Seguindo estas diretrizes, o padrão do metro passou a ser, a partir de 1983, o

comprimento do caminho percorrido pela luz no vácuo durante 1 / 299 792 458
de segundo. Esta definição do metro é função de uma grandeza considerada
constante, de acordo com a Teoria da Relatividade, que é a velocidade da luz no
vácuo ( c = 299 792 458m/s).
Há diversos tipos de padrões de medições, que podem ser classificados de

acordo com suas funções e aplicações: padrões internacionais, definidos através
de acordos internacionais; padrões primários, guardados (ou gerados) por
laboratórios de padrões nacionais em diversas partes do mundo; padrões
secundários, utilizados industrialmente como referências; padrões de serviço,
utilizados em laboratórios de medições para testes e calibrações de instrumentos
(HELFRICK, 1994). Os padrões devem ser periodicamente testados por meio de
comparações, garantindo rastreabilidade aos laboratórios nacionais.
22
Recentemente, em 2019, a metrologia deu um passo histórico com a revisão dos

padrões do quilograma, ampere, kelvin e mol, atingindo as características
desejáveis conforme esperado: as redefinições são agora baseadas em
constantes físicas, estáveis e imutáveis (de acordo com as teorias científicas
atuais); os novos métodos de medição usam fenômenos quânticos (por exemplo,
a carga do elétron) e fenômenos relativísticos (como a velocidade da luz no
vácuo), como base para padrões de medidas fundamentais. Foi o fim, da era da
definição do quilograma baseada no protótipo físico de platina-irídio guardado a
sete chaves na sede do Bureau Internacional de Pesos e Medidas (BIPM), na
França: com a mudança, a unidade de massa do SI passou a ser definida nos
termos da constante de Planck, assegurando estabilidade de longo prazo.
• Sistemas de unidades
O desenvolvimento histórico das medições, aliado aos valores consolidados pela

ciência moderna tornaram indissociáveis a padronização com a quantificação,
promovendo o consenso de que era preciso uniformizar os sistemas de unidades
de medidas (VAZ, 2016). As unidades fundamentais de grandezas físicas tais
como comprimento, massa, tempo e temperatura formam a base para se
estabelecer um sistema de unidades de medidas.
Após uma longa história (CEASE, 2013) surgiu, apenas em 1960, o Sistema
Internacional de Unidades (SI), através de um acordo assinado na 11ª
Conferência Geral de Pesos e Medidas (CGPM). O SI é dividido em unidades de
base (Tabela 1.1) e unidades derivadas, obtidas a partir de combinações das
unidades de base, através de leis físicas e modelos matemáticos. Para escrever
e utilizar corretamente as unidades de medidas adotadas oficialmente no Brasil,
é importante consultar o Quadro Geral de Unidades de Medida no site do Inmetro
-Instituto Nacional de Metrologia, Qualidade e Tecnologia (INMETRO, 2013).
Apesar da ênfase que vem sendo dada desde então à universalização do SI no

cenário da metrologia nas Engenharias, há grande confusão causada pelo ainda
frequente uso do sistema inglês de unidades, principalmente porque os EUA são
um dos poucos países que ainda não adotou oficialmente este sistema como o
padrão nacional, apesar do esforço de metrificação adotado pelo país
(METRIFICATION). Desta forma, os engenheiros devem estar sempre atentos
às unidades utilizadas, e realizar as conversões de e para o SI sempre que
necessário.
Também é importante não confundir o significado dos termos “unidade”,

“dimensão” e “padrão”. A dimensão é uma variável física usada para especificar
o comportamento ou natureza de um sistema particular. Por exemplo, o
23
comprimento de um bastão é uma dimensão do bastão; a temperatura de um

gás pode ser considerada como uma dimensão termodinâmica do gás. Quando
se diz que o bastão tem um metro de comprimento, ou o gás está a uma
temperatura de 100 graus Celsius, são estabelecidas as unidades em que se
escolheu medir estas dimensões (HOLMAN, 2012). Tais unidades estão
referenciadas aos padrões primários estabelecidos pelos órgãos internacionais
responsáveis.
Tabela 1.1 – Unidades Básicas do Sistema Internacional (SI)
Grandeza unidade símbolo

Comprimento metro m
Massa quilograma kg
Tempo segundo s
Corrente elétrica ampere A
Temperatura termodinâmica kelvin K
Quantidade de matéria mol mol
Intensidade luminosa candela cd
Fontes: http://www.inmetro.gov.br/consumidor/pdf/Resumo_SI.pdf
http://www.inmetro.gov.br/legislacao/rtac/pdf/rtac002050.pdf
• Calibração
A calibração de um instrumento de medição consiste na comparação do mesmo

com: um padrão primário; um padrão secundário com maior precisão e exatidão
que o instrumento a ser calibrado; ou uma fonte conhecida. Este processo visa
a detecção e o registro de qualquer variação na exatidão do instrumento que
está sendo calibrado, permitindo a redução de incertezas no processo de
medição. Através da calibração, pode também ser verificado se o instrumento
está operando conforme sua especificação. O resultado de uma calibração
normalmente pode ser registrado num documento denominado Certificado de
Calibração, através do qual podem ser aplicadas correções aos resultados
medidos com o instrumento.
De acordo com o VIM (INMETRO, 2012), calibração é a operação que

estabelece, sob condições especificadas, numa primeira etapa, uma relação
entre os valores e as incertezas de medição fornecidos por padrões e as
indicações correspondentes com as incertezas associadas fornecidas pelo
instrumento. Numa segunda etapa, utiliza-se esta informação para estabelecer
uma relação visando a obtenção de um resultado de medição a partir de uma
indicação.
24
O processo de calibração não deve ser confundido com o procedimento de ajuste

de um instrumento, definido como o conjunto de operações efetuadas num
sistema de medição, de modo que ele forneça indicações prescritas
correspondentes a determinados valores de uma grandeza a ser medida. Há
vários tipos de ajuste de um sistema de medição, como o ajuste de zero e o
ajuste de amplitude (às vezes chamado de ajuste de ganho). Após o ajuste de
um sistema de medição, tal sistema geralmente deve ser recalibrado. Conhecer
os valores indicados pelo instrumento antes de depois do ajuste permite à
indústria rastrear eventuais falhas de produção, inclusive viabilizando um
processo de recall.
1.6 Rastreabilidade de medições

A metrologia conta atualmente com uma organização internacional, que busca
assegurar a unificação mundial de medidas físicas, estabelecendo padrões,
escalas e protótipos das principais grandezas. Como consequência dessa
organização, estabeleceu-se uma hierarquia, conforme ilustrado na Figura 1.2,
que relaciona os padrões primários internacionalmente reconhecidos, com
aqueles utilizados no meio produtivo. O BIPM é responsável pelos padrões
primários internacionais e faz a transferência para os padrões dos institutos
nacionais de metrologia (como o Inmetro, no Brasil). Estas grandezas são
transferidas à rede acreditada de laboratórios de calibração e ensaios (como o
IPT- Instituto de Pesquisas Tecnológicas, em São Paulo), e estes as transferem
para a indústria e outros setores de interesse, como os laboratórios de ensino e
pesquisa.
Através de procedimentos específicos de calibração, essa cadeia de

transferência de unidades e grandezas proporciona a rastreabilidade metrológica
das medições, definida como “a propriedade dum resultado de medição pela qual
tal resultado pode ser relacionado a uma referência através duma cadeia
ininterrupta e documentada de calibrações, cada uma contribuindo para a
incerteza de medição” (INMETRO, 2012). Em consequência desta definição, à
medida que as comparações se afastam dos padrões primários do Sistema
Internacional, ou seja, conforme se desce na pirâmide hierárquica metrológica,
aumenta a incerteza dos padrões, mas se produz a disseminação das grandezas
que caracterizam o SI.
25
Num processo de calibração, costuma-se adotar uma relação de 4:1 na exatidão

dos instrumentos1. Por exemplo, um sensor com exatidão de 0,2% do fundo de
escala deverá ser calibrado com um sensor padrão de exatidão igual a 0,05% do
fundo de escala (ou seja, 0,2%/4) ou melhor. Conforme se avança para o topo
da hierarquia do sistema metrológico, maior será a exatidão do padrão
considerado, o que aumenta o custo e o tempo do processo de calibração.
A rastreabilidade metrológica deve ser devidamente documentada, através de

certificados emitidos pelos laboratórios acreditados. Assim, se um fabricante não
atender às normas vigentes, apresentando as medições de seus componentes
com o percurso devidamente rastreável a padrões primários, poderá ser proibido
de comercializá-los local ou globalmente.
A comparabilidade metrológica é definida como a comparação “de resultados de

medição que, para grandezas de uma dada natureza, são rastreáveis
metrologicamente à mesma referência” (INMETRO, 2012). Por exemplo, os
resultados de medição para as distâncias entre a Terra e a Lua e entre Paris e
Londres, são comparáveis metrologicamente quando ambas são rastreáveis
metrologicamente à mesma unidade de medida, por exemplo, o metro. Note-se
que a comparabilidade metrológica não demanda que os valores medidos e as
incertezas de medição associadas sejam da mesma ordem de grandeza.
O BIPM localiza-se na França, mas em todo o mundo há um instituto nacional

responsável por garantir a rastreabilidade dos padrões no país. No caso francês
é o Laboratoire National de Métrologie et d’Essais (LNE). Outros exemplos de
laboratórios de importância internacional são: o National Institute of Standards
and Technology (NIST), nos EUA; e o National Physical Laboratory (NPL), no
Reino Unido.
1
Esta relação não deve ser muito maior que 10:1, pois levaria ao usuário à falsa impressão de que o
instrumento após a calibração modificaria sua incerteza original. O processo de calibração ocorre em
condições padronizadas ambientais, como estabilidade de temperatura da ordem do grau Celsius, sendo
que em uso normal estas condições ambientais são mais variáveis. Só o fabricante, ou alguém com muita
experiência com os princípios envolvidos no processo de indicar o valor medido pelo sensor é capaz de
usar a calibração para reduzir a incerteza de medição do instrumento.
26
Figura 1.2- Hierarquia do sistema metrológico
Fonte: http://www.inmetro.gov.br/metcientifica/estrutura.asp?
1.7 Características e resultados das medições

Dependendo das circunstâncias e condições em que se realiza um experimento,
os resultados poderão ser obtidos através de uma amostragem única ou por
meio de várias medições. Quando existe a possibilidade de repetição das
medições de uma mesma grandeza, a confiabilidade do resultado poderá ser
avaliada através de métodos e conceitos estatísticos. Quando o custo desta
repetição é proibitivo, ou mesmo quando a própria medição é realizada por meio
de teste destrutivo, o experimentador deverá extrair o máximo de informação da
medição que foi realizada através de amostragem única.
Toda medição experimental está sujeita a erros. Se o experimentador tem

conhecimento de um erro em sua medição (por exemplo, decorrente do zero do
instrumento não ter sido ajustado previamente), ele poderá fazer a correção
necessária no resultado obtido. No entanto, na maioria dos casos, os resultados
de medições são afetados por vários fatores dos quais não se tem conhecimento
completo e por isso carregam em si o que se denomina “incerteza”, que produz
27
como consequência um intervalo dentro do qual o valor desejado da grandeza

deverá se encontrar.
A nomenclatura “erro” foi assim substituída pelo termo “incerteza” na metrologia

moderna, identificando-se duas formas com que podem ser avaliadas: as
incertezas denominadas tipo A, estimadas através de análise estatística, a partir
de dados coletados durante o experimento; e as incertezas tipo B, estimadas de
antemão ou disponibilizadas de alguma outra forma antes do experimento
(INMETRO, 2008).
Assim, “erro” ( E ) atualmente é interpretado como o resultado de uma medição (

Vm ) menos o valor verdadeiro ( Vv ) da grandeza de interesse, sendo que este
valor é desconhecido e desconhecível, devido às limitações dos instrumentos e
processos de medição. O “erro” pode ser positivo ou negativo, e deve ser
corrigido, sempre que possível (por exemplo, através de certificados de
calibração). A expressão (1.1) indica o cálculo do erro:
E = Vm − Vv (1.1)
Define-se também o erro relativo como:
Vm − Vv
Er = (1.2)
Vv
E o erro relativo percentual, como:
Vm − Vv
Er (%) = .100 (1.3)
Vv
Para alguns parâmetros físicos, como a carga do elétron, a velocidade da luz ou

a constante de Planck, pode-se estabelecer o que se denomina “valor
convencional”, ou seja, o valor atribuído a uma grandeza e aceito por convenção,
como tendo uma incerteza apropriada para uma dada finalidade. Por exemplo,
atualmente o valor da carga do elétron é, de acordo com o CODATA (CODATA),
exatamente, 1,602 176 634.10–19 C.
Já a “incerteza” é o parâmetro associado ao resultado de uma medição que

caracteriza a dispersão dos valores que podem ser razoavelmente atribuídos a
uma grandeza, definindo um intervalo possível para o valor da mesma.
As fontes de incerteza em resultados experimentais podem ser devidas a efeitos

aleatórios na medição, causadas por exemplo por variações ambientais; e a
efeitos sistemáticos devido à qualidade da instrumentação e de sua calibração.
A incerteza associada aos efeitos aleatórios poderá ser reduzida com o aumento
28
do número de medições (quando existe essa possibilidade), enquanto que os

efeitos sistemáticos apresentam uma tendência no resultado, que muitas vezes
pode ser parcialmente corrigida, com os dados de certificados de calibração ou
hipóteses de correlação com outras grandezas. Por exemplo, se é sabido que o
instrumento apresenta um valor que depende da temperatura ambiente, o
conhecimento da temperatura ambiente deve ser usado para corrigir o valor
indicado pelo instrumento.
Assim, o resultado de uma medição, ou seja, a medida, será apresentada como:
(valor medido  incerteza) acompanhado da respectiva unidade, e da

probabilidade com que o valor esteja no intervalo indicado.
Por exemplo, o resultado de uma medição de tempo: (2,420,10) s, 95%, indica,

com probabilidade de 95% que tal medida se situa entre 2,32s (menor provável
da grandeza) e 2,52 s (maior provável da grandeza). Note-se que o valor da
incerteza é sempre positivo, sendo utilizado para calcular o intervalo em que o
valor da grandeza possa estar situado.
Já se um experimento para determinação da carga do elétron resulta no valor

1,58.10-19 C, pode-se dizer que esse resultado envolve um erro igual a
-0,022.10-19 C, considerando o valor convencional dessa grandeza, conforme
apresentado acima. O erro nesse caso é um número negativo, resultante da
diferença entre o valor experimental e o valor convencional da grandeza em
questão.
Esses conceitos serão explorados com maior detalhe ao longo desse livro, mas
é importante não confundir os termos “erro” e “incerteza” e usá-los corretamente.
Quanto às unidades de cada grandeza de interesse e as devidas normas para
sua apresentação, deverá sempre ser consultada a referência mais atualizada
sobre o Sistema Internacional de Unidades (BIPM-SI).
• Algarismos significativos
O número de algarismos significativos com que se expressa o resultado de uma

medição é indicador de sua precisão e deve ser compatível com o instrumento
utilizado para se realizar a medição. Como regra geral, deve-se apresentar a
medida com apenas os algarismos de que se tem certeza mais um único
algarismo duvidoso. Este conjunto é denominado de algarismos significativos da
medida.
29
Por exemplo, na Figura 1.3, poderíamos representar a leitura da primeira régua

(com menor divisão de 0,5 cm), como sendo 3,6 cm, e da segunda régua (com
menor divisão de 1 mm), como sendo 3,64 cm. Note-se que, sendo o último
algarismo de ambas as leituras o resultado de uma estimativa feita através de
subdivisão visual e mental da escala, não há sentido em tentar avaliar o próximo
algarismo.
Este procedimento vale para instrumentos com escala de indicação analógica.

Para instrumentos com display digital, não se pode afirmar nada além do que é
apresentado no visor. Assim, por exemplo, na medida de um multímetro digital
em que se lê 3,26 V no visor, não deve ser apresentado um valor de 3,262 V, e
tampouco o valor arredondado de 3,3 V. O resultado com um algarismo a mais
(normalmente obtido a partir de média calculada com várias medições repetidas)
não tem sentido, pois a própria incerteza do aparelho poderá ser superior a
0,002 V. Arredondar o valor da leitura também não é adequado, pois será
perdido um algarismo que faz parte da especificação do instrumento, inclusive
afetando seu valor comercial. A não ser que o último dígito do visor seja muito
instável (devido à própria variação do valor da grandeza medida), ele deverá
constar nos dados experimentais dos relatórios técnicos.
Figura 1.3- Medidas obtidas com instrumentos diferentes
Fonte: Próprios Autores
Deve-se ressaltar também que os algarismos significativos são contados da

esquerda para a direita, a partir do primeiro algarismo não-nulo. Portanto os
zeros à esquerda do número não são significativos. Por exemplo:
12; 1,2; 0,012 e 0,000012 possuem dois algarismos significativos, enquanto

0,01200 apresenta quatro algarismos significativos.
30
Os números: 40; 7,7; 0,43; 0,087; 13; e 16.102 apresentam dois algarismos
significativos. Em especial, a notação científica de potências de dez poderá ser
muito útil para indicar medidas de forma correta e compatível com a
instrumentação utilizada. Por exemplo, matematicamente sabemos que 7,29 km
= 7290 m = 729000 cm, utilizando o procedimento de conversão de unidades.
No entanto, se a medição foi feita com um instrumento que permitiu a precisão
de 7,29 km, metrologicamente devemos indicar este valor como 7,29.10 3 m,
7,29.105 cm ou 0,729.106 cm, notações que mantêm a informação com os três
algarismos significativos em que foi originalmente realizada a medição.
Em todas as operações com resultados de medições, é boa prática utilizar todos

os algarismos disponíveis até o final dos cálculos, e só então efetuar o
arredondamento do valor final, com base na incerteza das medições, como será
visto no Capítulo 3.
Com relação ao procedimento de arredondamento, são de uso comum as

seguintes regras, estabelecidas na Norma ABNT/NBR5891 (ABNT, 2014):
• Os algarismos duvidosos 0,1,2,3,4 são arredondados para baixo, isto é, o

algarismo precedente é mantido inalterado.
Ex.: 3,14 e 2,73 são arredondados para 3,1 e 2,7 respectivamente.
• Os algarismos duvidosos 6,7,8,9 são arredondados para cima, isto é, o

algarismo precedente é aumentado de 1.
• Para o algarismo duvidoso 5 deve ser utilizada alguma regra que garanta
que 50% das vezes o arredondamento seja para cima, e 50% para baixo.
Para isto, a regra a seguir é muito usada:
5 é arredondado para baixo sempre que o algarismo precedente for par,

e arredondado para cima sempre que o algarismo precedente for ímpar.
A justificativa para esta regra é de que em metade dos casos será feito o
arredondamento para cima e na outra metade, para baixo, havendo assim
uma “compensação” no procedimento de arredondamento.
Uma consequência da aplicação desta regra é que o último algarismo

após o arredondamento será o número par mais próximo (note que 6 e 8
são números pares no exemplo acima).
Caso seja necessário fazer um arredondamento de forma a reduzir o resultado

em mais do que um algarismo, a regra acima deverá ser adaptada, para se evitar
31
um processo tendencioso. De forma geral, se um número X,YZW deve ser

arredondado no algarismo Y, aplica-se:
• se ZW for menor que 50 (com quantos zeros forem os algarismos que se

deseja eliminar, por exemplo: 500, 5000, 50.000, etc.), o Y é mantido
(arredondamento para baixo):
• se ZW for maior que 50, o Y é acrescido de 1 (arredondamento para cima):
• se ZW for exatamente igual a 50, o Y transforma-se no algarismo par mais
próximo.
Ex: 3,100; 3,125 e 3,149 são arredondados para 3,1.
3,151; 3,175 e 3,191 são arredondados para 3,2.
3,150 é arredondado para 3,2.
1.8 Exercícios de aplicação
1- Qual é a unidade derivada de força no Sistema Internacional de unidades (SI)?
Utilizando a lei da Física apropriada, relacione essa unidade com unidades

básicas do SI.
2- Obtenha no site do CODATA (CODATA) o valor convencional atual da

constante de Planck e da massa do elétron.
3- Arredonde o número 7,6483 para três algarismos significativos e depois para
dois algarismos significativos
4- Arredonde o número 7,6534 para três algarismos significativos e depois para
dois algarismos significativos
5- Indique com quantos algarismos significativos são apresentadas as seguintes
medidas:
0,000054 kg
2,50000 km
6- Indique com quantos algarismos significativos são apresentados os seguintes

números:
5,789600.103 mm
0,0000432 cm2
32
7- Se o resultado de uma medição de massa é dado por 23,5 kg, como esse
resultado pode ser expresso em gramas, de forma metrologicamente correta?
8- Obtendo-se um resultado de medição de volume igual a 32,4 litros, como esse
resultado pode ser expresso corretamente em m3?
9- Se o valor da massa de um objeto é dado como (1,24±0,13) kg; 68%, qual é
o intervalo provável em que se situa o valor real da massa, com a
probabilidade indicada?
10- Forneça as medidas de comprimento da barra da Figura 1.4, realizadas
com duas réguas diferentes. Para cada medida, inclua um algarismo
duvidoso, de acordo com sua estimativa visual.
Figura 1.4- Medições com instrumentos diferentes
Fonte: Adaptada de: https://alunosonline.uol.com.br/fisica/conhecendo-os-algarismos-

significativos.html
33
34
Capítulo 2 -Mensurandos e Grandezas de Influência
2.1 Introdução
“O objetivo da medição é (...) estabelecer, com base nas informações disponíveis
a partir da medição, uma probabilidade de que este valor essencialmente único
se encontre dentro de um intervalo2 de valores da grandeza medida” (INMETRO,
2008).
Para sermos capazes de compreender este objetivo, é necessária uma revisão

dos termos utilizados na ciência da medição (metrologia) e da estatística.
2.2 Definição de mensurando na Engenharia

O objetivo de uma medição é determinar o valor do mensurando, isto é o valor
da grandeza específica a ser medida. São exemplos de grandezas: a
temperatura, a tensão, a massa, etc. Já o mensurando inclui todos os aspectos
que tornam o resultado reprodutível, como o método de medição e o número de
amostras.
Determinar um valor que todos os interessados aceitem para uma determinada

grandeza é importante para a troca de informações entre estes interessados.
Esta troca de informações permite o desenvolvimento da área afetada por esta
grandeza.
Em engenharia, supor que existe um valor verdadeiro de uma grandeza é uma

hipótese muitas vezes desnecessária. Os efeitos da grandeza medida na
propriedade desejada da engenharia são afetados por condições de contorno
2
Outra forma de pensar é que buscamos um intervalo em torno do resultado declarado de medição que
abranja uma fração conhecida “p” (tipicamente p=95%) dos resultados possíveis, onde “p” é a
probabilidade de abrangência. O ISO GUM (INMETRO, 2008), na seção 6.2.2, informa que os termos
intervalo de confiança e nível de confiança não devem ser utilizados quando se referem à incerteza de
medição. São termos específicos utilizados na estatística frequentista, conceitos que não se aplicam à
incerteza conforme definida no Vocabulário Internacional de Metrologia-VIM (INMETRO, 2012), (Kyriazis,
2004).
35
muitas vezes não controláveis. Por exemplo, a determinação do valor verdadeiro

do consumo de um automóvel é uma tarefa difícil, pois há diversas grandezas
que influenciam este mensurando: o tipo e a qualidade do combustível, o modo
de conduzir do condutor, o tipo de trânsito enfrentado no dia a dia, a temperatura
ambiente. O gráfico da Figura 2.1 representa o valor do consumo de combustível,
durante cerca de 3 anos e de 30 mil de quilômetros registrados neste período.
Figura 2.1- Consumo de combustível (km/l) de um veículo durante três anos, em

função da sua velocidade (km/h). O círculo representa a velocidade e o consumo
médios e o “x”, os medianos. 3
A velocidade média e a mediana estão representadas pelo círculo e pelo ‘X’,

respectivamente. Observe-se que a média não representa um valor provável de
ser obtido experimentalmente. Esta característica é típica de resultados de
grandezas com comportamento não linear.
3
Poucos pontos foram obtidos apenas com gasolina (o carro era flex, operando com álcool e/ou gasolina),
particularmente pontos obtidos em viagens longas. Saber exatamente qual é a característica do
combustível não é uma tarefa simples. Os valores foram obtidos a partir de dados do computador de
bordo do automóvel, verificados periodicamente por outros meios.
36
As grandezas de influência que afetam a grandeza de interesse, essa incluída

na definição do mensurando, devem ser padronizadas para garantir uma
comparação entre valores. A questão importante é o que será feito com a
informação resultante do experimento.
Nesse exemplo, se o que interessa é quanto será gasto por mês com
combustível, as condições padronizadas deveriam incluir variações de
velocidade e de relação de marchas, estaticamente compatíveis com a forma de
conduzir típica da população interessada no seu trajeto típico. Se o que interessa
é o consumo em função da velocidade, ou o efeito do uso do ar-condicionado no
consumo, provavelmente, a velocidade e a relação de marchas deveriam ser
mantidas constantes durante todo o ensaio.
O que é necessário para o engenheiro conhecer sobre a grandeza a ser medida?

E com qual exatidão? Estas não são perguntas fáceis de serem respondidas.
Por outro lado, a resposta, em engenharia, deve ser entendida não como o valor
verdadeiro da grandeza, mas como a propriedade medida de alguma forma que
todos possam reproduzir e que tenda a ser a propriedade que interessa ao
projetista, com a incerteza adequada para ele. É esta resposta que define o
mensurando. Em engenharia a maioria dos mensurandos é normalizada, ou
seja, está definida em normas técnicas (no Brasil, normas da ABNT (ABNT)).
Seguem abaixo alguns exemplos de mensurandos.
1. A temperatura ambiente é uma grandeza muito utilizada em todas as áreas.

Normalmente, sua utilização é como uma grandeza de influência4 do
experimento que está sendo realizado. Seguem alguns exemplos de
mensurando que podem ser denominados de “temperatura ambiente”:
1.a) “Temperatura medida sempre no mesmo horário em um termômetro

colocado em uma das paredes do laboratório. O local escolhido deve estar livre
de insolação e fluxo de ar”. Este mensurando é utilizado, normalmente, quando
as condições ambientais do laboratório estão controladas por um sistema de
controle de temperatura. O registro deste mensurando, por exemplo, é
necessário pelas normas ABNT NBR ISO 9000 (ABNT, 2015), ou ABNT ISO
17025 (ABNT, 2017).
1.b) Temperatura medida com um termômetro de vidro em béquer com cerca de

1 litro de água. O béquer deve estar no mesmo ambiente, mas deve estar
afastado do experimento para que este não afete a “temperatura ambiente”. Este
mensurando é utilizado durante ensaios no qual o valor médio da temperatura
4
Grandeza de influência: Grandeza que, numa medição direta, não afeta a grandeza efetivamente
medida, mas afeta a relação entre a indicação e o resultado de medição (INMETRO, 2012).
37
ambiente deve ser mantido registrado, para eventuais análises ou correções dos
dados.
1.c) Média da temperatura de uma parede de madeira de 2,5 cm de espessura,

pintada de preto, a uma distância, determinada pela norma, do equipamento sob
teste, montado na situação mais crítica permitida pelo manual de instalação do
equipamento (norma ABNT IEC 60335-1) (ABNT, 2010).
1.d) A temperatura medida por estações meteorológicas do Instituto Nacional de

Meteorologia (no Mirante de Santana) é, normalmente, chamada de
“temperatura do munícipio de São Paulo”. Uma das razões da escolha de uma
determinada estação é que há dados históricos obtidos há vários anos. As
condições de instalação de uma estação meteorológica são normalizadas pela
Organização Meteorológica Mundial (OMM).
1.e) A “temperatura ambiente” para a caracterização da vida útil de uma lâmpada

LED é um mensurando que deve ser muito bem controlado. Um sistema de
exaustão normalizado garante um fluxo baixo e constante de ar (ambos os
termos normalizados) sobre a lâmpada. Nestas condições, a temperatura
ambiente é definida como a média de duas temperaturas na entrada do ar e de
duas na saída, devendo ser medida com termopar de tipo especificado. Além
disso, essa temperatura deve ser mantida constante (de forma normalizada)
para permitir uma comparação adequada entre as vidas úteis de várias lâmpadas
de um mesmo fabricante ou de lâmpadas similares produzidas por vários
fabricantes. Observe que para o usuário final da lâmpada, o valor do mensurando
“temperatura ambiente durante o ensaio” não é importante, afinal a “sua”
temperatura ambiente provavelmente será muito menos controlável ou
conhecida. Para esse usuário, só interessa se uma lâmpada dura mais que outra.
No entanto, o método desenvolvido para o mensurando deve ser tal que, em
média, o consumidor tenha seu interesse preservado.
2. Algumas propriedades estatísticas de variáveis aleatórias são comumente

utilizadas como parte da definição de mensurando. Alguns exemplos:
2.a) O valor médio de n medidas correspondentes a uma determinada grandeza

é muito usado como mensurando. Por exemplo, se um dado é jogado n vezes,
e o mensurando é a média dos valores obtidos, o resultado tende a 3,5 à medida
que n tende a infinito (LAW). Observe que o valor do mensurando, 3,5, nunca
acontece em nenhum resultado experimental. Para fins de engenharia, o valor
de n em geral é limitado para reduzir os custos do experimento.
2.b) O valor da mediana (ou da moda) de n medidas é muitas vezes utilizado

como mensurando que represente o valor de um lote de peças. A escolha da
mediana em engenharia ocorre ou porque os valores medidos possuem ordens
38
de grandeza diferentes, ou porque o valor obtido pela média pode ser não
representativo de um valor possível de ocorrer, como apresentado no exemplo
2.a).
2.c) O valor mínimo (ou máximo) de uma grandeza (por exemplo a massa) de
um lote de peças. Este mensurando é típico quando o processo no qual a peça
será inserida possui uma tolerância: valores abaixo (ou acima) de um valor
especificado não são aceitos no processo.
2.d) O número de valores de um lote de n peças testadas que satisfaz algum

requisito. Este mensurando é típico no controle de qualidade em engenharia.
3. A temperatura média da cidade de Santo André (denominada TMSA), às 14

horas, calculada pela média aritmética da temperatura medida com termômetro
de álcool, protegido do sol e de intempéries em quatro pontos geográficos
distintos.
Neste mensurando, a temperatura é medida por um método específico de

medição, baseado na relação entre o volume do álcool e sua temperatura. A
definição do mensurando inclui número de pontos, cuidados durante a medição
e outros aspectos.
2.3 Valor verdadeiro e valor convencional5

Como determinar a veracidade6 de um mensurando? Afinal, em algum momento,
todos eles estão sujeitos à indeterminação experimental. A maioria dos
mensurandos é função de diversas grandezas, como: valor do  ou do número
de Euler, e ; da velocidade da luz, c ; da temperatura ambiente; de valores
obtidos lidos em diversos instrumentos ao “mesmo” tempo, etc.
Como deve ser definida uma grandeza que é base para as outras? Tomemos
por exemplo a velocidade da luz. Hoje essa grandeza é utilizada como um valor
convencional para as medições. O “metro” é definido a partir da velocidade da
luz. Caso um novo método for utilizado e torne possível medir com maior
exatidão o tempo que a luz demora para percorrer um determinado espaço, não
será a velocidade que será ajustada, mas o comprimento. Assim sendo, mesmo
que a luz não possua um valor verdadeiro de velocidade (no sentido de que é
5
Valor verdadeiro (Valor duma grandeza compatível com a definição da grandeza) e valor convencional
(Valor atribuído a uma grandeza por um acordo, para um dado propósito) (INMETRO, 2012).
6
Veracidade (Grau de concordância entre a média dum número infinito de valores medidos repetidos e
um valor de referência (INMETRO, 2012).
39
impossível saber com total exatidão seu valor), está convencionado

internacionalmente que seu valor é c = 299 792 458 m/s.
Um exemplo de valor verdadeiro que possui incerteza (não é exato) ocorre num
processo de comparação de medições feitas com dois instrumentos (processo
utilizado tipicamente em calibrações). A medição feita com o instrumento mais
exato é adotada como o valor verdadeiro da medição. Pode-se assim definir o
erro do instrumento sendo calibrado como a diferença entre o valor medido e o
valor verdadeiro.
De forma prática, pode-se pensar que o valor verdadeiro de uma grandeza é

aquele para o qual a medida da grandeza aproxima-se cada vez mais, à medida
que se aumenta o número de medições, realizadas com instrumentos e
procedimentos cada vez mais complexos.
Seguem alguns exemplos de valores verdadeiros e de valores convencionais.
1. O valor do  não é conhecido ou conhecível com total exatidão (é um número

irracional!). Hoje, para fins da compreensão dos fenômenos físicos ou para
acordos comerciais (volume de gás em um cilindro, por exemplo), o número de
“algarismos significativos” conhecidos do valor de  é infinitamente maior do que
o necessário para qualquer aplicação. Veja na Figura 2.2 a evolução do número
de algarismos do  ao longo do tempo7.
Pode-se considerar que, para um determinado experimento, o valor do 

escolhido com um número de algarismos significativos suficientemente grande é
um valor verdadeiro, com incerteza desprezível. Outro experimento pode exigir
outro valor verdadeiro do . O valor não está convencionado, e continua sendo
objeto de pesquisa, na área de algoritmos. Por outro lado, em calculadoras e
planilhas de cálculo, o número de algarismos significativos é relativamente
pequeno. No software Excel, por exemplo, ele possui “apenas” 15 algarismos
significativos, o que equivale ao conhecimento do valor do  da Idade Média!
7
“Chronology of computation of pi”. Disponível em:
<http://en.wikipedia.org/wiki/Chronology_of_computation_of_%CF%80> Acesso em: 23 jan.
2015.
40
Figura 2.2- Evolução do número de algarismos do número 
Fonte: Próprios Autores, a partir de 6
2. Valores convencionais são fundamentais nas áreas de Química e Física. Eles

podem ser recuperados em (CODATA).
Seguem alguns exemplos:
2.a) Atmosfera padrão (atm): 101 325 Pa – exato. Observe que garantir que um
experimento foi realizado exatamente em 1 atm é impossível, pois não se
consegue medir a pressão atmosférica sem introduzir alguma incerteza na
medição. Mas caso seja necessário corrigir um mensurando que dependa da
pressão (por exemplo o volume de um gás), para o valor a 1 atm, este valor exato
pode ser utilizado.
2.b) Número de Avogadro: N A = 6,022 140 76.1023 mol-1 (exato).
2.c) Constante de gravitação: G = 6,674 30 (15).10-11 m3 kg-1 s-2. O valor entre

parênteses representa a incerteza padrão (0,00015.10-11m3 kg-1 s-2), o que indica
que o valor de G encontra-se dentro do intervalo [6,674 15.10-11 e 6,674 45.10-
11] com 68% de probabilidade.
2.d) Permeabilidade magnética do vácuo: 0 = 4 .10−7 H/m (exato). Observe que

apesar de não haver incerteza na definição da permeabilidade, seu valor exato
é desconhecível, já que o  é irracional!
41
2.e) Permissividade dielétrica do vácuo:  0 exata, calculada a partir da equação:

1
c2 = . Observe que esta grandeza depende da definição de outras duas,
( 0  0 )
ambas definidas como sendo exatas. Seu valor numérico, por outro lado, é
desconhecível (pois também é irracional).
3. No processo de calibração de um instrumento, o instrumento de referência

deve possuir uma incerteza no valor medido de 3 a 10 vezes menor do que o
instrumento sob calibração. Durante o processo, ambos os instrumentos medem
o mesmo valor ao “mesmo” tempo. O valor medido pelo instrumento de
referência, com seu intervalo, é considerado o valor verdadeiro do mensurando
do experimento.
2.4 Mensurando variável e invariável

Ao se definir o mensurando de interesse, é importante identificar se a grandeza
a ser medida é variável ou invariável no período em que as medições serão
realizadas. São exemplos de grandezas que podem ser consideradas
invariáveis: a massa de uma peça de metal; o comprimento de uma barra de
metal, com precisão milimétrica, a temperatura constante. Grandezas variáveis
são aquelas cujo valor não é único ou bem definido, podendo variar em função
da posição, do tempo ou de outros fatores. Na prática, quase todos os
mensurandos são variáveis, mas algumas variações podem ser consideradas
desprezíveis e o mensurando poderá ser considerado fixo, dentro de certas
condições. Como exemplo de grandezas variáveis, tem-se: a temperatura
ambiente; o comprimento de uma barra de metal, com precisão nanométrica; a
altura de um muro irregular, numa extensão de 100 metros.
Note-se que em um mensurando invariável, as variações do mensurando são

inferiores à resolução do sistema de medição, enquanto que para um
mensurando variável, as variações do mensurando são iguais ou superiores à
resolução do sistema de medição. A resolução consiste na menor variação da
grandeza de entrada que produz a menor variação da leitura de saída do sistema
de medição.
Algumas variações podem ser de interesse nas medições (por exemplo, o fluxo
de gás em encanações; o consumo de energia elétrica durante o ano; a
frequência do batimento cardíaco de um paciente ao longo do dia) e os sistemas
42
que acompanham tais variações no mensurando são denominados sistemas

dinâmicos de medição.
É importante distinguir as variações no mensurando em si das variações dos

valores medidos, inerentes aos processos estatísticos de medição, para que os
cálculos das incertezas que acompanham o valor da grandeza de interesse
sejam feitos de forma correta.
2.5 Exatidão e Precisão da Medição

Estes dois termos são facilmente confundidos por pessoas que não estão
familiarizadas com a nomenclatura e a ciência da metrologia. No entanto, eles
têm significados diferentes, e devem ser utilizados de forma correta pelos
profissionais (INMETRO, 2012).
A exatidão refere-se ao grau de proximidade ou concordância entre o resultado

da medição e o valor verdadeiro da grandeza. A exatidão é um conceito
qualitativo, uma vez que não se conhece na prática o valor verdadeiro de
nenhuma grandeza.
A precisão expressa o grau de concordância entre indicações ou valores

medidos, obtidos por medições repetidas, no mesmo objeto ou em objetos
similares, com o mesmo instrumento ou não, sob condições especificadas. A
precisão de medição é geralmente expressa numericamente por características
como o desvio-padrão, a variância ou o coeficiente de variação. A precisão
depende de duas características: concordância entre os valores obtidos e o
número de algarismos significativos das medidas (que por sua vez, no caso de
uma medição direta, está relacionado à resolução do instrumento de medição).
Na Figura 2.3 é feita uma analogia entre esses dois conceitos e um jogo de tiro
ao alvo. Os pontos esparsos representam os resultados de várias medidas, e o
alvo seria o valor verdadeiro da grandeza. Assim, resultados próximos ao alvo
representam alta exatidão e resultados com baixa dispersão correspondem a
uma alta precisão.
Na prática, não se conhece o valor verdadeiro da grandeza de interesse, o que

corresponde, na analogia proposta, em não se conhecer a posição do alvo
(Figura 2.4). Dessa forma, pode-se apenas estimar numericamente a precisão
dos resultados das medições, através da dispersão entre os valores obtidos. A
exatidão das medidas será apenas um conceito qualitativo, a ser estimado
através da comparação com o valor convencional da grandeza em questão, ou
43
com valores obtidos a partir de padrões ou de instrumentos calibrados e de

melhor qualidade.
Figura 2.3 – Analogia sobre Exatidão e Precisão - a) alta precisão e alta exatidão; b) alta
precisão e baixa exatidão; c) baixa precisão e alta exatidão; d) baixa precisão e baixa
exatidão.
a) b)
c) d)
Fonte:
https://www.researchgate.net/publication/269696007_Avaliacao_da_acuracia_de_um_GPS_de_dupla_
frequencia_para_implantacao_de_um_ponto_de_apoio_imediato_P2_ao_georreferenciamento
44
Figura 2.4 – Condições práticas reais sobre Exatidão e Precisão (sendo desconhecido o
valor verdadeiro da grandeza) - a) alta precisão; b) alta precisão; c) baixa precisão; d)
baixa precisão.
a) b)
c) d)
2.6 Grandezas de influência

Diversos fatores que não são o mensurando podem afetar o seu valor. Esses
fatores, tais como os listados abaixo, são denominados grandezas de
influência.
• Componentes da função que define o mensurando. Por exemplo: na

determinação do mensurando TMSA (Temperatura Média da cidade de
Santo André), definido no item 2.2, as temperaturas de cada ponto são
grandezas de influência;
• Qualidade da instrumentação e da sua calibração;
• Condições ambientais que interferem no mensurando (mas não estão
definidas como sendo o mensurando). Por exemplo, o efeito da umidade
nos instrumentos.
• Flutuações nas medições devidas a fenômenos não relacionados com o
mensurando. Por exemplo: a experiência do operador em obter valores
de um termômetro a álcool.
45
O que se espera de uma grandeza medida com qualquer instrumento?

Naturalmente, dentro da exatidão necessária e suficiente para o estudo, valores
que sejam estatisticamente representativos do valor da grandeza.
É normal que haja flutuações na medição desta grandeza, quer seja porque a
grandeza não pode ser mantida constante nas condições do experimento, quer
seja porque a instrumentação não é totalmente exata, nunca.
Quando se procura um valor verdadeiro de uma grandeza (o que normalmente

é improdutivo em engenharia), procura-se manter uma estabilidade máxima de
todas as grandezas que influenciam na medição: temperatura, pressão,
umidade, etc. Por exemplo, caso queiramos medir o valor do metro utilizando a
velocidade da luz no vácuo e um cronômetro muito exato, devem ser criadas
condições de mínima densidade do ar. O vácuo sempre poderá ser mais
“perfeito” com a melhoria da tecnologia, o que fará com que o metro seja
conhecido com exatidão8 cada vez maior. Se o objetivo for conhecer valores
cada vez mais próximos do valor verdadeiro do metro, o vácuo deve ser sempre
aperfeiçoado, entre outras características do experimento.
E se quisermos medir a distância máxima percorrida por um automóvel com uma

determinada quantidade de combustível? Não faz sentido realizar o experimento
no vácuo, ao menos não com os motores a explosão de hoje. Naturalmente, a
pressão e a temperatura ambiente modificam o atrito da carroceria do automóvel
com o ar, modificando assim a distância percorrida pelo automóvel. Do ponto de
vista da engenharia, não há um valor exato desta distância máxima, já que as
condições ambientais dependem do país, das estradas, da época do ano, etc. E
estas condições ambientais modificam não apenas o arrasto do automóvel, mas
também o desempenho do motor.
Em engenharia, o que se busca é apenas um valor de comparação entre

diversas medições, sob condições previamente acordadas e conhecidas. Estas
condições devem inclusive levar em consideração a facilidade de se reproduzir
o experimento em países diferentes. A incerteza da medição desta grandeza
deve ser especificada e só faz sentido buscar a redução desta incerteza se a
relação da grandeza com o desenvolvimento do projeto de engenharia for muito
bem conhecida. Ou seja, todas as grandezas que influenciam a medição devem
ser conhecidas (dentro da viabilidade técnica e econômica) para que a incerteza
do mensurando seja conhecida. Estas são as grandezas de influência deste
mensurando.
8
No ar, à pressão atmosférica, a velocidade da luz é cerca de 0,03% menor do que no vácuo “perfeito”.
46
Deve-se notar que:
• A definição de grandeza de influência dificulta sua exemplificação, pois é

necessário conhecer bem o mensurando para que os exemplos possam
ser dados. Apenas para ilustrar, se o mensurando for a temperatura
ambiente da cidade de São Paulo, a resolução do instrumento utilizado
certamente seria uma grandeza de influência deste mensurando.
• Se o mensurando for o volume de um gás medido na temperatura
ambiente, a temperatura ambiente certamente seria uma grandeza de
influência importante.
• A própria definição do mensurando é uma grandeza de influência. Uma
definição incompleta das condições nas quais foram realizados os
experimentos e anotados os resultados, torna o valor do mensurando
dependente das condições não definidas. Esta é chamada de grandeza
de influência “definicional”. No caso do exemplo do consumo de
combustível do automóvel, apresentado no item 2.2, é possível imaginar
infinitas mudanças de definição que alteram o valor do mensurando9.
2.6.1 O diagrama de Ishikawa

Uma ferramenta importante para auxiliar na análise das grandezas de influência
e das fontes de incerteza no processo de determinação do mensurando e sua
respectiva incerteza padrão é o diagrama de causa e efeito. Este gráfico é
também denominado diagrama de Ishikawa, em referência ao engenheiro Kaoru
Ishikawa, que aperfeiçoou esta ferramenta para utilizá-la no Controle de
Qualidade Industrial. Também é conhecido como diagrama “espinha-de-peixe”,
devido ao seu aspecto, em que segmentos correspondem às causas primárias
e secundárias, ligadas a um eixo central que aponta em direção ao efeito
analisado (Figura 2.5). No cenário da metrologia, as causas podem ser
identificadas com as grandezas de influência, e o efeito como o mensurando de
interesse.
No ambiente industrial, em que o efeito está normalmente relacionado a um

produto insatisfatório, o diagrama de Ishikawa é normalmente conhecido como
diagrama 6M, já que as causas estão relacionadas com seis termos iniciados
com a letra M: Método, Matéria-prima, Mão-de-obra, Máquina, Medição e Meio
Ambiente (VIEIRA, 2014). De alguma forma, em metrologia, alguns ou todos
9
Por exemplo, o mensurando é modificado se é definido o peso do condutor, a inclinação da pista, a
octanagem do combustível, etc.
47
esses fatores podem estar relacionados às grandezas de influência que afetam

a obtenção de um mensurando.
Figura 2.5- Diagrama de Ishikawa conhecido como 6M
Considerando o mensurando definido no item 2.2, a TMSA (Temperatura média

da cidade de Santo André), podemos traçar o diagrama de Ishikawa conforme
ilustrado na Figura 2.6. Nota-se que as grandezas de influência principais
(“espinhos” primários do diagrama) estão relacionados com a obtenção das
quatro temperaturas ( Ti , com i =1,2,3 e 4, constituindo, na verdade, quatro
espinhos no diagrama) em pontos geográficos distintos; com a medição do
horário definido no mensurando (14 h); com a reprodutibilidade do método
experimental, que quantifica a variabilidade da medição de temperatura por
diferentes operadores, com instrumentos diversos; e com eventuais “erros
numéricos”, que podem ocorrer quando o mensurando de interesse é obtido a
partir de cálculos matemáticos.
Cada espinho primário pode ser decomposto em segmentos secundários e

terciários, conforme as várias grandezas de influência são identificadas no
processo de construção do diagrama. Assim, cada valor de temperatura lida na
escala do termômetro de álcool será afetada pela resolução e calibração do
instrumento, bem como pela repetibilidade do operador ao realizar a leitura. A
leitura do horário será função da resolução, da calibração e das características
48
do relógio do operador, assim como da repetibilidade de leitura. O efeito

secundário relacionado ao fato dos operadores não realizarem a leitura
exatamente às 14 h (atraso de leitura) também irá afetar o resultado final do valor
do mensurando, visto que a temperatura ambiente na cidade varia ao longo do
dia.
Figura 2.6- Diagrama de Ishikawa do mensurando TMSA (Temperatura Média da cidade

de Santo André)
Repetibilidade
Repetibilidade
2.7 Medições diretas e indiretas

Alguns mensurandos podem ser determinados a partir de medições diretas da
grandeza de interesse, como, por exemplo, a medição de uma dimensão física
utilizando uma régua ou um paquímetro. Nas medições diretas, uma das fontes
de incerteza que provoca a diferença entre o valor verdadeiro da grandeza e o
valor medido é a própria limitação humana na realização da medição (por
exemplo, a incerteza ligada à paralaxe depende da experiência do operador, de
sua acuidade visual, etc.). Outras grandezas de influência estão relacionadas às
características e calibração do instrumento de medição.
Nas medições indiretas, o mensurando é obtido a partir de medições diretas de

outras grandezas, e utilizando uma expressão matemática para determinação do
valor final. Um exemplo de medição indireta é a determinação da área de uma
superfície retangular, a partir das medições de sua largura e comprimento. A
determinação da incerteza final associada a uma medição indireta envolve
49
técnicas de propagação de incertezas, já que cada medida direta que compõe o

resultado estará acompanhada de sua respectiva incerteza.
1- Defina um mensurando relacionado ao comprimento de uma haste de aço,

com precisão milimétrica, levando em conta a adequação do instrumento a
ser utilizado e as principais grandezas de influência que possam afetar o
resultado.
2- Identifique no conjunto abaixo os mensurandos variáveis e invariáveis:
• A tensão elétrica nos terminais de uma pilha, medida com um multímetro.
• A temperatura ambiente numa quadra de esporte, no período de 24 horas,
medida com um termômetro digital.
• A velocidade do vento durante meia hora, medida com um anemômetro.
• A massa de um cilindro metálico medida numa balança digital de bancada.
3- Qual é a característica avaliada de um instrumento quando são feitas várias
medições repetidas de uma mesma grandeza, em situações idênticas?
4- Qual é a característica avaliada de um instrumento quando o mesmo é
utilizado para realizar uma medição simultaneamente a um equipamento
padrão?
5- Um termômetro é utilizado para medições de temperatura na faixa de 200 a
400 oF. O fabricante especifica uma exatidão de 0,25% do fundo de escala
em toda a faixa. O que isso significa em termos de temperatura?
6- Um multímetro é utilizado para medir uma tensão elétrica padrão de 100 volts.
São realizadas quatro medições, obtendo-se os resultados: 104 V; 103 V;
105 V; e 105 V. A partir dessas medidas, determine, em porcentagem, qual
é a precisão e a exatidão desse instrumento? Como poderia ser melhorada
a exatidão dessa medição? Qual será o limite do valor dessa exatidão?
7- Enumere quais são as grandezas de influência que podem afetar as
medições de comprimento de um teclado de computador, utilizando-se uma
régua de aço milimetrada.
8- No diagrama de Ishikawa do tipo 6M da Figura 2.7, aplicado a um processo
do agronegócio, identifique: o efeito que está sendo estudado; as causas
primárias; e as causas secundárias, associadas a cada causa primária.
50
Figura 2.7- Exemplo de Diagrama 6M
Fonte: https://institutoagro.com.br/diagrama-de-ishikawa/
9- No diagrama de Ishikawa da Figura 2.8, aplicado a um processo metrológico,

identifique qual poderia ser o mensurando; as grandezas de influência
primárias; e as grandezas de influência secundárias vinculadas a cada causa
primária.
Figura 2.8- Exemplo de Diagrama de Ishikawa em metrologia
Fonte: adaptado de : http://www.portalaction.com.br/analise-dos-sistemas-de-medicao/11-sistema-de-

medicao
51
10- Identifique, no conjunto abaixo, medições diretas e indiretas. Em cada caso,

indique as grandezas a serem medidas, e sugira os instrumentos e métodos
experimentais associados. No caso de medições indiretas, indique também
a relação matemática que deve ser usada para obtenção da grandeza de
interesse.
• Medição do diâmetro de um eixo metálico que sustenta a roda de um
carrinho de mão.
• Medição do volume de um sólido de formato geométrico cilíndrico.
• Medição do volume de um sólido amorfo.
• Medição da velocidade média numa viagem de automóvel entre São
Paulo e Campinas.
• Medição da velocidade instantânea de um automóvel.
52
Capítulo 3 - Efeitos Aleatórios e Sistemáticos nas

Medições
3.1 Introdução
A incerteza de medição é um valor que reflete a falta de conhecimento exato do
valor do mensurando. Embora haja métodos para avaliar a incerteza, eles não
substituem o “raciocínio crítico, a honestidade intelectual e a habilidade
profissional” (INMETRO,2008). Assim a qualidade e a utilidade da incerteza
atribuída a um mensurando dependem da compreensão, análise crítica e
integridade daqueles que atribuem seu valor.
Mesmo que as condições experimentais sejam mantidas, resultados de

medições podem apresentar efeitos aleatórios. Estes podem ser causados, por
exemplo, por variações não previsíveis nas grandezas de influência. A
determinação do mensurando por meio de valores médios pode reduzir os
efeitos aleatórios de forma significativa. Quanto maior o número de medições
utilizado para determinar o mensurando, menor tende a ser a variância deste
valor médio.
Algumas das grandezas de influência produzem uma tendência nos resultados

de medições. Um exemplo é aquele produzido por um instrumento que tende a
medir valores superiores aos valores verdadeiros. Esta tendência é causada por
efeitos chamados de sistemáticos. Um certificado de calibração pode ser
utilizado para corrigir esta tendência. Mesmo este certificado deve apresentar
incerteza nesta correção, pois a calibração é um processo experimental. Desta
forma, só é possível ter-se uma ideia do valor verdadeiro de um mensurando. A
melhor estimativa deste valor é denominada valor convencional (VC).
Normalmente mais de uma grandeza de influência atua no mensurando. A forma

de combiná-las pode ser estudada a partir de teorias estatísticas. A ISO GUM
(INMETRO, 2008) padroniza um método que é baseado no conceito de
distribuição normal, e no fundamento de que resultados obtidos por diversas
medições ou grandezas de influência tendem a levar o mensurando a uma
distribuição estatística normal (ou gaussiana). Para estudos mais precisos pode
ser necessário um cuidado estatístico maior.
53
Note-se que no processo de determinação da incerteza associada a um

mensurando, será desnecessário distinguir-se entre as formas com que foram
quantificadas as várias componentes de incerteza, decorrentes das diversas
grandezas de influência. As duas formas para se avaliar as componentes de
incertezas em medições são atualmente classificadas de acordo com o ISO GUM
(INMETRO, 2008) como:
Tipo A: incerteza obtida através de uma análise estatística dos valores medidos;
Tipo B: incerteza obtida por qualquer outro método.
É importante enfatizar que esta classificação não corresponde às definições

mais antigas utilizadas em metrologia, denominadas de “erros estatísticos” (que
resultam de variações aleatórias no resultado da medição) e “erros sistemáticos”
(que possuem valor constante para qualquer resultado, quando a medição é
repetida) (ver por exemplo, VUOLO, 1996), mas sim à metodologia utilizada para
se obter a incerteza associada à medição.
Vamos utilizar a terminologia incertezas “tipo A” e “tipo B”10 neste livro. Assim,
estamos indicando no nome da incerteza, a forma de quantificação do seu valor.
Nota-se que as incertezas tipo A são estimadas a partir de dados coletados
durante o experimento, e as incertezas tipo B são estimadas de antemão ou
disponibilizadas de alguma outra forma antes do experimento.
Ressalta-se novamente que nem sempre há uma simples correspondência entre

a classificação nas categorias A ou B e o caráter “aleatório” ou “sistemático”
utilizado anteriormente para classificar as incertezas. Toda descrição detalhada
da incerteza associada ao mensurando deve consistir em uma lista completa de
seus componentes, especificando, para cada um, o método utilizado para lhe
atribuir um valor numérico. De acordo com o ISO GUM (INMETRO, 2008), o
propósito da classificação tipo A e tipo B é indicar as duas maneiras diferentes
de se 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 resultantes dos dois tipos de avaliação. Ambos os tipos de
avaliação são baseados em distribuições de probabilidade e os componentes de
10
Para fins de simplicidade, utilizamos esta terminologia: “incerteza tipo A” aquela que foi estimada por
um método do tipo A, e “incerteza tipo B” a que foi estimada por um método do tipo B. Esta forma de
expressão pode dar a entender que só há dois tipos de dúvidas em um processo de medição, o que
naturalmente não é verdade: cada grandeza de influência gera ao menos uma dúvida sobre a leitura feita.
Portanto pode haver centenas de componentes de incerteza, mas todas só podem ser estimadas por um
desses dois métodos. Essa classificação também pode dar a ideia de que cada grandeza de influência só
tem um tipo de método que pode ser usado para estimar a sua incerteza. Por exemplo, a componente de
incerteza devido à grandeza de influência “resolução do instrumento” pode ser obtida tanto por um
método tipo A como por um tipo B, embora essa componente de incerteza específica seja normalmente
obtida através de um método de estimativa do tipo B.
54
incerteza resultantes de cada tipo são quantificados por variâncias ou desvios-

padrão
Se todas as grandezas das quais o resultado de uma medição depende forem

variáveis, sua incerteza poderá ser calculada por meios estatísticos. Entretanto,
uma vez que isso é raramente possível na prática, devido ao tempo e aos
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 (Item 3.5.1). Assim, fica implícita a suposição de que uma medição
pode ser modelada matematicamente até o grau imposto pela exatidão requerida
na medida.
A incerteza tipo A é normalmente calculada a partir da definição estatística dos

parâmetros de variância e desvio padrão, obtidos a partir de várias medidas.
Incertezas tipo B podem ser estimadas a partir de medições realizadas
previamente, dados de especificação do fabricante, tabelas de calibração ou
outros certificados do instrumento, bem como da experiência do operador com
os métodos e equipamentos utilizados na medição. Alguns exemplos típicos de
grandezas de influência que normalmente tem suas incertezas estimadas por
métodos do tipo B são: resolução do instrumento, linearidade do sensor,
histerese, paralaxe na leitura do indicador, experiência do operador e outros
fatores avaliáveis previamente à realização do experimento.
Deve-se notar que toda medição experimental está sujeita a erros. Se o

experimentador tem conhecimento de um erro em sua medição (por exemplo,
decorrente do zero do instrumento não ter sido ajustado previamente), ele
poderá fazer a correção necessária no resultado obtido. Erros grosseiros
cometidos durante o registro ou análise de dados podem introduzir um erro
desconhecido significativo no resultado de uma medição. Grandes erros
grosseiros podem geralmente ser identificados por uma revisão apropriada dos
dados; já os pequenos erros podem ser mascarados por variações aleatórias ou,
até mesmo, aparecer como tais.
Lembremos aqui que “erro” é interpretado como o resultado de uma medição (

Vm ) menos o valor verdadeiro ( Vv ) da grandeza de interesse, sendo que este
valor é desconhecido e desconhecível, devido às limitações dos instrumentos e
dos processos de medição (Item 1.7). O “erro” pode ser positivo ou negativo, e
deve ser corrigido sempre que possível pelo engenheiro e cientista consciente.
Estimativas de incerteza não são projetadas para levar em conta tais erros, já
que na maioria dos casos, os resultados de medições são afetados por vários
fatores dos quais não se tem conhecimento completo e por isso carregam em si
o que se denomina incerteza, que produz como consequência um intervalo
55
dentro do qual o valor desejado da grandeza deverá se encontrar, com uma

determinada probabilidade.
3.2 Repetibilidade e Reprodutibilidade

Ao obter um resultado a partir de várias medições nas mesmas condições
experimentais, ou seja, de repetibilidade, espera-se alguma variação entre os
resultados devida a efeitos aleatórios imprevisíveis. No entanto, supõe-se que
estas variações sejam pequenas o suficiente para que os resultados sejam
considerados compatíveis. A declaração de quais são as condições de
repetibilidade é necessária em qualquer experimento e método experimental
adotado. Todos os resultados obtidos devem incluir informações que permitam
reproduzir tais resultados. Exemplos típicos dessas condições de repetibilidade
são: a faixa de temperatura na qual o ensaio foi feito; o tempo entre medições; o
local em que foi realizado o experimento. Se for relevante, o equipamento que
foi utilizado também deve ser discriminado, e em alguns casos, até o nome do
operador pode ser fundamental.
Naturalmente, é possível modificar algumas condições de medição e manter a

capacidade de se estimar o mensurando. Ao indicar os resultados obtidos numa
nova condição, chamada de condição de reprodutibilidade, deve-se informar
quais foram as modificações introduzidas (por exemplo, outra faixa de
temperatura, outro equipamento, outro operador).
Ensaios repetidos em diversas condições permitem avaliar tanto as variações

devidas às condições de repetibilidade como às de reprodutibilidade. Outros
métodos podem ser utilizados para estimar estas variações, entre eles, a
experiência prévia do operador.
Um exemplo de repetibilidade em metrologia seria a medição da dimensão de

uma peça, pelo mesmo operador, e utilizando o mesmo instrumento, realizada
no mesmo laboratório e nas mesmas condições de temperatura e pressão.
Evidentemente, as medições seriam feitas em instantes diferentes, mas
deveriam ser repetidas em intervalos de tempo o mais próximos possível. Já se
a medição é feita por operadores diferentes, mantendo-se a mesma peça e o
mesmo instrumento, estaríamos avaliando a reprodutibilidade do processo
vinculada ao operador.
Em ambientes industriais, é comum a realização de estudos denominados R&R,

que testam a repetibilidade e a reprodutibilidade de um sistema de medição, para
verificar se as variações nas medidas são pequenas com relação às variações
56
decorrentes do processo de fabricação, de tal forma a ser possível distinguir

entre peças diferentes (ESTATCAMP- Análise dos Sistemas de Medição).
3.3 Tratamento das Incertezas tipo A

Numa situação metrológica comum, em que várias medições são realizadas,
levando a valores diferentes devido a causas aleatórias, o cálculo da média,
somando-se os valores obtidos e dividindo pelo número de medições, é um
exemplo simples de análise estatística para se obter o valor mais provável da
grandeza de interesse. A dispersão dos valores em torno da média contribui com
o que se denomina de incerteza tipo A, associada a esse valor médio. Essa
dispersão pode ser estimada numericamente através do conceito estatístico da
variância.
Por outro lado, os valores aleatórios obtidos num conjunto de medições

realizadas num experimento, em condições de repetibilidade ou
reprodutibilidade, podem normalmente ser modelados através de uma
distribuição estatística (por exemplo, distribuição uniforme, triangular, normal,
etc., descritas no Item 3.3.1). Sendo esse o caso, as propriedades estatísticas
de tal distribuição (tais como a média, variância e desvio padrão, dentre outros)
poderão ser utilizadas para prever a faixa de variação e como esses valores
poderão se distribuir em diversas condições (embora isso não permita
determinar o valor verdadeiro da grandeza medida, como é de se esperar de
uma variável aleatória).
Essa modelagem é realizada a partir de um conjunto finito de medições (como é

possível num experimento prático), que pode ser interpretado como a amostra
de uma população de infinitas medidas, que eventualmente levariam ao valor
convencional da grandeza de interesse, caso não houvesse outros fatores, além
da aleatoriedade, que afetam o procedimento de medição.
Assim, os conceitos de Estatística (distribuições, população, amostra, média,

variância, desvio padrão, etc.) serão a base do cálculo das incertezas tipo A,
conforme será apresentado nesse item, e posteriormente também no cálculo da
incerteza padrão combinada (Item 3.5).
Em avaliações do tipo A, o valor da incerteza padrão (representado pela letra u

) normalmente é escolhido como sendo o desvio padrão ( s ) de uma distribuição
normal, definido pela raiz quadrada da variância ( s 2 ). A variância ( s 2 ) é
calculada a partir de n medições de resultados xi , através da expressão (3.1):
57
 (x − x ) i
2
s2 = i =1
(3.1)
(n − 1)
onde:
n
x i
x= i =1
(3.2)
n
é a média dos resultados obtidos, e usualmente adotada como o valor mais

provável da grandeza medida11.
A incerteza padrão u é então dada pela expressão (3.3).
u = s2 = s (3.3)
Caso o próprio mensurando seja definido como a média de n medições, ou no

caso de um mensurando invariável para o qual se acredita haver um valor
verdadeiro, o valor da incerteza padrão pode ser escolhido como o desvio padrão
da média, ou seja:
s2 s
u = smédia
2
= = (3.4)
n n
Em ambos os casos (3.3) e (3.4) as unidades da grandeza e da incerteza estarão

compatibilizadas.
O uso de um ou de outro conceito (desvio padrão ou desvio padrão da média)

para representar a incerteza padrão u (tipo A) depende também da aplicação
para a qual está sendo realizada a medição. Para entender melhor a diferença
 s 
entre utilizar o desvio padrão ( s ) ou o desvio padrão da média   vamos
 n
considerar um exemplo onde se deseja determinar a altura h de um trecho de
comprimento L de um muro de altura irregular, para duas finalidades distintas.
Caso o objetivo seja determinar a altura média do muro para podermos estimar
a área do trecho de interesse e assim calcular o volume de tinta necessário para
a sua pintura, pode-se realizar a medição da altura em n diferentes pontos
distintos do muro, escolhidos de forma aleatória, calcular a média das n
11
Pela denominada “Lei dos Grandes Números-LGN” da Estatística (LAW), a probabilidade de que a média
aritmética dos resultados obtidos com a realização da mesma medição repetidas vezes se aproxime
do valor verdadeiro da grandeza, aumenta à medida que mais tentativas se sucederem.
58
medidas e utilizar como incerteza padrão o desvio padrão da média, dado pela
equação (3.4). Se houver um número suficiente de medidas, o valor médio da
altura, h , multiplicado pelo comprimento L resultaria no valor mais provável da
área, com uma incerteza suficientemente baixa. Quanto maior o número n de
medidas, mais próxima é a estimativa da área do trecho de muro (expressão
(3.5)), levando a um cálculo mais preciso do volume de tinta necessário para sua
pintura.
n
L
h
L
Área =  h( x)dx i =h L (3.5)
0
i =0 n
No entanto, caso o objetivo da medição fosse verificar com uma certa

probabilidade, que a altura deste trecho de muro não fosse maior (ou menor) que
um determinado valor, então poderíamos considerar como incerteza padrão o
desvio padrão das n medidas, calculado com sendo a raiz quadrada da
variância, conforme equações (3.3) e (3.1). Nesse caso, o desvio padrão oferece
uma estimativa mais adequada com relação à variação da altura irregular do
trecho de muro considerado.
Um outro exemplo pode ser dado pelas medições da altura de um cilindro,

tomadas por quatro operadores distintos, resultando em: 0,200; 0,220; 0,190; e
0,210 cm. O desvio padrão destas quatro medidas (expressões (3.1) e (3.3)) é
igual a 0,013 cm e a incerteza padrão (tipo A) das medidas individuais poderia
ser adotada como este valor.
No entanto, se consideramos o nosso mensurando como sendo a altura média

do cilindro, calculada pela expressão (3.2) como 0,205 cm, para ser utilizada no
cálculo do volume do sólido, então poderíamos considerar a incerteza padrão
desta medida como sendo o desvio padrão da média, dado por 0,007 cm (ou
seja 0, 013 / 4 , conforme expressão (3.4)). Neste caso, o cálculo do volume a
ser feito trata-se de uma integral volumétrica, a ser aproximada pela integral
sobre a área da base do cilindro multiplicada pela integral sobre o seu
comprimento. A integral sobre o comprimento pode ser muito bem representada
pela altura média do cilindro.
Se o objetivo da medição for verificar, com um certo nível de confiança, que a

altura do cilindro é menor (ou maior) que um determinado valor, sendo a principal
grandeza de influência a deformação da peça e não a habilidade do operador,
poderíamos então utilizar o desvio padrão das quatro medidas (e não o desvio
padrão da média) como incerteza tipo A, o que representaria um critério mais
adequado para a dispersão dos dados.
59
Observamos que tanto no exemplo da altura do muro quanto no exemplo da

altura do cilindro, para se ter o conhecimento do valor do mensurando com um
determinado nível de confiança ou probabilidade (por exemplo 95%) é
necessário saber um pouco mais sobre a dispersão dos dados, como a
frequência com que um determinado valor ou uma determinada faixa de
intervalos ocorre, o que é possível através do conhecimento da distribuição
estatística das medidas obtidas.
É possível determinar matematicamente a variância de distribuições de

probabilidades definidas, com o propósito de se determinar a incerteza tipo A de
medições repetidas. Estão descritas a seguir as distribuições mais comuns em
metrologia, embora existam várias outras possibilidades na estatística
(LARSON, 2016).
3.3.1 Distribuições estatísticas

Como representar o valor da grandeza medida, considerando a existência de
uma “incerteza de medição”12?
A representação de um intervalo que abranja o seu valor verdadeiro com uma

probabilidade adequada é a meta de todas as representações, quer seja de uma
grandeza de influência ou do próprio mensurando. O ISO GUM (INMETRO,
2008) propõe que este intervalo seja padronizado para que possa ser facilmente
compreendido e utilizado na determinação de mensurando complexos, típicos
de engenharia. Esta padronização levou à definição de “incerteza padrão”13.
Este intervalo geralmente está associado com uma distribuição estatística que
busca modelar/descrever os nossos dados. Desta forma, para compreender este
intervalo vamos analisar a seguir o comportamento de algumas distribuições
estatísticas.
3.3.1.1 Distribuição uniforme

Para compreender a representação do valor mais provável para uma grandeza,
vamos discutir o conceito de distribuição de probabilidade. Suponhamos um
12
“Incerteza de medição: Parâmetro não negativo que caracteriza a dispersão dos valores atribuídos a
um mensurando, com base nas informações utilizadas” (INMETRO, 2012).
13
Todas as definições necessárias à compreensão deste texto foram retiradas do VIM (INMETRO, 2012):
Incerteza padrão: “Incerteza de medição expressa na forma dum desvio-padrão”.
60
experimento que seja a escolha aleatória de um número real entre 0 e 1 e sua

classificação como um número pertencente a uma das seguintes classes:
- classe 0,05: um número entre 0 e 0,1;
- classe 0,15: entre 0,1 e 0,2 14
Analogamente, até a classe 0,95, para números entre 0,9 e 1,0.
Suponha que o mensurando seja o valor da classe deste número escolhido.

Teremos, portanto, 10 valores possíveis para o mensurando, a saber: 0,05; 0,15;
0,25; 0,35; 0,45; 0,55; 0,65; 0,75; 0,85 e 0,95;
Se o experimento for realizado uma única vez, dividindo o número de vezes que
este resultado saiu pelo número total de realizações chegaremos à conclusão de
que 100% dos resultados experimentais (apenas um!) terão o mesmo valor.
Se o experimento for realizado 2 vezes, as chances de que as classes sejam as

1
mesmas é muito pequena, dada por . Portanto, é mais
(número de classes) 2
provável que 50% dos valores obtidos pertençam a uma determinada classe e
50% a outra classe.
Finalmente, se o experimento for realizado um número muito grande de vezes,

é muito provável que os valores do mensurando obtidos estejam distribuídos
homogeneamente, com probabilidade de 10% de estar em cada uma das 10
classes.
Para ilustrar este fenômeno, na Figura 3.1 foi feita uma simulação variando-se o
número de vezes ( np = 2n ) em que este experimento foi realizado. Observe que
a frequência com que cada classe ocorreu foi dividida (ou seja, normalizada) por
np , resultando na probabilidade de ocorrência de cada classe. Para cada valor
de np , este gráfico é conhecido como o histograma de frequência relativa. Esta
distribuição de resultados de mensurando, relativamente comum em engenharia,
é chamada de distribuição uniforme ou retangular.
Sabendo isso, qual seria a melhor forma de representar o valor deste

mensurando, definido como pertencente a uma das 10 classes citadas? Se um
número muito grande de medições tiver sido realizado, uma maneira
(incompleta) seria afirmar que:
14
Deve ser feita uma escolha se o limite da classe pertence à classe inferior ou superior.
61
“o mensurando possui certamente um valor entre 0,05 e 0,95” (lembre-se de

como o mensurando foi definido acima).
Figura 3.1- Simulação do experimento sobre a classificação de números aleatórios
Esta maneira não é suficiente. Afinal se todas as leituras tivessem sido iguais a
0,55, esta afirmação continuaria verdadeira (o mensurando possui valor entre
0,05 e 0,95), mas o resultado não indica o mesmo experimento. Portanto é
necessário acrescentar alguma informação sobre o tipo de distribuição dos
resultados. Uma maneira mais adequada de informar o resultado seria:
“o mensurando possui certamente um valor entre 0,05 e 0,95, com uma

probabilidade de ocorrência distribuída homogeneamente neste intervalo”. Esta
frase poderia ser representada pela equação:
• “Mensurando = (0,50 ± 0,45), com o intervalo indicado representando

100% dos valores obtidos, em uma distribuição uniforme”.
Uma outra maneira de representar o mensurando é a partir do conhecimento de

sua variância. Se o número de amostras tender ao infinito e o número de classes
também, é possível calcular a variância através da expressão (3.6):
+
s 2 =  ( x − x ) 2 f ( x) dx (3.6)
−
Aqui temos que definir a função densidade de probabilidade f ( x) de uma

distribuição. No caso da distribuição uniforme do nosso exemplo, observe que
quanto maior for o número de classes, menor a probabilidade do mensurando
pertencer a uma determinada classe (100 classes, 1%, 1000 classes, 0,1% etc.).
62
No limite, a probabilidade de um número real ser representado por uma

determinada classe é zero. De qualquer forma, independentemente do número
de classes, a distribuição de probabilidades é uma distribuição retangular.
Podemos então definir a função densidade de probabilidade como sendo a
divisão entre a probabilidade da classe e o seu comprimento. Esta divisão será
sempre constante, independentemente do número de classes.
Para tornar a explicação desse conceito mais didática, vamos supor que o
número do exemplo possuísse a unidade de metros. Se houver 10 classes, a
probabilidade é de 10%: cada classe com uma largura de 0,1 m (a variável
aleatória exemplificada possui um valor entre 0 e 1 m, dividida em 10 classes,
portanto a largura da classe será (1-0)/(10)). A relação entre a probabilidade da
classe e sua largura seria (10/0,1) =100 %/m. Se fossem 100 classes, seria 1%
por 0,01 m, resultando novamente em 100 %/m. A Figura 3.2 representa a
função densidade de probabilidade desta distribuição, para dois números
distintos de classes: 10 e 100. Observe que a distribuição é sempre uniforme.
Se o número de classes tender a infinito, pode-se definir uma função de
densidade de probabilidade uniforme e igual a f = 100 %/m.
Figura 3.2- Função densidade de probabilidade e número de classes
Para o cálculo da variância, temos que na distribuição retangular, a função

densidade de probabilidade f ( x) pode ser representada genericamente como
63
xmax − xmin x + xmin

na Figura 3.315, com a = e x = max , e através da expressão
2 2
(3.7).
 1
 para xmin  x  xmax
f ( x) =  2a (3.7)
 0 para outros intervalos
Nota-se que a é metade da amplitude da distribuição uniforme, e x é o valor

médio do mensurando. No nosso exemplo, a distribuição uniforme é simétrica,
com xmin = 0 , xmax = 1 , e x = a = 0,5 .
Assim a variância pode ser calculada substituindo-se a equação (3.7) na

equação (3.6).
xmax 1 1 xmax
s2 =  ( x − x )2 dx =  ( x − x )2 dx
xmin xmax − xmin 2a xmin
Fazendo uma mudança de variável y = x − x obtém-se:
1 +a 1 2a 3 a 2
s2 =
2a 
−a
y 2 dy =
2a 3
=
3
Define-se então a incerteza padrão ( u ) como a raiz quadrada da variância

(INMETRO, 2008), já que essa grandeza apresenta a mesma dimensão do
próprio mensurando, e está relacionada com o desvio padrão da distribuição.
a
u= s= (3.8)
3
Assim, outra forma que representa o mesmo mensurando seria:

aproximadamente o valor da incerteza padrão da distribuição uniforme”.
15
Note que a única diferença entre os gráficos da Figura 3.2 e 3.3 é que uma está em porcentagem e a
outra não.
64
Figura 3.3- Função densidade de probabilidade uniforme
Esta forma de representar o mensurando é a indicada em várias normas,

particularmente na norma ABNT NBR ISO/IEC 17025 (ABNT, 2017), aplicável a
laboratórios de ensaio e calibração no Brasil pelo INMETRO. Considerando as
dificuldades em determinar com exatidão, a incerteza padrão (neste caso é
relativamente simples), a norma indica que a incerteza padrão deve ser
apresentada apenas com dois algarismos significativos. A justificativa para essa
recomendação está apresentada no Item 3.6.
Observe que se quisermos saber qual a probabilidade do valor do mensurando

estar entre dois valores quaisquer x1 e x2 bastar fazer a integração da função
de densidade de probabilidades entre estes dois limites:
x2
P( x1  x  x2 ) =  f ( x) dx (3.9)
x1
Naturalmente, a probabilidade de x estar entre xmin e xmax é de 100%. Para

comprovar isso, basta calcular a integral de f ( x) da Figura 3.3, substituindo os
valores da expressão (3.7).
65
Note também que substituindo os valores de x1 = x − u e x2 = x + u temos que a

probabilidade de x estar no intervalo determinado pela incerteza padrão da
distribuição uniforme (isto é, no intervalo [ x  u ] ) é de 57,73%.
Exemplos de distribuição uniforme:
1. O uso de equipamentos digitais é cada vez mais comum em engenharia (por

exemplo: multímetros, termômetros, balanças, etc.). Este tipo de equipamento,
em alguma etapa (ou em várias etapas) do processo de medição, realiza uma
conversão do sinal analógico medido para um valor digital. Esta conversão pode
ser realizada para o seu uso em um microcontrolador ou apenas para indicar o
valor medido em um display. O número de bits da representação digital do valor
medido define a resolução desta conversão. A Figura 3.4 mostra um exemplo da
variação do valor convertido, utilizando um conversor AD (analógico-digital) de 5
bits. Nota-se nessa figura, que na conversão AD, um intervalo contínuo de
possíveis valores para a grandeza de interesse (eixo x) será correspondente a
um único valor discreto de medida (eixo y). Quanto melhor a resolução do
conversor (isto é, quanto maior o número de bits de conversão, menor será esse
intervalo).
Neste tipo de conversor, caso seja feita uma leitura “16”, ela deverá ser
representada, por exemplo por:
leitura = 16, num intervalo de “-0” a “+4” (ou seja, aberto em zero e fechado em
4) com o intervalo indicado representando 100% dos valores possíveis, em uma
distribuição uniforme. Observe que este intervalo é assimétrico16.
Neste caso, o valor lido “16” indica que o valor verdadeiro está entre 16 e 20.
Naturalmente, neste exemplo, estamos desprezando qualquer incerteza do
processo de medição que não esteja associada à resolução do equipamento.
Em outros termos, uma das incertezas das grandezas que influenciam o valor
atribuído ao mensurando é a resolução do conversor analógico-digital do
equipamento utilizado.
2. As balanças digitais também apresentam os valores medidos utilizando

distribuições retangulares. Por exemplo, uma determinada balança, para a
mesma massa, pode apresentar, conforme sua configuração17, os seguintes
valores:
16
Um conversor AD típico possui um intervalo simétrico em relação ao valor indicado no instrumento.
17
Uma grande quantidade de balanças comerciais possui resolução configurável para 2 ou 5 gramas.
66
• Massa medida = (0,296 ± 0,002) kg, com o intervalo indicado

representando 100% dos valores medidos devidos à resolução, em uma
distribuição uniforme; ou
• Massa medida = (0,295 ± 0,005) kg, com o intervalo indicado
representando 100% dos valores medidos devidos à resolução, em uma
distribuição uniforme.
Observe que a medição da massa da amostra sob teste certamente possui

outras grandezas que influenciam os resultados. Por exemplo, na maioria das
balanças comerciais, o valor da aceleração da gravidade do local interfere no
valor da massa medida. Lembre-se que, neste caso, variações da aceleração da
gravidade não afetam o valor verdadeiro da massa inercial da amostra sob teste,
mas afetam o valor medido pelo equipamento.
Figura 3.4- Conversão de um sinal analógico para um sinal digital de 5 bits
3.3.1.2 Distribuição triangular

A distribuição triangular de probabilidades também não é rara em processos de
medição utilizados em engenharia.
67
Suponhamos que o mensurando M é o resultado da soma de dois mensurandos

definidos por distribuições uniformes, com um número muito grande de
repetições do experimento, ou seja:
M = X+Y
sendo X e Y as classes (entre 0,05 e 0,95) de dois números reais aleatórios entre
0 e 1, conforme descrito no item 3.3.1.1.
Observa-se que os resultados experimentais deste novo mensurando poderiam

ser valores entre 0,10 (0,05+0,05) e 1,90 (0,95+0,95), em passos de 0,10. A
Figura 3.5 mostra os possíveis valores obtidos para o mensurando M.
Observa-se nessa figura que o número de vezes que o valor do mensurado é

igual a “1,00” é máximo, pois há várias combinações de valores de X e Y que
levam a M=1,00 (indicados pelos pontos verdes no gráfico). Por outro lado, o
número de vezes em que M é igual a “0,10” (ou “1,90”) é mínimo, pois apenas
quando X=0,05 e Y=0,05, o valor de M resulta iguala a 0,10 (ou para X=0,95 e
Y=0,95, M=1,90) (indicados pelos pontos vermelhos no gráfico).
A representação da distribuição de probabilidades do mensurando M encontra-

se na Figura 3.6. Esta distribuição de probabilidades é aproximadamente
triangular. Caso o número de classes tendesse ao infinito teríamos uma
distribuição perfeitamente triangular. O mesmo aconteceria se o mensurando
passasse a ser o resultado da soma da escolha de dois números reais aleatórios
entre 1 e 018.
Uma descrição deste mensurando, seria:
“O mensurando possui certamente um valor entre 0,10 e 1,90, com uma

probabilidade de ocorrência distribuída aproximadamente de forma triangular
neste intervalo”. Esta frase poderia ser representada pela expressão:

100% dos valores obtidos, em uma distribuição triangular simétrica em
classes de 0,10.”
18
Observe que, se o mensurando fosse a soma de um número entre 0 e 1 com outro que é múltiplo deste,
a distribuição seria retangular. Isto aconteceria, pois os valores estariam correlacionados, ou seja, não
seriam variáveis aleatórias independentes.
68
Figura 3.5 – Distribuição dos valores de M em função de X e Y

(os pontos vermelhos indicam os valores de M=0,10 e M=1,90; os pontos verdes
indicam todo os valores de M=1,00)
Figura 3.6 – Probabilidade de ocorrência dos valores de M
69
Para utilizar a representação sugerida pela ABNT NBR ISO/IEC 17025 (ABNT,
2017), deve-se calcular a variância da distribuição triangular simétrica e
determinar a incerteza padrão.
A função triangular do exemplo apresentado, com número de classes tendendo

a infinito, seria descrita pela expressão (3.10).
 x.100% para 0  x <1


f ( x) =  (2 - x).100% para 1  x  2 (3.10)
 0
 para outros intervalos
com x sendo o valor da variável aleatória, que poderia ter unidade em metros,
como feito no caso da distribuição retangular (Figura 3.7).
2
O valor da variância s pode então ser calculado, resultando para a incerteza
padrão (INMETRO, 2008):
a
u= s= (3.11)
6
sendo a metade do valor da base do triângulo (neste caso: a = 1 ). O valor médio

do mensurando nessa distribuição triangular simétrica corresponde a x = a = 1 .
Então, a expressão para o mensurando seria:
• “Mensurando = (1,00 ± 0,41) m, com o intervalo indicado

representando o valor da incerteza padrão da distribuição triangular”;
ou
• “Mensurando = (1,00 ± 0,41) m, com o intervalo indicado

representando 65 % dos valores medidos devidos à resolução, em
uma distribuição triangular”,
já que na distribuição triangular, a probabilidade de x estar no intervalo definido

pela incerteza padrão (isto é, no intervalo [ x  u ] ) é de aproximadamente 65%19.
19
Esse valor é obtido aplicando-se as expressões (3.9), (3.10) e (3.11).
70
Figura 3.7- Função densidade de probabilidade triangular
Observa-se, neste exemplo, que a soma de dois mensurandos com distribuição

uniforme resulta em um mensurando com distribuição triangular. O mesmo
ocorre com a subtração. Se a operação que definisse o mensurando fosse uma
multiplicação, a distribuição resultante seria outra.
Para fins de engenharia, a definição de um mensurando muitas vezes inclui a

combinação de grandezas medidas, combinações com funções mais complexas
do que a soma ou a multiplicação. Assim, a busca pela representação de
“qualquer” distribuição, utilizando-se uma distribuição aproximada nos levará à
distribuição normal, que será descrita no Item 3.3.1.3.
Exemplos de distribuição triangular
1. O mensurando definido como a subtração entre a massa do alimento colocado

no prato e a massa do prato, ambas medidas com uma balança digital, possui
um valor verdadeiro que se encontra no intervalo calculado a partir de uma
distribuição triangular. Isto acontece pois o mensurando é a subtração de duas
grandezas com distribuição retangular associada à resolução da balança.
71
Observe que, se o mensurando fosse a massa do alimento junto com o prato,

medida com uma balança digital após a taragem da balança (processo em que
a balança é “zerada” só com a massa do prato), a distribuição seria retangular.
Isto acontece, pois a balança só faz a conversão analógico-digital uma vez e
indica o mensurando. Se a massa usada para tarar a balança for de outro prato,
não se pode afirmar que a distribuição seja retangular ou triangular sem uma
análise mais cuidadosa do comportamento das massas de diversos pratos.
2. a) Outro exemplo, decorrente dos já apresentados, é o mensurando definido

como o valor médio de dois valores que apresentam uma distribuição uniforme
(obtidos por exemplo, através da leitura de um instrumento digital).
Consideremos a incerteza devida apenas à grandeza de influência “resolução do
instrumento”. Caso o fenômeno que queremos medir varie a ponto do valor do
equipamento digital indicar valores distintos, a distribuição resultante para o
mensurando seria triangular. Vejamos um exemplo:
M=(X+Y)/2, com
X=(10,6 ± 0,1) com o intervalo indicado representando 100% dos valores

medidos devidos à resolução, em uma distribuição uniforme; e
Y=(11,4 ± 0,1) com o intervalo indicado representando 100% dos valores

medidos devidos à resolução, em uma distribuição uniforme.
Neste caso, claramente o valor de X e de Y são diferentes!20
De qualquer forma o que interessa a quem definiu o mensurando é a média M

dos dois valores, a qual resulta em:
M=(11,0 ± 0,1) com o intervalo indicado representando 100% dos valores

medidos somente devidos à resolução das grandeza medidas, em uma
distribuição triangular.
Caso o mensurando fosse definido como uma média obtida com os resultados
de várias medições, a sua distribuição deixaria de ser triangular. Observe que o
valor do intervalo do mensurando (±0,1) não abrange as leituras das grandezas
X ou Y. Abrange apenas todos os valores possíveis da média de uma medição
realizada de X e uma medição realizada de Y!
2. b) Ainda usando a definição anterior do mensurando, se a resolução do

instrumento utilizado fosse pior, poderíamos ter:
20
Parece evidente ser necessário acrescentar aqui a incerteza devido à repetição da medição, pois o
fenômeno varia mais do que a incerteza do instrumento. Mas, por hipótese, estamos tratando nesse caso
apenas da determinação da incerteza da grandeza de influência “resolução do instrumento”.
72
X=(11 ± 1) com o intervalo indicado representando 100% dos valores medidos

devidos à resolução, em uma distribuição uniforme;
Y=(11 ± 1) com o intervalo indicado representando 100% dos valores medidos

devidos à resolução, em uma distribuição uniforme.
Neste caso, a variabilidade entre as grandezas é inferior à da resolução do

instrumento21.
O mensurando “média” apresentaria o seguinte valor:
M=(11 ± 1) com o intervalo indicado representando 100 % dos valores medidos

devidos à resolução, em uma distribuição uniforme.
Afinal as resoluções de X e Y, grandezas de influência de M, não são suficientes

para descrever como essas grandezas estão variando. Em outras palavras, há
uma grande correlação entre as medidas de X e Y, correlação esta causada pela
resolução do instrumento utilizado. Neste caso, aumentar o número de medições
não altera o tipo de distribuição do mensurando.
3. Outro exemplo de distribuição aceita em engenharia como triangular é a

medição sujeita à paralaxe de medição em um equipamento com ponteiros, por
um operador com experiência. O valor mais provável do mensurando é aquele
visto no ângulo através do qual não haja paralaxe. À medida que o operador
experiente se desloca desta posição ideal, o valor medido muda, mas a
probabilidade de ser registrado será cada vez menor. Observe que a amplitude
do intervalo a ser colocado depende do instrumento e da experiência do
operador.
4. A dimensão do ponteiro (ou da marcação no instrumento) também introduz

uma grandeza de influência no mensurando que pode ser representada por uma
distribuição triangular. Afinal se, na utilização de um equipamento analógico
pede-se que o valor apresentado seja um dos valores marcados na escala do
equipamento, o operador tende a colocar o ponteiro “exatamente” sobre a
marcação. Ou seja, a probabilidade de ser o valor pedido é máxima em um ponto
e tende a ser reduzida à medida que o ponteiro sai desta marcação. Este tipo de
distribuição existe em instrumentos que reduzem o efeito da paralaxe a
praticamente zero, com o uso de espelhos ou de projeção luminosa do ponteiro
sobre a escala. Neste caso, a amplitude 2a , que representa a base do triângulo,
está associada à espessura do ponteiro.
21
Caso fosse necessário conhecer de forma mais exata a variação da grandeza, outro tipo de instrumento
seria necessário.
73
3.3.1.3 Distribuição normal

Em engenharia, deseja-se uma forma simples de se obter e representar o
intervalo para o valor verdadeiro de um mensurando. Em muitos casos, isto
ocorrerá para mensurandos que são determinados a partir de inúmeras
grandezas que também possuem valores verdadeiros dentro de certos
intervalos.
A solução para esta representação simples é a utilização da distribuição

normal ou distribuição gaussiana. A soma, subtração, multiplicação, divisão e
outras operações de duas ou mais grandezas que possuem este tipo de
distribuição resultam em intervalos que podem ser estimados facilmente a partir
das variâncias das distribuições das grandezas que compõem o mensurando.
A função densidade de probabilidade normal é uma função contínua que segue

a equação (3.12):
 ( x −  )2 
 − 
1 2 2 
f ( x) = e 
−  x   ;  >0 (3.12)
2 2
sendo  a média e  o desvio padrão que caracterizam a distribuição.
Na Figura 3.8 apresenta-se a função densidade de probabilidade normal

denominada padrão, para a qual  = 0 e  = 1 , simplificando-se a expressão
(3.12) para:
 x2 
1  − 2 
f ( x) = e (3.13)
2
O desvio padrão de uma grandeza que apresenta distribuição normal poderá ser
calculado a partir da variância s 2 por:
 = s2 (3.14)
A incerteza padrão u , tal como definida pelas normas, será igual ao valor do
desvio padrão, isto é u =  .
74
Figura 3.8- Função densidade de probabilidade normal padrão (  = 0 e  = 1 )

( : pontos de inflexão)
Devem ser destacadas algumas propriedades marcantes da função densidade

de probabilidade da distribuição normal:
• A média, a mediana e a moda são iguais;

• a curva normal tem forma de sino e é simétrica em torno da média;
• a área total sob a curva (ou seja, a sua integral no intervalo −  x  
) é igual a 1 (ou 100%).
• à medida que a curva normal se distancia da média, ela se aproxima
do eixo x , mas sem tocá-lo (ou seja, a função densidade de
probabilidade nunca assume valor nulo);
• entre (  −  ) e (  +  ) (região central) o gráfico tem concavidade para
baixo. À esquerda de (  −  ) e à direita de (  +  ) , a concavidade é
para cima. Esses pontos, nos quais a curva muda a orientação da
concavidade são denominados pontos de inflexão, e estão ilustrados
na Figura 3.8 para a distribuição normal padrão.
75
• na distribuição normal, a probabilidade de x estar entre os limites

(  −  ) e (  +  ) (isto é, no intervalo definido pela incerteza padrão
[ x  u ] ) é de aproximadamente 68%22.
Usando a distribuição normal em engenharia
Vamos supor que um engenheiro queira projetar um elevador para 16

passageiros e que seja confortável23 para a maioria (vamos considerar que
maioria signifique 90%) das pessoas que o usem. E que conforto esteja definido
como sendo:
• o passageiro não deve ser obrigado a abaixar a cabeça para entrar no

elevador ou permanecer nele;
• o passageiro não deve ser obrigado a sair do elevador por excesso de
peso, apesar do número de passageiros ser menor ou igual ao
nominal.
Sabe-se que a população da região onde o elevador será instalado possui uma
altura média de 1,75 m (incluindo as diversas opções de altura do salto de
sapato) e que a distribuição das alturas pode ser representada por uma normal
com desvio padrão de 0,15 m. Sabe-se também que a massa média da
população é de 75 kg com distribuição aproximadamente normal, com desvio
padrão de 10 kg (incluindo homens e mulheres).
Para o cálculo da altura do elevador (e do batente da porta), basta calcular a

integral da função densidade de probabilidade de alturas da população até o
valor que resulte em 0,90 (90%). Para isso, é aceitável considerar que a função
densidade de probabilidade a ser usada seja a normal, com média de 1,75 m e
desvio padrão de 0,15 m.
Já para o cálculo da força que o motor (cabos, etc.) deve suportar, deve-se
considerar que o que interessa é a distribuição da média de 16 passageiros. Ou
seja, grupos de 16 passageiros, apesar de alguns terem peso acima da média,
tendem a ter um peso igual a 16(75 kg) = 1200 kg. Para o cálculo do desvio
padrão, vamos considerar um mensurando:
M= massa média de 16 pessoas= 16m,
onde m é a massa média de uma pessoa (75 kg com desvio padrão de 10 kg).
22
Este valor é obtido a partir das expressões (3.9), (3.12) e (3.14).
23
Deve-se notar que as condições de projeto de um elevador estão sujeitas a diversas normas nacionais
que restringem as opções do engenheiro.
76
Pela lei de propagação das variâncias (apresentada no Item 3.5.1), temos que:
sM2 = 16 sm2
e, portanto:
 M = 4  m = 4.10 = 40 kg
Outra forma de calcular esse desvio padrão é utilizando o Teorema do Limite

Central (ver final do Item 3.3.1.3), relacionando o desvio padrão da média
amostral  A com o desvio padrão da população  m . Nesse caso, o desvio
padrão da média de amostras com 16 pessoas extraídas dessa população é
dado por:
 m 10
A = = = 2,5 kg
16 4
Resulta então, de acordo com esse Teorema, que a massa média de uma
pessoa numa amostra de 16 pessoas extraídas da população seria igual a 75 kg
com desvio padrão de 2,5 kg. Para 16 passageiros, resultaria:
16.(75  2,5) kg = (1200  40) kg
com o mesmo resultado do desvio padrão obtido anteriormente.
Em conclusão, para o dimensionamento do motor, teria que ser considerada uma

distribuição normal, com massa média do grupo de 16 pessoas igual a 1200 kg
e desvio padrão igual a 40 kg.
Estimando o valor médio e o desvio padrão de um determinado

mensurando
Antes de mais nada, devemos ter certeza de que a distribuição normal é a que
representa suficientemente bem a população de interesse (por exemplo,
tamanho de peças ou altura de pessoas).
Quando se quer conhecer a distribuição das alturas de pessoas, devemos medir

a população. Suponhamos que o mensurando seja a altura de uma pessoa
medida com um instrumento digital de resolução de 4 cm (para ficar visível no
gráfico...). Podemos construir um gráfico, onde na abcissa temos os valores
possíveis do mensurando. Na ordenada, temos o número de pessoas da
população que está em cada uma das classes definidas pelo mensurando. Para
fins de comparação, na Figura 3.9 foram superpostas duas linhas contínuas: uma
77
supondo que a distribuição deste mensurando fosse normal e outra, que fosse
retangular.
Figura 3.9- Distribuição da altura de pessoas de uma população
Naturalmente, nem a distribuição normal nem a distribuição uniforme, e

provavelmente nenhuma outra conhecida representa exatamente a distribuição
dos valores do mensurando. Supor que a distribuição é retangular elimina alturas
que existem na população. Supor que é normal, acrescenta alturas que não
existem (pois pelas propriedades da distribuição normal, conforme apresentado
acima, a probabilidade da variável ser negativa por exemplo, isto é, entre − e 0
não é nula!).
Por outro lado, a distribuição normal possui só dois parâmetros, ambos de fácil
estimativa: valor médio e desvio padrão. Além disso, ela facilita a identificação
de intervalos de outros mensurandos que dependam da altura. Por isso,
geralmente, esta é a função densidade de probabilidade utilizada na prática para
modelar muitos mensurandos.
Em engenharia, na maioria das vezes não se conhecem exatamente todos os

valores que o mensurando pode assumir. Apesar de sabermos que o
comprimento de uma peça nunca é negativo, saber exatamente o seu valor é
impossível (exigiria um processo de medição com instrumentos de resolução
infinita, entre outros absurdos). Além disso, dentro de uma determinada faixa, o
valor possível para o mensurando pode ser qualquer um, de forma contínua. Por
outro lado, se supusermos que a distribuição dos valores do mensurando é
78
normal, em torno de uma média e com um desvio padrão, ambos estimáveis,

torna-se simples estimar estes valores.
A média de um mensurando com distribuição normal corresponde à estimativa

do valor mais provável deste mensurando. Estatisticamente, prova-se que o
valor mais provável para a média da distribuição de um mensurando com
distribuição normal é a média de n medidas realizadas em uma amostra. A
Figura 3.10 mostra o efeito de n números na média calculada. Os números
foram gerados aleatoriamente no Matlab, utilizando a função normrnd
(MATLAB), e a média foi calculada através da equação (3.2). O valor médio
esperado é zero e o desvio padrão, igual a 1.
Já estimar o desvio padrão do mensurando a partir de uma amostra é um pouco

mais difícil. O gráfico da Figura 3.11 foi traçado para mostrar o efeito do tamanho
da amostra n no comportamento da equação da variância s 2 , obtendo-se então
o desvio padrão, a partir da equação (3.1) e (3.3), como:
 (x − x )i
2
s= i =1
(n − 1)
Figura 3.10- Variação da média em função do número de pontos considerado
79
No gráfico da Figura 3.12 está a representação do mensurando (valor médio) em

função do número de pontos gerados, utilizando como barra de erro o valor do
desvio padrão ( s 2 ) dos dados obtidos. Lembre-se que neste exemplo, o valor
médio real da população é zero, e o desvio padrão possui valor 1.
Como os números foram gerados aleatoriamente, é improvável que com poucos

números gerados a média ou o desvio padrão sejam “próximos” desses valores
de referência da função (neste exemplo, “0” e “1”, respectivamente). Isto pode
ser visto no gráfico da Figura 3.12. O efeito do número de pontos no desvio
padrão em geral é tão grande que a incerteza padrão de um mensurando de uma
distribuição normal (que é numericamente igual ao desvio padrão do mesmo
mensurando), por norma, nunca deve ter mais do que dois algarismos,
independentemente do número de medições.
Figura 3.11- Variação do desvio padrão em função do número de pontos considerado
80
Figura 3.12 – Valor médio e desvio padrão em função do número de pontos

considerado
Neste exemplo, mostra-se que a média de poucos números (menos que algumas
dezenas) não permite representar com boa exatidão o valor do mensurando
“média da população” (o que equivale à média de infinitos pontos, ou, ao menos,
de todos os pontos de uma determinada “população”). Conforme o número de
pontos (ou amostras) n vai aumentando, a média obtida aproxima-se do valor
esperado.
Há métodos estatísticos para estimar o intervalo de forma mais adequada, como

por exemplo, utilizando-se a distribuição t de Student (Item 3.3.1.4) para estimar
a variância da população a partir da variância da amostra, em função do tamanho
da amostra (INMETRO, 2008).
Exemplos de distribuições normais
1. Um tipo de mensurando, que possui distribuição que tende a ser normal, é a

combinação de n quaisquer grandezas de influência, particularmente quando
seus intervalos são finitos (VUOLO, 1996).
1.a) A temperatura TebulSP na qual a água da torneira entra em ebulição, neste

momento, nas condições de uma cozinha típica de São Paulo é um mensurando
81
que depende de diversos outros: pressão atmosférica do local (em uma cidade
como São Paulo, há diferenças de pressão por diversas razões); composição da
água (conforme a composição, mesmo a definição de temperatura de ebulição
deve ser refinada, pois líquidos multifásicos não possuem apenas uma
temperatura de ebulição); o método de medição da temperatura (incluindo
cuidado na homogeneização da amostra, tipo e massa do termômetro utilizado);
o método de garantir que todas as medições sejam feitas no mesmo instante
(“neste momento” é uma definição difícil de ser realizada); etc. Com todas as
grandezas de influência deste mensurando, se forem realizadas n medições,
provavelmente chegaremos a um valor para TebulSP que apresentará uma
distribuição “suficientemente normal”, com variância sTebulSP
2
. O desvio padrão
desta distribuição “quase normal” poderia ser estimado por  TebulSP = sTebulSP
2 24.
1.b) Considere agora que o mensurando TMEDIOebulSP seja a média de 5 medições

representando o mensurando TebulSP em 5 lugares suficientemente separados
geograficamente entre eles. O mensurando TMEDIOebulSP também tenderá a ter
uma distribuição normal, ou seja, se ele for medido 100 vezes (500 medições de
TebulSP), estes 100 valores tenderão a ter uma distribuição normal. Demonstra-se
que a média dessas 100 medidas de TMEDIOebulSP tenderá a ser a média de todas
as TebulSP. Já o desvio padrão destas 100 medidas tenderá a ser o desvio padrão
σTebulSP
σTMedioebulSP = , de acordo com o Teorema do Limite Central (ver final
√5
deste Item). Esta propriedade, o desvio padrão de um mensurando que é a
média de n medidas ser o desvio padrão das n medidas, dividido por raiz de n
, torna interessante definir mensurandos que sejam a média de outro
mensurando. Afinal, quanto maior o valor de n , mais constante é o valor da raiz
da variância dos resultados e mais nos aproximamos do desvio padrão da
população, um número constante. Como o desvio padrão da média de n
medições é calculado pelo desvio padrão dividido pela raiz de n , no limite, o
desvio padrão da média seria “zero”. O problema para seu uso em engenharia é
o custo de se realizar n medições.
1.c) Considere que o mensurando possua um valor verdadeiro totalmente exato.

Ele exigiria uma definição extremamente precisa, ou melhor, a incerteza dita
definicional (ligada à sua definição) deveria ser nula. Por exemplo: o
comprimento de uma linha25 de material insensível à temperatura, medida com
24
Seria interessante (e econômico) não ser necessário fazer n medições. Vamos ver que, conhecendo as
incertezas padrão de cada uma das grandezas de influência, poderemos estimar a incerteza padrão do
mensurando com apenas uma medição de cada grandeza de influência.
25
Se fosse uma barra, a definição deveria incluir o paralelismo exato entre os planos de corte da barra.
82
um instrumento exato26. Suponhamos então que o instrumento de medição seja

realmente exato, mas que o operador (não muito treinado!) leia valores diferentes
distribuídos de forma aproximadamente normal. Neste caso, quanto maior for o
número de medições, mais a média se aproximará do valor verdadeiro, e menor
será a incerteza da medição. O desvio padrão da média das leituras tende a ser
a incerteza padrão da medição.
1.d) Consideremos agora que queremos saber o comprimento de uma barra,

cujas superfícies extremas não são ideais (não são perfeitamente paralelas, são
rugosas, etc.) ainda usando o instrumento ideal exato. Aumentar o número de
medições não trará mais informações sobre o valor verdadeiro deste
comprimento: ele não existe sem um intervalo! Aumentar o número de medições,
por outro lado, permitirá conhecer com maior precisão o valor do intervalo que
abrange os comprimentos possíveis da barra. Se quisermos que esta barra
encaixe em um determinado vão, naturalmente poderemos calcular a
probabilidade disso acontecer, se conhecermos a distribuição normal dos
comprimentos medidos, com respectivo valor médio e desvio padrão.
1.e) Suponhamos que queremos calcular o volume da barra do exemplo 1.d).

Podemos dizer que, apesar do seu comprimento não ser exato, seu volume pode
ser. Assim, apesar da barra não possuir um “único comprimento” o volume
calculado a partir do comprimento médio de n medidas certamente tende a ser
o valor verdadeiro do volume desta barra (o valor verdadeiro do volume da barra
é exato!). Comparando este exemplo com o anterior vemos que:
• a média de n medidas é um excelente indicador do comprimento da barra

para fins de engenharia (tanto para conhecimento deste mensurando,
quanto para cálculo do volume);
• a utilização do “desvio padrão das n medidas” ou do “desvio padrão da
média de n medidas” é uma escolha dependente da aplicação (para
descrever o comprimento da barra, é mais adequado o desvio padrão;
para o cálculo do volume, bastaria utilizar o desvio padrão da média).
1.f) Um erro comum no uso do valor médio e do desvio padrão é quando há uma
tendência nas medições, não considerada na definição do intervalo no momento
da medição. Voltemos ao caso da barra ideal. Se o operador experiente utilizar
um micrômetro para a realização da medição, provavelmente ele sempre medirá
o mesmo valor e a incerteza será apenas aquela associada à exatidão do
micrômetro. Por outro lado, se um operador não posicionar as faces do
micrômetro paralelas às da barra, ele poderá medir valores maiores que o valor
26
A exatidão certamente estaria limitada, ao menos, a dimensões nas quais o comprimento do átomo
não interviesse no valor do mensurando. Afinal, este comprimento, quando definido, é uma grandeza
com variação estocástica.
83
verdadeiro, mas não há como ele medir valores menores! Assim a tendência é
haver uma dispersão de valores, que serão sempre maiores que o valor
verdadeiro. Resumindo, apenas com experiência é que se torna possível o uso
do desvio padrão de medições para definir um intervalo que tenha uma
probabilidade conhecida de abranger o valor verdadeiro.
2. Em engenharia a maioria dos resultados de n medidas pode ser considerada

como tendo uma distribuição normal, apesar dessa distribuição apresentar
probabilidade não nula de ser negativa, ou próxima ao infinito, e a grandeza real
normalmente não apresentar valores negativos nem próximos a infinito.
No entanto, há algumas exceções ao padrão de distribuição normal, conforme

exemplos apresentados a seguir.
2.a) A altura da população de uma cidade e outras grandezas relacionadas a

espécies que apresentam dimorfismo sexual, não raramente podem ser
consideradas bimodais (SCHILLING, 2002): há a média das alturas das
mulheres e uma outra média das alturas dos homens (ver Figura 3.13 ilustrativa).
Figura 3.13- Histograma “vivo” da altura de 143 estudantes da Universidade de

Connecticut (mulheres vestidas de branco e homens vestidos de preto)
Fonte: Adaptado de (SCHILLING, 2002)
2.b) Em ensaios do tipo “peças com defeito”, a avaliação é do tipo passa ou não
passa. O mensurando “número de peças com defeito” possui o que se denomina
de distribuição binomial (ver por ex. LARSON, 2016). À medida que o número de
peças tende a infinito, a aproximação normal passa a ser adequada. Ou seja,
pode-se definir um número médio de falhas, e um intervalo confiável baseado na
raiz quadrada da variância da distribuição.
2.c) Distribuições que possuem muitos valores próximos a zero, que não são
definidas para valores negativos e cuja variância é muito grande, são mal
representadas pela distribuição normal. Nestes casos uma distribuição de
Weibull (ver por ex., ESTATCAMP) costuma ser mais adequada. Um exemplo é
84
a velocidade do vento, necessária para estimar a energia eólica de uma

determinada região. Esta distribuição tenderá a ser bem representada por uma
normal, quando o valor médio for muito maior que a variância.
2.d) Para a avaliação das condições de crescimento de um garoto (2 a 20 anos)

há gráficos (ver Figura 3.14) que mostram a probabilidade acumulada em função
da altura ou do “peso” (massa em kgf) (CDC). Observe que 50% dos garotos de
20 anos possuem altura menor que 1,765m. A simetria do percentil27 acumulado
de 5% e 95% indica que a curva normal é uma representação razoável da
distribuição real. Observe também que 50% dos garotos possuem peso menor
que 70,5 kgf. Por outro lado, os percentis 5% e 95% não são simétricos em
relação ao valor de 50%, indicando que a curva não é normal. Neste caso, dizer
que 50% dos garotos têm peso maior que 70,5 kfg, e 50%, menor, não indica
que o peso médio é de 70,5kgf. Para aplicações em engenharia, a suposição de
normalidade tanto para altura, como para massa, em geral é suficiente.
Naturalmente, esta suposição precisa ser revista se o engenheiro estiver
desenvolvendo algum equipamento médico.
2.e) Ensaios de número de falhas em relação a alguma tensão (no sentido de

esforço grande sobre a peça, seja por tensão elétrica, mecânica, radiação, etc.)
costumam possuir uma distribuição “log normal”28 (Figura 3.15). Isto ocorre pois,
a partir de uma determinada ordem de grandeza da tensão, o número de falhas
sobe exponencialmente (ou seja, a distribuição de “log” do número de falhas é
mais ou menos normal).
27
Os percentis dividem um conjunto de dados em 100 partes iguais. Na distribuição de frequência
acumulada, se o percentil de 5% corresponde a 1,65 m, significa que 5% dos garotos de 20 anos têm altura
inferior a 1,65 m.
28
Se y=log(x), e se x for “log normal”, y é normal. A multiplicação de distribuições normais tende a ser log
normal, mas são bem aproximadas pela normal.
85
Figura 3.14 – Gráficos de altura e peso por idade, para garotos de 2 a 20 anos
Fonte: Adaptado de (CDC)
Figura 3.15- a) Função densidade de probabilidade de uma variável x log normal

b) Distribuição gaussiana de log( x)
Fonte: (KIRKUP, 2006)
86
Teorema do Limite Central
O Teorema do Limite Central da Estatística deixa clara a importância da

distribuição normal nos processos de metrologia. Esse Teorema descreve a
relação entre a distribuição amostral das médias e a população da qual são
retiradas as amostras, sendo uma ferramenta importante para obter informação
sobre uma população a partir de dados amostrais (LARSON, 2016). Como
qualquer medição pode ser considerada como um processo amostral a respeito
de uma população (que consiste, na maioria das vezes, no mensurando de
interesse), o Teorema pode ser aplicado nesse cenário para fazer inferências
sobre o valor do mensurando, a partir de medidas amostrais do mesmo.
a) Se amostras de tamanho n  30 são retiradas ao acaso de uma população

com distribuição qualquer com média  e variância  2 , então a
distribuição amostral das médias aproxima-se de uma distribuição normal,
sendo melhor a aproximação quanto maior for o tamanho da amostra, n .
b) Se a população apresentar distribuição normal, com média  e variância
 2 então a distribuição amostral é normal, para qualquer valor do
tamanho da amostra, n .
Em qualquer um dos casos acima, podem ser feitas as inferências:
• A média x da distribuição amostral é idêntica à média  da população

2
• A variância da distribuição amostral das médias é s =
2
.
n
Ou seja, a distribuição das médias amostrais tem a mesma média da população,

mas o seu desvio padrão é menor que o desvio padrão da população. Além
disso, conforme o tamanho n da amostra aumenta, menos dispersa se torna a
distribuição das médias amostrais (ou seja, menor será a variância).
3.3.1.4 Distribuição t de Student

Na maioria das situações práticas, as medidas de uma grandeza são realizadas
numa amostra e não na população completa, que levaria ao valor verdadeiro da
grandeza de interesse. Nesses casos, a chamada distribuição t de Student torna-
se importante na elaboração de inferências sobre a média da população (que
supostamente tem uma distribuição normal, com desvio padrão desconhecido)
e na determinação do fator de abrangência da incerteza (Item 3.5), para
estabelecer a probabilidade associada ao intervalo da grandeza medida. Assim
como a distribuição normal, essa distribuição é bastante usada em metrologia,
87
especialmente quando a análise de resultados envolve poucos dados (em geral

n  25 ).
Essa distribuição foi proposta originalmente pelo inglês W.S. Gosset (1876-
1937), que trabalhava na cervejaria Guiness e, como estatístico, monitorava a
qualidade da cerveja produzida, usando poucas amostras do produto. O uso de
suas estatísticas era segredo industrial, e por isso ele não podia utilizar seu
verdadeiro nome nas publicações, adotando então o pseudônimo de “Student”
(RUMSEY, 2014).
Se forem realizadas n medidas de uma variável aleatória x que obedece uma

distribuição normal, a distribuição t de Student com ( = n − 1 ) graus de
liberdade29 pode ser definida como a distribuição da média das amostras relativa
à média da população, multiplicado pelo fator n e dividida pelo desvio padrão
da amostra. Assim, essa distribuição pode ser utilizada para se estabelecer um
intervalo de confiança para a média da população (STUDENT).
Em termos matemáticos, e considerando-se que x1 , x2 ,...xn constituem uma

amostra de n valores de uma população normal com média  e variância σ 2 ,
tem-se que:
1 n
x=  xi
n i =1
é a média das amostras; e
1 n
s =  ( xi − x )
2 2
é a variância da amostra.
n − 1 i =1
Tem-se então que a variável aleatória:
x −
apresenta distribuição normal;
/ n
e a variável aleatória:
x −
t= apresenta distribuição t de Student, com  = n − 1 graus de liberdade.
s/ n
A função densidade de probabilidade de t de Student, da variável aleatória x

com  graus de liberdade é dada pela expressão (3.15):
29
O número de graus de liberdade é o número de escolhas livres deixadas depois que uma amostra
estatística é usada para calcular um determinado parâmetro (por exemplo, a média).
88
 +1 
   +1 
  x 2 −  2 
f ( x, ) =   1+
2
  (3.15)

   
    
2
em que a função Gama ( y ) é definida como:

( y ) =  e−t t y −1dt (3.16)
0
Nota-se que a distribuição t de Student é na verdade uma família de várias

curvas, cada uma correspondendo a um valor do número de graus de liberdade
.
A função densidade da distribuição t de Student é simétrica em torno da média,

e tem a mesma forma de sino da distribuição normal, mas reflete a maior
variabilidade (com curvas mais alargadas), conforme se espera em amostras
pequenas. Quanto maior o número de graus de liberdade  , mais a distribuição
t de Student se aproxima da distribuição normal (correspondente a  =  ),
conforme pode ser visualizado na Figura 3.16, para o caso de  = 0 e  = 1 . Na
prática, para   30 , pode-se considerar que a distribuição estudada segue a
distribuição normal. Deve-se notar também que a função densidade de
probabilidade da distribuição t de Student tem área total sob a curva de 100% e
depende apenas de  .
Para a distribuição normal (ou gaussiana), podem-se assumir intervalos

simétricos com amplitude  k em torno da média  para se calcular a
probabilidade de existirem valores x no respectivo intervalo, ou seja,
P(  − k  X   + k ) . k é denominado fator de abrangência.
Por exemplo, para k = 1 , tem-se:
( x −  )2
 + 1
P(  −   x   +  ) =  e 2 2
dx = 0, 6826 ou 68,26%
 −
 2
Esses intervalos são muito utilizados em metrologia, de onde vêm as

probabilidades de 68,26%; 95,45% ou 99,73% de existirem valores de x nos
intervalos em torno da média  com amplitudes  ,  2 e  3
respectivamente.
89
Figura 3.16 – Função densidade de probabilidade da distribuição t de Student para

vários valores de  , comparada com a distribuição normal padrão
(  = 0 ;  = 1 ; =  )
f(x)
=1
=2
=5
=∞
No caso da distribuição t de Student, vale lembrar que o desvio padrão da

população é desconhecido. Os intervalos de confiança correspondentes a
determinadas probabilidades serão calculados por:
s
x  t ,
n
onde os fatores t , relacionam-se com a probabilidade  tal que:
P ( −t ,  t  t , ) = 
e podem ser encontrados em Tabelas como por exemplo a Tabela 3.1, ou

calculados através de softwares de Estatística (por exemplo BERTOLO), para
quaisquer valores de P e  .
Como exemplo, tomemos uma amostra de 11 medidas, cuja média vale x = 10

e a variância vale s 2 = 2 . Para um intervalo com  = 95% de confiança, extrai-
se da Tabela 3.1 (com  = 11 − 1 = 10 ) o valor t , = 2,228 .
Portanto, há 95% de probabilidade de que os valores da grandeza medida x

estejam contidos no intervalo:
90
 2
ou seja 9, 05 − 10,95
2
10 − 2, 228 ,10 + 2, 228 
 11 11 
É interessante notar que para uma distribuição normal, utilizando-se a mesma

Tabela 3.1 para  =  , obtém-se t , = 1,960, número bem próximo do intervalo
correspondente a    2  associado a 95,45% de probabilidade. Em outras
palavras, o valor da medição só estará contido no intervalo    2  com
probabilidade de aproximadamente 95% se a distribuição dos dados for normal
e o número de graus de liberdade for infinito. Na prática, nota-se, pela Tabela
3.1, que essa condição pode ser atingida satisfatoriamente se   60 (condição
correspondente a n  61 medidas).
O valor t , = 2,228 > 2, obtido na Tabela 3.1 para o exemplo com n = 11

demonstra o “alargamento” da curva de t de Student, e consequentemente do
intervalo da incerteza, causado pelo número finito de medidas, quando
comparados à distribuição normal.
91
Tabela 3.1- Distribuição t de Student (bicaudal) e intervalos de confiança em função de

Pe
/P 50% 60% 70% 80% 90% 95% 98% 99% 99.5% 99.8% 99.9%
1 1.000 1.376 1.963 3.078 6.314 12.71 31.82 63.66 127.3 318.3 636.6
2 0.816 1.080 1.386 1.886 2.920 4.303 6.965 9.925 14.09 22.33 31.60
3 0.765 0.978 1.250 1.638 2.353 3.182 4.541 5.841 7.453 10.21 12.92
4 0.741 0.941 1.190 1.533 2.132 2.776 3.747 4.604 5.598 7.173 8.610
5 0.727 0.920 1.156 1.476 2.015 2.571 3.365 4.032 4.773 5.893 6.869
6 0.718 0.906 1.134 1.440 1.943 2.447 3.143 3.707 4.317 5.208 5.959
7 0.711 0.896 1.119 1.415 1.895 2.365 2.998 3.499 4.029 4.785 5.408
8 0.706 0.889 1.108 1.397 1.860 2.306 2.896 3.355 3.833 4.501 5.041
9 0.703 0.883 1.100 1.383 1.833 2.262 2.821 3.250 3.690 4.297 4.781
10 0.700 0.879 1.093 1.372 1.812 2.228 2.764 3.169 3.581 4.144 4.587
11 0.697 0.876 1.088 1.363 1.796 2.201 2.718 3.106 3.497 4.025 4.437
12 0.695 0.873 1.083 1.356 1.782 2.179 2.681 3.055 3.428 3.930 4.318
13 0.694 0.870 1.079 1.350 1.771 2.160 2.650 3.012 3.372 3.852 4.221
14 0.692 0.868 1.076 1.345 1.761 2.145 2.624 2.977 3.326 3.787 4.140
15 0.691 0.866 1.074 1.341 1.753 2.131 2.602 2.947 3.286 3.733 4.073
16 0.690 0.865 1.071 1.337 1.746 2.120 2.583 2.921 3.252 3.686 4.015
17 0.689 0.863 1.069 1.333 1.740 2.110 2.567 2.898 3.222 3.646 3.965
18 0.688 0.862 1.067 1.330 1.734 2.101 2.552 2.878 3.197 3.610 3.922
19 0.688 0.861 1.066 1.328 1.729 2.093 2.539 2.861 3.174 3.579 3.883
20 0.687 0.860 1.064 1.325 1.725 2.086 2.528 2.845 3.153 3.552 3.850
21 0.686 0.859 1.063 1.323 1.721 2.080 2.518 2.831 3.135 3.527 3.819
22 0.686 0.858 1.061 1.321 1.717 2.074 2.508 2.819 3.119 3.505 3.792
23 0.685 0.858 1.060 1.319 1.714 2.069 2.500 2.807 3.104 3.485 3.767
24 0.685 0.857 1.059 1.318 1.711 2.064 2.492 2.797 3.091 3.467 3.745
25 0.684 0.856 1.058 1.316 1.708 2.060 2.485 2.787 3.078 3.450 3.725
26 0.684 0.856 1.058 1.315 1.706 2.056 2.479 2.779 3.067 3.435 3.707
27 0.684 0.855 1.057 1.314 1.703 2.052 2.473 2.771 3.057 3.421 3.690
28 0.683 0.855 1.056 1.313 1.701 2.048 2.467 2.763 3.047 3.408 3.674
29 0.683 0.854 1.055 1.311 1.699 2.045 2.462 2.756 3.038 3.396 3.659
30 0.683 0.854 1.055 1.310 1.697 2.042 2.457 2.750 3.030 3.385 3.646
40 0.681 0.851 1.050 1.303 1.684 2.021 2.423 2.704 2.971 3.307 3.551
50 0.679 0.849 1.047 1.299 1.676 2.009 2.403 2.678 2.937 3.261 3.496
60 0.679 0.848 1.045 1.296 1.671 2.000 2.390 2.660 2.915 3.232 3.460
80 0.678 0.846 1.043 1.292 1.664 1.990 2.374 2.639 2.887 3.195 3.416
100 0.677 0.845 1.042 1.290 1.660 1.984 2.364 2.626 2.871 3.174 3.390
120 0.677 0.845 1.041 1.289 1.658 1.980 2.358 2.617 2.860 3.160 3.373
 0.674 0.842 1.036 1.282 1.645 1.960 2.326 2.576 2.807 3.090 3.291
Fonte: https://en.wikipedia.org/wiki/Student%27s_t-distribution#Confidence_intervals
3.4 Incertezas tipo B

Se um laboratório de medição tivesse recursos e tempo ilimitados, ele poderia
conduzir uma exaustiva investigação estatística de todas as causas concebíveis
de incerteza, por exemplo, utilizando muitas marcas e tipos diferentes de
instrumentos, diferentes métodos de medição, diferentes aplicações do método
e diferentes aproximações dos seus modelos teóricos de medição. As incertezas
associadas a todas essas causas poderiam, então, ser avaliadas pela análise
estatística de séries de observações, e a incerteza de cada causa seria
caracterizada por um desvio padrão estatisticamente avaliado. Em outras
palavras, todos os componentes da incerteza seriam obtidos através de
92
avaliações do Tipo A. Como tal investigação não tem nenhuma praticidade

econômica, muitos componentes da incerteza devem ser avaliados por
quaisquer outros meios que sejam práticos (INMETRO, 2008).
Em muitas ocasiões práticas não é possível medir mais de uma vez o

mensurando. Por exemplo, caso o mensurando seja o recorde de uma
determinada modalidade de esporte, normalmente o valor medido é obtido por
uma única medição. Outro caso seria o de ensaios destrutivos, em que o objeto
testado seja inutilizado no processo de medida30. O mesmo pode ocorrer com a
medição de alguma grandeza de influência.
Nesses casos, a incerteza pode ser estimada por métodos não estatísticos.
Estes métodos são denominados do tipo B. Vale destacar que uma incerteza do
tipo B poderá conter uma informação mais completa que uma incerteza do tipo
A (por exemplo, em casos em que poucas amostras são disponíveis). Alguns
exemplos de incertezas obtidas por métodos do tipo B (muitas vezes chamadas
de incerteza tipo B) são descritos a seguir.
1. A incerteza associada à resolução dos instrumentos. Essa incerteza depende

de vários fatores, tais como: a experiência do operador; o método de medição;
o bom senso; a qualidade da escala; a qualidade do ponteiro.
No Item 3.4.1 serão discutidas as estimativas de incertezas associadas à
resolução de instrumentos analógicos e digitais.
2. A incerteza devida à resolução de outros equipamentos digitais, como
calculadoras, computadores, que poderão afetar o valor final de um mensurando.
Estes itens apresentam resolução denominada “ 2a ”, que pode ser modelada
como uma distribuição retangular de largura igual a 2a . Por exemplo, o valor de
 em algumas calculadoras é dado por = 3,1415927. Nesse caso, 2a =
0,0000001, e a incerteza associada pode ser calculada pela equação (3.8) como
a
u= .
3
3. Os valores de incerteza publicados por autoridade competente (ex: Constante

de gravitação: G= 6,674 30 (15).10-11 m3kg-1s-2. O valor entre parênteses
representa a incerteza padrão (0,00015.10-11 m3kg-1s-2) (CODATA);
4. A incerteza de especificação da instrumentação, com valor extraído do manual

dos equipamentos utilizados ou dos respectivos certificados de calibração. É
interessante notar que o valor da incerteza que consta nesses documentos foi
normalmente obtido pelo fabricante ou pelo laboratório credenciado, combinando
30
Por exemplo, em testes para determinação do módulo de Young de um material, o corpo de prova deve
ser tracionado até ocorrer sua fratura, tornando-o inutilizável para medições posteriores.
93
repetições de medidas e análises estatísticas, conforme procedimentos já

descritos para a incerteza tipo A (Item 3.3). No entanto, para o operador do
experimento, que adquiriu o equipamento de terceiros, tais incertezas serão
consideradas como sendo do tipo B, pois o tratamento estatístico foi realizado
anteriormente, e não durante o procedimento em questão. Ou seja, esse é um
exemplo em que uma incerteza tipo A (obtida por métodos estatísticos) é
considerada como tipo B para o experimento em que a instrumentação é
utilizada.
5. A incerteza associada à tolerância especificada pelos fabricantes para
componentes, ressaltando que esse tipo de especificação representa os limites
dentro dos quais os valores de 100% dos componentes daquele tipo deverão
estar contidos. Por exemplo, um resistor de 100  com tolerância de ±5%, pode
ser modelado por uma distribuição retangular centrada em 100, com largura
2a = 10  . A incerteza associada pode ser calculada pela equação (3.8) como
a
u= . Esse é outro exemplo de incerteza tipo A (já que a tolerância no valor
3
de um componente foi provavelmente obtida a partir de extensivas medidas de
vários componentes fabricados sob as mesmas condições), que passa a ser
considerada como tipo B, num experimento em que tal componente é utilizado.
6. A incerteza obtida a partir de limites baseados na experiência pessoal. Por

exemplo, supondo que a altura de uma pessoa é descrita em um prontuário
médico como sendo 182,0 cm, uma boa estimativa é que os limites sejam de
±0,5 cm. Assim, assume-se uma distribuição retangular de largura 2a igual a
1 cm (Item 3.3.1.1).
Exemplos de grandezas de influência que utilizam métodos tipo B na avaliação

de incertezas são listados abaixo.
1. Fatores ambientais que afetam a operação de instrumentos e as medidas

realizadas, tipicamente: temperatura, pressão, umidade, aceleração da
gravidade, campo magnético terrestre, luz, ruídos, etc.
2. Fatores observacionais, tipicamente dependentes da experiência do

observador, como efeito da paralaxe, tempo de disparo de um cronômetro, etc.
3. Incertezas ligadas a modelos teóricos, quando são utilizadas equações para

obtenção de mensurandos. Por exemplo, ao se utilizar a expressão que relaciona
a velocidade v com a aceleração da gravidade g e o tempo t : v = gt há fatores
que irão adicionar incerteza ao resultado final: o valor de g não é constante (por
exemplo, varia com a altitude); o modelo não considera o efeito da resistência
do ar; dentre outros.
94
3.4.1 Incerteza associada à resolução do

instrumento
A resolução r de um instrumento ( r = 2a ) é definida em termos gerais como a
menor variação da grandeza que está sendo medida que causa uma variação
perceptível na indicação do valor correspondente. Em outras palavras, é a menor
diferença entre indicações do instrumento ou dispositivo de medida, que pode
ser significativamente percebida.
Instrumentos Digitais
Para instrumentos com mostrador digital, a resolução r consiste na variação da
grandeza quando o dígito menos significativo varia de uma unidade do display.
A incerteza associada a instrumentos digitais costuma ser fornecida pelo
fabricante do instrumento, uma vez que depende de diversos fatores que não
estão disponíveis para o usuário: o próprio processo de conversão analógico-
digital; os componentes que constituem o equipamento; a rastreabilidade dos
instrumentos usados na calibração do equipamento.
Caso o valor da incerteza não seja fornecido pelo fabricante, ou não seja possível
obter este valor, é comum modelar as medidas realizadas no display digital como
seguindo uma distribuição retangular de largura r = 2a , e estimar a incerteza
através do desvio padrão dessa distribuição, conforme a expressão (3.8), ou
seja:
r a
u= = (3.17)
2 3 3
Como exemplo, num relógio digital, com resolução de 1 minuto, teremos r = 2a
=1 minuto, e a incerteza u poderá ser calculada pela expressão (3.17). A
modelagem através da distribuição uniforme indica que, se for feita a leitura 10 h
16 min do horário nesse instrumento, a hora certa poderá ser qualquer valor no
intervalo [10 h 16 min a 10 h 17 min[31, com igual probabilidade.
Instrumentos Analógicos
Em equipamentos analógicos, a resolução normalmente é dada pela diferença
entre duas indicações (ou marcações) consecutivas. Desta forma, uma régua
31
Em muitos instrumentos digitais, a indicação é o valor do centro da distribuição. Neste exemplo, 10 h
16 min poderia significar qualquer valor entre [10 h 15 min 30 s e 10 h 16 min 29 s[.
95
com escala milimétrica possui uma resolução de r = 1 mm, já um paquímetro

com nônio de 50 divisões, possui uma resolução de r = 0, 02 mm.
É importante deixar claro que há diversas formas que têm sido utilizadas em
metrologia para se estimar a incerteza associada à resolução de instrumentos
com mostrador analógico (como ponteiros, escalas, etc.). Novamente, o valor da
incerteza na indicação do valor medido poderá variar de acordo com diversos
fatores como, por exemplo: a experiência e a acuidade visual do usuário que irá
realizar a medida, a resolução e a qualidade da escala do instrumento, a
construção do instrumento, seu material, dentre outras grandezas de influência.
São listados a seguir alguns métodos de como esta incerteza pode ser estimada
na prática. A escolha de cada método depende dos fatores acima, e
principalmente do bom senso do operador, lembrando que o valor da incerteza
não deve ser superestimado, para não prejudicar o resultado final, nem
tampouco subestimado, de forma a não dar uma representação realista da
medida efetuada.
• A incerteza como a menor divisão de escala: nesse caso, a incerteza será dada
simplesmente pela menor divisão de escala do instrumento utilizado:
u = r = 2a (3.18)
• A incerteza como metade da menor divisão de escala. Nesse caso:
r
u= =a (3.19)
2
• A incerteza como a menor divisão de escala dividida por 2 3 :
Mais recentemente, a incerteza relativa à resolução de um instrumento analógico

tem sido associada à distribuição de uma variável aleatória uniforme, no intervalo
[−𝑎, 𝑎]. Isso indica que o valor verdadeiro da grandeza poderia estar em
qualquer posição entre uma marca e outra da escala, com igual probabilidade.
Nesse caso, a incerteza será estimada como o desvio padrão desta distribuição,
ou seja, conforme a expressão (3.17), reproduzida abaixo:
r a
u= = (3.20)
2 3 3
96
• A incerteza como a menor divisão da escala dividida por 2 6 32

:
Quando a medida e as características do instrumento indicarem que os valores

obtidos seguem uma distribuição triangular (ou seja, com maior probabilidade do
valor verdadeiro se encontrar na posição central entre uma marca e outra da
escala), a incerteza será estimada como o desvio padrão dessa distribuição (Item
3.3.1.2), pela expressão (3.11), ou seja:
r a
u= = (3.21)
2 6 6
3.5 A incerteza padrão combinada

Até agora foi visto que a modelagem da distribuição estatística de um
mensurando é fundamental para representá-lo. Não basta conhecer o seu valor
mais provável, mas é fundamental conhecer o intervalo no qual o valor
verdadeiro se encontra, com probabilidade conhecida. Para isto, é necessária
experiência de quem especifica o que quer medir. Em seguida cabe a pergunta:
se são conhecidas todas as grandezas que afetam a definição de um
mensurando e como elas interferem na determinação do seu valor, como
determinar o mensurando e sua distribuição? Ou, utilizando a terminologia do
VIM (Vocabulário Internacional de Metrologia) (INMETRO, 2012): como calcular
a “incerteza-padrão combinada”33 a partir das “incertezas padrão” das diversas
grandezas de influência do meu mensurando?
Mesmo nas medidas mais simples, vários fatores irão contribuir na incerteza final
do resultado. Os componentes de incerteza identificados por métodos do tipo A
são caracterizados pelas variâncias estimadas si2 , (ou pelos desvios padrão
estimados si ) e pelo número de graus de liberdade  i . Os componentes de
incerteza classificados como sendo do tipo B devem ser caracterizados pelos
termos u j , que podem ser relacionados a aproximações de variâncias
32
A distribuição triangular é muito usada por equipes experientes que desenvolvem métodos
experimentais mais precisos. Por exemplo, se é pedido para um operador de uma fonte de tensão aplicar
12 volts, medindo a tensão com um voltímetro digital de resolução igual a 1 V, este ajustará o cursor da
fonte sempre na mesma direção até obter a leitura do voltímetro em 11 V (posição A). Em seguida ele
continuará girando o cursor até obter a leitura de 13 V (posição B). Depois voltará o cursor para uma
posição média entre A e B, tornando maior a probabilidade de que o valor ajustado seja 12,0 e não 11,5
ou 12,5 V.
33
Incerteza-padrão combinada: Incerteza padrão obtida ao se utilizarem incertezas padrão individuais
associadas às grandezas de entrada num modelo de medição.
97
2
correspondentes, cuja existência é suposta, ou seja, os termos u j podem ser
tratados como variâncias e os termos u j , como desvios padrão.
A incerteza combinada deve ser caracterizada então pelo valor numérico obtido
aplicando-se o método usual para a combinação de variâncias. A incerteza
combinada e seus componentes devem ser expressos na forma de “desvios-
padrão”. Observa-se então que para a combinação das incertezas, ambos os
tipos (A ou B) serão tratados da mesma forma34, ou seja, através das variâncias
correspondentes, que serão combinadas através de somas de variâncias.
De forma simplificada, pode-se adotar o seguinte método de combinação:
• identifica-se a incerteza de cada grandeza de influência;

• calcula-se a incerteza padrão ( ui ) correspondente, supondo-se uma
determinada distribuição de probabilidades;
• identifica-se o efeito da variação de cada grandeza de influência no
mensurando, determinando-se o coeficiente de sensibilidade ci ;
• identifica-se a contribuição de cada grandeza de influência no mensurando
como:
uc (i ) = ci . ui (3.22)
• supondo-se que todas as grandezas de influência sejam independentes

(INMETRO, 2008), ou seja, que uma não modifica a probabilidade da outra,
calcula-se a incerteza padrão combinada por:
uc = u 2
c (i ) =  (c . u )
i i
2
(3.23)
Observação: Caso a hipótese de independência entre as grandezas de influência

não seja aplicável, é necessário estimar como uma grandeza afeta a outra, por
meio da covariância, conforme será descrito no Item 3.8.
• ao final do cálculo da incerteza combinada, esta poderá ser multiplicada por

um fator de abrangência k , visando a obtenção de uma incerteza global,
denominada incerteza expandida, definida como k . uc . O valor do fator
multiplicador k deve ser sempre declarado e está relacionado ao nível de
confiança com que o intervalo de resultados é apresentado. Vimos que um
valor de k normalmente utilizado para distribuições aproximadamente
34
Pelo fato de que o “desvio padrão” é uma propriedade característica das distribuições estatísticas,
optou-se por chamar o valor da incerteza, obtida por qualquer método desde que dentro do rigor da ISO
GUM, de “incerteza padrão”.
98
normais é k = 2 , para um intervalo com aproximadamente 95% de confiança.

Para amostras limitadas, o fator de abrangência e os intervalos de confiança
desejados deverão ser determinados através da distribuição t de Student, de
acordo com o número de graus de liberdade disponível (Item 3.3.1.4).
3.5.1 Propagação de incertezas

Vários mensurandos em Engenharia são na verdade resultados de medições
indiretas (Item 2.7). As várias medidas que comporão o valor final terão suas
respectivas incertezas padrão combinadas que, por sua vez, poderão ter
dimensões e unidades diversas.
Assim, sendo o mensurando G uma função de várias outras medidas, podemos

representá-lo por:
G = f ( x1 , x2 , x3 .....) (3.24)
No cálculo da incerteza padrão combinada uG , da grandeza G , as incertezas

das grandezas de influência individuais serão multiplicadas pelos respectivos
coeficientes de sensibilidade. Os coeficientes de sensibilidade são normalmente
as derivadas parciais da função de interesse G , com relação a cada variável
x1 , x2 , x3 ..... que possui incerteza, calculada no ponto de operação ou no valor
médio das variáveis medidas35.
A incerteza padrão combinada da grandeza G será então calculada pela

expressão (3.23), que, sob a condição de que todas as variáveis x1 , x2 , x3 ,...
sejam independentes, isto é, não correlacionadas36, resulta em:
2 2 2
 G   G   G 
uG =  u x1  +  u x2  +  u x3  + ... (3.25)

 1   2
x x   3 x 
De forma mais compacta, essa expressão pode ser escrita como:
35
Muitas vezes não se conhece a função analítica que relaciona a grandeza de influência e o mensurando.
No entanto, o coeficiente de sensibilidade pode ser obtido por exemplo, medindo-se o mensurando para
dois valores numéricos diferentes da grandeza de influência, e calculando-se o coeficiente angular da reta
que liga estes dois pontos. A experiência do operador também pode ser utilizada para se estimar o valor
do coeficiente de sensibilidade do mensurando com relação a uma certa grandeza de influência.
36
Uma correlação entre duas variáveis pode existir se, por exemplo, ambas forem medidas utilizando-se
o mesmo instrumento.
99
2
 G 
uG =   u xi  (3.26)
 xi 
Essa expressão é denominada Lei da Propagação da Incerteza (INMETRO,

2008), e seu resultado é a incerteza padrão combinada.
Deve-se notar que todos os fatores que aparecem sob a raiz quadrada desta
expressão terão a mesma dimensão, que é a dimensão da grandeza G . Nestes
termos aparecem as incertezas padrão combinadas u x1 , u x2 , u x3 ... de cada variável
de que depende a grandeza G , ponderadas pelos respectivos coeficientes de
sensibilidade.
É importante destacar que as incertezas expandidas das grandezas de influência

não devem ser utilizadas nas expressões (3.25) ou (3.26), mas sim suas
incertezas padrão. A dedução da expressão (3.25) pode ser encontrada em
(VUOLO, 1996), sendo obtida através da expansão em série de Taylor da soma
das variâncias, e utilizando apenas os termos de primeira ordem dessa
expansão37.
Na Tabela 3.2 são apresentadas algumas funções de variáveis independentes

G = f ( x, y, z.....) , que representam casos comuns da vida real, com suas
respectivas incertezas padrão combinadas, obtidas a partir da expressão (3.25)
e devidamente simplificadas. A consulta a essa tabela pode ser conveniente na
prática, embora seja sempre recomendável utilizar a forma geral da expressão
(3.25) e obter a incerteza padrão combinada, resolvendo-se as derivadas
parciais da função G em relação às variáveis independentes.
Deve-se notar que a variação do mensurando com uma determinada grandeza

de influência pode ser obtida analiticamente (se a expressão da função G for
conhecida) ou experimentalmente, por exemplo, a partir da derivada de uma
curva empírica, em torno do ponto considerado, conforme será ilustrado no
Exemplo de Aplicação abaixo.
Na Tabela 3.2 nota-se que algumas expressões da incerteza são representadas

em função do que se denomina incerteza relativa, que está definida no Item
3.5.2.
37
Em alguns casos, como por exemplo quando a função G for significativamente não linear no ponto de
operação, a expansão em série de Taylor poderá exigir a utilização da segunda (ou outra) derivada da
função no cálculo da incerteza combinada. Outro exemplo é o caso do cosseno de 0 graus, com incerteza
padrão de 10 graus. A derivada primeira da função será zero em torno de 0 graus, o que não significa que
a contribuição desse termo na incerteza combinada seja nula.
100
Tabela 3.2 – Incerteza padrão combinada para algumas funções comuns

(por hipótese, os valores de x e y são estatisticamente independentes)
Função Incerteza
G = x + y ou G = x − y uG2 = u x2 + u y2
2
 ux   u y 
2
G = x. y ou G = x / y uG
=   + 
G  x   y 
uG u x
G = kx =
G x
uG u
G = xk = k. x
G x
G = ax + b uG2 = a 2 .u x2  uG = a u x
2
 uG   u x   u y 
2 2
G = x .y
p q
 G  =  p x  +q y 
     
uG
G = ex = ux
G
u
G = ln x uG = x
x
G = log a x 1 u
uG = . x
ln a x
3.5.2 Incerteza relativa

Na prática, pode ser adequado trabalhar com a incerteza relativa de uma
grandeza, definida como:
uG
= (3.27)
G
que também pode ser expressa de forma percentual:
uG
 (%) = 100 (3.28)
G
Deve-se notar que essa incerteza é adimensional e pode indicar a qualidade da

medição, independente da magnitude da grandeza medida.
101
Por exemplo, a medição de um comprimento de 1 m, com incerteza de 0,5%,

resulta numa incerteza absoluta de 0,5 cm. Incertezas relativas da ordem de 1%
ou 2% são comuns em medições no laboratório.
Nos cálculos de propagação de incertezas, vale notar (Tabela 3.2) que em

funções de somas ou diferenças de grandezas, a variância da incerteza final é
obtida a partir da soma das variâncias das incertezas absolutas. Em produtos e
divisões, o cálculo da incerteza final pode ser feito, de forma simplificada, a partir
das incertezas relativas. Assim, por exemplo, a incerteza percentual na área de
um retângulo com incertezas nas medidas dos lados iguais a 1,0%, resulta em
1,4%.
3.5.3 Incerteza expandida

Quando incertezas obtidas de diversas formas são combinadas, a definição da
distribuição resultante não é simples. De forma geral, pode-se supor que com
um número significativo de variáveis aleatórias (as grandezas de influência), o
mensurando acaba por ter uma distribuição de probabilidades em torno do valor
experimental, com característica aproximadamente normal (INMETRO, 2008).
Esse resultado é uma consequência prática de uma variante do Teorema do
Limite Central (apresentado no Item 3.3.1.3) que estabelece que quando
variáveis aleatórias independentes são somadas, o resultado da soma
normalizada apresenta-se também como uma distribuição normal, mesmo se as
variáveis originais não forem normalmente distribuídas. Isso implica que os
métodos estatísticos que valem para distribuições normais podem ser aplicados
a vários outros problemas envolvendo outros tipos de distribuição. Além disso, o
Teorema do Limite Central estabelece que se as variáveis aleatórias forem
independentes, a variância da distribuição resultante poderá ser calculada como
a soma das variâncias das entradas, afetadas pelos respectivos coeficientes de
sensibilidade (GUPTA, 2012).
Em metrologia, vemos que a combinação de incertezas é uma consequência

desse Teorema, já que a incerteza padrão combinada é obtida como resultado
da raiz quadrada da soma dos quadrados dos termos correspondentes às
diversas incertezas (quer sejam obtidas por métodos do tipo A ou do tipo B) que
afetam o resultado final do mensurando (INMETRO, 2008), ou seja:
uc2 =  uc2 (i ) =  (ci .ui ) 2 conforme já visto no Item 3.5.
Para a distribuição normal, com média  e desvio padrão  , o valor do fator de

abrangência k está relacionado com a função densidade de probabilidade de
102
acordo com a Figura 3.17. Nesse gráfico, conforme já visto no Item 3.3.1.4, nota-
se que há probabilidade de 68,26% de que a variável x esteja no intervalo
[  −   x   +  ] ; probabilidade de 95,45% de que x esteja no intervalo
[  − 2  x   + 2 ] ; e probabilidade de 99,73% de que x esteja no intervalo
[  − 3  x   + 3 ] . Assim, a Tabela 3.3. pode ser utilizada na escolha do fator
de abrangência k no caso do valor mais provável para o mensurando ( x ) e a
respectiva incerteza padrão combinada ( u c ), definindo-se o intervalo
[ x − kuc  x  x + kuc ] com o nível de confiança P desejado.
Figura 3.17- Distribuição normal e porcentagens para regiões em torno da média 
Fonte: Adaptada de https://towardsdatascience.com/understanding-the-68-95-99-7-rule-for-a-normal-

distribution-b7b7cbf760c2
Tabela 3.3 – Fator de abrangência para distribuição normal
Intervalo Fator de abrangência k P (nível de confiança)

[ x − uc  x  x + u c ] 1 68,26%
[ x − 2uc  x  x + 2uc ] 2 95,45%
[ x − 3uc  x  x + 3uc ] 3 99,73%
Vimos no Item 3.3.1.4 que em situações práticas onde a análise dos resultados
depende de poucos dados experimentais, a distribuição t de Student torna-se
importante na estimativa do fator de abrangência e no intervalo de confiança do
103
mensurando. Como foi visto, a função densidade de probabilidade dessa

distribuição depende do número de graus de liberdade  .
Normalmente o número de graus de liberdade da incerteza de uma grandeza

está associado ao número de medições que foram realizadas para conhecê-la.
Para incertezas estimadas a partir da experiência (normalmente incertezas do
tipo B), assume-se um número de graus de liberdade infinito. Para incertezas
obtidas a partir de n medições (ou seja, incertezas do tipo A), o número de graus
de liberdade é dado por  = n − 1 , já que se perde um grau de liberdade no cálculo
da média dos valores.
Uma fórmula sugerida na literatura (INMETRO, 2008) para determinar o número

de graus de liberdade efetivo (ou total) ( ef ) no cálculo da incerteza padrão
combinada do mensurando ( u c ), é a fórmula de Welch-Satterthwaite, a partir dos
graus de liberdade ( i ) e da contribuição da incerteza padrão de cada uma das
grandezas de influência ( ui ).
uc4 u14 u24 uk4

= + + ... +
 ef 1 2 k
ou, de forma mais compacta:
uc4
 ef =
 ui4 
  
 i 
(3.29)
Para o caso de apenas uma grandeza de influência possuir um número de graus

de liberdade diferente de infinito (ou seja, quando houver apenas uma incerteza
do tipo A, com número limitado de amostras), a fórmula (3.29) se resume a:
uc4
 ef =  xi
uxi
(3.30)
Caso o valor obtido por essa equação não seja um número inteiro, convenciona-
se tomar o próximo inteiro inferior. Com esse valor e o nível de confiança P que
se deseja para o intervalo correspondente à incerteza expandida, é possível
então obter o valor do fator de abrangência k numa tabela ou através de um
aplicativo para cálculo da função t de Student. Para um mesmo nível de
confiança, o valor de k para a distribuição t de Student será maior que aquele
104
correspondente da distribuição normal, já que as curvas para os vários valores

de  são mais alargadas que a curva normal, para a qual  =  (Figura 3.16).
Exemplo de aplicação
Vamos aplicar os conceitos envolvidos na obtenção da incerteza padrão

combinada ao mensurando TMSA, apresentado no Item 2.2, cujo diagrama de
Ishikawa encontra-se na Figura 2.6. O mensurando é definido como:
“TMSA= temperatura média da cidade de Santo André (TMSA), às 14:00 horas

calculado pela média aritmética da temperatura medida com termômetro de
álcool, protegido do sol e de intempéries em 4 pontos geográficos distintos”.
Vamos supor que em um determinado dia foram obtidos os seguintes valores de

medidas, com suas respectivas incertezas expandidas, com fator de
abrangência k = 2 .
o o
T1= (24,1 ± 1,0) C ; T2= (24,4 ± 1,0) C;
o o
T3= (25,0 ± 1,2) C; T4= (24,2 ± 1,0) C
Devem-se considerar as seguintes condições:
1. Todos os valores foram obtidos às 14:00 h utilizando um relógio de

resolução de 1 minuto.
2. Para a estimativa da incerteza das temperaturas foram utilizadas as
seguintes fontes de incerteza:
▪ a especificação do termômetro;
▪ a repetibilidade estimada pelos operadores. Esse valor
corresponde ao desvio padrão de diversas medidas de temperatura
obtidas por cada operador com seu respectivo termômetro,
previamente à realização do experimento (ou seja, é uma incerteza
obtida originalmente por método estatístico, que será considerada
como tipo B para esse mensurando).
3. O valor indicado da incerteza de cada valor de temperatura corresponde
à incerteza expandida, calculada pela multiplicação da incerteza padrão
pelo fator de abrangência k = 2 , gerando um intervalo que envolve o valor
convencional com uma confiança de aproximadamente 95% (sob
hipótese de distribuição aproximadamente normal).
Para o cálculo do mensurando e de sua incerteza, inicialmente é feita uma

avaliação do mensurando. A experiência do operador indica as seguintes fontes
de incerteza:
105
• as temperaturas de cada ponto;

• o horário da medição;
• a reprodutibilidade da medição associada à modificação do local de
medição, já que o mensurando indica 4 pontos geográficos quaisquer e,
naturalmente, as medições foram realizadas em pontos específicos.
Note que essas grandezas estão devidamente representadas no diagrama de

Ishikawa da Figura 2.6. Vamos aos cálculos.
➢ Cálculo do mensurando
Como o mensurando é definido pela média aritmética de 4 pontos, temos que:
T1 + T2 + T3 + T4
TMSA = (3.31)
4
Utilizando-se os valores apresentados nessa expressão, tem-se que:
24,1 + 24, 4 + 25, 0 + 24, 2

TMSA = = 24, 425 oC
4
Deve-se notar que o número de algarismos significativos obtidos nesse resultado

será posteriormente ajustado de acordo com o cálculo da incerteza descrito a
seguir.
➢ Incertezas nas temperaturas de cada ponto ( uT ) i
A condição 3 acima indica que a incerteza padrão da grandeza de influência

“temperatura do ponto” pode ser estimada a partir da incerteza expandida, como:
1, 0
k .uT1 = 1, 0  uT1 = = 0,5 oC
2
Da mesma forma:
uT2 = 0,5 oC ; uT3 = 0, 6 oC; uT4 = 0,5 oC
Observe que as incertezas de cada temperatura podem ser distintas, pois

dependem da repetibilidade da medição feita pelo operador, bem como do
instrumento utilizado, conforme destacado na condição 2 acima.
➢ Coeficiente de sensibilidade das temperaturas ( cT ) i
O coeficiente de sensibilidade pode ser calculado pela derivada parcial do

mensurando (TMSA) em relação a cada temperatura, a partir da expressão
106
(3.31). Assim, o coeficiente é de 0,25 (oC/ oC) para todos os locais de medição,
ou seja:
TMSA 1
cTi = =
Ti 4
➢ Contribuição das incertezas das temperaturas em cada ponto na incerteza

padrão combinada ( cT . uT ) i i
Temos:
cT1 . uT1 = 0, 25.0,5 = 0,125 oC
cT2 . uT2 = 0, 25.0, 5 = 0,125 oC
cT 3 . uT3 = 0, 25.0, 6 = 0,15 oC
cT4 . uT4 = 0, 25.0, 5 = 0,125 oC
➢ Incerteza no horário de medição ( u h )
A informação sobre a incerteza do horário de medição está apenas associada à

resolução do relógio. O valor da incerteza padrão pode ser calculado supondo-
se uma distribuição retangular de amplitude ( 2a ) de 1 minuto (Item 3.3.1.1).
Assim, pela expressão (3.17), temos:
a 0,5
uh = = minutos
3 3
Transformando esse valor em horas, tem-se que:
0,5
uh = = 0,0049 horas (a incerteza é sempre arredondada para cima).
3.60
➢ Coeficiente de sensibilidade do horário de medição ( ch )
Neste caso não há uma equação que relacione diretamente a temperatura do

mensurando com o horário de medição. Há uma curva média experimental que
pode ser utilizada para o cálculo do coeficiente, conforme mostrado na Figura
3.18a). Em torno do horário das 14 h (definida no mensurando), essa variação é
praticamente linear, com declividade igual a 2 oC / hora (Figura 3.18 b)). Esse é
o valor da derivada da curva nesse ponto, sendo, portanto, o coeficiente de
sensibilidade, isto é:
107
ch = 2 o C/hora
➢ Contribuição da incerteza do horário na incerteza padrão combinada

( ch . uh )
Resulta:
o
C
ch . uh = 2 .0,049 h = 0,0098 oC
h
Note-se que a variável da incerteza u h tem dimensão de (hora), mas ao ser

multiplicada pelo coeficiente de sensibilidade ch , com dimensão (oC/hora),
resulta numa contribuição da incerteza em oC, que é a dimensão do mensurando.
Figura 3.18- a) Curva de variação da temperatura diária em função do horário, para

cálculo do coeficiente de sensibilidade; b) Ampliação da curva em torno das 14 h.
a) b)
ch
➢ Incerteza devido à reprodutibilidade ( urepro )
A incerteza padrão neste caso é do tipo A e pode ser estimada por um método
estatístico, ou seja, através da variância das quatro medidas de temperatura.
A variância é calculada aplicando-se a expressão (3.1):
108
2
srepro
1
=
3
( (24,1 − 24, 425) 2 + (24, 4 − 24, 425) 2 + (25, 0 − 24, 425) 2 + (24, 2 − 24, 425) 2 ) =
= 0,1625 (oC ) 2
Como o mensurando é definido como a média dos quatro valores de

temperatura, a incerteza padrão será calculada como o desvio padrão da média
das quatro medições, ou seja, pela expressão (3.4):
s2 0,1625
urepro = = = 0, 2016 oC
n 4
➢ Coeficiente de sensibilidade na incerteza devido à reprodutibilidade

( crepro )
O coeficiente de sensibilidade é de 1 oC/oC, ou seja, para cada oC de variação

da temperatura média, há uma variação de 1 oC na TMSA. Afinal, o mensurando
está definido como a média de temperaturas de 4 pontos.
➢ Contribuição da incerteza da reprodutibilidade na incerteza padrão

combinada ( crepro . urepro )
crepro . urepro = 0, 2016 oC
➢ Incerteza padrão combinada do mensurando
A incerteza padrão combinada do mensurando pode ser calculada a partir da

equação (3.23) aplicada a esse caso:
( ) + (c ) + (c ) + (c ) + (c u ) + (c urepro )
2 2 2 2 2
uc2 = cT1 uT1
2
T2 uT2 T3 uT3 T4 uT4 h h repro
Com os valores numéricos, resulta:
uc2 = 0,1252 + 0,1252 + 0,152 + 0,1252 + 0, 00982 + 0, 20162 = 0,1101
obtendo-se:
uc = 0,1101 = 0,3319 oC
Para fins de representação do valor do mensurando, a incerteza pode ser

expandida por um fator de abrangência k = 2 , para definir o um intervalo de
aproximadamente 95% de confiança, supondo-se uma distribuição normal, e um
número de graus de liberdade elevado. Assim, o intervalo de cerca de 95% de
confiança pode ser estimado a partir de:
U c = 2.0, 3319  0, 67 o C
109
O resultado final poderá ser expresso por:
TMSA = (24, 42  0, 67) oC , com k = 2 (95% de probabilidade)
indicando que, de acordo com as estimativas feitas, o valor verdadeiro do

mensurando deverá estar no intervalo:
 23, 75 − 25, 09 , com 95% de probabilidade.

Note-se que a incerteza deve ser apresentada com um ou dois algarismos
significativos (ver Item 3.6), e que o valor do mensurando deve ser arredondado
(Item 1.7), de forma que apresente o mesmo número de casas decimais que a
incerteza, conforme recomendações do ISO GUM (INMETRO, 2008). Outros
aspectos sobre a expressão de valores experimentais serão discutidos no Item
3.6.
Outra observação importante é que no decorrer dos cálculos da incerteza padrão

combinada, devem ser mantidas as casas decimais disponíveis, e apenas na
apresentação final deve ser arredondado o valor da incerteza, mantendo no
máximo dois algarismos significativos, e arredondando sempre para cima, em
favor da segurança do intervalo de confiança do resultado da grandeza.
Os resultados calculados e obtidos nesse exemplo de aplicação estão dispostos

na Tabela 3.4. Esse tipo de tabela permite comparar as parcelas que contribuem
para a incerteza padrão combinada, identificando quais são mais significativas,
de forma a eventualmente melhorar o método experimental, diminuindo seu
valor. Nesse exemplo, nota-se que a incerteza devida ao horário de medição tem
pouca influência no valor total da incerteza combinada, pois é bem menor que
as outras contribuições, podendo inclusive ser desprezada na prática. Há casos
em que também é possível identificar uma ou mais parcelas preponderantes no
cálculo da incerteza padrão combinada.
Como apenas uma grandeza de influência possui o número de graus de

liberdade diferente de infinito, podemos calcular o número de graus de liberdade
efetivo (ou total) desse exemplo através da equação (3.30):
4
 u   0,3319 
4
 ef =  repro .  c  = 3.   = 22
u  0, 2016 
 repro 
Utilizando a distribuição t de Student (Item 3.3.1.4), com  ef = 22 , obtemos o

valor k = 2,074 para probabilidade P de 95%. Portanto a incerteza expandida
deveria ser ligeiramente diferente do valor calculado anteriormente para
distribuição normal ideal, ou seja:
110
U c = 2, 074.0,3319  0, 69 oC
e o intervalo que deve conter o valor verdadeiro resultará um pouco mais largo:
 23, 73 − 25,11 , com 95% de probabilidade.

Tabela 3.4- Componentes da incerteza padrão combinada da TMSA
Valor da Número de
Fonte da Coeficiente de
Componente incerteza Contribuição Graus de
incerteza sensibilidade
padrão liberdade
Temperatura
uT1 0,5 (oC) 0,25 0,125 oC infinito
do ponto 1
Temperatura
do ponto 2
Temperatura
do ponto 3
Temperatura
do ponto 4
2
Horário de
uh 0,0049 (hora) 0,0098 oC infinito
medição (oC/hora)
Reprodu- 0,2016
urepro 1 0,2016 oC 3
tibilidade (oC)
u c = 0,33 oC ef = 22
3.6 Representação da incerteza com o mensurando

A incerteza é uma medida da dúvida que o operador possui dos resultados que
obteve numa certa medição. Portanto, ela é fundamental para identificar diversos
aspectos da qualidade destes resultados. Entre estes aspectos, está o número
de algarismos com os quais deve ser apresentado o resultado.
Qualquer operação realizada para se obter um valor experimental apresentará

dúvidas, inclusive a operação para se obter a incerteza relacionada a este valor.
Nestas condições, é natural que se pergunte: qual é a dúvida que existe no valor
111
da incerteza? Esta questão pode ser transformada em: quantos devem ser os
algarismos significativos na representação da incerteza?
Esta é uma discussão complexa e que depende da completude do conhecimento

do mensurando e de todas as suas grandezas de influência. Também depende
do método estatístico utilizado para a determinação do mensurando e sua
respectiva incerteza. Neste item, será feita uma análise qualitativa de algumas
questões importantes para esta determinação. Serão tratados aspectos da
padronização de representação e do método estatístico escolhido.
3.6.1 Padronização da representação

O mensurando é resultado de um conjunto de operações experimentais e
matemáticas. Ao representar o resultado, deve haver uma preocupação em
indicar qual a dúvida que existe neste resultado. O número de algarismos deste
mensurando deve dar informações sobre esta dúvida.
Para que o leitor de um mensurando qualquer não seja induzido a crer que haja
significância igual em todos os algarismos apresentados, padronizou-se
escrever o número de algarismos do mensurando de forma compatível com os
de sua incerteza associada. Por exemplo, as representações abaixo de um
determinado mensurando X, são consideradas adequadas38:
X = (1,7382 ± 0,0019)
X = (1,738 ± 0,002)
onde o intervalo foi estimado, por exemplo, de forma a que o VC (valor

convencional) esteja nele contido, com, por exemplo, 95% de probabilidade.
No primeiro caso, ao indicar o valor mais provável de X com 5 algarismos

significativos é de se esperar que todos eles sejam confiáveis. Observa-se que
o último deles, o “2”, certamente é menos significativo que o penúltimo, o “8”, já
que a incerteza apresentada mostra que há dúvidas sobre ele. No segundo caso,
a representação torna-se mais real, já que o valor da grandeza é arredondado
para quatro algarismos, e a incerteza é compatibilizada para que as casas
decimais de ambos sejam coincidentes, recaindo a incerteza sobre o algarismo
“8”.
Assim, acrescentar mais um algarismo ao mensurando e, portanto, na sua

incerteza, parece desnecessário. Desta forma, a padronização proposta pela
38
Devendo também incluir a correspondente unidade do mensurando e sua incerteza.
112
ISO GUM (INMETRO, 2008) é de que a incerteza seja dada com, no máximo,
dois algarismos significativos, independentemente do método utilizado para se
determinar esta incerteza.
Vale lembrar que, em alguns casos, a incerteza é adotada como sendo o desvio
padrão de medidas de uma amostra. Se o número de amostras for significativo
frente à população e a distribuição for suficientemente conhecida, este desvio
padrão pode ser determinado com muitos algarismos significativos.
Aqui cabe uma avaliação criteriosa do operador:
• caso o objetivo da medição seja indicar o valor do desvio padrão da

distribuição, ele deve utilizar tantos algarismos quantos sejam
significativos (este ponto será discutido no próximo item);
• caso o objetivo seja indicar o valor mais provável desta medição, o desvio
padrão da distribuição é um excelente indicador da incerteza (tipo A) deste
valor. Ao adotar o desvio padrão como incerteza, o número de algarismos
deverá ser limitado a dois.
Para concluir, há diversos documentos que propõem uma padronização para o

uso de 1 ou 2 algarismos significativos para a incerteza. Com base no intervalo
resultante, podem ser identificados 3 tipos de orientação:
• use um algarismo, quando sua experiência indicar que este algarismo é

suficiente para definir os intervalos nos quais o mensurando tem
probabilidade de estar. Este é também o caso no qual o método escolhido
para identificar esta incerteza só permite estimar a sua ordem de
grandeza;
• use dois algarismos, quando o resultado vai ser utilizado para a
determinação de outro valor na sequência do processo. Neste caso, às
vezes a propagação desta incerteza com um único algarismo pode tornar
o intervalo resultante de todo o processo muito maior do que o razoável
em face à qualidade das medições. Este aumento do intervalo ocorre pois,
por questões de conservadorismo, a incerteza sempre deve ser
arredondada para cima, garantindo intervalos mais confiáveis para a
probabilidade pretendida;
• use um algarismo, se este for maior que 3 e dois se for menor. O
argumento é que, por exemplo, se um intervalo que garante 95% de
incidência for ±1,5, arredondá-lo para ±2 aumenta em demasia a
probabilidade de o valor estar neste intervalo. Reduzi-lo para ±1, por outro
lado, reduz demais esta probabilidade. Já arredondar ±8,5 para ±9
mantém os intervalos na mesma ordem de grandeza.
113
Maiores detalhes sobre os algarismos significativos para expressão da

incerteza da medição são apresentados no Apêndice B.
3.7 Comparação e Compatibilidade entre medições

As técnicas estatísticas permitem avaliar numericamente a probabilidade de dois
resultados serem compatíveis entre si. Assim em metrologia existem normas
(ISO 13528, 2015) que estabelecem os procedimentos e critérios para a
comparação de medições realizadas em diferentes laboratórios.
Em engenharia, não é suficiente dizer que os resultados experimentais foram

satisfatórios com relação a um determinado modelo teórico ou que o resultado A
é semelhante ao resultado B. É importante aplicar critérios quantitativos que
suportem essas afirmações, que podem ser muito subjetivas. Estando claro que
cada medição é invariavelmente acompanhada de sua respectiva incerteza, é
importante fazer a comparação de medidas não apenas através dos valores
obtidos para as grandezas, mas também levando em conta o intervalo em que
se estima que os valores verdadeiros se encontrem com uma certa
probabilidade.
Primeiramente definimos o conceito de discrepância, como a diferença entre dois

valores de medidas de uma mesma grandeza. Mais especificamente, a
discrepância é a diferença entre as duas melhores estimativas para o valor da
grandeza (TAYLOR, 2012). Suponhamos que dois estudantes meçam o
comprimento de uma mesma haste e reportem os resultados (1353) mm e
(1373) mm, sendo o intervalo (±3 mm) calculado com k = 1 , 68% de
probabilidade. A discrepância entre esses resultados será:
137-135= 2 mm.
Tendo em vista as incertezas associadas às medidas, é importante analisar se

essa discrepância é significativa ou não. Uma forma de visualizar a comparação
dos resultados é através do gráfico de barras, conforme ilustrado na Figura 3.19
a). Nesse caso, nota-se que as barras se interceptam, e que a discrepância é
menor que a incerteza dos resultados, indicando que não é significativa. Caso
os resultados apresentados pelos estudantes fossem: (135±1) mm e
(137±1) mm, com k = 1 , a discrepância teria o mesmo valor (2 mm) mas poderia
ser considerada significativa, pois as barras apenas se tocam, e seu valor é
superior às incertezas em questão (Figura 3.19 b)).
Quando a comparação é feita entre um valor experimental e o valor convencional

(VC) de uma grandeza, costuma-se considerar nula a incerteza associada ao
114
VC. Como exemplo, vamos supor um grupo de estudantes que mede a carga do
elétron obtendo como resultado e = (1,750,04).10-19 C, com intervalo
apresentado pela sua incerteza padrão ( k = 1 ). Ao comparar esse resultado com
o valor convencional e =1,60.10-19 C (com incerteza desprezível), obtém-se uma
discrepância de 0,15.10-19 C, maior que o valor de da incerteza=0,04.10-19 C,
indicando uma medida não satisfatória, que deveria ser repetida39.
Figura 3.19- Discrepância entre resultados de medidas:

a) discrepância não significativa; b) discrepância significativa
a) b)
140
138 138
137 137
136 136
135 135
134
134
132
Fonte: Próprios autores
Um critério de comparação muito utilizado em práticas interlaboratoriais (ou seja,

em processos de comparação de resultados da mesma grandeza obtidos por
diferentes laboratórios) é o denominado z’-score, através do qual se calcula o
parâmetro:
Va − Vb
z´= (3.32)
uV2a + uV2b
Onde os valores a serem comparados são acompanhados de suas respectivas

incertezas padrão ( k = 1 ):
Va  uVa e Vb  uVb
Os resultados serão considerados compatíveis caso z '  2 , e incompatíveis para

z '  3 . No intervalo 2  z '  3 recomenda-se que as medições sejam refeitas para
um melhor diagnóstico.
A justificativa para tais limites vem do fato de se considerar que os valores de z '
seguem uma distribuição normal, com média nula e desvio padrão igual a 1.
39
Embora o intervalo correspondente à incerteza padrão cubra apenas cerca de 68% de probabilidade de
que se encontre o valor verdadeiro da grandeza.
115
Assim, se Va for igual a Vb , apenas 0,3% dos casos amostrados estariam na faixa
z '  3 , e 5% dos casos corresponderiam à condição z '  2 . Portanto a
compatibilidade entre os resultados estaria garantida com nível de confiança de
95% para z '  2 .
Como exemplo, podemos utilizar os valores experimentais utilizados acima:

(1353) mm e (1373) mm, em função das incertezas padrão ( k = 1 ).
Aplicando-se a expressão (3.32), resulta:
135 − 137
z´= = 0, 47
32 + 32
Como z '  2 , considera-se que os resultados são compatíveis.
Caso os valores experimentais fossem (1351) mm e (1371) mm (com k = 1 ),

obteríamos:
135 − 137
z´= = 1, 41 , e os resultados ainda seriam considerados compatíveis,
12 + 12
pois z '  2 .
No entanto, considerando os resultados com menor incerteza (135,00,3) mm e

(137,00,3) mm (com k = 1 ), teríamos:
135, 0 − 137, 0
z´= = 4, 71 , e o critério z '  3 indicaria resultados incompatíveis,
0,32 + 0,32
embora a discrepância entre os valores Va e Vb fosse a mesma para os três
casos. Isso demonstra a importância dos valores das incertezas na comparação
entre resultados de medições.
Outra técnica ainda utilizada é o erro normalizado ( E n ), calculado utilizando as

incertezas expandidas com k = 2 , como (ISO13528, 2015):
Va − Vb
En = (3.33)
UV2a + UV2b
sendo UV = 2uV
a a
e UVb = 2uVb
Caso o erro normalizado E n seja menor ou igual a 1, os valores são

considerados compatíveis; se E n for maior que 1, os valores são considerados
incompatíveis.
116
Novamente utilizando os valores do exemplo acima, temos (1356) mm e

(1376) mm, agora apresentados com a incerteza expandida para k = 2 .
Aplicando-se a expressão (3.33), tem-se:
135 − 137
En = = 0, 236
62 + 62
Sendo E n <1, confirma-se a compatibilidade entre os resultados.
Nota-se que as expressões (3.32) e (3.33) são equivalentes, embora o critério

de compatibilidade para E n seja binário (compatível ou incompatível), sem ser
definido o intervalo em que se recomenda a repetição das medições, como
ocorre no critério do z’-score para 2  z '  3 .
3.8 Medições Correlacionadas

Até aqui foi abordada a propagação de incertezas correspondentes a grandezas
de influência independentes. Ou seja, para o caso de uma grandeza
G = f ( x, y, z,...) calculada a partir de variáveis x, y , z ,... independentes, com
incertezas padrão combinadas u x , u y , u z ,... , vimos que a incerteza combinada u c
é obtida a partir da soma das variâncias correspondentes, ou seja:
uc2 = cx2u x2 + c y2u y2 + cz2u z2 + ... (3.34)
onde cx , c y , cz ,... são os respectivos coeficientes de sensibilidade, conforme visto

no Item 3.5.1, sendo calculados pelas derivadas parciais da função G :
G G G
cx = ; cy = ; cz = ; ... (3.35)
x y z
No caso de medições dependentes, deve-se levar em conta o grau de

dependência entre uma medição e outra (INMETRO, 2008). Por exemplo,
medições realizadas com o mesmo instrumento, estarão correlacionadas e essa
dependência deverá ser levada em conta no cálculo da incerteza padrão
combinada.
Considerando o caso simples de uma grandeza G = f ( x, y ) calculada a partir de

duas variáveis x e y , dependentes, podemos obter a incerteza combinada a
partir de:
117
uc2 = cx2u x2 + c y2u y2 + 2cx c y u xu y r ( x, y ) (3.36)
onde r ( x, y ) é o coeficiente de correlação estimado entre as medidas x e y ,

podendo ser calculado por:
cov( x, y)
r ( x, y ) = (3.37)
uxu y
sendo cov( x, y ) a covariância entre as variáveis x e y .
Assim, a expressão (3.36) também pode ser escrita como:
uc2 = cx2u x2 + c y2u y2 + 2cx c y cov( x, y ) (3.38)
O coeficiente de correlação r ( x, y ) = r ( y, x) é um número adimensional, para o

qual vale: −1  r ( x, y )  1 . No caso de x e y independentes, resulta r ( x, y ) = 0 ,
o que significa que a variação numa das variáveis não implica em variação na
outra40, e a expressão (3.36) é simplificada para a expressão (3.34), com apenas
as variáveis x e y .
Experimentalmente, a covariância pode ser estimada pela relação (INMETRO,

2008):
1 n
cov( x, y )   ( xk − x )( yk − y )
n − 1 k =1
(3.39)
onde x e y são os valores médios para n pares independentes de medições

( xk , yk ) dessas variáveis.
Se as grandezas forem independentes, e n →  , a covariância deveria resultar

nula. No entanto, a covariância estimada por essa expressão poderá ser
diferente de zero mesmo quando não existe correlação entre as variáveis, visto
que n é finito. Para verificar a independência estatística, deve-se então observar
se:
cov( x, y )  u x ; cov( x, y )  u y ; e r ( x, y)  1
40
Existem casos particulares em que o coeficiente de correlação pode ser nulo, mesmo havendo
correlação entre as grandezas. Ou seja, grandezas independentes possuem correlação nula, mas o inverso
pode não ser verdadeiro (VUOLO, 1996).
118
Para funções de várias variáveis, a expressão (3.36) poderá ser expandida com
termos que relacionam as variáveis duas a duas, através dos coeficientes de
correlação de cada par (INMETRO, 2008).
No caso particular em que todas as grandezas de influência x1 , x2 ,....xn sejam

correlacionadas com coeficientes de correlação iguais a ±1, a expressão da lei
da propagação da incerteza será dada por (INMETRO,2008):
2
 n 
u =   ci u xi 
2
c
(3.40)
 i =1 
Como exemplo, vamos considerar um caso simples, onde o mensurando seja

dado pela área A de um retângulo de largura l e comprimento c , com
incertezas padrão combinadas ul e u c respectivamente. Neste caso, o modelo
matemático do mensurando é dado por A = l.c e a incerteza padrão combinada
será obtida a partir de:
A A
u A2 = l 2uc2 + c 2ul2 , pois cc = =l e cl = =c
c l
Agora, vamos considerar que todas as medidas de largura resultaram iguais a

todas as medidas de comprimento, assim como as suas incertezas, isto é,
observamos que l = c e ul = uc . Desta forma, a incerteza da área seria obtida a
partir de:
u A2 = 2l 2uc2 = 2c 2ul2
Vamos agora considerar que o modelo matemático do nosso mensurando seja

definido como a área de um quadrado de lado l , ao invés de um retângulo. Então
A = l 2 , e a incerteza seria obtida de:
A
u A2 = 4l 2ul2 , pois cl = = 2l
l
resultando ser o dobro da expressão anterior.
Observe que a incerteza obtida com o primeiro modelo (retângulo) é incompatível

com a incerteza do outro (quadrado). Isto acontece porque, no segundo caso,
temos que a medida da largura foi automaticamente correlacionada com a
medida do comprimento, com fator de correlação unitário, r (l , c) = 1 , pois são
consideradas medidas idênticas, sob a hipótese do objeto ser um quadrado.
Se partimos da hipótese de que o objeto foi construído como um quadrado (a

partir de uma dimensão de referência para representar o lado l ), devemos
119
considerar essa correlação, mesmo fazendo as medições de ambos os lados, e

utilizar a expressão (3.36) para obter a incerteza padrão, isto é:
u A2 = cl2ul2 + cc2uc2 + 2cl ccul uc r (l , c)
Fazendo l = c ; ul = uc = 2l ; e r (l , c) = 1 ; tem-se que:
u A2 = 2l 2ul2 + 2l 2ul2 = 4l 2ul2
coincidindo então com a expressão da variância obtida para o modelo original do

quadrado.
Nota-se através desse exemplo, que a incerteza padrão combinada poderá ser
subdimensionada se não forem levados em conta efeitos de correlação entre as
variáveis que constituem grandezas de influência do mensurando. Essa análise
de correlação deve ser feita a partir de medidas prévias das variáveis, de forma
a ser adotado um modelo matemático próximo do real ao se efetuar o cálculo da
incerteza padrão combinada.

Nestes exercícios, para fins de simplificação de notação, suponha que, quando
não declarado, o fator de abrangência seja k = 1 .
1- Na medição do comprimento de uma peça utilizando-se uma régua

milimétrica plástica de baixo custo (menor divisão=1mm), foram realizadas
várias leituras, e os resultados estão dispostos na Tabela 3.5. Após a
realização das medições, verificou-se que a régua tinha comprimento total
5% maior do que uma régua de boa qualidade (considerada “padrão”).
a) Como seria possível corrigir as medidas obtidas, devido ao efeito

sistemático produzido pela “dilatação” da régua?
b) Após esta correção, determine o valor mais provável do comprimento da
peça, estimando sua incerteza padrão combinada.
c) Qual a incerteza dominante no cálculo da incerteza final?
Tabela 3.5- Resultados de medições do comprimento de uma peça
Medidas em mm
217,0 217,3 217,4 217,1 217,2 217,5 217,3 217,6 217,2 217,0
120
2- Na determinação da área de uma superfície triangular, foram realizadas

medições da base B e da altura A do triângulo, utilizando-se uma régua
milimétrica metálica de boa qualidade (menor divisão=0,5 mm). Os
resultados estão dispostos na Tabela 3.6.
Determine o valor da área da superfície, com o respectivo intervalo de

confiança de 95%.
Tabela 3.6 – Resultados das medições da base B e altura A de superfície

triangular
B (mm) 40,2 39,8 40,1 40,5 40,0 39,9 40,2 40,4 40,3 40,0
A (mm) 25,3 25,4 24,9 25,1 25,0 24,8 25,2 25,1 25,0 24,9
3- A resistência elétrica de um fio de cobre em função da temperatura T é dada

por:
R = R0 [1 +  (T − 20)]
sendo R0 = 6   0,3% , o valor da resistência a 20 oC e  = 0, 004 o C-1  1%

o coeficiente de temperatura.
Determine o valor da resistência do fio à temperatura T = (30  1) o C .
Apresente o resultado com a respectiva incerteza expandida, com k = 2 .
4- O índice de massa corpórea (IMC) vem sendo utilizado para avaliação da

saúde de homens e mulheres. Sua definição é: IMC = massa/(altura)2.
Pergunta-se:
a) Qual é a unidade do mensurando, no sistema internacional de unidades?

b) Quais são as principais grandezas de influência do mensurando?
c) Avalie as dificuldades na definição deste mensurando (por exemplo, a
massa não é constante durante um dia, etc.).
Sugira então uma definição mais completa deste mensurando.
d) Construa o diagrama de Ishikawa para este mensurando, conforme sua
definição do item c).
e) Calcule os coeficientes de sensibilidade para as grandezas massa e
altura. Caso os equipamentos de medição da massa e da altura possuam
a mesma incerteza relativa, e havendo possibilidade de trocar um dos
equipamentos (apenas um) por outro de menor incerteza relativa, qual
deles deve ser trocado? Justifique.
f) Algumas referências fornecem os valores da Tabela 3.7.
121
Sabendo-se que uma pessoa possui massa de 90 kg, e altura de 1,80 m,

calcule o IMC (com sua incerteza padrão combinada). Considere que a
massa possui uma incerteza padrão de 5% e a altura, de 5% (despreze
outras grandezas de influência).
Tabela 3.7 – Valores do IMC e Condição do peso
IMC Condição do peso

abaixo de 18,5 Abaixo do peso
18,5 a 24,9 Normal
25,0 a 29,9 Sobrepeso
acima de 30 Obeso
Fonte: http://www.saude.pr.gov.br/modules/noticias/article.php?storyid=4352&tit=Indice-Massa-
Corporal-IMC
g) Considerando-se que para um erro normalizado ( E n ) maior que 1 (100%),

pode-se afirmar que há diferença significativa entre valores, verifique a
partir de que massa, medida com a incerteza de 5%, uma pessoa com
altura de 1,80 m, com incerteza padrão de 5%, poderia ser classificada na
condição de sobrepeso.
5- Ao medir cinco períodos de oscilação de um pêndulo, utilizando um

cronômetro, foram obtidos os valores dispostos na Tabela 3.8. Pede-se:
a) Calcule a média x e o desvio padrão  dos valores obtidos.

b) Calcule a incerteza associada ao desvio padrão, através da expressão
(B1), abaixo reproduzida:
u 1
= , sendo N o número de leituras realizadas.
 2( N − 1)
c) Escreva os limites  − u e  + u do intervalo   u ] com um, dois e

três algarismos significativos.
d) Avalie, a partir dos resultados do item c) qual é a estimativa razoável para
o valor do desvio padrão  , ou seja, com quantos algarismos
significativos é razoável representar esse valor?
e) A partir dos resultados calculados, determine o valor mais provável do
período de oscilação do pêndulo e sua incerteza (considerando apenas a
componente de incerteza tipo A).
Tabela 3.8 – Medidas de cinco períodos de oscilação de um pêndulo
t5 (s) 7,53 7,38 7,47 7,43

122
6- Um aluno mede os dois lados x e y de uma superfície retangular, a fim de

obter o valor de sua área ( A  u A ) . Para isso, utiliza o mesmo instrumento,
obtendo os pares independentes de resultados apresentados na Tabela 3.9.
Determine o valor mais provável da área e de sua respectiva incerteza padrão
(considerando apenas as incertezas do tipo A), levando em conta a
correlação entre as medições, visto que foram realizadas com o mesmo
instrumento.
Tabela 3.9 – Medidas dos lados x e y de uma superfície retangular
k 1 2 3 4
x (m) 20 23 23 22
y (m) 30 32 35 31
123
124
Capítulo 4- Equipamentos e Instrumentação
4.1 Arquitetura geral de um sistema de medição

O grau de desenvolvimento de uma sociedade industrializada pode ser avaliado
pelo uso que esta faz de instrumentos de medição, definidos como dispositivos
para detectar, medir, registrar ou controlar a variação de parâmetros em um
processo. Em centros de pesquisa e indústrias em todo o mundo, a demanda
por estes sistemas é cada vez maior, porque eles representam segurança no
trabalho e deles depende a qualidade e a correta especificação no fornecimento
das informações da grandeza física monitorada, seja local ou remotamente.
O processo de medição em geral envolve a utilização de um instrumento ou

equipamento para se obter o valor de uma grandeza de interesse. O instrumento
atua como uma extensão da capacidade humana e, com os avanços
tecnológicos, permite medições cada vez mais complexas e com crescente grau
de exatidão. No entanto, os equipamentos em si também são grandezas de
influência que afetam o resultado final da medida e a incerteza associada. Desta
forma, o usuário deve compreender sua arquitetura básica, seus princípios de
funcionamento e suas especificações para poder avaliar sua adequação à
aplicação desejada, e para identificar as fontes e quantificar as incertezas que
estarão associadas ao resultado da medição. Por instrumentação entende-se
como o conjunto de técnicas voltado para o desenvolvimento e construção de
sistemas e métodos de medição, com o intuito de registrar e controlar os
parâmetros de um processo.
Os sistemas e instrumentos de medição podem ser representados, de forma

geral, pelo esquema da Figura 4.1, composto por blocos básicos que executam
as funções de sensoriamento, processamento, armazenamento e apresentação
do resultado da medição. Em termos gerais, os sistemas de medição atuais
consistem em sistemas de aquisição e processamento de dados, que coletam
informações para armazenamento ou apresentação, e eventualmente para
posterior processamento.
Às vezes, a variável de interesse num sistema de medição não é

necessariamente o mensurando, mas está relacionada ao mesmo de alguma
125
maneira. Por exemplo, a massa de um objeto é normalmente medida através do

processo de pesagem, em que o mensurando é a massa, mas a grandeza física
é a força exercida no objeto pelo campo gravitacional da Terra.
Figura 4.1 – Diagrama de blocos de um sistema de medição
O módulo sensor-transdutor tem como função detectar o fenômeno que contém

a grandeza a ser medida. Segundo o VIM (INMETRO, 2008), sensor é um
elemento de um sistema de medição que é diretamente afetado por um
fenômeno, corpo ou substância que contém a grandeza a ser medida (por
exemplo, temperatura, pressão, dimensão física, som, luz, etc.). Por outro lado,
o transdutor é um conversor de energia, fornecendo uma grandeza de saída que
tem uma correlação específica com a grandeza de entrada. Deve-se ressaltar
que na maioria dos sistemas de medição, a grandeza de saída deste módulo
consiste num sinal elétrico (tensão ou corrente). A relação entre entrada e saída
poderá ser linear, logarítmica ou representada por qualquer outra função,
inclusive de forma empírica, sendo conhecida como função de transferência.
Os sinais fornecidos pelo módulo de sensoriamento são, não raramente, da

mesma ordem de grandeza dos níveis de ruído envolvidos na própria medição.
Assim, eles devem ser processados ou pré-processados para as etapas
subsequentes do sistema, função que é executada pelo primeiro bloco de
condicionamento (por exemplo, através de amplificadores e filtros). Esse bloco
de condicionamento primário, além de melhorar a denominada relação
sinal/ruído, pode realizar também a conversão do sinal e a sua formatação para
maior eficiência de processamento (por exemplo, a conversão de sinal analógico
para sinal digital, denominada conversão AD). Todas estas etapas de
processamento devem garantir que a informação original detectada seja
preservada, visando a fidelidade da medição.
Os sistemas de medição podem requerer o armazenamento das informações

detectadas, a partir das quais é obtido o resultado almejado, ou para registro
cumulativo das informações. Por sua vez, o módulo de saída permite a interface
do sistema com o operador humano, e pode ser composto por controles (por
exemplo, teclas e botões) fáceis de serem manipulados, bem como indicadores,
126
em que a informação possa ser devidamente apresentada. A indicação do valor

medido pode ser representada de forma visual ou acústica, ou registrada através
da transferência para outro dispositivo (como por exemplo, um computador).
Assim, utiliza-se, tipicamente, um ponteiro sobre um mostrador ou escala, para
saídas analógicas; um número apresentado num display ou impresso, para
saídas digitais; uma configuração codificada para saídas em código. São
comuns também apresentações gráficas em telas, terminais de vídeo,
registradores ou impressoras. O bloco de condicionamento secundário realiza a
adaptação do sinal para os diversos tipos de interface e display.
Alternativamente, o bloco de saída de um instrumento pode produzir um sinal,
tipicamente elétrico, que alimentará outro instrumento mecânico ou elétrico,
como um atuador ou um computador.
Em alguns sistemas, a informação obtida pode realimentar o próprio processo

de medição e provocar um autoajuste do sistema, através de ramos de
realimentação, conforme representado na Figura 4.1.
Embora os equipamentos estejam constantemente evoluindo com os avanços

da tecnologia, principalmente nas áreas de materiais, eletrônica, computação,
processamento de sinais e comunicação, deve-se ter em mente que os
instrumentos e sistemas de medição continuam sendo compostos pelos mesmos
módulos básicos, e têm como objetivo principal conectar uma informação ao
mundo físico. A partir da propriedade física de interesse e dos requisitos de
interface desejados, o projeto dos módulos e os recursos utilizados em sua
implementação determinam a fidelidade com que é realizada a transformação
entre a grandeza a ser medida e o resultado obtido. Deve-se ter em mente
também que em sistemas eletrônicos de medição típicos, a precisão e exatidão
da medida obtida poderão ser afetadas basicamente por três fontes de ruído: o
ruído ambiente; o ruído introduzido na transdução do sinal do sensor para um
sinal elétrico; o ruído de quantização gerado no processo de conversão
analógico-digital.
Para ilustrar a estrutura básica de um sistema de medição, tomemos alguns

exemplos simples. Vejamos inicialmente uma balança de mola, como essas
utilizadas até hoje em feiras livres, para medir o peso de legumes e frutas (Figura
4.2 a)). A grandeza de interesse é, na verdade, a massa m do objeto que se
quer avaliar. No entanto, o princípio físico utilizado, é a força que o campo
gravitacional da Terra exerce sobre essa massa, resultando no que
denominamos força-peso ou, simplesmente, peso P = mg . Assim, essa balança
simples utiliza como elemento sensor/transdutor uma mola, que é esticada pelo
efeito do peso do objeto, transformando o peso P numa extensão de
comprimento x . Essas grandezas, no caso mais simples, podem ser
relacionadas por uma função de transferência linear, correspondente à lei física
127
de Hooke (ISAACPHYSICS), em que P = − k .x . k é a constante elástica da

mola, que depende do material e da geometria da mola, e o sinal negativo indica
que a força elástica produzida pela mola é oposta à força peso do objeto. Temos
então uma conversão de formas diferentes de energia mecânica potencial e
cinética. No equilíbrio do sistema, temos então a medição de x e posterior
obtenção de P , e finalmente da massa m .
A interface do sistema com o operador humano consiste numa escala e um

ponteiro, através dos quais a leitura pode ser feita diretamente em unidades de
força (N no SI) ou massa (kg) (supondo-se um valor convencional para o valor
da aceleração da gravidade g nesse último caso). É importante notar que a
característica da escala (linear ou não linear), a resolução da escala (menor
divisão) e os limites mínimo e máximo de utilização da balança irão depender
basicamente das características do elemento transdutor (isto é, da mola), visto
que não há blocos condicionadores nesse sistema.
Na Figura 4.2 b) uma variante desse sistema simples ilustra como a extensão da
mola produzida pelo objeto pode ser convertida para uma tensão elétrica, que
passa a ser o sinal de saída do instrumento. O ponteiro acoplado à extremidade
da mola servirá como contato elétrico de um potenciômetro. Assim, o circuito
elétrico associado corresponde a um divisor de tensão alimentado com a tensão
constante de uma bateria. Nessa construção, a tensão de saída será maior
quanto maior a resistência, correspondente a uma menor deflexão da mola, e,
portanto, a um peso menor do objeto. O transdutor converte então a energia
mecânica da mola (sensor) na energia elétrica do sinal de saída. Este poderá
alimentar uma interface analógica de ponteiro, ou mesmo ser convertida num
sinal digital para alimentação de um display.
Na Figura 4.3 é apresentado o esquema de um sistema mais complexo para

medição de força (dinamômetro ou balança). Como em vários instrumentos
desse tipo, o sensor consiste num extensômetro (strain gage) associado a um
circuito condicionador denominado Ponte de Wheatstone. Esse conjunto
consiste na “célula de carga”. O extensômetro é um elemento metálico ou
semicondutor, cuja resistência elétrica varia de acordo com a deformação
mecânica a que é submetido (tração ou compressão) (BALBINOT, 2011). Ao ser
montado como um dos braços de uma ponte de Wheatstone (Figura 4.4)
inicialmente equilibrada, a variação R da resistência do sensor irá produzir uma
variação de tensão elétrica V , proporcional à força aplicada no sensor. A
tensão elétrica pode ser amplificada e convertida para configuração digital antes
de alimentar o display do instrumento (Ver Item 4.5.4).
128
Figura 4.2 – Balança de mola: a) mecânica; b) com transdutor elétrico
a) b)
Figura 4.3 – Esquema de um dinamômetro
strain Ponte de Força

Força
gage Wheatstone e voltímetro medida
aplicada
amplificador
Condicionador
Sensor/transdutor de sinal Display
129
Figura 4.4- Ponte de Wheatstone com extensômetro (strain gage) em um dos braços e
resistores nos outros três braços
4.2 Elementos básicos de instrumentação

Nesse Item serão descritos com maiores detalhes os blocos estruturais de um
sistema de medição conforme ilustrado na Figura 4.1, destacando a influência
desses elementos básicos de instrumentação nas medições realizadas.
4.2.1 Sensores e Transdutores

Com os avanços nos sistemas computacionais, os sensores estão se tornando
cada vez mais sofisticados para atender as necessidades de interação dos
sistemas de instrumentação com o meio ambiente. Atualmente, os sensores
incorporam circuitos eletrônicos integrados, o que os torna menos sensíveis às
variações indesejáveis do ambiente e permitem sua fácil conexão nos sistemas.
A aplicação adequada dos sensores requer uma compreensão do fenômeno
físico envolvido e dos princípios de funcionamento do componente.
Os termos sensores e transdutores são definidos por vários autores de formas

diferentes, sendo uma questão que ainda não apresenta uniformidade
(BALBINOT, 2011). As definições abaixo diferenciam os dois elementos da
seguinte forma:
130
• Sensor- É um dispositivo que contém um elemento sensitivo, e que

responde ao estímulo de uma grandeza físico/químico chamada de
variável de instrumentação (por exemplo, calor, luz, som, distância,
pressão, umidade, pH, etc).
• Transdutor- É um dispositivo que transforma um tipo de energia em outra,
utilizando para isso um elemento sensor. Há vários tipos de transdutores,
como: eletroacústico, eletromagnético, eletromecânico, fotoelétrico, etc.
Um sensor ideal deverá obedecer às seguintes regras:
• Deverá ser sensível à propriedade física a ser medida;

• Deverá ser insensível a qualquer outra propriedade que influencie na
propriedade física a ser medida.
O conjunto sensor/transdutor é o elemento responsável pela captação e

transmissão de informação e energia entre a grandeza a ser medida e o sistema
de instrumentação. Com os avanços da ciência e tecnologia, há atualmente uma
grande diversidade de sensores que a literatura classifica de acordo com o tipo
de aplicação e da grandeza a ser detectada:
• Sensor de luz: Fotoresistivos; fotodiodo; fototransistor; células solares;

etc.
• Sensor de temperatura: termômetro; termopar; termistor; termostato; etc.
• Sensor de pressão: barômetro; barógrafo; variômetro; etc.
• Sensor de aproximação: magnéticos; capacitivos; indutivos; ópticos; etc.
• Sensor de som: microfone; hidrofone; sísmico; etc.
• Sensor de calor: bolômetro; calorímetro; etc.
• Sensor de eletricidade: galvanômetro; amperímetro; voltímetro; etc.
• Sensor magnético: magnetômetro; de Hall; compasso magnético; etc.
• Sensor de movimento: velocímetro; tacômetro; hodômetro; etc.
• Sensor químico: pH meter; eletrodo-seletivo; sonda-lambda; etc.
De acordo com a sua utilidade e exigência nas medições, os sensores podem

ser classificados através das seguintes características, que serão apresentadas
no item 4.3.
• Faixa de operação;
• Resolução;
• Precisão;
• Linearidade;
• Sensibilidade;
• Tempo de resposta;
• Desempenho dinâmico; etc.
131
Essas características consistirão em grandezas de influência para a medição,

associadas ao elemento sensor/transdutor. Em outras palavras, a linearidade,
faixa de operação, ruído e resposta dinâmica do sensor irão determinar a
resolução, sensibilidade e banda de operação do sistema de medição.
De acordo com o desempenho, os sensores podem ser classificados em dois

grupos:
➢ Sensores ativos: os dispositivos precisam de uma fonte de energia

elétrica alternada (CA) ou contínua (CC) para interagir com o meio
ambiente. Exemplo: radar, sonar, etc.
➢ Sensores passivos: aqueles que não precisam de uma fonte de energia
externa, gerando um sinal de saída, em resposta ao estímulo de entrada.
Exemplo: termopares, papel de tornassol (indicador de pH), coluna de
álcool num termômetro, etc.
No caso de instrumentação eletrônica, a grandeza física a ser medida poderá

alterar a resistência, capacitância ou indutância do sensor. Outros sensores
atuam como geradores de tensão, de corrente ou carga, de acordo com os
valores da grandeza física com a qual são estimulados.
É vasta a literatura e o conteúdo sobre sensores e transdutores e suas

aplicações em sistemas de instrumentação, sendo importante consultá-la para
se aprofundar sobre esse tópico. Alguns exemplos para consulta sobre esse Item
são (OLIVER, 1972), (DOEBELIN, 1976), (FRADEN, 1993), (BHUYAN, 2011) e
(NORTHROP, 2014).
4.2.2 Condicionadores e Conversores

Os sinais obtidos na saída dos sensores ou transdutores possuem normalmente
baixa intensidade e estão sujeitos a ruído ambiente ou ruído gerado no próprio
sensor. A função de transferência desses elementos poderá também muitas
vezes ser não linear, o que dificulta a correlação entre a grandeza a ser medida
e o sinal a ser processado. Dessa forma, os sistemas de medições contêm
módulos condicionadores que amplificam e filtram o sinal de saída dos sensores,
de forma a melhorar a relação sinal/ruído, além de aplicar procedimentos de
compensação de não linearidades e correção de variações do sinal com a
temperatura, por exemplo. Poderão ser também realizadas operações
matemáticas com os sinais, tais como adição, integração e modulação, e a
flexibilidade de se realizar esses procedimentos com sinais elétricos justifica a
conversão de outras grandezas, por exemplo, térmicas ou mecânicas, para
grandezas elétricas.
132
A maioria dos sistemas de medições atuais converte o sinal analógico

condicionado para o formato digital, para maior facilidade de processamento e
armazenamento em memórias ópticas ou magnéticas. Nesse caso, antes da
inserção nos conversores analógico-digitais (AD), o sinal também deverá passar
por um filtro passa-baixas anti-rebatimento (anti-aliasing), de forma a cortar
componentes de altas frequências e atender aos critérios do teorema da
amostragem de Nyquist-Shannon (NYQUIST-SHANNON), conforme explicado a
seguir.
O sinal analógico, gerado pelos sensores, é uma função contínua (no tempo)
associada à variável do processo que se deseja medir. Em sinais analógicos, o
valor preciso da quantidade contendo a informação (tensão elétrica, rotação,
deslocamento, nível, força, pressão, etc.) é relevante. Os sinais digitais, por outro
lado, são de natureza binária, e resultam dos valores de amostras do sinal
analógico original, tomadas em determinados instantes (Figura 4.5).
A classificação de um instrumento em analógico ou digital não se restringe

apenas ao formato do mostrador, ou indicador do resultado (ponteiro ou display),
mas principalmente na forma como o sinal proveniente do sensor/transdutor é
processado.
Figura 4.5- Sinal analógico e amostras do sinal que compõem um equivalente digital
A conversão analógico-digital envolve as etapas de amostragem, quantização e

codificação do sinal analógico.
133
O processo de amostragem é responsável pela conversão de um sinal contínuo

no tempo em um sinal discreto no tempo, ou seja, é responsável pela
discretização do sinal no domínio do tempo. No processo de amostragem, as
amostras são obtidas a cada intervalo de tempo T , também conhecido como
período de amostragem. Já a taxa de amostragem é dada pelo seu inverso, ou
seja, f a = 1 / T . Quanto maior a taxa de amostragem, maior será a capacidade
de um dispositivo de capturar as variações de amplitude do sinal ao longo do
tempo. O Teorema da amostragem de Nyquist-Shannon explica a relação entre
a taxa de amostragem e a frequência do sinal medido. Esse teorema diz que a
frequência de amostragem f a (também conhecida como taxa de Nyquist) deve
ser maior que o dobro da componente de maior frequência ( f N ) que se quer
analisar no sinal medido, ou seja: f a  2 f N . Assim, para que a informação
amostrada possa ser recuperada com um grau de fidelidade aceitável, a taxa ou
frequência de amostragem deve ser maior que duas vezes a maior componente
de frequência do sinal de interesse.
Os processos de quantização e codificação atribuem, para uma determinada

faixa de valores do sinal, um código binário de N bits. Consequentemente, um
N
conversor AD de N bits é capaz de fornecer 2 códigos distintos em sua saída.
Em um conversor AD uniforme (isto é, com degraus de quantização iguais) e
unipolar (isto é, que opera com sinais de tensão de polarização única: ou positiva
ou negativa), cada intervalo de tensão corresponderá a um código binário de
saída, como pode ser visto através da Figura 4.6, para um conversor de 4 bits.
O tamanho de cada intervalo é chamado de passo de quantização, representado

por V , e pode ser calculado como sendo:
Vref
V =
2N (4.1)
onde Vref é a tensão de referência, conhecida também como sendo a tensão de

fundo de escala.
No exemplo da Figura 4.6 está representada a função de transferência de um
conversor AD de 4 bits com tensão de referência igual a 5 volts. Em um
conversor ideal, as transições entre um código e outro ocorrem exatamente a
cada V e os pontos de transição dos degraus caem sobre uma reta, que
chamamos de reta ideal.
Observe que, no exemplo da Figura 4.6, a primeira transição ocorre para a
5
tensão de entrada igual a um V (ou seja, V = 4 = 0,3125 V ).
2
134
Figura 4.6- Função de transferência ideal de um conversor AD unipolar de 4 bits,

com tensão de referência Vref igual a 5 volts
Código da saída
digital
Saturação
1111
Reta ideal
1110
1101
1100
1011
1010
1001
1000
0111
0110
0101
0100
0011
0010
0001
Tensão de entrada
0000
analógica em volts
0,3125
0,6250
0,9375
1,2500
1,5625
1,8750
2,1875
2,5000
2,8125
3,1250
3,4375
3,7500
4,0625
4,3750
4,6875
5,0000
Na etapa de codificação, cada um dos níveis é escrito como uma palavra de N

bits, onde N é o número de bits desta palavra e 2N é o número de níveis de
quantização. Por exemplo, para codificação com N = 3 bits, haverá 2 N = 8 níveis de
quantização.
O número de níveis de quantização depende exclusivamente do número de bits

N que será utilizado na codificação. Desta forma, quanto maior o número de bits,
maior será a quantidade de níveis. Neste caso, não existe um valor mínimo de
níveis como existe para a taxa de amostragem. Ou seja, sempre haverá perda
da informação. Esta perda é dada pela diferença entre o sinal discreto no tempo
e o sinal quantizado. Esta diferença é também conhecida como erro de
quantização. Quanto menor for o erro de quantização, melhor será o processo
de quantização. Note-se também que quanto maior a quantidade de níveis de
quantização, melhor será a resolução do sistema, e portanto, maior será a
qualidade da medição realizada a partir do sinal digitalizado. No entanto, maior
também terá de ser a capacidade de armazenamento do sistema. Tanto o erro
de quantização quanto a incerteza no processo de quantização estão
relacionadas com o passo de quantização.
135
Para o cálculo da incerteza padrão relacionada ao processo de conversão

analógico-digital, costuma-se considerar a expressão (RATCLIFFE, 2015):
V Vref
u= = N (4.2)
2 3 2 12
Após a digitalização do sinal, pode ser necessário convertê-lo novamente para

a sua forma original, isto é, torná-lo analógico de novo para apresentação de um
valor numérico decimal como resultado da medição. Isto pode ser feito através
de um conversor digital-analógico (DA). Em um conversor DA cada código
binário é então transformado em um nível de tensão, como pode ser visto através
da Figura 4.7, para um conversor de 4 bits.
Figura 4.7- Função de transferência ideal de um conversor DA unipolar de 4 bits,

com tensão de referência Vref igual a 5 volts
Tensão de saída
analógica em
volts
4,6875
Reta ideal
4,3750
4,0625
3,7500
3,4375
3,1250
2,8125
2,5000
2,1875
1,8750
1,5625
1,2500
0,9375
0,6250
0,3125
Código binário de
entrada
0000
0001
0010
0011
0100
0101
0110
0111
1000
1001
1010
1011
1100
1101
1110
1111
136
Tanto em um conversor AD quanto em um conversor DA podem existir alguns

erros41 na conversão, tais como o erro de offset, o erro de ganho, e os erros de
não linearidade diferencial (DNL) e não linearidade integral (INL). Estes e outros
fatores contribuem para a composição da exatidão absoluta de conversores AD
e DA (STALLER, 2005).
Nota-se então que nas etapas de conversão AD e DA, o sinal analógico de

interesse, proveniente da grandeza a ser medida poderá sofrer perda de
informação que afetará a resolução e exatidão do resultado. No entanto, são
significativas as vantagens do sinal digital em relação ao sinal analógico, em
instrumentação: imunidade a ruídos, que podem adulterar a informação original
de um sinal (já que operam com apenas dois níveis de sinais, correspondentes
aos bits 1 e 0); operação em baixas tensões (alguns volts); facilidade de
condicionamento do sinal (filtragem, operações matemáticas, visualização
gráfica, apresentação em displays alfanuméricos, etc.); leitura direta, sem
necessidade de interpolação; facilidade de transferência e armazenamento em
computadores, microcontroladores e redes de instrumentação.
A escolha correta de um equipamento para realizar uma medição de interesse

deve estar baseada na seleção dos equipamentos com DAC’s (conversores
digital-analógico) e ADC’s (conversores analógico-digital) adequados, visto que
esses conversores têm um efeito proeminente no desempenho do instrumento
escolhido. Assim, um conversor com alta resolução utiliza um número grande de
bits para representar cada amostra, fornecendo melhor qualidade do sinal
medido.
4.2.3 Interfaces, Armazenamento e Displays

A Interface Homem-Máquina HMI (do inglês Human Machine Interface) é uma
interface que permite trocas de informações entre o homem e um dispositivo,
equipamento ou processo. Através dessa interação é possível monitorar, acionar
e modificar parâmetros remotamente. Assim, pode-se oferecer flexibilidade,
segurança e confiabilidade aos sistemas de medição, proporcionando respostas
rápidas a ações de monitoramento e acionamento.
Atualmente, o controle, a supervisão, a exibição e a aquisição de dados de um

processo ou equipamento são normalmente realizados utilizando-se um
41
Aqui e no VIM (INMETRO, 2012) a palavra “erro” significa que o valor indicado não está correto. Se o
erro for conhecido, ele deve ser corrigido. Se for possível estimar um valor numérico para a dúvida da
correção realizada, este valor é a incerteza.
137
computador ou um microcontrolador digital, e para que a interação homem-

processo seja realizada de forma apropriada, é necessário que exista uma
interface e o respectivo display do processo e/ou equipamento (JAMES, 2000).
O desenvolvimento das interfaces também tem permitido que se trabalhe de
maneira remota utilizando-se computadores, smartphones e tablets, e seu
desenvolvimento envolve tanto o hardware quanto o software.
Interfaces: barramentos, protocolos e drivers

A transferência de dados entre um computador e um dispositivo periférico de
controle e aquisição de dados é muito importante nos sistemas modernos de
instrumentação. O dispositivo de interface de controle e aquisição de dados é
aquele que facilita a conexão dos sensores e atuadores com o computador.
Estes dispositivos podem ser classificados de acordo com a capacidade de
processamento, bem como pela forma como transferem os dados a partir do
computador e em direção ao computador.
Quando os sensores e/ou atuadores encontram-se em uma posição remota, é

requerida uma conexão serial externa ou um barramento paralelo para a
transmissão de dados e comandos entre o computador e o dispositivo de
controle e aquisição de dados.
Os barramentos podem ser divididos em duas categorias:
a) Os barramentos internos ao computador, os quais estão integrados ao

computador; e
b) Os barramentos externos, os quais podem ser do tipo serial ou paralelo.
O sistema de barramento serial é aquele no qual os dados são transmitidos bit a

bit, enquanto que o sistema de barramento paralelo possui uma linha de sinais
separados para cada bit, a qual permite que um byte, palavra ou palavra dupla
possam ser transmitidos em uma única operação, permitindo assim altas taxas
de transferência de dados.
Atualmente há disponíveis diversos tipos de barramentos para sistemas de

medições e aquisição de dados. A escolha daquele mais adequado para uma
determinada aplicação depende das características desejadas. Vários
parâmetros técnicos servem de critério na escolha de um barramento, sendo os
mais importantes: a largura de banda (que mede a taxa com que os dados serão
enviados, tipicamente em Mb/s (megabits por segundo), sendo mais alta essa
taxa quanto mais larga for a banda); e a latência (que mede o atraso na
transmissão dos dados através do barramento).
138
Outros critérios estão relacionados aos protocolos de comunicação, que podem

ser realizados através de mensagens (normalmente utilizados para comunicação
em longas distâncias, e são geralmente mais lentos porque este modo de
comunicação adiciona um atraso na forma de interpretação do comando e
interpretação dos dados); ou através de registros (em que a transferência dos
dados ocorre com a escrita e leitura direta dos dados binários nos registradores
do hardware no dispositivo, resultando em uma transferência mais rápida.
Protocolos com comunicação baseada em registro são mais comuns em

barramentos internos de PCs, onde as interconexões são fisicamente menores
e são necessárias maiores taxas de transferências. O desempenho em longas
distâncias, incluindo a imunidade dos cabos a ruídos eletromagnéticos, é
importante para aplicações de monitoramento remoto e para sistemas que
envolvem medições ao longo de uma grande área geográfica. A facilidade de
uso em termos de configuração do instrumento (inicialização do instrumento para
uso, a partir da retirada da embalagem) e desempenho do software
(disponibilidade de utilitários interativos ou API- Interfaces para Programação da
Aplicação- para comunicação e controle com o instrumento) deve também ser
levada em conta na escolha do barramento, assim como a robustez do conector,
que fará a ligação entre o instrumento e o sistema controlador.
A tecnologia de comunicação sem fio permite a comunicação (envio e recepção

de dados) entre dispositivos e destes com a internet (redes TCP/IP), sem a
necessidade de cabos. Atualmente vários protocolos, tais como ZigBee, WiFi,
Bluetooth e WiMax são utilizados nesse processo, para compatibilização dos
diferentes hardwares disponíveis. Cada um desses protocolos tem vantagens e
limitações, e seu desenvolvimento contínuo tem expandido seu uso e aplicações
(IEEE PROTOCOLS, 2019).
Com relação à comunicação do instrumento com o computador/controlador,

diferencia-se entre o software de driver, que permite que o software de aplicação
interaja com o dispositivo, simplificando a comunicação, abstraindo comandos
de hardware de baixo nível e a programação no nível do registro. Tipicamente,
o software de driver para a aquisição de dados expõe uma interface de
programação de aplicações (API) que é usada em um ambiente de programação
para a construção de software de aplicação. O software de aplicação facilita a
interação entre o computador e o usuário na aquisição, análise e apresentação
dos dados da medição. Ele é uma aplicação pré-construída, com funções
predefinidas, ou um ambiente de programação destinado ao desenvolvimento de
aplicações com funções customizadas. Aplicações customizadas são muitas
vezes usadas para automatizar diversas funções de um dispositivo, executar
algoritmos de processamento de sinais e exibir interfaces de usuário
customizadas.
139
Atualmente, os barramentos mais populares em instrumentação incluem: GPIB,

USB, PCI, PCI Express e Ethernet/LAN/LXI, que serão brevemente descritos a
seguir. Normalmente, um único barramento pode não ser solução para as
aplicações reais. O mais provável é que duas ou mais tecnologias de barramento
coexistam em sistemas de teste e medição híbridos, já que cada barramento
possui suas próprias vantagens e limitações. O desafio atual para engenheiros
de teste e medição não é escolher um único barramento ou plataforma para
padronizar todas as aplicações, mas escolher um barramento ou plataforma
apropriada para uma aplicação específica ou mesmo uma parte específica da
aplicação (NATIONAL INSTRUMENTS, 2019).
GPIB
O barramento GPIB (do inglês General Purpose Interface Bus) ou IEEE-488 tem
sido muito utilizado em testes, aplicações de instrumentação e em interfaces de
laboratórios baseadas em computador desde 1965. Trata-se de um barramento
paralelo de 8 bits, com largura de banda de até 8 MB/s, aceitando a conexão
simultânea de até 15 dispositivos no mesmo barramento, em configuração
estrela ou linear, conforme mostra a Figura 4.8. A transferência de dados é
baseada em mensagem, frequentemente na forma de caracteres ASCII.
O barramento IEEE-488 foi inicialmente utilizado para interfaces de

equipamentos de teste de laboratório, como por exemplo: medidores de
frequência, analisador de frequências, impressoras e plotters. Na atualidade,
esse barramento ainda é muito popular no ambiente industrial e uma grande
variedade de instrumentos agrega a interface IEEE-488, o que permite conectá-
los ao barramento, permitindo a aquisição de medidas e também o controle dos
equipamentos de forma remota (JAMES, 2000). O GPIB não é padrão nos
computadores, exigindo-se um adaptador com software apropriado.
O comprimento total dos cabos de interconexão não deve exceder vinte metros
e a distância entre dois dispositivos não deve ser superior a dois metros. A
largura de banda é compartilhada entre os instrumentos e a latência do GPIB é
significantemente menor (melhor) do que o USB e especialmente o Ethernet. Os
instrumentos GPIB não são auto detectados ou autoconfigurados quando
conectados ao sistema, mas o software GPIB está entre os mais bem avaliados,
e a robustez dos cabos e conectores são apropriados para a maior parte dos
ambientes físicos. O GPIB é ideal para automatizar equipamentos existentes ou
sistemas que requerem instrumentos altamente especializados (GPIB, 2019).
140
Figura 4.8 - Conexão GPIB para instrumentos em configuração

a) linear e b) em estrela
a) b)
Controlador Controlador
PC PC
Fonte: adaptada de https://www.rfwireless-world.com/Terminology/Advantages-and-Disadvantages-of-

GPIB.html
USB
O USB (Universal Serial Bus) tem-se tornado popular nos últimos anos desde
seu surgimento em 1995, com a necessidade de se conectar equipamentos e
periféricos de diferentes fabricantes aos computadores existentes na época de
maneira simples, sem configurações complexas. Para que o próprio usuário
pudesse fazer a instalação de tais equipamentos e periféricos apenas
conectando o cabo USB, foi adotado o padrão PnP (Plug and Play), que significa
“conectar e usar”.
Esta popularidade tem sido expandida para medições e teste, e há um aumento

no número de fabricantes de instrumentos adicionando portas USB aos
controladores de seus instrumentos.
O Hi-Speed USB (USB de alta velocidade) possui uma transferência máxima de

480 Mb/s, tornando-o uma alternativa atrativa para conectividade com
instrumentos, controle de instrumentos autônomos e virtuais com taxas de
transferências inferiores a 1 megaamostra por segundo. Mesmo que a maioria
dos laptops, desktops e servidores possuam diversas portas USB, todas estas
portas geralmente são conectadas ao mesmo controlador host, assim a largura
de banda do USB é compartilhada entre todas as portas. A versão denominada
USB SuperSpeed chegou ao mercado em 2010 e trouxe mais velocidade nas
141
transferências de dados, com taxa de transferência de até 5 Gb/s. Em 2019 foi

lançada a interface USB 4 versão 1.0 (40 Gb/s), e em 2022, a versão 2.0 dessa
interface, cuja taxa de transferência pode alcançar 120 Gb/s (USB).
A latência do USB está na melhor categoria (entre o Ethernet num menor nível
e o PCI e o PCI Express num maior nível) e o comprimento do cabo é limitado
em 5 m. Os dispositivos USB beneficiam-se de autodetecção, significando que,
ao contrário de outras tecnologias como LAN ou GPIB, os dispositivos USB são
imediatamente reconhecidos e configurados pelo computador quando
conectados pelo usuário. Os conectores USB são os menos robustos e menos
seguros dos barramentos aqui apresentados. São necessários fixadores
externos para os cabos a fim de mantê-los no lugar.
Dispositivos USB são mais apropriados para aplicações de medições portáteis,

datalogger, em laptop ou desktop e aquisições de dados em veículos. O
barramento tem se tornado uma escolha popular de comunicação para
instrumentos autônomos devido a sua ubiquidade em PCs e especialmente
devido à sua facilidade de uso plug-and-play. O barramento USB é mais
recomendado para aplicações de aquisição de dados e monitoramento que não
exijam sincronização. Também é preciso lembrar que sua operação é melhor em
sistemas de baixa velocidade e baixo consumo.
PCI e PCI Express
Os barramentos PCI (Peripheral Component Interconnect) e PCI Express são

internos aos computadores e apresentam alta velocidade de transmissão de
dados paralela, sendo adequados para comunicações rápidas. São as escolhas
ideais para sistemas de alto desempenho e alta intensidade de dados onde uma
grande largura de banda é necessária, e para sistemas com integração e
sincronização de diversos tipos de instrumentos.
O PCI utiliza comunicação baseada em registros, ao contrário dos outros

barramentos e não possui conexão com instrumentos externos. Ao invés disso,
é um barramento interno ao computador, utilizado para placas plug-in e em
sistemas de instrumentação modular. Assim, geralmente não são aplicados para
medições a longas distâncias, mas podem ser estendidos por até 200m com o
uso de interfaces de fibra ótica.
O PCI Express é semelhante ao PCI. Este é a mais recente evolução do padrão

PCI, assim como o SuperSpeed USB é para o USB. A maior diferença entre o
desempenho do PCI e do PCI Express é que o PCI Express é um barramento de
maior largura de banda e fornece banda dedicada para cada dispositivo.
142
Uma vantagem que o PCI (e PCI Express) possui juntamente com o Ethernet e
USB é que estes são universalmente disponíveis nos computadores.
Atualmente, todo desktop possui slots PCI, PCI Express ou ambos. Em geral,
instrumentos PCI podem alcançar baixos custos porque estes instrumentos
utilizam a fonte de alimentação, processador, display e memória do computador
em que residem, ao invés de incorporar estes dispositivos no próprio
instrumento.
Ethernet/LAN/LXI
O Ethernet tem sido por muito tempo uma opção de controle de instrumentos,
além de outras áreas de aplicação. As comunicações pelo barramento são
baseadas em mensagens, com os pacotes de comunicação adicionando um
significativo atraso na transmissão dos dados. Por esta razão, o Ethernet possui
a pior latência das tecnologias de barramento aqui descritas.
Mesmo assim, o Ethernet continua como uma poderosa opção para criação de
rede de sistemas distribuídos. Este pode operar em distâncias de 85 a 100 m
sem repetidores e, com repetidores, não tem limite de distância. Nenhum outro
barramento possui esta escala de separação entre o controlador e a plataforma.
Assim como para o GPIB, não há autoconfiguração disponível no Ethernet/LAN.

Os usuários devem manualmente associar um endereço IP e uma configuração
de sub rede para o instrumento. Como o USB e PCI, as conexões do
Ethernet/LAN estão presentes nos computadores modernos. Isto torna o
Ethernet ideal para sistemas distribuídos e monitoração remota. Este é
frequentemente utilizado em conjunto com outras tecnologias de barramentos e
plataformas para conectar pontos de sistemas de instrumentação e medição.
Estes pontos locais devem ser compostos de sistemas de medição com
barramento GPIB, USB e PCI. As conexões físicas do Ethernet são mais
robustas do que as conexões USB, porém menos do que as GPIB e PXI.
O LXI (LAN com extensão para Instrumentação) é um padrão emergente

baseado em LAN (Local Area Network). O padrão LXI define uma especificação
para instrumentos autônomos com conectividade Ethernet que adiciona
características de disparo e sincronização. O barramento LXI aproveita as
vantagens das redes Ethernet, que é bastante eficiente na transferência de
grandes quantidades de informações, além de ter um alcance maior. Nesse
barramento o alcance chega aos 100 metros com uma velocidade de até 1
Mbits/s e o modo de transmissão é serial.
143
Armazenamento e Displays
Os sistemas de medição podem apresentar o resultado somente durante o
procedimento de medida, como, por exemplo, num termômetro, ou podem
armazenar os resultados sob forma analógica ou digital, num meio adequado,
como papel, fitas e discos magnéticos, chips de memória, etc. para registro e
uso posterior dos dados.
O display pode ser entendido como a parte do instrumento de medição na qual

é mostrada uma indicação. Pode consistir de uma escala, ponteiro associado a
escala, painel numérico, ou até um osciloscópio, em cuja tela pode ser
observada a variação temporal da grandeza medida.
Nas Figuras 4.9 a), b) e c) estão representados paquímetros com diferentes

indicadores de resultados, para medições de dimensões lineares. O primeiro é
um instrumento tradicional que demanda alguma perícia do operador na
obtenção do resultado final, obtido através da combinação das leituras na escala
principal e do traço coincidente entre as escalas do nônio e principal. O segundo
instrumento inclui um dial que facilita a obtenção do último dígito que deve ser
combinado com a leitura na escala principal. Claramente o terceiro instrumento,
com display digital elimina a necessidade de cálculos, e facilita sobremaneira a
obtenção do resultado de medição, embora requeira uma bateria para garantir o
funcionamento do display.
Figura 4.9 – Paquímetros com diferentes indicadores
a) com nônio
144
b) com dial
c) com display digital
Fonte: Adaptado de (RAGHAVENDRA, 2013)
Com o desenvolvimento da tecnologia, os displays analógicos (Figura 4.10)

passaram a ser substituídos pelos displays digitais. Entre os displays digitais
encontram-se os displays a LED (do inglês Light Emitting Diode) (Figura 4.11), e
os displays LCD (do inglês Liquid Crystal Display) (Figura 4.12). Os displays a
LED podem ter vida útil longa, e requerem pouca energia para funcionar. Os
displays LCD operam com menos energia que os LEDs, mas funcionam através
das propriedades de reflexão da luz, sendo difíceis de visualizar em ambientes
de baixa luminosidade.
145
Os displays do tipo touchscreen representam um avanço no sentido de se obter

uma resposta mais rápida no tempo, explorando a tecnologia touchscreen
(TUCKER, 2013) (Figura 4.13). Este tipo de display permite maior interatividade
entre o ser humano e o processo e/ou equipamento, bem como redução no
tempo de aprendizagem e treinamento do usuário.
Figura 4.10 - Exemplo de display analógico
Fonte: https://www.directindustry.com/pt/prod/circutor/product-11644-1412405.html
Figura 4.11 – Exemplo de display a LED
Fonte: https://artemis.forumchitchat.com/post/nondmx-ship-status-update-6873923
Figura 4.12 – Exemplo de display a LCD
Fonte: https://il.farnell.com/lumex/lcd-s401c71tr/numeric-lcd-display/dp/1535929
146
Figura 4.13 – Instrumento com display do tipo Touchscreen
Fonte: http://www.insmart.com.br/produto/laboratorio/estacoes-meteorologicas/608-estacao-
meteorologica-completa-com-display-touch-screen-itwh-1080
No uso dos diferentes displays para se obter a medida de uma determinada

grandeza, é possível observar que existem fatores que influenciam na leitura,
bem como no cálculo do valor que é apresentado no display.
Os displays analógicos possuem normalmente, além dos limites inferior e

superior de medida, que definem a “faixa de indicação” do aparelho, também
uma menor divisão da escala (Figura 4.14), a qual definirá a resolução do
instrumento e a precisão com que poderá ser realizada a medição da grandeza
em questão.
Os displays digitais baseiam-se na utilização de conversores analógico-digital

(do inglês Analog-to-Digital Converter, ADCs.) Conforme já descrito no Item
4.2.2, estes conversores transformam um certo nível analógico de tensão
elétrica num código digital de comprimento fixo que, após tratamento
conveniente, é apresentado no display LCD ou de LED. Todo esse processo
é um fator que afeta o resultado da medição de uma grandeza. Para estimativa
da incerteza que os displays podem adicionar a uma medida experimental, as
especificações do equipamento quanto à sua precisão deverão ser
consultadas.
147
Figura 4.14 – Resolução de display analógico
Fonte: https://pt.wikipedia.org/wiki/Eletr%C3%B4nica
Todos os instrumentos de medição apresentam a respectiva resolução, que

afetará a precisão da medida de uma grandeza. A incerteza associada à
resolução de um instrumento analógico depende da menor divisão da escala, e
nos instrumentos digitais, essa incerteza normalmente é fornecida pelo
fabricante, pois é afetada por vários fatores, além da variação do dígito menos
significativo.
As grandezas de influência que normalmente afetam a leitura de valores em

displays analógicos (além da experiência do operador) são:
• interação entre a corrente que passa pela bobina do instrumento e o

campo magnético no entorno da bobina (nos instrumentos elétricos
analógicos);
• paralaxe;
• sensibilidade do instrumento;
• distância e qualidade das marcações em uma determinada escala.
No caso dos displays digitais, as grandezas que influenciam na leitura das

medidas apresentadas são devidas a:
• aproximações do processo de amostragem, quantização e codificação,

que acarretam truncamentos e arredondamentos na medição da
grandeza correspondente (nos instrumentos digitais),
• confiabilidade dos componentes eletrônicos internos (BALBINOT, 2011).
148
Na Tabela 4.1 é apresentada uma comparação entre os sistemas de medição

com display digital e analógico.
Tabela 4.1- Comparação entre displays digitais e analógico
Medidores com display digital Medidores com display analógico

Apresentam leitura numérica com leitura O ponteiro tende a acompanhar quaisquer
precisa. variações do sinal medido.
São ideais para sinal que possui pouca O ponteiro pode detectar pequenas
variação dentro de um intervalo amplo. variações do sinal.
São ideais para suavizar sinais ruidosos, pois O ruído associado ao sinal de interesse irá
o display permite ter uma visão clara da provocar oscilação no ponteiro do display
medida.
Quando o sinal é pulsado em baixa Quando o sinal é pulsado em baixa
frequência, a indicação do display digital irá frequência, o ponteiro balança em sentidos
mudar constantemente. opostos.
Para sinais pulsados de alta frequência, a Para sinais pulsados de alta frequência, a
indicação do display poderá ser constante, indicação do display poderá ser constante,
devido à inércia do sistema. devido à inércia do sistema.
Fontes: (JAMES, 2000), (BALBINOT, 2011)
O osciloscópio é um instrumento interessante devido à sua versatilidade e à

capacidade de mostrar graficamente a variação no tempo de sinais elétricos em
uma tela LCD. Osciloscópios digitais com tela LCD tornaram-se populares a
partir da década de 90 (HERRES, 2019). Na tela do osciloscópio é desenhada
uma grade reticular (Figura 4.15), e cada quadrado da grade é uma divisão que,
dependendo da resolução no eixo horizontal (tempo) e no eixo vertical (amplitude
do sinal), e combinada com todo o processo de digitalização gerará uma
incerteza na medida de uma grandeza de tensão (eixo vertical) ou de tempo (eixo
horizontal).
149
Figura 4.15 – Esquema simplificado de um Osciloscópio
Fonte: https://commons.wikimedia.org/wiki/File:Oscilloscope_diagram.png
4.3 Características, Especificações e Incertezas

associadas aos sistemas de medição
Neste item serão analisadas as principais características metrológicas dos
instrumentos de medição, ou seja, aquelas que constam normalmente nas suas
especificações e que constituem grandezas de influência nas medições
realizadas, afetando, portanto, o cálculo da incerteza do mensurando.
Além da questão da resolução do instrumento, são apresentados vários outros

fatores associados aos sistemas de medição que atuam como grandezas de
influência para estimativa da incerteza do resultado final. Esses fatores
dependem da estrutura, da manufatura, do grau de manutenção, das condições
ambientais, da qualidade da calibração, do desgaste mecânico, do ajuste
eletrônico do instrumento. Assim a exatidão de um sistema de medição depende
de vários fatores aleatórios e sistemáticos, e de como esses fatores variam a
longo prazo. Todos esses fatores instrumentais afetam as medidas obtidas com
esses sistemas. Daí a importância do metrologista conhecer tanto a estrutura
funcional quanto as características estáticas e dinâmicas dos instrumentos, de
forma a poder estimar adequadamente sua influência na incerteza das
medições.
150
Existem outras características dos instrumentos de medição que não estão

diretamente relacionadas à grandeza a ser medida, mas que consistem em
funções acessórias importantes, tais como o suprimento de energia, as funções
de proteção e segurança, os procedimentos de auto verificação e as funções de
calibração e manutenção.
Dentre as características metrológicas mais importantes estão a exatidão e a

precisão (incluindo a repetibilidade) do instrumento, que são descritas abaixo e
estão intimamente relacionadas.
Exatidão
É a diferença absoluta entre o valor real do padrão e o valor medido pelo
instrumento. Segundo o ISO GUM (INMETRO, 2008), a exatidão é uma
característica qualitativa, ou seja, não há um valor numérico associado a ela.
Uma medição de comprimento, por exemplo, pode ter uma exatidão milimétrica
ou micrométrica. Se a medição for feita usando um micrômetro, a exatidão do
resultado provavelmente será “melhor” do que usando uma régua.
Alguns fabricantes, particularmente quando há legislação envolvida, continuam

usando a palavra exatidão para dar a noção numérica de quão próximo o valor
da medida está do valor convencional (Item 2.3). Neste livro, assim como no ISO
GUM, esta noção é melhor transmitida através do conceito de incerteza.
Também é comum especificar-se a exatidão como a diferença máxima dentro de

uma determinada escala ou a diferença relativa em porcentagem do fundo de
escala (valor máximo de indicação da escala), essa também denominada classe
de exatidão do aparelho. Classe de exatidão é um termo que permanece por
questões históricas e legais. Por exemplo, a portaria do Inmetro n° 236/94
(INMETRO, 1994) regula o uso de balanças no mercado consumidor, dividindo-
as em 4 classes de exatidão: I (Fina), II (Especial), III (Média) e IIII (Ordinária).
Outro exemplo de um amperímetro especificado com classe 0,5 de exatidão,

tendo fundo de escala igual a 200 mA, deverá apresentar diferença máxima da
leitura com o aparelho padrão igual a:
200
0,5. = 1 mA, seja numa leitura de 50 mA ou 150 mA, por exemplo.
100
Esta especificação, particularmente comum em instrumentos com mostrador

analógico, indica que a exatidão da leitura diminui para valores menores da
grandeza (pois 1 mA em 50 mA equivale a 2% e 1 mA em 150 mA corresponde
a 0,7%).
151
Note-se que a classe I de uma balança ou a classe 0,5 de um amperímetro

servem apenas para definir, legalmente, o uso da instrumentação, lembrando
que atualmente não se associa um valor numérico à exatidão de um aparelho.
A exatidão dos medidores digitais informa a maior diferença absoluta possível

do valor padrão em determinada condição de medição. É expressa através de
percentual da leitura do instrumento. Por exemplo, se um instrumento digital com
1% de exatidão está apresentando uma medida de 100 unidades em seu display,
o valor verdadeiro estará na faixa entre 99 e 101 unidades.
A especificação da exatidão de alguns instrumentos inclui o número de

contagens que o dígito mais à direita (dígito menos significativo) pode variar.
Assim, se um voltímetro tem exatidão de ± (1% + 2D) e seu display mede
220,13 V, o valor real pode estar entre 217,91 e 222,35 V, sendo esses limites
calculados com 1% do valor lido somado a 0,02, que corresponde a 2 dígitos na
última casa decimal apresentada no display.
Precisão
No VIM (INMETRO, 2012), o termo precisão está sempre associado ao processo
de medição, sendo o grau de concordância entre indicações ou valores medidos,
obtidos através de medições repetidas, sob condições especificadas.
Alguns autores consideram que a precisão de um instrumento é simplesmente o

valor da resolução, separando essa característica de outras grandezas de
influência, como a repetibilidade. Em particular, os catálogos de equipamentos
de classe de exatidão muito alta apresentam todas as grandezas de influência
de forma separada. Por exemplo, a repetibilidade da medição de um valor
conhecido e muito estável é estimada por meio de várias medições, sendo que
o valor da precisão do instrumento associado à repetibilidade é fornecido no
catálogo (NATIONAL INSTRUMENTS, 2019).
Repetibilidade
É a aptidão do instrumento em fornecer indicações próximas em repetidas
avaliações do mesmo mensurando, sob as mesmas condições de medição. Na
Figura 4.20 a) essa característica é representada pela barra em cada ponto de
medição da grandeza de entrada. Quanto maior a barra, maior a dispersão das
medidas para o mesmo valor da grandeza, e pior será a repetibilidade do
instrumento.
152
A repetibilidade do instrumento é avaliada indiretamente durante o experimento,

através de várias medições. Afinal, flutuações do valor medido pelo instrumento
e do próprio valor do mensurando não podem ser separadas. Assim, a
repetibilidade da medição, e não do instrumento, é o que interessa ao usuário do
resultado. A forma de estimativa do tipo A (estatística) é suficiente para
determinar essa componente de incerteza do resultado do mensurando.
Antes de descrever outras características, é importante entender a relação entre

as três propriedades já descritas: exatidão, resolução e repetibilidade.
A resolução de um instrumento é dependente do número de dígitos significativos

com os quais a resposta pode ser indicada, o que, por outro lado, não garante
que o equipamento seja mais exato por apresentar um maior número de dígitos.
Por exemplo, um valor para a aceleração da gravidade, ao nível do mar, dado
como 9,5671 m/s2 tem maior resolução que o valor 9,80 m/s2, mas este último
valor é mais exato, pois está mais próximo do valor convencional dessa
grandeza: 9,80665 m/s2 (CODATA). De qualquer forma, a exatidão de um
instrumento estará sempre limitada à sua resolução.
Uma medição poderá apresentar melhor repetibilidade, mesmo que o

instrumento tenha pior resolução, e vice-versa. Por exemplo, a medição com um
multímetro que mede corrente elétrica na escala de amperes, e indicando
sempre o mesmo valor para um estímulo constante, tem melhor repetibilidade,
embora o instrumento tenha baixa resolução. Considerando um instrumento do
mesmo tipo, medindo em escala de mA (miliamperes) (ou seja, com melhor
resolução), esse fornecerá valores variáveis (ou seja, com pior repetibilidade).
Um instrumento ideal deverá ser exato, repetitivo e com resolução compatível

com o valor da grandeza a ser medida. Assim, ele poderá apresentar o resultado
mais próximo possível do valor verdadeiro para a grandeza de interesse, com a
incerteza adequada.
As Figs.4.16 e 4.17 ilustram a relação entre a exatidão do instrumento e a

precisão das medidas, de onde se percebe que nem sempre uma medida exata
é precisa ou vice-versa. Deve-se notar que na prática pode ser difícil avaliar a
exatidão de um instrumento, em casos para os quais o valor convencional (ou
seja, o valor de referência) da grandeza medida é desconhecido.
153
Figura 4.16 – Ilustração dos conceitos de exatidão e precisão

a)não exato, preciso; b)exato, não preciso; c)exato e preciso; d)não exato, não preciso
Figura 4.17– Ilustração dos conceitos de exatidão e precisão
Fonte: https://portalfisica.wordpress.com/2018/08/24/acuracia-precisao-e-exatidao/
Resolução e Limiar de mobilidade
A resolução de um instrumento é a menor variação na grandeza medida ( ymax )

que pode ser indicada pelo instrumento. Por outro lado, o limiar de mobilidade
consiste na maior variação na grandeza ( xmin ) que ainda não produz variação
detectável na resposta. Ambas as características dependem, além de ruído
(interno ou externo), do valor da grandeza e da forma como a variação é aplicada
(INMETRO, 2012).
154
O limiar de mobilidade define a resolução de entrada do instrumento; e a

resolução do indicador (menor diferença entre as indicações mostradas que
pode ser significativamente percebida) define a resolução de saída.
Através da Figura 4.18, estes parâmetros podem ser quantificados como:
xmin
Resolução de entrada (%) = 100.
FEe
ymax
Resolução saída (%) = 100.
FEs
onde:
xmin = variação mínima na entrada perceptível na saída
ymax = variação na medida, devido a uma variação mínima na grandeza
FEe = fundo de escala na entrada (valor máximo da grandeza)
FEs = fundo de escala na saída (valor máximo do indicador)
Figura 4.18 – Exemplo de curva de resposta de um sistema de medição:

Indicação (y) vs. Grandeza (x)
Fonte: Adaptada de (BALBINOT, 2011)
A resolução geralmente evidencia as limitações do instrumento em termos de

hardware, como as divisões de uma escala, o atrito estático do ponteiro móvel,
155
o número de dígitos de um display ou o número de bits de um conversor

analógico-digital.
Para instrumentos com display analógico, a resolução é dada pela menor

subdivisão da escala. No caso de instrumentos com display digital, a resolução
corresponderá ao bit menos significativo do conversor AD que existe na entrada
do aparelho. Para instrumentos ópticos, a resolução consiste na menor distância
entre dois pontos que, observados através do aparelho seriam identificados
como dois pontos, ao invés de se confundirem em um só ponto.
No caso dos instrumentos com mostrador digital, a resolução é dada pelo

número de dígitos ou contagens do seu display. Por exemplo, em um mostrador
digital com indicação do tipo X,XXX unidades, é necessária uma variação da
grandeza de entrada de no mínimo 0,001 unidade na entrada para se perceber
uma mudança na indicação do display (sem considerar possíveis interferências
externas).
Um instrumento com 3½ dígitos tem 3 dígitos “completos” (isto é, capazes de

mostrar os algarismos de 0 até 9) e 1 “meio dígito”, que só pode apresentar 2
valores: 0 (nesse caso o algarismo está “apagado”) ou 1; portanto, este
instrumento pode contar de 0 até 1999 (2000 contagens). Outro instrumento de
4½ dígitos tem maior resolução, pois pode apresentar 19999 contagens.
Instrumentos com contagem de 3000 ( 3 3 4 dígitos – 0 a 2999), 4000 ( 3 4 5 dígitos
– 0 a 3999) ou 6000 ( 3 6 7 dígitos – 0 a 5999) também são fabricados, e até com
resoluções maiores. Por exemplo, a especificação de (0,05%+1) num
multímetro de 4½ dígitos, com leitura de 10,000 V corresponderá a uma
incerteza de (5 mV+1 mV) em 10 V, ou seja, (0,05% + 0,01%), resultando
0,06% para essa leitura. Em termos gerais, quanto maior (ou seja, melhor) a
resolução, maior a qualidade da medida.
Como exemplo de resoluções diferentes, o ser humano é capaz de distinguir

variações de 1 dB na intensidade sonora de um sinal, enquanto que um medidor
de nível sonoro pode identificar variações de 0,001 dB.
Exemplo: Resolução de uma indicação digital (INMETRO, 2008)
Uma fonte de incerteza de um instrumento digital é a resolução de seu dispositivo

indicador. No entanto, mesmo se observações repetidas forem todas idênticas,
não seria possível separar a incerteza de medição atribuível à repetibilidade da
incerteza relativa à resolução. Se a resolução de saída do dispositivo indicador
é ymax , o valor do estímulo produzirá uma indicação Y que pode estar situada,
156
ymax
com igual probabilidade, em qualquer lugar no intervalo Y − 2 a
ymin
Y+
2 (ou seja, corresponde a uma distribuição estatística uniforme ou
retangular). Uma distribuição desse tipo (Item 3.3.1.1), de largura ymax , terá
((ymax ) / 2) 2
variância u =
2
, implicando em uma incerteza padrão igual a
3
y
u = max para qualquer indicação.
12
Assim, por exemplo, um instrumento de pesagem com um dispositivo indicador

cujo menor algarismo significativo é 1 g (resolução de saída), tem uma variância
1
devida à resolução do dispositivo de u 2 = g2 e uma incerteza-padrão
12
1
associada de u = = 0, 29 g.
12
Sensibilidade
A sensibilidade de um sistema de medição é definida como a relação entre a
variação da indicação y do sistema e a variação correspondente da grandeza a
y
ser medida x , ou seja . Essa característica pode depender do valor da
x
grandeza, e a variação do valor da grandeza medida deve ser grande quando
comparada à resolução.
A sensibilidade evidencia a característica do módulo sensor-transdutor, limitada

pela sua própria natureza. Se este módulo apresentar uma relação de
transferência linear entre saída e entrada, a sensibilidade será constante para
qualquer valor da grandeza (Figura 4.20 b)). Na prática, as relações de
transferência dos sensores e transdutores são não lineares, e então o valor
pontual da sensibilidade dependerá do valor do estímulo de entrada, podendo
ser calculada pela derivada da curva no ponto de interesse (Figura 4.19). Notar
que na Figura 4.19 a) (caso linear), a sensibilidade é a mesma para qualquer
valor do sinal de entrada, enquanto que na Figura 4.19 b) (caso não linear), o
y
valor de varia com o valor de x .
x
157
Por exemplo, um sensor/transdutor de pressão que tem como saída uma

corrente elétrica, produz uma corrente de 250 mA para uma variação de pressão
igual a 10 bar. A sensibilidade deste sensor será dada por 25 mA/bar.
Em instrumentos analógicos, com escala linear uniforme, a sensibilidade será o

inverso da resolução. Por exemplo, a sensibilidade de uma régua graduada em
mm ( x =1 mm) será 1 , ou seja, menor que a sensibilidade de uma régua
x
com resolução de 0,5 mm.
Em instrumentos digitais, a sensibilidade é normalmente avaliada no sinal

analógico antes de passar pelo conversor AD.
Como exemplo de diferentes sensibilidades, o ser humano pode detectar enxofre

no ar através do olfato, se a concentração for de algumas partes por milhão.
Cromatógrafos gasosos são sensíveis à detecção de enxofre para algumas
partes por bilhão. Mesmo esses níveis mínimos de concentração são suficientes
para causar corrosão em circuitos eletrônicos.
Figura 4.19 – Sensibilidade e curvas de transferência: a) linear; b) não linear
a) b)
y y
x x
x x
Linearidade
Este parâmetro indica o máximo desvio de uma relação de transferência entrada-
saída da reta que melhor descreve os pontos reais. Geralmente a linearidade é
avaliada obtendo-se uma curva média (por exemplo, aplicando-se regressão
linear em pontos medidos experimentalmente) que represente o comportamento
do instrumento. Posteriormente, verifica-se qual é o desvio máximo da saída com
relação à reta ideal obtida. A Figura 4.20 c) ilustra graficamente essa
propriedade. Nesse caso, a não linearidade de um instrumento deve ser
158
modelada de antemão, e seu efeito considerado como uma incerteza tipo B na

apresentação do mensurando.
Um exemplo de instrumento com característica linear é um termômetro

construído com tubo de vidro capilar, em que a altura do líquido varia linearmente
com a temperatura. Um exemplo de instrumento não linear é o indicador de
combustível no painel de um carro: com o tanque cheio, o ponteiro move-se
lentamente conforme o combustível é consumido, ao contrário de quando o
tanque está próximo a esvaziar-se.
Histerese
A histerese consiste na variação da sensibilidade com a direção com que a
grandeza medida é variada: de forma crescente ou decrescente (Figura 4.20 d)).
A histerese pode ocorrer por diversas razões como, por exemplo, pelo atrito
mecânico nos ponteiros de um instrumento de medição, por efeitos de
retentividade magnética em materiais sensores, por inércia molecular, efeitos
térmicos, deformação elástica, etc.
Esse pode ser um fator significativo, por exemplo, na incerteza da medição com
alguns sensores de umidade, fabricados com material que adere fortemente às
moléculas de água. A repetibilidade de um instrumento poderá ser afetada pelo
fenômeno da histerese, embora a histerese em si seja classificada como uma
incerteza tipo B, que deve ser analisada antes da realização do experimento.
Faixa de medidas
A faixa de medidas de um instrumento é o intervalo de valores da grandeza de
entrada para o qual a saída é apresentada dentro de uma exatidão especificada.
Essa faixa é delimitada pelo limite inferior (determinado pelo limiar de mobilidade
do instrumento) e limite superior (também denominado fundo de escala,
estabelecido pelo máximo valor da grandeza de entrada que não danifique o
aparelho).
No projeto de um experimento, deve ser analisado se o instrumento atende às

demandas de precisão e faixa de medidas necessárias. Por exemplo, um
micrômetro pode atender à especificação de precisão, e, no entanto, apresentar
uma limitação do fundo de escala que não permite medir a dimensão de uma
determinada peça.
159
Tempo de resposta
Para várias medições tornam-se importantes as características dinâmicas dos
sistemas de medições. Estas características são determinadas pelo modelo
matemático que descreve a relação entrada-saída do instrumento, normalmente
representada por equações diferenciais no domínio do tempo ou funções de
transferência no domínio da frequência.
Uma das características obtidas a partir das equações diferenciais é o tempo de

resposta: o tempo necessário para que o instrumento indique uma variação
causada por uma variação na grandeza de entrada.
Dependendo da ordem da equação que descreve o sistema de medições (ordem

zero, ordem 1, ordem 2, etc.), várias formas de resposta transitória a uma
variação abrupta do estímulo podem ser obtidas (abrupta, exponencial,
oscilatória), conforme ilustrado na figura 4.21.
No caso de sistemas descritos por equações diferenciais de primeira ordem,

cujas respostas são exponenciais, a constante de tempo é um parâmetro
importante para avaliação do tempo de resposta do sistema a uma variação
abrupta da grandeza de entrada.
Se um instrumento for utilizado para medir uma variável de dinâmica rápida, ele
deverá apresentar velocidade de resposta maior que a da variável medida, caso
contrário, a dinâmica do instrumento poderá interferir consideravelmente no
resultado obtido.
Faixa de frequência
A descrição dinâmica de um sistema de medição determina a sua resposta em
frequência, isto é, a faixa de frequências com que o sinal de entrada pode variar
para que o instrumento produza na saída uma indicação fiel ao estímulo.
Assim, por exemplo, se for aplicado um sinal senoidal de frequência 1MHz na

entrada de um multímetro especificado para operação até 500kHz, o resultado
na medição de amplitude deste sinal estará prejudicada e não manterá fidelidade
com o estímulo de entrada, devido à limitação da resposta em frequência do
aparelho (Figura 4.22).
A faixa de frequência de um equipamento está relacionada com a taxa de

amostragem de seu conversor AD, conforme apresentado no Item 4.2.2. Quanto
maior a taxa de amostragem, maior será a capacidade de um equipamento de
capturar as variações de amplitude do sinal ao longo do tempo, e, portanto, maior
será o limite superior de sua faixa de frequência.
160
Figura 4.20- Características de sistemas de medição:

a) Repetibilidade; b) Sensibilidade; c) Linearidade; d) Histerese
Repetibilidade
Repetitividade
Interferência eletromagnética
As fontes de campos eletromagnéticos (por exemplo: descargas eletrostáticas,
sinal da rede elétrica, sinais de radiofrequência, etc.) podem causar interferência
eletromagnética (EMI - do inglês ElectroMagnetic Interference) e mau
funcionamento dos sistemas de medição baseados em grandezas elétricas,
contribuindo para o aumento da incerteza nos resultados obtidos. Os
instrumentos atuais devem seguir critérios de compatibilidade eletromagnética
(EMC – do inglês ElectroMagnetic Compatibility), que incluem técnicas de
blindagem e aterramento, para diminuir as fontes de incerteza nas medições
realizadas.
161
As interferências de campos elétricos e magnéticos próximos ao instrumento são

consideradas como ruído na medição, e estimadas normalmente pela repetição
da medição (incerteza tipo A) na apresentação do mensurando.
Figura 4.21- Resposta dinâmica e tempo de resposta de sistema de medição
Efeitos ambientais
As condições ambientais, tais como temperatura, pressão e umidade também
são grandezas de influência nas medições. As especificações de faixa de
temperatura de operação do instrumento devem ser respeitadas para que se
garanta a repetibilidade e a exatidão das medidas. Por esse motivo, é boa prática
registrar as condições ambientais em que são feitos os experimentos, para que
se possa fazer uma boa estimativa da parcela da incerteza devida a esses
fatores, ou mesmo a correção dos valores medidos, caso sejam disponíveis as
informações necessárias para tal.
O ambiente em si também pode ser fonte de incerteza nas medições. Por

exemplo, medições acústicas de alta qualidade devem ser realizadas em
câmaras anecoicas, isto é, ambientes onde não há reflexão dos sinais de som
por quaisquer objetos.
162
Figura 4.22- Resposta em frequência de sistema de medições
4.4 Calibração de sistemas de medição

É essencial que os instrumentos de medição sejam calibrados periodicamente,
a fim de estabelecer uma relação entre os resultados obtidos com esses
sistemas e os valores dos padrões correspondentes. O procedimento de
calibração deve ser feito em laboratórios devidamente credenciados, e consiste
na comparação das medidas obtidas com o instrumento em análise, com as
medidas obtidas com instrumentos de maior precisão, a fim de garantir a
rastreabilidade do processo com padrões universais (Item 1.5).
A calibração é uma operação que estabelece, sob condições especificadas,

numa primeira etapa, uma relação entre os valores e as incertezas de medição
fornecidos por padrões e as indicações correspondentes do instrumento com as
incertezas associadas; numa segunda etapa, utiliza-se esta informação para
estabelecer uma relação visando a obtenção de um resultado de medição a partir
duma indicação.
163
Uma calibração pode ser expressa por meio de uma declaração, uma função de
calibração, um diagrama de calibração, uma curva de calibração ou uma tabela
de calibração. Em alguns casos, pode consistir numa correção aditiva ou
multiplicativa da indicação do aparelho, com uma incerteza de medição
associada.
O procedimento de calibração pode ser estático, se os valores da grandeza

medida não variam com o tempo. Mas pode incluir a calibração dinâmica, em
que o desempenho dinâmico do instrumento é testado, através da variação da
grandeza de entrada. O objetivo principal é verificar se o instrumento opera de
acordo com suas especificações de exatidão, o que poderá ser comprovado ou
não a partir do Certificado de Calibração emitido pelo laboratório credenciado.
Quaisquer ajustes que se façam necessários no instrumento que não atender as

especificações são normalmente realizados pelo fabricante ou por centros de
manutenção especializados, uma vez que o processo de calibração não inclui
qualquer tipo de correção ou ajuste.
Um exemplo de Certificado de Calibração parcial está apresentado na Tabela

4.2 contendo uma Tabela de Calibração onde são indicados fatores de correção
que devem ser aplicados às medidas obtidas com o instrumento, levando-se em
conta as incertezas associadas.
Uma característica associada à exatidão do instrumento, estando, portanto,

associada à calibração é o chamado ajuste de zero, ou seja, a capacidade do
equipamento apresentar uma indicação nula quando a grandeza a ser medida é
nula. Em alguns instrumentos, como balanças e alguns multímetros, esse ajuste
pode ser realizado pelo usuário, antes da realização da medição. Em outros, no
entanto, o ajuste de zero pode se deteriorar com o uso prolongado do aparelho.
Nesse caso, o usuário deverá verificar qual é a indicação do instrumento na
condição de grandeza nula, e descontar esse valor, denominado tendência, em
todas as leituras realizadas. Somente após essa etapa devem ser feitos os
cálculos associados ao valor mais provável do mensurando.
164
Tabela 4.2- Exemplo de Certificado de Calibração (parcial) de um termômetro
V.I. VC Erro de indicação Incerteza Expandida
o o o o
Leitura C C C C
00,0 0,0 0,22 -0,22 0,75
30,0 30,0 30,60 -0,60 0,75
60,0 60,0 60,96 -0,96 0,75
90,0 90,0 91,35 -1,35 0,75
120 120 121,78 -1,78 0,75
Observações:
•
o
O fator de conversão da leitura do instrumento para a unidade do S.I foi 1 C / leitura.
• Não houve ajuste.
• V.I.: Valor indicado no instrumento na sua unidade.
• V C: Valor convencional
• Erro de indicação: V.I. – VC
• A Incerteza Expandida é baseada em uma incerteza padrão combinada, multiplicada
por um fator de abrangência de k = 2, para um nível de confiança de aproximadamente
95 %.
4.5 Métodos de medição

Todas as medidas consistem na comparação de uma grandeza com um padrão
correspondente. O método de medição é uma sequência lógica de operações,
descritas genericamente, usadas na execução das medições (INMETRO, 2008).
Os métodos de medição podem ser qualificados de vários modos. Alguns desses
modos são descritos brevemente a seguir, com a indicação de como influenciam
a estimativa de incertezas associadas ao mensurando.
4.5.1 Método de medição absoluta

No método de medição absoluta, a variação da grandeza de entrada provoca
uma alteração correspondente na indicação do instrumento ou através da
deflexão de um ponteiro ou variação no display digital. O sistema opera em
malha aberta, e os padrões estão embarcados na arquitetura do sistema.
Exemplos de sistemas que funcionam com esse método são a balança de mola
e um termômetro a álcool. A exatidão da medida dependerá do equipamento
165
estar devidamente calibrado. A incerteza do mensurando deverá ser obtida

através da combinação de todos os efeitos associados ao instrumento e ao
método experimental utilizado.
4.5.2 Método de medição por substituição

No método de medição por comparação direta ou substituição, a grandeza a ser
medida é substituída por uma grandeza de valor conhecido (padrão), de tal forma
que a indicação produzida no sistema de medição seja a mesma em ambos os
casos.
Como ambas as medições são realizadas com o mesmo instrumento e nas

mesmas condições, o método de substituição permite diminuir os efeitos
sistemáticos nas medidas. Por exemplo, numa balança de equilíbrio, a diferença
no comprimento dos braços é fonte de efeito sistemático na medição. No entanto,
se a massa a ser medida for colocada no mesmo prato da massa de referência,
este efeito será eliminado na incerteza do mensurando.
4.5.3 Método de medição diferencial

O método de medição diferencial baseia-se na comparação da grandeza sob
teste com uma grandeza de mesmo tipo, mas com valor um pouco diferente, de
tal forma que é medida a diferença entre elas, a partir da qual se deduz o valor
da grandeza. O método diferencial diminui os efeitos aleatórios das medições.
Um exemplo do método diferencial é a medição de comprimento através da

comparação com padrões, utilizando um instrumento comparador. Neste caso,
a grandeza de interesse X é comparada com o padrão mais próximo X p e a
diferença X é medida, a partir da qual se obtém X=X p + ΔX .
Este método permite diminuir substancialmente a incerteza de uma medida. Por

exemplo, supondo que X resulte em 0,01%, com incerteza relativa na medida
de 1%, a incerteza resultante na grandeza X será reduzida para 0,01% (se forem
desprezadas outras fontes de incerteza).
166
4.5.4 Método dos nulos

O método dos nulos é baseado em se obter uma condição de balanceamento
através de uma grandeza de valor conhecido, até que a indicação do sistema
seja nula. É um caso particular do método diferencial, em que a diferença é
reduzida a zero. Qualquer mudança ínfima no valor da grandeza conhecida
deverá provocar uma indicação não nula no sistema. Esse tipo de sistema opera
em malha fechada, com um ramo de realimentação manual ou automático que
busca o equilíbrio e a detecção nula.
A grande vantagem deste método de medição é que o resultado não depende

da exatidão do sistema, mas apenas de sua sensibilidade. Neste método, as
incertezas tipo A serão nulas, já que os resultados de medições repetidas
deverão ser nulos. Desta forma, o valor medido será função de incertezas tipo
B, incluindo a resolução do detector. Outra vantagem desse método é que a
medição não depende da calibração do instrumento (exceto de seu ajuste de
zero) e a linearidade da resposta é importante apenas na região próxima à
indicação nula. Uma desvantagem é o tempo empregado para obter o equilíbrio
do sistema, que pode ser maior que o do método absoluto e torna o método
inadequado para medição de mensurandos variáveis.
Um exemplo simples de sistema de medição pelo método dos nulos é o de uma

balança de equilíbrio (Figura 4.23), em que o sistema é balanceado através de
uma grandeza conhecida, até se obter indicação nula, e a consequente
determinação do mensurando de interesse.
Outro exemplo muito comum de sistema baseado no método dos nulos é aquele
que emprega a ponte de Wheatstone (Figura 4.24), já apresentada no Item 4.1.
Esse circuito pode ser empregado para medir resistências elétricas ou outra
grandeza física (por exemplo, temperatura, luz ou tensão mecânica) que cause
a variação da resistência elétrica de um sensor. O circuito é alimentado por uma
fonte de tensão, e pode-se demonstrar que o sistema estará em equilíbrio (ou
será balanceado, isto é, na condição em que a indicação de tensão no detector
V será nula) quando a seguinte condição nos valores das resistências for
atendida:
R1. R3 = R2 . Rx
A relação acima poderá ser utilizada para se obter o valor da resistência

desconhecida R x quando o sistema é balanceado através da variação de R2 .
Desta forma, a incerteza associada ao valor de R x dependerá das incertezas
incidentes nos valores das outras resistências do circuito, mas não diretamente
167
do indicador. Além de utilizar um detector de alta sensibilidade, a ponte resistiva

também poderá ser dimensionada para operar em condições de máxima
sensibilidade, isto é, com valores de resistências de tal forma que variações
ínfimas no valor de R x provocarão indicações no detector de nulo.
Figura 4.23- Balança de equilíbrio
Figura 4.24 – Ponte de Wheatstone
Fonte de V: detector
tensão de tensão
168
1- Um cronômetro digital, cuja menor leitura é 0,01 s é utilizado para medir um

intervalo de tempo, sendo disparado e interrompido manualmente. A
indicação final do aparelho foi:
20:32.72
Analise quais as grandezas de influência nessa medição, e estime o valor da

incerteza na medida.
2- Várias medições realizadas com um termômetro digital, com resolução de

1 oC, resultaram num valor médio de 25,4 oC, com desvio padrão de 1,5 oC.
O manual do instrumento indica que no intervalo de 0-50 oC há uma incerteza
padrão relativa à exatidão de 0,5 oC. Determine como deve ser apresentado
o valor da temperatura com sua respectiva incerteza combinada.
3- Num multímetro digital, o valor da tensão elétrica apresentado no display é

calculado a partir do código binário gerado pelo conversor analógico-digital,
obedecendo a seguinte expressão:
V (n) = V .(n + 0,5)
onde V é o passo de quantização do conversor AD de 4 bits, e n é o valor

decimal correspondente ao código binário (por exemplo, n =2 corresponde
ao código 0010).
Pede-se:
a) Calcule o passo de quantização do conversor AD, considerando que a

tensão de referência é Vref = 5 V .
b) Calcule os valores de tensão apresentados no display para n =0; n =4 e

n =15.
c) Considerando que n pode variar de 1 unidade, seguindo uma distribuição
retangular de probabilidade, calcule o valor da incerteza uV no valor da
tensão V (n) , em função do valor da incerteza u n (incerteza em n ).
d) Levando em conta agora o erro de offset E 0 = (-0,0040,007) V do

conversor AD, tem-se que o valor da tensão deverá ser calculado por:
V (n) = V .(n + 0,5) + E0
169
Calcule agora o valor da incerteza uV no valor da tensão V (n) , em função

dos valores das incertezas u n e uE .0
4- A potência de um gerador eólico está associada à velocidade do vento v por:
1
P=  .S .C p v3 , com
2
 : densidade do ar; S =  L2pá : área varrida pelas pás; Lpá : comprimento das
pás; C p : coeficiente de potência da turbina.
Com o objetivo de determinar a potência a ser gerada num parque eólico, um

engenheiro determina o valor de C p a partir de dados de catálogo de
turbinas. Resolve então medir a densidade e a velocidade do ar, bem como
o comprimento das três pás.
Pede-se:
a) Quais as grandezas de influência na determinação da potência do parque

a partir da equação e do enunciado da questão? Descreva por meio de um
diagrama espinha de peixe e um texto explicativo, a correlação entre estas
grandezas de influência.
b) O engenheiro, ao avaliar os resultados, conclui que a incerteza da medição

da velocidade do vento é crítica. Assim decide comprar um anemômetro
digital que possua uma incerteza padrão melhor que 0,1% na velocidade
nominal do parque (10 m/s), e que meça a velocidade ao menos de 0 a
25 m/s. Qual deve ser o número de bits mínimo deste anemômetro?
c) Além disso, o engenheiro sabe que o vento varia numa frequência que
chega a 1 Hz. Qual deve ser a mínima taxa de amostragem do anemômetro?
5- Em um extensômetro (strain gage) de 120  foram feitas medições da

variação da resistência elétrica em função da tensão mecânica, utilizando um
instrumento de alta exatidão. Os resultados estão apresentados na Tabela
4.3. Sabe-se que o fator de sensibilidade do extensômetro é dado por:
R / R
= = 2 , como a razão entre a variação relativa da resistência pela

deformação relativa no elemento.
Mantendo-se fixo o valor da deformação relativa em  = 100.10

−6
e
 = 200.10−6 , foram feitas medições repetidas da variação da resistência R
em cada caso, obtendo-se os valores apresentados na Tabela 4.4.
170
Pede-se:
a) Supondo que o extensômetro siga fielmente a variação estabelecida pelo

fator de sensibilidade  (ou seja, é perfeitamente linear), avalie a
exatidão do instrumento de medição de variação de resistência, para os
dois casos, a partir dos dados apresentados na Tabela 4.3. Utilize cálculos
porcentuais.
b) Avalie a precisão e a exatidão das medidas nos dois casos (  = 100.10
−6
e
 = 200.10 ) a partir dos dados da Tabela 4.4. Utilize cálculos
−6
porcentuais.
Tabela 4.3 – Medidas da variação da resistência de extensômetro com a deformação

mecânica relativa
Deformação relativa  x 10-6 100 200

Variação na resistência R () 0,025 0,047
Fonte: Adaptada de (BHUYAN, 2011)
Tabela 4.4 – Resultados de medições repetidas da variação da resistência de

extensômetro para deformação mecânica relativa fixa
R ()
 = 100.10 −6
0,0250 0,0252 0,0251 0,0248 0,0247 0,0253 0,0250 0,0250 0,0251 0,0249
 = 200.10 −6 0,047 0,049 0,050 0,044 0,048 0,045 0,046 0,051 0,052 0,052
Fonte: Adaptada de (BHUYAN, 2011)
6- Para medir a temperatura instantânea de um forno, mantido à temperatura

nominal constante de 200 oC, a junção quente de um termopar cobre-
constantan foi introduzida no forno, mantendo-se a junção fria à temperatura
de referência de 0 oC. Sabe-se que a sensibilidade estática do termopar é de
40 µV/oC e que o termopar é um sistema de primeira ordem, com resposta
ao degrau dada pela expressão v(t ) = K (1 − e − t / ) (Figura 4.25), com constante
de tempo  = 2 s . Pede-se:
a) Qual será o erro de leitura de tensão do termopar para t =3 s?

b) Em que instante o erro de leitura de tensão do termopar atingirá 1% do
valor verdadeiro?
171
Figura 4.25- Resposta dinâmica do termopar
v(t)
Fonte: (BHUYAN, 2011)
7- No certificado de calibração de um termômetro encontram-se (dentre outros

dados): o valor VI, indicado pelo instrumento=60,0 oC; o valor VC (valor
convencional), indicado pelo instrumento padrão=60,96 oC; o erro de
indicação (VI-VC)=-0,96oC; e a incerteza expandida (com k = 2 )
correspondente a esse erro=0,74 oC. Ao utilizar este instrumento no
laboratório, suponha que você obteve como leitura um valor
V1=(60,00,5) oC, com a respectiva incerteza padrão. Como você
apresentaria num relatório o resultado da grandeza medida, levando em
conta as informações do certificado?
172
Capítulo 5- Projeto de Experimentos, Modelos e Análise

de resultados
5.1 Projeto de experimentos em Engenharia

É de extrema importância que engenheiros sejam capazes de realizar
experimentos bem-sucedidos, assim como sejam capazes de estimar as
incertezas das medições que realizam. Para isso, é importante ter consciência
de que um bom trabalho experimental deve ser precedido pelo projeto detalhado
do experimento, conforme ilustrado no diagrama da Figura 5.1.
No projeto de um experimento, o engenheiro deverá ser capaz de definir as

variáveis físicas que serão investigadas e qual o seu papel no modelo analítico
desenvolvido para explicar o fenômeno em estudo. Em seguida, o profissional
deverá ter conhecimento adequado da instrumentação disponível para a
realização do experimento. Para analisar os resultados obtidos após as
medições, o engenheiro deverá confrontar os resultados previstos através de
modelos existentes, com valores medidos experimentalmente, levando em conta
as incertezas envolvidas. Quando os dados experimentais não se ajustarem aos
modelos existentes, todas as etapas do experimento e seus resultados deverão
ser verificados e reanalisados. Em alguns casos notáveis, o experimento poderá
eventualmente levar a modificações ou revisões dos modelos e teorias até então
aceitos como verdadeiros.
Os conceitos e métodos empregados no projeto de experimentos devem auxiliar

na obtenção de respostas para as seguintes questões:
• Qual é o mensurando de interesse?

• Qual é a finalidade de se obter o valor desse mensurando?
• Qual é o modelo matemático que melhor representa o experimento?
• Quais as grandezas de influência do mensurando?
• Na avaliação dos resultados, qual a incerteza que poderá ser aceita na
medição, dentro dos recursos disponíveis para sua realização?
• Qual(is) grandeza(s) deve(m) ser medida(s)?
• Quais as hipóteses assumidas?
173
• Quais os fatores que devem ser controlados na medição a ser realizada?

• Qual(is) o(s) método(s) experimental(is) que deverá(ão) ser utilizado(s)
para realizar a medição?
• Qual(is) é(são) o(s) instrumento(s) disponível(is) mais adequado(s) para
se realizar a medição?
• Qual é o significado estatístico dos resultados?
Figura 5.1- Diagrama de blocos para um Projeto de experimento
Fonte: Adaptada de (BALBINOT, 2011)
Algumas verificações podem auxiliar nas diversas etapas de realização de um

experimento (NPL, 2010), tais como:
• Antes de fazer uma medição, analisar:

▪ Para que servirá?
▪ Qual é a incerteza almejada?
• Qual é seu grau de confiança em estar:
▪ Fazendo a medição correta?
▪ Usando o instrumento apropriado?
▪ Utilizando o método experimental adequado?
• Os instrumentos de medição:
▪ Foram calibrados?
▪ Estão operando de forma correta?
▪ Deverão ser checados antes de se realizar a medição?
• Ao planejar a medição:
174
▪ Verificar as limitações (por exemplo, o fundo de escala) dos

instrumentos;
▪ As características do mensurando (é variável ou invariável? tem
valores limites? quais são as tolerâncias envolvidas?);
▪ Quantas medições deverão ser feitas para avaliar adequadamente
a distribuição estatística da grandeza e as incertezas do tipo A?
▪ Qual é a influência das condições ambientais na medição?
• Ao expressar o resultado da medição:
▪ Utilizar as unidades corretas;
▪ Indicar o valor da incerteza de forma consistente;
▪ Indicar o fator de abrangência e a probabilidade com que o valor
verdadeiro esteja dentro do intervalo definido pela incerteza
expandida.
5.2 Modelos em Engenharia

Os métodos experimentais são utilizados em engenharia para o
desenvolvimento de experimentos cujos resultados permitam que um
engenheiro possa tomar decisões típicas de sua profissão. São dúvidas comuns
nesse processo:
• qual o melhor método para realizar a medição desejada e quais os critérios

desta classificação?
• os resultados obtidos são compatíveis com o esperado? São úteis para a
tomada de decisão?
Deve-se ter em mente que os resultados permitem o desenvolvimento de

modelos ou apenas servem para encontrar os parâmetros de modelos já
conhecidos. Portanto, é fundamental compreender suas limitações.
É necessário ter consciência de que são várias as razões que levam à

proposição de um modelo, algumas típicas da ciência (por exemplo, para
compreender um fenômeno qualquer), outras típicas da engenharia (por
exemplo, para classificar peças de um lote). A correlação entre a realidade e os
resultados obtidos a partir do uso do modelo permite a tomada de decisões e
encontrar esta correlação significa trabalhar com um modelo adequado. Este
modelo deve normalmente correlacionar duas ou mais grandezas de interesse,
por exemplo, força com aceleração; tensão com corrente; o número de peças
com defeitos com a recusa de um lote; etc.
O desenvolvimento de modelos é um tema discutido por vários autores. Herbert

Stachowiak (STACHOWIAV, 1972) apresenta os modelos como possuindo três
características básicas (SAYÃO, 2001), que podem ser vistas do ponto de vista
do desenvolvimento de métodos experimentais em engenharia:
175
• Mapeamento: todo modelo é uma representação de um original real. Um

exemplo típico deste mapeamento em engenharia é o uso de equações
matemáticas para representar um fenômeno real. Por sua vez, o experimento
realizado num laboratório didático também deve ser um mapeamento de um
fenômeno típico em engenharia. Por exemplo, um sistema de primeira ordem
representa razoavelmente o efeito do atrito no movimento de um veículo
automotor. Mas para se discutir os métodos experimentais utilizados para se
obter o coeficiente de atrito no laboratório didático, um aparato mais simples
que o sistema real provavelmente contorna adequadamente as dificuldades
inerentes da presença de um veículo no laboratório;
• Redução: apenas parte dos atributos do original real é modelada. A escolha
das simplificações assumidas na construção de um modelo é algo que
precisa ser corretamente compreendido, e, para isso, é necessário ter-se o
maior conhecimento possível do original real;
• Pragmatismo: o modelo escolhido deve atender as necessidades do usuário
para o fim desejado, em um tempo razoável.
Desta forma, os experimentos de uma disciplina em métodos experimentais em

engenharia devem ser desenvolvidos em temas nos quais o aluno possua
conhecimentos com profundidade suficiente para que possa compreender os
modelos utilizados e suas simplificações. O modelo físico que representa o
fenômeno real de engenharia deve ser simples para ser montado e desmontado
com facilidade em um tempo compatível com a duração da aula. Deve também
permitir que os aspectos ligados à análise das grandezas de influência e à
determinação das incertezas e sua propagação sejam compreendidos e
elaborados com facilidade. Além disso, o modelo matemático não deve
apresentar demasiada complexidade, a ponto de dificultar os cálculos que
deverão ser realizados para se chegar aos resultados esperados.
5.2.1 Modelos matemáticos

No Brasil, as normas técnicas da ABNT estabelecem métodos experimentais
para o cálculo de parâmetros de funcionamento de equipamentos no ambiente
laboratorial. Os resultados destes cálculos são utilizados, por exemplo, para
permitir ou não a comercialização do produto no país, ou, simplesmente, para o
aprimoramento do produto.
Nestas normas, muitas equações que modelam fenômenos físicos são
utilizadas. Por exemplo, a lei de Hooke é fundamental para se projetar um
método para caracterizar amortecedores de automóveis. A lei de Ohm e a lei de
variação linear da resistência com a temperatura são usadas para estimar a
temperatura de enrolamentos de transformadores e outras máquinas elétricas
em condições típicas de trabalho.
176
Não é raro que, em engenharia, as equações que modelam os fenômenos físicos

devam ser simplificadas. Por exemplo, a lei de condução térmica de Fourier
afirma que o fluxo de calor q que atravessa uma área A é proporcional ( k
vezes) ao gradiente da temperatura, isto é, T / x (CONDUÇÃO TÉRMICA).
Esta lei pode ser escrita na forma da equação abaixo, para o caso
unidimensional.
q T
= −k
A x
onde k é a condutividade térmica do material.
A aplicação desta equação em sistemas reais exige um conhecimento da

geometria e dos diversos materiais envolvidos. Em uma geometria complexa,
não é raro que a engenharia recorra a simplificações nesta equação, utilizando
métodos numéricos para calcular a temperatura em cada região do
equipamento. Por exemplo, utilizando o método dos elementos finitos, pode-se
simplificar a equação anterior por:
q (T − T )
= −k 2 1
A L
onde T2 e T1 são as temperaturas nos extremos de um elemento de comprimento
L . A Figura 5.2 ilustra o resultado do uso desta equação para determinar a
temperatura na estrutura de um avião, por meio do método dos elementos finitos.
Uma estrutura complexa como esta será composta por inúmeros “elementos” e
a lei de Fourier deverá ser aplicada a cada um deles. Pode-se deduzir neste tipo
de simplificação, que haverá um compromisso entre o número de elementos em
que a estrutura é subdividida, o tempo de cálculo e a precisão dos resultados
alcançados.
5.2.2 Modelos em escala

Muitas vezes o sistema original real que se deseja modelar é complexo e de
dimensões muito grandes ou muito pequenas. Uma solução típica de engenharia
para inferir o desempenho do original em determinadas condições é o
desenvolvimento de modelos em escala, reduzida ou aumentada. Na Figura 5.3
mostra-se o estudo feito no IPT (Instituto de Pesquisas Tecnológicas, SP) (IPT)
para simular a dispersão de poluentes em um determinado bairro de São Paulo,
utilizando-se uma maquete e um túnel de vento.
177
Figura 5.2- Simulação para análise térmica de um avião pelo método dos elementos
finitos
Fonte: Aeronautical simulation of thermal analysis on a fighter jet

http://web.mscsoftware.com/france/Resources/Multimedia/Search/Default.aspx?&tid=0&mtid=2&pid=2
Figura 5.3- Modelo de Moema em escala 1:500: estudo de sustentabilidade e conforto

ambiental no bairro paulistano
Fonte: http://www.ipt.br/solucoes/2-
servicos_de_pdi_em_engenharia_do_vento_e_qualidade_do_ar_interior.htm
Estabelecer a relação entre as grandezas medidas no modelo (velocidade do

vento, pressão do ar, etc.) e o original real exige um grande conhecimento sobre:
• os fenômenos envolvidos, incluindo modelos matemáticos que relacionam as
grandezas consideradas importantes pelo engenheiro;
178
• as consequências da redução de escala nestes fenômenos;

• o efeito da escolha do modelo na incerteza da medição;
• os métodos de medição tanto no modelo, como no original real, para a
necessária validação da extrapolação das conclusões das medições no
modelo para o original real;
• custos, riscos e outros aspectos relacionados à escolha do modelo em
relação a outros mais baratos, mais seguros, etc.
5.2.3 A variabilidade da medição

Uma vez que as medições apresentam aspectos de variabilidade tanto ligados à
imprecisão dos modelos como dos resultados, é importante saber diferenciar tais
efeitos.
Quanto ao uso dos modelos, Mariano (MARIANO, 2009) descreve a evolução da
importância da medição, mostrando que há limites na representação
determinística destas medições:
“A valorização das medidas ganhou força, a partir do século XVII europeu, em função
das contribuições de Galileu para a criação do método experimental científico e de sua
concepção de que ‘o livro da natureza está escrito em caracteres matemáticos’. Com as
leis e as equações da mecânica de Newton, a ideia de matematização do real alcançou
tal êxito que transformou a dinâmica em exemplo de ciência bem-sucedida. Daí por
diante, a matematização da natureza prosseguiu expandindo-se para outras áreas da
física e culminou com o extremo determinismo do físico francês Pierre Laplace (1749-
1827)”.
“Porém, no séc. XIX, a primazia da dinâmica sofreu um primeiro abalo com o
desenvolvimento da termodinâmica e a introdução da possibilidade de uma descrição
estatística dos fenômenos. (...) Na primeira metade do século XX, com o surgimento da
mecânica quântica e da teoria da relatividade, a revolução nos paradigmas da física se
complementa. Tal revolução, por um lado, acentuou a importância da medição, mas, por
outro lado, sublinhou os limites desta operação e trouxe de volta à cena científica, a
discussão filosófica sobre o significado das medidas”.
Assim, vemos que os experimentos devem deixar claro se estão baseados em

modelos determinísticos (baseados nas relações de causa e efeito) ou
estocásticos (de natureza estatística). A diferença entre utilizar distribuições
estatísticas para definir os modelos ou para determinar os resultados deve ficar
clara em todos os experimentos realizados. Por exemplo, a média de n
medições pode ser uma escolha adequada para o valor estimado de uma
179
grandeza. Neste caso, deve estar claro para o usuário do resultado se esta
escolha foi feita para obter um valor único para um fenômeno que realmente
varia ou para atenuar efeitos de variação do processo de medição.
Esta diferença precisa ser salientada, principalmente nesta era de instrumentos
de display digital. Conforme afirma Mariano (MARIANO, 2009):
“A medição extrai da complexidade do mundo um valor (número) que pode ser
reproduzido dentro de certos limites (...). Números estes que tem de ser considerados
segundo sua utilidade, mas também segundo sua precariedade, pois a sedução dos
números constitui sempre um perigo no terreno da medição. A esse respeito, o
epistemólogo Jean Perdijon cita a advertência do geneticista e ensaísta Albert Jacquard
(1925-2013), para quem os números podem trazer uma falsa ilusão de precisão, pois
oferecem abrigo e conforto intelectual.”
Durante os séculos XIX e XX, a medição com instrumentos analógicos trazia

parte da experiência decisória para o momento da aquisição do dado. Um
ponteiro em uma escala é muito semelhante à medição de um comprimento com
uma régua, experiência que todos já possuem desde a infância. Assim, o
operador atribui um valor à medida incluindo sua habilidade e capacidade em ler
o instrumento. Observe que um instrumento bem projetado possui uma escala
compatível com a aplicação e com a habilidade típica do seu usuário.
Já o uso de instrumentos digitais dá ao usuário a “falsa ilusão de precisão” citada
por Mariano, particularmente quando os instrumentos são por ele
desconhecidos. O uso de sistemas de aquisição de dados torna ainda mais
perigosa esta ilusão. Como os equipamentos modernos, em geral, apresentam
os resultados na forma digital, e envolvem sistemas de aquisição, torna-se
importante que o usuário tenha plena consciência das limitações inerentes a
qualquer medição, independente do formato ou aparência dos displays.
5.2.4 A escolha do modelo

A Figura 5.4 representa o consumo de combustível de um veículo ao longo de
vários anos. Cada ponto representa a velocidade média e o consumo médio a
cada vez que o tanque foi completado.
180
Figura 5.4- Consumo de combustível de um veículo, em função de sua velocidade

média
Ao observar o comportamento dos pontos experimentais, é possível propor

vários modelos matemáticos para correlacionar os resultados. Na figura estão
esquematizados dois modelos polinomiais, um de ordem um (uma reta-linha
cheia) e outro de ordem dois (uma parábola-linha pontilhada).
Antes de discutir qual é o melhor modelo, é necessário deixar claro qual é o

objetivo do modelo. Se ele for usado para prever condições para velocidades
baixas, o modelo de primeira ordem parece mais adequado. Já se o foco forem
as altas velocidades, o modelo de segunda ordem parece melhor.
O uso do modelo sempre exige um conhecimento aprofundado dos métodos de

medição. Afinal, sem este conhecimento, um leitor apressado poderá concluir
que quanto mais o condutor acelerar o veículo (mais km/h), menos o veículo
consome (mais km/l). Ou pode concluir que o modelo permite determinar a
velocidade ótima para o mínimo consumo de combustível. Por outro lado, se o
leitor for informado de que os resultados foram obtidos, na sua maioria, em
condições de viagens curtas (entre a residência e o trabalho, praticamente no
mesmo caminho e no mesmo horário), em períodos de trânsito variável, fica claro
que quanto mais congestionado o trânsito, mais o veículo consome, em média.
181
Portanto, antes de tudo, é necessário avaliar se o modelo utilizado e o método

de medição são adequados à tomada de decisão desejada (como comparar dois
veículos ou estimar qual o gasto em média por mês com gasolina).
Alguns modelos matemáticos são típicos em engenharia e serão descritos a

seguir. São eles:
• Modelos polinomiais:
▪ modelos constantes (polinomiais de ordem 0)
▪ modelos lineares (polinomiais de ordem 1)
▪ modelos de ordem maior (polinomiais de ordem n )
• Modelos senoidais
• Modelos exponenciais
5.2.4.1 Modelos polinomiais
Modelo polinomial de ordem zero: valores constantes
Ao se medir várias vezes a mesma grandeza, não é raro se considerar que o

valor esperado deva ser constante. Esta consideração é mais razoável se não
for conhecida qualquer razão para se esperar uma variação sistemática na
grandeza de forma detectável pelo método de medição escolhido.
Normalmente os parâmetros utilizados para caracterizar este modelo são o valor

médio de várias medidas e algum parâmetro de dispersão do modelo, como o
desvio padrão. Alternativamente, podem ser usadas a moda ou a mediana para
substituir o valor médio e a amplitude para a dispersão (VUOLO, 1996).
Este modelo é útil para discutirmos a variabilidade do modelo e das medições, o

que será feito a seguir. Supondo que queiramos determinar o “volume de uma
esfera de vidro” (por exemplo, de uma bola de gude ou berlinde (BERLINDE)).
Um possível modelo matemático para se obter esta grandeza é através da
equação que relaciona o volume da esfera V com seu diâmetro D :
1
V =  D3
6
Uma primeira suposição é de que durante o processo de medição não haja

variação no modelo adotado, por exemplo, com a temperatura ou com o tempo
de medição.
182
Para que o volume da esfera possa ser determinado a partir do seu diâmetro, a
esfera deve ser ideal, sem qualquer deformação. Naturalmente, em alguma
escala esta afirmação não é verdadeira. No limite, na escala atômica, a definição
de diâmetro precisaria ser revista.
Caso a esfera seja deformada, ou seja, não ideal, é possível identificar outro
modelo para a determinação do volume. As deformações podem ou não ser
facilmente modeláveis (Figura 5.5). O volume de esferas com deformação,
aproximando-as por elipsoides de revolução, pode ser determinado a partir da
medição da menor e da maior dimensão medidas. Já o volume de esferas com
deformações aleatórias em torno de um valor médio pode ser calculado a partir
do diâmetro médio, obtido a partir de diversas medições.
Feitas estas considerações sobre a escolha do modelo, a medição do “diâmetro”

(parâmetro(s) do modelo) está sujeita a outras eventuais variações (Figura 5.6):
• escolha da instrumentação: a escolha de uma régua para medir o diâmetro

pode provocar grandes variações devido à paralaxe. Um paquímetro evitaria
essas variações;
• ponto de medição do diâmetro: no caso da escolha de um paquímetro, o
diâmetro deve ser escolhido como a maior distância medida. A escolha de
um micrômetro pode ser mais interessante, pois ele mede a distância entre
dois planos do instrumento, reduzindo o risco da má escolha do ponto de
medição;
• variações do instrumento de medição: instrumentos digitais de medição
podem sofrer interferências diversas, inclusive da temperatura. Em geral,
quanto mais exatos os instrumentos, mais sensíveis eles são às condições
industriais.
183
Figura 5.5- Modelos matemáticos para a determinação do volume de uma esfera
  
V= D3 V= ab 2 V= D3
6 6 6
Figura 5.6- Alguns efeitos da medição do diâmetro com instrumentos diferentes
Paralaxe Posicionamento Posicionamento

do paquímetro do micrômetro
De forma geral, um valor tipicamente usado para a estimativa D do parâmetro

D é seu valor médio, calculado a partir da equação (VUOLO, 1996):
D i
D= i =1
(5.1)
n
Com n sendo o número de medidas e Di , o valor de cada medida. Para reduzir

a chance dessa estimativa possuir algum erro relacionado ao modelo, é
184
interessante medir o diâmetro em várias posições diferentes. Assim, se a esfera

não for perfeita, pode-se determinar um diâmetro médio.
Neste processo, é possível que dois fenômenos interfiram na medição e ocorram

ao mesmo tempo:
• no ponto escolhido para a medição, a distância medida está sujeita a

flutuações aleatórias. Ou seja, se o mesmo ponto for medido m vezes, m
valores diferentes poderão ser obtidos por conta do método/instrumento
escolhido.
• ao mudar k vezes a esfera de posição, poderão ser medidos k “diâmetros”
diferentes, pois a esfera não é perfeita.
Se n for suficientemente grande, e o método utilizado incluir os dois fenômenos

citados acima, é razoável afirmar que valores aleatórios obtidos na medição
incluam ambos os fenômenos. Neste caso, a média é um bom estimador para
representar o diâmetro medido, mesmo que a esfera não seja ideal, ou que haja
variações no processo de medição.
Quanto à estimativa da dispersão dos valores do parâmetro, em geral adota-se

a sua variância s 2 . Um bom estimador para s 2 é dado pela equação:
n
( D − D)
2
i
s2 = i =1
(5.2)

A variância é um parâmetro estatístico que representa a média das diferenças

quadráticas entre o valor de cada medida, Di , e o valor esperado D para a
grandeza.  é o número de graus de liberdade envolvidos. Se o valor esperado
de D e de sua variância forem obtidos a partir do mesmo conjunto de dados com
n variáveis aleatórias medidas, o número de graus de liberdade é calculado por
(VUOLO, 1996):
 = n −1 (5.3)
Modelo polinomial de ordem um: modelos lineares constantes
De forma geral, os modelos lineares são expressos pela equação (5.4), e

possuem dois parâmetros a serem determinados: o valor de A (ponto de
intersecção da reta com o eixo y ) e de B (coeficiente angular da reta)
y = A + Bx (5.4)
185
Os modelos lineares são muito usados em engenharia. Mesmo que o fenômeno

não seja linear, é comum linearizá-lo em torno de um intervalo de interesse.
Nesse caso, esta linearização só será válida numa faixa limitada, que deve ser
de conhecimento do engenheiro.
Também não é raro que modelos lineares representem bem fenômenos físicos
sobre os quais são desenvolvidos equipamentos de engenharia. Por exemplo, é
sabido que a relação entre a corrente I e a tensão V elétricas sobre um bipolo,
em condições bem definidas, obedece à lei de Ohm, definindo-se um valor para
resistência elétrica R :
V = RI (5.5)
Ao se comparar os dois modelos lineares (linha cheia e linha tracejada)

apresentados na Figura 5.7 que representam a variação de V com I num
elemento, observa-se que no segundo apenas o parâmetro B deve ser
determinado, já que a reta passa pela origem dos eixos (e portanto A = 0 ).
Naturalmente apenas o modelo com um só parâmetro ( B = R = 10,626 ohms)

obedece à lei de Ohm, pois, por esta lei, não há sentido haver tensão nos
terminais do elemento para corrente nula. Por outro lado, como o outro modelo
apresenta um parâmetro a mais, seu erro médio quadrático será menor. Cabe a
quem está realizando o experimento definir qual dos dois modelos é mais
adequado para suas necessidades, na faixa de interesse em que será utilizado.
Por exemplo, se esta faixa não incluir o ponto (0,0), o modelo com dois
parâmetros (em que B = R = 9,7222 e A = 3,3117) poderá ser o mais adequado.
Observe que a variância pode também ser utilizada para identificar a dispersão
dos dados em relação ao valor médio esperado:
n
( y − y )
2
i
s2 = i =1
(5.6)

Neste caso, o valor estimado de y pode ser obtido pela equação polinomial
com um ou dois parâmetros ( A e B , sendo A igual a zero ou não).
A equação (5.6) da variância torna-se então:

n
 ( y − ( A + Bx ) )
2
i i
s2 = i =1
(5.7)

186
Neste caso se tivermos n pontos medidos, e precisarmos estimar dois

parâmetros ( A e B ), o número de graus de liberdade  será ( n − 2) . Se A for
adotado igual a zero, ganha-se um grau de liberdade. Nota-se que todas estas
decisões dependem do conhecimento e experiência do experimentador, tanto na
realização da medição quanto no uso do modelo adotado.
Figura 5.7- Comportamento da tensão e da corrente sobre um bipolo (pontos

experimentais) interpolados por dois modelos de primeira ordem (linha cheia e linha
tracejada)
Modelo polinomial de ordem n
Muitas vezes procura-se um modelo para interpolar todos os pontos

experimentais obtidos. É possível encontrar um modelo de ordem n − 1 que
interpola n dados experimentais com erro médio quadrático nulo. De novo, cabe
a quem está realizando o experimento definir se este modelo é o mais adequado.
Em engenharia, raramente um modelo de ordem n qualquer é usado para
representar um fenômeno. O experimentador sempre deve conhecer
suficientemente o fenômeno modelado para tentar propor um modelo de ordem
reduzida. Normalmente, ele possui competência para saber que a aleatoriedade
dos resultados interfere na obtenção dos parâmetros do modelo conhecido, e
prefere manter o modelo simples, atribuindo as diferenças experimentais às
187
características aleatórias da própria medição. Raramente propõe-se um novo

modelo a partir dos resultados experimentais obtidos para um fenômeno bem
conhecido. Além do mais, em engenharia, os modelos são normalmente
acordados pela comunidade que está realizando medições, por exemplo, o
comprador e o vendedor de um determinado produto.
A Figura 5.8 mostra os resultados da interpolação de 6 pontos experimentais por

um modelo de ordem 1 (linha tracejada) com apenas um parâmetro (resultando
em R2=0,9244), e um de ordem 5 (linha cheia), que resulta em R2 unitário42. Cabe
ao experimentador avaliar se o modelo linear é mais adequado para representar
o fenômeno de engenharia, assumindo que o erro médio quadrático resulta
normalmente da aleatoriedade das medições e não de uma característica física
que demande um modelo de ordem maior.
Em qualquer caso, há diversas formas para se encontrar o melhor conjunto de

parâmetros para o modelo escolhido (por exemplo, para o parâmetro
“resistência” do modelo “lei de Ohm”). Uma das formas mais utilizadas é um
algoritmo chamado Método dos Mínimos Quadrados (MMQ), que será discutido
no Item 5.3.1.
Figura 5.8- Comportamento da tensão e da corrente sobre um bipolo interpolado por

modelos de ordem diferentes: ordem 1 (linha tracejada) e ordem 5 (linha cheia)
42
Lembrando que 0R21, sendo o caso em que o coeficiente de determinação R2=1 representa ajuste
perfeito da função proposta com os pontos experimentais.
188
5.2.4.2 Modelos senoidais

Outra categoria de problemas são os resultantes de modelos de segunda ordem,
descritos pela equação diferencial (5.8), particularmente quando a variável x é
o tempo:
d 2 y ( x) dy ( x)
2
=A + By( x) + C (5.8)
dx dx
A solução típica deste sistema resulta em senoides amortecidas ou não

amortecidas (Figura 5.9). Tipicamente o período de oscilação do sistema, sua
amplitude e seu fator de amortecimento são parâmetros que são utilizados para
avaliar a estabilidade do processo. Como exemplo, a resposta de um
amortecedor de um veículo a um impulso pode ser associada à sua vida útil, e
tal sistema normalmente é modelado pela equação diferencial de segunda
ordem.
Em engenharia há diversas fontes que excitam sistemas de forma

razoavelmente senoidais, como por exemplo, ondas no mar, vibrações
periódicas de motores à explosão, sistemas ressonantes, etc. Assim,
desenvolver métodos experimentais para obter parâmetros de fenômenos
senoidais torna-se particularmente importante para a engenharia.
Figura 5.9- Modelos senoidais: a) amortecido e b) não-amortecido
a) b)
y y
x x
189
5.2.4.3 Modelos exponenciais

Vários sistemas na natureza e na engenharia apresentam comportamentos que
podem ser descritos matematicamente por meio de uma equação diferencial de
primeira ordem, sendo conhecidos como sistemas de primeira ordem (SAYÃO,
2001).
As respostas de interesse dos sistemas de primeira ordem seguem um modelo

exponencial, e são caracterizadas pelo parâmetro denominado constante de
tempo, que traduz a velocidade de reação lenta ou rápida do sistema, de acordo
com seu valor alto ou baixo, respectivamente. Alguns exemplos de sistemas de
primeira ordem, cujas respostas seguem o modelo exponencial são: decaimento
radioativo; transferência de calor; vazão de fluidos; variação populacional;
sistemas mecânicos e pneumáticos. Deve-se notar que os conceitos e medidas
para qualquer sistema de primeira ordem podem ser facilmente aplicados
através de analogias, em outros sistemas que possam ser descritos pelo mesmo
equacionamento matemático. São exemplos destes fenômenos:
• carga e descarga de um capacitor em um circuito elétrico;

• crescimento populacional de algumas bactérias;
• efeito da inflação nos preços de produtos;
• número de falhas de um produto com o passar do tempo;
• difusão de calor, de poluentes, de cargas elétricas no espaço ou no tempo.
Em geral, a solução de uma equação diferencial como a (5.9):
dy ( x)
= ky ( x)
dx
(5.9)
é, para condições iniciais x (0) = 0 e y (0) = y0 , dada por:
y ( x ) = y0 e k x para x0 (5.10)
Esta solução é chamada de solução livre, pois o sistema sai de uma condição
inicial (em x = 0 ) sem nenhuma excitação, apenas com um valor inicial da
variável dependente y (0) = y0  0 .
Caso o mesmo sistema seja excitado por um valor constante U a partir do ponto
x = 0 , o modelo passa a ser uma equação diferencial do tipo:
dy ( x)
a + by ( x) = U (5.11)
dx
190
cuja solução é:
y ( x) = y1 (1 − e k x ) para x0 (5.12)
b U
com k =− e y1 = para y (0) = 0
a b
Em ambos os casos, a resposta y ( x) apresenta um modelo exponencial. Na

Figura 5.10 podem ser observados exemplos dos tipos de soluções obtidas para
estes casos, que constituem respostas exponenciais.
Figura 5.10 – Soluções das equações diferenciais do tipo (5.9) e (5.11)
y ( x) = y0 e kx y1 (1 − e kx )
k 0
k 0
Também há problemas que podem ser discretizados ponto a ponto, e geram

modelos do tipo:
yi +1 = a yi (5.13)
A solução destes problemas também é do tipo exponencial. Modelos de perdas

no processo de produção são exemplos de uso da equação (5.13). Por exemplo,
se uma esfera toca o solo com uma velocidade inicial vi e a cada impacto reduz
191
a quantidade de movimento de um percentual da quantidade de movimento

antes da batida (por exemplo, 10%), a velocidade da esfera após cada impacto
obedece à equação:
vi +1 = 0,9 vi
Neste caso, a variável de interesse pode ser calculada após o momento i a partir
do seu valor inicial v0 por:
vi +1 = v0 a i (nesse caso, a = 0,9 )
A mudança de base de a para e resulta em:
vi +1 = v0 e Ai
com A = ln (a) , resultando no mesmo modelo exponencial apresentado

anteriormente.
Exemplos de sistemas de primeira ordem com respostas exponenciais
Seguem os modelos matemáticos exponenciais de alguns fenômenos de

interesse nas engenharias.
• O crescimento (ou decréscimo) populacional, expresso pela taxa

dy
= constante .
dt
• O valor de um imóvel, associado à inflação ou à dívida com o banco pode ser
dy
representado por uma taxa = constante (por exemplo, -1% ou +1% por
dt
segundo, por mês, por dia, ou ao ano)
• A velocidade vertical de queda de um paraquedista pode ser representada
por v(t ) = v0 + a t , com:
dv(t )
v0 = velocidade inicial; a = ; m a = Fpeso − Fatrito ; e Fatrito = k v(t )
dt
m = massa do paraquedista; k = constante de proporcionalidade.
• A tensão em um capacitor vC (t ) num circuito RC série alimentado por um

gerador de tensão constante U pode ser modelada por U = Ri (t ) + vC (t ) , com
dv (t )
i (t ) = C C =corrente; R = resistência; C = capacitância. Nesse caso, a
dt
resposta que representa a carga do capacitor é: vc (t ) = U (1 − e − t / RC ) e a
resposta que representa a descarga é: vc (t ) = U e − t / RC .
192
• A velocidade de uma bola que bate em uma superfície pode ser modelada
com vapós batida =  . vantes da batida , com   1 , coeficiente de restituição do choque;
dv(t ) = (1 −  )v(t )
Parâmetro do modelo exponencial
Independentemente do fenômeno estudado, é possível determinar de várias

formas o valor do parâmetro k das equações (5.10) e (5.12), ou de seu inverso,
1 / k . Observe que se a equação diferencial tiver como variável independente o
tempo (isto é, x = t ), pode-se definir o módulo de 1 / k como sendo a constante
de tempo do modelo exponencial, normalmente representada por  . A seguir,
são descritos quatro métodos para a determinação prática da constante de
tempo  .
➢ Método de medição de tempo
Na resolução de uma equação diferencial, cuja solução segue o modelo de uma

exponencial decrescente ( k  0 ) do tipo da equação (5.10), com x = t , pode-se
obter  medindo-se o instante em que o valor da grandeza atinge cerca de 37%
do seu valor inicial ( t = 0 ).
De fato, tomando-se:
y (t ) = y0 e k t (5.14)
1 y
temos que para t =  = − , y ( ) = y0 e− / = 0  0,368 y0
k e
ou seja, se registrarmos o instante de tempo no qual a grandeza tem seu valor

igual a cerca de 37% do valor inicial, teremos o valor aproximado de  . Este
método é muito utilizado em procedimentos experimentais em engenharia. A
grande vantagem é que apenas dois valores da grandeza precisam ser medidos:
y0 e 0,368 y0 , além do intervalo de tempo que delimita estes valores. Estes
valores são de mesma ordem de grandeza, mas suficientemente diferentes para
que incertezas no processo não interfiram muito no resultado desejado.
Observe que a equação y (t ) = y0 e k t poderia ser resolvida para qualquer t = tˆ ,

extraindo-se então o valor de  . No entanto, na prática é comum utilizar-se o
ponto tˆ =  para realizar a medição de y (tˆ) . Isto porque, se tˆ for muito menor
que  , o tempo deverá ser medido com bastante precisão. Por outro lado, se tˆ
193
for muito maior que  , a grandeza y deverá ser medida com muita precisão,
já que poderá ter um valor bem inferior ao valor inicial y0 .
A Figura 5.11 mostra como encontrar experimentalmente o valor de  , a partir

da resposta de um sistema que segue o modelo exponencial decrescente, com
valor inicial y (0) = 10 . Este valor inicial ( y0 ) também é um parâmetro importante
do modelo exponencial, e pode ser obtido experimentalmente, medindo-se o
valor da resposta no instante tomado como referência de tempo, isto é, t = 0 .
Figura 5.11 – Método para determinar a constante de tempo de uma resposta

exponencial
➢ Método da linearização
O método descrito para medição de tempo só pode ser aplicado se há certeza

de que o fenômeno possui resposta que pode ser ajustada ao modelo
exponencial. Na prática, para se ter uma ideia se esta hipótese é boa ou não,
194
podemos traçar a curva do logaritmo da resposta em função do tempo, ou seja

ln( y ) vs. t .
Aplicando-se o logaritmo (na base adequada e ) nos pontos experimentais que

representam a resposta do sistema, deve-se obter uma reta caso a resposta siga
o modelo exponencial (por isso esse método é denominado “linearização”). O
coeficiente angular desta reta será o parâmetro k .
De fato, aplicando-se logaritmo em ambos os lados da equação (5.14), tem-se

que:
ln y (t ) = ln[ y0 e k t ] = ln y0 + ln[e k t ] = ln y0 + k t
ou seja:
Y (t ) = ln y (t ) = kt + ln y0 (5.15)
Esta equação (5.15) tem o formato padrão da equação de uma reta do tipo:
y (t ) = at + b (5.16)
em que o coeficiente angular a é o parâmetro k .
Tomando-se a mesma função utilizada no método anterior (Figura 5.11), ilustra-

se o método da linearização na Figura 5.12. Traçando-se a curva Y (t ) vs. t ,
1
obtém-se uma reta com inclinação k = − 2, 3 , de onde se calcula  = − = 5 s .
11, 5 k
Neste caso, o ponto de intersecção da reta com o eixo vertical (ou seja, o
parâmetro b da equação (5.16)) representa o logaritmo do valor inicial da
resposta (Ver equação (5.15)). Desta forma, pode-se obter y0 através de:
ln y0 = b  y0 = eb
Do gráfico da Figura 5.12, a intersecção com o eixo vertical b ocorre em 2,3.

Então, o valor inicial da resposta y (t ) pode ser calculado como: y0 = e 2,3  10 .
➢ Método dos mínimos quadrados
O método dos mínimos quadrados (que é apresentado com mais detalhes no

item 5.3.1) é utilizado para ajustar resultados experimentais em qualquer tipo de
função, de forma que se possa ter uma expressão analítica que represente a
resposta de um sistema. Alguns softwares, além de determinar os parâmetros
195
das funções, calculam também a incerteza do método. Através da função

ajustada, é possível prever-se o comportamento do sistema para além dos
limites das medidas experimentais realizadas (desde que devidamente
comprovada a validade do modelo ajustado!).
Um exemplo de solução pelo método dos mínimos quadrados é o resultado

estimado pelo programa Excel, apresentado na Figura 5.13, para a mesma
função usada nos métodos descritos anteriormente. Observa-se que na função
1
ajustada aos pontos experimentais, k = −0, 2 , e portanto,  = − = 5 s . Deve-se
k
2
também observar que R não é a incerteza do resultado obtido, mas apenas o
coeficiente de determinação, que indica a qualidade do ajuste da função aos
pontos experimentais (quanto mais próximo de 1, melhor será o ajuste).
Figura 5.12– Obtenção da constante de tempo através da linearização y (t ) = 10e −0,2 t
Y (t ) = ln y (t )
196
Figura 5.13– Ajuste do modelo exponencial através do método dos mínimos

quadrados (Excel)
➢ Método da derivada no ponto inicial
Supondo que o modelo exponencial seja válido para a grandeza estudada, é

possível determinar os parâmetros do modelo, medindo-se dois pontos muito
próximos e calculando-se:
dy y
=
dt t
Se y (t ) = y0 e k t , derivando-se y em relação a t , tem-se:
dy
= y0 k e k t
dt
dy
Para t = 0 , tem-se: = y0 k
dt
Experimentalmente, pode-se traçar no gráfico uma derivada gráfica da curva no

ponto inicial, e calcular seu valor como:
dy y y(t1 ) − y(t0 )
 =
dt t t1 − t0
197
sendo t1 e t 0 os instantes que limitam a reta da derivada.
Aplicando-se o método no exemplo da Figura 5.14 temos:
dy 10
= − = y0 k = 10k  k = -0, 2
dt 5
Portanto, chega-se a
1
 =− =5 s
k
Figura 5.14 – Obtenção da constante de tempo através da derivada gráfica em t=0
198
Considerações sobre os métodos apresentados
Algumas considerações podem ser destacadas relativas aos mensurandos

associados a cada um dos métodos apresentados para a obtenção da constante
de tempo.
• Método de medição de tempo

Independentemente da resposta de um sistema seguir ou não o modelo
exponencial, a informação de que tal resposta decai para cerca de 30% de seu
valor inicial em  segundos pode ser útil na avaliação de muitos processos.
Para t = 3 , o valor da resposta já pode ser considerado constante para
diversos sistemas, e para t = 5 , considera-se que a resposta já atingiu o valor
permanente constante para quase todos os sistemas.
• Método da linearização
Através desse método, é possível verificar de forma simples o quanto o modelo
exponencial ajusta-se a pontos medidos experimentalmente. Incertezas de cada
ponto podem ser incorporadas com facilidade no processo. É o método ideal
para ser utilizado numa avaliação inicial do modelo, antes de se empregar, por
exemplo, o método dos mínimos quadrados para quantificar a incerteza dos
parâmetros do modelo final.
• Método dos mínimos quadrados

Este método permite considerar todos os pontos medidos de forma confiável.
Existem vários indicadores que permitem avaliar a qualidade de interpolação dos
pontos pela função ajustada. Há algoritmos que consideram inclusive a influência
da incerteza de cada ponto sobre a incerteza do parâmetro de interesse.
• Método da derivada
Este método é muito sensível a variações das medições. Por outro lado, é ideal
para se estimar rapidamente o tempo para que a resposta exponencial do
sistema se estabilize (correspondente a cerca de t = 5 ). Também é útil para
verificar se a resposta do sistema é linear ou exponencial (dois casos muito
comuns em engenharia). Nota-se que nesses dois modelos, a derivada da
resposta no ponto inicial é a mesma, mas os valores da mesma se diferenciam
com o passar do tempo.
199
Aplicação prática de modelo exponencial: curva de resfriamento de um

termômetro
Vamos supor um procedimento prático utilizando um termômetro pré-aquecido,

marcando uma temperatura inicial maior que a temperatura ambiente. Sabe-se
que o calor trocado com o ambiente depende da resistência térmica entre o
sistema e o ambiente e da capacidade térmica do conjunto. Supondo constantes
estes parâmetros, tem-se que a variação da leitura do termômetro (temperatura)
T com o tempo pode ser dada pela Lei de Resfriamento de Newton, que segue
um modelo exponencial (SILVA, 2003):
T (t ) = T0 e − t / (5.17)
Um procedimento experimental para obter os pontos experimentais

correspondentes a esse modelo poderia seguir as etapas abaixo:
• Verificação das condições iniciais: anotar a temperatura de referência

(temperatura indicada pelo termômetro antes de ser aquecido): Tambiente
(considerada constante durante todo o experimento).
• Aquecimento do termômetro a mais de 30 ºC (o aquecimento do termômetro
pode ser realizado friccionando-o com as próprias mãos). Anotar a
temperatura inicial (ao menos 10 ºC acima da Tambiente ) e calcular:
T0 = Tinicial − Tambiente .
• Início do resfriamento (resposta livre). Registrar o processo de resfriamento
a cada oC, obtendo os pontos experimentais Temperatura x tempo ( t , T ).
• Traçar a curva T x t , onde T = T − Tambiente
• Obter o valor da constante de tempo  do modelo exponencial da equação
(5.17).
Para a determinação da constante de tempo  pode ser usado o Método de

medição de tempo, extraindo do gráfico o instante de tempo em que
T = 0,368 T0 .
Outra forma, seria aplicar logaritmo natural dos dois lados da equação (5.17) e
traçar a curva Y (t ) x t , com Y (t ) = ln (T (t )) . Utilizando o método de
linearização, obter a inclinação da reta e o valor de .
Os outros dois métodos descritos acima (dos mínimos quadrados e da derivada
do ponto inicial) poderão também ser utilizados para determinação da constante
de tempo. Os valores obtidos poderão ser comparados, levando-se em conta as
200
grandezas de influência de cada método e as incertezas resultantes no

parâmetro de interesse.
O procedimento descrito pode ser repetido várias vezes pelo mesmo ou por
diversos operadores, para se estimar a incerteza resultante da repetibilidade e
reprodutibilidade das medições. A seguir são apresentadas análises das
grandezas de influência que podem afetar a incerteza resultante no valor da
constante de tempo obtido através dos dois primeiros métodos.
• Método de medição de tempo
Na medição do instante no qual o valor de T atinge 37% do valor inicial, são

grandezas de influência: o tempo de resposta do operador; a calibração do
cronômetro; a resolução do termômetro; etc.
O modelo utilizado supõe que: a Tambiente é constante e conhecida; a resistência

e a capacitância térmicas são constantes ao longo do experimento; a resposta
T x t segue um modelo exponencial; etc.
O valor de 1 / e do valor inicial depende: do valor inicial; da habilidade do

operador de interpolar os dados e encontrar o ponto em que a resposta atinge
1 / e do valor inicial; etc.
Para avaliar a repetibilidade do método deve-se medir várias vezes os pontos

experimentais e estimar uma incerteza da repetibilidade a partir do desvio padrão
da amostra de dados, conforme indicado pelas barras horizontais na Figura 5.15.
O resultado obtido com o método da medição de tempo e também pelo método

dos mínimos quadrados, a partir da expressão analítica da função ajustada, foi
de   77 s .
• Método da linearização
Para este método valem as mesmas grandezas de influência do método anterior,

com relação ao instante da medição, modelo utilizado e repetibilidade das
medições.
A reta ajustada depende da habilidade do operador em interpolar os pontos; do

valor inicial da resposta; etc. O cálculo da inclinação da reta, conforme mostrado
na Figura 5.16, ilustrando várias possibilidades de retas a partir dos pontos
experimentais obtidos, depende da habilidade do operador; da resolução do
gráfico; etc.
201
1,3
Tomando-se a inclinação da reta média, tem-se k = − , de onde se calcula
100
1
 =− 77 s , resultado compatível com os outros métodos utilizados.
k
Figura 5.15- Gráfico da resposta do sistema, com as barras de incerteza no tempo
Figura 5.16 – Gráfico para estimativa da incerteza da inclinação da reta, a partir de

pontos e retas experimentais
202
5.3 Ajuste de curvas e o Método dos Mínimos

Quadrados
Na seção anterior vimos alguns modelos que podem ser adequados para
representar um determinado conjunto de dados. Esses dados são resultado de
experimentos físicos que poderão conter erros e incertezas inerentes que, em
geral, não são previsíveis. Uma vez escolhido o modelo que irá representar os
nossos dados, torna-se necessário obter os parâmetros do modelo que melhor
descrevam, através de uma função f ( x ) , um conjunto de pontos experimentais
decorrentes das medições de duas grandezas x e y . Esse processo é
denominado ajuste de curva, ajuste de função ou simplesmente regressão
(VUOLO, 1996), e permite obter valores numéricos de parâmetros cujo
significado é definido pelo modelo teórico que está sendo ajustado aos dados
experimentais.
Consideremos por exemplo a Tabela 5.1 de valores obtidos para as grandezas

x e y , inicialmente sem considerar suas incertezas associadas. Pretende-se
estimar valores da função em pontos não tabelados. Experimentemos
primeiramente, representar em eixos cartesianos o conjunto de pontos dessa
tabela (Figura 5.17).
Tabela 5.1 – Valores de medidas de pontos experimentais x e y

nº do
1 2 3 4
experimento
xi 2 4 6 8
yi 2 11 28 40
Verifica-se na Figura 5.17 que os pontos se dispõem quase em linha reta (o que
é a representação gráfica de um polinômio do 1º grau). Se usarmos essa linha
reta para aproximar os valores de uma função f ( x ) , essa função não
necessariamente coincidirá com os pontos tabelados. Assim sendo, deve-se
utilizar uma reta que “passe o mais próximo” dos pontos tabelados, o que pode
ser feito minimizando-se a soma dos quadrados das distâncias dos pontos
tabelados à reta.
Assim, a aproximação por mínimos quadrados ou o método dos mínimos

quadrados (MMQ) consiste em encontrar a função que melhor se ajuste ao
conjunto de pontos experimentais, minimizando o erro resultante do ajuste, ou
203
seja, o método baseia-se em minimizar a soma dos quadrados das diferenças

entre os valores tabelados e os valores obtidos pela função aproximada.
Figura 5.17- Representação gráfica dos valores ( xi , yi ) da Tabela 5.1
O MMQ está disponível para utilização em diversos softwares numéricos e

aplicativos, como por exemplo o Excel (EXCEL), sendo conhecido também como
otimização linear, análise de regressão, suavização de dados, entre outros.
Outro exemplo desse tipo de software é o LABFit (LABFIT), que possui uma
biblioteca com 208 funções para ajuste de pontos experimentais, além da
possibilidade da edição de outras funções pelo usuário.
O MMQ é um método baseado no princípio da máxima verossimilhança, isto é,

em que a melhor função f ( x ) utilizada para descrever os pontos experimentais
é aquela em que é máxima a probabilidade de ocorrer esse conjunto de pontos,
quando a função é considerada como verdadeira. A melhor função f ( x ) deve
ser determinada a partir de uma função geral f ( x ; a1 , a2 , a3 ,....a p ) previamente
escolhida. Os valores particulares dos parâmetros a1 , a2 , a3 ,....a p serão ajustados
para o conjunto de pontos considerados, através da minimização da soma dos
erros quadráticos (VUOLO, 1996). O MMQ pode ser aplicado a vários tipos de
funções (polinomiais, exponenciais, senoidais, etc.) mas nesse texto será
detalhado o caso da função polinomial de ordem 1, ou seja, a reta. Nesse caso
particular, o MMQ é conhecido como regressão linear.
204
5.3.1 Ajuste por regressão linear

Consideremos duas variáveis físicas quaisquer x e y , as quais suspeitamos
que estejam correlacionadas por uma relação linear na forma:
y = A+ B x (5.18)
onde A e B são constantes.
Se as duas variáveis x e y estão linearmente relacionadas, então um gráfico

de y por x deve ser uma reta com inclinação B e que intercepta o eixo y em
y = A . Se fossem medidos n valores distintos x1 , x2 ,..., xn e os valores
correspondentes y1 , y2 ,..., yn (e se as medições não estivessem sujeitas a
incertezas) então cada ponto ( xi , yi ) cairia exatamente sobre a reta y = A + Bx .
Entretanto, na prática, há incertezas associadas aos valores e o que podemos

esperar é que a distância de cada ponto ( xi , yi ) até a reta seja a menor possível.
Dessa forma, devem-se determinar, através do MMQ, as melhores estimativas
para os parâmetros A e B de forma a se obter analiticamente a melhor reta de
ajuste aos dados.
Mostremos, inicialmente, como ajustar um conjunto de pontos à reta y = A + Bx

para determinação de A e B . Neste caso, estamos interessados em minimizar
a distância de cada ponto ( xi , yi ) a cada ponto ( xi , A + B xi ) da reta, conforme
ilustra a Figura 5.18.
No processo de otimização, deseja-se minimizar a expressão da soma dos erros

quadráticos, isto é:
n
S =   yi − ( A + B xi )
2
(5.19)
i =1
Isso é feito derivando-se a expressão (5.19) com relação a A e B e igualando-

se as derivadas a zero. Esse processo resulta nos valores para os parâmetros
A e B em função dos pontos medidos (TAYLOR, 2012), (SOONG, 2004):
205
Figura 5.18- Distância de um ponto ( xi , yi ) à reta y = A + Bx
• A declividade ou coeficiente angular B da reta de regressão pode ser

estimada por:
n n n n
n xi yi −  xi  yi  ( x − x )( y − y )
i i
B = i =1 i =1 i =1
= i =1
(5.20)
 n
 (x − x )
i =1
i
2
• A ordenada A na origem (intercepto ou coeficiente linear) será determinada

por:
n n n n
 xi2  yi −  xi  xi yi
A = i =1 i =1 i =1 i =1
= y − Bx (5.21)

O denominador  das expressões (5.20) e (5.21) é calculado por:
 n 2  n 2  n n
 =  n xi −   xi   = n ( xi − x ) 2 = n ( yi − y ) 2 (5.22)
 i =1  i =1   i =1 i =1
206
1 n  1 n 
onde: x =   xi  e y =   yi  são os valores médios de x e y ,
n  i =1  n  i =1 
respectivamente.
Com esses dois parâmetros, serão calculados os valores ajustados de y como:

ŷ = A + B x (5.23)
Define-se ainda o coeficiente de determinação, R2, que assume valores entre 0

e 1 e que indica o quão bem a função determinada se ajusta aos pontos
experimentais. Quanto mais próximo da unidade for esse coeficiente, melhor
será o ajuste da reta.
n
(A + B x − y) i
2
R2 = i =1
n
(5.24)
( y − y)
i =1
i
2
Observe-se que o coeficiente de determinação R2 é uma medida da proporção

da variação total dos dados em torno da média. De fato, o numerador desta
expressão representa a soma dos quadrados dos desvios de cada ponto da reta
de ajuste ao ponto médio. Já o denominador representa a soma dos quadrados
dos desvios de cada ponto dado ao ponto médio y.
5.3.2 Influência das incertezas dos dados na

regressão linear
Conforme já mencionado, pontos experimentais estarão sempre associados a
incertezas, sendo importante analisar como essas incertezas afetam o processo
do ajuste de curvas. Em particular, vamos analisar o caso da regressão linear, e
supondo inicialmente desprezíveis as incertezas associadas aos valores de xi .
Uma vez calculados os valores A e B que determinam a melhor reta (calculada

com o MMQ), pode ser estimada a incerteza u y nos valores de y1 , y2 ,..., yn ,
supondo que esses números seguem uma distribuição normal em torno do seu
valor verdadeiro A + B xi (TAYLOR, 2012). Essa estimativa é calculada
aplicando-se novamente o princípio da máxima verossimilhança (em que a
probabilidade obtida para os valores y1 , y2 ,..., yn é máxima), chegando a:
1 n 1 n
uy = 
n − 2 i =1
( yi − yˆi )2 = 
n − 2 i =1
( yi − A − Bxi ) 2 (5.25)
207
Deve-se ressaltar que o fator ( n − 2) no denominador vem do fato de que dois

graus de liberdade foram já utilizados para o cálculo dos parâmetros A e B . Por
isso são necessários no mínimo três pontos para se efetuar essa estimativa.
Utilizando-se agora a lei de propagação de incertezas (Item 3.5.1), já que A e

B são funções de y1 , y2 ,..., yn podem ser calculadas as incertezas nesse
parâmetros, em função de u y . Os resultados encontrados são:
1 n
uB = u y n
= uy 2 (5.26)
 n 
 (x − x )
n
n x −   xi 
2 2
i i
i =1 i =1  i =1 
e
n n
x 2
i x 2
i
uA = uy n
i =1
= uy i =1
2
(5.27)
n ( xi − x )
n
 n 
n xi2 −   xi 
2
i =1 i =1  i =1 
Até aqui, observamos que os melhores valores para A e B podem ser obtidos
independentes das incertezas, ou seja, o MMQ pode ser aplicado mesmo se as
incertezas forem desconhecidas, desde que todas possam ser consideradas
aproximadamente iguais a u y (VUOLO, 1996).
Para casos em que as incertezas nos valores de y1 , y2 ,..., yn não sejam iguais,
mas sejam conhecidas, poderá ser utilizado o MMQ ponderado (TAYLOR, 2012).
Nesse método, define-se o peso da medida yi como:
1
wi = (5.28)
u y2i
Nesse caso, as melhores estimativas para A e B serão dadas por:
n n n n
w w x y −w x w y
i i i i i i i i
B= i =1 i =1 i =1 i =1
2 (5.29)
n
 n n


i =1
wi  w x −   wi xi 
i =1  i =1 
2
i i
208
n n n n
 wi xi2  wi yi −  wi xi  wi xi yi
A= i =1 i =1 i =1 i =1
2 (5.30)
n n
  n

i =1
wi  w x −   wi xi 
i =1  i =1
2
i i

As incertezas dos parâmetros serão calculadas por:
w i
uB = i =1
2
(5.31)
n n
 n 

i =1
wi  wi xi2 −   wi xi 
i =1  i =1 
e
n
w x 2
i i
uA = i =1
2
(5.32)
n n
 n

w w x
i =1
i
i =1
2
i i −   wi xi 
 i =1 
Para o caso particular de uma reta passando pela origem, ou seja, y = B x , e

definindo-se:
yi
Bi = (5.33)
xi
com:
1 2
uB2i = uy (5.34)
xi2 i
temos que as expressões (5.29) e (5.31) reduzem-se a:
n
1
u i =1
2
Bi
B=
Bi
n
(5.35)
1
 2
i =1 u Bi
209
1
uB = n
(5.36)
1
 2
i =1 u Bi
Essas expressões indicam que as incertezas associadas aos pontos

experimentais irão influir tanto no valor do parâmetro B (declividade da reta)
quanto na incerteza desse parâmetro, de uma forma ponderada, ou seja, quanto
maior a incerteza do ponto, menor será sua influência nos valores de B e de
uB .
5.3.2.1 Transferência de incertezas

Nesse item vamos analisar o efeito de incertezas também na grandeza x no
processo de ajuste de curvas, lembrando que nas análises anteriores essas
incertezas foram consideradas desprezíveis frente às incertezas da grandeza y
.
Inicialmente, vamos supor que um conjunto de pontos ( xi , yi ) foram medidos

experimentalmente, sendo o valor esperado ( x0 , y0 ) para a grandeza y ,
conforme previsto pela função y = f ( x ) . Vamos supor também que as médias
dos resultados para x e y , isto é, x e y sejam os valores mais prováveis de
( x0 , y0 ) almejado. Cada ponto experimental ( xi , yi ) resultará provavelmente em
valores diferentes, devido a variações ocorridas durante as medições e também
devido às próprias incertezas associadas aos valores medidos de x e y . Na
Figura 5.19 estão duas formas de representar esse fato: a) através da dispersão
dos pontos ( xi , yi ) ; e b) em função das incertezas (u x , u y ) associadas aos
0 0
valores de x e y respectivamente.
A Figura 5.19 b) possui a vantagem de indicar com mais clareza a melhor

estimativa do ponto almejado ( x0 , y0 ) , bem como a região na qual se acredita que
esse ponto se encontre. Mesmo com uma única medição, este intervalo poderia
ser avaliado, através da estimativa de incerteza tipo B associada ao método
experimental utilizado para obter os pontos.
210
Figura 5.19- Representação de pontos experimentais
a) pontos ( xi , yi ) obtidos b) valores mais prováveis ( x0 , y0 )

(x0,y0) e seus intervalos (u x , u y )
0 0
2,0 2,0
Y Y
y0 u y0 u x0
1,5 1,5
1,0 1,0
0,5 0,5
X x0 X
0,0 0,0
0,0 0,5 1,0 1,5 2,0 0,0 0,5 1,0 1,5 2,0
Entretanto, nenhuma destas representações é prática. Imagine a dificuldade de

uma representação n -dimensional, no caso em que os pontos obtidos
representem uma função de várias variáveis, isto é, sejam multidimensionais do
tipo ( xi , yi , zi , wi ,...) . Uma solução para tratar todas as incertezas associadas a
essas variáveis é o “rebatimento” das incertezas de x, z , w, etc. para a incerteza
da grandeza de interesse y = f ( x, z , w,...) . Esse procedimento consiste na base
conceitual para o processo de propagação de incertezas, utilizado na estimativa
da incerteza combinada associada a uma grandeza de interesse (Item 3.5.1).
Voltando ao caso bidimensional ( xi , yi ) , podemos propor, a partir de alguma

hipótese, uma função que correlaciona y e x , qual seja y = f ( x ) .
Naturalmente, esta função f deve ser escolhida como a melhor estimativa para
descrever a correlação entre as duas grandezas. Por exemplo, podemos assumir
uma correlação linear entre a tensão e a corrente elétricas medidas nos terminais
de uma resistência ôhmica (Figura 5.20), que corresponde à conhecida Lei de
Ohm.
Assim, o valor muito provável para um determinado yi passa a ser yi = f ( xi ) .

Uma forma de rebater a variação de xi em y é através da propagação de
211
incertezas. Admite-se que o resultado xi seja o valor verdadeiro (ou seja, isento
de incerteza), atribuindo-se a y uma incerteza maior dada por43:
2
 dy 
u = u +   ux20
2
y
2
y0 (5.37)
 dx 0
 dy   dy 
onde   é uma estimativa44 da derivada   , já que a função y = f ( x ) não
 dx 0  dx 
pode ser completamente conhecida a priori.
Deve-se notar que a variância u y2 será igual ao valor original da variância u y2 , 0
somado a um termo que representa a incerteza transferida de x para y (ou

2
 dy  2
seja, o termo   ux0 à direita da equação (5.37)). Essa transferência (ou
 dx 0
“rebatimento”) de incerteza é representada na Figura 5.21.
Podemos demonstrar a equação (5.37) definindo uma variável  = y − f ( x ) ,

onde x e y são valores medidos (VUOLO, 1996). Nota-se que a variável α
representa a diferença entre o valor de y medido, e o valor estimado obtido
através da função f ( x ) , para um certo valor de x medido. Se as incertezas em
x e y são estatisticamente independentes, tem-se que, pela lei de propagação
de incertezas, a incerteza em α pode ser calculada através de:
2
 α   α 
2
2
u =   ux2 +   u y2
α (5.38)
 x   y 
que resulta em:
2 2
 df(x)  2  dy  2
 ux0 +u y0 = u y0 +   u x0
2 2 2
u =
α (5.39)
 dx   dx 0
43
Considerando apenas os termos de ordem menos elevada na determinação da variância, e supondo
não haver correlação entre as razões de flutuação de xi e y i .
44
Estimativa baseada no modelo escolhido (ou identificado). Por exemplo, no exemplo da tensão, esta
derivada seria o valor da resistência R , pois v = R i , de acordo com a Lei de Ohm. Se R possui um valor
provável, então este é o valor a ser usado. O mesmo acontece caso R seja identificado por algum método
numérico, como o dos mínimos quadrados (no gráfico da Figura 5.20, tem-se R =1,3 ohms).
212
 df(x)   dy   dy 
já que   =   , ou seja, é uma estimativa da derivada   .
 dx   dx 0  dx 
Figura 5.20- Exemplo de correlação linear entre y e x :

tensão ( v ) e corrente ( i ) elétricas numa resistência ôhmica ( R = 1,3  )
Tensão medida sobre uma resistência, para

várias correntes.
A reta tracejada indica v = 1,3 i
16
14
12
10
Tensão (V)
8
6
4
2
0
0 2 4 6 8 10
Corrente (A)
Figura 5.21- Incerteza em x transferida ("rebatida") para y

2,0
Y
1,8
1,6 y0  uy
1,4
1,2
1,0
0,8
0,6
0,4
0,2
x0 X
0,0
0,0 0,5 1,0 1,5 2,0
213
Indica-se agora x por x , supondo-se a condição de u x = 0 (ou seja, a condição

*
*
de isenção de incerteza em x ). Sendo y * a variável correspondente a x , tem-
se da definição acima de α, que:
y * = f(x * )+  (5.40)
Assim, para o cálculo da incerteza em y* a partir da lei de propagação de

incertezas, tem-se que:
 y   y   y 
2 2
2
u =   u x2 +   uα2 =   uα2 , visto que u x = 0
 x   α   α 
y*
 y 
ou seja, u y* = u , pois  =1
 α 
Desta forma, a incerteza em y * será igual à incerteza em α, resultando:
2
 dy 
u = u = u +   ux20
2
y
2 2
y0 (5.41)
 dx 0
Deve-se notar que a variável y * é a própria variável y , mas com uma incerteza
aumentada, devido à transferência da incerteza da variável x .
Conforme foi dito anteriormente, na prática, a dependência entre x e y pode

não ser conhecida inicialmente, quando as medições dessas grandezas são
 dy 
feitas experimentalmente. Nesse caso, a derivada   deve ser estimada
 dx 
através de algum método simples, a fim de se implementar a transferência de
incerteza.
Deve-se notar também que tratamento similar, embora mais complexo, pode ser
feito para funções multidimensionais, transferindo-se as incertezas de várias
variáveis para a grandeza de interesse.
214
5.3.3 Correlação entre grandezas e entre

parâmetros de ajuste
Correlação entre as grandezas x e y

É possível avaliar quantitativamente o grau de correlação linear entre duas
grandezas físicas x e y , a partir de n pares de medidas ( x1 , y1 ) , ..., ( xn , yn )
dessas grandezas. Com o conjunto de medidas ( x1 , x2 ,....xn ) podemos calcular a
média x e o desvio padrão  x . Da mesma forma, podem ser calculados a média
y e o desvio padrão  y , a partir de ( y1 , y2 ,.... yn ) . A covariância do conjunto de
dados pode ser estimada por:
1 n
cov( x, y ) =  ( xi − x )( yi − y )
n i =1
(5.42)
É importante diferenciar essa definição de covariância entre as grandezas x e

y , do conceito utilizado no Item 3.8. Naquele caso, estavam sendo analisadas
as variações de valores únicos de xi e yi em torno de seus valores médios,
devido às incertezas associadas a esses valores. No caso atual, as variâncias e
covariâncias são calculadas a partir de um conjunto de valores diferentes de x
e y . Portanto, é de se esperar que os desvios padrão  x e  y possam ter
valores altos.
O coeficiente de correlação linear r entre as duas grandezas x e y é um

número adimensional definido como:
cov( x, y )
r= (5.43)
x y
É possível demonstrar que cov( x, y )   x  y e, consequentemente, r  1

(FORNASINI, 2008).
Se as grandezas x e y forem perfeitamente correlacionadas pela função:

y = A + Bx , resultará r = +1 , para o coeficiente angular B  0 e r = −1 para
B  0.
Para grandezas x e y totalmente não-correlacionadas, o valor de r tenderá

a zero, embora deva ser lembrado que esse coeficiente é obtido através de uma
215
amostra finita de n pares de medidas, e às quais estão associadas incertezas.

Portanto, mesmo para grandezas não-correlacionadas r poderá ser não-nulo.
O cálculo da covariância e do coeficiente de correlação linear entre as grandezas

x e y poderá ser muito útil na análise dos dados experimentais, antes de se
realizar o processo de regressão linear. Na prática, se r for próximo a ±1, é alta
a probabilidade de que x e y estejam relacionados linearmente.
Deve-se notar que o coeficiente de determinação, no caso linear, utilizado

normalmente para verificar a qualidade do ajuste da função aos pontos
2
experimentais é R2 = r .
Correlação entre os parâmetros A e B

Uma vez realizada a regressão linear e a determinação dos parâmetros A e B
da relação y = A + Bx , podemos calcular a covariância entre esses dois
parâmetros. É fácil entender que esses parâmetros estejam correlacionados,
pois qualquer variação em um deles incorrerá em variação no outro, a fim de se
obter o ajuste aos pontos experimentais.
Para o caso em que consideramos incertezas diferentes e apenas na grandeza

y , 45 a covariância pode ser calculada por (VUOLO, 1996):
w x i i
cov ( A, B) = − i =1
2 (5.44)
n n
 n 

i =1
wi i i
i =1
w x 2
−   wi xi 
 i =1 
1
lembrando que: wi =
u y2i
Esse fator torna-se muito importante quando a função y = A + Bx for utilizada

para se estimar um valor particular ŷ (a partir de x̂ ), e sua incerteza associada,
u ŷ .
45
Lembrando que as incertezas na variável x podem ser transferidas para y , conforme descrito no Item
5.3.2.1.
216
O valor ŷ será dado por: yˆ = A + B xˆ , com os valores dos parâmetros A e B

calculados pelas expressões (5.30) e (5.29), respectivamente.
A incerteza u ŷ deve ser calculada, levando em conta a correlação entre A e B

(Item 3.8), ou seja:
 yˆ   yˆ  yˆ yˆ

2 2
u =  uA  + 
2
yˆ uB  + 2 cov ( A, B) (5.45)
 A   B  A B
ou através de:
 yˆ   yˆ  yˆ yˆ

2 2
u =  uA  + 
2
yˆ uB  + 2 u AuB rAB (5.46)
 A   B  A B
cov ( A, B)
com rAB = , sendo o coeficiente de correlação entre A e B .
u A uB
Esse coeficiente pode ser estimado por:

n
w x i i
rAB = − i =1
(5.47)
n n
w w x
i =1
i
i =1
2
i i
Calculando-se as derivadas da expressão (5.45), resulta:
u y2ˆ = ( u A ) + ( xˆ.uB ) + 2 xˆ u A uB rAB

2 2
Os valores das incertezas u A e u B são calculados pelas expressões (5.32) e

(5.31) respectivamente, para o caso de incertezas diferentes na variável y .
Essa expressão mostra que ao se fazer a regressão linear, devem ser calculados
não somente os valores dos parâmetros A e B e de suas respectivas
incertezas u A e u B , mas também a covariância entre esses parâmetros, já que
esse valor afeta o cálculo da incerteza associada à estimativa da variável y , a
partir da função ajustada y = A + Bx .
217
5.3.4 Considerações sobre o ajuste de curvas

como um modelo para o fenômeno
Ao se ajustar uma curva a um conjunto de dados, devemos ser cuidadosos e
verificar visualmente se o resultado do ajuste realmente descreve a relação entre
a variável independente e a variável dependente. Por isso, a primeira etapa ao
se fazer o ajuste da função é representar graficamente os pontos medidos, a fim
de se escolher visualmente a função com maior probabilidade de se ajustar aos
dados. Para ilustrar a importância de se fazer o gráfico com os pontos medidos,
deve-se observar um conjunto de dados, o Quarteto de Anscombe
(QUARTETO), que possuem medidas estatísticas básicas similares (como
média, variância e coeficiente de determinação R2) e o mesmo ajuste de reta por
regressão linear, mas que são completamente diferentes quando visualizados
(Figura 5.22).
Figura 5.22- Os quatro conjuntos de dados são idênticos quando examinados usando
estatística básica, mas variam consideravelmente quando graficados.
(R2 = 0,816; y = 3,00 + 0,500 x )
No gráfico traçado é importante verificar a presença de outliers: pontos

experimentais que têm valores inesperados e fora do padrão do modelo que está
218
sendo testado. Tais pontos não devem ser simplesmente descartados, pois
podem conter informação importante sobre algum fenômeno não observado
anteriormente. Havendo possibilidade, o engenheiro deve considerar a repetição
do experimento em tais condições para confirmar o resultado ou simplesmente
identificar algum erro que possa ter sido cometido na medição.
Em metrologia, há o denominado Critério de Chauvenet (HOLMAN, 2012) para

testar se dados experimentais são estatisticamente consistentes, de forma a
desprezar outliers antes de realizar o processamento pretendido. Esse critério
baseia-se na distribuição gaussiana e indica que uma medida num conjunto de
n medidas da grandeza sob as mesmas condições, poderá ser descartada se a
probabilidade de obter esse valor é menor que 1/ 2n . Para aplicar o critério, deve
ser feito o cálculo da média e do desvio padrão utilizando todos os dados
referentes a um determinado ponto de interesse. É feita então a comparação
individual da medida duvidosa, utilizando-se o critério mencionado. Após a
eliminação dos outliers, um novo cálculo da média e do desvio padrão deve
então ser realizado.
Outro tópico importante é considerar que a incerteza dos resultados pode afetar
o ajuste de curva. A Figura 5.23 mostra um mesmo conjunto de dados, mas com
valores de incerteza diferentes e o correspondente ajuste de reta. Esta figura
mostra dois fatos: a) colocar incertezas com mesmos valores para todos os
dados produz o mesmo ajuste de curva que não colocar incertezas e b) dados
com maior incerteza tem menor peso sobre o ajuste de curva. Nessa figura
podem ser observados pontos que poderiam ser considerados outliers, por
estarem distantes do modelo linear, afetando o processo de regressão linear e
os valores dos parâmetros encontrados.
219
Figura 5.23- A incerteza dos resultados afeta o ajuste de curva. a) e b) colocar

incerteza com mesmo valor para todos os dados produz o mesmo ajuste de curva que
não colocar incertezas. c) e d): dados com maior incerteza tem menor peso sobre o
ajuste de curva.
a) b)
c) d)
Fonte http://nbviewer.ipython.org/github/duartexyz/BMC/blob/master/CurveFitting.ipynb
Exemplo de aplicação de MMQ
Para determinar a aceleração da gravidade local, utilizou-se um dinamômetro

tubular, algumas massas e um gancho. Mediu-se, então, a força peso de
combinações de quatro massas aferidas de 50 g. As medições da força peso
foram feitas com o dinamômetro tubular de carga máxima de 2N (com incerteza
na medida de 0,01 N). Foi necessário descontar a força peso do gancho, cujo
valor medido foi de (0,04 ± 0,01) N. A partir das medidas resultantes,
construíram-se a Tabela 5.2 e o gráfico apresentado na Figura 5.24.
Tabela 5.2- Dados obtidos pela leitura do dinamômetro tubular

i m (kg) P (N)
1 0,050 0,48
2 0,100 0,97
3 0,150 1,46
4 0,200 1,94
n = 4 m = 0,125 P = 1, 2125
220
Figura 5.24- Força peso em função da massa para os dados da Tabela 5.2
De acordo com as leis da mecânica, o módulo da força peso P é proporcional

ao valor da massa m do corpo, sendo a constante de proporcionalidade dada
pela aceleração da gravidade g . Para verificar essa relação, será feita a
regressão linear dos pontos experimentais da Tabela 5.2, considerando a
relação linear existente entre o módulo da força peso P e a massa m do objeto:
P = A + Bm (5.48)
Com esse procedimento, será possível obter o valor da aceleração da gravidade

local, g = B  uB , e de um possível desvio da origem dos eixos, P0 = A  u A .
A partir dos dados apresentados na Tabela 5.2, construiu-se a Tabela 5.3.
221
Tabela 5.3- Análise estatística dos dados
i m − m (kg) P − P (N)
1 -0,075 -0,7325
2 -0,025 -0,2425
3 0,025 0,2475
4 0,075 0,7275
n=4  ( m − m) i
2
= 0, 0125  (m − m)( P − P ) = 0,12175
i i
Os dois valores calculados na última linha da Tabela 5.3 são suficientes para
calcular o coeficiente linear A e o coeficiente angular B . É preciso calcular
inicialmente o coeficiente angular usando a equação (5.20):
n
 (m − m)( P − P )
i i
0,12175
B = i =1
n
= = 9, 74 m /s 2
 ( m − m) 2 0, 0125
i
i =1
Em seguida, o coeficiente linear A é calculado a partir dos valores de B , m e

P com a equação (5.21):
A = P − B m = 1, 2125 − 9, 74x0,125 = −0, 005 N
É importante destacar que, embora o valor da aceleração da gravidade

encontrado esteja próximo do valor esperado, e a reta ajustada passe próxima
da origem, é necessário estimar as incertezas de cada um desses coeficientes.
Para tanto, elabora-se a Tabela 5.4.
Tabela 5.4- Análise estatística dos dados
i mi2 (kg 2 ) ( Pi − A − B mi ) 2 (N 2 )
1 0,0025 4,0 x 10-6
2 0,0100 1,0 x 10-6
3 0,0225 1,6 x 10-6
4 0,0400 9,0 x 10-6
n=4  (m ) i
2
= 0,075  (P − A − B m )
i i
2
= 3,0 x 10−5
222
Para calcular a incerteza u P , usou-se o valor calculado na última linha da Tabela

5.4 na equação (5.25).
1 4
uP =  ( Pi − A − B mi )2 = 0, 00387 N
4 − 2 i =1
A incerteza do coeficiente linear, u A , é calculada com a equação (5.27), ao

substituir os valores apropriados das últimas linhas das Tabelas 5.3 e 5.4.
4
m 2
i
0, 075
u A = uP 4
i =1
= 0, 003873 = 0, 004743 N
4 (mi − m) 2
4x0, 0125
i =1
A incerteza do coeficiente angular, u B , é calculada com a equação (5.26),

substituindo o valor apropriado da última linha da tabela 5.3,
1 1
uB = uP 4
= 0, 003873 = 0, 0346 m/s 2
 ( m − m) 2 0, 0125
i
i =1
Para verificar como fica o ajuste dos dados da Tabela 5.2 com a reta definida
pelos parâmetros A e B calculados, é traçado o gráfico da Figura 5.25.
223
Figura 5.25- Força peso em função da massa para os dados da Tabela 5.2 com ajuste
através de regressão linear: P = A + Bm
A análise dos dados medidos permitiu encontrar o valor da aceleração da

gravidade local, com sua respectiva incerteza, através do parâmetro B :
g = (9, 74  0, 04) m / s 2 , bem como o provável intervalo do valor de intersecção da
reta com o eixo y , através do parâmetro A : (−0, 005  0, 005) N .
Note-se que todo o procedimento da regressão linear nesse exemplo foi
realizado apenas a partir dos pontos experimentais, sem levar em conta suas
incertezas.
Na Figura 5.26 estão apresentados os resultados fornecidos pelo software

LABFit (LABFIT) na resolução da regressão linear, a partir dos mesmos dados
desse exemplo. Nota-se que o software apresenta os valores dos parâmetros A
e B , bem como suas respectivas incertezas ( SIGMAA e SIGMAB ), cujos
valores coincidem com aqueles obtidos acima, através dos cálculos realizados.
O LABFit permite também que os dados ( xi , yi ) sejam inseridos acompanhados
com suas respectivas incertezas, e realiza então o ajuste ponderado da função,
conforme apresentado no Item 5.3.2, levando em conta a influência das
incertezas no processo.
224
Figura 5.26- Força peso em função da massa para os dados da Tabela 5.2 com ajuste
através do software LABFit (LABFIT)
5.4 Inferência estatística

Em várias situações na carreira de um engenheiro, será necessário tomar
decisões sobre as características de uma população de produtos, tendo
disponível para medição, apenas uma amostra (subconjunto) de tal população.
A metrologia envolve vários conceitos e técnicas da Estatística, conforme já
apresentado anteriormente e as ferramentas de Inferência Estatística são de
extrema importância na tomada de decisões, já que têm exatamente o objetivo
225
de se fazer hipóteses sobre uma população, a partir de medições realizadas

numa amostra da mesma (Figura 5.27).
Figura 5.27 - Conceito de inferência estatística
População Amostra
Amostragem aleatória
Parâmetros Estatísticas
Inferência estatística
Fonte: Adaptada de http://www.portalaction.com.br/inferencia-0
Em metrologia, trabalhamos com populações, muitas delas com características

que seguem o formato de uma distribuição normal ou gaussiana (Item 3.3.1.3).
Além de representar muito bem fenômenos físicos e sociais, a importância dessa
distribuição deve-se a vários fatores, entre eles aqueles associados com o
Teorema do Limite Central (Itens 3.3.1.3 e 3.5.3), o qual é um resultado
fundamental em aplicações práticas e teóricas, pois esse teorema garante que
mesmo que as medidas não sejam distribuídas segundo uma normal, a média
de conjuntos de dados converge para uma distribuição normal, conforme o
número de medidas aumenta.
Conforme visto no Capítulo 3, os parâmetros mais importantes de uma

distribuição normal são a média (  ) e o desvio padrão (  ), representados na
Figura 5.28, com os respectivos níveis de probabilidade de ocorrência dos
valores da característica da população estudada.
Na maioria das situações práticas é impossível obter a característica de interesse

para toda a população, então teremos os resultados de uma distribuição
amostral, ou seja, obtidos a partir de um subconjunto da população (amostra), e
com esses resultados, tentaremos obter os parâmetros de toda a população.
Nesse ponto surgirão as seguintes dúvidas:
• A distribuição amostral também será normal?

• Nesse caso, como relacionar as características da distribuição
amostral com as características da distribuição populacional?
226
Vamos retomar o conteúdo do Teorema do Limite Central (LARSON, 2016):
c) Se amostras de tamanho n  30 são retiradas aleatoriamente de uma

população com distribuição qualquer com média  e variância  2 , então
a distribuição amostral das médias aproxima-se de uma distribuição
normal, sendo melhor a aproximação quanto maior for o tamanho da
amostra, n .
d) Se a população apresentar distribuição normal, com média  e variância
 2 então a distribuição amostral é normal, para qualquer valor do tamanho
da amostra, n .
Em qualquer um dos casos acima, podem ser feitas as inferências:
• A média x da distribuição amostral é idêntica à média  da população;

2
• A variância da distribuição amostral é s 2 = .
n
Figura 5.28- Distribuição normal com média µ e desvio padrão 
Fonte : Adaptada de http://www.portalaction.com.br/content/62-distribui%C3%A7%C3%A3o-normal
Vamos analisar duas situações em que podemos estimar as características da

população a partir das características da amostra (ALBERTAZZI, 2018):
• Estimativa da média  da população, a partir da média x de uma amostra

aleatória de tamanho n , sendo conhecido o desvio padrão  da população.
227
Nesse caso, a média da amostra será um valor aproximado da média da

população, e a incerteza envolvida diminui, à medida que aumenta o tamanho
n da amostra. A expressão (5.49) fornece os limites inferior e superior da
faixa na qual, para uma dada probabilidade, deve encontrar-se a média da
população.
 
x −k    x +k (5.49)
n n
onde k é o fator de abrangência, já estudado no Item 3.5.3. Sabemos,

pelas propriedades da distribuição normal, que para k = 2 , teremos uma
probabilidade de 95,45% da média  estar contida nesse intervalo.
• Estimativa da média  da população, a partir da média x de uma amostra

aleatória de tamanho n , não sendo conhecido o desvio padrão  da
população, mas tendo sido determinado o desvio padrão s da amostra.
Nesse caso, o intervalo de confiança para a média da população será obtido
a partir da distribuição t de Student (Item 3.3.1.4), conforme a expressão
(5.50), válida apenas quando a população apresenta distribuição normal.
s s
x −t    x +t (5.50)
n n
O valor do coeficiente t depende da probabilidade de abrangência desejada e

do número de graus de liberdade  = n − 1 , e pode ser obtido, por exemplo,
através da Tabela 3.1. Esse coeficiente é maior que o fator de abrangência k da
distribuição normal (para a mesma probabilidade), para poder compensar a
estimativa do desvio padrão s , obtido a partir da amostra de tamanho finito.
Nota-se claramente que o tamanho da amostra tem impacto na confiabilidade da

estimativa dos parâmetros da população, e quanto maior o valor de n , menores
serão as incertezas nessa estimativa. No entanto, maiores serão o tempo e o
custo dos ensaios para obtenção dos dados. Portanto, em engenharia, é sempre
necessário definir o tamanho ótimo da amostra que permita um equilíbrio entre
o custo e a confiabilidade dos resultados obtidos através da inferência estatística.
Vamos estudar a seguir duas ferramentas estatísticas que são importantes em

processos metrológicos que geram um conjunto de dados correspondentes a
distribuições amostrais, a partir das quais devem ser feitas inferências:
228
• os Histogramas, que permitem visualizar a forma de dispersão dos dados

obtidos, relacionando-os com a possível distribuição de probabilidade da
variável que representa a população;
• os Testes de Hipóteses, processos que usam estatísticas amostrais para
testar uma afirmação sobre o valor de um parâmetro populacional ou de uma
outra amostra, permitindo diagnósticos e tomada de decisão quando se
dispõe de informações parciais (amostra) de um mensurando.
5.4.1 Histogramas
Histogramas são gráficos que mostram, por meio de barras verticais desenhadas
lado a lado, a distribuição de frequência de uma variável. Em metrologia, um
histograma pode auxiliar na visualização das medidas de um parâmetro, sob
vários aspectos:
• para verificar se as mesmas estão centradas em torno de um valor nominal

da variável;
• para analisar a dispersão dos dados medidos;
• para prever a tendência da distribuição dos resultados, conforme se aumenta
o número de medições.
Assim, o histograma é um instrumento simples e muito usado na análise

preliminar de um conjunto de dados amostrais, para se obter o formato
aproximado da sua distribuição estatística. Também é útil para se identificar
eventuais valores discrepantes (os denominados outliers), ou seja, aqueles que
se encontram muito afastados do formato esperado para a distribuição amostral
(Item 5.3.4). Para análises mais precisas, e particularmente para se verificar a
aderência dos dados a uma distribuição normal, existem técnicas gráficas ou
numéricas específicas (ABACKERLI, 2015).
Tomemos como exemplo as medições de capacitância de uma amostra de

n = 52 peças retiradas de um mesmo lote (população) de capacitores,
especificados para apresentar capacitância de 100 µF/25 V e tolerância de
20%. Os valores medidos estão dispostos na Tabela 5.5 e foram organizados
na Tabela 5.6, com intervalos de classe de mesmo tamanho, e respectivas
frequências absolutas e relativas. Deve-se notar que, a partir dos dados assim
organizados, a média dos valores medidos pode ser estimada como:
x=
 f .xc (5.51)
n
onde xc é o valor médio de cada classe e f é a frequência associada.
229
O desvio padrão é calculado como:
 f (x c − x )2
s = s2 = 1
(5.52)
n −1
Uma regra prática para se fazer um histograma é utilizar um número de classes

(ou seja, de intervalos) igual à raiz quadrada do número de medidas, isto é:
k = n (ABACKERLI, 2015). No caso do exemplo, foram utilizados inicialmente
10 intervalos, de forma a facilitar os cálculos. Na construção do gráfico (Figura
5.29), a escala horizontal representa os valores dos dados (são indicados os
valores médios de cada intervalo) e a escala vertical indica a frequência das
classes.
Tabela 5.5 – Valores medidos de capacitância (em µF) para uma amostra de n = 52
componentes de um mesmo lote. Os valores destacados constituem outliers.
98,0 97,1 96,9 97,0

98,2 98,9 95,5 96,3
100,7 115,4 93,4 97,0
94,7 99,3 99,3 97,9
94,2 96,9 94,9 98,6
97,5 97,5 97,3 88,3
97,6 96,3 96,6 93,6
97,1 96,0 102,6 98,6
95,4 95,4 97,3 95,6
91,7 98,8 95,1 95,8
95,2 99,4 101,9 99,8
96,5 101,2 97,6 98,2
93,9 99,8 99,1 96,9
Média: x1 = 97,3808 µF Desvio Padrão s1 = 3,5638 µF
230
Tabela 5.6- Medidas da capacitância agrupadas em classes
# Faixa histograma Valor médio Frequência Frequência

(F) (F) absoluta relativa
1 88-91 89,5 1 0,0192
2 91-94 92,5 4 0,0769
3 94-97 95,5 18 0,3462
4 97-100 98,5 24 0,4615
5 100-103 101,5 4 0,0769
6 103-106 104,5 0 0
7 106-109 107,5 0 0
8 109-112 110,5 0 0
9 112-115 113,5 0 0
10 115-118 116,5 1 0,0192
Total 52 1
Figura 5.29 – Histograma dos valores de capacitância medidos
30
25
20
Frequência
15
10
0
89,5 92,5 95,5 98,5 101,5 104,5 107,5 110,5 113,5 116,5
Valores médios de capacitância (µF)
Muitas vezes será interessante representar a curva de uma distribuição de

probabilidade (por exemplo, normal) junto com o histograma, como forma visual
de avaliar o ajuste dos dados amostrais com a referida distribuição. No entanto,
como a área total da distribuição de probabilidade é igual a 1, é necessário
ajustar a altura dos retângulos para compatibilizar as escalas do histograma com
231
a da distribuição. Assim, a altura de cada retângulo deve ser dada pela

frequência relativa dividida pelo tamanho do intervalo de classe, ou seja, pela
densidade em cada intervalo (ESTATCAMP- Estatística Básica).
Outro ponto a ser observado no exemplo estudado é que tanto na tabela dos
valores medidos de capacitância quanto no histograma obtido nota-se a
presença de valores outliers, isto é, que se encontram muito afastados dos
demais valores do conjunto de dados. Nesse exemplo, são os valores extremos:
88,3 µF e 115,4 µF destacados na Tabela 5.5. A ocorrência de tais valores irá
afetar a decisão sobre a aceitação ou não do lote de capacitores adquiridos. No
entanto, para a representação conjunta do histograma com a curva normal de
distribuição convém desprezar esses valores e adaptar o histograma aos dados
remanescentes, além de proceder à normalização das alturas dos retângulos,
conforme mencionado acima.
Desprezando-se os 2 valores outliers, organizaram-se os 50 valores

remanescentes em 8 classes com largura de 1,5µF cada uma, conforme
apresentado na Tabela 5.7. A curva de distribuição normal foi obtida com os
parâmetros (média x 3 e desvio padrão s3 ) calculados a partir dos dados desse
histograma modificado, utilizando-se as equações (5.51) e (5.52). Essa curva foi
então superposta ao histograma na Figura 5.30, lembrando-se que a expressão
da distribuição gaussiana é:
1   ( x − x )2  
y= exp  −   (5.53)
s 2
2
  2s  
É interessante notar que nessa curva o valor de pico ymax corresponde ao valor
de x . Para se obter graficamente o valor aproximado de s , basta verificar quais
são os valores de x correspondentes a exp(-0,5). ymax  0, 6 ymax , já que na
expressão da função gaussiana esses valores correspondem às abcissas ( x - s )
e ( x + s) .
232
Tabela 5.7- Dados agrupados, desprezando-se os valores outliers
# Faixa Valor médio Frequência Frequência Altura do

histograma (F) (F) absoluta relativa retângulo
1 91,0-92,5 91,75 1 0,02 0,013333
2 92,5-94,0 93,25 3 0,06 0,04
3 94,0-95,5 94,75 8 0,16 0,106667
4 95,5-97,0 96,25 12 0,24 0,16
5 97,0-98,5 97,75 12 0,24 0,16
6 98,5-100,0 99,25 10 0,2 0,133333
7 100,0-101,5 100,75 2 0,04 0,026667
8 101,5-103,0 102,25 2 0,04 0,026667
Total 50 1
Nesse exemplo, trabalhamos com dados amostrais cuja população deve se

aproximar da distribuição normal, que é simétrica e tem formato de sino. No
entanto, existem vários outros tipos de histogramas que podem representar os
resultados de medições, de acordo com o tipo de distribuição da variável
estudada. À medida que o número de medições se aproxima do infinito, o
histograma tende a uma curva contínua e bem definida, denominada distribuição
limite (TAYLOR, 2012). Essa curva nunca poderá ser obtida na prática, pois não
será possível realizar infinitas medições. No entanto, assume-se que toda
medição possui uma distribuição limite para a qual o histograma se aproxima,
conforme se aumenta o número de medições.
Figura 5.30- Histograma resultante e distribuição gaussiana

correspondente
233

Para completar esse exemplo, vamos considerar que sete grupos de alunos
mediram, cada grupo, uma amostra de 50 capacitores provenientes do mesmo
lote desses componentes. Na Tabela 5.8 estão dispostos os resultados dessa
caracterização (média e desvio padrão obtidos para cada amostra). Utilizando
os valores das médias, podemos calcular a “média das médias” e o desvio
padrão da média, obtendo:
x = 97,314 μF e s m = 0, 414 μF
Pelo Teorema do Limite Central, podemos então inferir as características da

população, ou seja, do lote de capacitores:
 = 97, 314 μF e  =s m . n = 0, 414. 50 = 2, 927 μF
E apresentar o resultado como:  = (97,3  3,0) μF (para k = 1 e considerando-

se apenas a incerteza tipo A).
Verifica-se que o desvio padrão calculado a partir das médias obtidas pelos 7
grupos é menor que o desvio padrão de cada grupo, e menor que o desvio
padrão da população, que seria resultante a partir da medição de todos os
capacitores do lote. Ou seja, o desvio padrão da média reduz-se na proporção
inversa da raiz quadrada do número de unidades usados para o cálculo da
média. Quanto maior n , menor será a dispersão entre as médias obtidas (Figura
5.31).
234
Tabela 5.8- Médias e desvios padrão de 50 capacitores obtidos por 7 grupos de alunos
Grupo Média (µF) Desvio Padrão (µF)

1 96,6 3,0
2 97,7 3,1
3 97,6 2,5
4 97,3 2,1
5 96,9 1,8
6 97,6 2,1
7 97,5 2,2
Figura 5.31- Desvio padrão e Desvio padrão da média
Distribuição das
médias de n medidas
Desvio padrão: s / n
Distribuição de n
medidas.
Desvio padrão: s
x=
5.4.2 Testes de hipóteses

Em engenharia, as decisões são tomadas de posse de hipóteses que devem ser
testadas. Suponha que haja um processo que necessite de um produto “A”
específico. Pode-se perguntar:
235
• o produto “A” está conforme o solicitado? Quais as propriedades

fundamentais deste produto?
• a propriedade “a” do produto está dentro de uma faixa aceitável? Esta faixa46
é suficientemente precisa para rejeitar produtos com defeito, sem rejeitar
produtos que eventualmente sejam adequados ao processo?
• o método de medição “x” escolhido resulta em um valor adequado para a
avaliação da propriedade e para a tomada de decisão se o produto é
adequado para o processo?
Vamos tomar como exemplo um produto “A” que deve ser “seguro”47. Quais as
propriedades deste produto? Suponha que a existência de um botão de
emergência vermelho seja considerada como necessária, apesar de não ser
suficiente, para garantir a segurança. Qual a propriedade “a” deste vermelho?
Qual o método “x” para medir esta propriedade?
Observe, neste exemplo, que a divisão do problema em partes pode levar a um

método experimental que seja determinar a faixa de frequência da luz emitida
pelo botão. Como a frequência é uma das grandezas com menor incerteza de
medição, este método pode ser extremamente preciso.
Por outro lado, não há nenhuma relação intrínseca entre segurança e a cor exata
de um botão. São aspectos culturais que podem ser usados inclusive para
facilitar o treinamento. Raramente alguém perguntaria “qual é mesmo a cor do
botão que devo apertar em caso de emergência”? Também não teria dúvida de
saber qual é o botão vermelho48. Sabendo disso, várias normas da ABNT
reservam esta cor para indicações de perigo ou que exigem ação imediata, sem
se preocupar com a especificação exata do que é “vermelho”.
Sabendo destas particularidades, o método experimental deve estar focado em

garantir que a propriedade do produto seja adequada ao processo, da forma
mais objetiva possível, sem encarecer desnecessariamente o processo de
medição. No exemplo dado, uma simples pergunta para um número significativo
de pessoas com visão normal seria o suficiente para garantir a segurança do
produto: este botão é vermelho?
A matemática auxilia na tomada de decisão disponibilizando diversas

ferramentas para testar hipóteses. A inferência estatística é a parte da ciência
que desenvolve e estuda estas ferramentas.
46
Não raramente esta faixa é simétrica, “está em torno de um valor especificado”; às vezes ela é
assimétrica; e às vezes é apenas um limite: “deve ser maior (ou menor) que um valor especificado”.
47
No Brasil, o Inmetro e outros órgãos trabalham juntos para definir quais os procedimentos de ensaios
(normas) que são utilizados para definir “seguro”.
48
Naturalmente, há certas limitações físicas que podem dificultar esta identificação.
236
Em qualquer método escolhido, a resposta poderá ser positiva ou negativa.

Estatisticamente falando, esta resposta pode ser correta ou incorreta. Desta
forma temos quatro possibilidades:
• o método indica que a propriedade está apropriada, o que é verdade;

• o método indica que a propriedade não está apropriada, o que é verdade;
• o método indica que a propriedade está apropriada, o que não é verdade;
• o método indica que a propriedade não está apropriada, o que não é verdade;
Note-se que nas duas últimas situações de erro de medição, teremos que ou o
fornecedor ou o comprador do produto serão prejudicados (ou ambos). São os
chamados resultados falso positivo e falso negativo, respectivamente.
Do ponto de vista da estatística, nos métodos experimentais em engenharia,

temos duas hipóteses a serem testadas:
• hipótese nula: a propriedade está adequada;

• hipótese alternativa: a propriedade não está adequada.
Ambas as hipóteses precisam ser suficientemente testadas com o método

proposto, e um valor de erro aceitável da hipótese deve ser tolerado. Afinal, para
este erro tender a zero, o número de ensaios normalmente tenderia a infinito.
No exemplo dado, para qual número de pessoas devo fazer a pergunta para ter
certeza de que o botão é vermelho? No limite, para todos que usarão o
equipamento alguma vez na vida. Se 99,99% das pessoas disserem que o botão
é vermelho, deveria trocar sua cor por não atender a totalidade dos usuários?
Ou só treinar os usuários com mais cuidado?
Os testes de hipóteses desempenham um papel importante na metrologia e em

todas as áreas que dependem de medições: indústria, medicina, agricultura,
governo, etc. São procedimentos estatísticos em que os dados coletados e
medidos servem para comprovar uma alegação feita sobre uma população.
Como a decisão tomada será baseada numa amostra (e não na população
inteira), um teste de hipóteses poderá levar a uma conclusão equivocada. No
entanto, em muitos casos, a estatística é o único recurso para se chegar o mais
próximo possível da verdade, se for utilizada de forma correta. Em metrologia, o
interesse pode ser em verificar:
• se a amostra é “compatível” com a população; ou mesmo

• se a amostra 1 é “compatível” com a amostra 2.
Como visto acima, todos os testes de hipóteses contêm duas hipóteses. A

primeira, denominada de hipótese nula (H0) representa a situação que se
237
assume verdadeira até que se prove o contrário. É útil fazer uma analogia com
processos criminais onde um acusado (réu) é dito ser inocente até que se prove
o contrário. A pressuposição de inocência é, portanto, uma hipótese nula.
Se a hipótese nula não for verdadeira, é necessário estabelecer uma hipótese
alternativa (denominada H1), que representa o modelo alternativo a ser
considerado.
Assim, considerando o exemplo do réu, formulamos as hipóteses:
H0- O réu é inocente

H1- O réu é culpado
Vamos tomar como exemplo, o fabricante de um novo carro que anuncia que a
média de consumo de combustível de seu produto é de 20 km/l. Como
comprovar este dado? Não é possível testar todos os carros fabricados
(população), portanto é preciso trabalhar com um número limitado de veículos
escolhidos aleatoriamente (amostra). A partir dos dados medidos na amostra, é
possível estabelecer um teste de hipóteses, e tomar uma decisão a respeito do
anúncio do fabricante.
Para verificar se a média da amostra é “compatível” com o valor informado pelo

fabricante, podemos definir duas hipóteses:
• Hipótese nula (H0) como sendo a hipótese que corresponde ao fato de que a
média da amostra, x , é “compatível” com a média da população,  (isto é,
x =)
• Hipótese alternativa (H1) como sendo a hipótese que corresponde ao fato de
que a média da amostra, x , não é “compatível” com a média da população
 (isto é, x )
Para realizar este teste de hipóteses, toma-se uma amostra aleatória de 30

veículos do fabricante e mede-se o consumo de cada um, obtendo-se uma
distribuição gaussiana com média x =18,9 km/l e desvio padrão s =0,43 km/l. O
próximo passo é definir uma região aceitável para o teste.
A Figura 5.32 foi elaborada considerando-se que o anúncio do fabricante é

correto. De acordo com o Teorema do Limite, a gaussiana representada nessa
figura corresponde à distribuição amostral das médias (com n =30), com a média
declarada  = 20 km/l, e desvio padrão da média igual a s = 0, 43 = 0, 078 km/l
n 30
. Observa-se então que a média amostral obtida encontra-se fora da região
considerada “aceitável”, adotando-se um nível de significância  = 5% (ou seja,
um nível de confiança de 95%).
238
A área sombreada (região aceitável) corresponde a 95% de probabilidade da

média amostral estar próxima ao valor anunciado, dentro de um intervalo definido
por (dois desvios padrão). No entanto, a média obtida encontra-se bem
afastada do valor proclamado, e visivelmente fora dessa região aceitável. Ou

seja, é um valor incomum, que ocorre com menos de = 2,5% de probabilidade.
2
Figura 5.32- Distribuição gaussiana correspondente à população dos carros

fabricados
2s / n
s/ n
Este resultado nos leva a duas possíveis conclusões:
a) O valor do consumo fornecido pelo fabricante é correto e os carros que foram

analisados estão “fora do padrão”. Este resultado sugeriria que esses carros
fossem levados de volta para a fábrica para serem reavaliados. Assim, a
hipótese H0 poderá ser rejeitada devido a um problema de amostra “viciada”,
quando o correto seria aceitar H0.
b) O valor anunciado é incorreto, sugerindo que o fabricante deva corrigir o valor
anunciado. Ou seja, a hipótese H0 é rejeitada, e o correto seria mesmo rejeitá-
la, já que o problema está no valor anunciado!
239
De forma ideal, gostaríamos de rejeitar a hipótese H0 para todo valor de x em

H1 com probabilidade 1, e da mesma forma, gostaríamos de não rejeitar (aceitar)
a hipótese H0 para todo valor de x em H0 com probabilidade 1.
No mundo real, essas situações dificilmente existem, e serão dois os tipos de

erros que poderemos cometer no diagnóstico de um teste de hipóteses:
• Erro Tipo I: Rejeitar a hipótese H0, quando ela é verdadeira

• Erro Tipo II: Não rejeitar a hipótese H0, quando ela é falsa
A Tabela 5.9 resume as situações acima, e a Tabela 5.10 apresenta a analogia

desses erros com aqueles que podem ser cometidos num processo criminal.
Tabela 5.9 - Erros nos Testes de Hipóteses
Aceitar H0 Rejeitar H0
H0 verdadeira Decisão correta Erro do tipo I
H0 falsa Erro do tipo II Decisão correta
Tabela 5.10- Resultados possíveis de um júri
Decisão
Verdade sobre o acusado Inocente Culpado
Inocente Justiça Erro do tipo I
Culpado Erro do tipo II Justiça
Ocorre o Erro Tipo I quando H0 é rejeitada, quando o correto seria aceitá-la. É

uma Falsa Rejeição. O Erro Tipo II ocorre quando se aceita H0 quando o correto
seria rejeitá-la. É uma Falsa Aceitação.
Se a hipótese H0 for “verdadeira e não rejeitada” ou “falsa e rejeitada”, a decisão

estará correta. No entanto, se a hipótese H0 for “rejeitada sendo verdadeira”, ou
se “não for rejeitada sendo falsa”, a decisão estará errada. A probabilidade de
cometer o primeiro destes erros, o chamado Erro do Tipo I, é denotada pela letra
grega  (alfa); o segundo é chamado Erro do Tipo II, e a probabilidade de
cometê-lo é denotada pela letra grega  (beta). A probabilidade de ocorrer o
erro do tipo I (  ) é denominada nível de significância do teste. O complementar
do nível de significância, ou seja, (1 −  ) é denominado nível de confiança.
240
As etapas básicas necessárias para se realizar um teste de hipóteses são:
I- Premissas
• A média deve representar uma variável quantitativa.
• A coleta de dados deve ser produzida aleatoriamente.
• A população deve ter distribuição aproximadamente normal.
II- Definição das Hipóteses Nula (H0) e Alternativa (H1) sobre a média
H 0 : x = 
Bilateral: 
H1 : x  
H : x =  H 0 : x = 
Unilateral:  0 ou 
H1 : x   H1 : x  
III- Decisão
• Aceitar H0 se o nível de significância    crítico (Ex: 5%)

• Rejeitar H0 se    crítico
Nota-se que há três tipos de testes de hipóteses, dependendo da hipótese

alternativa de interesse: no exemplo apresentado acima sobre o consumo dos
carros, o teste de hipóteses é bilateral, pois em H1 aparece simplesmente o
símbolo ≠ (“diferente de”). No teste bilateral, cada cauda da gaussiana tem uma
área igual a  / 2 . Assim, a região “aceitável” tem uma área de 95% e a cada
lado dessa região, tem-se 2,5% de probabilidade de que se encontre o valor
médio testado.
No entanto, no mesmo exemplo, o teste de hipóteses poderia ser definido como

unilateral à esquerda (onde aparece o sinal < , “menor que”), já que apenas
valores menores que o divulgado seriam prejudiciais ao cliente. Nesse caso, a
hipótese alternativa seria:
H1: x
e o índice  (5%) corresponderia apenas à área à esquerda da região aceitável.
Em outros exemplos, poderia ser mais adequado utilizar um teste de hipóteses

unilateral à direita (onde aparece o sinal >, “maior que”), e nesse caso a hipótese
alternativa seria:
H1: x
e o índice  (5%) corresponderia apenas à área à direita da região aceitável.
241
Esses três tipos de Testes de Hipóteses estão ilustrados na Figura 5.33.
Figura 5.33- Testes de Hipóteses unilaterais e bilateral
unilateral à direita
unilateral à esquerda
bilateral
Aqui, vale lembrar que dados amostrais podem seguir vários tipos de
distribuições estatísticas: a mais comum, que é a distribuição normal ou
gaussiana, mas também as distribuições uniforme (ou retangular), t de Student,
qui-quadrado, binomial, etc. Para cada tipo de distribuição, existem testes de
hipóteses adequados.
Conforme mencionado anteriormente, em metrologia, a etapa de Decisão de um

teste de hipóteses consiste normalmente em se verificar:
▪ se a amostra é “compatível” com a população; ou mesmo
▪ se a amostra 1 é “compatível” com a amostra 2.
Para a verificação de compatibilidade, podem ser empregados os conceitos de

z’-score ou erro normalizado, sendo que em ambos devem ser conhecidos os
242
valores e incertezas associados às grandezas cuja compatibilidade se deseja

analisar (Ver Item 3.7). Vale lembrar que esses são critérios bastante utilizado
em práticas interlaboratoriais (ou seja, em processos de comparação de
resultados da mesma grandeza obtidos por diferentes laboratórios).
No teste de z’-score, definido pela expressão (5.54), os valores a serem

comparados são acompanhados de suas respectivas incertezas padrão
combinadas ( k = 1 ), ou seja:
Va  uVa e Vb  uVb
Os resultados serão considerados compatíveis caso z '  2 , e incompatíveis para

z '  3 . No intervalo 2  z '  3 recomenda-se que medições sejam refeitas para
que um novo teste de compatibilidade seja realizado.
Va − Vb
z´= (5.54)
uV2a + uV2b
Para o erro normalizado, E n , definido pela expressão (5.55), os valores são

considerados compatíveis caso E n seja menor ou igual a 1; se E n for maior que
1, os valores são considerados incompatíveis.
Assim, pode ocorrer que os valores das grandezas Va e Vb sejam próximos, mas
se as incertezas expandidas UV = 2uV e UV = 2uV forem pequenas, o valor de
a a b b
E n poderá resultar maior que 1, caracterizando resultados incompatíveis, o que

levará à rejeição da hipótese nula.
Va − Vb
En = (5.55)
UV2a + UV2b
Vale notar que as expressões de E n e z´ são equivalentes, tendo em vista que

UVa = 2uVa e UVb = 2uVb , e portanto os limites de compatibilidade En  1 e z´ 2
coincidem. Em termos práticos, o teste do z’-score é interessante no sentido em
que propõe a região 2 < z´ < 3 para que os resultados obtidos sejam verificados
ou refeitos, antes de se estabelecer um diagnóstico de incompatibilidade.
Vamos agora utilizar o exemplo dos capacitores, apresentado no item 5.4.1 para
elaborar um teste de hipóteses relacionado a essa distribuição amostral.
Podemos, por exemplo, verificar se os valores obtidos experimentalmente para
a amostra de 52 componentes do mesmo lote são compatíveis com as
especificações fornecidas pelo fabricante, ou seja:
243
H0 - a amostra é compatível com as especificações do fabricante, de acordo

com o teste do z’-score
H1 – a amostra é incompatível com as especificações do fabricante
Para aplicar o teste do z’-score, temos que:
Pelas especificações do fabricante, C=100 F com incerteza padrão

20 / 3 = 12 µF (considerando a tolerância de 20%, fornecida pelo fabricante,
como uma distribuição retangular), ou seja: Ce = (100  12) μF
Considerando-se como resultado da amostra, os parâmetros da gaussiana:
Média: x3 = 97,12 μF Desvio Padrão: s3 = 2, 2898 μF
ou seja, Ca = (97,1  2,3) μF , temos que:
Ce − Ca 100 − 97,1
z´= = = 0, 24
(uCe ) 2 + (uCa ) 2 122 + 2,32
Se considerarmos o resultado inicial da amostra, com todos os valores medidos,

incluindo os outliers, temos:
Média: x1 = 97,3808 μF Desvio Padrão: s1 = 3,5638 μF
ou seja: Ca = (97, 4  3, 6) μF , resultando:
Ce − Ca 100 − 97, 4
z´= = = 0, 21
(uCe ) + (uCa )
2 2
122 + 3, 62
O teste também pode ser aplicado aos parâmetros inferidos para a população:
Média:  = 97,3 μF Desvio Padrão:  = 3,0 μF
ou seja: Ca = (97,3  3, 0) μF , resultando:
Ce − Ca 100 − 97,3
z´= = = 0, 22
(uCe ) + (uCa )
2 2
122 + 3, 02
Em todos os casos, resultou z´ < 2, o que indica que a hipótese nula poderá ser
aceita, ou seja, a amostra analisada é compatível com as especificações do
fabricante.
244
É importante ressaltar que para a decisão da aceitação ou não de um lote de

peças, há normas específicas que, baseadas em hipóteses matemáticas,
propõem formas de se estabelecer um acordo aceitável tanto para o comprador
como para o vendedor do produto (por exemplo, a Norma ISO/GPS 14253-1
(ISO, 2017)).
No exemplo, foram construídas as hipóteses em função da média de um

resultado de interesse. Mas os testes de hipóteses podem ser elaborados em
função de outros parâmetros, como variância e desvio padrão (LARSON, 2016).
1- Na caracterização de uma mola de tração, foram obtidos os pontos

experimentais de força F aplicada e correspondente deslocamento x da
mola, indicados na Tabela 5.11. Pergunta-se:
a) A mola obedece a Lei de Hooke, isto é F = − K x , sendo K a constante

elástica da mola? Em qual faixa de força aplicada?
b) Na região linear da mola, qual é o valor da sua constante elástica K ?
c) Estime a incerteza padrão combinada u K (para k = 1 ), associada ao valor
obtido em b), sabendo-se que as incertezas relativas nas medidas de força
são de 0,5% e de deslocamento, 1%.
Tabela 5.11- Medidas de força e deslocamento da mola
Força F (N) Deslocamento x (mm)

0 0
1 10
2 21
5 55
8 90
14 150
15 180
2- Na Figura 5.34 estão representadas as formas de onda exponenciais da

tensão no capacitor de 50 F e no resistor do circuito RC, quando a chave do
circuito é fechada, com dois valores diferentes da resistência R .
Pede-se:
245
a) A partir dos gráficos, determine as constantes de tempo da resposta de

tensão do circuito, correspondentes a cada caso. Calcule os dois valores
correspondentes da resistência R , sabendo-se que a constante de tempo
vale  = RC .
b) Avalie as incertezas associadas a estes valores, de acordo com o método
utilizado para obtê-los.
c) Forneça a expressão da variação da tensão no capacitor para o caso em
que o circuito tem constante de tempo maior (resposta mais lenta).
d) Obtenha os valores da tensão e da corrente no capacitor para t = 10 s , em
ambos os casos.
Figura 5.34- Respostas do Circuito RC:

vermelho: tensão no capacitor; azul: tensão no resistor
C = 50  F R
6V
3- Um aluno mediu com um multímetro, a cada 25 segundos, o valor da tensão

num capacitor de 1000 F sendo carregado, obtendo os resultados da Tabela
5.12. No entanto, o aluno se esqueceu de medir o valor da resistência do
circuito RC e o valor da tensão da fonte de alimentação.
a) Determine, a partir dos dados experimentais, os valores mais prováveis da

resistência e da tensão de alimentação do circuito.
b) Desprezando as incertezas nas medidas do tempo e da tensão, e utilizando
o valor da tensão de alimentação obtido no item a), determine de forma
estatística, o valor da constante de tempo ( = RC ) e sua respectiva
incerteza.
246
Tabela 5.12- Medidas de tensão x tempo na carga de um capacitor
Tempo Tensão (V)

(minutos:segundos)
0 0
25 1,101
50 1,976
1:15 2,636
1:40 3,174
2:05 3,595
2:30 3,926
2:55 4,179
3:20 4,385
3:45 4,549
4:10 4,678
4:35 4,777
5:00 4,861
4- No processo de levantamento da função de transferência de um conversor AD

(analógico/digital) de N = 4 bits, com tensão de referência medida Vref =
(4,9980,027) V, um grupo de alunos obteve como resultado do ajuste dos
pontos experimentais, os valores obtidos com o software LABFit,
apresentados na Figura 5.35.
Pede-se:
a) Quais deveriam ser os valores dos parâmetros A e B no caso de um
conversor ideal?
b) Qual é o valor do passo de quantização V (teórico) desse conversor e
sua respectiva incerteza?
c) Qual é o valor do passo de quantização experimental Vexp desse
conversor? Apresente o resultado, acompanhado da respectiva incerteza.
247
Figura 5.35 – Função de transferência do Conversor AD
5- O histograma e correspondente gaussiana da Figura 5.36 foram obtidos a

partir das medições de capacitância C de uma amostra de 50 capacitores,
utilizando um multímetro com resolução de 0,1 µF.
Pede-se:
a) A partir do gráfico apresentado, obtenha a média e o desvio padrão da
distribuição (considerada normal) dos valores de capacitância C medidos.
b) Considerando: o desvio padrão da distribuição normal obtida no item a)
248
como sendo a incerteza tipo A; e a incerteza instrumental do multímetro

(1,9%+8 unidades) como sendo a incerteza tipo B; faça o cálculo da
incerteza padrão combinada associada ao valor médio de capacitância
também obtida em a).
c) O experimentador havia elaborado o seguinte teste de hipóteses:
• H0 - A amostra é compatível com as especificações do lote de
capacitores
• H1 - A amostra não é compatível com as especificações do lote de
capacitores
Sabendo-se que o fabricante especifica o lote de capacitores como tendo
valor 100 µF e tolerância de 10%, determine qual deve ser o diagnóstico
do teste de hipóteses, utilizando o conceito de Erro Normalizado.
Figura 5.36- Resultados da medição de uma amostra de capacitores

(valores de C em µF)
6- O fabricante de uma peça metálica retangular garante que todas as peças

comercializadas em sua indústria possuem área de (122020) mm2 ( k =2;
nível de confiança de aproximadamente 95%).
Na Tabela 5.13 estão dispostos os resultados de medições do comprimento

L e da altura H de três peças retiradas aleatoriamente do estoque desse
fabricante.
249
Pede-se:
a) Calcule o valor da área ( A ) das três peças, e preencha a Tabela 5.14 com
esses valores.
b) Enuncie um teste de hipóteses (hipóteses nula e alternativa),
correspondente à afirmação do fabricante, de forma a auxiliar a tomada de
decisão de um industrial que pretende adquirir essas peças para utilização
na montagem de uma máquina de precisão.
c) Sabendo-se que:
• as medições foram realizadas com um paquímetro com nônio de 50
divisões;
• que a incerteza devido à repetibilidade nas medidas de L e H foi de 1%;
• que as medidas de L e H são independentes;
determine as incertezas padrão combinadas correspondentes aos valores
das áreas calculadas no item a), e preencha a Tabela 5.14 com esses
valores. Preencha também a última linha da Tabela 5.14 com os valores
das áreas acompanhados das respectivas incertezas.
d) A partir de seus resultados, tome uma decisão sobre o teste de hipóteses
enunciado em b), utilizando o critério do z’-score. Explique sua resposta.
Tabela 5.13- Medidas de comprimento e altura de três peças retangulares

para determinação da área das peças
Peça 1 2 3
Comprimento ( L ) (mm) 24,26 24,20 24,22
Altura ( H ) (mm) 50,36 50,42 50,38
Área ( A ) (mm2)
Incerteza ( u A ) (mm2)
250
Capítulo 6- Documentação Técnica em Engenharia
6.1 Importância da Documentação Técnica

É atividade fundamental de um engenheiro produzir documentação técnica em
várias ocasiões de sua carreira. No caso do engenheiro experimentalista, reunir
num relatório, artigo científico ou numa apresentação oral, de forma sucinta e
consistente, as etapas descritivas de um método experimental, com os
correspondentes dados e resultados obtidos, bem como as conclusões e
diagnósticos do processo é uma arte que demanda prática e na qual muitos
alunos e profissionais encontram alto nível de dificuldade. No entanto, vale
destacar que não importa quão relevante seja um experimento ou uma
descoberta, se a informação não é comunicada de forma apropriada às pessoas.
Neste capítulo são apresentadas algumas diretrizes para auxiliar o trabalho de

se produzir documentação técnica em engenharia em geral, e, em particular, no
âmbito da disciplina Métodos Experimentais em Engenharia. Destaca-se que
essa atividade deve ser iniciada bem antes da ida ao laboratório para a
realização do experimento propriamente dito. Após definido o mensurando de
interesse; estudados os modelos teóricos associados; projetado o método
experimental, incluindo a instrumentação a ser utilizada; e redigido o Roteiro do
experimento; deve-se elaborar um Pré-Relatório (Item 6.3), que irá orientar a
realização das etapas previstas, normalmente através de um fluxograma, bem
como organizar a coleta de dados, as medições necessárias e as estimativas
das incertezas associadas.
Após a realização do experimento, procede-se então à elaboração do Relatório

Técnico (Item 6.4). Pode-se entender um relatório de engenharia como sendo a
descrição detalhada, de forma clara e objetiva, de um trabalho realizado, tal que
outros profissionais de mesma qualificação possam alcançar as mesmas
conclusões a partir de procedimento similar. Dentre os “outros profissionais”,
pode ser incluído o próprio profissional que realizou o experimento, e que
eventualmente necessite revisitá-lo algum tempo depois. Portanto, deve-se
entender o relatório como um documento de extrema utilidade prática, cuja
elaboração deve ser efetuada de forma cuidadosa para que sua leitura seja
agradável e seu conteúdo seja consistente e produtivo aos interessados.
251
A estrutura de um relatório técnico depende do setor e da instituição, dos

objetivos e dos leitores para o qual é produzido, lembrando que a ABNT
(Associação Brasileira de Normas Técnicas) fornece Normas para a elaboração
de Relatórios Técnicos e/ou Científicos (ABNT, NBR10719), bem como para
Trabalhos Acadêmicos (ABNT, NBR14724), que devem ser devidamente
seguidas na produção de documentação profissional no país. Destaca-se que a
maioria dos relatórios em engenharia contém gráficos e tabelas, que devem ser
elaborados com cuidado para cumprir seu objetivo de auxiliar na visualização de
valores (naturalmente com suas incertezas), e na compreensão de conclusões
e diagnósticos, minimizando o volume de texto necessário para tal.
Sempre que possível, a documentação técnica deve ser produzida utilizando-se

recursos computacionais (processador de texto e de equações, planilhas,
calculadoras programáveis, softwares específicos, etc.), que enriquecerão a
forma e conteúdo do trabalho apresentado. Vale ressaltar a importância de se
elaborar a documentação utilizando-se português correto, com frases
devidamente pontuadas e estruturadas, de forma preferencialmente impessoal49
e com os verbos normalmente no passado.
A crescente preocupação com boas práticas e integridade nas atividades

acadêmicas, científicas, técnicas e de pesquisa devem ser sempre introduzidas
e cultivadas ao longo de todas as carreiras profissionais, refletindo-se também
na elaboração de documentação técnica. Num cenário de grande disponibilidade
de informação em variadas fontes, é necessário que o profissional tenha bem
claros e pratique sempre os conceitos de honestidade e fidelidade científicas no
registro, apresentação, citações e referências de seus trabalhos, evitando as
condições indesejáveis, mesmo que não intencionais, do plágio.
Além dos pontos já destacados, deve-se lembrar que, em engenharia, a maior

parte das atividades (projetos, implementação, testes, medições, análise de
resultados, etc.) é realizada em equipe, incluindo a etapa da documentação
técnica. E, se já existem dificuldades na realização individual dessa atividade,
elas poderão se multiplicar quando feita por várias pessoas. É importante
garantir, para o bem dos leitores, que um relatório técnico não se torne uma
junção de peças inconsistentes e incompreensíveis. Para isso, mesmo que o
trabalho seja distribuído (o que ocorre muitas vezes na prática), é fundamental
que todos os atores participem na leitura e revisão do documento final, de forma
a garantir sua congruência técnica e consistência científica.
49
A menos que o(s) autor(es) tenha(m) uma responsabilidade a ser salientada no relato, como por
exemplo, “o grupo escolheu tal método por tal razão”. Sobre o uso da primeira pessoa em linguagem
científica, ver, por exemplo: https://cienciapratica.wordpress.com/2013/04/23/deve-se-ou-nao-evitar-
usar-a-primeira-pessoa-em-linguagem-cientifica
252
Como motivação para esse capítulo sobre documentação técnica em

engenharia, algumas regras práticas úteis são apresentadas na Tabela 6.1 e
alguns erros comuns na elaboração de relatórios técnicos são dispostos na
Tabela 6.2.
Tabela 6.1 – Regras práticas para a confecção de documentação técnica
1- O leitor é a pessoa mais importante.

2- Mantenha o relatório o mais curto possível.
3- Organize o relatório de acordo com a conveniência de seu usuário.
4- Todas as referências devem ser corretas em todos os seus detalhes.
5- A escrita deve ser precisa, concisa e moderada.
6- Diagramas/figuras/tabelas devem ser corretos, com as legendas adequadas,
e devem estar no lugar apropriado do texto, para facilidade de acesso ao leitor.
7- O resumo deve descrever tudo, de forma concisa.
8- O relatório deve ser verificado quanto a erros técnicos, erros de digitação e de
linguagem, e inconsistências em geral.
9- O relatório deve ser e parecer bom.
10- O leitor é a pessoa mais importante.
Fonte: https://www.theiet.org/media/1786/technical-report-writing.pdf
Tabela 6.2- Erros comuns na elaboração de Relatórios Técnicos
1- Não atendimento às Normas estabelecidas (estrutura e forma).

2- Texto mal escrito, sem planejamento, sem fluência e com erros de grafia,
digitação, gramática e pontuação.
3- Resumo mal escrito ou muito longo, não contendo todos os itens do trabalho
de forma sucinta.
4- Introdução extensa e sem relação direta com o conteúdo do relatório.
5- Falta de clareza dos objetivos do trabalho.
6- Descrição incompleta dos métodos utilizados.
7- Resultados incompletos e/ou não discutidos.
8- Tabelas, gráficos e figuras sem legendas, de baixa qualidade ou não
apresentadas no texto.
9- Equações matemáticas mal editadas, não numeradas e incompreensíveis.
10- Texto interrompido por conteúdos que deveriam ser apresentados num
Apêndice.
11- Discussões superficiais, triviais ou alheias aos resultados.
12- Conclusão superficial, inócua ou incoerente.
13- Falta de referências bibliográficas.
14- Referências bibliográficas mal formatadas.
15- Prática de Plágio (como cópia ou tradução de textos sem referenciar a fonte
original, por exemplo).
253
6.2 Importância das Normas Técnicas

Ao longo da disciplina “Métodos Experimentais em Engenharia” e em vários
capítulos deste livro destacou-se que uma mesma grandeza pode ser obtida
através de métodos experimentais diferentes e assim ser definida como
diferentes mensurandos. Em metrologia, é importante a comparação criteriosa e
quantitativa entre resultados obtidos para o mesmo mensurando por laboratórios
ou instituições diferentes.
Engenheiros com experiência num determinado processo dedicam-se então ao

procedimento de Normalização (ou Normatização), que consiste na “atividade
que estabelece, em relação a problemas existentes ou potenciais, prescrições
destinadas à utilização comum e repetitiva com vistas à obtenção do grau ótimo
de ordem em um dado contexto. Consiste, em particular, na elaboração, difusão
e implementação das Normas” (ABNT). Os objetivos dessa atividade abrangem
várias áreas de interesse:
• Na economia: para proporcionar a redução na variabilidade de produtos

e procedimentos.
• Na comunicação: para proporcionar meios mais eficientes na troca de
informação entre as partes interessadas.
• Na segurança: para proteger a vida humana e a saúde.
• Na proteção do consumidor: para prover a sociedade de meios eficazes
para aferir a qualidade dos produtos e serviços.
• Na eliminação de barreiras técnicas e comerciais: para evitar a existência
de regulamentos conflitantes sobre produtos e serviços em diferentes
países.
Normas são “documentos estabelecidos por consenso e aprovados por um

organismo reconhecido, que fornece regras, diretrizes ou características
mínimas para atividades ou para seus resultados, visando à obtenção de um
grau ótimo de ordenação em um dado contexto” (ABNT). No Brasil, a ABNT é o
órgão responsável por “prover a sociedade brasileira de conhecimento
sistematizado, por meio de documentos normativos, que permita a produção, a
comercialização e o uso de bens e serviços de forma competitiva e sustentável
nos mercados interno e externo, contribuindo para o desenvolvimento científico
e tecnológico, proteção do meio ambiente e defesa do consumidor” (ABNT). Vale
notar que esses documentos são dinâmicos e sofrem atualização ao longo do
tempo de forma a incorporar os avanços tecnológicos das diversas áreas.
Assim, é fácil entender que todo engenheiro, na prática de sua profissão, deverá
consultar, interpretar, utilizar, e algumas vezes, produzir normas técnicas, sendo
254
vários esses tipos de documentos que estão relacionados com as áreas de

metrologia e instrumentação.
Portanto, antes do início do projeto de um experimento ou de um ensaio de

medição, é boa prática que o engenheiro consulte a existência de normas
técnicas relacionadas ao tema de estudo, e baseie seu procedimento de
caracterização nas instruções contidas nas versões mais atualizadas das
normas em questão, para que seus resultados possam ser validados em âmbito
mais amplo que o de seu próprio laboratório, bem como comparados com valores
pré-estabelecidos nesses documentos ou provindos de outras instituições.
Há, nas normas técnicas, um saber que sintetiza dezenas de anos, quando não
mais de um século de conhecimento usado na evolução da tecnologia. Métodos
criados no século XIX foram aperfeiçoados ao longo do século XX, e hoje estão
adaptados à instrumentação do século XXI. Este é o caso de normas na área de
segurança contra choques elétricos, por exemplo. O desenvolvimento de um
método que possa ser usado para testar a hipótese “o equipamento é seguro?”
exige que muitos anos de experiência tenham sido acumulados. Nas normas
técnicas há sempre um texto inicial, ou um apêndice, que permite recuperar a
retrospectiva do conhecimento adquirido pela comunidade da área.
São inúmeras as normas técnicas brasileiras e internacionais vigentes no Brasil.

Além das normas publicadas pela própria ABNT, há, por exemplo, as normas da
categoria ISO, relacionadas a aspectos diversos, como qualidade, segurança e
meio ambiente; as normas da categoria NR, que são as Normas
Regulamentadoras do Ministério ou Secretaria do Trabalho, que visam garantir
a segurança e a saúde do trabalhador estabelecendo práticas relacionadas, por
exemplo, à prevenção de acidentes e proteção individual, dentre outros
aspectos; e as normas da categoria IEEE, que são publicadas pelo Instituto de
Engenheiros Eletricistas e Eletrônicos, organização que congrega profissionais
de cerca de 150 países (NORMAS TÉCNICAS)50.
6.3 Pré-Relatório
O objetivo do Pré-Relatório é preparar de antemão o experimento que será
realizado no laboratório, a partir do estudo de um roteiro pré-existente para
obtenção de um mensurando de interesse. Esse documento deve auxiliar a
50
São exemplos de Normas Técnicas vigentes no Brasil: a ABNT NBR ISO 9001, que é a versão brasileira
da norma internacional ISO 9001 que estabelece requisitos para o Sistema de Gestão da Qualidade (SGQ)
de uma organização; a NR-10, que é a Norma Regulamentadora emitida pelo Ministério ou Secretaria do
Trabalho do Brasil que tem por objetivo garantir a segurança e a saúde dos trabalhadores que interagem
nas instalações e serviços com eletricidade; e a IEEE 802.11, que define padrões para o funcionamento de
redes sem fio, como, por exemplo as redes Wi-Fi.
255
realização do experimento, gerando as tabelas de dados a serem coletados de

forma organizada e facilitando a análise posterior dos resultados.
Em linhas gerais, o Pré-Relatório deve conter:
• objetivos do experimento ou do projeto;

• um resumo dos cuidados experimentais que devem ser tomados;
• espaço para registro das condições ambientais (Ex: temperatura, pressão,
etc.) que possam afetar os instrumentos e as medições a serem feitas;
• as etapas dos procedimentos a serem realizados, esquematizadas através
de fluxogramas;
• os cálculos teóricos de resultados esperados, obtidos a partir dos modelos
existentes dos fenômenos que serão observados;
• as etapas de medições a serem feitas;
• o diagrama de Ishikawa (Item 2.6.1) das grandezas de influência, contendo
as principais fontes de incerteza esperadas das medições que serão
realizadas (esse diagrama poderá ser alterado e complementado durante a
realização do experimento, mas é importante que o engenheiro pense de
antemão sobre os fatores que poderão afetar os resultados das medições);
• as tabelas que serão utilizadas na aquisição dos dados experimentais e que
facilitem a coleta e a análise dos resultados (essas tabelas podem ser
alteradas ou complementadas durante a realização do experimento, já que
nem sempre é possível prever tudo o que deverá ser medido);
• espaços reservados para as comparações que se pretende fazer (entre
resultados experimentais e teóricos ou entre resultados obtidos por diferentes
métodos).
Deve-se notar que um engenheiro, na prática de sua profissão, nem sempre será
o responsável por realizar todas as medições de um experimento no laboratório.
Alguns experimentos, inclusive, poderão exigir medições repetitivas de uma
grandeza sob várias condições ou a utilização de equipamentos que devem ser
operados por técnicos especializados. Nesses casos, o Pré-Relatório será um
instrumento fundamental para que o engenheiro especifique a outros
profissionais, de forma clara e objetiva, quais as etapas que deverão ser
cumpridas e quais os dados que deverão ser coletados num experimento
específico, de forma a que possa, posteriormente, calcular e discutir resultados
e incertezas, chegar a conclusões e elaborar diagnósticos sobre o mensurando
estudado.
256
6.4 Relatório Técnico

Várias estruturas são possíveis para um Relatório Técnico, dependendo dos
objetivos e dos leitores ao qual é destinado o documento. No caso de um
relatório de engenharia, associado a um experimento de metrologia, sugere-se
que o documento deva conter (dentre outros desejados) os tópicos listados
abaixo e descritos a seguir:
• Resumo;
• Descrição experimental e Metodologia;
• Resultados e Discussão dos resultados;
• Conclusões;
• Referências bibliográficas;
• Apêndices.
Se necessário, essa lista poderá incluir também, após o Resumo, um item a ser
denominado “Introdução”, “Objetivos” ou “Contextualização”, em que o autor
poderá incluir uma descrição sucinta do tema em estudo e dos objetivos do
experimento. Para relatórios que são fruto de um trabalho realizado a partir de
um roteiro já existente, o conteúdo desse item provavelmente estará no roteiro,
sem haver a necessidade de repeti-lo no relatório. De forma geral, esse roteiro
deverá ser citado nas Referências Bibliográficas, de forma a não haver a
necessidade de reproduzir partes de seu conteúdo, exceto por informações
consideradas relevantes para a consistência e clareza do relatório.
Resumo
Embora seja o primeiro tópico de um relatório, o resumo deve ser escrito
somente ao final do processo, quando todos os outros itens já tenham sido
escritos e revisados. Isso porque o resumo deve conter, de forma concisa e
objetiva, todos os outros itens do relatório: a contextualização do tema, os
objetivos do experimento, a metodologia empregada, o(s) principal(is)
resultado(s), discussões e conclusões. De maneira geral, pode-se dizer que o
resumo deve dar ao leitor uma ideia geral sobre o conteúdo do relatório, de forma
concisa.
Saber escrever um bom resumo exige prática e é essencial para chamar a

atenção sobre o trabalho que foi realizado e motivar o leitor a continuar a
exploração do documento. Em geral, avaliadores de um trabalho técnico, por
questões práticas de tempo, lerão primordialmente o Resumo, e talvez as
Conclusões de um relatório, dedicando-se a uma leitura mais completa apenas
se tiver interesse e tempo para tal. Apresenta-se na Tabela 6.3 o exemplo de
resumo de um relatório técnico. Note-se que todos os itens estão presentes,
257
mesmo que de forma muito breve, e que a inclusão de um resultado numérico

significativo confere confiabilidade ao trabalho realizado. Caso o resultado
numérico tenha sido obtido a partir de medições, o valor deverá vir sempre
acompanhado da incerteza expandida e do fator de abrangência k e/ou a
probabilidade correspondente (Item 3.5).
Tabela 6.3 – Exemplo de Resumo de um relatório técnico
“A inulina é um polissacarídeo que pode ser utilizado nas indústrias de alimentos

e farmacêuticas como substituto do açúcar e da gordura ou ainda na formulação
de medicamentos e alimentos funcionais. A comercialização da inulina é feita
preferencialmente com o produto em pó, devido à maior facilidade no transporte,
embalagem e manuseio. Dessa forma, é de grande importância conhecer o
comportamento do produto quando armazenado sob diferentes condições de
umidade relativa. O objetivo desse trabalho foi avaliar a influência da umidade
sobre a microestrutura da inulina em pó, obtida a partir da secagem por
atomização de um concentrado de inulina extraído de raízes de chicória. A
análise da estrutura do material em microscópio eletrônico de varredura
demonstrou a sua elevada higroscopicidade. Em ambientes com atividade de
água (aw) superior a 0,3085, a inulina sofreu alterações em sua microestrutura
que comprometeram a sua qualidade.”
Fonte: Toneli, J.T.C.L. et al. Efeito da umidade sobre a microestrutura da inulina em pó, Ciênc. Tecnol.
Aliment. vol.28 no.1 Campinas Jan./Mar. 2008
Descrição experimental e Metodologia
Esse tópico, juntamente com o roteiro, deve permitir a reprodução do

experimento por qualquer pessoa com a mesma qualificação do profissional que
esteja elaborando o relatório, ou até mesmo pelo próprio autor, se precisar
refazer posteriormente as etapas experimentais. Deve haver uma descrição
bastante objetiva dos itens abaixo, lembrando que detalhes específicos de
instrumentos e normas devem ser apresentados em Apêndices, para não
sobrecarregar essa seção.
• Arranjo experimental, com identificação do material, equipamentos e

instrumentos, incluindo as características técnicas que interferem nos
resultados. É recomendável montar uma tabela contendo marca, modelo e
identificação (número de série ou número de patrimônio) dos instrumentos
utilizados; fundo de escala, resolução e quaisquer especificações que
estejam relacionadas com a incerteza da medição realizada.
• Procedimento experimental, que pode ser apresentado na forma de um

fluxograma (Item 6.5.1). Diagramas de montagem do aparato experimental e
258
esquemas de circuitos ou montagens mecânicas podem auxiliar muito na

visualização do experimento.
• Indicação de qualquer Norma Técnica ou outra referência que tenha sido

utilizada ou consultada para realização do experimento.
• Cuidados particulares e detalhes experimentais relevantes.
• Contribuições do(s) autor(es) para a melhoria do método experimental

proposto originalmente no roteiro.
• Os diagramas de Ishikawa relativos aos mensurandos estudados (esses

diagramas foram elaborados para o Pré-Relatório, mas quase sempre são
aperfeiçoados durante a execução do experimento, e por isso devem ser
reapresentados no Relatório).
Resultados e Discussão
Os resultados obtidos nas medições experimentais e nos cálculos devem ser

apresentados normalmente sob a forma de gráficos e tabelas. Todos os
resultados devem ser comentados e discutidos, com base nos fundamentos do
experimento e nas incertezas estimadas. A discussão dos resultados pode ser
feita separadamente ou em conjunto com a apresentação dos gráficos e tabelas,
sem, no entanto, simplesmente verbalizar dados que já estejam contidos nesses
elementos. Figuras, gráficos e tabelas devem ser numerados de forma
sequencial em algarismos arábicos, ter títulos explicativos e ser inseridos no
texto o mais próximo possível do trecho a que se referem, de forma que o leitor
possa facilmente visualizá-los ao longo da leitura. O título deve ser tal que, se o
elemento gráfico ou tabela for destacado do texto, seja possível compreender
seu conteúdo.
Os resultados devem ser interpretados à luz dos modelos em que foram

baseados, ou de outros trabalhos sobre o mesmo tema. Nesse item devem ser
realizadas as comparações entre resultados experimentais e teóricos e/ou entre
resultados obtidos através de métodos diferentes.
Vale repetir os cuidados especiais que devem ser tomados na expressão de

valores e incertezas, conforme apresentado no Item 3.6:
• devem vir acompanhados da unidade correspondente;

• as incertezas devem ter no máximo dois algarismos;
• o mensurando deve ter o mesmo número de casas decimais de sua
respectiva incerteza;
• deve-se usar a mesma potência de dez tanto para o valor da grandeza
como para sua incerteza.
259
Ressalta-se que em metrologia, tão importante quanto o próprio resultado, é

apresentá-lo, acompanhado de sua respectiva incerteza padrão combinada ou
incerteza expandida (com seu coeficiente de abrangência), e fornecer
claramente os fatores utilizados nos cálculos, as hipóteses consideradas e as
distribuições estatísticas associadas com cada componente de incerteza.
Portanto, nesse item do relatório é fundamental a apresentação da Tabela de
Balanço de Incertezas (também denominada Sumário dos componentes da
incerteza padrão) (Item 6.5.2), no modelo apresentado no ISO GUM (INMETRO,
2008). A partir dessa tabela, fica possível rastrear como foi obtida a incerteza
padrão combinada da medida de interesse, e eventualmente refazer o seu
cálculo, caso haja alteração no valor de algum dos componentes, além de
permitir analisar se houve alguma incerteza dominante. É importante ressaltar
que normas do Inmetro, por exemplo (INMETRO, NIT-DICLA-021, 2013)
recomendam a apresentação dessa tabela juntamente com o resultado de
qualquer medição.
Nota-se que, para manter a fluidez na apresentação dos resultados e sua

discussão, é recomendado que o detalhamento dos cálculos realizados seja
apresentado num Apêndice (sem esquecer de fazer referência sobre isso no
texto), para que o leitor interessado possa consultar esse tópico quando
necessário.
Conclusões
Essa seção deve conter, de forma resumida, os resultados mais importantes e

as análises já realizadas na seção anterior. Nesse tópico deve ficar bem claro
se os objetivos do experimento ou do projeto foram atingidos, e quais foram as
conclusões do trabalho realizado. Em geral, nesta seção são apresentados:
• a análise crítica do método experimental utilizado;

• comparações entre os resultados obtidos e os esperados;
• os diagnósticos de testes de hipóteses que tenham sido elaborados;
• conclusões obtidas a partir dos resultados com respectivo nível de confiança;
• comentários sobre o experimento e sugestões para trabalho futuro.
Cuidado: frases do tipo: “os resultados obtidos estão de acordo com o esperado”
sem nenhuma complementação numérica são absolutamente inócuas e devem
ser evitadas a todo custo num relatório técnico.
Nesse tópico, é fundamental a apresentação de alguns resultados numéricos

significativos, que representem bem o trabalho realizado, e comparações feitas
de acordo com critérios quantitativos, levando em conta as devidas incertezas.
Na Tabela 6.4 é apresentado um exemplo de texto para “Conclusões”.
260
Tabela 6.4 – Exemplo de texto para “Conclusões”
A partir das dimensões de uma peça cilíndrica medidas com um paquímetro, foi
obtido o volume da peça sob estudo: (80,300,18) cm3, k =1. Combinando-se
este resultado com a massa medida, obteve-se a densidade do material:
(8,880,03) g/cm3, k =1, podendo-se concluir, através de dados tabelados na
literatura e da aparência da peça, que a mesma pode ter sido construída de
cobre ou latão.
Referências Bibliográficas
Todas as afirmações feitas no relatório técnico devem possuir uma fonte: ou o

próprio trabalho realizado, ou referências bibliográficas. Citações no texto e
referências bibliográficas devem ser apresentadas de acordo com as normas
apropriadas da ABNT (ABNT, NBR10520) e (ABNT, NBR6023). Existem
softwares (por exemplo, (MORE)) que fazem a formatação das referências de
acordo com essas normas, bastando digitar as informações necessárias.
Referências a páginas da internet devem conter a homepage (URL) e a data de

acesso. Textos da internet não devem ser simplesmente reproduzidos no
relatório, e apenas páginas de conteúdo confiável devem ser consultadas.
Textos de autor desconhecido não devem ser citados numa documentação
técnica.
Apêndices
Os Apêndices são utilizados para apresentar tópicos que podem ser separados
do texto principal do relatório, sem prejudicar o seu entendimento e garantindo
continuidade e fluidez de leitura e entendimento. Assuntos diferentes devem
estar contidos em Apêndices diferentes, identificados por letras maiúsculas
consecutivas, travessão e título respectivo.
São exemplos de material adequado para apêndice:
• Dedução de expressões e fórmulas matemáticas

• Tabelas completas de dados coletados e cujo sumário seja apresentado no
tópico “Resultados e Discussão”
• Cálculos detalhados da propagação e combinação de incertezas que foram
apresentadas no item “Resultados e Discussão”
• Descrição, operação, calibração e especificações de um equipamento de
interesse
• Detalhes sobre recursos computacionais utilizados no trabalho
261
• Detalhes sobre normas técnicas consultadas e utilizadas no trabalho

• Respostas a questões contidas no roteiro com o objetivo de orientar o
raciocínio sobre os conceitos associados ao experimento realizado
Não é recomendado concentrar tabelas e gráficos importantes para o

entendimento do relatório em Apêndices, pois raramente o leitor irá interromper
a leitura para buscar essas informações no final do documento.
6.5 Elementos Gráficos

Praticamente todos os documentos técnicos em Engenharia incluem alguma
forma de representação gráfica: valores experimentais apresentados em tabelas
ou gráficos; distribuições estatísticas de dados; comparação de resultados
analíticos e experimentais; reprodução da tela ou display de equipamentos com
algum resultado medido; ou mesmo fotografias do arranjo experimental utilizado.
Em todos os casos, é fundamental que os elementos gráficos sejam projetados

com cuidado e elaborados com qualidade, pois além do Resumo e das
Conclusões, eles poderão atrair ou não o interesse do leitor para explorar melhor
o documento apresentado. Uma tabela bem planejada no Pré-Relatório poderá
economizar tempo na coleta de dados no laboratório, e um gráfico bem feito
representando conjuntamente resultados obtidos e calculados irá facilitar ao
leitor, e ao próprio autor, a interpretação do fenômeno e a elaboração das
conclusões sobre o experimento. Na prática, é interessante planejar os
elementos gráficos de uma documentação técnica até mesmo antes de iniciar a
redação do texto, pois geralmente o núcleo de um trabalho de engenharia estará
representado graficamente, e o texto do documento servirá para descrevê-lo e
complementá-lo.
6.5.1 Fluxogramas
O Fluxograma é uma representação gráfica de um determinado processo ou
fluxo de trabalho, efetuado geralmente com figuras geométricas normalizadas,
unidas por setas, cuja orientação indica o sentido do fluxo e a sequência das
etapas a serem realizadas. Esse elemento é muito utilizado em várias áreas de
Engenharia e Computação, pois através da representação gráfica é possível
compreender de forma rápida e fácil as entradas e saídas, bem como a transição
de informações entre as etapas e os elementos que participam do processo,
servindo como ferramenta de planejamento e aperfeiçoamento do mesmo.
262
Um exemplo de Fluxograma está representado na Figura 6.1. Diferentes formas

geométricas identificam o tipo de passo que deve ser executado, mas os mais
utilizados estão indicados nessa figura: a forma oval (ou um retângulo com
bordas arredondadas) para representar o início e o fim do processo; o retângulo,
para descrever uma ação; e o losango, para indicar uma decisão, tendo este,
duas saídas para orientar as respostas positiva (“Sim”) ou negativa (“Não”). Há
vários outros símbolos que podem também ser utilizados (FLUXOGRAMA) e
existem diversos softwares e aplicativos disponíveis para a confecção de
fluxogramas.
É fácil entender a utilidade de um fluxograma que descreva as etapas de

realização de um experimento. Essa ferramenta deve ser inicialmente produzida
a partir das informações do roteiro, como auxílio no planejamento do
experimento. Cuidados devem ser tomados para que os textos introduzidos no
interior das figuras geométricas sejam claros e sucintos, e não constituam numa
descrição detalhada da etapa a ser cumprida. Esse não é o objetivo do
fluxograma. Durante o processo (isto é, a realização do experimento), o
fluxograma poderá ser corrigido ou complementado, tal que uma versão
aprimorada desse diagrama possa ser apresentada no relatório para descrever
exatamente o fluxo de trabalho que foi utilizado.
263
Figura 6.1 – Exemplo de Fluxograma
Início do processo
Fase do processo
Controle
Não
Decisão
Sim
Fim do processo
6.5.2 Diagrama de Ishikawa e Tabela de Balanço

de Incertezas
Conforme já visto no Item 2.6.1, o Diagrama de Ishikawa (ou Diagrama de Causa
e Efeito, ou Diagrama Espinha-de-peixe) fornece uma visualização das
grandezas de influência de uma medição. Por sua vez, a Tabela de Balanço de
Incertezas facilita o cálculo da incerteza combinada e do intervalo que deverá
conter o valor verdadeiro da medida, dentro do nível de confiança especificado.
O processo de se elaborar o Diagrama de Ishikawa e a Tabela de Balanço de
Incertezas é normalmente iterativo, já que as duas ferramentas deverão ser
compatíveis entre si, ou seja, cada componente no cálculo da incerteza padrão
combinada deverá estar associada a uma espinha de peixe (primária ou
secundária) do diagrama de Ishikawa.
264
Em metrologia, o “Efeito” será representado pelo mensurando de interesse. As

espinhas principais do diagrama são adicionadas de acordo com as grandezas
de influência que afetam a medição realizada, como, por exemplo, o método
experimental, a reprodutibilidade da medida, a própria definição do mensurando
(denominada incerteza “definicional”), dentre outras. No caso do mensurando em
questão ser obtido através de uma medição indireta, que será calculado a partir
dos resultados de outras medições diretas (Ver Item 2.7), então cada medição
direta consistirá numa espinha principal do diagrama, à qual estarão associadas
espinhas secundárias (e, às vezes, terciárias, etc.) que representarão suas
respectivas fontes de incerteza (estimadas por métodos do tipo A ou do tipo B)
(Itens 3.3 e 3.4).
Para ilustrar esses conceitos, estão representados na Figura 6.2 e na Tabela 6.5
respectivamente, o Diagrama de Ishikawa (já apresentado na Figura 2.6) e a
Tabela de Balanço de Incertezas construídos para o mensurando TMSA
(Temperatura Média de Santo André), descrito com detalhes no Item 3.5.3.
Lembramos que este mensurando foi definido como:
“TMSA= temperatura média da cidade de Santo André (TMSA), às 14:00 horas

calculado pela média aritmética da temperatura medida com termômetro de
álcool, protegido do sol e de intempéries em 4 pontos geográficos distintos”.
Na tabela de balanço de incertezas são dispostos na primeira e segunda

colunas, os componentes e fontes de incerteza que devem ser as espinhas do
diagrama de Ishikawa correspondente: em verde mais escuro as causas
primárias, e em verde claro, as causas secundárias, ligadas à respectiva causa
primária. Na terceira coluna estão os valores numéricos, de acordo com
estimativas ou especificações.
Cada incerteza poderá ser obtida por um método do tipo A ou do tipo B (incerteza
tipo A: método estatístico; incerteza tipo B; qualquer outro método).
Independentemente do tipo da incerteza, os valores serão combinados da
mesma forma, ou seja, através de suas variâncias. Cada fator também estará
associado a uma distribuição de probabilidades: normal, retangular, triangular,
etc. As incertezas tipo A são normalmente associadas à distribuição normal ou
gaussiana. Incertezas tipo B relacionadas à resolução de instrumentos ou
obtidas através de certificado de calibração são normalmente associadas à
distribuição uniforme ou retangular, particularmente se não houver mais
informações sobre o tipo de distribuição. É importante incluir na tabela o tipo de
distribuição considerada, pois isso definirá o valor do Divisor (quinta coluna da
tabela), para se obter a incerteza padrão associada a cada grandeza de
influência. Os coeficientes de sensibilidade (sexta coluna da tabela) quantificam
o efeito de variações da grandeza de influência sobre a grandeza de interesse,
265
além de permitir que todos os componentes na combinação das incertezas

tenham a mesma dimensão. Normalmente este coeficiente é igual aos valores
das derivadas parciais da grandeza do mensurando em relação a cada grandeza
de influência. Assim, na última coluna da tabela resultam as parcelas que serão
utilizadas na combinação de todas as variâncias (Item 3.5).
Em vários casos, o cálculo da incerteza padrão combinada é feito considerando-

se que as fontes de incerteza são independentes (não-correlacionadas), de
forma que as variâncias possam ser somadas. Se houver qualquer correlação
entre as grandezas de influência, vimos que haverá a necessidade de se
considerar no cálculo da incerteza combinada, a covariância entre os fatores
(Item 3.8).
A incerteza padrão combinada será a raiz quadrada da soma quadrática de todas

as contribuições que aparecem na última coluna da tabela. Para se obter a
incerteza expandida, normalmente consideramos distribuição normal, com
número de graus de liberdade muito grande. Assim, aplica-se no resultado, o
coeficiente de abrangência, de acordo com o nível de confiança desejado ( k = 1
para 68%, k = 2 para 95%, ou k = 3 , para 99% de probabilidade) (Item 3.5.3).
Figura 6.2- Diagrama de Ishikawa do mensurando TMSA
Repetibilidade
Repetibilidade
266
Tabela 6.5- Tabela de Balanço de Incertezas do mensurando TMSA
6.5.3 Tabelas e Gráficos

As tabelas são usadas para transmitir o valor numérico dos resultados ou das
medidas. Uma tabela deve conter todas as informações necessárias para que,
mesmo isolada do texto, seu conteúdo tenha sentido. Em outras palavras, uma
tabela deve ter:
• um título e uma legenda para explicar alguns detalhes do seu conteúdo. O

título é posicionado acima da tabela e a legenda, abaixo. A legenda deve
incluir a identificação da fonte (referência bibliográfica de onde foi extraída a
tabela, ou responsável(is) pelos dados contidos na tabela), podendo ser
“Autoria Própria” ou “Próprio Autor”, quando for o caso.
• deve haver um cabeçalho para cada coluna, com identificação clara do
conteúdo da coluna com uma ou duas palavras; unidades usadas (no sistema
SI) devem ser indicadas no cabeçalho se todos os valores da coluna tiverem
a mesma unidade, ou individualmente se esse não for o caso. A escolha das
unidades deve seguir o bom senso. Um eventual fator de escala pode ser
conveniente quando os números forem multiplicados ou divididos por uma
constante e o mesmo deve aparecer no cabeçalho. Também podem ser
267
usados os múltiplos e submúltiplos das unidades e seus símbolos, como, por

exemplo, o k (103), m (10-3), M (106). Deve-se prestar atenção, pois os
símbolos são letras com significados diferentes se forem maiúsculas ou
minúsculas51.
• a incerteza do valor da medição deve ser indicada na mesma unidade que a
grandeza associada.
Existe uma norma (IBGE, 1993) que recomenda que a moldura de uma tabela
não tenha traços verticais que delimitem à esquerda e à direita da Tabela, e que
inclua traços horizontais e verticais em número mínimo para garantir a clara
visualização dos dados apresentados. A Tabela 6.6 é um exemplo dessa
formatação para apresentação em Relatório.
Tabela 6.6 - Medidas obtidas no experimento
Grandeza Cilindro 1 Cilindro 2 Cilindro 3
(+/- U)*
m (+/- 0,1) g 48,8 67,0 42,3
D (+/- 0,5) mm 1 24,0 47,8 31,2
D (+/- 0,02) mm 2 24,92 47,82 32,02
H (+/- 0,5) mm 1 68,3 25,8 36,9
H (+/- 0,02) mm 2 68,82 25,64 36,85
(1) Medições com a régua; (2) Medições com paquímetro

*U: incerteza expandida; k=2; 95% de probabilidade.
51
Cuidado especial deve ser tomado com a diferenciação entre os símbolos para quilo, k , e para o grau
Kelvin, K . Assim, Km representa grau Kelvin vezes metro, enquanto km é o símbolo para
quilômetro.
268
Já vimos no Item 5.3 que os gráficos são instrumentos fundamentais para se

fazer uma primeira análise visual do comportamento de um mensurando de
interesse com a variação de outras grandezas. O gráfico com os pontos
experimentais permite a escolha de uma função apropriada (linear, polinomial,
exponencial, etc.) para se realizar o ajuste de curvas e se obter os parâmetros
do modelo que se pretende construir ou verificar.
Embora existam muitos softwares e aplicativos para o traçado de gráficos, é

importante que o engenheiro saiba fazer as escolhas corretas dos parâmetros e
características desses elementos (eixos, escalas, cores, formatos, símbolos,
etc.) de forma a produzir uma boa visualização de dados e resultados
experimentais. Para adquirir essa habilidade, é interessante que o futuro
profissional faça alguns gráficos manualmente, para entender os efeitos desses
parâmetros na arte final.
Para a elaboração de um bom gráfico, os seguintes fatores devem ser

observados (Figura 6.3):
• O gráfico deve ser inteligível, mesmo fora do texto; deve ter um título,
posicionado acima, que descreva com algum detalhe o conteúdo do gráfico
e uma legenda abaixo, indicando a Fonte de onde foi obtido o gráfico, que
poderá ser: “Fonte: Autoria Própria” ou “Fonte: Próprio Autor”;
• Deve haver uma legenda em cada eixo, descrevendo quais variáveis estão
sendo representadas, acompanhadas de suas respectivas unidades. Em
geral, a variável dependente (efeito) deve ser descrita no eixo das ordenadas
( y ) e a variável independente (causa), nas abscissas ( x ).
• Os gráficos mais comuns em engenharia possuem escalas lineares nos dois
eixos, mas em alguns casos é adequado trabalhar com gráficos semi-log
(com um dos eixos sendo logarítmico) ou log-log (com os dois eixos
logarítmicos). Para funções do tipo y = A x B , essa última opção pode ser
interessante para análise da função numa faixa extensa de valores.
• As divisões das escalas de ambos os eixos devem ser escolhidas de forma
apropriada, de forma que toda a área do gráfico seja ocupada pelos pontos
e/ou curvas dispostos.
• No gráfico, pontos experimentais devem apresentar as respectivas barras de
incertezas: incertezas da medida devem ser traçadas como uma barra em
torno do ponto indicado. Se for uma grandeza calculada, a faixa de incerteza
também pode ser traçada. Em geral, a variável dependente, apresentada no
eixo y é a que tem uma incerteza associada, calculável a partir das variáveis
independentes, e representada por uma barra vertical. Vimos também que
incertezas na variável x podem ser transferidas para a variável y (Item
5.3.2.1), e já incluídas na barra vertical. Apenas nos casos em que ainda não
269
se conhece a correlação entre as variáveis (esta correlação pode até não

existir), os pontos devem aparecer com barras verticais e horizontais,
representando as incertezas em ambas as variáveis.
• Quando é realizado o ajuste de curva aos pontos experimentais (Item 5.3), a
função ajustada é normalmente apresentada no mesmo gráfico, para a
eventual identificação de outliers (pontos experimentais que possam não
estar em acordo com o modelo matemático ajustado), conforme discutido no
Item 5.3.4.
• Os pontos experimentais não devem ser conectados através de trechos
lineares, pois dificilmente um sistema físico terá um comportamento irregular
desse tipo (Figura 6.4 a). Já se sabe que essa variabilidade dos pontos
experimentais é inerente ao processo de medição. Assim, o correto é realizar
o ajuste de função (Item 5.3) e então apresentá-la no mesmo gráfico que os
pontos experimentais.
Figura 6.3- Pontos experimentais de y = f ( x ) , para T=23oC

Grandeza Y (unidade)
Grandeza X (unidade)
270
Figura 6.4- Pontos experimentais: a) conectados por trechos de retas (incorreto);

b) apresentados com a função ajustada (correto)
Fonte: Adaptada de (SQUIRES, 1985)
6.6 Exercícios de Aplicação
1- Faça o planejamento de um experimento para determinar a densidade do

material que constitui um sólido cilíndrico, de altura nominal de 10cm e
diâmetro nominal de 2cm. Pense: no método experimental; nos instrumentos
necessários e adequados para o experimento; no modelo matemático que
será utilizado; nas grandezas de influência das medições diretas e indiretas
que deverão ser realizadas; nos procedimentos e informações necessárias
para a estimativa de incertezas tipo A e tipo B. Pede-se:
a) Defina o mensurando de seu experimento.

b) Construa um fluxograma que descreva as etapas de seu método
experimental.
c) Construa o diagrama de Ishikawa relativo ao seu experimento.
d) Projete as tabelas que você colocaria no seu Pré-Relatório para a coleta
de dados experimentais.
2- Repita o Exercício 1, mas considerando agora a densidade de uma peça

sólida não-geométrica (por exemplo: uma carteira; uma pedra de formato
irregular; sua mão; etc.).
3- Imagine um experimento para verificar a 2ª Lei de Newton, utilizando o aparato

apresentado na Figura 6.5.
271
Colocando-se massas m diferentes na extremidade do fio, foram registrados

os dados experimentais apresentados na Tabela 6.7, correspondentes à força
aplicada ao carrinho e sua aceleração.
Pede-se:
a) Quais hipóteses simplificadoras devem ser feitas nesse experimento, a fim

de se comprovar o modelo matemático (2ª Lei de Newton)?
b) Qual é o mensurando de interesse nesse experimento?
c) Qual será a variável independente ( x ) e a variável dependente ( y ) a
serem consideradas?
d) Construa o diagrama de Ishikawa do experimento, incluindo todas as
grandezas de influência que você imagina que possam ter afetado as
medições nesse experimento.
e) Faça um gráfico com os pontos experimentais, representando as
incertezas através de barras verticais, considerando o rebatimento das
incertezas da variável x em y .
f) Escolha uma função adequada e faça o ajuste de curvas ponderado, isto
é, levando em conta as incertezas dos dados experimentais. Inclua a curva
da função ajustada no gráfico do item e), junto com os pontos
experimentais.
g) Com o procedimento do item f) foi possível obter o valor da massa M do
carrinho? Qual é a incerteza associada a esse parâmetro?
Nota: Você poderá resolver os itens e), f) e g) consultando o Item 5.3 desse
livro, ou também utilizando um software adequado (por exemplo o LABFit
(LABFIT)).
Figura 6.5- Aparato experimental para verificação da 2ª Lei de Newton
Fonte:
https://faraday.physics.utoronto.ca/PVB/Harrison/GUM/05_DataWithTwoVariables/05_DataWithTwoV
ariables.pdf
272
Tabela 6.7- Dados experimentais
Força (N) Aceleração (m/s2)

0,25 ± 0,03 0,6 ± 0,1
0,74 ± 0,03 1,4 ± 0,1
1,23± 0,03 2,4 ± 0,2
1,72 ± 0,03 3,4 ± 0,3
Fonte:
https://faraday.physics.utoronto.ca/PVB/Harrison/GUM/05_DataWithTwoVariables/05_DataWithTwoV
ariables.pdf
4- Foi realizado um experimento para determinação do coeficiente de restituição

 de uma bola de ping pong, através do registro da altura h2 atingida pela bola,
após a colisão vertical em queda livre contra uma base fixa, a partir da altura
h2
h1 . O coeficiente de restituição é obtido através da relação:  =
h1
Na Figura 6.6 estão apresentados os resultados do valor do coeficiente de
restituição, após vários ensaios, onde foi variada a altura inicial h1 e também
o material da base fixa (madeira e aço).
A partir da análise dos resultados apresentados nessa figura, e considerando
a relação entre o coeficiente de restituição e as diversas formas de energia
envolvidas num processo de colisão, escreva um item de “Conclusões” que
pudesse finalizar o Relatório Técnico do experimento realizado.
Figura 6.6- Gráfico dos resultados obtidos para o coeficiente de restituição da bola de
ping pong
Base de aço
Base de madeira
h1 (m)
5- Considere como mensurando o diâmetro de um pino de aço, com valor

nominal e tolerância, especificados pelo fabricante como (27,5000,010) mm
a uma temperatura de 20 ºC. Foi então realizado um ensaio para medição do
273
diâmetro do pino, utilizando-se um micrômetro (também de aço) com faixa

nominal de 25 mm a 50 mm, num ambiente fabril, sem controle de
temperatura.
São dados:
• Incerteza instrumental expandida ( k = 2 ) do micrômetro, presente em

seu certificado de calibração: 4,2 µm
• Resolução do instrumento (analógico): 1 µm
• Coeficiente de expansão térmica do aço: 11,5.10-6 (m/m)/oC
• Variação da temperatura ambiente: 10 oC a 30 oC (distribuição retangular)
• Incerteza da medida de temperatura com o termômetro disponível:
0,5 oC (distribuição retangular)
• A repetibilidade da medida com o micrômetro foi avaliada, medindo-se
repetidamente um bloco padrão e chegando-se a uma variação limite de
2,5µm, modelada por uma distribuição triangular (obtida anteriormente
ao ensaio).
• O erro de forma ou circularidade do pino foi avaliado em 4 µm ( k = 2 )
modelado por uma distribuição normal (incerteza definicional:
normalmente é apresentada como um valor percentual da grandeza).
• No ensaio, foram obtidas, pelo mesmo operador, 4 medidas do diâmetro
do pino, cujos valores, em mm, estão dispostos na Tabela 6.8.
• As fontes de incerteza que afetam esse mensurando podem ser
consideradas independentes (não correlacionadas).
Tabela 6.8- Dados experimentais (medidas em mm)
Medida #1 Medida #2 Medida #3 Medida #4

27,505 27,502 27,497 27,498
Pede-se:
a) Construa o Diagrama de Ishikawa do mensurando

b) Elabore a Tabela de Balanço de Incerteza, correspondente ao diagrama
do item a).
c) Apresente o valor mais provável do mensurando.
d) Calcule a incerteza padrão combinada, associada ao valor do
mensurando.
e) Apresentar o valor do mensurando acompanhado da respectiva incerteza
expandida ( k = 2 ; com 95% de probabilidade)
274
f) Comente a relação entre a incerteza padrão combinada obtida e a

tolerância especificada pelo fabricante.
275
276
Capítulo 7- Estudos de Casos
7.1 Introdução
A metrologia e o processo de inspeção e avaliação de produtos ou serviços são
extremamente relevantes nas aplicações em engenharia, pois permitem redução
nos defeitos de fabricação, melhoria na produtividade e, consequentemente, na
qualidade do produto em oferta ou no serviço oferecido. O engenheiro que está
em contato com as etapas de controle de qualidade deve também ter uma boa
compreensão dos métodos de ensaio e de calibração, bem como da seleção
adequada, e manutenção de vários instrumentos e dispositivos à sua disposição.
Assim, um entendimento claro sobre a ciência da metrologia em seus vários

aspectos, como: o projeto de experimentos; a definição do método experimental
e da instrumentação a serem utilizados; a medição da(s) grandeza(s) de
interesse; o processamento e análise dos resultados obtidos; a estimativa e
cálculo das incertezas associadas, com respectivas faixas de confiança; e
finalmente o diagnóstico de testes de hipóteses elaborados; é essencial para
engenheiros atuantes em várias atividades: pesquisa, projeto, gestão, produção
e manutenção.
Ao longo deste livro, têm-se discutido as várias estratégias e ferramentas

relacionadas à medição de grandezas de interesse e também sobre o papel da
instrumentação disponível e seu efeito na estimativa da exatidão e precisão dos
resultados obtidos para mensurandos de sistemas de Engenharia.
Nesse capítulo, serão descritos alguns experimentos, visando ilustrar

principalmente, a aplicação dos conceitos e técnicas abordados anteriormente.
Os estudos de casos aqui discutidos foram selecionados a partir de experiências
práticas propostas em disciplinas da matriz curricular dos vários cursos de
Engenharia da UFABC, e compõem um banco de experimentos continuamente
alimentado, e do qual são extraídos a cada período letivo, de acordo com o
interesse dos docentes envolvidos, aqueles que farão parte do plano de ensino
da disciplina Métodos Experimentais em Engenharia, que é comum aos vários
cursos de Engenharia da UFABC.
277
Diversos tipos de atividades podem ser propostos, tais como as Oficinas, nas
quais é apresentado um desafio, associado a um certo conceito ou procedimento
metrológico, para que os alunos resolvam em grupo; e Experimentos, que
envolvem vários conceitos, e na sua realização, os grupos de alunos podem
trocar experiências e resultados.
O conteúdo aqui exposto descreve brevemente os experimentos e ressalta os

conceitos e procedimentos de metrologia e instrumentação que podem ser
explorados em cada um. Os roteiros detalhados dessas atividades fazem parte
do material didático da disciplina (MEE, UFABC). Deve-se destacar que tais
experimentos envolvem grandezas físicas, modelos teóricos, materiais e
instrumentos dos quais os alunos já têm algum conhecimento e familiaridade.
Ou seja, o objetivo dos experimentos não é introduzir novos conteúdos
científicos, mas sim representar estudos de casos que possibilitem o
aprofundamento das questões metrológicas, a análise dos instrumentos como
grandezas de influência, e a utilização de técnicas de processamento de dados
experimentais, para permitir o exercício da estimativa e interpretação das
incertezas associadas aos resultados obtidos.
7.2 Dimensões e Densidades de Sólidos
7.2.1 Descrição
A medição de dimensões físicas (comprimento, largura, profundidade, diâmetro,
altura, etc.) e grandezas delas derivadas (por exemplo, área, volume) envolve
práticas simples e com as quais nos deparamos no dia a dia em várias situações.
Assim, as dimensões podem ser utilizadas no início de uma disciplina de
Métodos Experimentais em Engenharia para introduzir e conscientizar os alunos
sobre padrões, unidades de medidas e conversão de unidades (Item 1.5) e
identificação e propagação de incertezas em modelos matemáticos conhecidos
(Item 3.5).
Um exemplo de Oficina adequada para a primeira aula prática do curso propõe

que cada grupo de alunos escolha seu padrão (que pode ser uma parte do
corpo), e realize a medição das dimensões e o cálculo da área de um objeto
existente no laboratório (por exemplo, o quadro negro ou branco, o monitor do
computador, a superfície da bancada ou do assento, um bloco do piso, um
espelho de tomada, etc.). Ao final, os grupos deverão apresentar para toda a
turma seus resultados: o mensurando e a unidade de medida escolhidos; a sua
tabela de conversão para o SI; os resultados convertidos para m 2; discussão
sobre a questão da resolução e fracionamento da sua unidade de medida e sobre
278
a metodologia adotada para a sua padronização; discussão sobre os motivos e

as razões da variabilidade das medidas obtidas por operadores diferentes, bem
como convertidos para m2, listando as principais dúvidas que tiveram no
processo. Este experimento, em conjunto com uma discussão histórica do SI, dá
ao aluno uma noção mais clara da importância da escolha de padrões e do
processo de garantia de rastreabilidade de grandezas.
O Experimento proposto nesse tópico consiste na medição das dimensões e

massas de alguns sólidos geométricos (por exemplo, cilindros, cubos,
paralelepípedos, esferas, etc.), utilizando-se os instrumentos e equipamentos
disponíveis no laboratório, como régua milimétrica, paquímetro, micrômetro e
balança digital, avaliando-se as incertezas tipo A e tipo B das medidas obtidas
(Itens 3.3 e 3.4). A partir desses dados, e utilizando-se modelos matemáticos
dos sólidos geométricos, cada grupo de alunos calcula o volume e a densidade
do sólido escolhido (ou sorteado) pelo grupo, bem como as incertezas
associadas a estes valores, obtidas através do método de propagação de
incertezas. Com estes resultados, e com base em sua experiência própria e
informações obtidas na literatura, os grupos tentam identificar o material com
que foi construído o sólido (por exemplo, alumínio, cobre, latão, ferro, polímeros,
etc.).
Alternativamente, os alunos poderão trabalhar com vários sólidos geométricos

fabricados com o mesmo material, e através da medição das massas e dos
cálculos dos volumes (a partir das dimensões medidas), obter os vários valores
da densidade do material e estimar o seu valor verdadeiro, dentro da faixa
imposta pelas incertezas do método experimental. Nesse caso, também é válida
a proposta de identificação do material estudado.
Adicionalmente, o experimento poderá ser complementado solicitando-se, ao

final, que os alunos proponham o Projeto de um método experimental completo
para se obter a densidade de um sólido não-geométrico (por exemplo, uma
carteira de dinheiro). Neste projeto, os alunos deverão descrever as etapas de
um método viável e não destrutivo, apontando as grandezas de influência nas
medições a serem realizadas, e estimando a incerteza do resultado a ser
alcançado. Também é importante descrever a função final da medição, para que
fique clara a incerteza aceitável. No caso da carteira, o tamanho típico do
dinheiro do país, a forma adequada de guardá-lo (dobrado ou não, por exemplo),
o padrão de bolsos para guardar carteira, ou mesmo a quantidade de material
necessária para sua fabricação podem ser aspectos que os alunos devem
compreender que são os que definirão a incerteza aceitável da medição.
279
7.2.2 Conceitos
Apesar de ser um experimento prático de execução relativamente simples, e que
se baseia em conceitos físicos e cálculos com os quais os alunos já possuem
familiaridade (como o volume de sólidos geométricos), o objetivo geral em sua
proposta é, principalmente, o de ressaltar os aspectos relacionados à metrologia
e à instrumentação, tais como:
• Aprender os conceitos básicos e fundamentais de metrologia e da

expressão de valores experimentais, através da realização de medições
diretas, acompanhadas de respectivas incertezas.
• Utilizar instrumentos de medição com diferentes precisões, tais como a
régua, o paquímetro e o micrômetro para fazer medições repetidas e
avaliar as respectivas incertezas dos tipos A e B das medidas realizadas.
• Entender os conceitos de repetibilidade e reprodutibilidade;
• Aprender a avaliar que o modelo matemático é apenas uma aproximação
razoável para o mensurando desejado, afinal não existe esfera ou cubo
perfeito. Assim, o aluno aprende o conceito de incerteza definicional.
• Medir a massa e as dimensões de peças sólidas de diferentes formatos e
materiais e apresentá-las em documentação técnica junto às suas
incertezas padrão combinadas.
• Calcular o volume de uma das peças sólidas e a densidade do material
com o qual é construída esta peça. Aprender os procedimentos
associados à propagação de incertezas (Item 3.5), através do cálculo das
incertezas padrão combinadas associadas aos valores do volume e da
densidade de um sólido.
• Inferir qual deve ser o material com que foi construída a peça, através dos
valores experimentais, com respectivo grau de confiança, a partir da
incerteza expandida (Item 3.5.3).
Nesse experimento, como em todos os outros aqui descritos, deverá ser

explorado o conceito e definição do mensurando de interesse e da incerteza
resultante a partir de todas as grandezas de influência identificadas que afetam
a obtenção deste mensurando. Conforme visto no Item 2.6, uma forma de
sistematizar a relação entre estas grandezas e o mensurando é através do
diagrama de Ishikawa (ou diagrama espinha-de-peixe).
Haverá vários fatores afetando as medições diretas das dimensões, que irão
contribuir para o cálculo das incertezas associadas aos valores medidos:
defeitos na fabricação das peças; limitações dos instrumentos (resolução finita,
linearidade, ruídos, etc.); dificuldades associadas ao método de medição;
variações aleatórias obtidas na repetição de uma mesma medição, seja ela
280
efetuada por um mesmo operador ou por vários; fatores humanos, relacionados

à acuidade visual; erros sistemáticos que afetam todas as medições (por
exemplo, devido ao fato de um instrumento estar desajustado). Nesta prática são
analisadas e estimadas estas incertezas, a partir das quais será determinada a
incerteza padrão combinada em cada medida obtida.
Nesse caso, deverá ser explorada a questão da resolução do instrumento de

medições na estimativa das incertezas tipo B (Item 3.4.1) e, consequente, da
exatidão do resultado obtido ao ser utilizada uma régua comum, cuja menor
divisão normalmente é o milímetro; o paquímetro, que pode ter resolução de
0,02 mm ou 0,05 mm; e o micrômetro, com resolução de 0,001 mm. Outro fator
a ser ressaltado são as limitações dos instrumentos, devido ao seu fundo de
escala, de forma que algumas dimensões não poderão ser medidas, por
exemplo, com o uso do micrômetro, embora seja esse o instrumento de melhor
resolução.
Outras incertezas do tipo B incluem parcelas que também não serão obtidas de
forma estatística, como, por exemplo: incerteza no processo de calibração dos
instrumentos; a precisão mecânica de construção do paquímetro e do
micrômetro; o posicionamento das peças durante a medição; os efeitos de
paralaxe na leitura de escalas analógicas, ou incerteza da conversão A/D em
displays digitais; as imprecisões na escala dos instrumentos; o efeito de
temperatura nessas escalas, etc.
Repetições das medições deverão ser realizadas para possibilitar a estimativa

das parcelas de incertezas tipo A relacionadas às questões de repetibilidade e
reprodutibilidade das medidas, e eventualmente poderão ser usadas para avaliar
a incerteza definicional no caso da instrumentação ser capaz de captar
diferenças entre o modelo matemático e a amostra (diâmetros diferentes da
“esfera”, lados diferentes do “cubo” etc.).
As incertezas padrão combinadas para cada mensurando de interesse (massa,

dimensões, volume e densidade) deverão ser calculadas, utilizando-se o
procedimento de propagação de incertezas, que envolvem os coeficientes de
sensibilidade adequados em cada caso (Item 3.5).
A utilidade na determinação da incerteza associada a uma grandeza na qual se

tem interesse (mensurando) é poder estabelecer um intervalo, dentro do qual o
experimentador espera que esteja situado o valor verdadeiro da grandeza, com
uma certa probabilidade. Neste experimento, pretende-se obter o intervalo
[V  V ] do volume de peças sólidas e o intervalo [    ] das densidades dos
materiais das peças, discutindo qual a probabilidade do valor estar dentro do
intervalo proposto.
281
A apresentação formal correta dos resultados também é objeto de atenção, e a

comparação do valor da densidade com dados tabelados deve ser feita à luz da
incerteza associada ao resultado experimental obtido. Deve-se ainda destacar
que a identificação do material com que foi fabricada a peça em estudo poderá
ser inferida a partir do resultado numérico, dependendo também de outras
informações, como, por exemplo, a coloração ou outras características do
material.
7.3 Medição de Constante Elástica e Força
7.3.1 Descrição
O experimento consiste em realizar medições de força utilizando diferentes
procedimentos e obter a constante elástica de algumas molas, tanto em tração
quanto em compressão. Para tanto, são propostos diferentes métodos
experimentais, tendo como base a segunda lei de Newton; a lei de Hooke das
molas; e as equações do movimento harmônico simples de um sistema massa-
mola.
Três procedimentos são propostos: a) determinação da constante elástica de

uma mola de compressão, utilizando-se uma escala graduada e diversas peças
metálicas; b) determinação de constante elástica de uma mola de tração,
utilizando-se um dinamômetro digital e uma trena e; c) determinação da
constante elástica de duas molas de tração, através da observação do
movimento harmônico simples (MHS) a que é submetido um sistema massa-
mola construído com as molas de interesse.
O experimento ainda é complementado, analisando-se o comportamento das

duas molas associadas em série e em paralelo, e o efeito destas conexões na
medição da constante elástica resultante. Esta complementação permite a
discussão do desenvolvimento de modelos matemáticos mais complexos a partir
da hipótese de que os modelos matemáticos simples ( F = − k x ) são válidos,
bem como da propagação de incertezas resultante desta discussão.
Para relacionar a massa das peças metálicas utilizadas com a sua força-peso,
propõe-se também que o valor local da aceleração da gravidade g seja obtido a
partir da medição de vários períodos de um pêndulo simples montado no
laboratório.
282
7.3.2 Conceitos
Este experimento é baseado em leis físicas fundamentais (2ª Lei de Newton, Lei
de Hooke e MHS) e utiliza componentes simples, mas permite a exploração de
vários conceitos em metrologia e instrumentação, tais como:
• Utilizar métodos experimentais diferentes para obtenção do mesmo

parâmetro, qual seja, a constante elástica de uma mola (Item 3.7).
• Estudo da repetibilidade e da reprodutibilidade na obtenção de um
mensurando invariável: o valor da aceleração da gravidade no laboratório
didático (Itens 2.4 e 3.2).
• Avaliar a contribuição das grandezas de influência nos diversos
procedimentos, determinar os coeficientes de sensibilidade e calcular a
incerteza padrão combinada em cada caso (Item 3.5).
• Trabalhar com as incertezas relativas e percentuais (Item 3.5.2).
• Analisar o funcionamento do dinamômetro e da célula de carga, sistema
baseado no método dos nulos (Item 4.5.4).
• Comparar os resultados obtidos em cada procedimento, e verificar a
compatibilidade entre eles, testando hipóteses como a de que duas molas
produzidas no mesmo lote possuem a mesma constante elástica (Item
5.4.2).
• Utilizar gráficos, métodos e aplicativos para realizar ajuste de dados
experimentais a funções matemáticas, para obtenção de parâmetros de
interesse, analisando a influência das incertezas nesse processo (Item
5.3).
Nos dois primeiros procedimentos, parte-se da hipótese de que as molas

(compressão e tração) obedecem à lei de Hooke, que estabelece uma relação
linear entre a força aplicada à mola e seu deslocamento. Assim, a partir da
medição do comprimento da mola sob várias condições de força, deve-se obter
a constante elástica k da mola. O comprimento da mola pode ser determinado
com uma escala graduada ou uma trena. Os valores da força aplicada podem
ser obtidos a partir da massa de peças utilizadas para comprimir a mola (de
compressão), ou medidos diretamente utilizando-se um dinamômetro (mola de
tração). No primeiro caso, é necessário o valor da aceleração da gravidade g
para que os valores de massa possam ser convertidos em força, através da 2ª
Lei de Newton.
A partir da aquisição dos dados experimentais e a estimativa de suas respectivas

incertezas, propõe-se a construção de um gráfico (Força vs. deslocamento) e a
obtenção da constante elástica da mola. O ajuste de uma reta do tipo F = − k x
(onde F =força e x =deslocamento) visando a obtenção da constante k pode
283
ser realizado pelos métodos de regressão linear (Item 5.3). Para o cálculo das
incertezas nas várias etapas desse experimento, é necessário conhecer (ou
estimar) as incertezas das diversas grandezas de influência do mensurando, e
utilizar o procedimento de propagação de incertezas (Item 3.5). A incerteza do
parâmetro de ajuste, no caso a constante k , dependerá das incertezas de F
e x em cada ponto experimental e também envolverá a incerteza associada
ao próprio processo de ajuste de função.
A obtenção experimental da aceleração da gravidade pelo método do pêndulo

simples poderá explorar o conceito de reprodutibilidade, analisando-se os
resultados obtidos por cada grupo de alunos e calculando-se a média desses
resultados, que poderá ser considerada como a aceleração da gravidade no
laboratório onde é realizado o experimento. O desvio padrão da média torna-se
uma boa estimativa para a incerteza relacionada à reprodutibilidade do
experimento. Várias grandezas de influência devem ser consideradas nesse
método, tais como: elasticidade do fio, centro de gravidade do pêndulo,
amplitude das oscilações, repetibilidade das medidas, etc. Para a determinação
do período de oscilação, vale destacar a importância em se medir vários
períodos (a fim de diminuir a incerteza do resultado), e também estimar o efeito
do tempo de resposta do operador no acionamento do cronômetro.
Como resultado metrológico extra da obtenção da aceleração da gravidade,

pode-se discutir como a incerteza tipo A deste experimento pode ser usada, no
futuro, como incerteza do tipo B, já que em experimentos posteriores, os alunos
irão necessitar do valor da aceleração da gravidade com a incerteza associada
(Item 3.4).
No terceiro procedimento, em que é montado um sistema massa-mola, o

coeficiente de elasticidade da mola pode ser determinado apenas a partir das
medições da massa, do número de oscilações e do tempo de duração destas
oscilações. Quanto maior a constante elástica k da mola, maior será a
frequência de oscilação do MHS e menor será o período desta oscilação. A
incerteza no valor obtido para k será função das incertezas estimadas para
cada um dos parâmetros medidos. Utilizando esse mesmo método para se obter
a constante elástica das associações (série e paralelo) de duas molas, é
importante propor a comparação de resultados experimentais (sujeitos a várias
imperfeições) com os valores obtidos através das expressões do k equivalente,
considerando-se modelos encontrados com facilidade na literatura.
Nesse experimento devem ser explorados os critérios de comparação (erro

normalizado ou z’-score) entre resultados experimentais (Item 3.7), para se
avaliar a compatibilidade dos resultados de uma grandeza (constante elástica de
284
uma mola) obtida através de diferentes métodos experimentais, bem como

devem ser reforçados os conceitos dos métodos tipo A e tipo B para a estimativa
das incertezas da medição (Itens 3.3 e 3.4).
Notas sobre a medição do período de oscilação
Essas notas referem-se a aspectos práticos e identificação de grandezas de

influência na medição do período de oscilação de um pêndulo ou de uma mola
em movimento harmônico simples, ambos procedimentos relativos ao
experimento descrito nesse item.
A oscilação de um pêndulo simples (Figura 7.1) é um fenômeno que resulta na

equação (7.1), desde que sejam feitas as hipóteses simplificadoras abaixo
listadas. Assim, o período de oscilação T pode ser relacionado ao comprimento
do pêndulo L e à aceleração da gravidade g , sendo independente da massa
do corpo ou da amplitude das oscilações (PÊNDULO).
• As oscilações devem ter pequena amplitude tal que possa ser feita a
aproximação sen   ;
• A massa deve ser puntiforme;
• O fio deve ser inextensível e não possuir massa;
• O movimento deve ser conservativo (ou seja, não há outras forças
atuando no sistema além da força da gravidade e a força que mantém o
eixo do pêndulo fixo);
• O pêndulo realiza um movimento bidimensional.
L
T = 2 (7.1)
g
Na vida real, tais hipóteses nunca são plenamente satisfeitas. Portanto, a

incerteza do resultado da medição do período de oscilação será consequência
de grandezas de influência relacionadas a essas aproximações.
285
Figura 7.1- Pêndulo simples
Vamos considerar algumas dessas hipóteses para a estimativa de sua influência

no resultado das medições do período de oscilação.
a) Aproximação sen   
A solução completa para o cálculo do período de oscilação de um pêndulo é

dada pela equação (7.2), onde K é a primeira integral elíptica completa
(KEISAN). Essa equação pode ser simplificada para a (7.1) se o ângulo de
oscilação  for tão pequeno, tal que a aproximação sen   seja válida.
L 2 d L  
g 0
T =4 =4 K  sen  (7.2)
  g  2
1 − sen 2   sen 2
2
Assim, é possível calcular o erro (corrigível), quando a equação (7.2) é

simplificada para a equação (7.1), de acordo com o valor do ângulo de oscilação
 . Ou seja, se não fizermos, no pêndulo, um deslocamento de “zero graus”, o
erro será diferente de zero, e cresce à medida que o deslocamento do pêndulo
cresce. A Figura 7.2 mostra o comportamento deste erro, tanto em função do
ângulo  em graus, como em função da distância em que o pêndulo é afastado
da vertical, medida em % do comprimento total do fio L .
286
Figura 7.2- Erro na expressão do período em função do deslocamento do pêndulo
Verifica-se nessa figura que se o deslocamento for de um ângulo menor que 10

graus (ou for menor que 15% do comprimento do fio), o erro na determinação do
período é menor que 0,1%.
Se o objetivo é determinar a aceleração da gravidade g a partir do período de

oscilação do pêndulo T e seu comprimento L , observemos que costumamos
escrever g com dois algarismos significativos; portanto, com uma incerteza
devida à resolução, da ordem de 1%. Assim, ao provocar a oscilação no pêndulo,
podemos chegar a 30% do comprimento do fio de deslocamento (ou seja,
aproximadamente 20 graus) e isso ainda não afetará o cálculo do valor de g .
Portanto, para  = 10 a 20 graus, ou seja, um deslocamento na horizontal de

cerca de 1/3 do comprimento do fio, produz um erro calculável, mas desprezível
(na faixa de 1%) na expressão (7.1) para o período do pêndulo.
b) O movimento do pêndulo (ou do MHS) é amortecido, ou seja, não é

conservativo, pois parte da energia pode estar sendo dissipada por atrito,
ou sob a forma de calor.
Nesse caso, a frequência de oscilação do sistema é alterada de acordo com a

equação (7.3), ou seja, o período de oscilação aumenta conforme o coeficiente
de amortecimento  aumenta (MHS AMORTECIDO).
2
amortecido =  2 −  2 sendo = (7.3)
T
Nota-se que se o coeficiente de amortecimento for nulo (  = 0 ) a frequência de

oscilação medida será aquela correspondente ao período T da equação (7.1).
287
O coeficiente de amortecimento reduz a amplitude das oscilações com o tempo,

− t
de forma exponencial: e (MHS AMORTECIDO). Vamos supor que a amplitude
de oscilação do pêndulo seja reduzida para 1 / e da amplitude original (ou seja,
cerca de 1 / 3 ) em N períodos ( t = NT ), então o coeficiente de amortecimento
será de aproximadamente:
1
= (1/s)
NT
No experimento com o pêndulo (ou no caso do MHS com a mola), demora pelo
menos duas dezenas de oscilações para que a amplitude diminua
significativamente. Assim, podemos estimar que o coeficiente de amortecimento
1 0, 05
seja menor que   = . O efeito deste coeficiente de amortecimento no
20T T
período pode ser estimado pela equação (7.4), deduzida a partir da equação
(7.3):
T ( T ) 2 0, 05
= 1− = 1− = 0,99937 (7.4)
Tamortecido 4 2
4 2
Essa equação indica que um coeficiente de amortecimento da ordem de 5% do

valor de (1/ T ) implica num erro na determinação do período de oscilação menor
que 0,1%, que pode ser corrigido, de acordo com o raciocínio descrito acima.
Deve-se notar que, havendo amortecimento, será medido o valor de Tamortecido ,
sendo T o período do pêndulo ideal (ou do MHS sem perdas).
Na prática, conclui-se então que para um movimento oscilatório cuja amplitude

não decaia muito em cerca de 20 oscilações, o período e a frequência de
oscilação não serão alterados significativamente devido ao amortecimento.
c) Amortecimento aerodinâmico: a massa não é puntiforme.
O amortecimento aerodinâmico do movimento ocorre porque quanto mais alto a

massa do pêndulo subir (ou quanto mais a mola for comprimida no MHS) mais
veloz será o corpo no ponto de energia potencial mínima. E a velocidade da
massa no ar freia o seu movimento. A força devida ao arrasto é proporcional ao
quadrado da velocidade da massa.
Esta é provavelmente a maior causa de amortecimento no movimento da massa

do pêndulo. Como o efeito é não linear, a modelagem do pêndulo simples não
será aplicável, a menos que seja feito o vácuo.
Por isso, o ideal é que a massa não atinja alta velocidade, e portanto, não suba
muito alto. Para o pêndulo, quanto maior o comprimento do fio, menor será a
288
velocidade da massa, e mais válido será desprezar o efeito da força de arrasto

aerodinâmica.
d) Outros efeitos
O equacionamento do pêndulo simples e do MHS supõe que o movimento deva

ser bidimensional, com eixo fixo, e que o fio e a mola não possuam massa, o que
não é realista.
O movimento do suporte do pêndulo e do suporte da mola durante as oscilações

não estão incluídos no modelo, e poderão afetar as medições de período.
O fio do pêndulo também deve ser inextensível, de forma a que não haja um
efeito elástico no movimento, também não previsto no modelo.
Movimentos rotacionais da mola também devem ser evitados, pois divergem da

hipótese de movimento bidimensional.
7.4 Tamanho médio de grãos
7.4.1 Descrição
Neste experimento é feita uma comparação entre os resultados experimentais
obtidos através de duas metodologias (processo por intercepto e o processo
planimétrico), normalizadas pela ABNT (Associação Brasileira de Normas
Técnicas).
No caso, a norma NBR 11568 (ABNT, 2016) descreve um conjunto de testes

padrão para a determinação do tamanho médio de grãos de materiais metálicos.
As metodologias propostas nesta norma baseiam-se em considerações
geométricas e independem do material analisado. O interesse neste tipo de
análise está vinculado ao fato de que as características microestruturais de um
material podem ser diretamente relacionadas com suas propriedades mecânicas
e outras propriedades físicas (térmicas, elétricas, magnéticas, ópticas, etc.). Por
isso, a análise adequada das imagens de microestruturas torna-se essencial
para os setores de controle de qualidade de materiais em diversas áreas da
engenharia.
A partir de material fornecido (várias fotomicrografias de um material metálico) e

das informações contidas na norma sobre os processos por intercepto e
planimétrico, cada grupo de alunos deve enunciar um teste de hipóteses
(contendo a hipótese nula e a hipótese alternativa) relativo ao procedimento para
se determinar o ABNT TG (Tamanho de Grão) do material. Na elaboração do
289
teste de hipóteses, o grupo poderá optar, por exemplo, por utilizar os resultados
obtidos através do mesmo método em imagens diferentes; ou os resultados
obtidos com os dois métodos diferentes aplicados numa mesma imagem.
7.4.2 Conceitos
Os métodos propostos para determinação do tamanho médio de grão de um
material, apesar de relativamente trabalhosos não são complexos, permitindo
com esse experimento, a aplicação de vários conceitos de metrologia e
instrumentação:
• Utilizar procedimentos descritos em Normas Técnicas (Item 6.2), no caso,

para estimar tamanhos médios de grãos em imagens de fotomicrografias.
• Utilizar ferramentas computacionais para a análise de imagens.
• Praticar o conceito de reprodutibilidade em medições do mesmo
parâmetro, realizadas em condições diversas.
• Avaliar a importância do conceito de média como índice de caracterização
de um mensurando, mesmo para grandezas com valor variável (Item 2.4).
• Comparar metodologias diferentes para obtenção de um mensurando
variável (tamanho médio de grãos de um material), analisando as
grandezas de influência que afetam cada uma.
• Estimar e calcular as incertezas envolvidas em cada análise.
• Descrever dificuldades práticas encontradas na aplicação de métodos
normalizados.
• Elaborar teste de hipóteses (Item 5.4.2) relacionado às medições
realizadas, e apresentar diagnóstico com base nos resultados
experimentais obtidos, utilizando, por exemplo, o critério do z’-score.
Nesse experimento, além de lidar com o conceito de mensurando variável, os

alunos deverão perceber a importância das normas técnicas para padronizar a
linguagem metrológica e permitir a comparação entre resultados obtidos por
vários experimentadores em vários laboratórios. Poderão também verificar a
compatibilidade entre resultados experimentais obtidos por métodos diferentes,
e tomar decisões sobre um teste de hipóteses, com base em valores e incertezas
experimentais.
290
7.5 Coeficiente de Restituição
7.5.1 Descrição
O objetivo desse experimento é a determinação do coeficiente de restituição 
de diversos materiais, estudando-se a variação da energia cinética de vários
tipos de bolas (borracha, gude, pebolim, aço, ping pong, etc.) ao colidir sobre
uma base fixa de granito, provocando colisões parcialmente elásticas.
O aparato experimental utilizado consiste num sistema de instrumentação típico

(Item 4.1), composto por um sensor/transdutor (microfone) para captar o som
das colisões sucessivas da bola estudada; um condicionador de sinal
(amplificador eletrônico) para amplificar a tensão elétrica produzida na saída do
microfone, e um display (osciloscópio), em cuja tela é possível visualizar o sinal
gerado e medir os intervalos entre impactos consecutivos da bola com a base de
granito (Figura 7.3).
Vários métodos experimentais diferentes podem ser utilizados para a obtenção

do coeficiente de restituição de uma determinada bola, deduzidos a partir da
definição deste parâmetro, ou seja, a razão entre as velocidades depois ( vn +1 ) e
vn +1
antes ( vn ) do impacto:  = e as expressões básicas da Mecânica Clássica.
vn
Assim, o coeficiente de restituição pode ser obtido a partir das medições dos
intervalos de tempo entre colisões ou através das alturas consecutivas que a
bola atinge após colisões sucessivas na base fixa.
Após a realização do experimento e a extração do valor do mensurando com sua

respectiva incerteza, propõe-se aos alunos o projeto de um método experimental
para a obtenção do coeficiente de restituição, utilizando-se os sensores e
aplicativos de um smartphone. Nesse caso, poderá ser feita a aquisição de sinais
acústicos, utilizando-se o microfone do próprio aparelho; ou sinais de vídeo,
através da câmera do celular. Devidamente processados por aplicativos
computacionais, esse procedimento experimental levará a resultados tão ou
mais precisos que aqueles obtidos através da instrumentação e dos
equipamentos laboratoriais.
291
Figura 7.3- Registro na tela de um osciloscópio, do sinal representando as colisões da

bola com a base de granito
Transitórios gerados por 3

impactos consecutivos
7.5.2 Conceitos
Além do interesse intrínseco do tema desse experimento para várias áreas das
ciências e engenharia (por exemplo, no estudo de colisões entre partículas
subatômicas; no estudo de queda de paredes em terremotos e de pedras em
rodovias; no projeto de novos materiais; no estudo do comportamento de bolas
de esporte; no projeto de para-choques de automóveis; na escolha de materiais
para a construção civil; na especificação de materiais rígidos ou flexíveis), vários
conceitos de metrologia e instrumentação podem ser abordados em sua
realização:
• Familiarização com os módulos que compõem um sistema de

instrumentação típico: sensor/transdutor; condicionador de sinal e display
(Capítulo 4), bem como um sistema móvel de medição (smartphone) e um
sistema de aquisição de sinais (áudio ou vídeo) e processamento de
dados (aplicativos computacionais). Análise das características e
limitações de cada sistema e sua influência nas medições.
292
• Avaliação de grandeza física através de métodos e instrumentação

diferentes e comparação de resultados através de critérios quantitativos
(erro normalizado ou z’-score) (Item 3.7).
• Estimativa de incertezas experimentais; propagação de incertezas e
cálculo da incerteza padrão combinada (Item 3.5).
• Ajuste de curvas exponenciais, usando técnicas de linearização (gráficos)
ou não, que caracterizam o modelo exponencial teórico das colisões
parcialmente elásticas sucessivas (Itens 5.2 e 5.3).
Notas sobre o efeito da paralaxe na medição de altura de uma bola
A paralaxe é uma grandeza de influência de vários mensurandos. Suas

propriedades são ótimas para rever alguns conceitos. Vamos analisar esse efeito
na medição da altura de uma bolinha no interior de um tubo plástico transparente,
em cujo exterior há uma escala milimétrica, conforme se utiliza no experimento
descrito nesse Item.
Ao olhar um ponto através da escala, o ângulo de visão (a) interfere no valor lido
(Figura 7.4). Esta interferência é definida como a paralaxe neste exemplo.
A altura total da bolinha ( H total ) pode ser calculada pela altura de referência, do
ponto de vista ( H ref ) somada a H C .
H total = H ref + H C
Figura 7.4- Efeito da paralaxe
293
Devido à paralaxe, não se mede H C , mas sim H m . H C pode ser calculada por:
H C = H m + h
Supondo que a bolinha esteja situada exatamente na metade do diâmetro D do

tubo (ou seja, no centro do tubo), podemos estimar, por semelhança de
triângulos:
h H
= m
D / 2 dpv
Sabendo-se a distância do ponto de vista até a escala (ou seja, dpv ), teremos:
Hm D / 2
H total = H ref + H m + h = H ref + H m +
dpv
ou seja:
 D 
H total = H ref + H m 1 + 
 2dpv 
O valor da altura da bola a ser considerado deve ser H total , obtido a partir dessa
correção aplicada ao valor medido H m . Este tipo de correção pode eliminar um
erro cometido na leitura pelo efeito sistemático da paralaxe.
Naturalmente há muitas grandezas de influência nesta correção, todas elas com

incertezas associadas à estimativa dos seus valores ( H m , D, dpv ). Assim sendo
a correção também possui uma incerteza.
Vamos estimar apenas a incerteza da correção associada à hipótese de que a

bola está “exatamente na metade do diâmetro D ”. Vamos supor, para simplificar,
que a probabilidade da bola estar a uma distância da escala entre 0 e D é 100%,
com igual probabilidade de estar em qualquer valor (ou seja, atende a uma
distribuição estatística uniforme). Neste caso, a incerteza padrão será calculada
por:
D
umeio =
2 3
294
D
Desta forma, o termo da correção h = H m apresentará uma incerteza
2dpv
associada à hipótese de que a bolinha está “exatamente na metade do diâmetro
D ” calculável por:
d h H D HmD
uh = umeio = m =
dD 2dpv 2 3 4 3dpv
A equação desta incerteza permite avaliar como reduzir a incerteza da correção

da paralaxe. Quanto mais alinhado o ponto de vista estiver com a bola, menor
H m , portanto, menor a incerteza desta correção. Quanto maior a distância do
ponto de vista, dpv , menor a incerteza, ao menos desta grandeza de influência.
Quanto menor o diâmetro D que define a posição da bola, também menor será
a incerteza da correção.
Observe-se que a incerteza da correção da paralaxe não deve ser confundida

com a incerteza estimada associada às várias grandezas de influência da
paralaxe.
Com alguma experiência, é possível estimar a incerteza total das grandezas de

influência da paralaxe. Ou, se for possível saber a distância entre a escala e o
ponto onde se encontra a bola, o erro da paralaxe pode ser corrigido, reduzindo
a incerteza da medição apenas à incerteza da correção devida à paralaxe.
Observe que um efeito tipicamente sistemático (“olhar por baixo” ou “olhar por
cima”), transforma-se num efeito aleatório (correção calculada supondo a
posição da bola “exatamente na metade do diâmetro D ”).
Um fato importante é que numa medição, todos os efeitos sistemáticos

estimáveis devem ser corrigidos e a incerteza destas correções deve ser
considerada para estimar a incerteza total do mensurando.
7.6 Calibração de Termômetro
7.6.1 Descrição
Nesse experimento, os alunos devem inicialmente construir uma escala de
temperatura (em unidades de graus “Grupo”, ou seja, oG) para um capilar de
vidro com álcool, utilizando dois pontos de referência físicos (ponto de fusão e
ponto de ebulição da água), aos quais serão associados valores arbitrários de
temperatura Tmin e Tmáx de sua escolha. A escala termométrica (oG/mm) obtida
295
ao se medir a distância de separação entre as duas alturas do líquido para esses

pontos de referência, caracteriza uma escala linear de temperatura.
Numa segunda etapa é discutida a conversão de escala de oG para oC (graus

Celsius), usando um modelo considerado adequado.
Na terceira etapa é realizada a calibração desse termômetro52, numa operação

que estabelece, sob condições especificadas, uma relação entre os valores
fornecidos por um padrão e as indicações correspondentes do instrumento
analisado, com as incertezas associadas. Como padrão, utiliza-se um
termômetro com escala calibrada em graus centígrados. Dessa forma, para
cada um dos dez pontos que são medidos com os dois instrumentos, deve-se
efetuar a conversão da escala oG para a escala oC, para que os valores obtidos
possam ser comparados. O processo de calibração gera uma tabela com os
valores do fator de correção (diferença entre as leituras nos dois instrumentos)
e suas respectivas incertezas. Com esses valores discretos do fator de correção,
é possível gerar uma curva linear de calibração, através de ajuste pelo método
dos mínimos quadrados (regressão linear) com variáveis correlacionadas.
Assim, na próxima etapa do experimento, o termômetro calibrado, envolvendo a

escala construída e a curva de calibração, pode ser utilizado para se determinar
com precisão duas temperaturas de interesse, por exemplo, a temperatura
ambiente e a temperatura de ebulição do álcool etílico, estimando-se as
respectivas incertezas. Os valores obtidos podem ser comparados com as
medidas obtidas com o termômetro padrão (no caso da temperatura ambiente),
ou com valores tabelados (no caso da ebulição do álcool etílico).
Em paralelo ao procedimento experimental acima descrito, pode ser levantada a

curva característica (resistência x temperatura) de um termistor do tipo NTC ou
PTC, de forma a se destacar as diferenças entre um sensor linear (característica
de capilares) e um sensor não linear (termistores).
7.6.2 Conceitos
Além do desafio sobre a compreensão do conceito e da medição de temperatura
como parâmetro físico para quantizar o estado térmico de um corpo, esse
experimento explora vários outros conceitos fundamentais de metrologia e
instrumentação:
52
Maiores detalhes sobre o processo de calibração de termômetros podem ser encontrados em
(INMETRO, 2008)- Exemplo H.3.
296
• Escalas termométricas (lineares e não lineares), sensores e grandezas

físicas utilizadas para a medição de temperatura (Item 4.2.1).
• Construção de escalas de medidas: influência da escolha dos valores
extremos e fracionários na resolução das medidas. Limitações e razões
práticas para a definição de uma escala. Pontos de referência.
• Conversão entre escalas e as dificuldades existentes na comparação
entre medidas expressas em unidades diferentes.
• O processo de calibração; a importância da calibração periódica de
instrumentos de medição, a fim de se evitar erros sistemáticos nos
resultados. Elaboração e apresentação de certificados de calibração
(Item 4.4); a importância da rastreabilidade e hierarquia do sistema
metrológico (Item 1.6).
• Utilização do fator de correção e respectiva incerteza na obtenção do
resultado de medição com um instrumento calibrado.
• Utilização prática dos dados sobre o fator de correção: ajuste por mínimos
quadrados e obtenção da curva linear de calibração; cálculo da incerteza,
levando-se em conta a correlação entre os parâmetros de ajuste da
regressão linear (Item 5.3.3).
• No caso da curva do PTC/NTC, as dificuldades de conversão de unidade
e da incerteza ligada a esta conversão ficam mais claras, pois se converte
resistência para temperatura utilizando uma equação não linear,
experimental.
7.7 Constante de Tempo
7.7.1 Descrição
Vários sistemas na natureza e na engenharia apresentam comportamento que
pode ser descrito matematicamente através de uma equação diferencial de
primeira ordem, sendo conhecidos como sistemas de primeira ordem. As
respostas de interesse de tais sistemas têm formato exponencial, e são
caracterizadas pelo parâmetro denominado constante de tempo, que traduz a
velocidade de reação lenta ou rápida do sistema, de acordo com seu valor alto
ou baixo, respectivamente. Alguns exemplos de sistemas de primeira ordem são:
decaimento radioativo; transferência de calor; vazão de fluidos; modelos de
variação de população; vários sistemas mecânicos e pneumáticos, como
suspensão de veículos.
Os circuitos RC, compostos por resistores (R) e capacitores (C) são um exemplo
prático interessante desse tipo de sistema e são estudados neste experimento,
297
tendo em vista seu baixo custo e facilidade de montagem. Deve-se notar que os
conceitos, as equações e as medições envolvidas nesse experimento podem ser
facilmente aplicados, através de analogias, em outros sistemas quaisquer de
primeira ordem, já que o modelo matemático é o mesmo.
Inicialmente é estudado o processo de carga de um capacitor num circuito RC

de alta constante de tempo (da ordem de dezenas de segundos), de tal forma
que podem ser coletados os valores de tensão elétrica em função do tempo,
utilizando-se um multímetro portátil e um cronômetro, bem como uma fonte de
tensão contínua. A constante de tempo poderá ser obtida através do ajuste dos
pontos experimentais à função exponencial que descreve o fenômeno, e esse
valor comparado com o produto RC (resistência x capacitância) dos valores
também medidos com o multímetro.
Em outra etapa do experimento, as curvas de carga e descarga (Figura 7.5) são

visualizadas na tela de um osciloscópio, tendo em vista os baixos valores da
constante de tempo (da ordem de milissegundos), que já não podem ser medidos
com cronômetro. Os cursores do equipamento são então utilizados na obtenção
dos intervalos de tempo necessários para que a tensão atinja 63% do valor final
de carga; ou 37% do valor inicial, na descarga do capacitor. Novamente esses
valores são comparados com aqueles calculados pelo produto da resistência
pela capacitância em cada caso.
O experimento pode ser complementado com a proposta de um projeto em que

cada grupo faça a montagem e o estudo de um sistema de primeira ordem
(mecânico, pneumático, térmico, elétrico, populacional, financeiro, etc.) e
determine experimentalmente a constante de tempo do sistema estudado.
Figura 7.5- Registro na tela de um osciloscópio do sinal representando a descarga de

um capacitor
298
7.7.2 Conceitos
Além da importância indiscutível do estudo de sistemas de primeira ordem na
engenharia, esse experimento realizado com circuitos RC, compostos por
resistores e capacitores, permite a exploração de vários conceitos em metrologia
e instrumentação:
• A diferença entre os valores nominais de componentes e seus valores

medidos; a relação entre a tolerância no valor de um componente
comercial (por exemplo, resistores e capacitores), fornecida pelo
fabricante e a incerteza associada a esse valor (Item 3.3.1).
• Familiarização com modelos exponenciais (Item 5.2.4.3) e determinação
experimental da constante de tempo utilizando métodos experimentais e
instrumentos diferentes, de acordo com o valor da grandeza.
• Estudo sobre a adequação da metodologia e do equipamento de
medições de acordo com a ordem de grandeza do mensurando:
cronômetros podem ser utilizados para medir intervalos de tempo da
ordem de dezenas de segundos, mas torna-se necessária a utilização de
um osciloscópio para medir constantes de tempo da ordem de
milissegundos (Capítulo 4).
• Ajuste de funções exponenciais a pontos obtidos experimentalmente e
extração da constante de tempo (Item 5.3).
• Avaliação das incertezas nas grandezas medidas e extraídas.
• Utilização da técnica de Analogias em sistemas que são descritos por
modelos matemáticos similares, como no caso, os sistemas de primeira
ordem. Essa técnica é uma solução típica em engenharia, sempre que o
sistema original real que se deseja caracterizar é complexo, de alto custo
e de dimensões muito grandes ou muito pequenas. Nesse caso, infere-se
o desempenho do sistema original em determinadas condições,
utilizando-se um sistema de baixo custo e fácil implementação, cujo
comportamento é descrito matematicamente por um modelo análogo ao
do sistema de interesse. Por exemplo, as equações diferenciais que
governam as tensões e correntes em um sistema elétrico são
semelhantes às equações diferenciais que modelam o movimento de um
sistema mecânico. Assim, o circuito RC (de fácil implementação e baixo
custo) pode ser utilizado para estudar um sistema mecânico (que pode
ser complexo e caro), bastando fazer uma correspondência entre
parâmetros (Item 5.2.2).
• O uso de escolhas normalizadas nos métodos experimentais em
engenharia fica mais claro neste experimento. Como o modelo
matemático de primeira ordem de carga e descarga é muito adequado
para a maioria das condições deste experimento, quaisquer dois pontos
299
experimentais poderiam ser usados para determinar a constante de

tempo. A escolha do ponto no instante inicial e do ponto no instante da
constante de tempo garante uma incerteza adequada, segundo diversas
normas: nem a incerteza da medição do tempo é tão crítica como seria se
os tempos fossem muito pequenos, nem a incerteza da medição da
tensão, se os tempos fossem muito grandes (Item 5.2.4.3).
7.8 Sensores Térmicos
7.8.1 Descrição
É importante conscientizar os alunos de engenharia sobre a influência dos
sensores e transdutores (sendo esses elementos o primeiro bloco de um sistema
de instrumentação), sobre os seus efeitos no processo de medição e nos
resultados obtidos (Item 4.2.1). Por exemplo, no caso do mensurando de
interesse ser temperatura de um corpo qualquer, a escolha entre um sensor e
outro depende de vários fatores, tais como:
• O que está sendo medido? Em um determinado processo, a medição

direta pode danificar o sensor? Qual a dimensão máxima do sensor que
não afeta significativamente a medida?
• Qual é a faixa de temperatura que está sendo medida? (diferentes faixas
de temperatura têm diferentes sensores padrão).
• Quais são a exatidão e a precisão necessárias na medição? Qual é o
custo aceitável?
Nesse experimento são estudados vários sensores térmicos, com o objetivo de

caracterizá-los quanto ao tempo de resposta, função de transferência,
linearidade, sensibilidade, resolução, faixa de medidas (limiar e saturação),
deriva de zero, deriva de sensibilidade (Item 4.3).
Especificamente, propõe-se: a obtenção da constante de tempo de um

termômetro de vidro (álcool); o levantamento da curva resistência x temperatura
de um termistor NTC e obtenção de parâmetros através de linearização; e a
obtenção da curva característica tensão x temperatura de termopares ferro-
constantan (tipo J) em montagem diferencial.
300
7.8.2 Conceitos
A partir das medições e resultados obtidos, várias questões poderão ser
propostas aos alunos, a fim de atingir os objetivos desejados com esse
experimento, e reforçar os conceitos envolvidos:
• Como a constante de tempo de resposta de um sensor pode afetar a

medição a ser realizada e a incerteza associada à medida? Esse
parâmetro define qual sensor é ou não apropriado para um sistema de
instrumentação?
• Quais são as vantagens e desvantagens de um sensor com função de
transferência linear (Item 4.3)?
• Qual é o papel de transdutores que transformam grandezas físicas em
grandezas elétricas (tensão, corrente ou resistência) num sistema de
instrumentação moderno?
• Quando devem ser realizadas medidas no modo diferencial (Item 4.5.3)?
Qual é a vantagem desse tipo de medição?
• Como estimar a influência dos sensores/transdutores e suas
características nas incertezas dos mensurandos?
7.9 Conversão AD e DA
7.9.1 Descrição
Atualmente, a maioria dos equipamentos e sistemas de instrumentação,
medição e aquisição de dados são digitais, ou seja, armazenam, processam e
representam os dados analógicos de forma digital. Esses sistemas exigem o uso
de conversores Analógico/Digital que são responsáveis pela Amostragem,
Quantização e Codificação dos sinais analógicos para transformá-los em sinais
digitais (Item 4.2.2).
O objetivo deste experimento é apresentar aos alunos o funcionamento de

conversores Analógico/Digital (AD) e Digital/Analógico (DA) que são
componentes fundamentais dos sistemas de instrumentação atuais, e cujas
características afetam diretamente o resultado e a incerteza da medição. Este
experimento é dividido em três partes. Na primeira parte, é obtida a função de
transferência de um conversor AD, e são determinados os erros de offset e de
ganho, com suas respectivas incertezas. Na segunda parte, são comparadas as
formas de onda da entrada de um conversor AD com a da saída de um conversor
DA para um sinal senoidal. Na terceira parte são determinadas as incertezas
301
relacionadas a um instrumento de medição digital, levando-se em conta o

processo e as etapas da conversão analógico-digital dos sinais.
7.9.2 Conceitos
O experimento permite a exploração de vários conceitos relacionados à
Conversão Analógico-Digital (AD) e Digital-Analógico (DA), bem como sua
influência nos valores e incertezas do mensurando de interesse, quando obtido
através de instrumentação eletrônica digital (Item 4.2.2):
• Amostragem e Taxa de Amostragem: o processo de amostragem é

responsável pela conversão de um sinal contínuo no tempo em um sinal
discreto no tempo, ou seja, é responsável pela discretização do sinal no
domínio do tempo, podendo causar perda de informação sobre a
grandeza a ser medida e suas variações.
• Quantização: passo de quantização; níveis de quantização e sua
influência na resolução das medidas. Erro de quantização e sua influência
no valor do mensurando.
• Codificação: cada um dos níveis é escrito como uma palavra de N -bits,
N
onde N é o número de bits desta palavra e 2 é o número de níveis de
quantização. Valores que são apresentados no display digital do
instrumento de medição, após convertidos para a base decimal.
• Função de transferência dos conversores AD e DA: A função de
transferência representa a relação matemática que conecta o mundo
analógico com o mundo digital. Em condições ideais esta relação deve
representar uma relação linear de dependência. Em conversores reais
podem existir alguns erros na conversão, tais como o erro de offset e o
erro de ganho, dentre outros, que contribuem para a composição da
precisão absoluta desses conversores. A determinação destes erros é de
extrema importância para o ajuste e a calibração dos conversores.
• Estimativa de incertezas devido à conversão AD: a partir dos resultados
obtidos no experimento, será possível entender que a incerteza
instrumental na medição realizada com instrumentos digitais é
especificada através de uma parcela fixa e uma parcela que representa
uma porcentagem do valor lido no display do aparelho.
302
7.10 Projetos para integração de conhecimentos
Além dos experimentos e oficinas propostos nessa disciplina sobre Métodos

Experimentais em Engenharia, tem-se provado uma boa prática pedagógica a
proposta do desenvolvimento, ao longo do período letivo, de um projeto,
realizado em grupo pelos alunos, para integração dos conhecimentos adquiridos
nas áreas de metrologia e instrumentação.
Esses projetos devem incluir várias etapas, tais como: Definição do Mensurando;
Elaboração de Teste de Hipóteses; Projeto e Planejamento de Experimento;
Análise das Grandezas de Influência e Estimativa de incertezas; Realização das
Medições através de métodos experimentais diferentes; Processamento dos
dados experimentais, ajuste de funções e extração de parâmetros com
respectivas incertezas; Expressão, Análise, Comparação e Discussão dos
resultados.
Os temas propostos devem ser atuais, devem variar e conter os ingredientes

para motivar o interesse dos grupos de alunos em pesquisar e aplicar os
conceitos aprendidos na disciplina. Alguns temas que já foram utilizados e
produziram resultados interessantes para esses projetos foram:
• Consumo de bateria de telefone celular
A duração da bateria de aparelhos celulares é objeto de preocupação do usuário

comum e também das empresas que desenvolvem tecnologia nessa área. A
definição técnica do consumo de uma bateria, bem como o projeto de um método
experimental para obter tal mensurando é tema de grande motivação para os
alunos e que oferece um campo fértil para aplicar os conceitos apresentados e
praticados na disciplina. A discussão de que o consumo deve ser uma grandeza
de fácil compreensão para o usuário final é particularmente interessante (por
exemplo, a grandeza deve ser uma classificação A/B/C ou o tempo em horas?).
• O aparelho celular como instrumento de medição
Dotado de vários tipos de sensores/transdutores (microfone, câmera, giroscópio,

GPS, termômetro, acelerômetro, etc.), os aparelhos celulares (smartphones),
associados a aplicativos disponibilizados de forma crescente, constituem em
verdadeiros sistemas de instrumentação portáteis e de baixo custo. A proposta
desse projeto envolve a pesquisa sobre mensurandos que podem ser obtidos
através desse instrumento, no planejamento de métodos experimentais e na
avaliação da incerteza obtida, incluindo a comparação dos resultados com
aqueles obtidos através de um equipamento tradicional.
303
• Modelagem de curvas epidemiológicas através de modelos de

crescimento populacional
Este projeto foi proposto dentro do contexto da pandemia da COVID-19,

ilustrando como modelos podem ser utilizados para a predição de curvas
epidemiológicas. Os principais objetivos do projeto são: o estudo da dinâmica de
sistemas de primeira ordem através de modelos de crescimento populacional
aplicados a dados epidemiológicos; o ajuste de curvas exponenciais e a extração
da taxa de crescimento do número de infectados e do número de óbitos; e a
avaliação das incertezas nas grandezas obtidas.
7.11 Exercícios de Aplicação
1- Para se determinar a densidade do material de uma peça sólida, cujo formato

é um prisma com base triangular (equilátera), foram feitas as medições de
sua massa (139,40,8) g; k =1; e das dimensões, utilizando um paquímetro
cujo nônio tinha 20 divisões. As médias das leituras obtidas (com desvio
padrão desprezível) foram: lado do triângulo: 32,15 mm e altura da peça:
101,30 mm.
A partir destes dados, determine a densidade do material, e o intervalo que

engloba o valor verdadeiro, com 95% de probabilidade.
2- Para determinar a constante elástica k de uma mola de tração, um grupo

de alunos mediu com o cronômetro, dez períodos de oscilação do MHS
produzido com a conexão de quatro massas diferentes na extremidade da
mola. O valor de cada massa m havia sido medido previamente numa
balança. Os resultados obtidos estão dispostos na Tabela 7.1.
Sabe-se que a constante elástica da mola está relacionada à massa m e ao

período de oscilação T do MHS pela equação:
4 2 m
k=
T2
Pede-se:
a) Explique por que não devem ser calculadas as médias dos valores de
massa m e do período de oscilação T medidos para determinação da
constante k .
304
b) Preencha a última linha da tabela com os valores da constante elástica k

da mola.
c) Aplique agora uma análise estatística para determinar a melhor estimativa
para a constante k da mola e sua incerteza do tipo A.
d) Considerando que a balança e o cronômetro utilizados apresentavam
incertezas do tipo B de 1% e 0,5% respectivamente, determine a incerteza
total na constante k da mola.
e) Utilizando os pontos experimentais da tabela, qual o tipo de função y ( x)
você escolheria para fazer um ajuste de curva de variação do período de
oscilação T do MHS em função da massa m ? Qual(is) o(s) parâmetro(s)
que seria(m) obtido(s) como resultado do procedimento de ajuste?
Tabela 7.1- Medidas de massa e período de oscilação
Parâmetro 1 2 3 4
Massa ( m ) (kg) 0,513 0,634 0,752 0,950
Dez períodos de
12,4 13,6 15,0 16,9
oscilação ( 10T ) (s)
Constante elástica
da mola ( k ) (N/m)
3- Um fabricante de lâminas de cobre especifica o tamanho de grão nominal de

seu produto como sendo d = (0,050±0,005) mm. No laboratório, foram
analisadas duas microfotografias de amostras deste material, utilizando-se
em uma delas, o método do intercepto e em outra, o método planimétrico. Os
resultados obtidos (média e incerteza padrão em cada microfotografia) estão
apresentados na Tabela 7.2.
Pede-se:
a) Complete a tabela com os valores correspondentes ao tamanho de grão

ASTM ( G ) e respectivas incertezas.
b) Utilizando o critério de z’-score e os valores de G , verifique o seguinte
teste de hipóteses para ambas as imagens analisadas:
• H0 – A amostra atende as especificações do fabricante.
• H1 – A amostra não atende as especificações do fabricante.
c) Repita o item b), utilizando agora os valores do tamanho médio de grão (
d ) em mm. Comente seus resultados.
305
Tabela 7.2 – Resultados da análise de microfotografias de lâminas de cobre

(Incertezas com k =1; 68% probabilidade)
d (mm) G
Especificação (0,0500,005)
Imagem 1
(0,047±0,012)
(Método do Intercepto)
Imagem 2
(0,052±0,007)
(Método Planimétrico)
4- A configuração apresentada na Figura 7.6 foi utilizada para determinação

experimental do coeficiente de restituição para dois sistemas: pedra–vidro
(bola de gude em colisão com superfície de pedra) e madeira-vidro (bola de
gude em colisão com superfície de madeira). Soltando-se a bola em queda
livre de uma altura de 0,5 m, foi realizada a medição de tempo entre dois
impactos consecutivos, mediante a captura do sinal de acústico por um
microfone de eletreto, sua amplificação e apresentação na tela de um
osciloscópio.
A partir da coleta do tempo decorrido entre impactos subsequentes, foram

elaborados os gráficos apresentados na Figura 7.7, a partir dos pontos
experimentais dispostos na Tabela 7.3. Pede-se:
a) Determine o valor do coeficiente de restituição para cada um dos

sistemas.
b) Avalie as fontes de incerteza associadas à determinação do coeficiente
de restituição pelo procedimento descrito.
Considere as relações: t0 =
2H
e 
tn=tn− 1=
tn− t0
2 n
,
g
onde H = altura do cilindro; g = aceleração da gravidade=9,8 m/s2; tn =

tempo entre dois impactos; e  = coeficiente de restituição.
306
Figura 7.6- Montagem experimental para determinação do coeficiente de restituição
Tabela 7.3- Dados do experimento para determinação do coeficiente de restituição
Pedra/vidro Madeira/vidro
Colisão (n)  tn (s)  tn (s)
1 0,52 0,40
2 0,45 0,27
3 0,38 0,18
4 0,34 0,12
5 0,28 0,10
6 0,24 0,08
307
Figura 7.7- Gráfico com os dados do experimento para determinação do coeficiente de

restituição
5- Um grupo de alunos escolheu como limites de sua escala de medida de

temperatura com um termômetro de álcool, os valores -50 oG e +130 oG. Os
pontos de referência correspondentes foram as temperaturas de fusão
(marca M1 no tubo capilar) e ebulição (marca M2 no tubo capilar) da água,
respectivamente. A diferença de altura do álcool no tubo capilar, para estas
duas condições, resultou em M2-M1 = (153±1) mm (incerteza padrão com k
=1).
a) Determine a escala termométrica ET (oG/mm) do termômetro, com

respectiva incerteza.
b) Forneça a expressão para se obter o valor da temperatura em oG, a partir
de uma determinada altura h de álcool (medida a partir da marca M1).
c) Forneça a expressão para conversão de unidades de temperatura T (oG)
para T (oC), isto é, em graus centígrados.
6- Na Tabela 7.4 estão apresentados os resultados medidos para se obter a

curva de transferência de um termistor. As medições de resistência foram
realizadas com um multímetro com especificação de exatidão: 0,8% + 4
unidades na escala utilizada. As medições de temperatura foram feitas com
um termômetro a álcool, com resolução de 1 oC.
308
1 dR
A partir destes dados, calcule o coeficiente  = de temperatura do
R dT
termistor, para a temperatura de 30 oC, com respectiva incerteza.
Tabela 7.4 - Dados para levantamento da curva de transferência de um termistor
Temperatura (oC) Resistência (kΩ)

1 510
9 450
18 290
28 180
42 100,9
56 55,0
70 27,5
94 10,3
7- A Tabela 7.5 mostra alguns valores obtidos durante o levantamento da curva

de transferência um termopar. Determine quais as leituras do multímetro nas
situações indicadas na Figura 7.8. Justifique.
Tabela 7.5 – Resposta de um termopar
0 oC 0 mV
20 oC 1,05 mV
100 oC 5,37 mV
309
Figura 7.8 – Medições de temperatura com termopar

a) b)
Temperatura ambiente: 20 oC
Multímetro (VCC)
Temperatura ambiente: 20 oC Multímetro (VCC) Forno a 100 oC
8- A partir dos dados da Tabela 7.6, aplique o modelo exponencial de Malthus

para modelar o número de pessoas infectadas pelo vírus Sars-Cov-2 no
mundo no período de 22/01/2020 a 27/03/2020. Utilize o modelo para estimar
o número de pessoas infectadas no período de 28/03/2020 a 07/04/2020.
Nota: Modelo de Malthus: x(t ) = x0 e at
Tabela 7.6 – Número de pessoas infectadas no mundo pelo vírus Sars-Cov-2 desde o
dia 22/01/2020. Até dado #65: correspondem a 85% dos dados iniciais disponíveis. De
#66 a #76: correspondem a 15% dos dados finais disponíveis.
Data # Dado No. Data # Dado No.

pessoas pessoas
22/jan 0 555 01/mar 39 88.369
23/jan 1 654 02/mar 40 90.306
24/jan 2 941 03/mar 41 92.840
25/jan 3 1.434 04/mar 42 95.120
26/jan 4 2.118 05/mar 43 97.886
27/jan 5 2.927 06/mar 44 101.801
28/jan 6 5.578 07/mar 45 105.847
29/jan 7 6.166 08/mar 46 109.821
30/jan 8 8.234 09/mar 47 113.590
310
31/jan 9 9.927 10/mar 48 118.620
01/fev 10 12.038 11/mar 49 125.875
02/fev 11 16.787 12/mar 50 128.352
03/fev 12 19.881 13/mar 51 145.205
04/fev 13 23.892 14/mar 52 156.101
05/fev 14 27.635 15/mar 53 167.454
06/fev 15 30.794 16/mar 54 181.574
07/fev 16 34.391 17/mar 55 197.102
08/fev 17 37.120 18/mar 56 214.821
09/fev 18 40.150 19/mar 57 242.570
10/fev 19 42.762 20/mar 58 272.208
11/fev 20 44.802 21/mar 59 304.507
12/fev 21 45.221 22/mar 60 336.953
13/fev 22 60.368 23/mar 61 378.235
14/fev 23 66.885 24/mar 62 418.045
15/fev 24 69.030 25/mar 63 467.653
16/fev 25 71.224 26/mar 64 529.591
17/fev 26 73.258 27/mar 65 593.291
18/fev 27 75.136 28/mar 66 660.706
19/fev 28 75.639 29/mar 67 720.140
20/fev 29 76.197 30/mar 68 782.395
21/fev 30 76.819 31/mar 69 857.487
22/fev 31 78.572 01/abr 70 932.605
311
23/fev 32 78.958 02/abr 71 1.013.320
24/fev 33 79.561 03/abr 72 1.095.917
25/fev 34 80.406 04/abr 73 1.197.405
26/fev 35 81.388 05/abr 74 1.272.115
27/fev 36 82.746 06/abr 75 1.345.101
28/fev 37 84.112 07/abr 76 1.426.096
29/fev 38 86.011
312
Capítulo 8- Tendências na tecnologia de Instrumentação

e na ciência da Metrologia
8.1 Introdução
Neste texto, vimos que medir é uma atividade tão antiga quanto a própria
civilização, sendo um fator essencial da interação entre a humanidade e o mundo
físico. O processo de medir consiste essencialmente em comparar um valor
desconhecido com algo conhecido, denominado “padrão”. Um sistema de
medição (que pode ser denominado de instrumento, escala, medidor ou
analisador) é um dispositivo que facilita essa comparação. Desde a simples
balança de pratos, um dos sistemas de medição mais antigos, até os complexos
instrumentos modernos, vários conceitos e métodos foram compondo a ciência
da Metrologia, e muitas novas tecnologias têm sido incorporadas na área da
Instrumentação.
Em especial, ao longo do século XX até os dias de hoje, a instrumentação tem

sido revolucionada pelos progressos no campo da eletrônica, incluindo a
computação e o processamento digital de sinais. Tal evolução permite que
praticamente qualquer fenômeno físico possa atualmente ser medido e
quantificado para as mais diversas aplicações nas atividades humanas. É
importante destacar que a instrumentação é a ciência e a tecnologia da medição.
Como ciência, a instrumentação estuda os métodos de medição, e como
tecnologia, estuda as formas de implementar esses métodos experimentais. A
evolução da instrumentação está mais relacionada com a implementação
tecnológica do que com os métodos propriamente ditos, que são conceituais e
raramente se tornam obsoletos.
As tendências na área de instrumentação apontam para o aumento da

complexidade e das funções desempenhadas pelos sistemas de medição,
dotados de capacidade de programação, de forma a permitir a automatização
dos processos, a custos decrescentes e com precisão e exatidão crescentes.
Vale também destacar os sistemas de instrumentação inteligentes, que utilizam
sensores e atuadores conectados a microprocessadores, para processar os
sinais provenientes de medições e permitir a comunicação rápida e a tomada de
313
decisões em sistemas industriais e laboratoriais. O desenvolvimento de

interfaces de baixo custo, como o Arduino (ARDUINO1), que incluem acessos
de entrada e saída de sinal, bem como controlador e linguagem de programação
própria, têm permitido o projeto de sistemas de instrumentação portáteis e de
grande utilidade, por exemplo, na área médica, para monitoramento e diagnose
de pacientes (D’AUSILIO, 2011).
Os dispositivos móveis (smartphones e tablets) e os aplicativos a eles

associados já se consolidaram como parte da vida diária das pessoas. Também
nas áreas de instrumentação e metrologia, crescem as aplicações destes
dispositivos em sistemas de medições, que utilizam os sensores neles
disponíveis (Ex: câmera, microfone, acelerômetro, giroscópio, magnetômetro,
receptor GPS, barômetro, sensor de proximidade, sensor de luminosidade, etc.)
associados a aplicativos desenvolvidos para fins específicos, como, por exemplo
para aquisição e processamento de sinais acústicos ou imagens (NATIONAL
INSTRUMENTS, 2012).
Todos esses avanços, proporcionados pela inserção dos computadores nos

sistemas de medição, trouxeram grandes vantagens em termos de
complexidade, exatidão, precisão, custo, flexibilidade, portabilidade e agilidade.
No entanto, apesar da possibilidade de produzir grandes quantidades de
resultados, há pontos negativos como os erros associados ao processamento
digital de sinais e à operação em tempo real de sistemas distribuídos. Conceitos
fundamentais relativos aos métodos experimentais devem ser analisados
continuamente pelos engenheiros, tais como a viabilidade e os limites dos
modelos teóricos, a eficiência e reprodutibilidade, a aderência às aplicações de
interesse, e as grandezas de influência e incertezas que afetam as medições,
mesmo em sistemas avançados e complexos (CRISTALDI, 2007).
Na ciência da metrologia, desde o estabelecimento do Sistema Internacional de

Unidades, em 1960, que finalmente permitiu uma padronização global das
medidas, a comunidade internacional preocupa-se continuamente com vários
aspectos como a universalidade dos padrões e a estabilidade dos seus valores.
Em particular, um dos grandes projetos atuais nessa área foi a redefinição do
padrão de massa. Das sete unidades básicas do Sistema Internacional, quais
sejam: metro, segundo, ampere, kelvin, mole, candela e quilograma, este último
era o único que ainda dependia de um protótipo físico, de platina-irídio,
armazenado pelo BIPM (Bureau International des Poids et Measures) (BIPM)
desde 1889, a partir do qual todos os padrões eram calibrados. Todas as outras
unidades básicas já eram independentes de um artefato, e podiam ser obtidas
de forma universal, com base em fenômenos físicos. Recentemente, em 2019,
a metrologia deu um passo histórico com a revisão dos padrões do quilograma,
ampere, kelvin e mole, atingindo as características desejáveis para as unidades
314
básicas: as redefinições são agora baseadas em constantes físicas, estáveis e

imutáveis (de acordo com as teorias científicas atuais); os novos métodos de
medição usam fenômenos quânticos (por exemplo, a carga do elétron) e
fenômenos relativísticos (como a velocidade da luz no vácuo), como base para
padrões de medidas fundamentais. Com essa mudança histórica, a unidade de
massa do SI passou a ser definida nos termos da constante de Planck,
assegurando estabilidade de longo prazo (BIPM-SI).
Outra linha atual de estudos refere-se à precisão e exatidão das medidas

obtidas, e ao estabelecimento de uma terminologia internacional e da definição
clara de conceitos, através dos quais os metrologistas possam se comunicar e
comparar de forma confiável e quantitativa, as medidas obtidas em qualquer
laboratório do planeta. Este trabalho tem sido realizado através de discussões
contínuas, reuniões periódicas dos cientistas e acordos internacionais
coordenados pelo Comitê Internacional de Pesos e Medidas –(CIPM),
subordinado à Conferência Geral de Pesos e Medidas (CGPM).
8.2 Instrumentação automatizada e Instrumentação virtual

Tradicionalmente, os instrumentos eletrônicos apresentam o formato de uma
caixa com um painel frontal que contém botões, teclas e displays, permitindo a
interface com o usuário, que pode interagir e controlar o equipamento,
basicamente através de hardware. Avanços da eletrônica permitiram grande
melhoria desses instrumentos em termos de precisão, funcionalidade e
confiabilidade (Figura 8.1). A tecnologia digital permitiu a conexão dos
instrumentos a computadores, aumentando sua flexibilidade e proporcionando a
habilidade de programar, através de software, os procedimentos de medição,
além de controlar e trocar dados de forma eficiente (Figura 8.2).
Os sistemas modernos de medição são normalmente compostos por vários

instrumentos, conectados a um ou mais computadores, proporcionando o que se
denomina Instrumentação Automatizada, uma vez que este esquema permite
que o controle dos instrumentos e o processamento dos dados medidos possam
ser realizados automaticamente através da interação do usuário com o
computador. Isso permite também a modificação do procedimento de medição,
simplesmente alterando-se o software executado pela arquitetura
computacional, sem a necessidade de mudança do hardware.
Os sistemas automáticos de medição compreendem normalmente três blocos

principais: os instrumentos, um barramento de comunicação e um computador
onde se encontra instalada uma placa de interface com o barramento, bem como
um conjunto de ferramentas computacionais que permitem não só controlar os
315
instrumentos a distância, como ainda efetuar uma série de operações sobre os

dados recolhidos. Assim, os instrumentos de medição devem possuir
capacidade de ligação a um barramento, e capacidade de serem controlados
remotamente, existindo inclusive instrumentos que nem possuem painel frontal
de comando (Figura 8.3). Os sistemas automáticos permitem a obtenção de um
grande número de medidas em curto intervalo de tempo, contribuindo para o
estudo estatístico do mensurando de interesse.
Em certos sistemas automáticos, substituem-se os instrumentos por placas de

aquisição de dados, conectadas ao barramento de expansão do computador.
Estas placas possuem um certo número de canais de entrada (analógicos e/ou
digitais) sendo caracterizadas pela frequência máxima de amostragem, níveis de
tensão de entrada, etc. Algumas placas também permitem a geração de sinais
de saída controlados a partir do computador. Este tipo de instrumentação,
denominada modular, permite emular no computador o funcionamento de vários
instrumentos de medição, tais como osciloscópios, multímetros, geradores de
sinal, registadores, etc. (Figuras 8.4 e 8.5). Na Figura 8.6 são apresentados,
comparativamente, os esquemas de um instrumento tradicional, que pode ser
operado localmente, ou automatizado através da conexão com um computador,
e um instrumento modular, em que cada placa pode ser configurada como um
equipamento diferente.
Nos sistemas de instrumentação automatizada, com equipamentos reais ou

modulares, são desenvolvidos, através de softwares dedicados (normalmente
com interface gráfica), o que se denominam os Instrumentos Virtuais (Virtual
Instruments ou VIs), que representam, na tela do computador, os botões de
controles e displays dos equipamentos convencionais, cuja operação e ajustes
podem então ser acionados através do teclado e mouse do computador, ou
mesmo via programação por software (Figura 8.7).
Os VIs têm tido grande aplicação nas indústrias, e nas áreas aeroespacial e
médica, pois permitem a aquisição remota de sinais, coletados por sensores
locais e transmitidos por sistemas de comunicação via cabos, radiofrequência ou
fibras óticas. O computador processa e apresenta os sinais obtidos, e o operador
pode ajustar os parâmetros e observar os resultados de medição em tempo real.
A aplicação de Instrumentação Virtual também tem crescido na área de

Educação e Pesquisa, pois oferece uma alternativa econômica para a
implementação de multímetros, osciloscópios, geradores e analisadores de
sinais nos laboratórios didáticos. Além disso, torna possível a configuração de
laboratórios remotos (denominados Lab on the Web) (FJELDLY, 2003), que
podem ser acessados e utilizados através da internet, permitindo o
compartilhamento e flexibilizando o uso de equipamentos e a realização de
316
medições e experimentos por um número maior de operadores em locais

diferentes (Figura 8.8). Neste caso, são denominados sistemas de
instrumentação distribuídos, podendo envolver vários computadores e diferentes
tipos de equipamentos de medição.
Figura 8.1 – Instrumento eletrônico tradicional
Fonte: https://www.keysight.com/
Figura 8.2 – Instrumento eletrônico conectado a computador
Fonte: Adaptado de (COOMBS JR., 1999)
317
Figura 8.3 – Esquema de instrumento eletrônico controlado por computador
318
Figura 8.4 – Exemplo de instrumentação modular
Fonte: https://www.electronics-notes.com/articles/test-methods/pxi/history-timeline.php
Figura 8.5 – Esquema de sistema de instrumentação modular emulado através de

placas eletrônicas e computador
319
Figura 8.6 – Instrumentação automatizada e Instrumentação modular
Fonte: Adaptado de (MARTINEK, 2012)
320
Figura 8.7 – Painel de instrumentos virtuais (VIs)
Fonte: (CONSONNI, 2004)
321
Figura 8.8 – Exemplo de Laboratório Remoto
Fonte: Adaptada de (GOMES, 2007)
8.3 Instrumentação inteligente

Conforme visto no Item 4.2.1, os sensores/transdutores são parte integrante
fundamental dos sistemas de instrumentação, permitindo a medição de vários
tipos de grandezas físicas, químicas ou biológicas. Os blocos de
condicionamento de sinal têm a função de melhorar o desempenho e ampliar a
faixa de operação dos sensores.
Novas tecnologias, envolvendo microcontroladores e processamento digital de

sinais, têm atribuído ao conjunto formado pelo sensor e o circuito de
condicionamento, operações adicionais, além da medição propriamente dita,
mas também a validação, compensação e classificação de parâmetros. Essa
322
nova categoria de sensores é denominada “inteligente” e deu origem ao que se

chama atualmente de sistemas de Instrumentação Inteligente (BHUYAN, 2011).
Tais funções inteligentes têm sido atribuídas não somente aos sensores, mas
também a atuadores, constituindo o que se denomina de transdutores
inteligentes (Figura 8.9). Esses dispositivos executam operações tais como
calibração, linearização e compensação de sinais, e têm como principal
componente, o uso de inteligência artificial para solucionar problemas reais.
Assim, produzem informação relevante para a tomada de decisões no controle
de processos industriais de manufatura, laboratório e produção.
Figura 8.9 – Esquema de transdutores inteligentes
8.4 Instrumentação portátil de baixo custo

Muitos cenários de pesquisa e aplicação (como em medicina e agricultura, por
exemplo) requerem a aquisição contínua de dados experimentais, a fim de se
estudar, monitorar, analisar, descrever ou entender um determinado processo
ou evento.
O conceito de instrumentação automatizada permitiu aumentar

significativamente a frequência e regularidade das medições nestes casos,
embora exigindo sensores e instrumentação eletrônica que podem apresentar
alguns problemas aos usuários, em termos de dimensões, custo, resolução,
tecnologia proprietária, dificuldade de programação, dentre outros.
No entanto, os rápidos avanços da eletrônica, da internet e do conceito de

software livre têm resultado numa variedade de novos e econômicos recursos
de sensoriamento, monitoração e controle para sistemas de instrumentação.
Estes sistemas são compostos por plataformas abertas, com microcontroladores
para os quais o usuário pode criar instruções de programa específicas para a
aplicação desejada, e que podem ser reprogramadas a qualquer momento.
323
Vários tipos de sensores e componentes auxiliares, como memórias, relógios de

sincronismo e dispositivos de comunicação podem ser incorporados ao sistema,
promovendo versatilidade e flexibilidade ao processo de medição.
O Arduino é uma dessas plataformas portáteis e de baixo custo, cuja utilização

tem crescido muito nos últimos anos, graças ao conceito de hardware e software
abertos, e o suporte e a disponibilização de inúmeras aplicações on-line pelos
usuários (ARDUINO2).
Esse microcontrolador possui vários pinos configuráveis para atuarem como

entrada ou saída (analógicas ou digitais) e permite expansões para a conexão
de outras placas ou módulos funcionais, que incrementam a operação do
sistema. O ambiente de software para programação com o Arduino é disponível
para vários sistemas operacionais, e podem ser utilizados diversos protocolos
de comunicação para interface com componentes e sensores digitais. À
plataforma, podem ser conectados sensores variados para a medição de
parâmetros físicos, como temperatura, umidade, pressão, distância, tempo, etc.
(Figura 8.10)
Os sistemas de instrumentação portátil apresentam grande potencial tanto para

aplicações gerais como e em pesquisa científica, pelas suas características de
flexibilidade, reprogramação e baixo custo para a aquisição de dados,
automação e controle de processos e medições (D’AUSILIO, 2011), (FISHER,
2012).
Figura 8.10 – Placa do Arduíno
Fonte: https://www.tecnoveste.com.br/arduino-o-que-e-para-que-serve-e-por-que-e-tao-importante/
324
8.5 Dispositivos Móveis como instrumentos de medição

Os smartphones e tablets estão consolidados como dispositivos para
entretenimento, mas têm potencial para serem poderosas ferramentas na área
de instrumentação. Servem para realizar medições, armazenar dados,
automatizar testes, realizar análises, criar relatórios e muito mais. Suas
características principais são a portabilidade e a conectividade, tornando-os
dispositivos interessantes em sistemas remotos de medição e controle, e
também em plataformas para medições portáteis (Figura 8.11).
A infraestrutura de internet fornece acesso aos resultados de medição em

qualquer lugar, e os dispositivos móveis são interfaces de baixo custo para
visualizar dados remotamente e ter o controle de um sistema de medição. Sua
dimensão reduzida e alto poder de processamento tornam esses dispositivos
uma plataforma eficaz e flexível para medições portáteis. A partir dos sensores
neles disponíveis (Ex: câmera, microfone, acelerômetro, giroscópio,
magnetômetro, receptor GPS, barômetro, sensor de proximidade, sensor de
luminosidade, etc.), ou utilizando módulos de aquisição de sinais, esses
dispositivos atuam como componentes para obtenção de dados e, associados a
softwares específicos que dependem da aplicação (Ex: para processamento de
sinais acústicos ou imagens), podem substituir sistemas de medição complexos
e caros, com resultados satisfatórios.
Figura 8.11- Painel de tablet com sistema de medição e monitoramento da velocidade

do vento em turbinas eólicas
Fonte: http://www.ni.com/newsletter/51387/pt/
325
8.6 Os padrões primários da Metrologia

O Sistema Internacional de unidades (SI) é atualmente baseado na definição de
unidades para sete grandezas (ampere, candela, kelvin, quilograma, metro, mole
e segundo), consideradas dimensionalmente independentes, que permitem
derivar todas as outras grandezas, cobrindo assim todas as áreas da
eletrodinâmica, termodinâmica, físico-química e fotometria.
A escolha dessas unidades e suas definições foi fruto da evolução científica e

tecnológica ocorrida durante o século XX, e gera padrões que dependem de
fenômenos e constantes naturais, cujos valores podem ser obtidos de modo
experimental, estável e com alta precisão, independentemente de
particularidades locais ou regionais. Assim, a unidade de tempo, o segundo, está
relacionada ao período da radiação correspondente à transição entre dois níveis
de energia do átomo de Césio 133, fenômeno no qual também se baseiam os
relógios atômicos modernos. Para definir a unidade de comprimento, fixou-se o
valor da velocidade da luz como constante natural, e o metro passou a ser a
distância percorrida pela luz (atualmente utilizam-se feixes de laser) no intervalo
de um segundo (HIMBERT, 2009).
Recentemente, alguns destes padrões básicos do SI foram redefinidos, visando

a utilização de tecnologia moderna para se obter melhor precisão nos valores.
O caso mais emblemático foi o padrão de massa, o quilograma, a única unidade

que ainda estava atrelada a um artefato material: o “Grande K”, como era
conhecido um cilindro de metal, à base de platina e irídio, conservado em
condições especiais no Bureau Internacional de Pesos e Medidas (BIPM) na
França, desde 1884, mas cujas características estavam sendo alteradas com o
passar do tempo. Atualmente, o quilograma é definido em termos de um valor
fixo exato atribuído à constante de Planck (h=6.626 070 15 × 10–34 J.s), e
equilibrando-se a força gravitacional sobre um objeto com a força
eletromagnética através de uma balança de Kibble (NPL-UNITS).
Um benefício dessa nova definição do quilograma é que a unidade de massa SI

poderá ser reproduzida em qualquer lugar do mundo, permitindo a medição de
qualquer valor de massa. Micro-balanças de Kibble permitirão medições precisas
em aplicações como na produção de drogas farmacêuticas e na medicina
personalizada, em micro-robótica, micro-fabricação e monitoração ambiental.
Os outros padrões redefinidos foram: ampere (através dos valores fixos da carga
elementar e da constante de Planck); kelvin (através do valor numérico fixo da
constante de Boltzmann e não mais da temperatura do ponto triplo da água); e
mole (através do valor fixo do número de Avogrado) (NIST-UNITS).
326
Assim, a aplicação da Física Moderna e dos avanços tecnológicos à definição

das unidades do SI visam aumentar continuamente a precisão dos padrões
primários de calibração, melhorando a rastreabilidade e comparação de medidas
obtidas em qualquer ponto do globo.
8.7 A Terminologia da Medição

A Metrologia surgiu como ciência, inicialmente para se dedicar à criação e
manutenção de padrões de medidas. Nesse contexto, a teoria da precisão das
medidas esteve limitada apenas aos efeitos aleatórios que afetavam medições
múltiplas de uma certa grandeza. A ferramenta utilizada era a análise estatística
de dados experimentais, consistindo na denominada Teoria Clássica do
processamento de medidas.
Com o tempo, observou-se que além de efeitos aleatórios, as medições eram

afetadas também por efeitos sistemáticos, e que a precisão do resultado final
deveria combinar ambas as componentes. A forma de como combinar todos os
efeitos, aleatórios e sistemáticos, que influem no resultado medido passou então
a ser um dos principais objetos de estudo da metrologia (RABINOVICH, 2010).
A partir da primeira edição do VIM (Vocabulário Internacional de Metrologia),

publicada em 1984 pela ISO (International Organization for Standardization),
uma nova teoria, denominada Teoria Física do processamento de medidas
começou a se desenvolver. Nessa teoria, considerou-se o significado físico dos
problemas de medição, levando ao cálculo de um intervalo de confiança para os
resultados obtidos. Foram abordados os problemas de precisão de medições
únicas e de medições múltiplas, e consideradas as características dos
instrumentos de medição como grandezas de influência na precisão dos
resultados.
Na 2ª Edição do VIM, publicada em 1993, utilizava-se a chamada Abordagem do

Erro, cujo objetivo era determinar uma estimativa do valor verdadeiro que esteja
tão próxima quanto possível deste valor verdadeiro único. O desvio do valor
verdadeiro era composto de erros aleatórios e sistemáticos. Os dois tipos de
erros, supostos como sendo sempre distinguíveis, deveriam ser tratados
diferentemente, e nenhuma regra era estabelecida para a combinação dos
mesmos.
Com a 3ª edição do VIM, publicada em 2007 pela ISO e IEC (International

Electrotechnical Commission), vários termos e conceitos da metrologia foram
redefinidos. Dentre esses, os principais são os conceitos que diferenciam “erro”
de “incerteza”, e “resultado de medição” de “valor verdadeiro”. Assume-se agora
327
a denominada Abordagem da Incerteza, em que as componentes da incerteza

de medição são agrupadas em duas categorias, Tipo A e Tipo B, dependendo
de como elas são avaliadas, isto é, por métodos estatísticos ou por outros
métodos. Essas componentes são combinadas para se obter uma variância de
acordo com as regras da teoria matemática da probabilidade, tratando as
componentes do Tipo B também em termos de variâncias. Através da lei de
propagação das incertezas, chega-se à incerteza padrão combinada e à
incerteza expandida, que definirá, junto com o resultado medido, o intervalo e o
nível de confiança onde deverá encontrar-se o valor verdadeiro da grandeza de
interesse. (INMETRO, 2012).
O objetivo da medição na Abordagem de Incerteza não é determinar um valor

verdadeiro tão melhor quanto possível. Preferencialmente, supõe-se que a
informação oriunda da medição permita apenas atribuir ao mensurando um
intervalo de valores razoáveis, com base na suposição de que a medição tenha
sido efetuada corretamente. Informações adicionais relevantes podem reduzir a
amplitude do intervalo de valores que podem ser razoavelmente atribuídos ao
mensurando. Entretanto, mesmo a medição mais refinada não pode reduzir o
intervalo a um único valor, devido à quantidade finita de detalhes na definição de
um mensurando. O objetivo da medição é, portanto, estabelecer, com base nas
informações disponíveis a partir da medição, uma probabilidade de que este
valor essencialmente único se encontre dentro de um intervalo de valores da
grandeza medida.
Neste Vocabulário, assume-se que não há diferença fundamental nos princípios

básicos de medição em física, química, medicina laboratorial, biologia ou
engenharia. Além disso, foi feita uma tentativa para atender as necessidades
conceituais de medição em campos tais como bioquímica, ciência alimentar,
ciência forense e biologia molecular.
O VIM, juntamente com o ISO GUM (Guia para a Expressão da Incerteza de

Medição) (INMETRO, 2008) são os documentos mais importantes, atualmente,
para normatizar as definições, conceitos e normas da metrologia. No ISO GUM,
tentou-se unificar os métodos de medição, bem como a estimativa e a expressão
de medidas e suas incertezas. Essa uniformidade é de grande importância para
o desenvolvimento econômico de qualquer país e também para a cooperação
econômica entre países.
Na área de educação em Ciências e Engenharia, esforços têm sido realizados

no sentido de aplicar os conceitos que são apresentados de forma muito técnica,
e, por vezes, árida nesses dois documentos (VIM e ISO GUM), com a finalidade
de inseri-los em atividades práticas laboratoriais e material didático mais
328
atrativos aos alunos (BUFFLER, 2008). Considera-se que tais esforços devam
cumprir vários objetivos, tais como:
• utilizar na formação dos alunos, os mesmos métodos de análise e

interpretação de dados experimentais padronizados e normalizados nas
áreas de pesquisa e nas atividades técnicas profissionais;
• desenvolver nos alunos não apenas a proficiência nos procedimentos
práticos relacionados à metrologia e instrumentação, mas também o
entendimento dos conceitos estatísticos que justificam tais
procedimentos;
• conscientizar os alunos sobre a importância das áreas de metrologia e
instrumentação para sua carreira profissional, quaisquer que sejam suas
atividades futuras (pesquisa, desenvolvimento, projeto, especificação,
produção, manutenção, etc.) e quaisquer que sejam suas linhas de
especialização em ciências ou engenharia.
Os grupos de trabalho do BIPM (Bureau Internacional de Pesos e Medidas), que

envolvem especialistas de todo mundo, estão sempre discutindo as várias
questões relacionadas às medições, o que demonstra o caráter polêmico e
dinâmico dessa ciência, que se encontra em constante evolução. Cabe aos
cientistas e engenheiros estarem sempre atentos às publicações mais recentes
dos órgãos internacionais e nacionais responsáveis por essa área, de forma a
fazer a análise de resultados experimentais, bem como apresentar seus
relatórios técnicos dentro dos padrões mais atuais, aceitos e estabelecidos.
1- Pense num mensurando de seu interesse (relacionado com uma grandeza

física, como dimensão, área, som, luz, temperatura, pressão, umidade, etc.).
a) Faça uma pesquisa e veja se encontra um aplicativo no seu smartphone

para realizar a medição de sua grandeza de interesse, utilizando os
sensores do próprio aparelho.
b) Qual é o instrumento tradicional mais adequado para realizar a medição
de sua grandeza de interesse?
c) Procure fazer as medições da grandeza, nas mesmas condições, através
do aplicativo e do instrumento tradicional.
d) Estime as incertezas associadas às suas medições em ambos os
sistemas.
329
e) Faça uma análise comparativa entre as características de uso e

desempenho (sensibilidade, resolução, tempo de resposta, faixa de
operação, etc.) dos dois sistemas.
2- Escolha um desses tipos de sistemas modernos de instrumentação:

instrumentação automatizada, instrumentação virtual, instrumentação
inteligente ou instrumentação portátil.
a) Faça uma pesquisa sobre o item escolhido, e apresente um exemplo real

deste tipo de sistema (não se esqueça de registrar a(s) referência(s)).
b) Apresente o esquema (diagrama de blocos) do sistema e suas principais
características (tipos de medições, alimentação, sensores, interfaces,
display, faixa de operação, resolução, etc.)
3- Faça uma pesquisa sobre as várias aplicações da plataforma Arduino

(ARDUINO2).
a) Proponha o projeto de um sistema de medição simples que possa ser

implementado com essa plataforma.
b) Identifique, na sua proposta, as funções do hardware e do software no
seu sistema.
c) Escreva um briefing sobre o seu sistema, para ser apresentado a
possíveis financiadores do projeto. Não se esqueça de apresentar as
principais características e ressaltar as vantagens e os benefícios da sua
proposta.
330
Capítulo 9- Respostas dos Exercícios de Aplicação
9.1 Capítulo 1
1- newton (N) = kg.m/s2 (2ª Lei de Newton: Força=massa x aceleração)
2- Constante de Planck: 6.626 070 15 x 10-34 J.Hz-1 (valor exato)
Massa do elétron: 9,109 383 7015(28) x 10-31 kg
(Obs.:Nessa notação, a incerteza corresponde a 0,000 000 0028 x 10-31 kg)
3- 7,65 e 7,6
4- 7,65 e 7,7
5- 2 e 6
6- 7 e 3
7- 23,5 x 103 g
8- 0,0324 m3 ou 32,4 x 10-3 m3
9- Entre 1,11 kg e 1,37 kg, com 68% de probabilidade.
10- 9,6 cm e 9,65 cm
9.2 Capítulo 2
1- Exemplo de definição do mensurando:
“Comprimento de uma haste de aço, medido com uma trena de resolução

milimétrica, em condições controladas e fixas de temperatura, umidade e
pressão, mantendo-se a haste apoiada em plano horizontal uniforme, e
estendendo-se a trena em posição lateral próxima, de forma a permitir leitura da
dimensão sem efeito de paralaxe. O valor da grandeza deverá ser obtido como
331
a média de 10 medições realizadas pelo mesmo operador, em condições de

repetibilidade”.
2- Identificação dos mensurandos:

• A tensão elétrica nos terminais de uma pilha, medida com um multímetro.
(mensurando invariável, para medição num instante de tempo definido, já que a

pilha deve fornecer tensão contínua, isto é, invariável no tempo, se estiver
carregada).
• A temperatura ambiente numa quadra de esporte, no período de 24 horas,

medida com um termômetro digital.
(mensurando variável, uma vez que a temperatura normalmente varia ao longo

do dia num ambiente grande e aberto).
• A velocidade do vento durante meia hora, medida com um anemômetro.
(mensurando variável, pois o anemômetro deverá ter sensibilidade suficiente

para detectar variações na velocidade do vento nesse intervalo de tempo).
• A massa de um cilindro metálico, medida numa balança digital de

bancada.
(mensurando invariável, pois dificilmente a massa do cilindro metálico irá variar

com o tempo).
3- A repetibilidade.
4- A calibração.
5- O fundo de escala é a medida máxima permitida pelo instrumento, nesse

caso: 400 oF. Portanto 0,25% desse valor corresponde a uma exatidão de
1 oF. Como essa exatidão vale ao longo de toda escala, notar que uma leitura
de 200 oF será exata com um intervalo de 0,5%.
6- A partir das medidas obtidas, pode ser calculada a exatidão, através, por
exemplo, da diferença entre o valor médio e o valor padrão, como:
(104, 25 − 100)
x100 = 4, 25% . A exatidão poderia ser melhorada, por exemplo,
100
verificando-se e realizando o ajuste de zero do instrumento, visto que todas
as medidas resultaram superiores ao valor padrão. No entanto, devido à
resolução do instrumento, a exatidão nessa medida está limitada a 1%.
A precisão pode ser avaliada por exemplo, a partir do desvio padrão

calculado com os valores medidos. Nesse caso, o desvio padrão resulta em
332
0,9574. O valor porcentual da precisão é calculado como:

 0,9574 
1 −  .100 = 99, 04% .
 100 
7- Grandezas de influência: resolução da régua e qualidade da escala; definição

dos limites do teclado; acuidade visual do operador; efeitos de paralaxe;
efeitos do posicionamento da régua sobre o teclado; efeitos aleatórios em
medições repetidas.
8- Efeito: Baixa produtividade.
Causas principais: Mão-de-obra, Método, Máquina, Medições, Meio-ambiente,

Matéria-prima.
Causas secundárias:
• Sem conhecimento técnico; reduzida e desmotivada (Mão-de-obra)

• Falta de controle produtivo (Método)
• Equipamentos obsoletos e inadequados (Máquina)
• Instrumentos sem regulação exata (Medições)
• Seca; Pragas (Meio-ambiente)
9- O mensurando poderia ser a dimensão de uma peça mecânica.
As grandezas de influência primária e respectivas (grandezas de influência

secundária) são, de acordo com o diagrama de Ishikawa:
• Pessoal (capacitação; treinamento; motivação)

• Método (pontos de medição; dispositivos de fixação)
• Peça/Produto (geometria; deformação; interferência)
• Equipamento de medição (calibração; certificado de calibração; análise
crítica do certificado de calibração)
• Meio-ambiente (sujeira; óleo no ar; vibração; umidade; temperatura)
10- Identificação de medições:
• Medição do diâmetro de um eixo metálico que sustenta a roda de um

carrinho de mão: medição direta, se for realizada com um paquímetro, por
exemplo.
• Medição do volume de um sólido de formato geométrico cilíndrico:
medição indireta, se for obtida a partir das medições (com um paquímetro,
por exemplo) do diâmetro ( D ) e da altura ( A ) da peça cilíndrica. O
 D2 A
volume será obtido pela relação: V = .
4
333
• Medição do volume de um sólido amorfo: medição indireta se for obtida

mergulhando-se o sólido num recipiente de água, graduado em unidades
de volume, e obtendo-se o volume através da diferença do nível da água
com e sem o sólido.
• Medição da velocidade média numa viagem de automóvel entre São
Paulo e Campinas: medição indireta, se for obtida através da
quilometragem ( s ) e do tempo de duração da viagem ( t ). A velocidade
s
média será obtida por: v = .
t
• Medição da velocidade instantânea de um automóvel: medição direta, que
pode ser obtida através do velocímetro no painel do automóvel.
9.3 Capítulo 3
1- a) O efeito sistemático devido à imperfeição da régua: 5% = 0,05 produz
leituras 5% menores do que as que seriam obtidas com uma régua padrão.
Portanto, deve-se aplicar um fator multiplicativo = (1+0,05) = 1,05 em todas as

leituras, resultando na Tabela E3.1 com os resultados corrigidos.
Tabela E3.1- Resultados corrigidos de medidas do comprimento de uma peça
Medidas em mm
227,85 228,17 228,27 227,96 228,06 228,38 228,17 228,48 228,06 227,85
b) O valor mais provável do comprimento da peça será obtido pela média dos
valores corrigidos, ou seja: 228,1250 mm.
Na estimativa da incerteza padrão combinada, podemos considerar:
• Como incerteza tipo A, o desvio padrão da média, obtido a partir dos

resultados corrigidos, considerando que o comprimento da peça é uma
grandeza invariável.
Desvio padrão da média: u A = 0, 0669 mm
Nota: Poderia também ser considerada como incerteza tipo A simplesmente

o desvio padrão dos valores corrigidos.
• Como incerteza tipo B (única, nesse caso), consideramos a incerteza

associada à resolução do instrumento. Conforme visto no Item 3.4.1, há
várias formas de se estimar essa incerteza para instrumentos com escala
334
analógica. Nesse caso, iremos assumir a incerteza como metade da

1
menor divisão da escala. Ou seja: uR = = 0,5 mm
2
O cálculo da incerteza padrão combinada será feito através da expressão (3.22),

em que os coeficientes de sensibilidade são unitários, resultando em:
uc = u A2 + uR2 = (0, 0669) 2 + (0,5) 2 = 0,51 mm
Portanto, o resultado final pode ser expresso como: (228,120,51) mm ou

simplesmente (228,1±0,6) mm, arredondando-se para cima o valor da incerteza.
c) Nota-se que a incerteza dominante no cálculo da incerteza padrão combinada

é a incerteza devida à resolução do instrumento.
2- A partir dos dados dispostos na Tabela 3.8, podem ser calculados os valores
médios das dimensões B e A , e também o desvio padrão da média em
cada caso, que será considerado como a incerteza tipo A.
Nota: O desvio padrão da média é considerado como incerteza tipo A quando a

grandeza é considerada invariável ou quando o próprio mensurando é definido
como uma média de valores. Caso contrário, recomenda-se utilizar o desvio
padrão como estimativa da incerteza tipo A.
Como incerteza tipo B, será considerada a incerteza devido à resolução do

instrumento. Conforme visto no Item 3.4.1, há várias formas de se estimar essa
incerteza para instrumentos com escala analógica. Nesse caso, iremos assumir
a incerteza como metade da menor divisão da escala.
Assim, temos:
0,5
B = 40,14 mm ; uBA = 0, 0702 mm; uBR = = 0, 25 mm
2
O cálculo da incerteza padrão combinada será feito através da expressão (3.22),

em que os coeficientes de sensibilidade são unitários, resultando em:
uB = uB2 A + uB2R = (0, 0702) 2 + (0, 25) 2 = 0, 26 mm
Da mesma forma:
0,5
A = 25, 07 mm ; u AA = 0, 0597 mm; u AR = = 0, 25 mm
2
335
u A = u A2 A + u A2R = (0, 0597) 2 + (0, 25) 2 = 0, 26 mm
O cálculo da área (medição indireta) é feito por:
B. A
Área (triângulo) = = 503,15 mm2
2
A incerteza padrão combinada da área é obtida através da lei de propagação da

incerteza (expressão 3.24), resultando em:
2 2
 Área   Área 
2 2
A  B 
u Área = (cB .u B ) + (c A .u A ) = 
2 2
uB  +  u A  =  .u B  +  .u A  =
 B   A  2  2 
2 2
 25, 07   40,14 
 .0, 26  +  .0, 26  = 6,15 mm2
 2   2 
Portanto, o resultado final pode ser expresso como:
Área da superfície triangular= (503,2  6,2) mm2, com k = 1 (nível de

confiança = 68%), arredondando-se para cima o valor da incerteza, e
arredondando-se o valor da grandeza para ter o mesmo número de casas
decimais que a incerteza.
3- O valor nominal da resistência é obtido por:
R = R0 [1 +  (T − 20)]  R = 6[1 + 0, 004(30 − 20)] = 6, 24 
Para o cálculo da incerteza padrão combinada, utilizamos a lei de propagação

da incerteza (expressão 3.24), ou seja:
2
 R   R   R 
2 2
uR =  u R0  +  u  +  uT 
 R0      T 
Os vários termos dessa expressão são calculados como:
R
= 1 +  (T − 20) = 1 + (0, 004)(30 − 20) = 1, 04
R0
R
= R0 (T − 20) = 6(30 − 20) = 60

R
= R0 = 6.0, 004 = 0, 024
T
336
uR0 = 6.0, 003 = 0, 018 
u = 0, 004.0, 001 = 4.10−5 oC −1
uT = 1 oC
Portanto, a incerteza u R resulta em:
(1, 04.0, 018) + ( 60.4.10−5 ) + ( 0, 024.1) = 0, 03053  ou 0,49%

2
uR =
2 2
O resultado final pode ser expresso por:
R = (6, 24  0, 07) , k = 2, 95%
4- a) kg/(m)2
b) Massa e altura da pessoa.
c) Exemplos de grandezas de influência, além da calibração e especificação dos

instrumentos de medição de massa e altura: horário de medição da massa;
elementos que influem no valor da massa (roupas, sapatos, etc..);
posicionamento do corpo na medição da altura; método de medição usado pelo
operador da instrumentação, etc...
Proposta de mensurando: “Relação entre a massa e o quadrado da altura de
uma pessoa, sendo estas grandezas medidas pela manhã, após ir ao banheiro,
estando a pessoa em jejum de 12 horas, sem roupas e sem sapatos, em posição
ereta, em balança digital com sensor para medição de altura, com precisão de
0,05 kg e 0,01 cm.”
d) Diagrama de Ishikawa, conforme Figura E3.1.
337
Figura E3.1- Diagrama de Ishikawa para o mensurando IMC- Índice de Massa Corpórea
Repetibilidade
Repetibilidade
e) Coeficientes de sensibilidade:
IMC 1
cmassa = =
massa (altura) 2
IMC −2massa
caltura = =
altura (altura )3
Aplicando-se a lei de propagação da incerteza (expressão 3.24):
uIMC = (cmassa .umassa ) 2 + (caltura .ualtura ) 2
Se calcularmos a incerteza relativa, resulta:
uIMC (cmassa .umassa )2 (caltura .ualtura ) 2

= +
IMC IMC 2 IMC 2
Substituindo-se os coeficientes calculados:
2 2
 1   2massa 
 2 
(umassa ) 2  3 
(ualtura ) 2
= 
altura 
+
u IMC altura 
2 2
IMC  massa   massa 
 2   2 
 altura   altura 
Resultando:
338
2 2
uIMC  u   u 
=  massa  +  2 altura 
IMC  massa   altura 
Caso um dos equipamentos (massa ou altura) possa ser trocado por outro de
menor incerteza relativa, será melhor trocar o medidor de altura, já que a
incerteza na altura afeta o resultado da incerteza relativa do IMC com um fator
de 2, comparado ao fator unitário da incerteza relativa da massa.
f) Calculando o IMC correspondente aos valores de massa e altura fornecidos,

temos:
90
IMC = 2
= 27, 77777 kg/m 2
(1,80)
Com as incertezas:
umassa = 0, 05.90 = 4,5 kg
ualtura = 0, 05.1,80 = 0, 09 m
E os coeficientes de sensibilidade:
1
cmassa = = 0,3086
(altura)2
−2massa
caltura = = −30,8642
(altura)3
Obtendo-se a incerteza padrão combinada, através da lei de propagação de

incerteza:
uIMC = (cmassa .umassa ) 2 + (caltura .ualtura ) 2 = 3,1 = 0,1118 IMC
O resultado final pode ser expresso como:
IMC = (27,8  3,1) kg/m 2 que corresponde ao intervalo  24, 7 − 30,9 kg/m 2
Portanto, devido às incertezas associadas às medidas de massa e altura, não é

possível afirmar que a pessoa seja obesa.
g) Definição de Erro Normalizado (expressão 3.33):
IMC A − IMCB
En =
(2u A )2 + (2uB ) 2
339
De acordo com o erro normalizado é possível obter uma faixa de valores para o
qual uma certa medida é compatível com outra medida. Com base nisso, o
objetivo neste exercício é obter um intervalo de valores para o qual o IMC é
compatível com o valor limite igual a 25. Valores menores que este intervalo
provavelmente serão compatíveis com um IMC menor do que 25, ou seja, serão
considerados como normal ou abaixo do peso.
Valores dentro deste intervalo ou maiores serão compatíveis com um IMC igual
a 25 ou maior, ou seja, serão considerados como sobrepeso ou obeso. Desta
forma, vamos obter o limite inferior deste intervalo, em função do IMC, para
depois obter o valor da massa.
Aplicando-se à situação descrita, comparada ao valor da Tabela 3.9, e impondo-
se um valor menor ou igual a 1, temos:
IMC − 25
En = 1
(2uIMC )2 + (0) 2
(como usamos o valor de referência 25, considera-se nula a incerteza

correspondente).
Do item f) podemos utilizar: uIMC = 0,1118 IMC já que as incertezas na massa e
na altura são mantidas como 5%. Portanto:
IMC − 25
−1  1
0, 2236 IMC
1 111,8
−1  − 1
0, 2236 IMC
−111,8
−5, 4723   −3, 4723
IMC
1 111,8
  −3, 4723
−5, 4723 IMC
Resultando:
20, 4  IMC  32, 2
Este resultado indica que um IMC maior ou igual a 20,4 poderia ser considerado
como compatível com 25, ou seja, a partir de um IMC maior ou igual a 20,4, o
resultado seria considerado como sobrepeso. Para uma altura de 1,80 m, o peso
equivalente a esse IMC é igual ao peso de 66,1 kg.
No entanto, soa estranho um peso de 66,1 kg para uma altura de 1,80 m

resultando em um IMC igual a 20,4 ser considerado como sobrepeso. Isso se dá
pelo fato das incertezas relativas de ambas as medidas serem muito grandes.
340
Vamos analisar: se considerarmos a incerteza expandida (0,22361IMC), o valor

do IMC poderá variar até 22,36% para mais ou para menos. Ou seja, a medida
de 20,4 estará dentro do intervalo 15,8 ≤ 𝐼𝑀𝐶20,4 ≤ 25,0 com um nível de
confiabilidade igual a 95%. Ou seja, no caso extremo, este IMC poderá ser
considerado como sobrepeso.
5- a) Média: x = 7, 4525 s Desvio padrão:  = 0, 0634 s
u 1 1
b) = = = 0, 4082
 2( N − 1) 2(4 − 1)
u
c) Como = 0, 4082  u = 0, 4082 = 0, 4082.0, 0634 = 0, 02588 s

Com um algarismo significativo:  = (0, 06  0, 03) s - Limites: [0, 03 − 0, 09] s
Com dois algarismos significativos:  = (0, 063  0, 026) s

Limites: [0, 037 − 0, 089] s
Com três algarismos significativos:  = (0, 0634  0, 0259) s

Limites: [0, 0375 − 0, 0893] s
d) Considerando que as faixas apresentadas no item c) representam os

intervalos onde o desvio padrão tem probabilidade de se encontrar, não faz
sentido apresentar o desvio padrão com mais de dois algarismos significativos.
De fato, tendo sido obtido a partir de apenas quatro valores, o que resulta num
intervalo bastante amplo, o mais sensato seria apresentá-lo com apenas um
algarismo significativo, ou seja:  = (0, 06  0, 03) s .
e) Como o valor medido corresponde a 5 períodos de oscilação, temos que o

valor mais provável do período de oscilação do pêndulo será:
x 7, 4525
T= = = 1, 4905 s
5 5
Pela lei de propagação da incerteza, temos que:
T 1 0, 06
uT = = = = 0, 012 s (considerando-se a incerteza como sendo o
x 5 5
desvio padrão calculado- incerteza tipo A)
O resultado final pode então ser expresso como: T = (1, 490  0, 012) s
341
Nota-se que a medição de vários ciclos (nesse caso, 5) para a obtenção do valor
do período de oscilação do pêndulo acaba por diminuir a incerteza nesse
resultado final (nesse caso, a incerteza foi dividida por 5).
6- A partir dos dados dispostos na Tabela 3.11, podem ser calculados os valores
médios das dimensões x e y , e também o desvio padrão em cada caso, que
será considerado como a incerteza tipo A (e única componente da incerteza
combinada de cada grandeza x e y ).
x = 22 m  x = u x = 1, 4142 m
y = 32 m  y = u y = 2,1602 m
O valor mais provável da área A será dado por:
A = x . y = 22.32 = 704 m 2
Como as medidas são correlacionadas, pois foram realizadas com o mesmo

instrumento, temos que utilizar a expressão (3.38) para o cálculo da incerteza
padrão combinada:
u A2 = cx2u x2 + c y2u y2 + 2cx c y cov( x, y )
Onde a covariância entre as grandezas x e y pode ser estimada pela expressão

(3.39):
1 n
cov( x, y)   ( xk − x )( yk − y ) = 2,3333
n − 1 k =1
Os outros termos necessários para o cálculo são:
A
cx = = y = 32
x
A
cy = = x = 22
y
Portanto:
u A2 = 322.(1, 4142) 2 + 222.(2,1602) 2 + 2.32.22.2,3333 = 7592
De onde resulta: u A = 87 m 2
O resultado final pode ser expresso como: A = (704  87) m 2 , para k = 1
342
9.4 Capítulo 4
1- Principais grandezas de influência na medição: resolução do instrumento e
tempo de reação do operador.
2-
Estimativa das componentes da incerteza:
• Sendo um instrumento de display digital, a incerteza devido à resolução

0, 01
pode ser estimada pela expressão (3.17) como: = 0, 003 s
2 3
• Para estimar a incerteza devida ao tempo de reação, o operador pode
utilizar o seguinte método: disparar e parar um cronômetro de forma a
medir um intervalo exato de, por exemplo 2.00 s indicado numa referência
externa (por exemplo na tela do celular). Repetindo esse procedimento
várias vezes, é possível estimar a média e o desvio padrão das leituras
obtidas no cronômetro. O desvio padrão pode ser considerado como a
estimativa da incerteza devida ao tempo de reação do operador na
medição de um intervalo de tempo. Esse valor obviamente depende do
operador, mas um valor razoável seria de 0,3 s.
Nota-se que a parcela de incerteza devida ao tempo de reação do operador é

dominante nesse caso, e pode ser considerada como a incerteza na medição,
ou seja, o resultado final pode ser expresso como: (1232, 72  0,30) s .
3- Componentes de incerteza:
• Incerteza (tipo B) devida à resolução do instrumento digital: estimada pela
1
expressão (3.17) como: = 0, 29 o C
2 3
• Incerteza devida à repetibilidade (tipo A): 1,5 oC
• Incerteza devida à exatidão do instrumento (tipo B): 0,5 oC
Incerteza padrão combinada (expressão (3.22) sendo unitários os coeficientes

de sensibilidade:
uc = (0, 29) 2 + (1,5) 2 + (0,5) 2 = 1, 6075 o C
Portanto, o resultado final pode ser expresso como: (25, 4  1, 6) o C, k =1
Vref 5
4- a) V = 4
= = 0,3125 V (expressão (4.1))
2 16
b) V (0) = V .(0,5) = 0,15625 V
343
V (4) = V .(4,5) = 1, 40625 V

V (15) = V .(15,5) = 4,84375 V
1
c) Incerteza de n : un = = 0,58 (desvio padrão da distribuição retangular)
3
Pela lei de propagação da incerteza, tem-se que:
dV
uV = un = V .un = 0,3125.0,58 = 0,19 V
dn
d) Agora, pela lei de propagação da incerteza, tem-se que:
2
 V   V 
2
uE0  = ( V .un ) + uE0 ( )

2
u = un  +  = (0,3125.0,58) 2 + (0, 007) 2 = 0, 0329
2 2
 n   E0
v

uV = 0,19 V , que é o mesmo valor do item c), visto que o termo com a incerteza
u n é dominante.
5- a) Grandezas de influência: v ;  ; S e L pá (ou só L pá se a equação for

modificada, para que apareça apenas Lpá e não apareça S ); e C p .
Utilizando a equação fornecida, e determinando S a partir de Lpá , então o

diagrama espinha-de-peixe poderia ser representado pelo esquema da Figura
E4.1.
Figura E4.1- Diagrama de Ishikawa da potência do gerador eólico
Lpá
S
v
P - potência do
gerador eólico
 Cp
b) uv  0,1% a 10 m/s  uv  (0,1/100).10 = 0, 01 m/s
Assumindo a resolução do instrumento como única grandeza de influência para

a determinação da incerteza da velocidade, temos (considerando o desvio
padrão da distribuição uniforme com amplitude igual à resolução r ):
344
r
uv =  0, 01  r  0, 01.2. 3 , pela expressão (3.17).
2 3
O valor máximo de velocidade a ser medido é vmáx = 25 m/s .
Sabendo-se que o valor máximo está associado à resolução r e ao número de

bits N pela equação (4.1):
vmáx = r.2 N
tem-se que:
vmáx  25 
N = log 2  log 2   = 9, 495
r  0, 01.2. 3 
log10 ( x)
já que log 2 ( x) =
log10 (2)
Como o número de bits é um inteiro, vamos assumir o menor inteiro depois do

resultado obtido, já que quanto maior o número de bits, melhor a resolução, ou
seja:
N = 10 bits
c) Pelo Teorema da amostragem de Nyquist-Shannon (Item 4.2.2), a frequência

de amostragem deve ser pelo menos o dobro da frequência do fenômeno
estudado. Assim a frequência de amostragem do anemômetro deverá ser maior
ou igual a 2 Hz.
6- a) A resistência do extensômetro é R = 120  .
R / R
O fator de sensibilidade é dado por:  = = 2  R = 2 R

Portanto para os valores de interesse de  , temos que os valores exatos de

R seriam:
R1 = 2.120.100.10−6 = 0, 024  para  = 100.10−6 ; e

R2 = 2.120.200.10−6 = 0, 048  para  = 200.10 −6
Comparando esses valores calculados com os valores medidos, temos que a

exatidão porcentual do instrumento em cada medida pode ser calculada por:
345
 0, 024 − 0, 025 
A1 = 1 −  .100 = 95,83%
 0, 024 
 0, 048 − 0, 047 
e A2 = 1 −  .100 = 97,92%
 0, 048 
Embora a exatidão de um instrumento possa variar com o ponto de operação,

costuma-se apresentar o pior caso como valor quantitativo da característica, ou
seja, nesse caso, a exatidão do instrumento seria definida como 95,83%.
b) Nesse caso, calculamos inicialmente a média das medidas obtidas:
R1 = 0, 02501  para  = 100.10−6
Podemos estimar a precisão das medidas a partir do desvio padrão:

  R   0, 00018 
 R = 0, 00018  e calculando: 1 − 1
 .100 = 1 −  .100 = 99, 28%
1
 R1   0, 02501 
Quanto à exatidão, podemos estimá-la comparando a média dos valores

medidos com o valor calculado anteriormente:
 R1 − R1   0, 02501 − 0, 024 

1 −  .100 = 1 −  .100 = 95, 79%
 R1   0, 024 
Vemos que nesse caso, as medidas são mais precisas que exatas.
Para  = 200.10 −6 , temos:
R2 = 0, 0484 
Podemos estimar a precisão das medidas a partir do desvio padrão:

  R   0, 00288 
 R = 0, 00288  e calculando: 1 −  .100 = 1 − .100 = 94, 05%
0, 0484 
2
2
 R2  
Quanto à exatidão, podemos estimá-la comparando a média dos valores

medidos com o valor calculado anteriormente:
 R2 − R2   0, 0484 − 0, 048 
1 −  .100 = 1 −  .100 = 99,17%
 R2   0, 048 
Vemos que para esse conjunto de medidas, a exatidão é maior que a precisão.
346
7- a) Em t = 3 s , temos que a tensão nos terminais do termopar será dada por:
v(3) = K (1 − e −3/2 ) V. O valor da constante K será o valor permanente da tensão,

correspondente à temperatura nominal de 200 oC do forno, e pode ser calculada
a partir do valor da sensibilidade estática do termopar, ou seja:
μV
40 o
.200 o C = 8 mV
C
Então: v(3) = 8(1 − e −3/2 ) = 6, 21 mV
Portanto o erro de leitura de tensão do termopar pode ser calculado como:

(8 − 6, 21) = 1, 78 mV .
b) Temos que 1% do valor verdadeiro é: 0, 01.8 = 0, 08 mV .
Portanto, deve-se calcular em qual instante de tempo t a tensão nos terminais

do termopar atingirá o valor: (8 − 0, 08) = 7,92 mV , ou seja:
8 − 7,92
v( t ) = 8(1 − e− t /2 ) = 7,92  e− t /2 = = 0, 01
8
Aplicando-se ln em ambos os lados da equação, resulta:
−t
= ln(0, 01) = −4, 6052  t = 9, 21 s , ou seja, devido à resposta exponencial do
2
sensor, haverá um atraso de 9,21 s para que a resposta em tensão apresente
um erro de 1% do valor esperado.
8- Com os dados do certificado de calibração, é possível fazer a correção da

leitura do instrumento, a partir do valor do erro de indicação, ou seja:
V1corrigido = 60,0-(-0,96) = 60,96 oC.
Quanto à incerteza do resultado, é necessário utilizar a lei de propagação da

incerteza, levando em conta a incerteza na leitura (0,5 oC) e a incerteza do erro
(0, 74 / 2 = 0,37 oC , para k = 1) , ou seja:
uV 1corrigido = (0,5) 2 + (0,37) 2 = 0, 622 o C
O resultado final corrigido pode ser expresso como: (60,96  0, 63) o C , para k = 1 .
347
9.5 Capítulo 5
1- a) A partir dos pontos experimentais da tabela, foi traçado o gráfico de Força
x deslocamento da Figura E5.1.
Deve-se notar que o sinal negativo da Lei de Hooke indica apenas que a força
elástica da mola é no sentido oposto ao seu deslocamento, não tendo sido aqui
representado através de uma declividade negativa da reta. O gráfico também
utiliza a força (causa) no eixo vertical y , e o deslocamento (efeito) no eixo
horizontal x por conveniência, pois assim a constante elástica pode ser
facilmente obtida através do coeficiente angular da reta (na região linear).
Nota-se também que a mola obedece a Lei de Hooke apenas na região linear,
ou seja, para F  14 N e x  150 mm . Acima desse limite, não há mais
proporcionalidade entre força e deslocamento.
b) A constante elástica pode ser obtida pelo coeficiente angular A da reta y = Ax

, na região linear. Utilizando o software LABFit (LABFIT) para realizar o ajuste de
reta nessa região (Figura E5.2), obtemos a constante elástica K = 0, 09361 N/mm
F
c) Pela Lei de Hooke, temos que F = − K x  K = −
x
Portanto a incerteza padrão combinada pode ser calculada através da lei de

propagação da incerteza, e tomando-se as incertezas relativas (Tabela 3.2), tem-
se que:
2 2
uK u  u 
=  F  +  x 
K  F   x 
Portanto, com os valores fornecidos, temos:
uK
= ( 0, 005) + ( 0, 01) = 0, 012 = 1, 2%
2 2
Utilizando o valor de K = 0, 09361 N/mm obtido no item b) pelo ajuste de reta,

podemos calcular uK = 0, 012.0, 09361 = 0, 0012 N/mm
Portanto o resultado final pode ser expresso como: K = (0, 0936  0, 0012) N/mm ,
para k = 1 .
Esse resultado pode ser comparado com aquele obtido através do LABFit, em
que foram inseridas as incertezas de cada ponto ( x, y ) , isto é (u x , u y ) :
348
K = (0, 0936  0, 0017) N/mm . Nota-se que a incerteza resultante nesse caso tem
um valor superior, pois inclui também a incerteza no próprio processo de
regressão linear, conforme discutido no Item 5.3.
Figura E5.1- Característica da mola de tração: Força vs. Deslocamento
Mola de Tração
16
14
12
10
Força (N)
0
0 50 100 150 200
Deslocamento (mm)
349
Figura E5.2- Resultados do ajuste por regressão linear através do LABFit
350
2- a) As curvas da Figura E5.3 apresentam as formas de onda de carga do

capacitor.
É possível extrair os valores das constantes de tempo dos gráficos, anotando-se

os pontos em que a tensão no capacitor atinge (1 − 1 / e) (ou seja, cerca de 63%)
do seu valor final (no caso, a tensão de carga tende à tensão da fonte, ou seja,
E = 6 V ). Este valor é calculado como:
vC ( ) = 6(1 − 1/ e) = 3, 79 V
Os pontos estão indicados com  nas curvas de tensão no capacitor (vermelhos)

e correspondem a:  1  2,5 s (resposta mais rápida) e  2  5 s (resposta mais
lenta).
Nota: Alternativamente, as constantes de tempo podem ser extraídas das curvas

de tensão no resistor (azuis), anotando-se os pontos em que a tensão decai de
(1 / e) (ou seja, cerca de 37% do seu valor inicial). Esse valor pode ser calculado
como:
vR ( ) = 6(1/ e) = 2, 21 V
Cálculo dos valores dos resistores:
1 2,5
 1  2,5 s = R1C  R1 = = = 50 k
C 50.10−6
2 5
 2  5 s = R 2C  R2 = = = 100 k
C 50.10−6
b) As incertezas nestes valores dependem das incertezas nos valores do tempo

e da tensão. Como os valores de  foram extraídos do gráfico da Figura E5.3,
uma estimativa destas incertezas pode ser obtida através, por exemplo, da
metade da menor divisão em cada escala, ou seja:
Tempo: ut = 0, 2 s Tensão: uv = 0, 2 V
A partir das medidas de t e vC :
vC (t ) = E.(1 − e − t /  )
De onde se tem:
−t
=
 v 
ln 1 − c 
 E
351
Portanto, pela lei de propagação da incerteza, a incerteza padrão combinada u

poderá ser calculada como:
2
     
2
u =  .ut  +  .uvc 
 t   vc 
 −1  t / (vC − E )
onde: = e =
t  v  vC   vC   2
ln 1 − C 
 E ln 1 − E  
  
b) Para o circuito 2: vC ( ) = 6 (1 − e − t / 2 ) = 6 (1 − e −0,2t ) (V,s)
c) Tensão no capacitor: a partir da leitura nas curvas em vermelho:
Para o circuito 1: vC (10)  5,9 V
Para o circuito 2: vC (10)  5, 2 V
Corrente no capacitor = Corrente no resistor = vR / R
A partir da leitura das curvas em azul → tensão no resistor (vR )
Para o circuito 1: iC (10)  0
Para o circuito 2: iC (10)  0,8 V /100 kΩ = 8 μA
352
Figura E5.3- Respostas do Circuito RC:

vermelho: tensão no capacitor; azul: tensão no resistor
3- a) A partir dos dados experimentais, deve-se traçar a curva da tensão de

carga no capacitor em função do tempo, conforme a Figura E5.4.
Figura E5.4- Curva de carga no capacitor, a partir dos dados experimentais
Tensão de carga no capacitor (Vxs)

6
0
0,00 50,00 100,00 150,00 200,00 250,00 300,00 350,00
Nota-se que o valor da tensão tende para 5 V, que é a tensão da fonte de

alimentação.
353
Tomando-se então um outro ponto da curva (por exemplo, para t = 100 s ),

faz-se o ajuste na expressão de carga do tipo:
vC (t ) = E.(1 − e − t /  )
Temos: vC (100) = 3,174 = 5(1 − e−100/ )
 e −100/ = 1 − (3,174 / 5) = 0,365
−100
Aplicando-se logaritmo, chega-se a: = ln(0,365)   = 100 s

 100
Portanto o valor da resistência era de: R = = = 100 kΩ
C 1000.10−6
A melhor solução é utilizar um programa de ajuste de curvas aos dados

experimentais, como o LABFit, obtendo-se o gráfico e os parâmetros
correspondentes à sua expressão analítica: Y = A(1 − e BX ) (Figura E5.5).
Figura E5.5- Curva de carga no capacitor, ajustada pelo LABFit a partir dos dados
experimentais
354
A partir dos parâmetros ajustados, faz-se as correspondências, obtendo-se:

1 1
E = A = 5,142 V ;  = − = = 104, 04 s
B 0,9612.10−2
 104, 04
O valor da resistência é obtido por: R = = = 104 kΩ
C 1000.10−6
b) Sabe-se que a expressão da tensão no capacitor no período de carga é:
vC (t ) = E.(1 − e − t /  )
Supondo E = 5 V , temos para t = 25 s , o valor medido foi vC (25) = 1,101 V .
Utilizando a expressão de carga:
1,101
vC (25) = 5.(1 − e−25/ ) = 1,101  e−25/ = 1 − = 0, 780
5
Aplicando-se logaritmo na base e em ambos os lados desta equação,

temos:
−25
= ln 0, 780   = 100,516 s

Fazendo-se os mesmos cálculos para todos os pontos da tabela, obtém-se

a terceira coluna da Tabela E5.1.
Calculando-se a média e desvio padrão da média destes resultados, tem-se:
 = 95, 4 s e u = 1,5 s
Portanto  = (95, 4  1,5) s para k = 1 .
355
Tabela E5.1- Cálculo da constante de tempo, a partir das medidas de tensão x

tempo na carga de um capacitor
Tempo (s) Tensão (V)  (s)
0 0 -----
25 1,101 100,516
50 1,976 99,432
75 2,636 100,122
100 3,174 99,274
125 3,595 98,472
150 3,926 97,526
175 4,179 96,863
200 4,385 95,439
225 4,549 93,527
250 4,678 91,153
275 4,777 88,424
300 4,861 83,735
Outra forma de obter a incerteza, é utilizando os resultados do programa

LABFit, que apresenta as incertezas associadas aos parâmetros de ajuste
(Figura E5.6).
A incerteza no parâmetro B = 0,9612.10 −2 é uB = 0, 2525.10−4 .
1
Como  = − , pela lei de propagação da incerteza, temos que:
B
 1 1
u = .uB = 2 .uB = .0, 2525.10−4 = 0, 27 s
B B (0,9612.10−2 )2
Resultando em  = (100,52  0, 27) s para k = 1 .
356
Nota-se que o procedimento de ajuste de função produz um resultado mais

preciso, com incerteza padrão menor, indicando que o valor do parâmetro 
está melhor ajustado aos dados experimentais.
Figura E5.6- Valores dos parâmetros ajustados aos dados experimentais e suas
incertezas
4- a) Para o conversor ideal, os parâmetros deveriam ser: A = 1; B = 0 , ou

seja, a reta de conversão deveria ser idealmente Y = AX .
Vref 4,998
b) Passo de quantização do conversor A/D: V = N
= = 0,312375 V
2 24
V 1 0, 027
com incerteza: uV = .uVref = N .uVref = = 0, 0017 V , pela lei de
Vref 2 16
propagação da incerteza.
Ou seja: V = (0,3124  0, 0017) V, para k = 1
c) Passo de quantização experimental:
V 0,3124
Vexp = = = 0,31145 V
A 1, 00305
 Vexp   Vexp
2 2
 1   V
2 2

com incerteza: u 2
Vexp = .uV  +  .u A  =  .uV  +  2 .u A 
 V   A  A   A 
357
2 2
 0, 0017   0,3124 
u 2
Vexp =  + 2
.0, 0024   uVexp = 0, 0019 V
 1, 00305   (1, 00305) 
Ou seja: Vexp = (0,3114  0, 0019) V, para k = 1
5- a) A média da distribuição pode ser extraída do pico da curva gaussiana, que

se encontra no intervalo [96,5-98,4] µF. A estimativa pode ser feita pelo valor
médio do intervalo, ou seja, C = 97, 45 μF .
Pelas propriedades de simetria da distribuição normal (Item 3.3.1.3), sabe-se

que os pontos (C −  ) e (C +  ) correspondem ao ponto C  0, 6Cmáx . Como
Cmáx = 0, 40 , tem-se que 0, 6Cmáx = 0, 24 μF . Do gráfico da Figura E5.7 é possível
então extrair o valor de (C −  ) = 95   = 2, 45 μF .
b) Fazendo o cálculo da incerteza tipo B, e utilizando C  97,5 μF , tem-se:
uB = 0, 019.97,5 + 0.8 = 2, 7 μF .
E o cálculo da incerteza padrão combinada, através da lei de propagação da

incerteza (com os coeficientes de sensibilidade unitários), temos:
uC = (2, 45)2 + (2, 7) 2 = 3, 7 μF
Portanto: C = (97,5  3, 7) μF
c) Através do Erro Normalizado (Item 5.4.2), vamos comparar o valor da

capacitância estimado através das medidas (Va  UVa ) com o valor especificado
pelo fabricante (Vb  UVb ) , sendo UVa = 2uVa e UVb = 2uVb as incertezas expandidas
com k = 2 .
Portanto, (Va  UVa ) = (97,5  7, 4) μF
A tolerância fornecida pelo fabricante corresponde a uma distribuição uniforme

(Item 3.3.1.1) com variação de 10 μF . Portanto a incerteza correspondente é
10 10
igual a uVb = e UVb = 2. = 11,5 μF , sendo (Vb  UVb ) = (100  12) μF
3 3
O erro normalizado é calculado por:
Va − Vb 97,5 − 100
En = = = 0,177
UV2a + UV2b (7, 4) 2 + (12) 2
358
Como En  1 , concluímos que os valores comparados são compatíveis. Dessa

forma, devemos aceitar a hipótese nula H0, ou seja, a amostra analisada é
compatível com as especificações do lote (população) de capacitores.
Figura E5.7- Resultados da medição de uma amostra de capacitores

(valores de C em µF)
6- a) Os valores da área A = L.H foram calculados para cada caso e inseridos

na Tabela E5.2.
b) O teste de hipóteses poderia ser:
• H0 - A amostra é compatível com as especificações do fabricante de que

todas as peças comercializadas em sua indústria possuem área de
(122020) mm2 ( k =2; nível de confiança de 95,4%).
• H1 - A amostra não é compatível com as especificações do fabricante.
c) Devemos inicialmente calcular as incertezas padrão combinadas de cada uma

das dimensões L e H .
A incerteza tipo A ( u a ) é calculada como 1% do valor medido.
A incerteza tipo B ( ub ) está relacionada com a resolução do paquímetro, cuja

1
menor divisão é: = 0, 02 mm . Como esse valor está no limite da acuidade
50
359
visual da maioria dos operadores, vamos considerar como incerteza a menor

divisão, ou seja, 0,02 mm.
A incerteza padrão combinada de cada dimensão foi calculada como:

uc = ua2 + ub2 , pela lei de propagação da incerteza, com os coeficientes de
sensibilidade unitários. Os valores foram inseridos na Tabela E5.2.
Para o cálculo da incerteza da área, vamos utilizar a lei de propagação da

incerteza, ou seja:
 A   A
2 2

u A =  uL  +  uH  = ( HuL ) + ( LuH )
2 2
 L   H 
Os valores foram calculados para cada caso e inseridos na Tabela E5.2.

d) Como o teste de hipóteses refere-se a todas as peças fornecidas pela
indústria, aplicaremos o critério do z’-score para cada peça:
Va − Vb
z´=
uV2a + uV2b
em que os valores a serem comparados são acompanhados de suas respectivas

incertezas padrão combinadas ( k = 1 ):
Va  uVa e Vb  uVb . Portanto utilizaremos a grandeza especificada pelo fabricante

como: Vb  uVb = (1220  10) mm 2 .
Os resultados do z’-score foram calculados e inseridos na Tabela E5.2.
Como os três valores resultaram z '  2 , consideramos que as medidas são

compatíveis com a especificação do fabricante, e a hipótese nula H 0 deverá ser
aceita, com base nas peças testadas.
360
Tabela E5.2- Medidas de comprimento e altura de três peças retangulares

para determinação da área das peças
Peça 1 2 3
Comprimento ( L ) (mm) 24,26 24,20 24,22
Incerteza ( u L ) (mm) 0,2434 0,2428 0,2430
Altura ( H ) (mm) 50,36 50,42 50,38
Incerteza ( uH ) (mm) 0,5040 0,5046 0,5042
Área ( A ) (mm2) 1221,73 1220,16 1220,20
Incerteza ( u A ) (mm2) 17,31 17,29 17,29
Área  incerteza (mm2) 1222±18 1220±18 1220±18

z’-score 0,097 0 0
9.6 Capítulo 6
1- Nota: Não existem respostas únicas para os itens desse exercício. As
respostas apresentadas são apenas exemplos possíveis para resolução das
questões.
a) Exemplo de definição do mensurando:
“Densidade do material com o qual foi construído um sólido de forma geométrica

cilíndrica, calculada através da relação entre massa e volume desse sólido. A
massa será medida por uma balança de bancada, com capacidade máxima de
15 kg e resolução de 5 g. O volume será obtido através do cálculo do volume de
um cilindro ideal, a partir de 5 medições repetitivas do diâmetro da base e 5
medições repetitivas da altura da peça, utilizando-se um paquímetro com fundo
de escala de 150 mm e nônio com 20 divisões.”
b) Um exemplo de Fluxograma do método experimental, consistente com a

definição do mensurando proposta no item a) está apresentado na Figura E6.1.
361
Figura E6.1- Exemplo de Fluxograma
c) Um exemplo de diagrama de Ishikawa correspondente ao mensurando

descrito no item a) está apresentado na Figura E6.2.
362
Figura E6.2- Exemplo de Diagrama de Ishikawa
repetibilidade
repetibilidade
d) Para a coleta dos dados experimentais deveriam ser preparadas e inseridas

no Pré-Relatório, as Tabelas E6.1 a E6.4, onde seriam anotados durante o
experimento, as informações sobre os instrumentos, as medições feitas no
laboratório, e os resultados dos cálculos realizados para se chegar no valor do
mensurando com sua respectiva incerteza.
Tabela E6.1- Informações sobre os instrumentos

Instrumento Marca Modelo Fundo de Resolução Incertezas
escala consideradas
Balança
Paquímetro
Tabela E6.2- Medidas experimentais

Grandeza Valores Média
Massa m (g)
Diâmetro da
base D (mm)
Altura do cilindro
A (mm)
363
Tabela E6.3a- Tabela de Balanço de incertezas do volume- uV

(compatível com o diagrama de Ishikawa)
Componente Fonte da Valor Distribuição Divisor Coeficiente Contribuição
da incerteza incerteza (±) de de na incerteza
probabilidade sensibilidade
repetibilidade 1
resolução 1
uD Diâmetro  DA
=
2
repetibilidade 1
resolução 1
uA Altura  D2
=
4
2
 V   V   DA    D 
2 2 2

2
uV =  .uD  +  .u A  =  .uD  +  .u A  = _________(cm3)
 D   A   2   4 
Tabela E6.3b- Tabela de Balanço de incertezas da densidade- u 

(compatível com o diagrama de Ishikawa)
Componente Fonte da Valor Distribuição Divisor Coeficiente Contribuição

da incerteza incerteza (±) de de na incerteza
probabilidade sensibilidade
calibração 1
resolução 1
um Massa 1
=
V
uV Volume m
=
V2
    
2 2 2 2
 1  m 
uV =  .um  +  .uV  =  .um  +  2 .uV  = __________ (g/cm3)
 m   V  V  V 
364
Tabela E6.4- Resultados
Valor Incerteza ( k = 1 )
Massa m (g)
 D2 A
Volume V = (cm3 )
4
Densidade
m
= (g/cm3 )
V
2- No caso de uma peça sólida não-geométrica, não é possível utilizar as

expressões de geometria para o cálculo do volume a partir das dimensões do
sólido, e assim outro método experimental deve ser projetado para a
determinação da densidade. Com relação à massa, não há problema, pois
essa característica pode ser obtida diretamente utilizando-se uma balança
adequada.
Uma possibilidade para se medir o volume é utilizar um recipiente com escala
graduada em unidades de volume, e preenchê-lo com um líquido, registrando a
leitura do volume inicial. Posteriormente, a peça sólida seria totalmente
submergida no líquido, obtendo-se uma segunda leitura. O volume da peça seria
então obtido a partir da diferença entre as duas leituras.
Para se utilizar esse método, deve ser verificada a possibilidade de submergir a
peça em líquido, e se tal procedimento não danificaria a peça ou alteraria seu
volume. Se esse for o caso, um método diferente deve ser utilizado.
Os itens a), b), c) e d) do exercício devem ser elaborados seguindo os modelos
utilizados no exercício 1 e de acordo com o método experimental proposto.
3- a) A 2ª lei de Newton é expressa matematicamente por F = M .a , que

relaciona a força F aplicada a um corpo de massa M e a aceleração a
resultante. No caso desse experimento, a força aplicada ao carrinho de
massa M é criada a partir da força gravitacional exercida sobre a massa m
, sendo possível estabelecer que: M .a = m.g , sendo g a aceleração da
gravidade.
No entanto, para utilizar essa igualdade, algumas hipóteses simplificadoras são
feitas, e em termos metrológicos, tais hipóteses serão grandezas de influência
que afetarão as medidas, bem como a estimativa de sua incerteza.
Algumas dessas hipóteses são:
• o fio que liga o carrinho à massa é inextensível e transmite de forma ideal
a força peso m.g ao carrinho;
• a massa do fio é desprezível;
365
• o atrito entre o carrinho e o suporte por onde ele se movimenta está sendo
desprezado;
• o atrito entre o fio e a roldana está sendo desprezado;
• a força de resistência do ar ao movimento do carrinho e da massa m está
sendo desprezada.
b) O mensurando pode ser, por exemplo, a variação da aceleração do carrinho

com o valor da força aplicada, uma vez que o objetivo do experimento é
comprovar a 2ª Lei de Newton.
c) Nesse caso, a variável independente x é a força aplicada F (causa) e a

variável dependente y é a aceleração a (efeito).
d) O diagrama de Ishikawa correspondente ao experimento está apresentado na

Figura E6.3.
Figura E6.3- Diagrama de Ishikawa
e) f) No gráfico da Figura E6.4 estão representados os pontos experimentais

fornecidos na Tabela 6.6, com as devidas barras de incertezas, juntamente com
366
a reta ajustada para verificação da 2ª lei de Newton. Foi utilizado o software

LABFit (LABFIT).
A função escolhida foi do tipo Y = A. X , que corresponde à equação F = M .a da
2ª lei de Newton, a qual se deseja comprovar.
Figura E6.4- Ajuste de reta aos pontos experimentais
g) Através do procedimento de regressão linear realizado com o LABFit, obtêm-

se o valor do parâmetro de ajuste: A = M = (1,956  0, 058) kg , que corresponde
então ao valor da massa M do carrinho.
4- Exemplo do item “Conclusões” para o relatório do experimento proposto:
Foi realizado um experimento para determinação do coeficiente de restituição 

de uma bola de ping pong, através do registro da altura h2 atingida pela bola,
após a colisão vertical em queda livre contra uma base fixa, a partir da altura h1
. As alturas foram extraídas da filmagem dos ensaios, obtendo-se valores com
precisão de 1 cm. Foram obtidos resultados do valor do coeficiente de
367
h2
restituição, através da expressão  = para vários ensaios, onde foi variada
h1
a altura inicial h1 , bem como o material da base fixa (madeira e aço).
As principais conclusões extraídas dos resultados experimentais são:

• O coeficiente de restituição diminui com o aumento da altura da queda, e
consequente diminuição da velocidade após o impacto, devido a perdas de
energia durante o percurso da bola, e também na colisão, que ocorre a uma
velocidade maior.
• O impacto com uma superfície mais macia (madeira) é caracterizado por
maior perda de energia, e consequente diminuição do valor de  .
• Os valores de  variaram de 0,81 a 0,78 para o impacto na base de aço,
conforme a altura da queda variou de 1,30 a 1,70 m; e de 0,785 a 0,742 para
o impacto com a base de madeira, para a mesma variação de altura.
5- a) O diagrama de Ishikawa correspondente ao mensurando e método

experimental descritos está representado na Figura E6.5.
Figura E6.5- Diagrama de Ishikawa
Repetibilidade
Repetibilidade
da medição
368
b) A Tabela de Balanço de Incerteza associada ao diagrama de Ishikawa do

item a) está apresentada na Tabela E6.5.
Tabela E6.5- Tabela de Balanço de Incerteza
Componente Fator de Valor Distribuição Divisor Coeficiente de Contribuição

da incerteza incerteza sensibilidade na incerteza
𝑢(𝑥𝑖 ) ±𝑢(𝑥𝑖 ) 𝑑𝑖 𝑐𝑖 𝑢(𝑥𝑖 )/ 𝑑𝑖
𝑐𝑖
Tipo B Calibração do 4,2 μm Normal 2 1 2,1 μm
micrômetro (expandida)
Tipo B Resolução do 0,5 μm Normal 1 1 0,5 μm
micrômetro
Tipo B Incerteza 0,5 oC Retangular √3 0,0275(m)x11,5((μm/m)/oC) 0,0913 μm
relacionada ao
termômetro
Tipo B Incerteza 10 oC Retangular √3 0,0275(m)x11,5((μm/m)/oC) 1,8259 μm
relacionada à
temperatura
do ambiente
Tipo B Repetibilidade 2,5 μm Triangular √6 1 1,0207 μm
do
micrômetro
Tipo B Erro de forma 4 μm Normal 2 1 2 μm
(incerteza (expandida)
definicional)
Tipo A Repetibilidade 2 μm Normal 1 1 2 μm
da medição
Desvio padrão
da média
TOTAL 4,13 μm
4,2 μm
c) O valor mais provável do mensurando é dado pela média das quatro medidas
obtidas, ou seja: 27,505 mm.
d) A incerteza padrão combinada é calculada pela raiz quadrada da soma dos

quadrados de cada fator apresentado na Tabela E6.5. Nesse caso:
uc = (2,1) 2 + (0,5) 2 + (0, 0913) 2 + (1,8259) 2 + (1, 0207) 2 + (2) 2 + (2) 2 = 4,13 μm
e) O resultado final é então apresentado como: Diâmetro=

(27,50050,0083) mm, k = 2 ; 95% de probabilidade.
f) Nota-se que a tolerância especificada pelo fabricante é igual a ±0,010 mm.

Considerando-se a tolerância como uma distribuição uniforme, temos que o
10
desvio padrão correspondente é igual a: = 5,8 μm .
3
369
Podemos utilizar o conceito de Erro Normalizado para verificar a compatibilidade

entre o resultado experimental e a especificação do fabricante:
Va − Vb 27,500 − 27,505
En = = = 0,34  1
UV2a + UV2b (0, 012) 2 + (0, 0083) 2
Como o valor de E n resultou menor que 1, podemos concluir que o resultado

experimental é compatível com a especificação do fabricante.
9.7 Capítulo 7
massa m
1- a) Densidade:  = =
volume V
Massa = m = (139, 4  0,8) g
Volume do prisma com base triangular: V = Áreabase . Altura prisma
Altura prisma = H = 101,30 mm
3L2
Áreabase = , sendo L = 32,15mm = lado do triângulo equilátero
4
 Áreabase = 447,57 mm 2
3L2 3.(32,15) 2
V= .H = .101,30 = 45,339 cm3
4 4
Para o cálculo da incerteza no volume, utiliza-se a lei de propagação da

incerteza:
2 2
 V   V
2

2
 3   3 2 
uV = (cL .uL ) + (cH .uH ) = 
2 2
.uL  +  .uH  =  L.H .uL  +  L .u H 
 L   H   2   4 
1 mm
Paquímetro com nônio de 20 divisões: resolução= = 0, 05 mm
20
Considera-se como única fonte de incerteza a resolução do instrumento (não

levando em conta a repetibilidade das leituras, habilidade do operador ou
outra especificação do aparelho). Pode-se então tomar a incerteza devida à
370
resolução como metade da menor divisão, ou seja, 0,025 mm→0,03 mm

(arredondado).
uL = uH = 0, 03 mm  uV = 85, 67 mm3 = 0, 086 cm3
Portanto: V = (45,339  0, 086) cm3
m 139, 4
Cálculo da densidade:  = = = 3, 075 g/cm3
V 45,339
Cálculo da incerteza no valor da densidade, pela lei de propagação da

incerteza:
    
2 2
  −m 
2 2
 1
u =  .um  +  .uV  =  .um  +  2 .uV  =
 m   V  V  V 
2 2
 1   −139, 4 
=  .0,8  +  2
0, 086  = 0, 019 g/cm 3
 45,339   (45,339) 
Portanto, o valor da densidade do material é  = (3, 075  0, 019) g/cm3 .
Incerteza expandida, considerando k = 2  U  = 2.0, 019 = 0, 038 g/cm3 .
Resulta então que o intervalo que engloba o valor da densidade com 95% de
probabilidade é [3, 037 − 3,113] g/cm3 .
2- a) Foram usadas massas diferentes, resultando em períodos de oscilação

diferentes. Portanto, não há sentido em se calcular a média de m e a média
de T a partir dos valores fornecidos, visto que não são medições realizadas
em condições de repetibilidade.
b) Os valores da constante elástica da mola põem ser obtidos através da

4 2 m
expressão k = e foram inseridos na Tabela E7.1.
T2
c) O cálculo da média e do desvio padrão, utilizando os quatro valores de k

obtidos no item b), temos:
k = 13, 26 N/m e  = 0,19 N/m
Alternativamente, a incerteza tipo A pode ser estimada através do desvio padrão

da média, visto que a constante elástica da mola pode ser considerada um
mensurando invariável. Nesse caso:
371
k = 13, 26 N/m e  m = 0, 09 N/m
4 2 m
d) Como k = , usamos a lei de propagação da incerteza, levando em conta
T2
o desvio padrão da média, que quantifica a incerteza tipo A devida à
reprodutibilidade das medidas:
 k   k 
2 2
u =
2
um  +  uT  +  m2
 
k
 m   T 
Fazendo-se as derivadas e dividindo tudo por k 2 , para trabalhar com as

incertezas relativas, temos:
 uk   um   uT    m 
2 2 2 2
  =   +2  + 
k  m  T   k 
 u  0, 005
Como foram medidos 10 períodos de oscilação, resulta  T  = = 0, 0005
T  10
Portanto:
2 2
 uk   0, 09 
  = ( 0, 01) + ( 2.0, 0005) +   = 0, 00015
2 2
k   13, 26 
 uk 
  = 0, 01213  uk = 0, 01213.k = 0, 01213.13, 26 = 0,1608 N/m
k 
Assim, k = (13, 26  0,17) N/m (com 68% de probabilidade).
4 2 m
e) De acordo com a expressão k = , vê-se que o período de oscilação T
T2
varia de acordo com a raiz quadrada da massa m . Assim, para o ajuste de curva,
poderia ser utilizada uma função do tipo Y = A X = AX 0,5 .
2
O parâmetro a ser ajustado seria A , que corresponderia a .
k
Se o ajuste for realizado utilizando-se o software LABFit, os resultados

fornecidos pelo programa seriam o valor do parâmetro A e sua respectiva
incerteza, u A .
372
Tabela E7.1- Medidas de massa e período de oscilação
Parâmetro 1 2 3 4
Massa ( m ) (kg) 0,513 0,634 0,752 0,950
Dez períodos de
12,4 13,6 15,0 16,9
oscilação ( 10T ) (s)
Constante elástica
13,1715 13,5323 13,1946 13,1314
da mola ( k ) (N/m)
3- a) Os cálculos do tamanho de grão ASTM ( G ) podem ser realizados através

das expressões fornecidas na norma ASTM E112-12 (ASTM International):
Para a Imagem 1, método do intercepto:

G = -6, 6439(log10 d ) - 3, 2877 = 5,5347 , sendo d = 0, 047 mm.
Cálculo da incerteza, pela lei de propagação da incerteza:
G −6, 6439
uG = ud = .0, 012 = 0, 74
d d .ln10
Portanto: Gintercepto = (5,53  0,74), para k = 1
Pela especificação do fabricante, temos:

G = -6, 6439(log10 d ) - 3, 2877 = 5,3562 , para d = 0, 050 mm.
Cálculo de incerteza, pela lei de propagação da incerteza:
G 6, 6439
uG = ud = .0, 005 = 0, 29
d d .ln10
Portanto: Gespec1 = (5,36  0, 29), para k = 1
Para a Imagem 2, método planimétrico, temos:

G = (3,321928log10 N A ) - 2,954
onde: N A = número de grãos/mm 2

1 1 1
NA = = 2= = 369,82 , sendo A = área média do grão
A d (0, 052) 2
Resultando G = 5,5767
373

G 3,321928
uG = uN A = .uN
N A N A .ln10 A
N A 2 2
uN A = ud = 3 .ud = 0, 007 = 99,57
d d (0, 052)3
3,321928
uG = .99,57 = 0,39
369,82.ln10
Portanto: G planimétrico = (5,58  0,39), para k = 1
Pela especificação do fabricante, temos:

G = (3,321928log10 N A ) - 2,954
1 1
NA = 2
= = 400
d (0, 050) 2
 G = 5, 6899
N A 2 2
uN A = ud = 3 .ud = 0, 005 = 80
d d (0, 050)3
G 3,321928 3,321928
uG = uN A = .uN A = .80 = 0, 29
N A N A .ln10 400.ln10
Portanto: Gespec 2 = (5,69  0, 29), para k = 1
Os resultados calculados estão apresentados na Tabela E7.2.
b) Vamos utilizar o critério de z’-score para comparar os valores de G obtidos

experimentalmente pelos métodos do intercepto e planimétrico, e os valores de
G decorrentes da especificação do fabricante.
Lembrando a definição do critério z’-score (Item 5.4.2):
Va − Vb
z´= , temos:
uV2a + uV2b
Imagem 1, método do intercepto:

Gintercepto − Gespec1 5,53 − 5,36
z' = = = 0, 2139  2
(uGintercepto ) 2 + (uGespec1 ) 2 (0, 74) 2 + (0, 29) 2
374
Imagem 2, método planimétrico:

G planimétrico − Gespec 2 5,58 − 5, 69
z' = = = 0, 2263  2
(uG planimétrico ) 2 + (uGespec 2 ) 2 (0,39) 2 + (0, 29) 2
Em ambos os casos, o valor de z ' resultou menor que 2, indicando que os

valores especificados e os valores obtidos experimentalmente são compatíveis.
Dessa forma, a hipótese nula deverá ser aceita.
c) Aplicando agora o critério de z’-score para comparar os valores do tamanho

médio de grão em ambos os casos, temos:
Para a Imagem 1, método do intercepto:
0, 047 − 0, 050
z' = = 0, 2308  2
(0, 012)2 + (0, 005) 2
Para a Imagem 2, método planimétrico:
0, 052 − 0, 050
z' = = 0, 2325  2
(0, 007)2 + (0, 005) 2
Portanto, em ambos os casos o valor de z ' resultou menor que 2, confirmando
que valores especificados e os valores obtidos experimentalmente são
compatíveis. Dessa forma, a hipótese nula deverá ser aceita.
Tabela E7.2- Valores do tamanho médio de grão (Incertezas com k = 1 , 68%

probabilidade)
d(mm) G
Especificação (0,0500,005) 5,36±0,29(intercepto)
5,69±0,29 (planimétrico)
Imagem 1
(0,047±0,012) 5,53±0,74
(Método do Intercepto)
Imagem 2
(0,052±0,007) 5,58±0,39
(Método Planimétrico)
4- a) A partir dos valores de H = 0,5m e g = 9,8 m/s 2 , podemos calcular o
instante em que deve se dar o primeiro impacto:
375
2H 2.0,5
t0 = = = 0,319 s
g 9,8
Como:
tn
tn = tn − tn −1 = 2t0 n
 log = log  n = n log 
2t0
Podemos então ajustar os pontos a uma função y = f (n) , onde

tn
y = log = log  . n . Essa função deverá ser uma reta, cujo coeficiente
2t0
angular será dado por (log  ) .
Fazendo-se os cálculos, a partir dos dados experimentais da Tabela 7.3,

podemos montar a Tabela E7.3.
Tabela E7.3- Dados modificados do experimento para determinação do coeficiente de

restituição
Pedra/vidro Madeira/vidro
Colisão ( n ) tn tn
y = log y = log
2t0 2t0
1 -0,089 -0,203
2 -0,152 -0,373
3 -0,225 -0,550
4 -0,273 -0,726
5 -0,358 -0,805
6 -0,425 -0,902
Utilizando-se o programa LABFit para realizar o ajuste dos dados modificados a

uma função do tipo: Y = AX , obtêm-se os gráficos das Figuras E7.1 e E7.2, e
são extraídos os valores do parâmetro A e suas respectivas incertezas, u A .
376
Figura E7.1- Ajuste de curva para a colisão pedra-vidro
Figura E7.2- Ajuste de curva para a colisão madeira-vidro
377
Para o caso pedra/vidro, o coeficiente angular da reta ajustada vale:
A = −0,07143 e u A = 0, 0013
No caso madeira/vidro, resultou: A = −0,164 e u A = 0, 065
Portanto, os coeficientes de restituição podem ser calculados como:
• pedra/vidro: A = log  = −0, 07143   = 10−0,07143 = 0,8483
• madeira/vidro: A = log  = −0,1642   = 10−0,1642 = 0, 6852
Com relação às incertezas, devemos utilizar a lei de propagação de incertezas,
já que  = 10 . Então:
A
• pedra-vidro:

u = u A = 10 A.ln(10).u A = 10−0,07143.2,3.0, 0013 = 0, 0026
A
Resultando:  = 0,8483  0,0026
• madeira-vidro:

u = u A = 10 A.ln(10).u A = 10−0,1642.2,3.0, 065 = 0,11
A
Resultando:  = 0,68  0,11
b) As fontes de incertezas mais importantes associadas à determinação do

coeficiente de restituição  pelo método experimental descrito são: medição da
altura do tubo; posicionamento da bola; medição dos intervalos de tempo no
osciloscópio; valor da aceleração da gravidade.
5- a) A escala termométrica relaciona os graus de temperatura com a altura do
tubo capilar do termômetro. Portanto, para a escala oG temos:
130 − (−50) 180
ET = = = 1,1765 o G/mm
153 153
Para o cálculo da incerteza relativa, utilizando a lei de propagação da incerteza,
temos que a incerteza da escala termométrica é devida apenas à medida
correspondente à altura do líquido, visto que os limites da escala são escolhidos
pelo usuário. Portanto:
378
 uET   uH  1
 = =
 ET   H  153
1,1765
uET = = 0, 0077
153
Resultando:
ET = (1,1765  0,0077) oG/mm, para k = 1

b) Como a altura de álcool varia linearmente com a temperatura no tubo capilar,
tem-se que essa função pode ser expressa pela expressão abaixo, utilizando o
valor da escala termométrica já calculado.
TG (o G ) = ET .h − 50 = 1,1765h − 50 ( oG), com h em mm.
c) A escala de graus centígrados utiliza os mesmos pontos de referência

utilizados (isto é, fusão e ebulição da água), mas com os valores de 0 oC e 100 oC
respectivamente. Deve ser feita então uma conversão linear das escalas,
levando em conta os valores diferentes dos limites. O resultado é dado pela
expressão abaixo.
(TG + 50)
100(TG + 50) = 180TGC  TGC =
1,8
Onde TGC é a temperatura convertida da escala oG para a escala oC.
6- O termistor é um sensor de temperatura, cuja resistência elétrica varia de

forma não-linear com a temperatura.
Para o cálculo do coeficiente  na temperatura de 30 oC, vamos inicialmente

dR
determinar a derivada a partir dos pontos da tabela que “cercam” essa
dT
temperatura:
28 oC ------180 kΩ
42 oC -----100,9 kΩ
R 100,9 − 180
= = −5, 65 kΩ/ o C
T 42 − 28
É necessário também interpolar o valor de R para T = 30 o C .

o
Para isso, pode ser usada a derivada calculada: para 2 C haverá uma variação
de 2.5,65 = 11,3 kΩ .
379
Portanto a resistência em T = 30 C pode ser estimada por: 180 − 11,3 = 168,7 kΩ

o
.
1 dR −5,65
O coeficiente  é então calculado como:  = = = −3,35%/ o C
R dT 168,7
Deve-se notar que o coeficiente  indica a variação porcentual da resistência
o
para cada C de variação, num determinado ponto da curva, ou seja, para um
valor específico de R . O valor de  varia com o valor da temperatura T , devido
à característica não-linear do termistor.
Cálculo de incerteza relativa, pela lei de propagação da incerteza:

2 2 2 2
 u   uR   uR   uT 
  =   +  + 
    R   R   T 
T = T1 − T2 = 42 − 28 = 14 o C
uT = uT21 + uT2 2 = 0,52 + 0,52 = 0, 71 o C

considerando
uT = 0,5 o C = metade da resolução do termômetro a álcool.
R = R1 − R2 = 100,9 − 180 = −79,1 kΩ
uR = uR21 + uR2 2
uR1 = 0,8%(100,9) + 0, 4 = 1, 2 kΩ
uR 2 = 0,8%(180) + 0, 4 = 1,9 kΩ
uR = 1, 22 + 1,92 = 2,3 kΩ

R
Para esse caso: R = R1 + 2
T
  R
2 2 2 2
 2  2   79,1 
uR = u + 2
uR  +  2 2 uT  = 1, 22 +  2,3  +  2 2 0,71
 T   T
R1
  14   14 
uR = 1, 4 kΩ
Portanto:
2 2 2 2
 u   1, 4   2,3   0, 71  −3
  =  +  79,1  +  14  = 3, 4862.10

   168, 7     
380
u = 0, 059. = 0, 059.3, 35 = 0, 20%/ o C
Resultando em:
 = (−3,35  0, 20)%/ o C, para k = 1
7- O termopar é um sensor composto por fios de dois metais diferentes, de tal

forma que uma tensão elétrica é produzida nos seus terminais, sendo
proporcional à diferença (ou gradiente) de temperatura entre uma junção dos
dois fios e a outra.
Assim, no caso da Figura 7.7 a), como o multímetro encontra-se à temperatura
ambiente, e a outra junção do termopar também, a leitura do multímetro deverá
ser nula, pois não haverá gradiente de temperatura entre as duas junções do
termopar.
No caso da Figura 7.7 b), a tensão deverá corresponder à diferença de
temperatura entre 100 oC (do forno) e 20 oC (temperatura ambiente onde se
encontra o multímetro). Nesse caso, deve ser usado a lei das temperaturas
sucessivas ou intermediárias (Kerlin, 2012), já que a temperatura de referência
da Tabela 7.5 é 0 oC. Assim, temos que a tensão no multímetro deverá ser: 5,37-
1,05=4,32 mV.
8- Obtenção do parâmetro a para o modelo de Malthus, utilizando apenas 85%

dos dados contidos na Tabela 7.6.
A Tabela contém 77 pontos. Destes, 85% serão utilizados para o cálculo dos
parâmetros dos modelos. Desta forma, os dados de #0 até #65 serão utilizados
para obtenção dos parâmetros do modelo. Já os dados #66 a #76 serão
utilizados para testar os modelos. O valor de x0 corresponde a 555, número de
pessoas infectadas em t = 0 .
Utilizando o LABFit, e realizando o ajuste de curvas da função Y=555*exp(A*X),

foi possível obter o parâmetro a e sua respectiva incerteza:
(0,1073±0,0005) dias-1. Para que o processo de ajuste atinja a convergência,
pode ser necessário definir um valor inicial diferente do indicado na janela initial
conditions. Neste exemplo, foi utilizado o valor de 0,1.
Observando os gráficos ilustrados na Figura E7.3, é possível observar que o

modelo de Malthus não é adequado para representar adequadamente os dados
experimentais. Observando o contexto histórico, podemos dividir os dados em
dois horizontes de tempo. O primeiro horizonte corresponde aos dados
referentes ao período de 22/01/2020 a 11/03/2020 (#0 a #49). Neste horizonte a
maioria dos casos se concentravam apenas na China, sendo que no dia
381
11/03/2020 a Organização Mundial da Saúde (OMS) declarou o estado de

pandemia. Nesta data, o número de pessoas infectadas na China já havia
chegado perto de uma estabilização devido às restrições de deslocamento
impostos no país (medidas de contenção adotadas). Já no segundo horizonte, a
partir do dia 12/03/2020, concentram-se os casos no restante do mundo.
Repetiu-se então a análise feita anteriormente, mas restrita a este segundo
horizonte de tempo. O parâmetro a para o modelo de Malthus encontrado nesse
caso foi (0,1073±0,0005) dias-1 e na Figura E7.4 estão apresentados os gráficos
correspondentes. Para este segundo horizonte, o modelo de Malthus mostra-se
mais adequado.
Figura E7.3- Número de pessoas infectadas no mundo a partir do dia 22/01/2020. Em

azul, são os dados reais que foram utilizados para a extração do modelo de Malthus.
Em preto, são os valores estimados pelo modelo de Malthus, com suas respectivas
incertezas.
382
Figura E7.4- Número de pessoas infectadas no mundo a partir do dia 12/03/2020. Em

azul, são os dados reais que foram utilizados para o cálculo dos parâmetros do modelo
de Malthus. Em preto, são os dados estimados pelo modelo de Malthus, com suas
respectivas incertezas.
Podemos utilizar esse segundo modelo para estimar o número de pessoas

infectadas no período de 28/03/2020 a 07/04/2020, utilizando a expressão:
x(t ) = x0 e at ,
com x0 = 593.291 (número de infectados em 27/03/2020); a = 0,1073 dias −1 ; e

t = 11 dias , resultando em 1.931.370 infectados.
383
Levando-se em conta a incerteza no parâmetro a , temos que:
dx
ux = ua = t.x.ua = 11.1931370.0, 0005 = 10.622
da
ou seja, a previsão do modelo é de que haveria (1.931.370±21.244) infectados

no dia 07/04/2020, com 95% de probabilidade ( k = 2 ).
O número real de infectados contabilizados foi de 1.426.096, o que mostra que

o modelo utilizado superdimensionou a previsão de pessoas infectadas no
mundo pelo vírus Sars-Cov-2 nesse período, o que também pode ser observado
nos gráficos da Figura E7.4. Como conclusão, observamos que se torna
necessário identificar um modelo matemático mais adequado para se obter uma
melhor previsão desse fenômeno.
384
Referências Bibliográficas
ABACKERLI, Álvaro J. et al. Metrologia para a qualidade. Rio de Janeiro:
Elsevier Editora Ltda., 2015. 149 p.
ABNT – Associação Brasileira de Normas Técnicas
Disponível em:
<http://www.abnt.org.br/>
Acesso em: 13 mar. 2020
ABNT NBR NM 60335: Segurança de aparelhos eletrodomésticos e similares
Rio de Janeiro: ABNT, 2010.
ABNT NBR ISO 9000: Sistemas de gestão da qualidade - Fundamentos e
vocabulário. Rio de Janeiro: ABNT, 2015.
ABNT NBR ISO/IEC 17025: Requisitos gerais para a competência de
laboratórios de ensaio e calibração. Rio de Janeiro: ABNT, 2017.
ABNT NBR5891: Regras de arredondamento na numeração decimal.
ABNT NBR10719: Informação e documentação- Relatório técnico e/ou
científico- Apresentação. Rio de Janeiro: ABNT, 2015.
ABNT NBR14724: Informação e documentação- Trabalhos acadêmicos-
Apresentação. Rio de Janeiro: ABNT, 2011.
ABNT NBR6023: Informação e documentação - Referências – Elaboração.
ABNT NBR10520: Informação e documentação – Citações em documentos-
Apresentação. Rio de Janeiro: ABNT, 2002.
ABNT NBR11568: Materiais metálicos- Determinação do tamanho de grão.
ALBERTAZZI, Armando; SOUSA, André Roberto de. Fundamentos de
Metrologia Científica e Industrial. 2. ed. Barueri: Manole, 2018. 462 p.
ARDUINO1 – Arduino. Disponível em:
<https://pt.wikipedia.org/wiki/Arduino>
Acesso em: 10 jun. 2020.
ARDUINO2 – Arduino. Disponível em:
<https://www.arduino.cc/>
ASTM International ASTM E112-13: Standard Test Methods for Determining
Average Grain Size. USA, 2013.
BALBINOT, A.; BRUSAMARELLO, V.J. Instrumentação e Fundamentos de
Medidas. 2ª Ed. Rio de Janeiro: LTC-Livros Técnicos e Científicos Editora
Ltda., 2011. 2v.
BERLINDE- Bola de Gude. Disponível em:
<https://anosincriveisblog.wordpress.com/tag/berlinde/>
385
Acesso em: 26 mai. 2020.

BERTOLO – Calculadora para Distribuição de Probabilidades
Disponível em:
<http://www.bertolo.pro.br/FinEst/Estatistica/DistribuicaoProbabilidades2/t/
index.html>
BHUYAN, Manabendra. Intelligent Instrumentation: principles and
applications. Boca Raton, Fl: Crc Press, 2011. 548 p.
BIPM - Bureau International des Poids et Mesures
Disponível em:
<https://www.bipm.org/en/about-us/>
Acesso em: 04 mar. 2020.
BIPM- SI- The International System of Units (SI).
Disponível em:
<https://www.bipm.org/en/measurement-units/>
BUFFLER, Andy; ALLIE, Saalih; LUBBEN, Fred. Teaching Measurement and
Uncertainty the GUM Way. The Physics Teacher, [s.l.], v. 46, n. 9, p. 539-
543, dez. 2008. American Association of Physics Teachers (AAPT).
http://dx.doi.org/10.1119/1.3023655.
CDC - Gráfico de altura-idade e peso-idade
Disponível em:
<https://www.cdc.gov/growthcharts/clinical_charts.htm>
Acesso em: 31 jan. 2015.
CEASE, R.P.A. A medida do mundo: a busca por um sistema universal de
pesos e medidas. Rio de Janeiro: Zahar, 2013.
CGPM- Conferência Geral de Pesos e Medidas
Disponível em:
<https://www.bipm.org/en/worldwide-metrology/cgpm/>
CIPM- Comitê Internacional de Pesos e Medidas.
Disponível em:
<https://www.bipm.org/en/committees/cipm/>
CODATA - Committee on Data for Science and Technology, International Council
of Science (ICSU).
Disponível em:
<https://physics.nist.gov/cuu/Constants/international.html>
Acesso em: 28 abr. 2020.
CONDUÇÃO TÉRMICA
Disponível em:
<https://pt.wikipedia.org/wiki/Condução térmica>
386

CONSONNI, Denise et al. Applications of Virtual Instruments in Electrical
Engineering Education. In: INTERNATIONAL CONFERENCE ON
ENGINEERING EDUCATION AND RESEARCH, 2004., 2004, Ostrava.
Proceedings [...] . Ostrava: Vsb-tuo, 2004. p. 1075-1088.
CONSONNI, Denise; TEIXEIRA, Júlio Carlos. Métodos Experimentais:
interpretando medições, projetando experimentos e elaborando relatórios
técnicos em engenharia. In: XLIII CONGRESSO BRASILEIRO DE
EDUCAÇÃO EM ENGENHARIA, 43., 2015, São Bernardo do Campo.
Anais [...] . São Bernardo do Campo: Abenge, 2015. p. 1-10.
COOMBS Jr., Clyde F. Electronic Instrument Handbook. 3. ed. S.l: Mc Graw-
hill, 1999. 1264 p.
CRISTALDI,L.; FERRERO,A.; SALICONE,S.. The evolution of Modern
Instruments toward virtual distributed architectures. International
Scientific Journal Of Computing, S.l., v. 6, n. 2, p. 8-15, 2007.
D’AUSILIO, Alessandro. Arduino: a low-cost multipurpose lab equipment.
Behavior Research Methods, [s.l.], v. 44, n. 2, p. 305-313, 25 out. 2011.
Springer Science and Business Media LLC.
http://dx.doi.org/10.3758/s13428-011-0163-z.
DALLY, J.W.; RILEY, W.F.; MCCONNELL, K.G. Instrumentation for
Engineering Measurements. New York: 1984, Cap. VIII, pag. 419 - 434.
DOEBELIN, E.O. Measurement Systems: application and design. 5.ed. New
York: McGraw-Hill, 2003. 1078p.
ESTATCAMP Consultoria Estatística e Qualidade. Portal Action. Análise dos
Sistemas de Medição. São Carlos. Disponível em:
<http://www.portalaction.com.br/analise-dos-sistemas-de-medicao/24-
repetibilidade-e-reprodutibilidade>
Acesso em: 28 abr. 2020.
ESTATCAMP Consultoria Estatística e Qualidade. Portal Action. Estatística
Básica. São Carlos. Disponível em:
<http://www.portalaction.com.br/estatistica-basica/17-histograma>
Acesso em 01 jun. 2020.
EXCEL Microsoft Excel. Disponível em:
<https://pt.wikipedia.org/wiki/Microsoft_Excel>
Acesso em 05 fev. 2021.
FISHER, Daniel K.; GOULD, Peter J.. Open-Source Hardware Is a Low-Cost
Alternative for Scientific Instrumentation and Research. Modern
Instrumentation, [s.l.], v. 01, n. 02, p. 8-20, 2012. Scientific Research
Publishing, Inc,. http://dx.doi.org/10.4236/mi.2012.12002.
FJELDLY, Tor A.; SHUR, Michael S.. LAB on the WEB: running real
electronics experiments via the internet. New Jersey: John Wiley & Sons,
2003. 235 p.
387
FLUXOGRAMA – Flowchart.
Disponível em:
<https://en.wikipedia.org/wiki/Flowchart>
FORNASINI, Paolo. The uncertainty in Physical Measurements: an
introduction to data analysis in the physics laboratory. New York: Springer,
2008. 291 p.
FRADEN, J. AIP Handbook of Modern Sensors. New York: Ed. American
Institute of Physics, 1993. 556p.
FRIEDMAN, A.E. The Quality of Measurements- A metrological reference.
New York: Springer, 2012. Tradução de Andrew Sabak e Paul Makinen.
GOMES, Luís; ZUBIA, Javier Garcia (ed.). Advances on remote laboratories
and e-learning experiences. Bilbao: Deusto Publicaciones, 2007. 310 p.
GPIB- Overview of GPIB Protocol. Abril, 2019.
Disponível em:
<https://www.omega.ca/en/resources/gpib-communication>
Acesso em: 27 ago. 2020.
GUPTA, S.V. Measurement Uncertainties: physical parameters and
calibration of instruments. Heidelberg: Springer, 2012. 336 p.
HELFRICK, Albert D.; COOPER, William D.. Instrumentação Eletrônica
Moderna e Técnicas de Medição. Rio de Janeiro: Prentice Hall do
Brasil Ltda., 1994.
HERRES, D. Cathode ray tubes vs. flat screen displays in oscilloscopes. Test &
Measurement Tips. 2019.
HIMBERT, M. E.. A brief history of measurement. The European Physical
Journal Special Topics, [s.l.], v. 172, n. 1, p. 25-35, jun. 2009. Springer
Science and Business Media LLC.
http://dx.doi.org/10.1140/epjst/e200901039-1
HOLMAN, Jack Philip. Experimental Methods for Engineers. 8. ed. New
York: McGraw-Hill, 2012. 739p.
IBGE. Normas de Apresentação Tabular. 3a.Ed. Rio de Janeiro. 1993.
IEEE PROTOCOLS- Examining 5 IEEE Protocols. Nov. 2019.
Disponível em:
<https://www.iotforall.com/ieee-protocols-zigbee-wifi-bluetooth-ble-
wimax/>
IPT- Instituto de Pesquisas Tecnológicas.
Disponível em:
<https://www.ipt.br/>
388
INMETRO. Avaliação de dados de medição - Guia para a expressão de incerteza

de medição GUM (ISO GUM– 2008). Tradução autorizada pelo BIPM da
1ª edição de 2008 de sua publicação “Evaluation of measurement data
– Guide to the expression of uncertainty in measurement”.
Disponível em:
<http://www.inmetro.gov.br/inovacao/publicacoes/gum_final.pdf>
INMETRO. Vocabulário internacional de Metrologia (VIM, 2012) 1ª ed. Luso-
brasileira, 2012, Duque de Caxias, RJ.
Disponível em:
<http://www.inmetro.gov.br/inovacao/publicacoes/vim_2012.pdf>.
INMETRO. Quadro Geral de Unidades de Medida no Brasil.
Portaria nº 590, de 02 de dezembro de 2013
Disponível em:
<http://www.inmetro.gov.br/legislacao/rtac/pdf/RTAC002050.pdf>
INMETRO. Expressão da incerteza de medição por laboratórios de calibração.
Norma No. NIT-DICLA-021. 2013.
INMETRO. Regulamento Técnico referente à fabricação, instalação e utilização
de instrumentos de pesagem não automáticos. Portaria INMETRO/MICT
número 236 de 22/12/1994.
Disponível em:
http://www.inmetro.gov.br/legislacao/rtac/pdf/RTAC000180.pdf
ISAACPHYSICS. Hooke´s Law.
Disponível em:
<https://isaacphysics.org/concepts/cp_hookes_law>
ISO 13528:2015. Statistical methods for use in proficiency testing by
interlaboratory comparison. ISO International Organization for
Standardization. 2ª.Ed. Genebra. 2015. 89p.
ISO 14253-1:2017. Geometrical product specifications (GPS) — Inspection by
measurement of workpieces and measuring equipment — Part 1: Decision
rules for verifying conformity or nonconformity with specifications. ISO
International Organization for Standardization. 3ª.Ed. Genebra. 2017. 23p.
JAMES, Kevin. PC Interfacing and Data Acquisition: techniques for
measurement, instrumentation and control. S.l: Newnes, 2000. 448 p.
JCGM- Joint Committee for Guides in Metrology.
Disponível em:
<https://www.iso.org/sites/JCGM/JCGM-introduction.htm>
389

JOHNSON, R.A; MILLER, I.; FREUND,J.E. Miller & Freund´s Probability and
Statistics for Engineers. 9. Ed. Pearson, 2018. 541p.
KEISAN – Keisan Online Calculator – Period of the pendulum Calculator.
Disponível em:
<https://keisan.casio.com/exec/system/1224598524>
KERLIN, T. W.; JOHNSON, M.. Practical Thermocouple Thermometry. 2. ed.
S.l: International Society of Automation, 2012.
KIRKUP, Les; FRENKEL, Bob. An Introduction to Uncertainty in
Measurement using the GUM: Guide to the expression of uncertainty in
measurement. Cambridge: Cambridge University Press, 2006. 229 p.
KYRIAZIS, G. et al. Uso do termo probabilidade de abrangência. Nota técnica
do Comitê de Avaliação da incerteza de medição. 2004.
Disponível em:
<http://www.inmetro.gov.br/noticias/conteudo/nt04.pdf>
LABFIT – Ajuste de Curvas; Tratamento de dados experimentais; Mínimos
Quadrados.
Disponível em:
<http://zeus.df.ufcg.edu.br/labfit/index_p.htm>
LARSON, Ron; FARBER, Betsy. Estatística Aplicada. 6. ed. São Paulo:
Pearson Education do Brasil, 2016. 656 p. Tradução José Fernando Pereira
Gonçalves.
LAW of Large Numbers. Disponível em:
<https://en.wikipedia.org/wiki/Law_of_large_numbers>
MARIANO, David. Filosofia do conhecimento aproximado- uma abordagem
filosófica da incerteza de medição. V Congresso Brasileiro de metrologia,
Salvador, 2009.
MARTINEK, Radek; ZIDEK, Jan. Application of synthetic instrumentation that
applies the trend of software-based approach for measuring on the field of
modern wireless transfer systems. International Journal of Digital
Information And Wireless Communications, S.l., v. 2, n. 3, p. 208-221,
2012.
MATLAB® - MATrix LABoratory
Disponível em:
<https://www.mathworks.com/products/matlab.html>
MEE- Métodos Experimentais em Engenharia. UFABC.
Disponível em:
390
<https://sites.google.com/site/esto01717/>
METRIFICATION in the United States.
Disponível em:
<https://en.wikipedia.org/wiki/Metrication_in_the_United_States>
Acesso em: 30 jul. 2020.
MEYER, Paul L. Introductory Probability and Statistical Applications.
2. ed.: Addison-Wesley Publishing Company, 1970. 367 p.
MHS AMORTECIDO- Movimento Harmônico Amortecido
Disponível em:
<http://www.ufjf.br/fisica/files/2010/03/Lab2Aula6-MHA_2016_1.pdf>
MORE: Mecanismo online para referências, versão 2.0. Florianópolis: UFSC
Rexlab, 2013.
Disponível em:
<http://novo.more.ufsc.br/>
NATIONAL INSTRUMENTS. Conhecendo as Diversas Tecnologias de
Barramentos para Controle de Instrumentos, 2019.
Disponível em:
<https://www.ni.com/pt-br/innovations/white-papers/11/instrument-bus-
performance---making-sense-of-competing-bus-techn.html>
NATIONAL INSTRUMENTS. Using Smartphones and tablets for measurement
and control applications.2012.
Disponível em:
<https://forums.ni.com/t5/User-Group-Resource-Center/Using-
Smartphones-and-Tablets-for-Measurement-and-Control-August/gpm-
p/3534793?profile.language=pt-br>
Acesso: 10 jun. 2020.
NATIONAL INSTRUMENTS. Understanding instrument specifications- how to
make sense out of the jargon. 2019.
Disponível em:
<https://www.ni.com/pt-br/innovations/white-papers/06/understanding-
instrument-specifications----how-to-make-sense-out.html>
Acesso: 25 jan. 2023.
NIST: National Institute of Standards and Technology.
Disponível em:
<http://www.nist.gov/index.html>
NIST-UNITS. Disponível em:
391
<https://www.nist.gov/si-redefinition/introduction-redefining-worlds-
measurement-system>
NORMAS TÉCNICAS. Disponível em:
<https://www.normastecnicas.com/principais/>
NORTHROP, Robert B.. Introduction to Instrumentation and
Measurements. 3. ed. Boca Raton,fl: Crc Press, 2014. 928 p.
NPL: National Physical Laboratory.
Disponível em:
<http://www.npl.co.uk>
NPL-UNITS. Disponível em:
<http://www.npl.co.uk/si-units/>
NPL. National Physical Laboratory. A Beginner´s Guide to Measurement. UK:
2010.
NPL. National Physical Laboratory. A Beginner´s Guide to Uncertainty of
Measurement. Stephanie Bell. UK: 1999.
NYQUIST-SHANNON Sampling Theorem
Disponível em:
<https://en.wikipedia.org/wiki/Nyquist%E2%80%93Shannon_sampling_the
orem>
OLIVER, F.J. Practical Instrumentation Transducers. New York: Hayden Book
Company, INC. 1972. 340p.
OMM Organização Mundial Meteorológica, World Meteorological Organization
Disponível em:
<https://public.wmo.int/en>
OREAR, J. Least squares when both variables have uncertainties. American
Journal of Physics, v.50, n.10, 912, 1982.
PÊNDULO – Pêndulo. Disponível em:
<https://pt.wikipedia.org/wiki/Pêndulo>
QUARTETO- Quarteto de Anscombe.
Disponível em:
<http://pt.wikipedia.org/wiki/Quarteto_de_Anscombe>
RABINOVICH, Seymon G. Evaluating measurement accuracy: a practical
approach. New York: Springer, 2010. 278 p.
392
RAGHAVENDRA, N.V.; KRISHNAMURTHY, L.. Engineering Metrology and

Measurements. New Delhi: Oxford University Press, 2013. 676 p.
RATCLIFFE, Colin; RATCLIFFE, Bridget. Doubt-Free Uncertainty in
Measurement: an introduction for engineers and students. Switzerland:
Springer, 2015. 98 p.
RUMSEY, Deborah. Estatística II para Leigos. Rio de Janeiro: Alta Books,
2014. 408 p. Tradução de Larissa Franzin.
SAYÃO, Luís Fernando. Modelos teóricos em ciência da informação – abstração
e método científico. Ciência da Informação, Brasília, v. 30, n. 1, p. 82-91,
jan./abr. 2001.
SCHILLING, M.F.; WATKINS, A.E.; WATKINS,W. Is Human Height Bimodal?
The American Statistician. v. 56, n. 3, p.223-229.aug. 2002.
Disponível em:
<http://www.biostat.jhsph.edu/bstcourse/bio751/papers/bimodalHeight.pdf>
SILVA, Wilton Pereira da et al. Medida de calor específico e Lei de resfriamento
de Newton: Um refinamento na análise de dados experimentais. Revista
Brasileira de Ensino de Física, S.l., v. 25, n. 4, p. 392-398, dez. 2003.
SOONG,T.T.. Fundamentals of Statistics and Probability for Engineers.
Chichester, Uk: John Wiley & Sons, 2004. 408 p.
SQUIRES, Gordon Leslie. Practical Physics. 4. ed. Cambridge: Cambrige
University Press, 2001. 224 p.
STACHOWIAC, Herbert. Models. In: Scientific thought: Some underlying
concepts, methods and procedures. Paris : Unesco, 1972, p. 145-166.
Disponível em:
<https://unesdoc.unesco.org/ark:/48223/pf0000002251>
Acesso em: 26 mai.2020.
STALLER, L. Understanding analog to digital converter specifications.2005.
Disponível em:
<https://www.embedded.com/design/configurable-
systems/4025078/Understanding-analog-to-digital-converter-specifications>
STUDENT – Distribuição t de Student
Disponível em:
<https://en.wikipedia.org/wiki/Student%27s_t-distribution>
TAYLOR, J.R. Introdução à Análise de Erros. 2ª Ed. Porto Alegre: Bookman
Companhia Editora Ltda., 2012.
TUCKER, J. The Evolution of User Interfaces. Test & Measurement Tips. 2013.
Disponível em:
<https://www.testandmeasurementtips.com/evolution-user-interfaces/>
393
USB – Disponível em:

<https://pt.wikipedia.org/wiki/USB>
VAZ, Rafael de Oliveira; DAVID, Mariano; VIDEIRA, Antonio Augusto Passos.
Uma breve história (com elementos filosóficos) da metrologia. Ciência
Hoje, Rio de Janeiro, v. 56, n. 334, p.30-35, mar. 2016. Mensal.
VIEIRA, S. Estatística para a Qualidade. 3ª Ed. Rio de Janeiro: Elsevier, 2014.
VUOLO, J.H. Fundamentos da Teoria de Erros. 2ª Ed. São Paulo: Ed. Edgard
Blücher, 1996. 249 p.
VUOLO, José Henrique. Avaliação e Expressão de Incerteza em Medição.
Revista Brasileira de Ensino de Física, São Paulo, v. 21, n. 3, p.350-358,
set. 1999. Trimestral.
394
Bibliografia Complementar
ALMEIDA, Thiago Corrêa; DIAS, Eugênio de Carvalho; JULIÃO, Amanda da
Silva. Um laboratório portátil de baixo custo: medição de g utilizando um
pêndulo e a placa raspberry pi. Caderno Brasileiro de Ensino de Física,
[S.L.], v. 34, n. 2, p. 590-602, 9 ago. 2017. Universidade Federal de Santa
Catarina (UFSC). http://dx.doi.org/10.5007/2175-7941.2017v34n2p590.
BEVINGTON, Philip; ROBINSON, D. Keith. Data Reduction and Error Analysis
for the Physical Sciences. 3. ed. S.l: Mcgraw-hill Education, 2003. 320 p.
BOX, G.E.P.; HUNTER, J.S.; HUNTER, W. G.. Statistics for Experimenters:
design, innovation, and discovery. 2. ed. New Jersey: Wiley Interscience,
2005. 633 p. (Probability and Statistics).
CANTRELL, C. A.. Technical Note: review of methods for linear least-squares
fitting of data and application to atmospheric chemistry problems.
Atmospheric Chemistry and Physics, [s.l.], v. 8, n. 17, p. 5477-5487, 12
set. 2008. Copernicus GmbH. http://dx.doi.org/10.5194/acp-8-5477-2008.
CASTRUP, H. Distributions for Uncertainty Analysis. Integrated Sciences Group.
2001. Disponível em:
http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.493.5377&rep=r
ep1&type=pdf
CECCHI, G C. Error analysis of the parameters of a least-squares determined
curve when both variables have uncertainties. Measurement Science and
Technology, [s.l.], v. 2, n. 12, p. 1127-1128, 1 dez. 1991. IOP Publishing.
http://dx.doi.org/10.1088/0957-0233/2/12/001.
CIULLO, Giuseppe. Introduzione al laboratorio di Fisica: misure e teoria delle
incertezze. Milan: Springer, 2014. 266 p. Língua italiana.
CRISTALDI, L.; FERRERO, A.; PIURI, V.. Programmable instruments, virtual
instruments, and distributed measurement systems: what is really useful,
innovative and technically sound?. IEEE Instrumentation & Measurement
Magazine, [s.l.], v. 2, n. 3, p. 20-27, 1999. Institute of Electrical and
Electronics Engineers (IEEE). http://dx.doi.org/10.1109/5289.783108.
DAVID, Mariano G.. Filosofia do conhecimento aproximado: uma abordagem
filosófica da incerteza de medição. In: CONGRESSO BRASILEIRO DE
METROLOGIA, 5., 2009, Salvador. Anais [...] . Salvador: Sociedade
Brasileira de Metrologia, 2009. p. 1-6.
395
DOEBELIN, E. O.. Instrumentation Design Studies. Boca Raton: CRC Press,

2010. 628 p.
FARKAS, N; RAMSIER, R D. Measurement of coefficient of restitution made
easy. Physics Education, [s.l.], v. 41, n. 1, p. 73-75, 21 dez. 2005. IOP
Publishing. http://dx.doi.org/10.1088/0031-9120/41/1/008.
GRABE, M. Generalized Gaussian Error Calculus. S.l: Springer, 2010.
298 p.
GRABE, M. Measurement Uncertainties in Science and Technology. 2. ed.
S.l: Springer, 2014. 401 p.
GUPTA, S.V. Mass Metrology. S.l: Springer, 2012. 354 p. (Materials Science).
GUPTA, S.V. Units of Measurement: history, fundamentals and redefining the
SI base units. 2. ed. S.l: Springer, 2020. 304 p. (Materials Science).
HEBRA, A. The Physics of Metrology: all about instruments: from trundle
wheels to atomic clocks. S.l: Springer, 2010. 383 p.
HELENE, O.; S.P.TSAI; R.R.P.TEIXEIRA. O que é uma medida? Revista de
Ensino de Física, São Paulo, v. 13, n. 1, p. 12-29, dez. 1991.
HIMBERT, M. E.. A brief history of measurement. The European Physical
Journal Special Topics, [S.L.], v. 172, n. 1, p. 25-35, jun. 2009. Springer
Science and Business Media LLC. http://dx.doi.org/10.1140/epjst/e2009-
01039-1.
IET- The Institution of Engineering and Technology. A Guide to Technical Report
Writing. 2015.
Disponível em:
https://ias.ieee.org/images/files/CMD/2020/2020-01-
16_IET_Technical_Report_Writing_Guidelines.pdf
KU, H. H.. Notes on the use of propagation of error formulas. Journal Of
Research Of The National Bureau Of Standards: C. Engineering and
Instrumentation, S.l., v. 70, n. 4, p. 263-273, out./dez. 1966.
KULARATNA, Nihal. Modern electronic test and measuring instruments.
London, UK: The Institution Of Electrical Engineers, 1996. 291 p. (IEE
Electrical Measurement Series 10).
KUTZ, M. (ed.). Handbook of Measurement in Science and Engineering. S.l:
John Wiley & Sons, 2016. 2746 p.
LOPES, Wilson. Variação da aceleração da gravidade com a latitude e altitude.
Caderno Brasileiro de Ensino de Física, [S.L.], v. 25, n. 3, p. 561-568, 8
maio 2008. Universidade Federal de Santa Catarina (UFSC).
http://dx.doi.org/10.5007/2175-7941.2008v25n3p561.
MORAWSKI, R. et al. Current trends on teaching instrumentation and
measurement. IMTC/99. Proceedings Of The 16th IEEE Instrumentation
and Measurement Technology Conference (cat. No.99ch36309), [s.l.],
p. 1715-1726, 1999. IEEE. http://dx.doi.org/10.1109/imtc.1999.776116.
396
MORENO, C; BRUZZONE, H. Parameters' variances of a least-squares

determined straight line with errors in both coordinates. Measurement
Science and Technology, [s.l.], v. 4, n. 5, p. 635-636, 1 maio 1993. IOP
Publishing. http://dx.doi.org/10.1088/0957-0233/4/5/016.
NASA- National Aeronautics and Space Administration. Measurement
Uncertainty Analysis Principles and Methods
NORONHA, J.L.; BARCA, L.F. Controle de equipamentos de inspeção, medição
e ensaios: procedimento de cálculo de incerteza de medição em medições
diretas. In: ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO,
21., 2001, Salvador. Anais [...] . Salvador: Associação Brasileira de
Engenharia de Produção, 2001. p. 1-8.
NPL. National Physical Laboratory. Fundamental Good Practice in Dimensional
Metrology. David Flack; John Hannaford. 2012.
PARRAT, L. G.: Probability and experimental errors in science. New York &
London: John Wiley & Sons, Inc. 1961. 255 p.,
https://doi.org/10.1002/bimj.19630050311.
PIRES, Denise Prazeres Lopes; AFONSO, Júlio Carlos; CHAVES, Francisco
Artur Braun. A termometria nos séculos XIX e XX. Revista Brasileira de
Ensino de Física, [S.L.], v. 28, n. 1, p. 101-114, 2006. FapUNIFESP
(SciELO). http://dx.doi.org/10.1590/s0102-47442006000100013.
POSSOLO, A.; TOMAN, B. Tutorial for Metrologists on the probabilistic and
statistical apparatus underlying the GUM and related documents. NIST.
2011. Disponível em:
https://www.itl.nist.gov/div898/possolo/TutorialWEBServer/TutorialMetrolo
gists2011Nov09.xht
RABINOVICH, Semyon G. Measurement Errors and Uncertainties: theory
and practice. 3. ed. S.l: Springer, 2005. 308 p.
REED, B. Cameron. Linear least‐squares fits with errors in both coordinates.
American Journal Of Physics, [s.l.], v. 57, n. 7, p. 642-646, jul. 1989.
American Association of Physics Teachers (AAPT).
http://dx.doi.org/10.1119/1.15963.
REED, B. Cameron. Linear least‐squares fits with errors in both coordinates. II:
comments on parameter variances. American Journal of Physics, [s.l.], v.
60, n. 1, p. 59-62, jan. 1992. American Association of Physics Teachers
(AAPT). http://dx.doi.org/10.1119/1.17044.
SILVA, W. P. da; SILVA, Cleide M.D.P.S. e; CAVALCANTI, C. G.B.; SILVA, D.
D.P.S. e; SOARES, I. B.; OLIVEIRA, J. A.S.; SILVA, C. D.P.S. e. LAB Fit
ajuste de curvas: um software em português para tratamento de dados
experimentais. Revista Brasileira de Ensino de Física, [s.l.], v. 26, n. 4,
p. 419-427, dez. 2004. http://dx.doi.org/10.1590/s1806-
11172004000400018.
397
STEELE, A.; Wood, B.M.; Douglas, R. (2020). Quantifying equivalence for

interlaboratory comparisons of fixed points.
Disponível em:
https://www.researchgate.net/publication/44080673_Quantifying_equivale
nce_for_interlaboratory_comparisons_of_fixed_points
TISHKOVSKAYA, Svetlana; LANCASTER, Gillian A.. Statistical Education in
the 21st Century: a review of challenges, teaching innovations and
strategies for reform. Journal of Statistics Education, [s.l.], v. 20, n. 2, p.
1-56, jul. 2012. Informa UK Limited.
http://dx.doi.org/10.1080/10691898.2012.11889641.
TORRES, Fabricio Gonçalves; KAWAKITA, Kazuto; YEHIA, Rima. Uma
pesquisa sobre o conhecimento em metrologia dos alunos de exatas. In:
CONGRESSO INTERNACIONAL DE REDE DE SANEAMENTO E
ABASTECIMENTO DE ÁGUAS - RESAG, 3., 2017, Belo Horizonte.
Anais... 12 p.
WALPOLE, Ronald E. et al. Probability & Statistics for Engineers &
Scientists. 9. ed. S.l: Pearson Prentice Hall, 2016. 816 p.
WEBSTER, J.G.; EREN,H.., (ed.). Measurement, Instrumentation, and
Sensors Handbook. 2. ed. S.l: CRC Press, 2018. 3559 p.
WILLIAMSON, J. H.. Least-squares fitting of a straight line. Canadian Journal
of Physics, [s.l.], v. 46, n. 16, p. 1845-1847, 15 ago. 1968. Canadian
Science Publishing. http://dx.doi.org/10.1139/p68-523.
YORK, Derek. Least squares fitting of a straight line with correlated errors. Earth
and Planetary Science Letters, [s.l.], v. 5, p. 320-324, jan. 1968. Elsevier
BV. http://dx.doi.org/10.1016/s0012-821x(68)80059-7.
398
Apêndice A- Fundamentos Matemáticos da Metrologia
A1. Modelos Matemáticos

A primeira questão de importância para ser pensada é como distinguir entre o
fenômeno observável em si, e o modelo matemático que permite estudar esse
fenômeno. Isso pode ser expresso pelo parágrafo abaixo (MEYER, 1970):
“Cada vez que utilizamos as matemáticas com o objetivo de estudar fenômenos

observáveis resulta indispensável começar por construir um modelo matemático
(determinístico ou probabilístico) para esses fenômenos.
Necessariamente o modelo deve simplificar as coisas e permitir a omissão de certos
detalhes. O êxito do modelo depende se os detalhes que foram omitidos têm ou não
importância no desenvolvimento dos fenômenos estudados.
A solução do problema matemático pode ser correta, mas estar em desacordo com os
dados observados, devido apenas ao fato de que não estava provada a validade das
suposições básicas feitas inicialmente. Geralmente é difícil afirmar se um modelo
matemático é adequado ou não antes de ter alguns dados obtidos mediante a
observação.
Para verificar a validade do modelo devemos deduzir um certo número de resultados
obtidos através do mesmo, e então comparar os resultados previstos com as
observações reais”.
Examinemos primeiro o que podemos chamar de modelo determinístico.

Chamamos dessa forma, um modelo que estipula que as condições nas quais
um experimento é efetuado determinam o resultado do mesmo.
Por exemplo, se colocamos uma certa massa m pendurada no extremo de uma

mola que tem uma constante elástica k, o modelo matemático que descreve a
k
ação de se esticar a mola é dado por x = , onde F seria a força peso e x o
F
alongamento da mola, ou seja, a Lei de Hooke. O modelo prevê o valor de x ,
uma vez conhecidos os valores de k e F. Ou seja, se repetirmos o experimento
várias vezes utilizando sempre a mesma massa, a mesma mola e o mesmo
399
instrumento (por exemplo uma régua), esperaríamos obter o mesmo valor de x

. Qualquer desvio que pudesse acontecer seria pequeno o suficiente para não
ser significativo na maioria das aplicações, o que significa que as simplificações
aplicadas seriam corretas.
Na realidade, a massa, a mola, a régua, e a nossa destreza para medir

determinam o resultado do experimento. Há fatores adicionais que também
podem ter influência no valor da medida, como por exemplo, a temperatura e a
umidade do laboratório, se o recinto no qual efetuamos a medição é fechado ou
aberto, a distância onde está localizado o instrumento de medição em relação à
pessoa que efetua a leitura ou o tamanho da escala, já que isso pode dificultar a
boa visão do valor numérico.
Existem muitos exemplos de situações na natureza que podem ser bem

descritas com um modelo determinístico. Por exemplo, a cinemática descreve
com precisão o que acontece quando um corpo cai em direção ao solo (por
exemplo l = g t 2 + v0 t , onde l é a distância percorrida, g é a aceleração da
gravidade, v0 é a velocidade inicial (em t = 0 ), e t é o instante de tempo da
queda), a lei da gravidade descreve o comportamento dos planetas, a
relatividade especial o comportamento de corpos que tem velocidades próxima
à da luz. Note-se que no caso de l = g t 2 + v0 t , a forma particular da equação
estabelece uma relação definida entre t e l , ou seja, l é univocamente
determinada, sabendo-se o valor de t .
Porém, há muitos fenômenos na natureza que demandam um modelo não

determinístico, ou seja, devem ser descritos por um modelo probabilístico,
também denominado estocástico ou aleatório. Suponhamos que temos uma
fonte de material radioativo que emite partículas  . Podemos contar o número
de partículas emitidas durante um certo intervalo de tempo com a ajuda de um
contador Geiger. O que não podemos prever exatamente é o número de
partículas emitidas, mesmo sabendo de forma exata a composição química, a
massa e a forma da fonte. Ou seja, parece não existir um modelo determinístico
claro que permita saber o número exato n de partículas emitidas, por exemplo,
como função das características inerentes da fonte radiativa. Devemos, então,
considerar um modelo probabilístico.
Outro claro exemplo de situação não determinística, que é mais cotidiano, é

relacionado com a meteorologia. Vamos supor que queremos saber quanta
chuva vai cair devido a uma tormenta, na cidade de São Paulo. Podemos obter
bastante informação sobre a tormenta que se aproxima com os instrumentos de
medição, com observações de pressão barométrica em diversos pontos, direção
e velocidade do vento, temperatura em diversos pontos, etc. Novamente
400
estamos frente a um fenômeno que não parece se ajustar a um tratamento

determinístico, mas sim a um probabilístico.
Quando temos um modelo determinístico, a suposição é que o resultado real

está definido pelas condições nas quais é feito o experimento. No entanto,
quando temos um modelo não determinístico, as condições experimentais
determinam o comportamento probabilístico, ou, mais formalmente, a
distribuição probabilística dos resultados experimentais.
Exemplos de experimentos não determinísticos
Vamos agora a discutir sobre o que podemos entender por experimento não
determinístico, estocástico, probabilístico ou aleatório. Porém, não é o objetivo
aqui dar uma definição precisa desse conceito. Ao invés disso, vamos apresentar
vários exemplos que o ilustram.
1. Joga-se um dado e observa-se o número que aparece.

2. Joga-se uma moeda três vezes e conta-se o número de coroas obtidas.
3. Escolhemos um artigo de um lote que contém alguns itens defeituosos.
Nomeamos com a letra N o resultado “o artigo escolhido não é
defeituoso”, e com D o resultado “o artigo escolhido é defeituoso”.
4. Extraímos simultaneamente duas bolas de uma urna que contém sete
bolas numeradas do 0 ao 6, sendo as numeradas com 0 e 1 brancas, e
as demais, vermelhas.
5. Fabricam-se LEDs, e mede-se seu tempo de vida útil, isto é, até que
deixem de emitir luz.
6. Joga-se um dado reiteradamente até se obter um 6, e contamos o número
de jogadas efetuadas.
7. Um termômetro mede a temperatura de um forno de forma contínua
durante 24 horas, e toma-se uma medida a cada meio segundo.
8. Medimos a resistência à tração de uma barra de alumínio.
9. Observa-se a trajetória de um projétil nos tempos t1 , t2 ,...tn . Em cada um
desses instantes anota-se o módulo do vetor posição com relação ao
ponto de lançamento.
É importante considerar os seguintes aspectos para descrever um experimento

não determinístico:
• Sem mudar essencialmente as condições do experimento, podemos repeti-

lo de forma indefinida.
• Não podemos ou não temos elementos para afirmar qual será um resultado
particular, mas podemos descrever o conjunto de todos os resultados
possíveis do experimento.
401
• Os resultados individuais parecem ocorrer de forma caprichosa nas primeiras

vezes que o experimento é efetuado. Porém, quando repetido um grande
número de vezes, aparece uma certa “regularidade”. É essa “regularidade”
que torna possível construir um modelo matemático preciso, com o qual
podemos analisar o experimento.
A2. O espaço amostral

Definição 1: O conjunto de todos os resultados possíveis de um experimento 
é chamado espaço amostral. Geralmente designamos esse conjunto como  .
Nos experimentos enumerados anteriormente, o espaço amostral em cada caso

seria:
1 :  = 1, 2,3, 4,5,6
 2 :  = 0,1, 2,3
 3 :  =  N , D
4 :  = (0,1);(0, 2);(0,3);(1, 2);(0, 4),......,(2,6);(3,5),.... , onde os números em

negrito indicam que a bola é branca.
 5 :  = t t  0, t 
6:  = 1, 2, 3,.......
 7 :  = T , 20 oC  T  500 oC , T 
 8 :  = Y Y  0
 9 :  = h 1 ,......, h n h i  0, i = 1, 2,......, n
Para poder definir o espaço amostral de um experimento, devemos ser precisos

com relação ao que estamos medindo ou observando, e sobre o que queremos
descrever nesse espaço amostral. Temos, então, que falar de “um” espaço
amostral associado a um experimento e não “o” espaço amostral. No
experimento 2, por exemplo, podemos querer observar a sucessão de caras (
C ) e coroas ( Ç ) obtidas. O evento nesse caso seria descrito por:
CCC , CCÇ , CÇC , ÇCC , ÇÇC ,....... .

402
Deve-se notar também que o resultado de um experimento não é

necessariamente um número. No caso  3 , por exemplo, o resultado é um par
ordenado de letras, mas também poderia ser qualquer outra coisa, como um
vetor ou uma função matemática.
O número de resultados possíveis de um experimento, ou seja, o espaço

amostral, pode ser uma das seguintes possibilidades: a) Finito, b) Infinito e
numerável, c) Infinito e não numerável. Nos exemplos anteriores, temos que nos
experimentos 1 , 2 , 3 , 4 , os espações amostrais são finitos, em 6 é
infinito numerável, e em 5 , 7 , 8 e 9 são infinitos não numeráveis.
Uma questão que vale a pena considerar na questão dos espaços amostrais é a
distinção entre o espaço amostral “ideal” e o espaço amostral obtido
experimentalmente.
Consideremos o exemplo 5. Quando anotamos o tempo t de vida do LED

estamos limitados pela resolução dos nossos instrumentos de medição.
Suponhamos que temos um instrumento capaz de medir o tempo com resolução
de minutos (por exemplo: 14h:25min). Considerando essa restrição, o espaço
amostral resulta infinito numerável: 0 : 00;0 : 01;0 : 02;..... . Mais ainda, é muito
razoável supor que nenhum LED pode durar mais de H horas, onde H pode ser
um número muito grande, mas finito. Assim, parece que se somos
completamente realistas na descrição do espaço amostral, teríamos que
considerar um espaço amostral finito: 0 : 00;0 : 01;0 : 02;.....; H : 00 . O número
total de resultados resultaria num número incrivelmente grande, mesmo se
consideramos um valor moderado de H , como ser H = 200. Levando tudo isso
em consideração, ainda que não seja “estritamente” correto, o caso é que resulta
matematicamente mais simples supor que todos os valores de t  0 sejam
resultados possíveis, e considerar o espaço amostral tal como foi definido
anteriormente na lista de exemplos, em 5 . Considerando a distinção
comentada acima, vários dos espaços amostrais descritos anteriormente são
“ideais” no sentido de serem matematicamente os mais convenientes.
Eventos
Outro conceito fundamental é o de evento. Cada resultado possível de um

experimento aleatório é chamado de evento individual. Um conjunto de eventos
individuas é chamado de evento. Assim, utilizando a linguagem da teoria de
conjuntos, um evento é um subconjunto do espaço amostral  . Nesse
403
formalismo, se deduz que o espaço amostral  é um evento, qualquer resultado

individual é um evento, e o conjunto vazio  também.
Alguns exemplos de eventos tomados dos exemplos considerados acima são:
S1: Obtemos um número maior que 2, S = 3, 4,5,6 .
S3: Obtemos uma bola branca,
S = (0,1);(0, 2);(0,3);(1, 2);(0, 4),(1,3);(0,5);(1, 4); (0,6);(1,5);(1,6)
S5: S = t t  10, t  , ou seja, o LED queima em menos de 10 horas.
Vale considerar as seguintes afirmações (são dadas sem uma demonstração

formal). Quando temos um espaço amostral  finito ou infinito numerável (ou
seja, no qual podemos estabelecer uma relação unívoca com os números
naturais), qualquer subconjunto pode ser considerado como um evento. Porém,
no caso de ter um espaço amostral  infinito e não numerável, tal afirmação não
resulta sempre verdadeira. Felizmente, conjuntos com essa característica
particular não correspondem a aplicações ou situações práticas e, portanto, não
serão de interesse aqui.
Como se pode observar, o formalismo relacionado à teoria de probabilidades

está bastante relacionado com a teoria de conjuntos. Considerando que os
eventos são conjuntos (ou subconjuntos) podemos enumerar as seguintes
propriedades:
a) Se S1 e S2 são dois eventos, o evento S1  S 2 acontece, se e somente se,

um deles acontece, ou seja, se S1, ou S2, ou ambos acontecem.
b) Se S1 e S2 são dois eventos, o evento S1  S 2 acontece, se e somente se,

ambos os eventos, S1 e S2, acontecem.
c) Se S é um evento, S´ é o evento que acontece, se e somente se, S não

acontece. O evento S´ é chamado evento complementar de S.
d) A união dos eventos S1,......Sn (coleção finita de eventos), que escrevemos


como i =1 Si , é o evento que acontece, se e somente se, pelo menos um dos
eventos Si acontece.
e) A intersecção dos eventos S1,......Sn (coleção finita de eventos), que


escrevemos como i =1 Si acontece, se e somente se, todos os eventos Si
acontecem.
404
f) A união de uma coleção infinita numerável de eventos S1,......Sn,......., que


escrevemos como i =1 Si , é o evento que acontece, se e somente se, pelo
menos um dos eventos Si acontece.
g) A interseção de uma coleção infinita numerável de eventos S1,......Sn,......., que


escrevemos como i =1 Si , é o evento que acontece, se e somente se, todos os
eventos Si acontecem.
h) Seja um experimento  , e  o espaço amostral associado. Supondo que

efetuemos o experimento  duas vezes, então, o produto cartesiano x
representa todos os resultados possíveis dessas duas repetições.
Matematicamente isso implica que no par ordenado (e1 , e2 )  x , o resultado e1
foi obtido quando  foi efetuado pela primeira vez, e e2 quando  foi efetuado
pela segunda vez.
i) A propriedade h) pode ser estendida ao caso no qual o experimento S é

efetuado n vezes.
Definição 2: Dois eventos S1 e S2 são mutuamente exclusivos quando não

podem acontecer simultaneamente. Em termos da notação da teoria de
conjuntos, isso se escreve como S1  S 2 =  , ou seja, a intersecção de S1 e S2
é o conjunto vazio.
Frequência relativa
Seja um certo experimento  com um espaço amostral  , e sejam S1 e S2 dois

eventos associados com  . Se nas mesmas condições, repetimos o
experimento  um número n de vezes, sendo que os eventos S1 e S2 acontecem
um número de vezes n1 e n2, respetivamente, podemos estabelecer a seguinte
definição:
Definição 3: Chama-se frequência relativa do evento S1, a relação entre o

número de vezes n1 em que aconteceu S1, e o número total de repetições n , ou
n1
seja f S 1 = .
n
A frequência relativa f S 1 tem a seguintes propriedades óbvias:
405
i) 0  f S1  1 (A1)
ii) A frequência relativa f S 1 será igual à unidade:
f S1 = 1 (A2)
se e somente se, S1 acontecer n vezes nas n repetições

iii) A frequência relativa f S 1 será igual a zero:
f S1 = 0 (A3)
se e somente se, S1 nunca acontecer nas n repetições.

iv) Se S1 e S2 são dois eventos mutuamente exclusivos ( S1  S 2 =  ), e se
f S1  S 2 é a frequência relativa associada ao evento S1  S 2 , então:
f S 1 S 2 = f S 1 + f S 2 . (A4)
A próxima propriedade está associada à seguinte ideia: em geral, para diferentes

valores de n1, a frequência relativa f S 1 será diferente. Mas é um fato experimental
que, à medida que aumentamos n, a frequência relativa começa a tender a um
valor limite. Isso leva à seguinte “proposição”:
v) Se consideramos f S 1 como uma função de n , ela vai “convergir”, em certo
sentido probabilístico, para um valor definido, que nomeamos P(S1):

n1
P ( S1) = lim
n→ n
Neste ponto convém manter a ideia de que não estamos frente a uma
demonstração matemática, mas sim diante de um fato empírico. O que resulta
importante dessa propriedade é que se um experimento é realizado um grande
número de vezes, a frequência relativa com que acontece o evento S1 tenderá a
406
se aproximar a um valor definido, variando cada vez menos, à medida que o

número de repetições aumenta. Tal característica chama-se regularidade
estatística. Essa ideia de definir a probabilidade como limite da frequência
relativa foi aperfeiçoada pelo matemático Richard Von Mises.
Até aqui, ainda não fomos muito precisos na nossa definição de experimento.
Comentamos anteriormente que deve ser possível repetir o experimento uma e
outra vez mantendo todas as condições essenciais do mesmo. Agora podemos
adicionar que, quando o experimento é repetido várias vezes, deve apresentar
regularidade estatística. Um teorema chamado Lei dos Grandes Números
mostra que a regularidade estatística é na verdade consequência da condição
de repetibilidade, como veremos adiante.
A3. Noções básicas de Probabilidade
A noção de probabilidade como limite de frequências resulta muito útil para o

estudo de fenômenos físicos, e em particular, mais útil que a definição clássica
de Laplace (que considera a relação entre os casos favoráveis e os casos
possíveis), que é aplicável em situações nas quais sabemos a natureza do
processo a estudar, como nos jogos de azar. Em ciência, interessa inferir a
natureza do fenômeno a partir dos resultados.
A definição de probabilidade, como limite de frequências relativas, é aplicável

apenas a fenômenos aleatórios, e carece de sentido em outro tipo de fenômeno.
Voltamos ao problema de designar um número para cada evento S, que irá medir
a probabilidade de que S aconteça quando o experimento é realizado.
Uma opção seria repetir o experimento um grande número n de vezes, calcular

a frequência relativa f S , e utilizar esse número como sendo a probabilidade.
Parece uma alternativa razoável, porém, tem duas sérias objeções (MEYER,
1970):
• Não fica claro quão grande deve ser n antes que seja aceitável para calcular
f S . Qual seria o número de vezes adequado: 1000?, 2000?, 10.000?
• Uma vez que o experimento estiver bem descrito, e tendo sido especificado
o evento S, o número que procuramos não deve depender do observador,
nem de um resultado particular. Nesse último caso, podemos estar frente a
uma “sequência de sorte” do evento S; por exemplo, pode acontecer que,
jogando uma moeda no ar, obtenhamos 9 caras e uma coroa. A frequência
407
relativa do evento S = {aparecem caras} nesse caso seria 9/10, mas sabemos
que repetindo o experimento um número suficientemente grande de vezes,
chegaríamos ao valor aproximado de 1/2.
Para que isso seja funcional, e o valor obtido seja aceitável, qualquer
experimento deveria resultar numa frequência relativa cujo valor deveria estar
próximo do valor da probabilidade, especialmente se a quantidade de repetições
com as quais foi calculada a frequência relativa for grande. Tudo parece indicar
que precisamos de uma certa abstração que nos permita obter o valor de
probabilidade sem que seja necessário efetuar o experimento. Nessa direção,
vamos a dar a seguinte definição para P(S), e as propriedades que deve
satisfazer, induzidas pelas propriedades da frequência relativa.
Definição 4: Seja um experimento  com espaço amostral  . Associamos um

número real P(S) com cada evento S, chamado probabilidade de S, tal que
satisfaz as seguintes propriedades:
i) 0  P( S )  1 (A5)
ii) P ( ) = 1 (A6)
iii) No caso de dois eventos mutuamente exclusivos S1 e S2, temos que:
P (S1  S 2 ) = PS1 + PS 2 (A7)
iv) Se S1, S2,.........., Sn,....... são eventos mutuamente exclusivos a pares,

então:
P( i=1 Si) = P( S1) + P( S 2) + ......... + P(Sn) + ...... (A8)
A partir dessa definição, e das propriedades associadas, é possível demonstrar

os seguintes teoremas (as demonstrações são deixadas para o leitor).
Teorema 1: Se  é o conjunto vazio, então:
P() = 0 (A9)
408
Teorema 2: Seja S´ o evento complementar de S, então:
P ( S ) = 1 − P ( S´) (A10)
Teorema 3: Se S1 e S2 são dois eventos quaisquer, então:
P ( S1  S 2 ) = P( S1) + P( S 2) − P( S1  S 2) (A11)
Observações importantes:
• Deve ficar claro neste ponto que ainda não sabemos como calcular P(S).
Apenas apresentamos algumas propriedades de P(S).
• É muito importante entender que temos postulado a existência do número

P(S), e de certas propriedades que tem esse número. A validade das
consequências (teoremas) desses postulados básicos, não depende em
nenhum caso da forma pela qual foi obtido o valor de P(S).
• Notar que as propriedades derivadas da definição de P(S) são similares às

propriedades da teoria de conjuntos.
• Não é correto inferir, em base aos pontos discutidos até aqui, que descrever
algum fenômeno observável com o modelo probabilístico escolhido, significa
descartar todas as relações determinísticas. Tal ideia seria muito errada.
Tudo depende de como interpretamos as magnitudes do fenômeno que
tentamos descrever. Por exemplo, na Lei de Hooke, podemos dizer que os
valores de k e de F podem variar de forma aleatória, ao invés de dizer que
x é univocamente determinado para valores de k e de F dados. Mas, se
tanto k como F podem variar de forma aleatória e imprecisa, então x
também irá variar aleatoriamente, sendo que ainda assim poderemos utilizar
a relação x = F / k . Em outras palavras, quando adotamos um modelo
probabilístico para descrever a distensão de uma mola ao pendurar uma
massa em um dos seus extremos, estamos consideramos a possibilidade de
que k e F variem de uma forma aleatória, e assim, o fenômeno só pode ser
descrito probabilisticamente.
• Em geral, não é simples a escolha entre um modelo determinístico e um

probabilístico, podendo depender da complexidade da técnica de medição e
da precisão associada.
409
• Para facilitar a escolha de um método que permita calcular as probabilidades

básicas, que por sua vez permitam descrever a conduta probabilística dos
resultados experimentais, é possível fazer suposições adicionais sobre esses
resultados. Para a eleição dessas suposições adicionais podemos nos
basear, por exemplo, em considerações físicas do experimento, em
evidências empíricas, e até na simples experiência pessoal prévia ante uma
situação similar.
A4. Espaços Amostrais Discretos e Finitos
Vamos considerar experimentos para os quais o espaço amostral  possa ser

escrito como E = e1 , e2 , e3 ,..., em  .
O evento elementar, que está constituído por apenas um resultado, pode ser
escrito, por exemplo, como S = ei  . Vamos designar o número pi , para cada
evento elementar ei  , e o chamamos probabilidade de ai  , se satisfaz as
seguintes condições:
i) Cada valor de pi é não negativo, ou seja:
pi  0, i = 1, 2,3,..., m (A12)
ii) A soma de todos os pi é igual a 1:
 p = p + p + p + .......... + p
i =1
i 1 2 3 m =1 (A13)
Resulta deduzir, da propriedade iv) da Definição 4 de probabilidade, que para

um evento S constituído por t resultados, tal que 1  t  m , com
 
S = a j1 , a j2 a j3 ,........, a jt , ( j1 , j2 ,... jt ) podem assumir quaisquer valores
(1, 2,3,..., m) tal que P( S ) = p j1 + p j2 + ........ + p jt . Assim, ao designar valores

p1 ,..., pm à probabilidade de cada um dos eventos elementares do espaço
amostral  , estamos determinando de modo único o valor de P(S) para qualquer
evento S   .
410
Resultados igualmente prováveis
Consideremos o espaço amostral que corresponde ao experimento de jogar um

dado:  = {1, 2,3, 4,5, 6} . Se o dado está perfeitamente balanceado, é natural
pensar que os 6 resultados possíveis são igualmente prováveis, ou seja,
P (1) = P (2) = P (3) = P(4) = P(5) = P(6) . Mais ainda, se todos os resultados são
igualmente prováveis, o valor da probabilidade de cada um desses 6 resultados
será igual a 1/6. Esse exemplo particular, não significa que teremos resultados
igualmente prováveis sempre que tratemos de espaços amostrais discretos e
finitos. Existem situações nas quais seria errado tomar esse fato como válido.
Por exemplo, seria pouco realista supor que é tão provável conseguir um táxi
entre a 3h e 4h da manhã, que entre as 3h e 4h da tarde.
Generalizando o exemplo dos dados, se m resultados possíveis de um

experimento são igualmente prováveis, resulta que pi = 1 / m . Com isso, tem-se
que p 1+ p 2 + p 3+ .......... + p m = 1/ m + .......1/ m = m / m = 1 = m p i . Ademais, para qualquer
evento S que tenha t resultados, temos que:
t
P( S ) = (A14)
m
Isso leva à definição de probabilidade clássica de Laplace: “A probabilidade de

um evento S é a relação entre o número de resultados favoráveis de S, e o
número total de resultados possíveis do experimento, sempre que os resultados
sejam igualmente prováveis”. Assim:
casos favoráveis
P( S ) = (A15)
casos possíveis
Deve ficar claro que isso não serve como uma definição geral de probabilidade.
Métodos de enumeração
• Princípio de multiplicação
Suponhamos que num certo procedimento 1, temos que escolher uma pessoa
de um conjunto de n1 pessoas diferentes, e que num segundo procedimento 2,
precisamos escolher outra pessoa de outro conjunto de n2 pessoas. Deve
411
resultar evidente que o procedimento que consiste em fazer em sequência os

procedimentos 1 e 2, pode ser feito de n1. n2 formas diferentes.
Observação: No caso geral, se temos m procedimentos, sendo que o i - ésimo

pode ser feito de ni formas, a sequência de procedimentos 1, 2,..., m pode ser
feita de n1. n2 ....nm formas diferentes.
Exemplo: Quantos números de 4 dígitos podem ser formados com os dígitos 1,

2, 3, 4? Para o primeiro dígito temos quatro opções (os números 1, 2, 3 ou 4).
Para o segundo dígito, voltamos a ter quatro opções, e o mesmo acontece para
o terceiro e o quarto dígito. Assim, o número total de escolhas será 4 x 4 x 4 x 4
= 44 = 256. Portanto, o número total de números de 4 dígitos que podemos formar
com os dígitos 1, 2 ,3 e 4 é 256.
• Princípio de adição
Permutações
a) Suponhamos que temos os dígitos 1, 2 e 3. De quantas formas podemos

colocar em ordem esses números? Nesse caso, teremos os seguintes
ordenamentos: 123,132, 213, 231,312,321 . Então a resposta é seis. Para conseguir
visualizar o caso geral, vamos considerar o esquema de caixinhas da Figura A1,
para ordenar m objetos em m caixinhas diferentes, sendo que não podemos
colocar mais que um objeto por caixinha.
Figura A1- Esquema de caixas separadas para ordenar m objetos diferentes
1 2 3 m
n
Para preencher a primeira caixinha à direita temos m objetos para escolher, para
a segunda, ( m − 1) objetos (já escolhemos um na primeira escolha), para a
terceira ( m − 2) , e para a última fica apenas um objeto. Aplicando-se o princípio
de multiplicação, obtemos que o número de formas para ordenar os m objetos
é m(m − 1)(m − 2)...3.2.1 . Esse número é representado por um símbolo especial.
412
Definição 5: Se n é um número inteiro positivo, definimos o número n!, chamado

n -fatorial, como n ! = n.(n − 1).(n − 2)......3.2.1 ,. Também definimos 0! = 1 .
b) Que acontece no caso em que queremos ordenar os m objetos em t caixinhas

(t < m)? Temos que para a primeira caixa à direita temos m objetos para
escolher, para a segunda ( m − 1) , para a terceira, ( m − 2) e para a caixinha t -
ésima temos (m − t + 1) objetos para escolher. Aplicando o princípio de
multiplicação, temos que o número total de opções é:
mt = m(m − 1)(m − 2)...(m − t + 1) . Utilizando a notação fatorial, podemos expressar
esse valor como:
(m − t )! m!
mt = m(m − 1)(m − 2).....(m − t + 1)  mt = (A16)
(m − t )! (m − t )!
Permutações quando nem todos os objetos são diferentes
Consideremos a palavra anagrama. Quantas formas de ordenar as letras dessa

palavra existem? Se focalizarmos na letra A, observamos que temos quatro
ocorrências dessa letra na palavra. Para facilitar a ideia, vamos supor que
podemos identificar cada letra A com um número, tal que A1  A2  A3  A4 (Figura
A2). Claro que isso é artificial, já que na verdade não é possível distinguir duas
letras A, mas continuemos com a ideia. De quantas formas podemos ordenar
essas supostas quatros letras A diferentes? Seguindo o princípio de
multiplicação, teríamos 4! formas de fazer isso.
Figura A2- Esquema de caixas separadas para calcular o número de anagramas

possíveis a partir das letras da palavra ANAGRAMA
A N A G R A M A
A1 N A2 G R A3 M A4
413
Então, considerando que as quatro letras A são diferentes, temos que o número
total de formas de ordenar as oito letras da palavra anagrama seria 8!. Mas se
agora desconsiderarmos essa hipótese quanto à letra A, notamos que o
resultado obtido está considerando 4! possibilidades a mais no cálculo. Então,
novamente pelo princípio de multiplicação, para obter o número correto, temos
que dividir o resultado anterior por 4!, ou seja, n4 = 8! . Esse exemplo ilustra o
4!
porquê, quando temos elementos repetidos, é necessário dividir pelo fatorial do
número de cada um dos elementos repetidos que temos.
Para o caso geral no qual temos m objetos, dentre os quais m1 são de uma
espécie, m2 de outra espécie,......, e mk de k -ésima espécie, o número de
permutações desses m objetos será dado por:
m!
m m1 ...m k = (A17)
m1 !m 2!......m k!
Combinações
Consideremos o seguinte exemplo. Temos quatro pessoas diferentes, Ana,

Pedro, Maria e Júlio, e queremos formar grupos de duas pessoas. De quantas
formas será possível fazer isso? Nesse caso teríamos as seguintes opções: i)
Ana, Pedro; ii) Pedro, Maria; iii) Maria, Júlio; iv) Ana, Júlio; v) Ana, Maria; vi)
Pedro, Júlio. Obviamente, não contamos grupos como Júlio e Ana, já que aqui a
ordem dos nomes não faz diferença. Assim, temos seis formas de escolher duas
pessoas de um grupo de quatro.
No caso geral, queremos contar o número de forma de escolher t objetos de um

grupo maior de m objetos, mas sem levar em consideração a ordem. Pensemos
um momento, qual seria o resultado do exemplo anterior quando interessa a
4!
ordem? Nesse caso teríamos, seguindo a Eq. (A16), 42 = = 12 .
(4 − 2)!
Mas acabamos de mostrar que o número de opções é 6. Então, na situação aqui

considerada, para a qual não interessa a ordem, devemos tirar as permutações
que podem ser feitas nos conjuntos de 2 elementos. Esse número é 2!, então
4!
devemos dividir pelo valor 2!, ou seja mt SO = = 6 (SO significa “sem
(4 − 2)!2!
ordem”).
Para o caso geral temos:
414
m!
mt SO = (A18)
(m − t )!t !
Esse número tem uma notação particular:
m!  m
=  (A19)
(m − t )!t !  t 
e é chamado de número combinatório ou coeficiente binomial. Esse último nome

está originado no chamado Teorema do Binômio que estabelece que:
n
n
( + )    a r bn−r
=
n
a b (A20)
r =0  r 
n
Os termos   são denominados coeficientes binomiais, e são definidos
r
conforme a expressão (A19).
A5. Variáveis Aleatórias
Noções gerais
Mencionamos anteriormente que, o conjunto de todos os resultados possíveis

de um experimento aleatório, ou seja, o espaço amostral, não necessariamente
será um conjunto de números, senão que podem ser letras, funções, vetores,
etc. Por exemplo, se jogamos uma moeda 3 vezes e anotamos a sequência de
caras e coroas que obtemos, teremos CCC , CCÇ , CÇC , ÇCC , ÇÇC ,....... , onde
C corresponde a cara, e Ç a coroa. Porém, geralmente interessa obter algum
resultado numérico do experimento, por exemplo, o número de caras obtidas.
Nesse caso, teremos 0,1, 2,3 . Em geral, sempre podemos associar um
número aos resultados não numéricos, sendo que em muitas situações será
importante fazer corresponder um número real x a cada um dos elementos e do
espaço amostral  . Ou seja, x = X (e) (com e   ) é o valor de uma função X
que relaciona o espaço amostral aos números reais.
415
Definição 6: Uma variável aleatória é uma função do espaço amostral  ,

associado a um experimento  , no conjunto dos números reais. Em outras
palavras, é uma função X que faz corresponder a cada elemento e   , um
número real X (e) . Esta relação pode ser representada pelo esquema
denominado diagrama de Venn (Figura A3).
Figura A3- Diagrama de Venn da função chamada variável aleatória.
X C

R
e
X(e)
E= Espaço amostral de Z
R = resultados possíveis de X
C = contradomínio de X
Observações:
• Notar que, apesar de definirmos X como uma função, ela é denominada como
“variável” aleatória. Essa denominação tem sido universalmente aceita e,
ainda que possa parecer confusa, preferimos preservá-la.
• Não é qualquer função que pode ser considerada como uma variável
aleatória. É necessário que, qualquer seja x  R tal que  x = X (e) , e
qualquer elemento de um evento (que terá como imagem um subconjunto
I  R ), tenham uma probabilidade bem definida, que satisfaça os axiomas
básicos.
• O conjunto imagem de X, R, pode, por sua vez, ser considerado como outro
espaço amostral. O espaço amostral original  corresponde aos resultados
numéricos ou não numéricos do experimento. No entanto, R , é o espaço
amostral que associamos com a variável aleatória X.
416
Em geral, podemos obter uma variável aleatória de duas formas:
i) Efetuamos o experimento  , e obtemos um resultado e. Imediatamente depois,

calculamos X(e). Nesse caso, o número X(e) já é considerado como o resultado
obtido no experimento, com o qual a imagem de X, R , passa a ser o espaço
amostral do experimento.
ii) Efetuamos o experimento  , e anotamos o resultado e de  . Em outro

momento, calculamos o valor X(e).
As situações podem parecer iguais, mas têm uma diferença sutil. Em i) o

experimento não acaba com a observação de e, senão que o experimento não
está terminado até que o número X(e) seja calculado. Dessa forma, o resultado
pertence diretamente a um novo espaço amostral, a imagem de X, ou seja R .
Em ii) o cálculo de X(e) é feito posteriormente, não sendo afetado pela
aleatoriedade de  . É importante pensar nessa distinção, porque, no estudo de
variáveis aleatórias, estaremos geralmente mais interessados nos valores que X
pode assumir, que na sua forma funcional. Portanto, em muitos casos,
ignoraremos o espaço amostral sobre o qual podemos definir X.
Definição 7: Seja um experimento  com espaço amostral  , e X uma variável

aleatória com imagem R. Se B é um evento do conjunto R ( B  R ), e se A é o
conjunto de todos os resultados em  para os quais X (e)  B , ou seja:
A = e  X (e)  B (A21)
Nesse caso consideramos que A e B são eventos equivalentes. Notar que

embora A e B sejam equivalentes, eles estão associados a espaços amostrais
diferentes (Figura A4).
Figura A4- Diagrama de Venn que representa o subconjunto evento A
X R

A B
e
X(e)
417
Definição 8: Seja B um evento em R . Definimos a probabilidade de B, P(B), da

seguinte forma:

P(B) = P(A), onde A = e  X (e)  B  (A22)
Ou seja, P(B) é igual à probabilidade P(A) associada ao evento A   , que é

equivalente a B. Uma vez estabelecidas as probabilidades associadas aos
resultados do contradomínio R , usualmente ignoramos o espaço amostral
original  .
Variáveis aleatória discretas
Definição 9: A variável aleatória X é discreta, se sua imagem é finita ou infinita

numerável. Ou seja, podemos escrever os possíveis valores de X como
x1 , x2 ,..., xn ,...
No caso finito, a sequência tem um valor final, e no caso infinito numerável,

continua indefinidamente.
Definição 10: Seja X uma variável aleatória discreta com imagem

R = {x1 , x2 ,..., xn ,...} . A cada resultado possível xi associamos um número
p ( xi ) = P( X = xi ) , i = 1, 2,... , tal que o conjunto dos p ( xi ) deve satisfazer as
seguintes propriedades:
i) p( xi )  0, i , (A23)

ii)  p( x ) = 1
i =1
i (A24)
A função p chama-se função de probabilidades da variável aleatória X. A coleção

de pares ( xi , p ( xi )), i = 1, 2,... chama-se distribuição de probabilidade de X.
418
No caso de uma variável aleatória finita X, tal que cada resultado é igualmente
provável, temos que p( x1 ) = p( x2 ) = ...... = p ( xn ) = 1/ n . Porém, se X for uma
variável aleatória infinita numerável, seria impossível que todos os resultados
fossem igualmente prováveis, já que a somatória de todas as probabilidades
tenderia a infinito.
Algumas distribuições de probabilidade discretas
• A distribuição binomial
Vamos supor que os artigos que saem de uma linha de produção podem ser
classificados como “defeituosos” (D) ou “não defeituosos” (N), e que escolhemos
aleatoriamente três artigos da produção de um dia. O espaço amostral E para
esse experimento será (MEYER, 1970):
E = DDD, DDN , DND, NDD, NND, NDN , DNN , NNN  .
Suponha que a probabilidade de que o artigo seja defeituoso é 0,3, e em

consequência, a probabilidade de que o artigo seja não defeituoso é 0,7.
Adicionalmente, supomos que a probabilidade é a mesma para todo artigo, e que
a classificação de um artigo é completamente independente da classificação de
qualquer outro artigo. As probabilidades associadas aos resultados do espaço
amostral acima serão: (0,3)3, (0,7) (0,3)2, (0,7) (0,3)2, (0,7) (0,3)2, (0,3) (0,7)2,
(0,3) (0,7)2, (0,3) (0,7)2, (0,7)3.
Em uma situação como a do exemplo, o importante é determinar quantos artigos

defeituosos iremos encontrar sem considerar a ordem com que os artigos foram
identificados, sendo secundários os resultados individuais de  Ou seja, o
importante é a variável aleatória X, que relaciona cada um dos elementos e  
com o número de artigos defeituosos encontrados. Então, o conjunto de valores
possíveis de X é 0,1, 2,3 ( X = 0 no caso NNN; X = 1 nos casos DNN, NDN ou
NND; X = 2 nos casos DDN, DND, ou NDD, e X = 3 no caso DDD). Então, a
distribuição de probabilidades de X será:
p(0) = P( X = 0) = 0, 73
p(1) = P( X = 1) = 3.(0,3)(0, 7) 2
419
p (2) = P( X = 2) = 3.(0,3) 2 (0, 7)
p (3) = P ( X = 3) = 0,33
Como era de se esperar, a soma dessas probabilidades é igual a 1.
Definição 11: Seja A um evento associado ao espaço amostral  , tal que

P( A) = p , e P ( A' ) = 1 − p . Consideremos n repetições independentes do
experimento, tal que o valor de p é o mesmo para todas as repetições. A variável
aleatória X, definida como o número de vezes em que aconteceu o evento A, é
chamada variável aleatória binomial ou de Bernoulli, com parâmetros n e p.
Teorema 4: Se X é uma variável binomial com base em n repetições. Então:
n
P ( X = k ) =   p k(1 − p) n −k , k = 0,1,2,.......,n. (A25)
k 
Exemplo: Suponhamos que temos um circuito integrado (CI) que, montado em

certo equipamento, tem uma probabilidade 0,3 de funcionar mais de 1000 horas.
Se testarmos 40 CIs, qual é a probabilidade de que exatamente k desses
circuitos funcionem mais de 1000 horas? (k = 0, 1, 2,...., 40). Se X é o número de
CIs que funcionam mais de 1000 horas, e supondo que X tenha uma distribuição
 40 
binomial, então, P ( X = k ) =   ( 0,3) (0, 7) 40−k , o que resulta nos valores
k
k 
indicados na Tabela A1.
O gráfico que representa os valores da Tabela A1 está representado na Figura

A5.
420
Tabela A1- Valores de probabilidade da distribuição de probabilidade binomial
X P(X) X P(X)
0 6,3668058E-07 21 0,0015653651
1 1,0914524E-05 22 5,7938838E-04
2 9,1214238E-05 23 1,9432902E-04
3 4,9516300E-04 24 5,8992739E-05
4 0,0019629676 25 1,6180865E-05
5 0,0060571572 26 4,0007634E-06
6 0,015142893 27 8,8905854E-07
7 0,031521941 28 1,7690451E-07
8 0,055726288 29 3,1372228E-08
9 0,084916249 30 4,9299215E-09
10 0,11281730 31 6,8155596E-10
11 0,13186438 32 8,2151835E-11
12 0,13657382 33 8,5352556E-12
13 0,12606814 34 7,5311079E-13
14 0,10419918 35 5,5330588E-14
15 0,077405104 36 3,2934874E-15
16 0,051833775 37 1,5259401E-16
17 0,031361612 38 5,1629553E-18
18 0,017174216 39 1,1347154E-19
19 0,0085225433 40 1,2157665E-21
20 0,0038351445
Figura A5- Gráfico da distribuição de probabilidade binomial da Tabela 1
0,14
Probabilidade binomial B(40, 0,3)
0,12
0,10
0,08
P(X)
0,06
0,04
0,02
0,00
0 5 10 15 20 25 30 35 40
421
• A distribuição de Poisson
Definição 12: Se X é uma variável aleatória que assume os valores: 0, 1,.....,

n,...., sendo  um número real positivo ( > 0), então, se:
e−   k
P( X = k ) = , k = 0, 1,....., n,......., (A26)
k!
resulta que X tem uma distribuição de Poisson com parâmetro  .
A distribuição de Poisson tem uma importante aplicação, já que permite calcular,

por exemplo, a probabilidade de uma fonte radiativa emitir n partículas em um
tempo t, ou a probabilidade de um fotodetector contar n fótons em um tempo t.
• A distribuição geométrica
Supondo que efetuamos um experimento  , e o repetimos até que um evento

A, no qual estamos interessados, aconteça pela primeira vez. Definimos isso
como a variável aleatória X, ou seja, X é o número de repetições necessárias até
que aconteça o evento A pela primeira vez. Então, X terá como valores possíveis
1, 2, 3, .....Se P ( A) = r e P ( A' ) = 1 − r = s (r e s são constantes), então, se:
P( X = k ) = s k −1r , k = 1, 2,3,... (A27)
a variável aleatória X tem uma distribuição geométrica.
Notar que estamos considerando que, quando X = k, as primeiras ( k − 1)

repetições de  geram A’, e a k-ésima tem A por resultado.
422
Variáveis aleatórias contínuas
Em muitas situações práticas, pode ser mais simples, do ponto de vista

matemático, idealizar a descrição probabilística de X, e passar de uma
distribuição de probabilidade discreta para uma contínua. Por exemplo,
imaginemos que X seja uma variável aleatória discreta, definida num certo
intervalo [a, b] , tal que possa tomar os valores a, a+0.001, a+0,002, a+0,003,.....,
b. Nesse caso, é evidente que X está constituída por um enorme número de
valores, ainda que finito. Claro que podemos associar a cada valor um número
não negativo p( xi ) = P( X = xi ) , i = 1, 2,... , tal que a soma seja igual a 1,
conforme ilustrado na Figura A6.
Figura A6- Esquema qualitativo de uma distribuição de probabilidade discreta
P(x)
x=a x=b x
A variável aleatória representada na Figura A6 é numerável, simplesmente pelo

fato de ser discreta. Que aconteceria se em lugar dos valores discretos, X
pudesse tomar todos os valores possíveis em [a, b] ? A primeira coisa é que não
faria mais sentido ter valores p ( xi ) para cada xi, já que agora temos um conjunto
infinito não numerável de valores de X. Então, o que fazer com as
probabilidades?
A solução é simples, tomamos uma função f definida no intervalo [a, b] para

substituir a função p, e logo substituímos a somatória por uma integral. Com isso
podemos ter a seguinte definição:
Definição 13: Uma variável aleatória X é contínua se existe uma função f, que
chamamos função densidade de probabilidade (fdp) de X, tal que satisfaz:
423
i) f ( x)  0, x (A28)
+
ii) 
−
f ( x) dx = 1 (A29)
iii)  a e b, tal que −  a  b  + , tem-se que:

b
P ( a  X  b ) =  f ( x)dx (A30)
a
O fato de agora termos uma integral, leva a alguns pontos importantes. Como
b
f ( x)  0, então a integral P ( a  X  b ) =  f ( x)dx implica que P (a < X < b)

a
representa a área abaixo da curva de f(x) em [a, b] , como mostra a Figura A7.
Figura A7- Esquema qualitativo de uma distribuição de probabilidade contínua
f(x)
x=a x=b x
Outra consequência de se ter uma fdp contínua, permitindo que X assuma todos
os valores possíveis no intervalo, é que, para qualquer valor específico de X, por
x0
exemplo x0 , teremos P( X = x0 ) =  f ( x) dx = 0 . Ou seja, a probabilidade zero não
x0
significa a impossibilidade de ocorrência do evento X = x0 , ou seja, P ( A) = 0 não

implica A =  . Tal resultado gera outra consequência: se a probabilidade de um
ponto é nula, então tirar um ponto do intervalo [a, b] não vai modificar o valor da
probabilidade nesse intervalo, então:
P ( a  X  b) = P ( a  X  b) = P (a  X  b) = P (a  X  b ) (A31)
424
Algumas distribuições de probabilidade contínuas
• A distribuição normal ou gaussiana
A mais notável e importante das variáveis aleatórias contínuas é a chamada

distribuição normal ou gaussiana.
Definição 14: A variável aleatória X, definida no intervalo −  x  + , tem uma

fdp normal (ou gaussiana) se é da forma:
1  1  x −  2 
f ( x) = exp  −  −   x  +
 2    
, (A32)
2  
Onde   , e  > 0. Utilizaremos a notação N (  ,  ) ou N (  ,  2 ) para denotar

a distribuição normal de parâmetros  e  .
A importância da distribuição normal ficará evidente quando for apresentado o

Teorema do Limite Central. Por enquanto, basta mencionar que a distribuição
normal é uma excelente aproximação para várias outras distribuições que têm
importância prática.
A distribuição normal tem a conhecida forma de sino, como mostrado na Figura

A8.
Figura A8- Distribuições de probabilidade gaussianas com parâmetro  iguais e

valores diferentes do parâmetro 
0.05
 = 5,  = 9
0.04  = 5,  = 16
0.03
0.02
0.01
0.00
-40 -20 0 20 40 60
425
Podemos observar que o gráfico de f é simétrico com relação ao parâmetro  ,

o qual se explica pelo fato de f depender de x com a forma funcional ( x −  ) 2 .
Resulta útil interpretar o parâmetro  de forma geométrica. Notemos que no

ponto x =  o gráfico de N (  ,  ) é côncavo para baixo. Por outro lado, é
evidente que f ( x )  0 para todo x, e que a função tende assintoticamente a zero
em ambos os lados, ou seja, que f ( x) → 0, para x →  . Isso permite deduzir
que, para grandes valores de x, o gráfico de f não pode se manter côncavo para
baixo, senão acabaria cruzando o eixo horizontal. Então, deve ser côncavo para
cima. Consequentemente, deve existir um ponto no qual a curva muda a
concavidade, ou seja, um ponto de inflexão. Como calcular esse ponto?
Calculando a derivada segunda e fazendo f ( x) = 0 . O resultado desse cálculo
leva a que os pontos de inflexão estão em x =    . Ou seja, f muda de
concavidade a uma distância  de , à direita e à esquerda. Então, a forma de
N (  ,  ) depende do parâmetro  . Para valores pequenos de  , o gráfico de f
tenderá a ser alto e estreito, e para valores grandes de  o gráfico tenderá a ser
baixo e largo (vide Figura A8).
Um caso especial é quando X tem uma distribuição N (0,1) , correspondente à

função:
1  1 
f ( x) = exp  − x 2  , x (A33)
2  2 
Nesse caso, diz-se que X tem uma distribuição normal padrão.
• A distribuição uniforme
Definição 15: Diz-se que uma variável aleatória contínua X tem uma fdp
uniforme, no intervalo [a, b], se a fdp é dada por:
0 xa
 1  1
 a xb
f ( x) =  a xb 
ou f ( x) =  b − a (A34)
 b−a
 xb 
 0 x  [ a, b]
0
Ou seja, uma variável aleatória distribuída uniformemente tem uma fdp que é
constante no intervalo no qual está definida. Essa constante deverá ser igual ao
426
inverso do comprimento do intervalo, para poder satisfazer a condição

+

−
f ( x) dx = 1 ,
Ademais, uma variável aleatória X com fdp uniforme no intervalo [a, b], tem a
seguinte propriedade: para qualquer subintervalo I de comprimento h , tal que
I  [ a, b] , a probabilidade P( X  I ) é a mesma para todos os subintervalos que
possuam o mesmo valor de h . Ou seja,
h
P( X  I ) = 
xI
f ( x) dx =
b−a
(A35)
Assim, P( X  I ) depende apenas do comprimento h do intervalo e não da sua

posição.
• A distribuição exponencial
Definição 16: Se   e   0 , diz-se que uma variável aleatória contínua X

tem uma distribuição exponencial, se sua fdp é dada por:
 e−  x , x0
f ( x) =  (A36)
 0 , x0
Função de distribuição acumulativa (fda) ou função de densidade
Definição 17: A função de distribuição acumulativa ou função de densidade F

de uma variável aleatória X, que pode ser discreta ou contínua é dada por:
F ( x) = P( X  x) .
Teorema 5:
i) Para uma variável aleatória discreta X, a fda é dada por:
F ( x) =  p ( x j ) (A37)
j
Sendo que a soma é feita sobre todos os índices j tal que x j  x .
427
ii) Para uma variável aleatória contínua X com fdp f, a fda é dada por:
x
F ( x) = 
−
f (t ) dt (A38)
Exemplo: Consideremos a variável aleatória X, definida como a quantidade de

caras obtidas ao lançar uma moeda três vezes. O espaço amostral é formado
pelos valores 0, 1, 2 e 3. O sucesso para X  t , com t  0 é o sucesso impossível
e P ( X  t ) = 0 . O sucesso para X  t , com 0  t  1 é o sucesso { X = 0} e
P ( X  t ) = 1 / 8 . O sucesso para X  t , com 1 t  2 corresponde a
{ X = 0}  { X = 1} e P ( X  t ) = 1/ 8 + 3 / 8 = 4 / 8 . O sucesso X  t , com 2  t  3
corresponde a { X = 0}  { X = 1}  { X = 2} e P ( X  t ) = 1/ 8 + 3 / 8 + 3 / 8 = 7 / 8 . O
sucesso X  t com 3  t corresponde a { X = 0}  { X = 1}  { X = 2}  { X = 3} e
P ( X  t ) = 1 . A fda de X é então:
 0 se t  0
1
 se 0  t  1
8
 4
F (t ) =  se 1  t  2
8
7
 8 se 2  t  3

 1 se t  3
O gráfico de F(t) está representado na Figura A9.
Figura A9- Exemplo de função de distribuição acumulativa
F(t)F(t )
1
7/8
4/8
1/8
x
1 2 3 4 t
428
A fdp e a fda estão relacionadas no seguinte teorema.
Teorema 6:
i) Seja X uma variável aleatória contínua com fdp f e fda F , então:
d
f ( x) = F ( x) (A39)
dx
 x onde F seja derivável.
ii) Se X é uma variável aleatória discreta com valores x1 , x2 ,... , tal que x1  x2  ...
Se a fda de X é F, então:
p( x j ) = P( X = x j ) = F ( x j ) − F ( x j −1 ) (A40)
Exemplo: A fda da distribuição normal padrão é calculada por:
 1 
s
1
( s) =  exp  − 2 x
2
dx (A41)
2 − 
Essa função está tabulada e serve para calcular probabilidades em um certo

intervalo, ou seja: P (a  X  b) =  (b) −  (a ) .
Propriedades das variáveis aleatórias
• Esperança ou Valor Esperado de uma variável aleatória
Nos modelos matemáticos não determinísticos de interesse, existem parâmetros

que podem ser utilizados para definir uma distribuição de probabilidades
específica.
Definição 18: Se X é uma variável aleatória discreta com valores possíveis

x1 , x2 ,... , tal que p ( xi ) = P( X = xi ), i = 1, 2,3,...n,... Então, o valor esperado ou
esperança de X, E(X), é definido como:

E ( X ) =  xi p( xi ) (A42)
i =1

se a série  x p( x )   (condição de convergência absoluta).
i =1
i i
429
Quando X tem um número finito de valores, a expressão muda para:

n
E ( X ) =  xi p( xi ) (A43)
i =1
que podemos interpretar como uma “média ponderada” dos valores xi ,...xn . Para
1 n
o caso no qual p( xi ) = 1/n para todo i = 1,....., n, então E ( X ) =  xi , que é a
n i =1
média aritmética dos n valores possíveis.
Exemplo: Consideremos a variável aleatória X que representa a quantidade de

caras que obtemos ao lançar uma moeda ao ar três vezes. Temos então que
1 3 3 1 3
E ( X ) = 0  + 1 + 2  + 3  = = 1,5 . Esse simples exemplo mostra que E(X)
8 8 8 8 2
não precisa ser um dos resultados possíveis (não tem sentido obter 1,5 vezes
caras ao lançar uma moeda três vezes). O sentido de E(X) é probabilístico, e
consiste em pensar que quanto maior seja o número de vezes que jogamos a
moeda, sempre de forma independente, a média aritmética dos resultados
obtidos vai resultar mais próxima do valor de E(X). Porém, não se devem
confundir os conceitos, e não se deve esquecer que E(X) é um parâmetro
associado a uma distribuição de probabilidades. A média ponderada, no entanto,
é uma definição que combina um conjunto de números de forma particular.
No caso de uma variável aleatória contínua, temos a extensão natural da

definição do caso discreto.
Definição 19: Se X é uma variável aleatória contínua com fdp f, o valor esperado
de X é definido como:
+
E ( X ) =  x f ( x) dx (A44)
−
+
A integral será convergente sempre que 

−
x f ( x) dx for finita.
➢ Propriedades do valor esperado
Vamos apresentar agora uma série de propriedades importantes do valor

esperado de uma variável aleatória, que serão úteis para os tópicos abordados
430
posteriormente. Os teoremas a seguir são válidos para variáveis aleatórias

discretas e contínuas.
Teorema 7: Se X é uma variável aleatória tal que X = C, sendo C uma constante,

então:
E( X ) = C (A45)
Isso significa que, como X é uma função do espaço amostral em R, se X = C,

então R tem apenas o valor C. Então, X = C, se e somente se, P[ X (e) = C ] = 1 .
Em termos da fda, F(x) = 0 se x < C, e F(x) é igual a 1 se x  C .
Aqui resulta interessante apresentar a demonstração dessa propriedade. A

esperança é calculada como:
+ +
E ( X ) =  C f ( x) dx = C  f ( x) dx = C (A46)
− −
+
Isso significa que 

−
f ( x) dx = 1 . O problema é: qual é a função real f(x) > 0 que
integrada entre (−, +) dá um resultado finito, no caso, o número 1? A resposta

é: nenhuma. Pior ainda, a resposta é que f(x) sequer é uma função. Na verdade,
f(x) é o que em matemática se chama uma distribuição, nesse caso particular,
chamada “função” delta de Dirac.
A “função” delta de Dirac é definida como:
  0, se x = x0
 ( x − x0 )   (A47)
= 0, se x  x0 
As propriedades mais importantes da “função” delta de Dirac são:

+
i)  −
 ( x − x0 ) = 1 (A48)
+
ii) −
f ( x) ( x − x0 ) = f ( x0 ) (A49)
Note-se que a “função” delta de Dirac não é uma função no sentido estrito da
definição desse ente matemático, porque está definida apenas em um ponto, e
nenhuma função que esteja definida em apenas um ponto pode ter uma integral
431
não nula. No entanto, na prática utiliza-se a denominação “função” delta de

Dirac.
Devido às suas propriedades, essa “função” pode então ser utilizada para
representar f(x) = (x).
Teorema 8: Se X é uma variável aleatória e C uma constante, então,
E (CX ) = CE ( X ) (A50)
• Variância de uma variável aleatória
Se o objetivo é obter a maior quantidade de informação possível dos resultados

de um experimento, em geral, a informação que dá a esperança não é suficiente.
Por exemplo, suponha que para uma variável aleatória X encontremos que E(X)
é igual a 5. Qual é o significado disso? Significa que, se considerarmos um
grande número de valores de X, e calcularmos a esperança, o resultado vai estar
tanto mais próximo de 5, quanto maior seja o número de valores obtidos para X.
Consideremos as variáveis aleatórias X e Y, definidas como nas Tabela A2:
Tabela A2- Valores de probabilidade de duas variáveis aleatórias com esperança igual
a cinco
Valores t de X 4 5 6
pX(t) 1/3 1/3 1/3
Valores t de Y 2 5 8
pY(t) 1/3 1/3 1/3
Ambas as variáveis aleatórias têm a mesma média 5, mas os valores de X estão

mais concentrados em torno da média que os de Y. Os valores de Y estão mais
dispersos. Surge então a necessidade de se ter uma propriedade que distinga
entre essas duas situações. Essa propriedade é a variância, que é definida
abaixo.
Definição 20: Seja X uma variável aleatória com esperança E(X). Definimos a
variância de X, que vamos denotar como V(X) ou  x2 ( V ( X ) =  x2 ) como:
V ( X ) = E[ X − E ( X )]2 (A51)
432
A raiz quadrada positiva de V(X) é chamada desvio padrão de X, sendo

representada como  X .
Notar que o número V(X) deve ser expresso em unidades quadradas de X. Por
exemplo, se X é medido em metros, então V(X) será expresso em (metros)2. Por
isso é que normalmente utilizamos  X , para ter as mesmas unidades de X.
Poderíamos ter definido as coisas de forma diferente, por exemplo,

V ( X ) = E X − E ( X ) . Porém, X2 uma função geralmente mais “suave” que a
função módulo, X , sendo preferível utilizar a variância tal como foi definida.
Teorema 9: Seja X uma variável aleatória com esperança E(X), então:
V ( X ) = E ( X 2 ) − [ E ( X )]2 (A52)
➢ Propriedades da variância de uma variável aleatória
Teorema 10: Se C é uma constante, então
V ( X + C) = V ( X ) (A53)
Teorema 11: se C é uma constante, então:
V (CX ) = C 2V ( X ) (A54)
Teorema 12: Se X é uma variável aleatória com variância finita, então, para
qualquer número real  :
V ( X ) = E [( X −  )2 ]− [ E ( X ) −  ]2 (A55)
➢ Esperança e variância de algumas variáveis aleatórias

discretas e contínuas
Teorema 13: Seja X uma variável aleatória com distribuição de probabilidades

binomial, com parâmetros p e n, então:
E ( X ) = np e V ( X ) = np(1 − p) (A56)
433
Teorema 14: Se X é uma variável aleatória com distribuição de Poisson com

parâmetro  , então:
E( X ) =  e V ( X ) =  (A57)
Teorema 15: Seja X uma variável aleatória contínua com fdp N (  ,  ) , então:
E( X ) =  (A58)
V (X ) =  2 (A59)
Teorema 16: Seja X uma variável aleatória com fdp exponencial com parâmetro
 , então:
1
E( X ) = (A60)

1
V (X ) = (A61)
2
• A distribuição de Poisson como uma aproximação da distribuição

binomial
Vamos considerar como exemplo (MEYER, 1970), as ligações telefônicas que

chegam numa central telefônica. No período de duas horas (120 minutos) chega
um total de 180 ligações, ou seja, 1,5 ligações/minuto. Suponha que queiramos
calcular a probabilidade de receber 0, 1, 2,... ligações durante os próximos dois
minutos.
O fenômeno “receber ligações”, pode acontecer de forma tal que, receber uma
ligação em qualquer instante, resulte tão provável como em qualquer outro
instante. Ou seja, a probabilidade é a mesma de um instante de tempo para
outro. O problema é que, ainda que o intervalo de tempo seja curto, o número de
pontos é infinito não numerável. Para podermos resolver a questão, vamos ter
que considerar uma sucessão de aproximações, que descreveremos a seguir.
Vamos considerar o intervalo de dois minutos (120 segundos) como formado por
seis subintervalos de 20 segundos cada um. Poderíamos considerar cada um
desses seis intervalos como um ensaio de Bernoulli, durante o qual observamos
uma ligação (êxito) ou nenhuma (fracasso) com P(êxito) = 1,5 x 20/60 = 0,5.
434
Poderíamos então, afirmar que a probabilidade de haver duas ligações durante

o intervalo de dois minutos (ou seja, dois êxitos em seis ensaios, com P(êxito) =
6
0,5 é igual a   (0,5)6 = 0, 234375 .
 2
No entanto, essa aproximação ignora a possibilidade de se ter duas, três ou mais

ligações durante um dos nossos ensaios com períodos de vinte segundos. Se
isso acontecer, o uso anterior da distribuição binomial não seria legítimo, porque
essa distribuição é aplicável apenas quando existe a dicotomia uma ligação ou
nenhuma ligação
Uma forma de evitar essa dificuldade seria fazer o intervalo de tempo mais curto.
Assim, vamos considerar 12 intervalos, de duração 10 segundos cada um, ao
invés de fazer 6 intervalos de 20 segundos. Podemos considerar agora nosso
experimento como 12 ensaios de Bernoulli com P(êxito) = P (receber uma ligação
durante um subintervalo) = (1,5) x 10/60 = 0,25. Então, P (receber duas ligações
12 
durante o intervalo de dois minutos) =   (0, 25) 2 (0, 75)10 . Notar que em ambas
2
as situações o valor do produto np permanece o mesmo, np= 12 x 0,25 = 6 x 0,5
= 3.
Podemos continuar indefinidamente dessa forma, aumentando o número de

subintervalos e diminuindo o valor da probabilidade, tal que o produto np
permanece constante.
O exemplo induz à seguinte pergunta: o que acontece com as probabilidades

n
binomiais   p k (1 − p)n −k se n →  e p → 0 , tal que np seja constante, ou seja,
k 
np =  ?
O cálculo a seguir vai a dar a resposta. Comecemos com a expressão geral para
a probabilidade binomial:
n n!
P( X = k ) =   p k (1 − p) n − k = p k (1 − p) n −k =
k  k !(n − k )!
n(n − 1)(n − 2)..........(n − ( k − 1)) (n − k )!
= p k (1 − p ) n − k = (A62)
k ! (n − k )!
n(n − 1)(n − 2)..........(n − k + 1) k
p (1 − p ) n − k
k!
435
Se np =  , então p =  / n , e (1 − p) = (1 −  / n) = ( n −  ) / n . Substituindo p e (1-p)

pelas expressões equivalentes em função de  , obtemos:
n(n − 1)(n − 2)..........( n − k + 1)    n −  n − k

k
P( X = k ) =   ( ) =
k! n n
 k  1  n−k
=  n(n − 1)(n − 2)..........( n − ( k − 1)) k (1 − ) (A63)
 k!  n n
Notar que no produto n(n − 1)(n − 2)..........(n − (k − 1)) temos k termos, então
P( X = k ) =
  k  n (n − 1) (n − 2) (n − ( k − 1)) 
=  .......... (1 − ) n − k
 k!  n n n n n
 k   
−
1 
−
2 
−
( k − 1)   1 −   n − k = (A64)
  (1) 1  1  ........  1 
 k !    n  n  n    n 
  k   1  2  ( k − 1)        
n −k
   1 −   1 −  ........ 1 −   1 −  1 − 
 k !   n  n  n    n  n
Para que np =  se n →  , então deve ser p → 0 , já que de outra forma np não

seria finito. Na Eq. (A64), os termos da forma 1 − 1  , 1 − 2  ,...... tenderão a 1
n  n   
 
n
quando n →  , e ademais sabemos que 1 −  → e−  quando n →  . Assim,

 n
lim P( X = k ) = e  / k ! , que é a distribuição de Poisson com parâmetro  .
− k
n →
Agora podemos enunciar o seguinte teorema.
Teorema 17: Se X é uma variável aleatória com distribuição binomial de

parâmetros n e p, dada por:
n
P( X = k ) =   p k (1 − p) n − k (A65)
k 
sendo que quando n →  , p → 0 , np →  , então, nessas condições:
436
e−   k
lim P( X = k ) = (A66)
n → k!
que é a distribuição de Poisson com parâmetro  .
Em resumo, sempre podemos aproximar uma distribuição binomial por uma

distribuição de Poisson, na condição de que n seja grande e p pequeno.
Notar que, quando X tem uma distribuição binomial com parâmetros n e p, temos
que E(X)= np, mas se lim
n →
( np ) →  e X pode ser aproximada por uma distribuição
p →0
de Poisson com parâmetro  , então E ( X ) =  .
A6- Funções de Variáveis Aleatórias
Suponha que queremos determinar a densidade de uma esfera fabricada com

um certo aço, e para isso precisamos determinar o volume, dado por
2
4 D
V =    . Se o diâmetro da esfera é uma variável aleatória com fdp f, é
3 2
evidente que V também deverá sê-lo, como sugere a Figura A10. Nesse caso,
seja v a fdp da variável aleatória que representa o volume da esfera.
Figura A10- Diagrama de Venn de uma função de variável aleatória no caso do volume
de uma esfera a partir do diâmetro.
D D : diâmetro V V : volume
E : esfera
e
D(e) = d V(d) = v
Seria desejável poder obter v a partir de f, mas para isso são necessários alguns
conceitos que passamos a enunciar a seguir.
437
Eventos equivalentes
Seja  um certo experimento associado ao espaço amostral  , e X uma variável

aleatória definida em  . Se y = G(x) é uma função real de x, então, Y = G(X(e)) é
uma variável aleatória. Isso deveria ficar evidente observando a Figura A11.
Figura A11- Diagrama de Venn de função de variável aleatória
X Y
E RX RY
e
X(e) = x Y = G(X(e)) = y
Notar que para cada e  E é determinado um valor de Y, tal que Y= G[X(e)].
Definição 21: Sejam X e Y duas variáveis aleatórias relacionadas como no

exemplo anterior (densidade da esfera). Se G é um evento (ou subconjunto) de
RY, e H um subconjunto de valores de RX, tais que Y ( H )  G , então G e H são
denominados eventos equivalentes.
Definição 22: Se X é uma variável aleatória definida no espaço amostral  , com

imagem RX , e T é uma função real, tal que a variável aleatória Y = T(X) tem
imagem RY, então, para qualquer evento U  RY , definimos a probabilidade P(U)
como P(U ) = P  x  RX T ( x) U  .
Em outras palavras, um evento associado com a imagem Y tem a mesma

probabilidade que o evento equivalente em termos de X. Então, se sabemos a
distribuição de probabilidades de X e conhecemos o evento equivalente de Y,
poderemos calcular as probabilidades relacionadas a Y.
Utilizando as relações dadas nas equações (A21) e (A22), que relacionam as

probabilidades associadas a RX com as probabilidades associadas a  , podemos
escrever:
P(U ) = P  x  RX T ( x) U  = P e   T ( X (e)) U  (A67)
438
Desde o ponto de vista estritamente formal, o espaço amostral do experimento

é  , e o resultado do experimento é e. Os cálculos que são feitos posteriormente,
não afetam a natureza aleatória do experimento, ou seja, obter x = X(e) e y =
G(x) são processos estritamente determinísticos, uma vez que e foi observado.
No entanto, esse cálculo permite que, a descrição de nosso experimento, possa
associar-se diretamente ao contradomínio RY, ou seja, permite considerar RY
como o espaço amostral do nosso experimento.
Exemplo: Seja X uma variável aleatória contínua com fdp:
g ( x) = 2e−2 x , x0 (A68)
Resulta evidente que RX =  x x  0 . Se ademais, y = G ( x) = x 2 + 2 , então,
R Y =  y y  2 . Supondo que o evento G é definido como G = Y  11 , então

y  11 se e somente se, x 2 + 2  11 , com o qual x  3 (lembrando que x  0 ).

Então G é equivalente a H =  X  3 . Isso significa que P( X  3) = 2 e−2 x dx = 6
1
3
e
1
, então P (Y  11) = .
e6
O apresentado para o caso de variáveis aleatórias contínuas, também se aplica

às variáveis aleatórias discretas. Nesse caso, se X é uma variável aleatória
discreta que pode tomar os valores x1 , x2 ,...xn ,... , podemos enumerar os
possíveis valores de Y = G(X) como: y1 = G ( x1 ); y2 = G ( x2 ),... . Então se deduz que
Y também é uma variável aleatória discreta.
Agora apresentamos um teorema importante.
Teorema 18: Se X é uma variável aleatória contínua com fdp f, tal que f(x) > 0 no
intervalo [a, b], e y = G(x) é uma função monotônica de x (estritamente crescente
ou decrescente), derivável para todo x, então, a variável aleatória Y definida
como Y = G(X) tem fdp g dada por:
dx
g ( y ) = f ( x) (A69)
dy
439
onde x aparece como uma função de y. Se G é crescente então g é diferente de

zero para todos os valores de y, sempre que G(a) < y < G(b), e se G é
decrescente, então g é diferente de zero para os valores de y que estão no
intervalo G(b) < y < G(a).
Esperança de uma função de variável aleatória
Foi definida anteriormente a esperança de uma variável aleatória X. Quando

temos que Y = G(X), foi mostrado que Y é também uma variável aleatória, e
portanto, terá uma distribuição de probabilidades. Queremos agora determinar a
esperança E(Y).
Definição 23: Se X é uma variável aleatória, e Y = H(X), então:
a) Se Y é uma variável aleatória discreta com valores possíveis y1 , y2 ,... , tal que
conhecemos os valores P(Y = yi ) , definimos:

E (Y ) =  yi P(Y = yi ) (A70)
i =1
b) Se Y é uma variável aleatória contínua com fdp g, definimos:

+
E (Y ) =  y g ( y) dy (A71)
−
Dessa definição surge um problema: para poder obter E (Y ) é necessário

conhecer a fdp de Y. Seria possível conhecer E(Y), sem obter primeiro a fdp de
Y, ou seja, a partir da fdp de X ? A resposta é afirmativa, como mostra o seguinte
teorema.
Teorema 19: Seja X uma variável aleatória e seja Y = G(X).
i) Se X é uma variável aleatória discreta tal que p ( xi ) = P( X = xi ) , então:

E (Y ) = E (G ( X )) =  G ( x j ) p( x j ) (A72)
j =1
440
ii) Se X é uma variável aleatória contínua com fdp f, então:

+
E (Y ) = E ( G ( X ) ) =  G(x ) f ( x) dx (A73)
−
Esse teorema simplifica o cálculo da esperança, pois basta conhecer a fdp de X,

sem precisar determinar a fdp de Y.
Variáveis aleatórias bidimensionais e de maior dimensão
O conceito de distribuição pode estender-se a variáveis aleatórias n-

dimensionais. Vamos a trabalhar com o caso n = 2 como exemplo, para
prosseguir aos casos de n > 2.
Definição 24: Se X e Y são duas variáveis aleatórias definidas em um espaço

amostral comum  , tal que os valores no ponto genérico e   fica definido
pelos números reais X(e) e Y(e), então (X, Y) é denominada variável aleatória
bidimensional (Figura A12).
Figura A12- Diagrama de Venn de variáveis aleatórias bidimensionais

X
e X(e)
Y(e)
No caso geral n-dimensional, temos n funções aleatórias X 1 ; X 2 ;........; X n que

associam a cada elemento genérico e   , os números reais
X 1 (e); X 2 (e);........; X n (e) . Então, denominamos ( X 1 , X 2 ,..., X n ) como uma
variável aleatória n-dimensional.
Assim como as variáveis aleatórias unidimensionais podem ser discretas ou

contínuas, também o serão as variáveis bi e n dimensionais.
441
Definição 25: Se os possíveis valores de variável aleatória bidimensional (X, Y)

são finitos ou infinitos numeráveis, então (X, Y) é uma variável aleatória
bidimensional discreta, com os possíveis valores da mesma representados como
( xr , ys ), r = 1, 2,...n,...; s = 1, 2,...m,...
Se (X, Y) puder assumir todos os valores em um conjunto não numerável do

plano cartesiano, então (X, Y) é uma variável aleatória bidimensional contínua
Por exemplo, é o caso se (X, Y) assumir todos os valores do anel definido por
( x, y) a  x 2 + y 2  b .
Se, como resultado de um experimento aleatório, medimos duas caraterísticas

numéricas X e Y, então (X, Y) é uma variável aleatória bidimensional.
Definição 26:
a) Se cada resultado possível ( xr , ys ) de uma variável bidimensional (X, Y) tem

associado um número p ( xr , ys ) , que representa a probabilidade
P( X = xr , Y = ys ) tal que satisfaz as seguintes propriedades:
i) p( xr , ys )  0 , para todo ( xr , ys )  imagen de ( X , Y ) (A74)
 
ii)   p( x , y
r =1 s =1
r s ) =1 (A75)
Então a função p chama-se função de probabilidade de (X, Y), e a terna

( xr , ys , p ( xr , ys )), r, s = 1, 2,... chama-se distribuição de probabilidades de (X, Y).
b) Se (X, Y) é uma variável aleatória bidimensional contínua (X, Y), que assume
todos os valores na região T do plano cartesiano, e se a função f satisfaz as
seguintes condições:
iii) f ( x, y )  0 para todo ( x, y )  T (A76)
iv)  f ( x, y)dxdy= 1
T
(A77)
Então f é a função de densidade de probabilidade conjunta de (X, Y).
442
Definição 27: Se W = G(X, Y) é uma função real da variável aleatória

bidimensional (X, Y), então W é uma variável aleatória unidimensional com
esperança E(W) definida como:
i) No caso de W ser uma variável aleatória discreta, que pode assumir valores
w1 , w2 ,... , tal que p( wi ) = P (W = wi ) , então:

E (W ) =  wi p( wi ) (A78)
i =1
ii) No caso de W ser uma variável aleatória contínua com fdp g, então:
+
E (W ) =
−
 wg (w)dw (A79)
iii) Se (X, Y) é discreta e se p( xi , y j ) = P( X = xi , Y = y j ), i, j = 1,2,... , então:

 
E (W ) =   G ( x , y ) p( x , y )
i i i i (A80)
i =1 i =1
iv) Se (X, Y) é contínua com fdp conjunta f, então:

+ +
E (W ) =   G( x, y) f ( x, y)dxdy
− −
(A81)
Teorema 20: Se U = G1 ( X , Y ) e V = G2 ( X , Y ) são duas funções de uma variável

aleatória bidimensional (X, Y) com distribuição de probabilidades conjunta, então:
E (U + V ) = E (U ) + E (V ) (A82)
Teorema 21: Se X 1 ,..., X n são n variáveis aleatórias quaisquer, então:
E ( X 1 + ... + X n ) = E ( X 1 ) + ...E ( X n ) (A83)
Teorema 22: Se (X, Y) é uma variável aleatória bidimensional tal que X e Y são
independentes, então:
i) E ( XY ) = E ( X ) E (Y ) (A84)
ii) V ( X + Y ) = V ( X ) + V (Y ) (A85)
443
A7- Propagação de Incertezas
Expressões aproximadas para a esperança e a variância
Foram apresentados até aqui os cálculos de E(Y) ou V(Y) quando Y = H(X), e

vimos que é possível trabalhar diretamente com a distribuição de probabilidades
de X, sem necessidade de conhecer a distribuição Y. Também foi mostrado que
quando W = G(X, Y), os valores de E(W) e V(W) podem ser obtidos sem que seja
necessário determinar a distribuição de W.
Porém, a função G pode ser muito complicada e levar a somas ou integrais

complexas para o cálculo da esperança e da variância. Surge então a
necessidade de se ter alguma aproximação que permita utilizar equações mais
simples. Assim, podem ser de utilidade as aproximações apresentadas a seguir,
que essencialmente se baseiam na expansão em série de Taylor de funções.
Teorema 23: Se X é uma variável aleatória com E ( X ) =  e V ( X ) =  2 , tal que

Y = G(X), sendo G duas vezes derivável em x =  , então:
G "( ) 2
E (Y ) G( ) +  (A86)
2
V (Y ) [G '( )] 2 (A87)
Teorema 24: Sendo (X, Y) uma variável aleatória bidimensional, com X e Y

independentes, tal que E ( X ) =  x , E (Y ) =  y , V ( X ) =  x2 e V (Y ) =  y2 . Se W =
G(X, Y), então:
1   2G  2G 
E (W ) G ( x ,  y ) +  2
+  2
 (A88)
2  x 2  , x
y 2  , y

x y x y 
2
 
2
 G 
V (W )    x2 +  G   y2 (A89)
 x  x   y  y 
 
444
Para o caso geral de uma função de n variáveis aleatórias independentes

W = G ( X 1 ,..., X n ) . Se E ( X i ) = i , V ( X i ) =  i2 , supondo que todas as derivadas
existam, obtemos as seguintes aproximações:
1 n   2G 
E (W ) G(1,......, n )] +   2  i2 (A90)
2 i =1   xi  
i 
2
n  G 
V (W )  
i =1  xi
  i2

(A91)
 i 
Essas duas últimas equações da variância (A89) e (A91) são as equações de

propagação de incertezas utilizadas no cálculo da incerteza padrão combinada
(Item 3.5). Por exemplo, suponha que temos um circuito simples no qual
queremos calcular a potência dissipada em um resistor pelo qual circula uma
corrente I, gerando uma tensão U. Isso é expresso pela lei de Joule P = U I, onde
U e I são variáveis aleatórias independentes. Então P é uma variável aleatória
tal que, utilizando as equações anteriores, podemos obter as seguintes
expressões aproximadas para a esperança e a variância:
E ( P) E (U ) E ( I ) e
V ( P) [ E (U )]2 V ( I ) + [ E ( I )]2 V (U ) (A92)
Vale lembrar que, para o caso n-dimensional, a expansão em série de Taylor é

dada por:
n
 f  1 n  2 f 
f ( x) f ( x0 ) +    ( x − x ) +    ( xi − x0i )( x j − x0 j ) +
i =1  xi  i , j =1  xi x j
i 0i
x = x0
2  x = x0
1 n  3 f 
+    ( xi − x0i )( x j − x0 j )( xk − x0 k ) + ........
3! i , j ,k =1  xi x j xk  x = x0
(A93)
Para entender as equações aproximadas apresentadas acima valem as

seguintes considerações:
a) Para o cálculo da esperança, a expansão em série de Taylor está sendo

considerada apenas até o termo de derivada de segunda ordem.
b) A esperança de ( xi − x0i ) é E ( xi − x0i ) = E ( xi ) − E ( x0i ) = i − i = 0 . Então, os

termos proporcionais às derivadas primeiras são sempre nulos.
445
c) A esperança dos termos que correspondem às derivadas parciais cruzadas é

proporcional a:
E ( xi − x0i ) E ( x j − x0 j ) = [ E ( xi ) − E ( x0i )][ E ( x j ) − E ( x0 j )] = [ i − i ][  j −  j ] = 0 , ou
seja, esses termos serão sempre nulos nas somatórias que envolvem as
derivadas segundas.
d) Os termos que envolvem derivadas segundas e que não são nulos, são
proporcionais a E[( xi − x0i ) ] = E[( xi − i ) ] = V ( X ) =  .
2 2 2
e) Nas equações aproximadas da esperança, geralmente é considerada apenas

a aproximação até primeira ordem, ou seja, os termos proporcionais às derivadas
segundas são desconsiderados.
f) Nas equações das variâncias estamos considerando que V [ f ( x0 )] =

V(constante) = 0. Logo, o primeiro termo não nulo é o que corresponde às
derivadas primeiras.
g) Nos termos proporcionais às derivadas primeiras, estamos considerando:
2 2
 f    f    f  
V   ( x − x )  =     V ( x − x ) =    [V ( xi ) − V ( x0i )] =
 xi  x = x0   xi  x = x0   xi  x = x0 
i 0i i 0i
2 2 2
 f    f    f  
=   − =   =    i
2
 [V ( x ) 0]   V ( x )
 xi  x = x0   xi  x = x0   xi  x = x0 
i i
(A94)
h) Finalmente, nas equações aproximadas das variâncias, estamos

desconsiderando os termos que correspondem às derivadas segundas e os que
têm derivadas de ordem superior.
Desigualdade de Chebyshev
Como foi mencionado anteriormente, um valor pequeno da variância implica que

é pouco provável que os valores de uma variável aleatória X se desviem
significativamente do valor esperado ou esperança.
Sabemos calcular E(X) e V(X) se conhecermos a fdp de uma variável aleatória X.

Porém, a recíproca, que seria obter a fdp conhecendo-se E(X) e V(X), não é
verdadeira, tornando impossível calcular quantidades como P  X − E ( X )   C .
446
No entanto, o que sim é possível, é colocar um limite, superior ou inferior, que

resulta de grande utilidade para o tratamento desse tipo de probabilidade. Tal
resultado é conhecido como desigualdade de Chebyshev, devida ao matemático
russo Pafnuti Chebyshev (ou Tchebychev, 1821-1894), e expressa de forma
precisa essa ideia.
Teorema 25: Se C  e X é uma variável aleatória com E ( X ) =  , então, se

E ( X − C ) 2 é finita, e  é qualquer número positivo, então:
1
P  X − C     2 E ( X − C )2 (A95)

As seguintes são formas alternativas de expressar a equação (A95):
a) Considerando o evento complementar X’, obtemos:
1
P  X '− C     1 − 2 E ( X − C ) 2 (A96)

b) No caso particular C =  , obtemos:
V (X )
P  X −      (A97)
2
c) Se c =  e  = k , onde  2 = V ( X )  0 , obtemos:
P  X −   k   k −2 (A98)
Nessa última equação é possível ver com clareza como a variância é uma
medida da concentração da probabilidade em torno de E ( X ) =  .
Teorema 26: se V ( X ) = 0 , então P ( X =  ) = 1 (  = E ( X ) ).
Ou seja, o teorema mostra que uma variância nula concentra a probabilidade no

ponto E(X). Por outro lado, se E(X) = 0, então V ( X ) = E ( X 2 ) , portanto, nesse
caso, E ( X 2 ) = 0 implica o mesmo resultado. Diz-se que uma variável aleatória é
degenerada quando toma apenas um valor com probabilidade 1.
447
Lei dos grandes números
O conceito encerrado nessa Lei é de grande importância para a validade dos

valores atribuídos, tanto aos resultados experimentais, como às suas incertezas.
Anteriormente, foi definido o conceito de frequência relativa de um evento S, e
foi comentado que, quando o número de repetições do experimento que
determina esse evento é grande, o valor da frequência relativa de S, aproxima-
se da probabilidade teórica P(S). Isso permite relacionar a frequência relativa de
um evento, fS, com sua probabilidade P(S), a condição de ter um grande número
de repetições do experimento. A Lei dos grandes números é também
consequência da desigualdade de Chebyshev.
Teorema 27 (Lei dos grandes números): Sejam X 1 ,..., X n n variáveis aleatórias

independentes, tal que todas têm distribuições de probabilidade idênticas, ou
seja, E ( X i ) =  e V ( X i ) =  2 . Definimos X = 1 ( X 1 + ....... X n ) , ou seja, X é a
n
média aritmética de X 1 ,..., X n , e como tal, é uma função das n variáveis aleatórias
X 1 ,..., X n , e em consequência, também é uma variável aleatória. Calculando a
2 .
esperança e variância de X , obtemos que E ( X ) =  e V ( X ) =
n
Aplicando a desigualdade de Chebyshev à variável aleatória X obtemos:
 k  1
P X −    1− k 2 (A99)
 n
n
onde k =  , e é um número real positivo, e então k = . Assim, podemos
n 
escrever:
2
P  X −      1 − 2 (A100)
 n
Notar que quando n →  , 2 → 0 e 1 − 2 → 1 . Nesse sentido, a média

2 2
 n  n
aritmética dos valores obtidos converge para o valor da esperança E ( X ) .
Teorema do Limite Central
Se uma variável aleatória X pode ser representada como uma soma de n

variáveis aleatórias independentes quaisquer, satisfazendo certas condições
que são válidas na maioria das situações práticas, então, a soma, para n
448
suficientemente grande, estará distribuída na forma aproximadamente normal ou

gaussiana. Esse resultado notável está formalizado no teorema a seguir.
Teorema 28 (Teorema do Limite Central): Se X 1 , X 2 ,..., X n .... é uma sucessão

de variáveis aleatórias independentes com E ( X i ) = i e V ( X i ) =  i2 , i = 1, 2,....,
e se X = X 1 + X 2 + ... + X n , então em certas condições gerais (que não serão
descritas aqui), a variável:
n
X −  i
Wn = i =1 (A101)
n

i =1
i
2
tem, aproximadamente, a distribuição normal N (0,1) . Ou seja, se Gn é a fda da

variável aleatória Wn, temos que lim Gn ( w) = ( w) .
n →
A forma apresentada do Teorema do Limite Central expressa também que a

média aritmética X = 1 ( X 1 + ....... X n ) de n observações da mesma variável
n
aleatória, tem aproximadamente uma distribuição normal, desde que n seja
grande.
Até agora, temos focalizado em associar certos parâmetros como E(X) e V(X)
com uma determinada distribuição de probabilidades unidimensional. Esses
parâmetros medem, nos sentidos descritos anteriormente, caraterísticas
importantes da distribuição. O mesmo acontece para uma variável aleatória
bidimensional.
O coeficiente de correlação
Se temos uma variável aleatória bidimensional, queremos definir um parâmetro

que permita dar uma medida do grau de associação entre X e Y, mas que não
seja apenas uma extensão dos parâmetros E(X) e V(X) do caso unidimensional.
Para isso apresentamos a seguinte definição.
Definição 28: Se (X, Y) é uma variável aleatória bidimensional, definimos o

coeficiente de correlação entre X e Y, nomeado como  XY , como:
E  X − E ( X )Y − E (Y ) 
 XY = (A102)
V ( X )V (Y )
449
O numerador de  XY : E  X − E ( X ) Y − E (Y )  , é chamado de covariância de X

e Y.
O coeficiente de correlação carece de dimensões, ou seja, é uma quantidade

adimensional.
Teorema 29: Podemos expressar o coeficiente de correlação também da

seguinte forma equivalente:
E ( XY ) − E ( X ) E (Y )
 XY = (A103)
V ( X )V (Y )
Teorema 30: Se X e Y são independentes, então o coeficiente de correlação é

nulo:  XY = 0.
Teorema 31: O coeficiente de correlação toma os valores no intervalo [-1,1]:
−1   XY  1 (A104)
Teorema 32: Suponha que  XY

2
= 1 . Então, Y = A X+B, sendo A e B constantes.
Ou seja, se o coeficiente de correlação  XY = 1 , então Y é uma função linear
de X, com coeficientes constantes
Teorema 33: Suponha que X e Y são duas variáveis aleatórias para as quais Y
= A X + B, com A e B constantes. Então, se A > 0,  XY = +1, e se A < 0,  XY
= -1.
Algumas propriedades importantes da distribuição gaussiana
Teorema 34: Se X é uma variável aleatória com distribuição N (  ,  2 ) , e se

ademais:
Y=aX+b (A105)
então Y tem a distribuição: N (a  + b, a 2 2 ) (A106)
Corolário: Se X tem distribuição N (  ,  2 ) e se:
X −
Y= (A107)

450
então Y tem distribuição: N (0,1) (A108)
Teorema 35: Se X 1 , X 2 ,..., X n são n variáveis aleatórias independentes com

distribuição N ( i ,  i ) , i = 1, 2,........, n, então a variável aleatória
W = X 1 + X 2 + ... + X n tem distribuição:
 n n

N   i ,  i 2  (A109)
 i =1 i =1 
A8- Amostras Aleatórias
Suponhamos que queremos determinar o número de fótons que chegam a um

certo detector. Sabemos que a fdp que descreve esse tipo de fenômeno é a
distribuição de Poisson, dada por:
e − t ( t )
k
P( X = k ) = , k = 0, 1,....., n,......., (A110)

k!
Assim, a variável aleatória X, que descreve o número de fótons recebidos em um

tempo t, tem distribuição de Poisson com parâmetro  t .
Para se utilizar tal modelo probabilístico na descrição desse fenômeno,

obviamente precisamos conhecer o valor de  . Sabemos que X tem uma
distribuição de Poisson com parâmetro  t , mas se queremos saber, por
exemplo, P(X > 50), precisamos conhecer o valor de  . Para poder conseguir
um valor numérico de  , só temos os valores numéricos de X. Como podemos
utilizá-los, de alguma forma, para conseguir alguma informação quantitativa de
?
Para que as ideias fiquem mais claras, consideremos o seguinte exemplo não
probabilístico. Seja o caso em que queremos obter o índice de refração de um
certo vidro, e temos para isso um prisma em forma de cubo de lado igual a 2cm.
Utilizando a Lei de Snell e observando para que ângulo de incidência em uma
das faces do prisma temos reflexão interna total é possível obter o índice de
refração do vidro a partir da equação:
451
sen c = nV (A111)
Ou seja, o índice de refração do vidro nV é função do ângulo crítico  c , o qual

deverá ser medido para se obter a resposta ao problema. Torna-se evidente que
o modelo que leva a estabelecer a relação matemática que descreve o fenômeno
resulta completamente independente dos meios que utilizemos para medir o
ângulo crítico  c . Ou seja, não conseguimos saber o valor de nV apenas a partir
do modelo. Temos que efetuar alguma medição experimental para obter nV.
Quando utilizamos modelos probabilísticos, também será necessário ingressar

no universo empírico, fazer algumas medições, e utilizar esses valores
numéricos experimentais para calcular de alguma forma, os parâmetros que
definem o modelo probabilístico utilizado.
Definição 29: Um conjunto de n observações de um certo evento, representadas

pelas variáveis aleatórias X 1 , X 2 ,..., X n , constituem uma amostra aleatória se:
i) As n variáveis aleatórias X 1 , X 2 ,..., X n são independentes.
ii) Todas as X 1 , X 2 ,..., X n tem a mesma fdp.
Em outras palavras, uma amostra aleatória de tamanho n de uma variável

aleatória X, corresponde a n medições repetidas de X, feitas todas nas mesmas
condições. Vale aclarar que, no melhor dos casos, em uma situação real, a
restrição descrita como “mesmas condições” só pode ser obedecida de forma
aproximada. O importante é que, em condições reais, as pequenas diferenças
que possam existir nas condições de realização do experimento tenham pouca
ou nenhuma influência no resultado.
Por exemplo, se tomamos a variável aleatória que representa a resistência de

um cabo de alta tensão utilizado para instalações de transporte de energia
elétrica em torres ao ar livre, temos que considerar que as variações de
temperatura que acontecem entre o dia e a noite vão gerar variações no valor da
resistência. Para ter uma amostra aleatória consistente, devemos efetuar n
repetições nas condições diurnas, e m nas condições noturnas.
Se X é uma variável aleatória discreta, tal que p ( xi ) = P( X = xi ) , e tomarmos uma

amostra aleatória X 1 , X 2 ,..., X n , então:
P[ X 1 = x1 ,... X n = xn ] = p ( x1 ). p ( x2 )... p ( xn ) (A112)
Notar que o resultado obtido está baseado na independência das Xi.
452
No caso de uma amostra aleatória de uma variável aleatória contínua, com fdp f,
a fdp conjunta h pode ser escrita como:
h( x1 ,..., xn ) = f ( x1 ). f ( x2 )... f ( xn ) (A113)
Notar que as letras maiúsculas são utilizadas para as variáveis aleatórias, e as

minúsculas para os valores numéricos da variável aleatória. Assim, os valores
que toma uma amostra ( X 1 , X 2 ,..., X n ) são representados por ( x1 , x2 ,..., xn ) .
Parâmetros Estatísticos
Vamos introduzir o conceito de estatístico ou parâmetro estatístico (JOHNSON,

2018). A ideia visa resolver a questão sobre o que fazer com os valores obtidos
de uma amostra aleatória. Obviamente queremos fazer alguma inferência em
relação ao conjunto representado pela amostra aleatória, especialmente sobre a
distribuição de probabilidades da variável aleatória da qual estamos tomando a
amostra, em particular, sobre os parâmetros que caracterizam a fdp, que em
geral são desconhecidos. Por exemplo, em uma distribuição normal, é
interessante poder inferir, ou calcular, os valores de  e  , a partir da amostra
aleatória. Definamos então o seguinte conceito de estatístico.
Definição 30: Seja uma amostra aleatória ( X 1 , X 2 ,..., X n ) de uma variável

aleatória X, tal que toma os valores ( x1 , x2 ,..., xn ) . Se G é uma função definida
para ( x1 , x2 ,..., xn ) , definimos como parâmetro estatístico, ou simplesmente
estatístico, a função Y = G ( X 1 , X 2 ,..., X n ) , que terá valor numérico
y = G ( x1 , x2 ,..., xn ) .
Um estatístico é obviamente uma variável aleatória, já que é uma função de

variáveis aleatórias. Isso justifica que um estatístico tenha uma distribuição de
probabilidades. Nesse caso costumamos falar de distribuição amostral.
Alguns estatísticos importantes
Definição 31: Se ( X 1 , X 2 ,..., X n ) é uma amostra aleatória da variável aleatória X,

as seguintes quantidades são estatísticos importantes:
1 n
i) X =  Xi
n i =1
(A114)
chama-se média amostral.
453
1 n
ii) S =
2

(n − 1) i =1
( X i − X )2 (A115)
chama-se variância amostral (será explicado porque dividimos por (n-1) ao invés
de n).
iii) K = mín( X 1 , X 2 ,..., X n ) chama-se mínimo da amostra.
iv) M = máx( X 1 , X 2 ,..., X n ) chama-se máximo da amostra.
Os valores extremos de uma amostra podem ser de grande interesse. Por

exemplo, na construção de uma central hidroelétrica, queremos saber os valores
máximo e mínimo de consumo de energia elétrica ao longo dos últimos anos,
das cidades que essa central irá alimentar.
Teorema 36: Se X é a média amostral de uma variável aleatória, com

esperança E ( X ) =  e variância V ( X ) =  2 , então:
i) E( X ) =  (A116)
2
ii) V( X ) = (A117)
n
iii) Se a amostra tem tamanho n, tal que n →  , a distribuição:
( X − )
→ N (0,1) (A118)
/ n
O teorema indica como a variação de X tende a zero, à medida que n → .
Teorema 37: Se ( X 1 , X 2 ,..., X n ) é uma amostra aleatória de uma variável

aleatória X tal que E ( X ) =  , V ( X ) =  2 . Então, a quantidade:
1 n
( Xi − X )
2
S = 2
(A119)
n − 1 i =1
tem a seguinte propriedade (onde X é a média amostral):
E (S 2 ) =  2 (A120)
454
Estimação de parâmetros
Queremos agora poder estimar os parâmetros que definem a distribuição de

probabilidades de uma variável aleatória X, a partir de uma amostra aleatória
( X 1 , X 2 ,..., X n ) . Algumas perguntas surgem naturalmente: Existirá algum
estatístico particular que permita fazer isso? Será possível utilizar a amostra para
calculá-lo? Qual deverá ser o tamanho da amostra? Que propriedades deve ter
um “bom” estimador? Se temos dois estimadores para o mesmo parâmetro, qual
será o “melhor”?
Por exemplo, consideremos uma empresa que produz leds para os semáforos
de uma cidade, e tomemos um lote de 500.000 leds vermelhos. Qual
porcentagem, desses 500.000, corresponderá a leds defeituosos? Obviamente,
para responder essa pergunta não deveria ser necessário testar o lote inteiro;
seria desejável poder estimar essa porcentagem tomando uma amostra aleatória
de n leds. Tal tipo de situação pode ser descrita através de uma distribuição
binomial, considerando a associação P ( X i = 1) = p , como a probabilidade do i-
ésimo led da amostra apresentar falha, e P( X i = 0) = (1 − p ) como a probabilidade
do componente funcionar corretamente. Podemos utilizar a amostra
( X 1 , X 2 ,..., X k ) de alguma maneira para estimar o parâmetro p?
No caso do exemplo, deve ficar claro que nunca será possível obter o valor exato
de p, já que isso implicaria testar os 500.000 leds! Ou seja, a ideia será estimar
o valor de p (nomeamos o valor estimado de p como p̂ ), com os valores limitados
da amostra.
Devemos achar alguns critérios que permitam decidir qual é o “melhor”

estimador, para decidir quando um estimador é preferível a outro.
Critérios para estimadores
Precisamos dos seguintes conceitos para poder gerar os critérios desejados.
Definição 32: Seja X uma variável aleatória que tem uma fdp que depende dos
parâmetros 1 , 2 ,...l , e ( X 1 , X 2 ,..., X n ) uma amostra aleatória tal que
( x1 , x2 ,..., xn ) são os valores amostrais correspondentes.
g1 ( X 1 , X 2 ,..., X n ), g 2 ( X 1 , X 2 ,..., X n ),...., g l ( X 1 , X 2 ,..., X n ) são funções da amostra
que serão utilizadas para estimar 1 , 2 ,...l , chamamos
g1 ( X 1 , X 2 ,..., X n ), g 2 ( X 1 , X 2 ,..., X n ),...., g l ( X 1 , X 2 ,..., X n ) de estimadores de
1 , 2 ,...l
455
Os valores numéricos que as gi assumem, gi ( x1 ,......, xn ), i = 1,...., l , serão os

valores dos estimadores ˆi = gi ( x1 ,......, xn ), i = 1,..., l .
Definição 33: O estimador ˆ do parâmetro desconhecido  , associado à

distribuição da variável aleatória X, é chamado estimador não enviesado de  ,
se e somente se, E (ˆ) =  para todo  .
Em outras palavras, não enviesado significa que o valor médio do estimador

estará perto do valor verdadeiro do parâmetro. Em geral, iremos preferir um
estimador não enviesado.
É possível encontrar mais de um estimador não enviesado para um parâmetro

desconhecido. As seguintes definições estabelecem certos critérios para fazer a
“melhor” escolha.
Definição 34: Um estimador ˆ1 de  é um estimador mais “eficiente” que outro

estimador ˆ2 se:
i) ˆ1 é ˆ2 são ambos estimadores não enviesados de  .
ii) A variância de ˆ1 , V (ˆ1 ) , é menor que a variância V (ˆ2 ) de ˆ2 , ou seja,
V (ˆ1 )  V (ˆ2 ) , para todo ˆ2 . Nesse caso, dizemos que ˆ1 tem variância mínima.
Ter um estimador não enviesado com variância mínima implica que o valor do
estimador estará “próximo” do valor verdadeiro do parâmetro estimado.
Para explicitar a dificuldades que podem aparecer na escolha dos estimadores,

vejamos a situação apresentada nas Figuras A13 e A14. Na primeira, temos os
estimadores ˆ1 e ˆ2 de  . Ambos são não enviesados, já que E (ˆ1 ) =  e
E (ˆ2 ) =  , mas V (ˆ2 )  V (ˆ1 ) , e por essa última característica, vamos preferir
ˆ2 a ˆ1 , por ter variância mínima. Na segunda, a escolha não é tão simples.
Temos um estimador não enviesado que é ˆ3 , que tem uma variância grande, e
outro estimador enviesado, ˆ4 , que possui uma variância pequena. A questão
é, nessa situação, qual é mais conveniente, ˆ3 ou ˆ4 ?
456
Figura A13- Exemplo de estimadores não enviesados
g (ˆ2 )
h(ˆ1 )

Figura A14- Exemplo de estimador enviesado
g (ˆ4 )
h(ˆ3 )

457
Para poder ter mais elementos que ajudem na escolha do estimador mais
conveniente, definimos outra propriedade dos estimadores.
Definição 35: Um estimador ˆ de  é consistente se satisfaz:
lim P  ˆ −     = 0 ,   > 0, (A121)

n →  
ou se:
lim P  ˆ −     = 1 ,   > 0. (A122)

n →  
Em outras palavras, um estimador é consistente se, ao aumentar tamanho da

amostra, o estimador se aproxima do valor de  .
Para complementar a definição anterior, caso não seja direto verificar a

convergência, segue o seguinte teorema.
Teorema 38: Se ˆ é um estimador (enviesado ou não) de  , e se satisfaz as

condições lim E (ˆ) =  e lim V (ˆ) = 0 , então ˆ é um estimador consistente de 
n → n →
Definição 36: Dizemos que ˆ é um estimador linear de  se ˆ é uma

combinação linear da amostra aleatória ( X 1 , X 2 ,..., X n ) , ou seja:
n
ˆ =  ai X i , ai  (A123)
i =1
Exemplos
1) No exemplo dos leds, vamos supor que a amostra aleatória ( X 1 , X 2 ,..., X n )

revela que temos l leds que não funcionam. Lembrando que Xi = 1 se o led não
funciona, e Xi = 0 se funciona, a soma dos n resultados da amostra será igual a
n
l, ou seja, Z = X
i =1
i = l , sendo que Z, por ser uma soma dos Xi, também é uma
variável aleatória, e tal como foi descrito o problema, também é binomial. O

estimador mais simples para p seria um número que desse a proporção de leds
Z
defeituosos, ou seja, ˆ =
p . Se aplicarmos os critérios desenvolvidos
n
458
previamente, será que o estimador definido p̂ , é um bom estimador de p?

Primeiro calculamos a esperança de p̂ ,
Z 1
E ( pˆ ) = E   = (np) = p (A124)
n n
então, p̂ é um estimador não enviesado de p. Agora calculamos a variância:
Z 1 p(1 − p)
V ( pˆ ) = V   = 2 (np)(1 − p) = (A125)
n n n
que obviamente satisfaz a condição V ( p) → 0 quando n →  . Portanto, p̂

também é um estimador consistente de p. Ambos os resultados implicam que o
estimador p̂ é um “bom” estimador de p.
Teorema 39: Se X é a média amostral de uma variável aleatória X que tem

esperança  e variância  2 , então X é um estimador não enviesado e
consistente de  .
Nota-se que a média amostral é uma função linear da amostra, já que é da forma
a1 X 1 + a2 X 2 + ... + an X n , com a1 = a2 = .... = an = 1/ n . É fácil provar que se os
n
coeficientes ai satisfazem a condição a
i =1
i = 1 , o estimador dado por
n
ˆ =  ai X i ainda é um estimador não enviesado de  . Será que existe alguma
i =1
n
escolha particular dos ai, respeitando a condição a
i =1
i = 1 , que resulte em uma
variância mínima? A resposta é afirmativa, e o valor dos ai que resulta em uma

variância mínima é ai = 1/ n, i.
Esse resultado é importante, já que normalmente calculamos a média aritmética

em muitos experimentos, a fim de fornecer um resultado confiável. Agora
sabemos que não é apenas por simplicidade que calculamos tal valor, senão que
tal procedimento possui uma base matemática sólida.
Continuando com as equações que usualmente são usadas para tratar dados
1 n
experimentais, lembramos a seguinte: S = 
2
n − 1 i =1
( X i − X )2 . Para entender a
origem dessa expressão, vamos tentar obter um estimador não enviesado da
459
variância  2 , a partir de uma amostra aleatória ( X 1 , X 2 ,..., X n ) . Podemos propor

1 n
a forma funcional S ' =
2

n i =1
( X i − X )2 , mas, será que essa forma é um bom
estimador de  2 , em base aos critérios anteriores? Qual será a esperança de

1 n
S '2 = 
n i =1
( X i − X )2 ? Se fizermos o cálculo, iremos obter
 (n − 1)  2
E ( S '2 ) =      2 . Ou seja, S '2 é um estimador enviesado de  2 ! Por
 n 
1 n
isso, utiliza-se a expressão S =
2

n − 1 i =1
( X i − X )2 , já que, ao dividir por (n -1),
obtemos um estimador não enviesado. Adicionalmente, é possível demonstrar

que tal estimador também é consistente.
Podemos fazer agora uma nova pergunta, que pode aparecer se for necessário
calcular funções de estimadores: se o estimador não enviesado do parâmetro 
é ˆ , e temos que trabalhar com 1/  , podemos considerar 1/ ˆ como estimador
não enviesado de 1/  ? A resposta é negativa. Em geral, se temos um parâmetro
 , e uma função h( ) , sendo ˆ o estimador não enviesado de  , resulta que
E[h(ˆ)]  h[ E (ˆ)] . Apenas no caso linear, para o qual h( ) = a + b , vale dizer
que E[h(ˆ)] = h[ E (ˆ)] .
Estimadores de máxima verossimilhança
Os conceitos dados até aqui ainda não mostram como podemos calcular um
estimador de um parâmetro que ignoramos. Sabemos determinar algumas
características de um estimador proposto, mas não temos um procedimento
geral que permita obter a forma funcional do estimador.
Dos vários procedimentos desenvolvidos para o cálculo de parâmetros, iremos

apresentar o método de máxima verossimilhança, que, em muitos casos, permite
obter “bons” estimadores.
Partimos de uma amostra aleatória ( X 1 , X 2 ,..., X n ) da variável aleatória X, tal que

( x1 , x2 ,..., xn ) são valores amostrais. Vamos definir a função de verossimilhança
L como
L( X 1 ,......, X n , ) = f ( X 1 ,  ) f ( X 2 ,  )........... f ( X n ,  ) (A126)
460
Se X é discreta, L( x1 ,......, xn ,  ) representa P[ X 1 = x1 ,... X n = xn ] , e quando X é

contínua, L( X 1 ,......, X n ,  ) representa a fdp conjunta de ( X 1 , X 2 ,..., X n ) .
Dessa forma, a função de verossimilhança depende da amostra e do parâmetro

 , do qual queremos obter um estimador.
Consideremos agora a situação na qual temos dois valores de  ,  A e  B , tal

que satisfazem:
L( x1 ,......, xn , A )  L( x1 ,......, xn , B ) (A127)
Vamos preferir  A ou  B ? Resulta mais razoável escolher o que tenha maior

probabilidade de conseguir valores amostrais como os obtidos na amostra
aleatória. Nesse caso, a resposta é que iremos preferir  B .
Definição 37: Um estimador ˆ de um parâmetro desconhecido  , é o estimador

de máxima verossimilhança (MV) com base em uma amostra aleatória
( X 1 , X 2 ,..., X n ) , se é o valor de  que maximiza a função L( X 1 ,......, X n ,  ) , onde L
está definida pela equação (A126).
Novamente acontece que, ao ser ˆ função de variáveis aleatórias, também será

uma variável aleatória, ou seja, um estatístico.
Se a fdp de X depende apenas de um parâmetro, então ˆ é um número. Se

depende de dois ou mais parâmetros, será um vetor de dois ou mais dimensões,
 = (1 , 2 ,3 ,....) .
Para calcular o estimador de MV precisamos determinar o máximo da função L,

e para isso calculamos a derivada e igualamos a zero. No caso de apenas um
parâmetro, temos:

L( X 1 ,......, X n , ) = 0 (A128)

No caso no qual a distribuição de probabilidades de X dependa de dois ou mais
parâmetros, ou seja,  = (1 ,  2 ,.....) , deve ser satisfeito o conjunto de equações
simultâneas abaixo:
461

L( X 1 ,......, X n , 1 ,  2 ,.....) = 0 (A129)
1

L( X 1 ,......, X n , 1 ,  2 ,.....) = 0
 2
.
.
.
Propriedades dos estimadores de máxima verossimilhança
a) O estimador de MV pode ser não enviesado ou enviesado; nesse último caso,

multiplicado por uma constante adequada, pode ser transformado em um
estimador não enviesado.
b) Na maioria das situações, os estimadores de MV são consistentes.
c) Os estimadores de MV têm a propriedade de serem invariantes, ou seja, se ˆ

é o estimador de MV de  , então, o estimador de MV de h( ) é h(ˆ) .
Exemplo: Vamos a aplicar a condição de MV ao caso de uma variável aleatória

X , que tem distribuição normal com esperança  e variância 1 (ou seja, N (  ,1)
). A fdp de X é dada por:
1  1 
f ( x) = exp  − ( x −  ) 2  (A130)
2  2 
Se ( X 1 , X 2 ,..., X n ) for uma amostra aleatória de X, a função de verossimilhança

da amostra será:
1  1 n 2
L( X1 ,......., X n ,  ) = exp − 2  ( X i −  )  (A131)
( 2 )
n /2
 i =1 
Para poder tratar esse caso, no qual temos exponenciais, vamos considerar a
seguinte técnica. Considerando que ln ( x) é uma função crescente de x, então
ln [ L( X 1 ,......, X n ,  )] terá seu valor máximo para o mesmo valor de  que
maximiza L( X 1 ,......., X n ,  ) . Para obter o máximo, calculamos a derivada, só que
462
em lugar da derivada de L( X 1 ,......., X n ,  ) , vamos calcular a derivada de

ln [ L( X 1 ,......, X n ,  )] . Então:
   n 1 n 
ln L( X 1 ,......, X n ,  ) =  − ln(2 ) −  ( X i −  ) 2  (A132)
   2 2 i =1 
portanto:
 ln L n
=  ( X i −  ) = 0  ˆ = X (A133)
 i =1
que é a média amostral.
Exemplo: Se X é uma variável aleatória com fdp N (  ,  ) , então:

2
1  1  x −  2 
f ( x) = exp  − 
2  2     (A134)
 
Se ( X 1 , X 2 ,..., X n ) for uma amostra de X, sua função de verossimilhança será

dada por:
 1 n  X −  2 
L( X 1 ,......, X n ,  ,  ) = (2 2 ) − n /2 exp  −   i   (A135)
 2 i =1    
logo:
1 n  X − 
2
 n
ln L =  −  ln(2 2 ) −   i  (A136)
 2 2 i =1   
Para calcular os estimadores de  e , temos que resolver
 ln L  ln L
=0 e =0 (A137)
 
Então:
463
 ln L n ( X i −  )
= =0 (A138)
 i =1 2
de onde obtemos a média amostral, ˆ = X . Para o :
 ln L n n ( X i −  )2
= − + =0 (A139)
  i =1  3
de onde:
1 n 1 n
ˆ 2 = 
n i =1
( X i −  ) =  ( X i − X )2
2
n i =1
(A140)
Sabemos que o estimador não enviesado de  2 é da forma
1 n
ˆ 2 = 
n − 1 i =1
( X i − X )2 (A141)
Assim, o método de MV poderá produzir um estimador enviesado de  2 , já que

(A140)  (A141).
Propriedade assintótica dos estimadores de máxima verossimilhança
Se ( X 1 , X 2 ,..., X n ) é uma amostra aleatória da variável aleatória X, e se ˆ é um

estimador de MV do parâmetro  , obtido em base a uma amostra aleatória,
 1 
então para n → , a variável aleatória ˆ = X → N   ,  , onde
 B 

2

B = nE  ln f ( X , )  , sendo f a fdp de X.
  
Essa propriedade é mais forte que a propriedade de consistência. Essa última
expressa que, para n suficientemente grande, ˆ estará próximo de  . A
propriedade assintótica descreve qual é o comportamento probabilístico de ˆ
para n grande.
464
A9- Ajuste de pontos experimentais pelo Método dos

Mínimos Quadrados
Existem várias situações diferentes, para as quais é possível deduzir as
equações que permitem calcular os parâmetros indeterminados da função de
ajuste, e as incertezas desses parâmetros. Analogamente ao caso do cálculo
dos parâmetros de uma fdp, que foi apresentado até agora, a função de ajuste
pode depender de 1, 2, 3, ...., N parâmetros, e todos eles devendo ser calculados
a partir dos pontos experimentais.
CASO 1: Ajuste linear pelo método de mínimos quadrados quando as

incertezas em ambas as variáveis são desprezíveis.
Suponha que tenhamos uma variável aleatória Y que, funcionalmente, depende

de outra variável X de forma linear:
Y = X +  + (A142)
com  e  constantes desconhecidas, e  uma variável aleatória. A variável X

é uma “quantidade medida”, mas não é uma variável aleatória. Como exemplo
concreto, podemos considerar que Y seja a pressão do ar, e X seja a altitude na
qual é feita a medição de Y. Para considerar X como um número exato, sem
incerteza experimental, podemos pensar que a altitude que X representa tenha
sido medida com uma precisão grande o suficiente, para que a incerteza possa
ser considerada desprezível. Dessa forma, estamos considerando que a pressão
é uma variável aleatória que pode ser decomposta numa componente aleatória
 , mais um termo que depende da altitude X de forma linear.
A hipótese que faremos sobre  é a seguinte:
E ( ) = 0; V ( ) =  2 para todo valor de X (A143)
A esperança e a variância de  não dependem do valor de X. Portanto

E (Y ) =  X +  , e V (Y ) =  2 . Observemos que as hipóteses consideradas sobre
 , a saber, os valores da esperança e da variância, levam à necessidade de se
estimar três parâmetros:  ,  , e  2 .
Antes de fazer os cálculos, e para evitar confusões, vale contextualizar o

significado de uma amostra aleatória no presente contexto. A variável X não é
uma variável aleatória, mas toma os n valores x1 ,..., xn . Para cada valor de xi ,
tomamos uma observação independente da variável aleatória Y, que
escrevemos como yi . Então, os pares ordenados ( x1 , y1 ),..., ( xn , yn ) podem ser
465
considerados como uma amostra aleatória da variável aleatória Y, para os

valores ( xi ,..., xn ) de X.
Definição 38: Suponha que tenhamos E (Y ) =  X +  , com  ,  , e X como

definidos previamente. Se tomamos uma amostra aleatória de Y, então os
valores de  e  que minimizam a expressão:
  y − E ( y )
2
i i (A144)
i =1
são os estimadores de mínimos quadrados dos parâmetros  e .

Considerando que:
E ( yi ) =  xi +  (A145)
então:
n
  y − ( x +  ) = mínimo
2
i i (A146)
i =1
A interpretação do critério anterior é a seguinte: para cada par ( xi , yi ) calculamos

a diferença entre yi , que é o valor medido da variável aleatória Y, e a esperança
de Y para esse valor medido yi , que é E (Y = yi ) =  xi +  . Como o que interessa
é a magnitude dessa diferença, elevamos ao quadrado e somamos todos os
pontos da amostra. Os parâmetros da reta procurada são aqueles para os quais
a soma dada na equação (A146) resulta mínima.
Para que fique claro, e sem ambiguidades, temos um conjunto de pontos

experimentais que têm uma relação linear entre as variáveis X e Y, sendo que
apenas Y é uma variável aleatória. Logo, escrevemos uma equação que daria
uma espécie de medida da “distância” de cada ponto experimental até a “melhor
reta” que ajusta esses pontos, e para obter essa “melhor reta” minimizamos essa
equação. O que temos que obter dessa minimização são os parâmetros
desconhecidos  e  . O valor de  , que também é uma incógnita, será
2
também calculado.
Definimos então a função S ( ,  ) como:
n
S ( ,  ) =   yi − ( xi +  )
2
(A147)
i =1
466
Para minimizar S ( ,  ) necessitamos resolver as equações:
S S
=0 e =0 (A148)
 
Calculando as derivadas obtemos:
S n n
=  2  yi − ( xi +  ) (− xi ) = −2  xi yi −  xi 2 −  xi )  = 0 (A149)
 i =1 i =1
S n n
=  2  yi − ( xi +  ) (−1) = −2  yi −  xi −  )  = 0 (A150)
 i =1 i =1
Da equação (A149) obtemos:

n n n
ˆ  xi 2 + ˆ  xi =  xi yi (A151)
i =1 i =1 i =1
e da equação (A150):
n n
ˆ  xi + nˆ =  yi (A152)
i =1 i =1
Temos substituído  e  por ̂ e ˆ , para indicar que do cálculo sempre

obtemos estimadores ( ̂ e ˆ ) dos valores exatos (  e  ), os quais nunca será
possível conhecer.
Utilizando a notação:
n
x
i =1
i
2
=  x 2  (A153)
 x =  x
i =1
i (A154)
n n
 yi xi =  xi yi =  yx
i =1 i =1
(A155)
 y =  y
i =1
i (A156)
467
e substituindo nas equações (A151) e (A152) obtemos:
ˆ [ x 2 ] + ˆ[ x] = [ xy ] (A157)
ˆ [ x] + nˆ = [ y ] (A158)
Temos então duas equações lineares, as equações (A157) e (A158), com duas
incógnitas ̂ e ˆ . As soluções desse sistema são obtidas a partir do seguinte
cálculo. Da equação (A158) obtemos:
1
ˆ = ([ y ] − ˆ [ x]) (A159)
n
e substituindo na Eq. (157) fica:
1
ˆ [ x 2 ] + ([ y] − ˆ[ x])[ x] = [ xy] (A160)
n
Então:
 1  1
ˆ  [ x 2 ] − [ x]2  = [ xy] − [ y][ x]
 n  n
(A161)
e finalmente:
1
[ xy ] − [ y ][ x]
ˆ = n
1 (A162)
[ x 2 ] − [ x]2
n
Essa é uma das formas presentes na literatura para calcular o valor de ̂ . Existe
outra forma comum, mas com a notação das somatórias. Para poder obter essa
segunda forma, consideramos que:
1 n [ x]
x= 
n i =1
xi =
n
(A163)
com o qual chegamos a que o numerador de (A162) é igual a:
1
[ xy ] − [ y ][ x] = [ xy ] − [ y ]x (A164)
n
468
Voltando agora às somatórias fica:

n n n
[ xy] − [ y]x =  xi yi − x  yi =  yi ( xi − x ) (A165)
i =1 i =1 i =1
n
[ xy ] − [ y ]x =  yi ( xi − x ) (A166)
i =1
Por outro lado, o denominador de (A162) fica:
1 [ x]
[ x 2 ] − [ x]2 = [ x 2 ] − [ x] = [ x 2 ] − x [ x] =
n n
= [ x ] − x [ x] + x [ x] − x [ x] = [ x 2 ] − 2 x [ x] + x [ x] =
2
(A167)
= [ x 2 ] − 2 x [ x] + xnx = [ x 2 ] − 2 x [ x] + x 2 n
ou seja:
1
[ x 2 ] − [ x]2 = [ x 2 ] − 2 x[ x] + x 2 n (A168)
n
Traduzido ao mundo das somatórias:
n n 2
[ x ] − 2 x [ x] + x n =  xi − 2 xxi + x =  ( xi − x )
2 2 2 2
(A169)
i =1 i =1
n 2
[ x ] − 2 x [ x] + x n =  ( xi − x )
2 2
(A170)
i =1
Substituindo na equação (A162) obtemos:
 y (x − x )i i
ˆ = i =1
n (A171)
 (x − x )
i =1
i
2
Falta ainda o estimador ˆ , que vai sair do seguinte cálculo. Da equação (A159)
temos:
1 1  n[ yx] − [ x][ y]  
ˆ = ([ y] − ˆ[ x]) =  [ y] −  2 
[ x]  (A172)
n n  n [ x 2
] − [ x ]  
469
Tomando-se o denominador comum n [ x 2 ] − [ x]2 tem-se:
1  [ y ](n[ x 2 ] − [ x]2 ) − [ x](n[ yx] − [ x][ y ]) 

ˆ =  =
n n[ x 2 ] − [ x]2 
1  [ y ]n[ x ] − [ y ][ x] − [ x]n[ yx] + [ x] [ y ] 
2 2 2
=  = (A173)
n n[ x 2 ] − [ x]2 
 
1  [ y ] n [ x 2 ] − [ x] n [ yx]  [ y ][ x 2 ] − [ x][ yx]
=  =
n n[ x 2 ] − [ x]2  n[ x 2 ] − [ x]2
que finalmente fica:
ˆ [ y ][ x 2 ] − [ xy][ x]
= (A174)
n[ x 2 ] − [ x]2
Colocado na notação das somatórias resulta:
n n n n
 y x −x y x
i i
2
i i i
ˆ = i =1 i =1 i =1 i =1
2 (A175)
n
 n 
n xi −   xi  2
i =1  i =1 
Resulta evidente que tanto ̂ como ˆ são funções lineares dos valores
amostrais y1 ,..., yn . Também resulta simples demonstrar que E (ˆ ) =  e
( )
E ˆ =  , ou seja, ̂ e ˆ são estimadores não enviesados.
A equação (A171) também pode aparecer na literatura na forma:
 ( y − y )( x − x )i i
ˆ = i =1
n (A176)
 (x − x )
i =1
i
2
Mas vamos demonstrar que as equações (A171) e (A176) são exatamente

iguais. Para isso expandimos o produto dentro da somatória no numerador da
equação (A176):
470
n n
 ( y − y )( x − x ) =  y x − y x − yx + yx =
i =1
i i
i =1
i i i i
n n n n n n
=  yi xi −  yi x −  yxi +  x y =  yi xi − x  yi − y =
i =1 i =1 i =1 i =1 i =1 i =1
n n n n n n n
1 1 1

i =1
yi xi −  xi  yi −  yi  xi + n 2
n i =1 i =1 n i =1 i =1 n
x y =
i =1
i
i =1
i (A177)
n
1 n n
1 n n
1 n n
=  yi xi −  xi  yi −  yi  xi +  xi  yi =
i =1 n i =1 i =1 n i =1 i =1 n i =1 i =1
n
1 n n n n n
=  yi xi −  yi  xi = yi xi −  yi x = yi ( xi − x )
i =1 n i =1 i =1 i =1 i =1 i =1
ou seja:
n n
 ( yi − y )( xi − x ) =  yi ( xi − x )
i =1 i =1
(A178)
da qual resulta que a equação (A171) e equivalente à equação (A176).
O estimador do parâmetro  é obtido pelo estimador usual de  , que em

2 2
termos dos estimadores de mínimos quadrados, ̂ e ˆ é dado por:
2 2
1 n 1 n 
ˆ =
2
 i  y − E ( y )  =  yi − (ˆ xi + ˆ )  (A179)
n − 2 i =1 n − 2 i =1 
i
que resulta em:
2
1 n 
ˆ 2 = 
n − 2 i =1  yi − (ˆ xi + ˆ )  (A180)
O fator (n – 2) é o número de graus de liberdade, definido como o número de

observações que temos em excesso, além do número mínimo que seria
necessário para poder calcular os parâmetros desconhecidos da equação de
ajuste. No caso, por se tratar de uma reta, sabemos que necessitamos um
mínimo de dois pontos para poder determinar o coeficiente angular e o
coeficiente linear. Assim, o número de graus de liberdade, se temos uma amostra
de n pontos que se ajustam por uma reta, será (n -2).
As variâncias de ̂ e ˆ podem ser obtidas utilizando-se a equação (A91) de

propagação de incertezas. Partindo de:
471
2
 ˆ 
n
V (ˆ ) =    ˆ 2 (A181)
ï =1  yi 
onde o ˆ é o estimador dado pela equação (A180), e considerando que:

ˆ nxi − [ x]
=
yi n[ x 2 ] − [ x]2
(A182)
O cálculo da variância de ̂ resulta em:
 nx − [ x]  2 n ( nxi − [ x])
2 2
n
V (ˆ ) =   2i 2 
ˆ =  ˆ 2 =
− ï =1 ( n[ x ] − [ x ] )
2 2
ï =1  n[ x ] [ x ]  2
n
nxi 2 − 2 xi [ x] + [ x]2 n 2 [ x 2 ] − 2n[ x]2 + n[ x]2
 ˆ 2 = ˆ 2 = (A183)
ï =1 ( n[ x ] − [ x] )
2 2 2
( n[ x ] − [ x] )
2 2 2
n[ x 2 ] − [ x]2 n
n ˆ 2 = ˆ 2
( n[ x ] − [ x] )
2 2 2
n[ x ] − [ x]
2 2
Finalmente obtemos:
n
V (ˆ ) = ˆ 2 (A184)
n[ x ] − [ x]
2 2
Fazendo agora uma dedução análoga para a variância do coeficiente linear ˆ

temos:
2
n ˆ  2
V ( ˆ ) =    ˆ (A185)
ï =1  yi 
Considerando que:
ˆ 1
= ([ x 2 ] − [ x]xi ) (A186)
yi n[ x ] − [ x]
2 2
472
2
 ˆ  1
  = ([ x 2 ]2 − 2[ x 2 ][ x]xi + [ x]2 xi 2 ) (A187)
 yi  ( n[ x ] − [ x] )
2 2 2
então:
2
n ˆ  2
V ( ˆ ) =     =
i =1  yi 
1 n 2 2  n  2
n
2  2
=   [ x ] − 2[ x 2
][ x ]   xi + [ x ] 
 xi   ˆ =
( n[ x ] − [ x] )
2 2 2
 i =1  i =1   i =1  
1
=  n[ x 2 ]2 − 2[ x 2 ][ x][ x] + [ x]2 [ x 2 ] ˆ 2 =
( n[ x ] − [ x] )
2 2 2
1
=  n[ x 2 ]2 − 2[ x 2 ][ x]2 + [ x]2 [ x 2 ] ˆ 2 =
( n[ x ] − [ x] )
2 2 2
1
(n[ x 2 ]2 − [ x 2 ][ x]2 )ˆ 2 =
( n[ x ] − [ x] )
2 2 2
[ x2 ]
= (n[ x 2 ] − [ x]2 ) ˆ 2 =
( n[ x ] − [ x] )
2 2 2 (A188)
[ x2 ]
= ˆ 2
( n[ x ] − [ x] )
2 2
Finalmente obtemos:
[ x2 ]
V ( ˆ ) = ˆ 2 (A189)
n[ x ] − [ x]
2 2
Outra forma usual em que aparece a variância de ̂ na literatura é dada pela

seguinte equação:
ˆ 2
V (ˆ ) = 2
(A190)
n
(x − x )
i =1
i
473
que não parece ter muita semelhança com a equação (A184). Porém, vamos
demonstrar que a equação (A190) é apenas outra forma de escrever a equação
(A184), como apresentado a seguir:
2 2
V (ˆ ) = = n n n
=
x − 2 xi x +  x
n 2
(x − x )
2 2
i i
i =1 i =1 i =1 i =1
2 2
= = =
n
[ x 2 ] − nx 2
x
i =1
i
2
− 2nx + nx 2 2
2 2
= 2
= = (A191)
 n
 n
  xi  [ x2 ] −
n2
[ x]2
[ x ] − n  i =1
2

 n 
 
 
2 n
= = 2
n[ x ] − [ x]2
( n[ x 2 ] − [ x]2 )
2
1
n
ou seja:
2 n
V (ˆ ) = = 2 (A192)
n 2
n[ x ] − [ x]
2 2
( x − x )
i =1
i
Analogamente, temos outra forma de apresentar a variância de ˆ , dada por:
 
1 x 2 
ˆ
V ( ) =  + n  2 (A193)
n ( xi − x ) 2 
 i =1

Para demonstrar que a equação (A193) é equivalente à equação (A189),

começamos com:
474
[ x2 ] 1 n[ x 2 ]
V ( ˆ ) =  =
2
2 =
( n[ x ] − [ x] ) n ( n[ x ] − [ x] )
2 2 2 2
1 ( n[ x ] − [ x] + [ x] ) 2 1  
2 2 2
[ x]2
=  =  1 +  2 =
n ( n[ x ] − [ x] )
2 2
n  ( n[ x ] − [ x] ) 
2 2
 
(A194)
1 n2 x 2  1 1 n 2 x2 
1 +   2
=  +  2 =
n  ( n[ x ] − [ x] ) 
2 2
 n n ( n[ x ] − [ x] ) 
2 2
   
1 nx 2 
=  +  2
 n ( n[ x ] − [ x] ) 
2 2
 
Agora consideramos o denominador do segundo termo na última expressão da

equação (A194) da seguinte forma:
n
 n 
n[ x 2 ] − [ x]2 = n xi 2 −n 2 x 2 = n   xi 2 −nx 2  =
i =1  i =1 
 n 2 2  n 2 n n

n   xi −2nx + nx  = n   xi −2 x  xi + x 1 =
2 2
(A195)
 i =1   i =1 i =1 i =1 
n n
n ( xi 2 − 2 xxi + x 2 ) = n ( xi − x ) 2
i =1 i =1
ficando:
n
n[ x ] − [ x] = n ( xi − x ) 2
2 2
(A196)
i =1
Substituindo agora na equação (A194) chegamos a:
   
n
2
 ˆ  1 nx 2  1 x 2 
V ( ˆ ) =     2 =  + n  2 =  + n  2
i =1  yi   n n ( x − x )2  n
  ( xi − x ) 2  (A197)
 ï =1
i

 
 ï =1

que finalmente resulta em:
475
 
2
[x ] 1 x 2 
V ( ˆ ) = 2 ˆ 2
=  +  2 (A198)
n[ x ] − [ x] n
n
( xi − x ) 2 
2
 
i =1

Todas as equações para calcular os parâmetros do ajuste linear por mínimos

quadrados apresentadas até aqui consideram que os pontos não têm incerteza
em nenhuma das duas variáveis, tal como esquematizado na Figura A15.
Obviamente essa não é a situação mais geral, que será tratada na próxima
seção, utilizando o formalismo dos estimadores de máxima verossimilhança.
Figura A15- Conjunto de pontos experimentais sem incertezas em ambas as variáveis.

Os pontos estão aparentemente alinhados e são plausíveis de serem ajustados por
uma reta.
Por último, cabe mencionar que o método de mínimos quadrados pode ser
aplicado a modelos não lineares. Por exemplo, se E (Y ) =  X 2 +  X +  ,
podemos estimar  ,  e  tal que:
 Y − ( x
2
i i
2
+  X +  )  (A199)
i =1
476
seja mínima.
O formalismo seguido até agora tem a vantagem de não fazer nenhuma

suposição em relação à variável aleatória Y. É apenas necessário que seja uma
variável aleatória. Por outro lado, não foram consideradas as incertezas que
podem estar associadas a cada ponto, em uma ou nas duas variáveis.
CASO 2: Ajuste linear pelo método dos mínimos quadrados utilizando

estimadores de máxima verossimilhança com incertezas apenas na
variável Y. As incertezas são diferentes para cada ponto.
Vejamos agora outra forma de apresentar o ajuste linear por mínimos quadrados.
Suponhamos que medimos de forma independente duas variáveis X e Y, que na
verdade são duas grandezas quaisquer. Como no CASO 1, a variável X tem uma
incerteza pequena o suficiente para ser considerada desprezível, e nesse
sentido, não é uma variável aleatória. Por outro lado, a variável Y é uma variável
aleatória com distribuição normal Yi N ( i ,  i2 ) , ou seja:
1  1 
f ( yi ) = exp  − 2 ( yi −  yi )2  (A200)
2 i  2 i 
onde:
 y =  xi + 
i
(A201)
Isso significa que temos um conjunto de pares ( xi , Yi ) , onde cada xi é um

número sem incerteza, e cada Yi é um número com uma incerteza associada,
tal que Yi é uma variável aleatória com uma distribuição de probabilidades
normal, com esperança  i e variância  i2 , tal que os valores de  i estão
relacionados com os de xi através de uma relação linear com parâmetros  e
 desconhecidos.
Vamos obter esses parâmetros através dos estimadores de máxima

verossimilhança. A função de verossimilhança L será:
n
1  1 
L( x1 , y1 ,  i ,....., xn , yn ,  n ,  ,  ) =  exp  − 2 ( yi −  yi )2  (A202)
i =1 2 i  2 i 
477
Então:
n  1  n 1
ln L( x1 , y1 ,  1 ,....., xn , yn ,  n ,  ,  ) =  ln   −  ( yi −  yi ) 2 (A203)
 2 i  i =1 2 i
2
i =1
que será máximo quando o segundo termo for mínimo, ou seja, temos que
minimizar:
n
1
 2 =  wi ( yi −  xi −  )2 sendo wi = (A204)
i =1  i2
Então:
 2 n
= −2 wi ( yi −  xi −  ) = 0 (A205)
 i =1
de onde:
n n n
  wi xi +   wi = wi yi (A206)
i =1 i =1 i =1
que com a notação

n n n
 wi =  w ,
i =1
 wi xi =  wx e
i =1
 w y =  wy 
i =1
i i (A207)
fica:
  wx  +   w =  wy  (A208)
Derivando (A204) agora com relação a  obtemos:
  wx 2  +   wx  =  wxy  (A209)
O resultado final é o seguinte sistema de duas equações com duas incógnitas:
  wx  +   w =  wy  (A210)
  wx 2  +   wx  =  wxy  (A211)
Resolvendo-se este sistema, resulta:
478
ˆ =
 w wxy  −  wx  wy 
 w  wx 2  −  wx 
2 (A212)
 wy   wx 2  −  wxy  wx 
ˆ = (A213)
 w  wx 2  −  wx 
2
Notar que, agora as equações (A212) e (A213) contêm as incertezas

experimentais da variável Y (nos termos em w) para se obter os valores de ̂ e
ˆ , o que não ocorria nas equações apresentadas no CASO 1.
As incertezas nos parâmetros ̂ e ˆ são obtidas utilizando as equações

aproximadas da variância:
2
n
   2
 ˆ 2
=    yi =
i =1  yi 
2 (A214)
n  
=
1
2 
 w  wx  −  wx   i =1 yi
(
 wx 2   wy  −  wxy  wx    yi2 )

2
então:
2
  wx 
n
1
 ˆ = 2 2
 wi −  wx  wi xi  yi2 (A215)
 w  wx  −  wx 
2 2
i =1
de onde obtemos:
 (  wx
n
1
 ˆ 2 =  wi 2  yi2 +  wx  wi 2 xi 2  yi2 −
2 2 2
 w  wx 2  −  wx 
2
i =1
(A216)
)
2
−2  wx 2   wx  wi 2 xi yi2
Logo:
 ˆ 2 =
    
w  wx  − wx

2
 wx   w +  wx   wx  − 2  wx   wx  
1
2
2 2 2 2 2 2
(A217)
então:
479
 wx 2   wx 2 
 ˆ =
2
 wx   w −  wx 
2 2
= (A218)
   w  wx 2  −  wx 
2 2
 w  wx 2  −  wx 
2
e finalmente:
 wx 2 
 ˆ 2
= (A219)
 w  wx 2  −  wx 
2
Através de cálculos análogos, obtém-se a variância de ̂ como:
 ˆ 2 =
 w
(A220)
 w  wx 2  −  wx 
2

estimadores de máxima verossimilhança com incertezas apenas na
variável Y. As incertezas são iguais em todos os pontos.
No caso particular no qual todas as incertezas da variável aleatória Y são iguais,

1 1
ou seja, wi = = = w , obtemos:
 i
2
2
1
n  xy  −  x  y   xy  −  x  y 
ˆ = ou ˆ = n
(A221)
n  x 2  −  x 
2
1 2
 x 2  −  x 
n
 y   x 2  −  xy  x 
ˆ = (A222)
n  x 2  −  x 
2
As incertezas de ̂ e ˆ para esse caso ficam:
nw n n
 ˆ 2 = = = 2 (A223)
nw  x  − w  x w(n  x  −  x  ) n  x  −  x 
2 2 2 2 2 2 2 2
480
n
 ˆ 2 = 2 (A224)
n  x  −  x 
2 2
w  x 2   x 2   x 2 
 ˆ 2
= = = 2 (A225)
nw  x  − w  x  w(n  x  −  x  ) n  x  −  x 
2 2 2 2 2 2 2 2
 x 2 
 ˆ 2
= 2 (A226)
n  x  −  x 
2 2
Notar que as equações (A221), (A222), (A224) e (A226) são idênticas às

equações (A162), (A174), (A184) e (A189) do CASO 1, para os valores de ̂ ,
ˆ ,  ̂ 2 ,  ̂ , respectivamente. A grande diferença é que agora, no CASO 3, o
2
valor de  2 representa a incerteza de cada ponto experimental na variável y

como representado no gráfico da Figura A16, através das barras de incerteza.
No CASO 1,  2 representava apenas a dispersão dos pontos em torno da reta
de mínimos quadrados.
Figura A16- Conjunto de pontos experimentais com incerteza em Y. Os pontos estão

aparentemente alinhados e são plausíveis de serem ajustados por uma reta
1.2
1.0
0.8
Y
0.6
0.4
0.2
0.2 0.4 0.6 0.8 1.0 1.2
481

estimadores de máxima verossimilhança com incertezas em ambas as
variáveis X e Y.
Se agora tanto X como Y são variáveis aleatórias, ou seja, as duas tem

incertezas, então a função de verossimilhança é dada por:
n
1  1   1 
L= exp  − ( xi −  xi )2  exp  − ( yi −  yi ) 2  (A227)
2 xi yi  2 
 2 xi
2 2
i =1   yi 
Calculando o logaritmo neperiano como no caso anterior, obtemos que a função

que deve ser minimizada é:
n
 2 =  wxi ( xi −  xi )2 + wyi ( yi −  yi )2 (A228)
i =1
onde:
1 1
wxi = e wyi = (A229)
 2
xi  yi2
Para obter os parâmetros ̂ e ˆ temos que resolver:
 2
=0 (A230)

 2
=0 (A231)

O problema é que os  xi são desconhecidos, o que leva a ter que resolver a

equação:
 2
=0 (A232)
 xi
das quais é possível obter os  xi , que logo serão substituídos na equação

(A228).
Então, como primeiro passo, temos que resolver o problema dos  xi , a partir da
equação (A232):
482
 2
= 0 = − 2 ( xi −  xi ) wxi − 2  yi −  xi −   wyi (A233)
 xi
de onde obtemos:
wxi
−( xi −  xi ) = yi −  xi −  (A234)
 wyi
Somando e subtraindo  xi no termo da direita obtemos:
wxi
−( xi −  xi ) = yi −  xi −  +  xi −  xi = yi − ( xi +  ) +  ( xi −  xi ) (A235)
 wyi
então:
wxi
yi − ( xi +  ) = yi − f ( xi ) = −( xi −  xi ) −  ( xi −  xi ) (A236)
 wyi
Remanejando os termos fica:
 wxi   wxi +  2 wyi 

yi − f ( xi ) = ( xi −  xi )  − −   = (  xi − xi )   (A237)
 w   w
 yi   yi 
então:
  wyi 
(  xi − xi ) =  [ y − f ( xi )]
 w +  2 w  i (A238)
 xi yi 
Finalmente, o valor de (  xi − xi ) pode ser representado como:
  wyi    
( xi − xi ) =   [ yi − f ( xi )] =  wi  [ yi − f ( xi )] (A239)
 wxi +  2
wyi   wxi 
  
( xi − xi ) =  wi  [ yi − f ( xi )] (A240)
 wxi 
onde utilizamos:
wyi wxi
wi = (A241)
wxi +  2 wyi
483
Considerando que:
 y =  x + 
i i
(A242)
f ( xi ) =  xi +  (A243)
então, subtraindo a equação (A243) da (A242)
 yi − f ( xi ) =  (  xi − xi )   yi = f ( xi ) +  (  xi − xi ) (A244)
Substituindo as equações (A240) e (A244) na equação (A228) obtemos:

n
 2 =  wxi ( xi −  xi ) 2 + wyi ( yi −  yi ) 2 =
i =1
2
n
   2
 wxi  i
w  i
( y − f ( xi )) 2
+ w yi  ( yi − f ( xi )) + ( xi −  xi )  =
i =1  wxi 
 2
2
n
     
=  wxi  wi  i
( y − f ( xi )) 2
+ w yi  ( yi − f ( xi )) −   i
w  i
( y − f ( xi  =
))
i =1  wxi    wxi  
    2
2
n
  
=  wxi  wi  i
( y − f ( xi )) 2
+ w yi ( yi − f ( xi )) 2
1 −   wi  =
i =1  wxi    wxi  
n    2     
2

=  ( yi − f ( xi )) 2  wxi  wi  + w yi 1 −   i
w   =
i =1   wxi    wxi   
 
     
2
2  1 −   wi  
n
      w xi   
=  ( yi − f ( xi )) 2  wi   wxi + wyi 2  (A245)
i =1  wxi      
  wi  
  wxi  
Considerando que:
    wxi
1 −   wi  = (A246)
 wxi   wxi +  wyi
2

então:
484
2
   
1 −   wi   
2
  wxi   = wxi
  (A247)
       wyi
  wi    
  wxi  
Substituindo na equação (A245) obtemos:
     wxi  
2 2
n
 =  ( yi − f ( xi ))  wi
2 2
  wxi + wyi    =
i =1  wxi   
 yi  
w

     1 
2
n
=  ( yi − f ( xi ))  wi
2
  wxi + wxi wyi
2
  =
 wxi     2w 2  (A248)
i =1
 yi 
     1 
2
n
 ( yi − f ( xi
2
)) wxi  i
w  1 + wxi 
  2  
i =1  wxi     w yi  
Considerando que:
  1  w
1 + wxi  2   = xi 2 (A249)
   wyi   wi
chegamos a:
n
 2 wxi n
 2 =  ( yi − f ( xi )) 2 wxi wi 2
=  ( yi − f ( xi )) 2 wi (A250)
i =1 wxi wi 
2 2
i =1
que podemos escrever como:
n  wyi wxi 
 2 =  ( yi − f ( xi ))2 wi onde  wi =  (A251)
i =1  wxi +  2
wyi 
Essa última equação é análoga à equação (A204), mas agora temos uma
variância composta representada pelos fatores wi , que contêm as incertezas em
cada xi e em cada yi .
 2  2
Uma forma de obter ̂ , ˆ é efetuar as derivadas =0 e = 0,
 
considerando os wi como constantes (OREAR, 1982). Serão obtidas duas
485
equações idênticas às equações (A212) e (A213), mas com os wi dados na

equação (A251). Essa solução é analítica.
A alternativa a essa solução analítica é uma solução numérica, que implica em

aplicar um método iterativo até atender a precisão desejada, para obter:
 2 2 wi 
ˆ
n 2
= 2 wi ( yi −  xi −  )(− xi ) − ( yi −  xi −  )
ˆ ˆ ˆ ˆ =0 (A252)
 i =1 wxi
n
w ˆ 2
  wi xi ( yi − ˆ xi − ˆ ) + i ( yi − ˆ xi − ˆ ) 2 = 0 (A253)
i =1 wxi
Ou seja, a ideia é promover iterações até aproximar de zero o primeiro termo da

equação (A253), com a precisão desejada. O valor de ˆ , que também é função
de ̂ , deve ser inserido na equação, após ser obtido através de:
 2 n
= −2 ( yi − ˆ xi − ˆ ) wi = 0 (A254)
 i =1
 y w − ˆ x w
i i i i
 ˆ = i =1
n
(A255)
w
i =1
i
Para obter as incertezas de ̂ e ˆ , temos que calcular:
2 2
n
     
 ˆ 2
=     xi2 +    yi2 (A256)
i =1  xi   yi 
2 2
n
     
 ˆ 2
=     xi2 +    yi2 (A257)
i =1  xi   yi 
 2
Para calcular as derivadas parciais, vamos considerar que as derivadas =0

 2
e = 0 são estacionárias ante pequenas variações de xi e yi , ou seja:

486
d   2  d   2 
 =0 e  =0 (A258)
dxi    dxi   
d   2  d   2 
 =0  =0 (A259)
dyi    dyi   
Dessas equações obtemos os seguintes dois sistemas de equações:
 d   2     2      2      2 
  =   +   +  =0
 dxi        xi     xi xi   
 (A260)
 d    =      +      +     = 0
2 2 2 2
 dx        x     x x   
 i    i   i i  
 d   2     2      2      2 
  =   +   +  =0
 dyi        yi     yi yi   
 (A261)
 d    =      +      +     = 0
2 2 2 2
 dy        y     y y   
 i    i   i i  
que resultam em:
  2  2     2  2  2 2
 2   + = −
   xi    xi xi 
 2 2 (A262)
    +      = −  
2 2 2 2
   x  2  x  xi 
 i  i
  2  2     2  2  2 2
 2   + = −
   yi    yi yi 
 2 2 (A263)
    +      = −  
2 2 2 2
   y  2  y  yi 
 i  i
Os dois sistemas de equações (A262) e (A263) podem ser expressos na forma

matricial através da matriz Hessiana (ou Hessiano):
487
 2  2 2  2 
 
  2   
H= 2 2
  2  2 
(A264)
 
    2 
ficando:
    2 2      2 2 
 x     y   
 xi    yi  
H  i 
=− 2 2 H  i 
=− 2 2 (A265)
           
 x     y   
 i  xi    i  yi  
Os dois sistemas de equações (A265) têm solução se o determinante de H for

não nulo. Utilizando a regra de Cramer obtemos as seguintes equações:
2  2 2  2
xi  
−
2  2 2  2 2  2 2  2 2  2 2  2
−
 xi   2 xi   2  xi 
= =− (A266)
xi det( H ) 2  2 2  2  2  2 
2
− 
 2  2    
2  2 2  2
 2 xi 
−
2  2 2  2 2  2 2  2 2  2 2  2
−
  xi   2 xi  xi   
= =− (A267)
xi det( H ) 2  2 2  2  2  2 
2
− 
 2  2    
2  2 2  2
yi  
−
2  2 2  2 2  2 2  2 2  2 2  2
−
 yi   2 yi   2  yi 
= =− (A268)
yi det( H ) 2  2 2  2  2  2 
2
− 
 2  2    
488
2  2 2  2
 2 yi 
−
2  2 2  2 2  2 2 2 2 2 2 2
−
   yi   2 yi  yi   
= =− (A269)
yi det( H ) 2  2 2  2  2  2 
2
− 
 2  2    
Resulta então necessário calcular todas as derivadas presentes nas equações

(A266) a (A269), ou seja:
2  2 2  2 2  2 2  2 2 2 2 2 2 2

, , , , , , (A270)
 2  2  xi  yi  xi  yi 
Então, com di = ( yi −  xi −  ) , temos:
 2 n
  wi di 
= −2 wi di  + xi  (A271)
 i =1  wxi 
2  2  n  2 w d  di2 wi2 
2
= 2   wi  i i
+ xi  −  (A272)
 2  i =1  wxi  wxi 

 2 n n
= −2 ( yi −  xi −  ) wi = −2 di wi (A273)
 i =1 i =1
2  2 n
 2
= 2 
i =1
wi (A274)
2  2 2  2 n
 2 wi di 
= = 2 wi  + xi  (A275)
  i =1  wxi 
2  2   2 wi di  
= 2wi   + xi  − di  (A276)
xi    wxi  
2 wi di
Com Ui = + xi , temos:
wxi
2  2
= 2wi U i − di  (A277)
xi 
489
2  2  2 wi di 
= −2wi  + xi  = −2wU (A278)
yi 
i i
 wxi 
2  2
= 2 wi (A279)
xi 
2  2
= −2wi (A280)
yi 
Para poder escrever as equações (A271) a (A280) de forma mais compacta

vamos fazer ademais, as seguintes mudanças de variáveis:
2 2 n
A=−
 2
= − 2 
i =1
wi
(A281)
2  2 n
 = − A = 2 wi
 2 i =1
2  2 2  2 n
 2 wi di 
B=− =− = −2 wi  + xi 
  i =1  wxi 
(A282)
2  2 n
 2 wi di 
 = − B = 2 wi  + xi 
 i =1  wxi 
2  2  n  2 wi di  di2 wi2 
2
C=− = −2   wi  + xi  − 
 2  i =1  wxi  wxi 

(A283)
 2 2  n  2 wi di  di2 wi2 
2
 = −C = 2   wi  + xi  − 
 2  i =1  wxi  wxi 

Resultando em:
  B + A ( di − U i ) 
= −2wi  (A284)
xi AC − B 2

= 2wi
 C + B(di − U i ) (A285)
xi AC − B 2

= 2wi
( B − AU i ) (A286)
yi AC − B 2
490
 BU i − C
= 2wi (A287)
yi AC − B 2
Finalmente:
n    B + A ( d − U )  2  ( B − AU i )  2 
2
 ˆ 2
=  4 w 
2 i i
  xi + 
2
2 
 yi  (A288)
− −
i
 
2
   
i =1 AC B AC B
n   C + B (di − U i )  2 2  BU i − C  2 2 
 ˆ 2
=  4 w 
2
  xi +  2 
 yi  (A289)
AC − B 2  AC − B 
i
i =1   
Cabe mencionar que para calcular  ̂2 e   devemos utilizar os valores obtidos
2
anteriormente de ̂ e ˆ .
491
Apêndice B- Algarismos Significativos para Expressão da

Incerteza de Medição
De forma geral, a maior limitação dos métodos estatísticos (métodos tipo A) para
se determinar a incerteza está na falta de conhecimento perfeito do mensurando
e de todas suas grandezas de influência. Como raramente apenas uma grandeza
interfere no mensurando, normalmente não faz sentido conhecer uma das
grandezas com um número excessivo de algarismos significativos.
Uma exceção para esta condição é quando o conhecimento do mensurando é

muito bom podendo-se afirmar que um número grande de medições diretas do
mensurando permite conhecer com precisão o intervalo que provavelmente
envolve o valor verdadeiro. Esta hipótese precisa considerar que as flutuações
de grandezas de influência afetam aleatoriamente o mensurando. Por exemplo,
se a incerteza do instrumento de medição (portanto incerteza da grandeza de
influência “valor indicado no instrumento”) for muito menor que a variação natural
do mensurando, esta hipótese é razoável. No entanto, se, por exemplo, uma
balança de resolução de 0,1 kg for usada para medir valores de uma massa de
cerca de 0,1 kg, um número grande de medições não será útil para obter a
incerteza da medição53. Outras grandezas de influência podem ser ainda mais
significativas que a incerteza da leitura do instrumento.
De qualquer forma, o uso dos métodos estatísticos possui limitações, em geral

associadas à dificuldade de obtenção de um número grande de medições ou da
falta de utilidade de intervalos muito exatos para a tomada de uma decisão.
Como já visto no Item 3.5, em metrologia, o cálculo da incerteza padrão

combinada baseia-se no Teorema do Limite Central, que estabelece que quando
variáveis aleatórias independentes são somadas, o resultado da soma
normalizada apresenta-se também como uma distribuição normal, mesmo se as
variáveis originais não forem normalmente distribuídas. Assim, a incerteza
padrão combinada é obtida como resultado da raiz quadrada da soma das
53
Pode parecer estranho usar uma balança de resolução de 0,1 kg para medir uma massa de 0,1 kg. Tudo
depende do mensurando. Se o mensurando for a massa de batatas que está numa sacola de massa em
torno de 0,1 kg, e a massa total for da ordem de 50 kg, não faz sentido ter uma balança especial para
medir separadamente a massa da sacola de batatas...
492
variâncias que representam os termos correspondentes às diversas incertezas

obtidas por ambos os métodos tipos A e B, que afetam o resultado final do
mensurando. Com isso, a própria incerteza padrão combinada pode ser
interpretada como uma variável aleatória com distribuição normal, e que
apresenta sua própria variância, gerando um desvio padrão que será
denominado a “incerteza da incerteza”, conforme descrito a seguir.
Número de medições
O efeito do número de medições em um mensurando com distribuição normal e

o efeito da incerteza na precisão do intervalo serão discutidos a seguir.
A Figura B1 corresponde à realização de 7 ensaios, cada um com 10 medições.

Sabe-se que a distribuição possui um comportamento normal, com valor médio
 =1 e desvio padrão  = 0,1.
Figura B1 – Resultados de 7 ensaios com 10 medições cada, de um mensurando

modelado através de uma distribuição normal
Observa-se que as propriedades de cada ensaio variam ligeiramente, apesar do

mensurando ser exatamente o mesmo. Vê-se que o valor médio do quarto ensaio
493
é ligeiramente menor que o valor médio do segundo ensaio. Também se observa

que a dispersão do sexto ensaio é menor do que a do quinto.
De forma numérica, esta avaliação pode ser vista na Figura B2, onde o esperado
para o mensurando foi adotado como sendo o valor médio e está representado
por um ponto. A barra simétrica em relação ao valor médio representa o desvio
padrão das 10 medições em cada ensaio.
Figura B2 – Representação da média e desvio padrão de cada ensaio
Se o número de medições em cada ensaio crescer, as médias tenderão ao valor

do mensurando – neste caso 1. Também o seu desvio padrão tenderá ao desvio
padrão do mensurando, neste caso, 0,1. Claramente a informação obtida sobre
o desvio padrão utilizando 10 medições não é exata.
O valor mais provável do desvio padrão pode ser estimado a partir do desvio
padrão de qualquer uma das amostras. No entanto, haverá uma dúvida nesta
estimativa. De acordo com as propriedades da distribuição normal e da
amostragem, o ISO GUM (INMETRO, 2008) apresenta a Tabela B1, na qual a
variação do desvio padrão determinado a partir da amostra de N medições está
indicada em % do desvio padrão obtido. Associando o desvio padrão à incerteza,
494
podemos dizer que essa tabela indica a “incerteza da incerteza” (grau de dúvida
no desvio padrão da população), em função do número de medições da amostra.
Tabela B1- Desvio padrão do desvio padrão experimental da média de N

observações independentes de uma variável aleatória normalmente distribuída,
relativamente ao desvio-padrão da média
N incerteza
da
incerteza
(%)
2 76%
3 52%
4 42%
5 36%
10 24%
20 16%
30 13%
50 10%
Fonte: (INMETRO, 2008)
O gráfico da Figura B3 representa os pontos desta tabela. De forma aproximada,

esta estimativa da “incerteza da incerteza” pode ser calculada pela expressão
(B1) (INMETRO, 2008):
1
(B1)
2( N − 1)
Essa expressão indica que quanto maior o número de medições, maior será a
exatidão do desvio padrão da população obtido a partir das medições amostrais.
Entretanto, mesmo para um número grande de medições, como 50, a estimativa
que pode ser feita do desvio padrão possui uma incerteza de cerca de 10% do
valor real.
Assim, um número elevado de algarismos significativos na incerteza

determinada a partir do desvio padrão de poucas medições não faz sentido. Por
exemplo, se o desvio padrão de 50 medições for de 1,000, não é adequado
escrever a incerteza com mais do que dois algarismos, ou seja, u = 1, 0 . Um
acréscimo de 1 no último algarismo significativo (1,1), significa uma dúvida
equivalente a 10% do seu valor. Mais um algarismo na incerteza (1,00) não
fornece mais informações do que as disponíveis com “apenas” 50 medições, e
dá a falsa impressão de maior precisão no valor indicado.
495
Além disso, ao escrever a incerteza com dois algarismos, sabendo que a

dispersão desta incerteza é de, por exemplo 10%, poderíamos escrever que a
incerteza obtida pelo desvio padrão de 50 medições seria (0,10±10%). Isto
significa que, se diversos grupos refizerem o ensaio com outras 50 medições,
apenas cerca de 68% dos grupos obteriam valores da incerteza dentro deste
intervalo. Lembre-se que, em uma distribuição normal, um intervalo de ±um
desvio padrão em torno de um valor médio representa apenas cerca de 68% dos
resultados obtidos (Item 3.5.3).
Assim sendo, a dúvida sobre o valor da incerteza da média obtida pelo desvio
padrão de 50 medidas não possui mais do que dois algarismos significativos,
mesmo em uma distribuição perfeitamente conhecida e simples. Se um
algarismo extra já é inútil na distribuição normal, em um mensurando para o qual
há diversas grandezas de influência com distribuições não perfeitamente
normais ou conhecidas, este algarismo extra é ainda menos significativo.
Figura B3- Incerteza da incerteza em função do número de medições

(para distribuição normal)
496
Precisão do intervalo
O intervalo, no qual o valor verdadeiro deve estar, naturalmente depende do

valor estimado e da variação dos valores obtidos experimentalmente. Supondo
que estes valores apresentem uma distribuição idealmente normal, a curva da
Figura B4 pode ser utilizada para determinar este intervalo (INMETRO, 2008),
de acordo com a probabilidade considerada.
Figura B4- Probabilidade e fator de abrangência para uma distribuição normal
O intervalo, no caso simétrico, é determinado em função do fator de abrangência

k por:
U =  k u
com a incerteza u sendo adotada como o desvio padrão de um número

suficientemente grande de medidas (por exemplo, n “infinito”, ou “muito maior
que 50”). Ou seja, neste caso extremo, há um conhecimento praticamente
497
perfeito do desvio padrão, com tantos algarismos significativos quantos

desejados.
Ao se observar essa curva, percebe-se que quanto maior o fator de abrangência

k , maior a probabilidade do valor verdadeiro estar dentro do intervalo desejado.
Nota-se também que a curva não apresenta comportamento linear,
apresentando um efeito de “saturação” a partir de k = 1,5 , aproximadamente.
Tipicamente são utilizados três fatores de abrangência k :
• k = 1 , para o qual o intervalo obtido possui cerca de 68,3% (é um número

irracional) de incluir o valor verdadeiro. Este intervalo normalmente é
utilizado para trocar informações entre grupos de mesma competência
técnica, pois facilita a conversa (a amplitude do intervalo é numericamente
igual à incerteza padrão). Observe que deste intervalo estão excluídos
32,7% (cerca de 1/3) dos valores obtidos experimentalmente.
• k = 2 , que determina um intervalo com probabilidade de 95,4% (ou seja,
cerca de 95%). Este intervalo é muito bom para representar um valor
aceitável para os valores obtidos, sendo aquele normalmente utilizado
para representar resultados em engenharia. Provavelmente, como em
todo intervalo de uma distribuição normal, parte dos resultados obtidos
estarão fora do intervalo proposto.
• k = 3 , que determina um intervalo de cerca de 99,7%. Muitas vezes este
intervalo é considerado suficiente para afirmar que um resultado fora dele
é “praticamente” impossível. Naturalmente se milhões de medições forem
realizadas, muitas estarão fora deste intervalo.
A Figura B5 apresenta uma ampliação da curva da Figura B4 em torno de k = 2

. Observa-se que o conhecimento preciso de k , e também da incerteza, permite
o cálculo preciso da determinação da probabilidade do valor verdadeiro
encontrar-se dentro do intervalo declarado ( U ).
Suponha que seja suficiente, para uma determinada aplicação, afirmar que o
valor verdadeiro se encontra no intervalo indicado com aproximadamente 95%
de chance. Suponha ainda que “aproximadamente” signifique qualquer ponto da
Figura B5, algo entre 93% e 97%. Neste caso, a exatidão deste intervalo não
precisa ser perfeita. Se ao invés de usar k = 2, 0 , for usado k = 1,8 ou k = 2, 2
(os limites da figura são k = 2 mais ou menos 10%) para a determinação do
intervalo, a afirmação “aproximadamente com 95% de chance” significa que a
precisão de 10% na determinação do intervalo está adequada.
Uma vez que o intervalo depende da multiplicação do fator de abrangência pela

incerteza estimada, é aceitável, neste caso, uma variação de 10% da incerteza.
498
Portanto, declarar um k , ou uma incerteza, com muitos algarismos significativos

torna-se desnecessário.
Figura B5- Probabilidade e fator de abrangência em torno de k = 2

(distribuição normal)
A Figura B6 ilustra o mesmo raciocínio para um intervalo que abrange

aproximadamente 68% dos valores obtidos em um número infinito de medições.
Observa-se que o conhecimento com precisão do valor do fator de abrangência
de 10% (entre 0,9 e 1,1), produz intervalos que possuem a chance de abranger
o valor verdadeiro como algo entre 63% e 73%.
Na Figura B7 observa-se que o efeito de conhecer o fator de abrangência igual

a 3 com 10% de precisão (entre 2,7 e 3,3), implica em definir intervalos muitos
semelhantes, nos quais a probabilidade do valor verdadeiro estar dentro deles é
muito próxima de 99,7%. Este resultado provém do efeito de “saturação” da
curva, já observado anteriormente na Figura B4.
Pode-se concluir que conhecer o intervalo com muito mais do que 10% de
precisão é pouco útil para a tomada de decisões, quando é suficiente afirmar que
“o valor verdadeiro possui aproximadamente 68% (ou 95% ou 99,7%) de chance
de estar no intervalo declarado”. Uma vez que o intervalo é determinado tanto
499
pelo valor de k , como pelo valor da incerteza padrão u , conhecer o valor desta
incerteza com muito mais do que 10% de precisão raramente será útil para
efeitos práticos. Naturalmente se, para a tomada de decisões, for necessário
afirmar que “a probabilidade do VC encontrar-se no intervalo indicado é de
exatamente 95,000%” o número de medições e de algarismos significativos para
a declaração da incerteza tenderia a infinito.

k (Fator de abrangência)
A representação de uma incerteza com um determinado número de algarismos

significativos implica no conhecimento desta incerteza com uma determinada
exatidão. Na Figura B8 foi traçado um gráfico com três curvas, que representam
o número de algarismos significativos utilizados para representar a incerteza: 1
(curva azul); 2 (curva vermelha); e 3 (curva verde). Naturalmente, o efeito do
número de algarismos significativos na precisão percentual da incerteza é
dependente do valor da incerteza.
Por exemplo, a resolução de um algarismo para uma incerteza de valor “1”,

produz 100% de dúvida (1 em 1). Já a resolução de dois algarismos na mesma
incerteza, reduz a dúvida para 10%. A resolução de dois algarismos numa
500
incerteza igual a 5 produz uma dúvida de 2% (0,1 em 5,0, com 5,0 possuindo 2
algarismos significativos). Esses três casos estão indicados pelos pontos azuis
na Figura B8.

Esta análise justifica a recomendação prática de se utilizar dois algarismos

significativos para incertezas cujo primeiro algarismo seja 1 ou 2. O valor da
precisão percentual diminui para incertezas com o primeiro algarismo igual a 3
ou maior, justificando a possibilidade de utilização de um único algarismo
significativo nesses casos. Em qualquer caso, não há justificativa prática para se
utilizar mais que dois algarismos significativos na representação da incerteza.
Portanto não são necessários três algarismos significativos para representar

uma incerteza, uma vez que, como discutido anteriormente, raramente é
necessário conhecer com muita precisão o percentual dos resultados esperados
que ficarão dentro do intervalo determinado.
Por outro lado, a representação com apenas um algarismo significativo para o

valor resultante do intervalo deverá ser restrita a intervalos que representem
501
altas probabilidades de abranger o valor convencional (por exemplo, 95% ou

99,7%), ou para incertezas cujo primeiro algarismo seja 3 ou maior.
Figura B8- Incerteza percentual da incerteza versus valor da incerteza, em função do

número de algarismos significativos em sua representação
100,0%
incerteza
percentual
da incerteza
número de
algarismos
10,0%
significativos
1
2
3
1,0%
valor da
0,1%
incerteza
0 2 4 6 8 10 12
Propor um número de algarismos significativos para a incerteza é uma tarefa que

exige um excelente conhecimento do mensurando. Mas mesmo neste caso, a
utilidade da incerteza e o rigor estatístico raramente permitirão conhecer a
incerteza com mais do que dois algarismos significativos.
O estudo aqui apresentado promoveu algumas explicações e justificativas para

as recomendações da ISO GUM (INMETRO, 2008), referentes à representação
da incerteza com um número máximo de dois algarismos significativos, já que
um número maior não teria nenhum significado prático, tendo em vista os
métodos estatísticos envolvidos nos processos experimentais de medição.
Assim, ao representar um resultado experimental é necessário manter o número

de algarismos significativos compatível com as incertezas de medição. Um
procedimento adequado para identificar o número de algarismos de um resultado
é:
• obter o resultado com o número de algarismos suficiente;

• estimar a incerteza do resultado;
• com esta incerteza, gerar um intervalo de resultados com uma
determinada probabilidade;
502
• este intervalo deve ser representado com um ou no máximo dois

algarismos significativos, e o arredondamento deve ser feito sempre para
cima, em prol da segurança;
• o resultado é apresentado com um número de algarismos compatível com
o intervalo, arredondando-se o valor, se necessário (ver Item 1.7).
Por exemplo, suponha que foram medidos um valor de tensão (V) e um valor de
corrente (I) sobre um resistor:
V = 1,0 V; I= 3,0 A.
De acordo com a Lei de Ohm, a resistência experimental seria:
R = V/I = 0,33333333333333 ohms (mantendo-se várias casas decimais).
A incerteza padrão foi estimada como 0,5% do valor da resistência, ou seja, u =

0,0016666 ohms
O intervalo escolhido foi de 1,0% ( k = 2 ; 95%);
Portanto U = 2u = 0,0034 ohms (o intervalo sempre é arredondado para cima, e

a incerteza deve ter no máximo dois algarismos significativos);
E o resultado finalmente pode ser expresso como:
R = (0,3333±0,0034) ohms ( k = 2 ; 95%), compatibilizando-se o número de casas

decimais entre o valor e a incerteza, ao se arredondar o valor da grandeza.
Na Tabela B2 são dispostas algumas formas de se apresentar o valor de um

mesmo mensurando acompanhado de sua incerteza. Lembramos que
adicionalmente deve ser sempre especificado o valor do fator de abrangência k
associado à incerteza, bem como o nível de confiança, ou seja, a probabilidade
de que o valor verdadeiro da grandeza se encontre no intervalo determinado pela
incerteza.
Tabela B2- Formas de apresentação do mensurando e incerteza
(12,435 ± 0,067) mm
12,435 (67) mm
12,435 (0,067) mm
12,435 mm ± 0,5% 54
54
A incerteza relativa percentual deve também ser apresentada com o máximo de dois algarismos, sem
necessidade de concordância com o número de casas decimais da grandeza. No entanto o número de
casas decimais da grandeza deve ser compatível com o valor percentual da incerteza.
503
504
ÍNDICE
ABNT ..................................................... 254 compatibilidade ........................... 116, 117

Abordagem da Incerteza .................... 328 compatibilidade eletromagnética ...... 161
Abordagem do Erro ............................. 327 comunicação sem fio .......................... 139
Ajuste de curvas .................................. 203 condições ambientais ......................... 162
ajuste de zero....................................... 164 Conferência Geral de Pesos e Medidas
algarismos significativos ....................... 29 ..................................................... 23, 315
amostra ........................... 57, 225, 249, 494 Constante de gravitação ...................... 41
amostragem.......................................... 133 constante de Planck ............................. 28
Amostras Aleatórias ............................ 451 constante de tempo ... 160, 190, 193, 199,
API ......................................................... 139 246, 297
Arduino .................................................. 324 constante elástica ............... 128, 282, 283
Atmosfera padrão .................................. 41 Conversão AD e DA ........................... 301
balança de Kibble ................................ 326 conversão analógico-digital ...... 126, 127,
balança de mola .................................. 127 133, 136
balança digital .................................. 66, 72 conversor AD ......................... 66, 134, 137
barra de erro........................................... 80 conversor DA ............................... 136, 137
barramentos ......................................... 138 correlação............................................. 118
BIPM .............................. 22, 23, 25, 26, 329 correlação entre grandezas ............... 215
bloco de condicionamento ................. 126 correlação entre parâmetros ............. 215
Bluetooth ............................................... 139 covariância ................... 118, 215, 216, 450
Bureau Internacional de Pesos e COVID-19 ............................................. 304
Medidas............................... 23, 326, 329 Critério de Chauvenet ........................ 219
Bureau International des Poids et curvas de transferência ...................... 158
Mesures .............................................. 22 delta de Dirac....................................... 431
calibração.................................. 24, 26, 163 Densidades de Sólidos ...................... 278
Calibração de Termômetro .................... 295 Desigualdade de Chebyshev ............ 446
câmaras anecoicas ............................. 162 desvio padrão .................. 57, 58, 235, 433
capacitância.......................................... 229 desvio padrão da média............... 58, 235
carga do elétron ..................................... 28 diagrama 6M .......................................... 47
Certificado de Calibração ............. 24, 164 Diagrama de Causa e Efeito ............. 264
CGPM .............................................. 23, 315 Diagrama de Ishikawa .................. 47, 264
classe de exatidão ............................... 151 diagrama de Venn............................... 416
codificação ............................................ 133 Diagrama Espinha-de-peixe ........ 47, 264
coeficiente angular .............................. 206 dimensão ................................................ 23
coeficiente de correlação ... 118, 217, 449 dinamômetro ........................ 128, 220, 282
coeficiente de correlação linear......... 215 discrepância ......................................... 114
coeficiente de determinação .............. 207 display ........................... 127, 138, 144, 148
coeficiente de restituição ............ 193, 291 display analógico......................... 145, 156
coeficiente linear .................................. 206 display digital ................. 30, 145, 148, 156
coeficientes de sensibilidade ....... 99, 117 distribuição amostral............................. 87
Combinações ....................................... 414 distribuição binomial ........................... 419
Comitê Internacional de Pesos e distribuição de Poisson .............. 422, 434
Medidas............................................. 315 distribuição de probabilidade .............. 60
comparabilidade metrológica ............... 26 distribuição exponencial..................... 427
505
distribuição gaussiana .......... 74, 425, 450 função densidade de probabilidade .. 62,
distribuição geométrica ....................... 422 75, 423
distribuição normal .................. 57, 74, 425 função Gama ......................................... 89
distribuição retangular .......................... 63 fundo de escala ................................... 151
distribuição t de Student ....................... 87 General Purpose Interface Bus ........ 140
distribuição triangular ...................... 67, 71 GPIB...................................................... 140
distribuição uniforme ..................... 61, 426 grandezas. 9, 11, 12, 15, 17, 18, 19, 20, 22,
Distribuições estatísticas ...................... 60 23
Documentação Técnica ...................... 251 grandezas de influência ........... 17, 37, 45
efeitos aleatórios........................ 28, 53, 56 graus de liberdade ................ 88, 187, 208
efeitos sistemáticos ......................... 17, 28 Guia para a Expressão da Incerteza de
Elementos Gráficos ............................. 262 Medição .................................. 9, 15, 328
elevador .................................................. 76 hipótese alternativa............................. 237
equação diferencial ..................... 189, 190 hipótese nula ....................................... 237
erro......................................... 20, 28, 29, 55 histerese ............................................... 159
erro de ganho ....................................... 137 histograma ..................................... 61, 229
erro de offset ........................................ 137 IEEE ...................................................... 255
erro de quantização ............................ 135 incerteza ...16, 17, 25, 27, 28, 29, 164, 343,
erro normalizado .......................... 116, 242 495
erro relativo............................................. 28 incerteza “definicional” ....................... 265
erro relativo percentual ......................... 28 incerteza de medição ........................... 60
Erro Tipo I ............................................. 240 incerteza expandida ............. 98, 102, 104
Erro Tipo II ............................................ 240 incerteza padrão ....................... 57, 58, 60
erros quadráticos ................................. 205 incerteza padrão combinada .. 57, 97, 98,
escala .................................................... 128 99
espaço amostral .................................. 402 incerteza padrão da distribuição
esperança ............................. 429, 440, 444 uniforme.............................................. 66
Estatística ................................. 57, 87, 225 incerteza relativa ........................... 96, 101
estimação de parâmetros ................... 455 índice de massa corpórea ................. 121
estimadores de máxima Inferência estatística........................... 225
verossimilhança ............................... 460 Inmetro...................................... 23, 25, 495
Ethernet................................................. 143 Instituto de Pesquisas Tecnológicas. 25,
evento .................................................... 403 177
evento complementar ......................... 409 Instituto Nacional de Metrologia,
eventos equivalentes .......................... 438 Qualidade e Tecnologia ................... 23
exatidão........................... 43, 127, 151, 153 Instrumentação .......... 16, 17, 19, 125, 140
Excel ...................................................... 204 Instrumentação Automatizada .......... 315
experimento .... 16, 17, 18, 27, 28, 173, 203 instrumentação eletrônica.................. 132
experimento aleatório ......................... 401 Instrumentação inteligente ................ 322
extensômetro........................................ 128 Instrumentação modular .................... 320
faixa de frequências ............................ 160 Instrumentação portátil....................... 323
faixa de medidas.................................. 159 Instrumentação Virtual ....................... 316
fator de abrangência ....... 87, 89, 103, 498 Instrumento de medição .................... 125
Fluxograma........................................... 262 Instrumentos Analógicos...................... 95
fontes de ruído ..................................... 127 Instrumentos Digitais ............................ 95
fórmula de Welch-Satterthwaite ........ 104 instrumentos eletrônicos .................... 315
frequência relativa ................. 61, 232, 405 Instrumentos Virtuais .......................... 316
Função de distribuição acumulativa . 427 intercepto.............................................. 206
função de transferência .............. 126, 134 Interface Homem-Máquina ................ 137
506
Interfaces para Programação da método dos nulos ................................ 167

Aplicação .......................................... 139 Metodologia ......................................... 258
interferência eletromagnética ............ 161 Métodos Experimentais em Engenharia
International Organization for ....................................... 9, 251, 277, 303
Standardization ................................ 327 metro ............................... 19, 20, 22, 24, 39
intervalo............... 28, 29, 98, 114, 427, 497 metrologia........15, 16, 19, 20, 21, 326, 327
ISO GUM .................................... 9, 15, 328 Metrologia científica .............................. 21
JCGM ...................................................... 15 Metrologia industrial.............................. 21
LABFit .................................................... 204 Metrologia legal ..................................... 21
Laboratoire National de Métrologie et mínimo da amostra ............................. 454
d’Essais ............................................... 26 MMQ ..................................................... 204
Laboratório Remoto ............................ 322 MMQ ponderado ................................. 208
LAN ........................................................ 143 modelo ............................................ 17, 381
largura de banda.................................. 138 modelo analítico .................................. 173
latência .................................................. 138 Modelo de Malthus ............................. 310
LCD ........................................................ 145 modelo matemático ............................ 399
LED ........................................................ 145 Modelos em Engenharia .................... 175
Lei da Propagação da Incerteza ......100, modelos exponenciais ........................ 190
119 modelos lineares ................................. 186
lei de Hooke.................. 176, 245, 282, 283 Modelos polinomiais ........................... 182
lei de Ohm .................... 186, 211, 445, 503 modelos senoidais .............................. 189
lei de propagação das variâncias ....... 77 módulo de saída .................................. 126
Lei dos grandes números ................... 448 módulo de sensoriamento ................. 126
Light Emitting Diode ............................ 145 módulos condicionadores .................. 132
limiar de mobilidade ............................ 154 mola....................................................... 127
linearidade ............................................ 158 movimento harmônico simples ......... 282
Liquid Crystal Display ......................... 145 multímetro ............................................ 153
Local Area Network ............................. 143 National Institute of Standards and
LXI .......................................................... 143 Technology......................................... 26
matriz Hessiana ................................... 487 National Physical Laboratory .............. 26
máximo da amostra ............................. 454 níveis de quantização......................... 135
média ........................................... 38, 57, 58 nível de confiança ........................... 59, 98
média amostral .................................... 453 Normas Técnicas ................................ 254
mediana .................................................. 38 Número de Avogadro ........................... 41
medição absoluta ................................ 165 número de bits ..................................... 135
medição diferencial ............................. 166 número de classes ........................ 63, 230
medição direta........................................ 49 número de Euler .................................... 39
medição indireta .................................... 49 número de graus de liberdade . 104, 185,
medição por substituição.................... 166 471
medições correlacionadas ................. 117 número de medições .......................... 493
mensurando................................ 17, 35, 37 Organização Meteorológica Mundial . 38
mensurando invariável.......................... 42 osciloscópio ......................................... 149
mensurando variável ............................. 42 outliers .......................................... 218, 229
Método da derivada no ponto inicial . 197 padrão ................. 20, 22, 82, 141, 170, 243
Método da linearização ...................... 194 padrões primários ....... 22, 24, 25, 26, 326
método de máxima verossimilhança 460 padrões secundários ............................ 22
Método de medida de tempo ............. 193 paquímetros ......................................... 144
método dos mínimos quadrados ......195, paralaxe ...................... 49, 73, 94, 148, 293
203, 465, 477, 480, 482 parâmetros estatísticos ...................... 453
507
passo de quantização ......................... 134 Sistema de medição ........................... 125

PCI ......................................................... 142 Sistema Internacional de Unidades .. 15,
pêndulo simples ................................... 285 23
período de amostragem ..................... 134 sistema massa-mola........................... 284
Peripheral Component Interconnect . 142 sistemas dinâmicos de medição ......... 43
Permeabilidade magnética .................. 41 smartphones ................................ 303, 325
Permissividade dielétrica...................... 42 software de aplicação......................... 139
Permutações ........................................ 412 software de driver ............................... 139
Plug and Play ....................................... 141 somas de variâncias ............................. 98
Ponte de Wheatstone ................. 128, 167 strain gage ........................................... 128
ponteiro ........................................... 73, 128 Tabela de Balanço de Incertezas .... 260,
ponto de inflexão ................................. 426 264
população ................................. 57, 87, 225 tablets ................................................... 325
práticas interlaboratoriais ........... 115, 243 tamanho médio de grãos ................... 289
precisão............. 29, 43, 127, 135, 153, 250 taxa de amostragem ................... 134, 160
Pré-Relatório ........................................ 255 taxa de Nyquist .................................... 134
probabilidade .................. 29, 157, 407, 499 telefone celular .................................... 303
processo planimétrico ......................... 289 tempo de resposta .............................. 160
processo por intercepto ...................... 289 tendência .............................................. 164
Projeto de experimento ....................... 174 teorema da amostragem de Nyquist-
propagação de incertezas ... 99, 117, 211, Shannon ........................................... 133
444 Teorema do Limite Central ... 77, 87, 102,
quantização .......................................... 133 226, 227, 448, 492
Quarteto de Anscombe ....................... 218 teoria de conjuntos ............................. 404
quilograma ............................................ 326 teoria de probabilidades..................... 404
rastreabilidade............................ 22, 25, 26 termistor................................................ 300
regressão linear ................................... 205 termômetro ..... 37, 131, 159, 165, 200, 401
relação sinal/ruído ............................... 132 Testes de hipóteses...................... 16, 235
Relatório Técnico ................................. 257 Testes de hipóteses unilaterais e
relógio digital .......................................... 95 bilateral ............................................. 242
repetitividade .................. 56, 152, 153, 159 tipo A ..................................... 28, 54, 55, 57
Representação da incerteza com o tipo B ............................... 28, 54, 55, 92, 93
mensurando...................................... 111 TMSA ...................................... 39, 105, 265
reprodutibilidade .................................... 56 tolerância ................................................ 94
resolução ............ 42, 70, 95, 135, 154, 156 touchscreen ......................................... 146
resolução da escala ............................ 128 transdutor ..................................... 126, 131
resolução de entrada .......................... 155 Transferência de incertezas .............. 210
resolução de saída .............................. 155 UFABC ........................................ 9, 11, 278
Resumo ................................................. 257 unidades ................................................. 24
Revolução Francesa ............................. 19 Universal Serial Bus ........................... 141
sensibilidade ......................................... 157 USB ....................................................... 141
sensor .................................... 126, 131, 296 valor convencional .............. 28, 29, 39, 53
Sensores ativos ................................... 132 valor do ................................................ 40
Sensores passivos .............................. 132 valor esperado ..................................... 429
sensores térmicos ............................... 300 valor verdadeiro....... 20, 28, 35, 39, 40, 43
série de Taylor ..................................... 100 variância 57, 70, 79, 82, 185, 186, 432, 444
sinal contínuo ....................................... 134 variância amostral ............................... 454
sinal discreto ........................................ 134 Variáveis aleatória discretas ............. 418
sistema de medição ............................ 130 variáveis aleatórias ....................... 38, 492
508
Variáveis aleatórias contínuas........... 423 WiFi ....................................................... 139

velocidade da luz ................. 22, 23, 28, 39 WiMax ................................................... 139
VIM................................. 9, 15, 18, 327, 328 z’-score ......................................... 115, 242
Vocabulário Internacional de Metrologia ZigBee................................................... 139
.................................................. 9, 15, 327
509

Livro Métodos Eperimentais em Engenharia - Final

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

Livro Métodos Eperimentais em Engenharia - Final

Enviado por

Direitos autorais:

Formatos disponíveis

MÉTODOS

Denise Consonni, Júlio Carlos Teixeira, Kenji Nose Filho

Ana Paula Romani, Daniel Zanetti de Florio, Denise Consonni,

Felipe Jun Ichi Anzai, Jaine Aparecida da Silva Pereira

CAPÍTULO 1- EXPERIMENTAÇÃO E METROLOGIA EM ENGENHARIA ............................. 15

1.1 Introdução ................................................................................................... 15

1.2 A metodologia do experimento .................................................................... 16

1.3 Medições de grandezas fundamentais nas Engenharias ................................ 18

1.4 A metrologia e o desenvolvimento da humanidade ...................................... 19

1.5 Padrões, sistemas de unidades e calibração .................................................. 22

1.6 Rastreabilidade de medições ........................................................................ 25

1.7 Características e resultados das medições .................................................... 27

1.8 Exercícios de aplicação ................................................................................. 32

CAPÍTULO 2 -MENSURANDOS E GRANDEZAS DE INFLUÊNCIA........................................ 35

2.1 Introdução ................................................................................................... 35

2.2 Definição de mensurando na Engenharia ...................................................... 35

2.3 Valor verdadeiro e valor convencional .......................................................... 39

2.4 Mensurando variável e invariável ................................................................. 42

2.5 Exatidão e Precisão da Medição ................................................................... 43

2.6 Grandezas de influência ............................................................................... 45

2.7 Medições diretas e indiretas ......................................................................... 49

2.8 Exercícios de aplicação ................................................................................. 50

CAPÍTULO 3 - EFEITOS ALEATÓRIOS E SISTEMÁTICOS NAS MEDIÇÕES ......................... 53

3.1 Introdução ................................................................................................... 53

3.2 Repetibilidade e Reprodutibilidade .............................................................. 56

3.3 Tratamento das Incertezas tipo A ................................................................. 57

3.4 Incertezas tipo B........................................................................................... 92

3.5 A incerteza padrão combinada ..................................................................... 97

3.6 Representação da incerteza com o mensurando ......................................... 111

3.7 Comparação e Compatibilidade entre medições ......................................... 114

3.8 Medições Correlacionadas .......................................................................... 117

3.9 Exercícios de aplicação ............................................................................... 120

CAPÍTULO 4- EQUIPAMENTOS E INSTRUMENTAÇÃO .................................................... 125

4.1 Arquitetura geral de um sistema de medição .............................................. 125

4.2 Elementos básicos de instrumentação ........................................................ 130

4.3 Características, Especificações e Incertezas associadas aos sistemas de

4.4 Calibração de sistemas de medição ............................................................ 163

4.5 Métodos de medição.................................................................................. 165

4.5.3 Método de medição diferencial ........................................................... 166

4.6 Exercícios de aplicação ............................................................................... 169

CAPÍTULO 5- PROJETO DE EXPERIMENTOS, MODELOS E ANÁLISE DE RESULTADOS 173

5.1 Projeto de experimentos em Engenharia .................................................... 173

5.2 Modelos em Engenharia ............................................................................. 175

5.3 Ajuste de curvas e o Método dos Mínimos Quadrados ................................ 203

5.4 Inferência estatística .................................................................................. 225

5.5 Exercícios de aplicação ............................................................................... 245

CAPÍTULO 6- DOCUMENTAÇÃO TÉCNICA EM ENGENHARIA ........................................ 251

6.1 Importância da Documentação Técnica ...................................................... 251

6.2 Importância das Normas Técnicas............................................................... 254

6.3 Pré-Relatório.............................................................................................. 255

6.4 Relatório Técnico ....................................................................................... 257

6.5 Elementos Gráficos .................................................................................... 262

6.5.1 Fluxogramas ........................................................................................ 262

6.6 Exercícios de Aplicação ............................................................................... 271

CAPÍTULO 7- ESTUDOS DE CASOS ..................................................................................... 277

7.1 Introdução ................................................................................................. 277

7.2 Dimensões e Densidades de Sólidos ........................................................... 278

7.3 Medição de Constante Elástica e Força ....................................................... 282

7.4 Tamanho médio de grãos ........................................................................... 289

7.5 Coeficiente de Restituição .......................................................................... 291

7.6 Calibração de Termômetro ......................................................................... 295

7.7 Constante de Tempo .................................................................................. 297

7.8 Sensores Térmicos...................................................................................... 300