E-BOOK Metrologia e Incerteza em Sua Essência

Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.
768-85 - H
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
Editora chefe
Profª Drª Antonella Carvalho de Oliveira
Assistentes editoriais
Natalia Oliveira
Flávia Roberta Barão
Bibliotecária
Janaina Ramos
Projeto gráfico e diagramação
Camila Alves de Cremo
Daphynny Pamplona
Gabriel Motomu Teshima
Luiza Alves Batista
Natália Sandrini de Azevedo 2022 by Atena Editora
Imagens da capa Copyright © Atena Editora
iStock Copyright do texto © 2022 Os autores
Edição de arte Copyright da edição © 2022 Atena
Luiza Alves Batista Editora
Revisão Direitos para esta edição cedidos à Atena
O autor Editora pelos autores
Todo o conteúdo deste livro está licenciado sob uma Licença de

Atribuição Creative Commons. Attribution-NoDerivatives 4.0
International (CC BY-ND 4.0)
O conteúdo do texto e seus dados em sua forma, correção e confiabilidade são de

responsabilidade exclusiva do autor, inclusive não representam necessariamente a
posição oficial da Atena Editora. Permitido o download da obra e o compartilhamento
desde que sejam atribuídos créditos ao autor, mas sem a possibilidade de alterá-la de
nenhuma forma ou utilizá-la para fins comerciais.
Todos os manuscritos foram previamente submetidos à avaliação cega pelos pares,

membros do Conselho Editorial desta Editora, tendo sido aprovados para a publicação com
base em critérios de neutralidade e imparcialidade acadêmica.
A Atena Editora é comprometida em garantir a integridade editorial em todas as etapas do

processo de publicação, evitando plágio, dados ou resultados fraudulentos e impedindo
que interesses financeiros comprometam os padrões éticos da publicação. Situações
suspeitas de má conduta científica serão investigadas sob o mais alto padrão de rigor
acadêmico e ético.
Conselho editorial
Ciências exatas e da terra e engenharias
Prof. Dr. Adélio Alcino Sampaio Castro Machado – Universidade do Porto
ProFª Drª Ana Grasielle Dionísio Corrêa – Universidade Presbiteriana Mackenzie

Prof. Dr. Carlos Eduardo Sanches de Andrade – Universidade Federal de Goiás
Profª Drª Carmen Lúcia Voigt – Universidade Norte do Paraná
Prof. Dr. Cleiseano Emanuel da Silva Paniagua – Instituto Federal de Educação, Ciência e
Tecnologia de Goiás
Prof. Dr. Douglas Gonçalves da Silva – Universidade Estadual do Sudoeste da Bahia
Prof. Dr. Eloi Rufato Junior – Universidade Tecnológica Federal do Paraná
Profª Drª Érica de Melo Azevedo – Instituto Federal do Rio de Janeiro
Prof. Dr. Fabrício Menezes Ramos – Instituto Federal do Pará
Profª Dra. Jéssica Verger Nardeli – Universidade Estadual Paulista Júlio de Mesquita Filho
Prof. Dr. Juliano Carlo Rufino de Freitas – Universidade Federal de Campina Grande
Profª Drª Luciana do Nascimento Mendes – Instituto Federal de Educação, Ciência e
Tecnologia do Rio Grande do Norte
Prof. Dr. Marcelo Marques – Universidade Estadual de Maringá
Prof. Dr. Marco Aurélio Kistemann Junior – Universidade Federal de Juiz de Fora
Profª Drª Neiva Maria de Almeida – Universidade Federal da Paraíba
Profª Drª Natiéli Piovesan – Instituto Federal do Rio Grande do Norte
Profª Drª Priscila Tessmer Scaglioni – Universidade Federal de Pelotas
Prof. Dr. Sidney Gonçalo de Lima – Universidade Federal do Piauí
Prof. Dr. Takeshy Tachizawa – Faculdade de Campo Limpo Paulista

Metrologia e incerteza em sua essência: tudo o que nunca te contaram
sobre incerteza de medição
Diagramação: Daphynny Pamplona

Correção: Maiara Ferreira
Edição de arte: Luiza Alves Batista
Revisão: O autor
Autor: Fernando Cunha
Dados Internacionais de Catalogação na Publicação (CIP)
C972 Cunha, Fernando

Metrologia e incerteza em sua essência: tudo o que nunca
te contaram sobre incerteza de medição / Fernando
Cunha. – Ponta Grossa - PR: Atena, 2022.
Inclui bibliografia
ISBN 978-65-258-0418-7 (Brochura)
1. Metrologia - Pesos e medidas. I. Cunha, Fernando. II.

Título.
CDD 389.1
Elaborado por Bibliotecária Janaina Ramos – CRB-8/9166
Atena Editora
Ponta Grossa – Paraná – Brasil
Telefone: +55 (42) 3323-5493
www.atenaeditora.com.br
contato@atenaeditora.com.br

AGRADECIMENTOS
Esta obra não teria sido concluída sem a participação de pessoas importantes na
construção da minha trajetória no estudo da metrologia. Professores, alunos, colegas de
profissão, familiares, amigos, pessoas que contribuíram com conhecimento, experiências,
oportunidades, desafios, críticas construtivas, apoio moral e reconhecimento profissional.
Não podemos evoluir sem os resultados dos relacionamentos humanos, profissionais,
sociais e familiares. Não construímos nada sozinhos.
Agradeço a contribuição de todas as pessoas com quem pude compartilhar e
ouvir ideias no âmbito da metrologia e das demais ciências que dependem de medição. E
agradeço a contribuição de quem sequer sabia o significado da palavra metrologia, mas
que pôde trazer toques de sabedoria na minha jornada.
Faço um agradecimento especial a todos os profissionais que procuram aprimorar
suas práticas metrológicas no laboratório pelo verdadeiro aprendizado, que não se limitam
às “soluções prontas”, porque são eles que sustentam meus objetivos enquanto profissional
da área, e foram eles que sinalizaram pela necessidade da elaboração desta obra.

PREFÁCIO
Era julho de 2009, quando fui até a sala do professor Fabris, que havia ministrado a
disciplina de Físico-Química I no semestre anterior. Comentei com ele que tinha assistido
uma palestra sobre Tecnologia Industrial Básica (TIB) ministrada pelo professor Welington,
como sugestão de disciplina para a grade curricular do curso de Química Bacharelado
Tecnológico. Identifiquei no tema da palestra algo que fez sentido para mim: analisar riscos
em ensaios químicos para dar suporte às decisões de conformidade. Durante a conversa,
mencionei o meu interesse em aprofundar o conhecimento em metrologia, que é a ciência
base da TIB. Dava ali o primeiro passo para me tornar um profissional da metrologia.
Foram diversas conversas e leituras recomendadas pelo professor Welington,
até que em 2010 pude me matricular na disciplina Tópicos em Físico-Química Avançada
A: Metrologia Química. Eram quatro horas consecutivas à noite, uma vez por semana.
Durante a disciplina, tive a oportunidade de participar ativamente, responder perguntas
e adquirir conhecimento. No segundo semestre daquele ano, comecei a trabalhar no
Ministério da Agricultura como estagiário, onde pude aplicar as ferramentas aprendidas e
conviver diretamente com o que tinha de mais aprimorado em termos planilhas de cálculo
de validação e incerteza no país.
Não demorou para que eu fosse convidado para realizar uma consultoria em um
laboratório de análises ambientais, onde implementei as planilhas de cálculo e ministrei o
treinamento, ainda antes de concluir a primeira graduação. Ao longo da carreira, estive em
dezenas de instituições públicas e privadas, colaborei com centenas de profissionais de
laboratório, seja como prestador de serviço ou apenas fornecendo dicas preciosas em um
bate-papo informal.
Logo após concluir a graduação, fiz uma escolha difícil. A metrologia química era
uma ciência muito recente que começou a ser consolidada nos anos de 1990. Portanto,
pude perceber divergências entre linhas de pensamento expostas nas publicações da área,
artigos, livros, normas nacionais e internacionais. Vi referências que não eram compatíveis
com os preceitos do Escritório Internacional de Pesos e Medidas (da sigla em francês BIPM),
fiz cursos de metrologia em outras instituições com abordagens de ensino equivocadas e
com fraca fundamentação matemática. Optei em não fazer mestrado na área de metrologia,
mas sim estudar por conta própria, dando prioridade às publicações do Joint Committee
for Guides in Metrology (JCGM). Os programas eram concentrados na parte de gestão dos
sistemas de qualidade, e limitados no aspecto do ferramental estatístico. Nesse sentido,
eu considerava que as grades curriculares não estavam alinhadas aos meus objetivos
profissionais.
Como estamos falando de uma ciência recente, faz sentido imaginar que até então

não existiam especialistas que começaram na Metrologia Química. Todos que conheci
e ouvi falar começaram suas carreiras em outras áreas do conhecimento, e depois de
muitos anos atuando em laboratórios ou ministrando aulas resolveram estudar Metrologia
Química. Talvez eu esteja errado, mas penso que sou parte da primeira geração que
nasceu profissionalmente nessa área. E isto sempre foi um desafio muito grande. Eu
precisava ter um senso crítico avançado para detectar as incoerências de cada linha de
pensamento, e ter habilidade suficiente para driblar eventuais julgamentos por contestar
muitos paradigmas pré-estabelecidos na cultura acadêmica da área.
Uma das motivações que me mantém acreditando que eu estou no caminho certo
é ouvir dos meus alunos que minhas ideias provocavam questionamentos consistentes.
Quando eu faço a seguinte pergunta para um analista: “você acha que faz sentido que
um método ou procedimento tenha uma incerteza fixa ou a incerteza estaria associada
ao resultado da medida para cada amostra?”, eu consigo transformar espontaneamente
a visão que o analista tem do seu próprio trabalho. Eu poderia ainda perguntar: “você
acha certo tirar fontes de incerteza da sua própria cabeça, não seria melhor observar a
equação que te leva ao resultado da medição?”. Com perguntas desse tipo, eu assumo
a missão de disseminar o conhecimento em Metrologia Química, combinando as
ferramentas estatísticas adequadas com os métodos de análise, sem deixar de combater
as simplificações falaciosas, que aumentam o risco nas relações de consumo.
O propósito desse livro é expor de forma acessível os princípios da metrologia, dando
enfoque ao modelo de medição. Alternamos capítulos matematicamente mais densos com
capítulos mais textuais para proporcionar uma leitura mais leve e fluida. O conteúdo é
apresentado na forma de um diálogo entre o aluno e seu professor de metrologia. Nos três
primeiros capítulos, são apresentados conceitos básicos dentro de um contexto familiar
para a grande maioria das pessoas, medição de comprimento e área. Nos capítulos 4 e 5,
foi utilizado um exemplo de preparo de solução, seguido de uma crítica sobre um método
simplificado de cálculo ainda muito utilizado nos laboratórios. O capítulo 6 foi escrito com
metáforas e alegorias especialmente para transformar a mentalidade dos analistas que
foram orientados segundo abordagens de fraca argumentação matemática. Nos capítulos
7, 8, 9 e 10 foram desenvolvidos modelos de medição com aplicação de dados simulados
para ensaios de química e microbiologia. O capítulo 11 tem um aspecto lúdico para mostrar
como os riscos influenciam o nosso dia a dia. O capítulo 12 mostra como se estima uma
função de calibração e seus parâmetros. O capítulo 13 apresenta conceitos e definições
sobre os valores limites na perspectiva da análise de risco. Cabe ressaltar que há muita
divergência entre as referências na literatura quanto às definições dos valores limites. Este
livro traz as definições estatisticamente bem fundamentadas e úteis para a segurança do
consumidor. O capítulo 14 traz uma discussão sobre o conceito de amostragem e quando
esse processo poderia influenciar o resultado de medição. No capítulo 15, foi apresentado

um exemplo de modelagem de medição para calibração de instrumento. O capítulo 16
conta um pouco da história do fim do determinismo na ciência e o surgimento da física
quântica para responder a seguinte pergunta: “Seria possível fazer uma medição sem
erros?”. O capítulo 17 finaliza a obra com uma reflexão filosófica no intuito de mostrar a
beleza da metrologia e sua participação na sobrevivência da humanidade.

APRESENTAÇÃO
A metrologia é uma ciência e deve ser tratada como tal. Possui vocabulário próprio e
premissas bem sustentadas nas teorias de probabilidade e inferência estatística. Toda área
do conhecimento humano que lida com medição deve estabelecer laços harmoniosos com
os conceitos da metrologia quando aplica suas ferramentas na estimativa do resultado,
visando analisar o risco de conformidade nas relações comerciais.
Quando a química aproximou-se da metrologia a fim de construir os laços
necessários, não houve uma consolidação das boas práticas metrológicas de imediato,
como poderia se esperar, mas um choque bem conturbado de paradigmas. Muitas vezes,
essas ciências trazem conceitos e práticas conflitantes, tornando a interação complexa e
pouco harmoniosa. Nesse contexto, é possível que o analista seja seduzido pelo caminho
das simplificações exageradas e dos falsos atalhos, embasados em argumentos os quais
assumem que fazer o correto é trabalhoso ou contraproducente, deturpam as orientações
do BIPM e subestimam a capacidade dos profissionais. Imaginar fontes de incerteza para
estimar a incerteza combinada de um resultado, por exemplo, ignorando o modelo de
medição, foi uma péssima prática identificada em cursos e referências que abrangem as
duas ciências simultaneamente.
Metrologia e incerteza em sua essência: tudo o que nunca te contaram sobre
incerteza de medição é uma obra que traz as orientações do BIPM para se estimar um
resultado com incerteza de medição para um plano mais acessível aos analistas. A história
se passa quando o aluno convida o professor para uma conversa sobre medição, e todo o
diálogo é construído de modo que os principais aspectos da teoria de cálculo de incerteza
sejam transmitidos ao leitor de forma leve e matematicamente fundamentada. Durante
a conversa, o professor desmistifica uma série de dúvidas e falsas impressões comuns
a maioria dos estudantes que buscam compreender melhor seus próprios trabalhos
laboratoriais na ótica da metrologia.
O grande diferencial da obra é a capacidade de alcançar desde o estudante em
início de graduação até professores e profissionais com nível de doutorado na química
analítica e em áreas correlatas. Foi construída para formar o conhecimento de quem nunca
teve contato com cálculo de incerteza, bem como para corrigir os vícios de quem passou
por metodologias de ensino equivocadas. A leitura da obra proporciona uma ampliação da
visão do laboratório para que nunca mais ela se restrinja aos limites originais.

COMENTÁRIOS
“A incerteza da medição é um dos assuntos mais relevantes e, ao mesmo

tempo, mais complexos para os laboratórios de ensaio e calibração. Para quem
já se aventurou a estudar sobre incerteza de medição, deve ter percebido que
a maioria das referências sobre incerteza não é de fácil entendimento para os
profissionais da área. Precisei de muito tempo para amadurecer esse assunto
e consolidar este aprendizado. E o Fernando está entregando tudo aqui, de
forma simples, didática e compreensível. A obra em questão tem a proposta
de trazer de uma maneira gradual e exemplificada, os conceitos relevantes
para a aplicação da incerteza de medição. Literalmente, eu me vi em cada
questionamento do personagem Aroldo para o seu professor”.
Thábita Bastos, Doutora em Química Analítica e Consultora da Qualidade
“Utilizando um estilo amigável de texto, o autor expõe de forma clara

conceitos de metrologia, combinando as ferramentas estatísticas com os
métodos de análise. O texto permite assimilar conceitos básicos e avançados
sobre incerteza e relacionados ao modelo de medição utilizado nos diferentes
cenários descritos no livro. O autor expõe críticas a práticas de cálculo
utilizadas em alguns laboratórios e, através de uma argumentação de base
matemática, consegue fazer o leitor enxergar o erro e entender a necessidade
de uma mudança de pensamento, induzindo um processo de desconstrução
de premissas armazenadas na “estrutura mental” do analista. O conjunto da
obra resulta um instrumento valioso para os analistas de laboratório e para
aqueles profissionais que desejem aprimorar seu conhecimento na área da
metrologia”.
Rossana Allende, ex-coordenadora do Laboratório de Referência

PANAFTOSA OPS/OMS
“Desde que conheci o Fernando, percebi claramente sua postura de

verdadeiro metrologista. Ele sempre busca se aprofundar em conceitos para
embasar suas ideias, e neste livro não poderia ser diferente. O livro reflete
quem o Fernando é e o que ele acredita como metrologista e especialista
em incerteza de medição. A obra irá consolidar a aplicação das estimativas
de incerteza nos laboratórios, os quais andam tão carentes de fundamentos.
Não tem como não aprender incerteza de medição com esse livro. Espero
que todos se debrucem lendo-o linha por linha, aplicando em suas rotinas
laboratoriais, e principalmente visualizando que a incerteza é a única certeza
que temos em uma medição”.
Kelly Bezerra, Doutora em Química Analítica e Consultora ISO/IEC 17025
“Primeiramente, parabenizo o autor pela coragem de escrever um livro tão

diferente de tudo que estamos acostumados a ler sobre o assunto. Com uma
redação de conteúdo técnico impecável, a obra proporciona facilidade de
entendimento e o domínio do conhecimento metrológico durante a narrativa”.
Nathália Barbosa, Engenheira Química e Mestranda em Metrologia pelo

INMETRO

“Em 17 capítulos, o autor, Fernando Cunha, trata no seu livro, “Metrologia
e Incerteza em sua Essência”, de forma simples, clara e excepcionalmente
didática de um assunto que muitas vezes é um tabu. Com certeza, quem ler o
livro estará agregando conhecimento de forma simples e leve, com exemplos
didáticos e de fácil entendimento”.
Rosely Campos, Professora do Instituto Politécnico da PUC Minas
“O livro “Metrologia e Incerteza em sua Essência. Tudo o que nunca te

contaram sobre incerteza de medição” é uma literatura com grande potencial
para ampliar a difusão dos conhecimentos em Ciência Metrológica, em
geral e particularmente na área de Química Analítica. A demanda pelo
rigor metrológico na expressão de resultados analíticos se defronta com
o gargalo da carência de profissionais que tenham domínio sobre o tema.
Nesse sentido, o livro é escrito em linguagem fluida e acessível, apresentando
recursos didáticos explorados de maneira criativa, sem deixar de ser bem
fundamentado conceitualmente. O livro busca contribuir para que o conceito
de incerteza de medição traga menos ansiedade aos químicos analíticos”.
Marcelo Sena, Professor do Departamento de Química, ICEX, UFMG

SUMÁRIO
CAPÍTULO 1.................................................................................................................. 1
UMA CONVERSA SOBRE MEDIÇÃO
Conceitos Preliminares................................................................................................................. 1
Equação do Mensurando.............................................................................................................. 3
Variável Aleatória.......................................................................................................................... 5
CAPÍTULO 2................................................................................................................10
APROFUNDANDO UM POUCO MAIS NA MEDIÇÃO
Tecnologia Industrial Básica....................................................................................................... 10
Modelo de Medição......................................................................................................................11
Calibração e Rastreabilidade...................................................................................................... 13
CAPÍTULO 3................................................................................................................16
MEDIÇÃO INDIRETA
Estimativa da Área a partir das Dimensões............................................................................... 16
Coeficientes de Sensibilidade..................................................................................................... 17
Distribuições de Probabilidade................................................................................................... 19
CAPÍTULO 4................................................................................................................25
UMA APLICAÇÃO EM LABORATÓRIO
Preparo de Solução.................................................................................................................... 25
Resultado com Incerteza Expandida.......................................................................................... 28
CAPÍTULO 5................................................................................................................31
O PERIGO DAS SIMPLIFICAÇÕES MAL FEITAS
Estimativa pela Maior Contribuição............................................................................................ 31
Regra de Combinação das Incertezas Relativas....................................................................... 32
Invalidando a Regra de Combinação das Incertezas Relativas................................................ 33
CAPÍTULO 6................................................................................................................35
ELUCIDAÇÕES SOBRE AMODELAGEM DA MEDIÇÃO
Incerteza não é Lista de Compras.............................................................................................. 35
Diferença entre Método e Procedimento.................................................................................... 36
Alegoria dos Pintores.................................................................................................................. 37
SUMÁRIO
CAPÍTULO 7................................................................................................................40
EXEMPLOS DE MODELAGEM EM QUÍMICA E MICROBIOLOGIA
Medição Direta............................................................................................................................ 40
Titulação...................................................................................................................................... 41
Medição com Curva de Calibração............................................................................................ 42
Medição por Contagem.............................................................................................................. 43
O Problema da Incerteza Fixa do Método.................................................................................. 45
CAPÍTULO 8................................................................................................................48
INSERINDO DADOS NO MODELO (PARTE 1)
Medição Direta............................................................................................................................ 48
Titulação...................................................................................................................................... 49
Metodologias Bottom-up e Top-down......................................................................................... 52
CAPÍTULO 9................................................................................................................54
Covariância entre Variáveis........................................................................................................ 54
Exemplo numérico para o Modelo com Curva de Calibração.................................................... 56
Incertezas com Apelidos de Mau Gosto..................................................................................... 58
CAPÍTULO 10..............................................................................................................60
Exemplo Numérico para a Medição por Contagem................................................................... 60
Análise de Risco a Priori e a Posteriori...................................................................................... 63
CAPÍTULO 11..............................................................................................................65
MEDIÇÃO NO DIA A DIA
Medições em uma Agência Bancária......................................................................................... 65
Medir Errado e não Medir........................................................................................................... 68
CAPÍTULO 12..............................................................................................................70
REGRESSÃO LINEAR PARA MODELOS DE MEDIÇÃO
Método dos Mínimos Quadrados............................................................................................... 70
Uma Solução para o Problema da Heterocedasticidade........................................................... 73
Exemplo Numérico para os Parâmetros da Curva de Calibração............................................. 74
SUMÁRIO
CAPÍTULO 13..............................................................................................................77
VALORES LIMITES
Faixa de Trabalho e seus Limites............................................................................................... 77
Limite de Decisão e Regra de Decisão...................................................................................... 80
Limite de Detecção..................................................................................................................... 81
CAPÍTULO 14..............................................................................................................83
AMOSTRAGEM NÃO É UMA MEDIDA
Amostra e População.................................................................................................................. 83
Correção devido a Heterogeneidade da População.................................................................. 85
Amostragem em Química........................................................................................................... 86
CAPÍTULO 15..............................................................................................................87
MODELAGEM PARA CALIBRAÇÃO DE INSTRUMENTOS
Modelo para a Calibração de Instrumento................................................................................. 87
Exemplo Numérico para a Calibração de Instrumento.............................................................. 89
CAPÍTULO 16..............................................................................................................92
A MÃE DE TODAS AS INCERTEZAS
Memórias de um Mundo Determinista....................................................................................... 92
O Experimento do Corpo Negro................................................................................................. 93
A Quantização da Energia.......................................................................................................... 95
Princípio da Incerteza de Heisenberg........................................................................................ 97
CAPÍTULO 17..............................................................................................................99
DO QUE TEMOS CERTEZA AFINAL?
Resumo da Obra......................................................................................................................... 99
Teremos um Fim....................................................................................................................... 100
APÊNDICES..............................................................................................................102
Apêndice A - Demonstração da Lei de Propagação de Incertezas........................................ 102
Apêndice B – Tópicos de Derivadas........................................................................................ 104
Apêndice C - Variância amostral e Variância da média........................................................... 106
Apêndice D – Modelo para Ensaio Gravimétrico..................................................................... 109
GLOSSÁRIO............................................................................................................. 114
SUMÁRIO
ESCLARECIMENTOS ADICIONAIS........................................................................ 117
QUESTÕES PARA REFLEXÃO............................................................................... 118
CRÉDITOS DAS IMAGENS......................................................................................125
REFERÊNCIAS.........................................................................................................126
SOBRE O AUTOR.....................................................................................................130
SUMÁRIO
CAPÍTULO 1
UMA CONVERSA SOBRE MEDIÇÃO
Um resultado de medição não é um número, e sim um intervalo de valores prováveis.
1 | CONCEITOS PRELIMINARES
Logo no primeiro horário da manhã, é um hábito comum passar na cantina e pedir
um pão de queijo e um café, antes que o professor Paulo Breve suba até sua sala. Seu
aluno Aroldo, o intercepta no caminho.
Bom dia! Professor, vamos falar um pouco sobre medição?
Muito bem, vamos! O que você acha que é medição?
Bem, parece-me que medição é observar alguma coisa e tentar expressar uma
característica dessa coisa por meio de um valor numérico, por exemplo, eu vejo que a
largura dessa mesa é mais ou menos o tamanho do meu braço, portanto, estou fazendo
uma medição.
Imagem 1.1: Medição feita com o braço do aluno, unidade de medida que não é amplamente
conhecida e aceita.
Capítulo 1 1
Mas, espere aí que faltam alguns detalhes...
Quais detalhes, professor?
Você pretende medir a largura da mesa, certo? A largura da mesa é a característica
que você deseja medir, a largura da mesa é uma grandeza e também é o seu mensurando.
Para medi-lo, você precisa de um procedimento de medição, uma sequência de etapas
detalhadas para você obter o resultado, de modo que não cause dúvida para quem tentar
repetir o que você está fazendo [1].
Certo, então basta eu descrever com detalhes o que estou fazendo, seguindo um
procedimento para obter um resultado correto?
Acalme-se, Aroldo, ainda não! Você acha que o mundo inteiro conhece o
tamanho do seu braço? Portanto, ele não pode ser uma unidade amplamente aceita pela
comunidade. Você precisa utilizar uma unidade de medida de comprimento que as pessoas
conheçam, por exemplo, o metro, o pé, a jarda, a milha náutica etc. Preferencialmente, use
uma unidade pertencente ao Sistema Internacional de Unidades [2]. No seu caso, seria o
metro, ou até mesmo um dos seus submúltiplos, de preferência o centimetro ou o milimetro.
Isso mesmo, essas palavras perderam o acento e a sílaba tônica passou a ser o “me” de
metro [3]. Que tal utilizarmos o centimetro para medir a largura da mesa?
Beleza! Com o centimetro fica fácil, porque representa 1% do metro e, dessa
forma, o resultado para essa medida fica um número agradável de se olhar, nem muito
grande nem muito pequeno.
Sim, porém precisamos escolher um instrumento para realizar essa medição.
Você não pode utilizar a sua própria visão como instrumento... quer dizer, poder até
poderia, mas, e quanto à confiabilidade dessa medida? Será que a sua visão garante uma
boa probabilidade de que o resultado represente a verdade sobre a largura da mesa? Eu
posso lhe oferecer opções melhores. Temos aqui uma régua, uma trena e um paquímetro.
Vamos optar pela trena, por ora. Ela comporá nosso sistema de medição.
Capítulo 1 2
Imagem 1.2: Instrumentos de medição de dimensão: régua, trena e paquímetro.
A trena foi construída na escala de milimetro, bem adequada para nosso propósito.
Muito bem! Temos o mensurando, o instrumento, o procedimento e uma unidade de medida
reconhecida no mundo. O que mais falta?
A medição é obtida pela interação do sistema de medição com o objeto que
contém o próprio mensurando. Falta você deixar claro como relacionar o sinal mostrado
pelo instrumento com a grandeza de saída, que representa o resultado de medição.
Neste caso, é bem fácil, porque a marcação da trena será igual ao valor que você deseja
medir. Ainda que seja fácil, é muito importante apresentar essa relação matematicamente.
Esta é a chamada equação do mensurando ou função de medição. Quando ela é muito
intuitiva, as pessoas tendem a desprezá-la, o que é um péssimo hábito! Depois, lá na
frente, quando fizermos medições de muitas variáveis para gerar um resultado a partir
delas, nós não ficaremos perdidos. Vamos nos educar a sempre estabelecer a Equação do
Mensurando, que relaciona as grandezas de entrada com a medida da grandeza de saída
(objetivo da medição) e todas as correções que interferem no processo.
2 | EQUAÇÃO DO MENSURANDO
Veja o raciocínio. Seja Y a grandeza “largura da mesa” e X1 o sinal ou marcação
Capítulo 1 3
mostrada pela trena. Portanto:
(1)
É a nossa Equação do Mensurando! Vamos executar a medição!

Deu 65 cm e uns quebrados, quase 66 cm!
“Quebrados” não existe, Aroldo, qual é a marcação que indica o final dessa
dimensão?
Tem 7 marcações entre o 65 cm e o 66 cm, de um total de 10 cm. Então são 65,7
cm.
Certo, professor Paulo, então nossa resposta final, seguindo a Equação do
Mensurando é 65,7 cm!?
Não é bem assim!
Mas, como não? Se eu disser que a mesa tem 65,7 cm todo mundo vai entender.
Sim! As pessoas vão entender, mas sem expressar o resultado completo você
não está cuidando do risco de quem vai usar a mesa.
Como assim cuidando do risco?
Imagine que alguém compre a mesa para um escritório ou uma sala de aula, e vai
encaixá-la num vão que tenha exatamente 65,7 cm. Existe um grande risco de a mesa não
entrar no vão, devido às imperfeições da superfície da própria mesa, do espaço do vão, e
das diferenças entre as réplicas fabricadas, você entende? Essa medida de 65,7 cm pode
não ser exatamente esse valor, sempre existe a probabilidade de não ser!
Nossa! Professor, então a mesa não tem 65,7 cm?
Não é isso! Existe uma boa chance de ela ter sim, porém, existe uma probabilidade
de não ter 65,7 cm, e essa probabilidade não pode ser desprezada. Precisamos representar
um intervalo de valores prováveis ao redor de 65,7 cm, para que quem compre a mesa
conheça melhor a verdade sobre a sua largura.
Então, quando reportamos um intervalo de valores prováveis, nós estamos
cuidando do risco e da segurança de quem vai fazer uso daquela grandeza? No caso,
daquela mesa?
Exatamente, Aroldo, é para isso que estudamos Metrologia.
A Metrologia, como ciência que estuda os aspectos teóricos e práticos da medição,
tem o objetivo de garantir a segurança do consumidor, minimizando riscos e garantindo a
confiabilidade dos resultados de medição [4].
Então, a metrologia não está relacionada apenas as dimensões das peças na
indústria?
Não, meu caro! Isso é apenas um tipo de aplicação de um universo muito maior
Capítulo 1 4
de áreas do conhecimento humano. Temos metrologia em tudo que se pode medir: física,
química, biologia, medicina, mecânica, elétrica, engenharia civil, náutica, aeroespacial etc.
Em geral, quando se fala em metrologia, as pessoas logo pensam em peças metálicas
porque a metalurgia trabalha com metrologia há mais tempo. Áreas como química e biologia
incorporaram a metrologia muito recentemente, e o conhecimento metrológico para tais
áreas está sendo lentamente consolidado.
Professor, voltando a nossa medida, como vamos representar o intervalo de
valores prováveis ao redor de 65,7 cm?
Vamos estimar uma incerteza para essa medição!
Incerteza parece dúvida não é, professor? Parece uma palavra que traz ansiedade!
É só que essa nossa incerteza é justamente o contrário, serve para reduzir
ansiedade, para conhecer o risco! Nós temos que entender que incerteza não é algo
ruim como as pessoas pensam. Incerteza faz parte da vida, ela nos ajuda a conhecer a
verdade sobre os fenômenos. E a incerteza de medição nos permite conhecer a verdade a
respeito do resultado, conhecer aquele mensurando de uma forma completa, comparável
e confiável.
Primeiramente, precisamos compreender que 65,7 cm é um valor médio ou resultado
médio. Espera-se que quanto mais próximo de 65,7 cm mais probabilidade o resultado tem
de representar a verdade sobre a largura da mesa. Disto se conclui que uma medição pode
ser bem representada por uma variável aleatória.
3 | VARIÁVEL ALEATÓRIA
O que é isto, variável aleatória?
Basicamente, uma variável aleatória é uma variável matemática cujo valor
depende do acaso. Não é possível prever com 100% de certeza o valor de uma variável
aleatória. Por exemplo, imagine um dado honesto de seis faces. A face voltada para
cima num lançamento do dado é um resultado de um experimento aleatório. São seis
resultados possíveis com igual probabilidade de ocorrência (1/6). Portanto, o evento pode
ser modelado por uma variável aleatória cuja distribuição de probabilidade é chamada
uniforme discreta [5].
Capítulo 1 5
Imagem 1.3: lançamento do dado e a distribuição uniforme discreta, distribuição de
probabilidade que descreve o evento.
Uma medição pode ser modelada como um experimento aleatório. Porém, em vez
de lançar o dado, você está combinando uma grandeza com um procedimento de medição
para gerar o resultado aleatório da medida. Espera-se que o seu resultado não tenha uma
variabilidade tão grande quanto o lançamento do dado. Enquanto o lançamento é descrito
por uma variável aleatória discreta com seis resultados possíveis, a medição é melhor
descrita por uma variável aleatória contínua, com infinitos resultados possíveis.
Professor, mas desse jeito parece que a medição vai ter muito mais incerteza do
que o lançamento do dado!
Não é por aí. Ter mais resultados possíveis de acontecer não tem nada a ver
com a incerteza associada ao resultado de medição. Ainda que a medição tenha infinitos
valores possíveis, uma parte mínima desse conjunto infinito tem, de fato, probabilidades
significativas de ocorrer, isto é, a medição da largura da mesa pode ter qualquer valor de
zero a infinito, mas somente valores muito próximos de 65,7 cm apresentam probabilidades
observáveis. Talvez somente valores entre 65,6 cm e 65,8 cm, o que já nos forneceria um
intervalo como desejamos. Mas, essa amplitude nós vamos analisar logo adiante.
Bom, já sabemos que o resultado de medição é descrito por uma variável
aleatória, e que o valor de 65,7 cm é apenas uma média estimada desse resultado. É hora
Capítulo 1 6
de estimarmos uma incerteza associada.
Isso mesmo, e você deve saber que não existe uma única forma correta de se
estimar a incerteza do resultado. O importante é que a sua estimativa seja matematicamente
bem fundamentada e cientificamente representativa.
Mas uma coisa não implica a outra, professor?
Não, de forma alguma. O fundamento matemático diz respeito à Equação do
Mensurando e às técnicas corretas para realizar estimativas. A representatividade científica,
no entanto, está relacionada à área do conhecimento na qual o analista está trabalhando.
Você pode ter um raciocínio matemático perfeito, porém seu resultado pode estar longe
de representar a verdade, porque o modelo teórico não corresponde à realidade empírica.
Assim sendo, precisamos aliar o bom domínio da ciência em questão ao bom domínio das
ferramentas estatísticas disponíveis para se chegar a um resultado confiável.
Deixe-me te contar um segredo: você sabia que processos biológicos têm alta
variabilidade? Multiplicação celular, por exemplo, envolve muitos fatores aleatórios,
complexos, uma infinidade de reações bioquímicas que se sucedem para gerar uma nova
vida ou uma nova célula. Eu já te adianto que um resultado microbiológico de contagem com
incerteza pequena demais está longe de ser confiável. Imagine você contar 500 unidades
bacterianas numa cultura e estimar um resultado com incerteza de (500 ± 1) unidades
formadoras de colônia. Pouco provável, é incoerente com a natureza desses processos.
Capítulo 1 7
Imagem 1.4: Contagem de micro-organismos no laboratório, uma variável discreta cuja
incerteza não pode ser significativamente menor do que o desvio-padrão da distribuição de
Poisson (raiz quadrada do valor esperado para a contagem), como será visto posteriormente.
Por outro lado, você pode encontrar incertezas bem realistas, porém com erros
matemáticos bizarros. Nesse caso, o analista teria dado sorte! Mas, em algum momento
ele poderá “cair do cavalo”.
Agora, vamos ao que interessa, vou lhe dar duas alternativas para estimar a
incerteza associada à largura da mesa: a) você vai realizar a medição três vezes, anotar
os três valores, e calcular a média e o desvio-padrão dessas medições; b) você vai
realizar uma medição apenas, mas vai anotar qual o valor da menor variação perceptível
do mensurando, isto é, qual o valor da menor marcação do instrumento (ela será usada
como incerteza). Você notou que eu dei duas opões “A” e “B”? Curiosamente, a primeira
estimativa é classificada como Tipo A e a segunda, como Tipo B.
A média da variável X pode ser estimada como X̅:
(2)
E o desvio-padrão como s(X):
Capítulo 1 8
(3)
Tudo bem, professor, acabei de fazer a estimativa dos dois jeitos. Vejamos os
resultados:
A) Replicatas: 65,7 cm; 65,7 cm e 65,8 cm
Desvio-padrão: 0,058 cm Resultado final seria: (65,73±0,06) cm
B) Valor da menor variação perceptível: 0,1 cm
Menor marcação: 0,1 cm Resultado final seria:(65,70±0,10) cm
Os resultados foram diferentes, qual seria o mais confiável?
Meu caro Aroldo, essa pergunta é muito pertinente, mas não é trivial. Muitas
pessoas desavisadas são levadas a crer que o resultado com menor incerteza seria o mais
confiável. Mas isso é pura falácia! A confiabilidade de um resultado não tem nada a ver com
a incerteza de medição ser pequena, e sim com ela ser realista. Lembre-se: o resultado
completo deve representar o resultado da combinação entre as limitações do procedimento
de medição e as limitações do próprio mensurando.
A primeira observação que eu faria é sobre suas três replicatas de análise. Note
que por pouco você não obteve três valores iguais. Você sabe o que significa obter valores
iguais na condição de repetibilidade?
Significa que o procedimento de medição é muito preciso, professor Paulo Breve?
Não, não se trata disso. Quando a variabilidade entre replicatas de medida não
aparece, não significa que ela não exista. Você apenas não consegue percebê-la com
este procedimento de medição. Muito provavelmente, a incerteza estimada na condição de
repetibilidade (Tipo A) é menor do que a incerteza associada à resolução do instrumento
de medição (Tipo B). Neste caso, tudo indica que o resultado mais confiável entre as duas
estimativas é (65,70±0,10) cm.
Visto isso, sempre devemos escolher entre uma estimativa do Tipo A ou do B
para declarar o resultado de medição?
Na verdade, faremos melhor, vamos combinar essas estimativas utilizando a Lei
de Propagação de Incertezas, que será tema da nossa próxima conversa.
Capítulo 1 9
CAPÍTULO 2
APROFUNDANDO UM POUCO MAIS NA MEDIÇÃO
O que garante rastreabilidade ao resultado não é o ato de calibrar o instrumento em

si, mas a correção de calibração aplicada ao seu modelo de medição.
1 | TECNOLOGIA INDUSTRIAL BÁSICA

Professor, depois de muito refletir sobre o resultado das medições com suas
incertezas, pude perceber que tudo que fazemos tem um risco associado.
Exatamente, nossa vida é um gerenciamento permanente de riscos. Imagine
que você esteja em casa num sábado e queira comprar seu almoço. Você teria duas
alternativas: sair para comer no restaurante ou pedir pelo aplicativo. Você não fará nenhum
cálculo explícito, mas intuitivamente você vai tentar estimar os riscos associados a cada
escolha. Ao sair de casa, você perderá tempo se estiver fazendo algo importante, e ficará
mais exposto quanto à segurança. Em compensação, ao ficar em casa, seu almoço pode
atrasar ou nem mesmo chegar.
Especialmente no nosso estudo da metrologia, ajudamos os laboratórios a tratarem
os riscos associados à decisão de conformidade. A decisão de conformidade está no
ato de fiscalização de cada produto que utilizamos, desde a cadeira que sentamos até
a água e os alimentos que consumimos. Nós, consumidores, precisamos ser protegidos
pela fiscalização das diversas secretarias, agências e demais entidades da administração
pública. Queremos o menor risco possível ao utilizar os produtos disponíveis no mercado.
Quando juntamos os conceitos de metrologia, normalização e avaliação de conformidade,
temos a chamada TIB (Tecnologia Industrial Básica) [6.5]. A TIB é fundamental para a
competitividade do país, incentivando relações comerciais justas e melhorando a qualidade
de vida das pessoas.
Capítulo 2 10
Imagem 2.1: A avaliação de conformidade dá suporte à atividade de fiscalização dos bens de
consumo.
Professor, e quanto àquela combinação de estimativas na medição da largura

da mesa?
Perfeitamente, se me permitir eu vou divagando sobre esse assunto por várias
horas. Vamos estimar o resultado usando uma combinação da estimativa do Tipo A com e
estimativa do Tipo B. Para isso, vamos voltar a coisa mais importante da medição... lembra
qual é?
2 | MODELO DE MEDIÇÃO
Substitua a Equação do Mensurando que estabelecemos anteriormente:
(1)
Por uma Equação que contenha as duas variáveis, uma para o Tipo A, cuja
variabilidade é o desvio-padrão da repetibilidade, e uma para o Tipo B, cuja variabilidade é
a resolução do instrumento:
(2)
Professor, esse negócio de X1 e X2 é pouco intuitivo, vamos dar nomes mais
Capítulo 2 11
familiares, de modo que o próprio nome explique o significado daquela variável.
Maravilha! Vamos renomear as variáveis:
(3)
Onde L é o resultado da medida da largura da mesa, Lrep é a medida em condição

de repetibilidade com 3 medições, e Cres é a correção de resolução da trena.
Toda vez que mencionarmos uma correção, desejamos compensar o efeito de um

erro sistemático. Ainda que, neste caso, a média deste erro e da sua respectiva correção
sejam iguais a zero, é necessário considerá-la como variável na equação do mensurando
para que sua incerteza apareça na expressão da incerteza combinada. Doravante, cada
erro sistemático será tratado simplesmente como erro. Em contraponto, erros aleatórios
serão tratados como incertezas.
Utilizando os mesmos dados, obtemos:
Estimativa de Lrep
Valor médio de Lrep estimado pela média simples:
(4)
Representamos a média de uma variável X como .

Incerteza de Lrep estimada pelo desvio-padrão:
(5)
Estimativa de Cres
Valor médio de Cres estipulado como zero, porque a resolução de um equipamento
é uma limitação que não afeta o valor médio da medição, afeta apenas a sua incerteza:
(6)
Incerteza de Cres estipulada como valor da resolução do instrumento:
(7)
Portanto, a estimativa de L pela Lei de Propagação de Incertezas é [7]:
(8)
(9)
(10)
Professor, agora fizemos bem mais contas, mas parece que o resultado ficou
Capítulo 2 12
melhor!
Isso mesmo! Repare que ao combinar as duas variáveis e suas incertezas,
a incerteza do resultado final ficou um pouco maior justamente pelo fato de estarmos,
considerando uma informação mais completa a respeito do mensurando.
Então, essa é a melhor estimativa que podemos chegar apenas com as
informações de repetibilidade e de resolução da trena?
Não exatamente! Poderíamos ainda considerar diferentes distribuições de
probabilidade para cada variável, o que implicaria o uso de divisores específicos. Por
exemplo, se considerarmos que a correção de resolução da trena obedece uma distribuição
de probabilidade triangular, poderíamos dividir a menor divisão de escala (0,1 cm) por raiz
quadrada de seis para obter a incerteza-padrão segundo essa suposição. Vamos discutir
essas diferentes distribuições de probabilidade mais adiante [8].
Na modelagem do mensurando, a análise profunda de cada variável da Equação
parece não ter fim.
Cada variável descreve um evento, e os fatores que afetam esse evento parecem
compor um universo de possibilidades a parte. E pior ainda, esses fatores interagem e
influenciam as demais variáveis que você queira considerar. Obviamente, precisamos ter
bom senso para não aprofundar demais nas reflexões e ficar procurando “pulgas num
matagal”. Se não houver esse limite, até o bater de asas de uma borboleta no Japão
afetaria uma medição realizada no Brasil.
Para o nosso objetivo, essa Equação seria suficiente para obter um resultado com
qualidade. Porém, talvez ela não seja suficiente para quem esteja usando uma trena
calibrada.
3 | CALIBRAÇÃO E RASTREABILIDADE
O que significa calibrar a trena?
Calibrar um instrumento significa dizer que você está usando esse instrumento,
dentro de um sistema de medição, para medir grandezas conhecidas chamadas de padrões.
Ao medir os padrões, você consegue calcular os erros apresentados pelas medições e
suas respectivas incertezas. Num momento posterior, você pode usar essa tabela de
erros e incertezas para prever os valores das correções de calibração (valores médios e
incertezas) [9].
Professor, então esquecemos de colocar a correção de calibração da trena na
nossa Equação do Mensurando?
Bom, nós não esquecemos. Primeiro que ela não foi calibrada, certo? Segundo
que a nossa medição da largura da mesa tem apenas o caráter didático. No entanto, se
Capítulo 2 13
quiséssemos ter um resultado com rastreabilidade metrológica, nossa única saída seria
contratar um laboratório de calibração da grandeza dimensional para calibrar a trena e
gerar a tabela de erros (tendências) e incertezas. O processo de calibração da trena visa
determinar características metrológicas que afetarão as medições realizadas por ela, isto
é, a correção de calibração e sua incerteza.
Mas, o que vem a ser rastreabilidade metrológica?
Imagine que cinco pessoas, uma em cada continente do planeta, pretendem
medir a largura da nossa mesa. Não pense no valor do frete nem no prazo que o navio
demoraria para transportá- la. Para que essas pessoas saibam o que é um metro, foram
distribuídos cinco vergalhões de aço iguais e enviados um para cada continente. Contudo,
ao realizar a medição, essas pessoas encontraram valores bem diferentes umas das
outras. Nem mesmo poderíamos dizer que são estatisticamente iguais, considerando as
incertezas que elas estimaram. Durante o transporte e o acondicionamento dos materiais,
tanto dos vergalhões quanto da própria mesa, eles sofreram dilatação e oxidação de formas
completamente diferentes, o que causou imperfeições e desvios nas suas propriedades
originais. Ora, como se pode comparar resultados obtidos dessa forma? As pessoas ainda
têm os vergalhões de um metro, mas eles não mais representam a mesma medida. Eles
não podem mais ser considerados padrões.
Imagem 2.2: Diferentes alterações na estrutura dos vergalhões que supostamente seriam
padrões dimensionais.
Para garantir que qualquer pessoa no mundo use a mesma pedida, o Escritório
Internacional de Pesos e Medidas (BIPM) estabelece definições para cada unidade de
medida reconhecida por ele. Essa definição não pode variar com o tempo ou com as
condições ambientais. Por exemplo, a definição do metro é baseada na distância que a luz
Capítulo 2 14
percorre num intervalo de tempo muito bem determinado. Assim, garante-se que um metro
seja o mesmo em todos os lugares e a qualquer época [10].
A definição de uma unidade de medida é utilizada para fabricação de padrões
especiais, que, por sua vez, servem de referência para calibração de outros padrões,
gerando um processo em cadeia de transferência de informação metrológica de tendências
e incertezas, até chegar no padrão que está na posse do analista chamado padrão de
trabalho que, por sua vez, forma o último elo da cadeia de rastreabilidade, quando o
resultado final da análise leva em consideração a correção de calibração do instrumento
utilizado.
É muita coisa para aprender, vamos continuar na próxima aula!
Capítulo 2 15
CAPÍTULO 3
MEDIÇÃO INDIRETA
Dizer que um resultado de medição obtido por ‘n’ observações da amostra é preciso
e exato ao mesmo tempo é redundância.
1 | ESTIMATIVA DA ÁREA A PARTIR DAS DIMENSÕES

Muito bem, Aroldo, vamos fazer mais uma medição hoje?
Vamos! Podemos medir o comprimento da mesa, uma vez que já medimos a
largura!
Eu tenho uma sugestão melhor! Vamos medir a área da superfície da mesa 𝐴𝑚!
Então, nossa Equação do Mensurando agora terá duas variáveis: comprimento
e largura!
Quase isso, porém, lembra que nossa Equação para representar a largura já
tinha duas variáveis? Portanto, a área terá quatro variáveis (dois para a largura e dois para
o comprimento). Vamos modelar:
(1)
Introduzimos a variável C para o comprimento e repetimos a correção de resolução,

uma vez que a mesma trena irá medir ambas as dimensões. No fim das contas, temos
apenas 3 variáveis. Vamos imaginar que a largura ainda não tenha sido estimada.
Professor, conforme vimos, a expressão da incerteza de Am será a raiz da soma
dos quadrados das incertezas das 3 variáveis?
Antes, nós tínhamos uma medição direta, na qual o resultado é representado

pelo próprio sinal do instrumento acrescido de uma ou mais correções. Agora, estamos
diante de uma medição indireta. O sinal é dado em centimetros, mas nosso mensurando
deve ser obtido em centimetros quadrados, ambos são unidades diferentes.
Claro, é bem verdade que não podemos somar medidas em unidades diferentes!
Exatamente! Para converter a incerteza de cada grandeza na contribuição
de incerteza, igualando as unidades de medidas, devemos aplicar o coeficiente de
sensibilidade. E lembre-se: contribuição de incerteza de uma variável é definida como o
Capítulo 3 16
produto da sua incerteza pelo seu coeficiente de sensibilidade [11].
2 | COEFICIENTES DE SENSIBILIDADE
Professor, esses coeficientes de sensibilidade foram inventados para resolver o
problema da diferença entre as unidades?
Os coeficientes não foram inventados, na matemática não existe invenção! Eles
são as derivadas parciais da Equação do Mensurando com relação a cada grandeza de
entrada, que aparecem na demonstração da Lei de Propagação de Incertezas, a partir da
Série de Taylor aproximada em primeira ordem. Por consequência, além de converter as
unidades para efetuarmos a soma de quadrados, eles ponderam o quanto a incerteza de
cada variável pesa na estimativa da incerteza do resultado [12]. Vide Apêndice A.
Certo, nós temos que parar com essa ideia de achar que as fórmulas e conceitos
são “inventados”. Cada ferramenta que usamos deve ter fundamento na teoria da
probabilidade e na teoria de inferência estatística.
Quer dizer que a medição direta não havia os coeficientes de sensibilidade?
Claro que tinha! Só que na medição direta os coeficientes são iguais a 1 ou -1, e
nós os omitimos na expressão da incerteza combinada.
Voltando ao mensurando, a expressão da incerteza da área da superfície fica:
(2)
Na qual cada fração representa a derivada parcial da Equação do Mensurando em

relação a cada variável. O termo dentro de cada par de parênteses é chamado contribuição
de incerteza, como foi dito anteriormente.
Precisamos calcular as derivadas usando as regras do Cálculo Diferencial, tratando
como variável a grandeza em questão e as demais como constantes para cada contribuição
de incerteza [13]. Vide Apêndice B.
Calculando as derivadas, a expressão fica:
(3)
Agora, vamos trazer os dados e estimar o resultado:
(4)
Capítulo 3 17
Vamos substituir os valores das médias e desvios-padrão das replicatas tanto para a
largura quanto para o comprimento. A incerteza da correção de resolução será considerada
a menor divisão de escala dividido por raiz de 6, conforme a suposição da distribuição
triangular.
(5)
Coincidentemente, as incertezas do comprimento e da largura em condições de

repetibilidade foram iguais.
O resultado da medição da área da superfície da mesa fica:
(6)
Imagem 3.1: Resultado da largura, comprimento e área superficial da mesa. Note que
a correção de resolução da trena e sua incerteza não aparecem na imagem, mas foram
consideradas na estimativa da área.
Capítulo 3 18
O valor médio de 𝐴𝑚 = 2056,7 cm2 é um parâmetro de posição do resultado. Ele
permite avaliar o quanto o resultado está distante de um valor de referência. Se Am for
obtido por uma única medida, dizemos que a razão entre o valor médio e o valor de
referência é uma estimativa da exatidão do resultado. Porém, se Am for obtido por uma
média de n medições, dizemos que a mesma razão é uma estimativa da veracidade do
resultado. Suponha que o valor de referência (valor verdadeiro) seja 2060cm2. Como o
resultado foi obtido por n replicatas de medição, a veracidade de Am seria 99,84%. A
diferença fundamental é que a exatidão avalia a concordância entre cada medida e o valor
verdadeiro, enquanto a veracidade avalia a concordância entre a média de n medições e o
valor verdadeiro. A incerteza 𝑢𝐴𝑚 = 5,8 cm2 é um parâmetro de dispersão, está relacionada
a falta de precisão, que, por sua vez, analisa a concordância entre as n medições realizadas
para o mesmo mensurando. Portanto, podemos dizer que o resultado apresenta precisão
e veracidade adequadas. Mas, dizer que o resultado apresenta simultaneamente precisão
e exatidão adequadas é redundância, uma vez que se as distâncias entre cada medida
e o valor verdadeiro são pequenas, obviamente as distâncias entre as próprias medidas
também serão. A partir da publicação da primeira edição luso-brasileira do Vocabulário
Internacional de Metrologia em 2012, se um resultado puder ser considerado exato, ele
necessariamente será verídico e preciso. Veja o que diz a Nota 2 da Definição 2.13, página
20 do Vocabulário:
“O termo ‘exatidão de medição’ não deve ser utilizado no lugar de veracidade

de medição, assim como o termo “precisão de medição” não deve ser utilizado
para expressar exatidão de medição, o qual, contudo, está relacionado a
ambos os conceitos”.
Professor, você encurtou as casas decimais tanto do valor médio quanto da

incerteza!
Sim, o Guia da Expressão da Incerteza de Medição orienta a utilizar até dois
algarismos significativos. Uma incerteza de 5,77 tem três algarismos significativos, porque
só não contamos os zeros antes do primeiro algarismo diferente de zero. Por exemplo, 1,01
tem três significativos, enquanto 0,10 temdois, e 0,01 tem apenas um. Ajustado isso, você
acerta o mesmo número de casas decimais no valor médio que sobraram na incerteza. Por
isso, o valor médio e a incerteza sempre devem apresentar o mesmo número de casas
decimais nesta forma de expressão do resultado [14].
Finalizamos mais uma medição! Professor, mas me diga mais sobre essas
distribuições de probabilidade.
3 | DISTRIBUIÇÕES DE PROBABILIDADE
Para toda variável que se considera na Equação do Mensurando, é necessário
Capítulo 3 19
associar uma distribuição de probabilidade, uma função que descreve quais são os
valores prováveis para o resultado, e como eles se distribuem quanto às probabilidades de
ocorrência. A suposição de uma distribuição de probabilidade ajuda a ter um conhecimento
mais completo a respeito da variável. Os exemplos mais comuns usados nas grandezas e
correções em laboratório são:
a. t-Student
É utilizada quando se tem uma estimativa do tipo A, ou seja, n repetições do
experimento. Pode-se aplicar dois tipos de divisores: 1, quando a incerteza-padrão é
definida pelo desvio-padrão amostral; , quando a incerteza-padrão é definida pelo
desvio-padrão da média. O problema aqui é que as pessoas tendem a escolher o divisor
com o objetivo de diminuir a incerteza do resultado. Mal sabem elas que não se diminui
incerteza dessa forma, estão apenas omitindo variabilidade, considerando que o desvio-
padrão da média representa apenas a variabilidade da média, e não da medição como um
todo [15]. Vide Apêndice C.
Imagem 3.2: Distribuição de t-Student para grau de liberdade 9.
Capítulo 3 20
b. Normal
É utilizada em estimativas do tipo B, quando quem estimou a variável já fez a
suposição de normalidade. Você apenas dá continuidade a essa suposição, como por
exemplo na correção de calibração do instrumento e nas grandezas relacionadas aos
padrões de trabalho e materiais de referência. Nesse caso, se a estimativa de incerteza já
estiver na forma de um desvio-padrão, deve-se aplicar divisor 1, para conservar o valor. Se
a estimativa estiver na forma de uma incerteza expandida, o divisor aplicado deve ser igual
ao fator de expansão previamente utilizado. Todo certificado de calibração ou de material
de referência deve trazer o fator de expansão k (vamos discutir sobre incerteza expandida
mais a frente) [16].
Imagem 3.3: Distribuição normal padrão.
c. Retangular
É utilizada em estimativas do tipo B, para correções de resolução de instrumentos
digitais, nos quais o sinal é um valor numérico. Pode ser aplicada também ao consultar em
referências científicas um valor médio sem informação de incerteza, como por exemplo, um
Capítulo 3 21
coeficiente de dilatação ou a densidade de uma substância. Primeiro, determina-se a meia
amplitude do intervalo declarado. Em seguida, aplica-se o divisor [17].
Imagem 3.4: Distribuição retangular.
d. Triangular
É utilizada em estimativas do tipo B, para correções de resolução de instrumentos
analógicos, nos quais o sinal é indicado por um ponteiro ou marcação. Da mesma forma
que para a retangular, determina-se a meia amplitude do intervalo declarado, porém, aplica-
se o divisor , como nós fizemos no exemplo da trena [18].
Capítulo 3 22
Imagem 3.5: Distribuição triangular.
e. Poisson
É utilizada em estimativas do tipo B, para valores obtidos por meio de contagem de
elementos. É muito apropriada para ensaios microbiológicos de contagem de bactérias e
outras formas de vida. Nesse caso, a própria incerteza já é definida pela raiz quadrada do
valor médio da contagem. Para conservar a incerteza, mantenha o divisor igual a 1. Em
geral, considerar a incerteza associada a distribuição de Poisson evita resultados com
incertezas muito pequenas e mal estimadas para ensaios biológicos [19].
Capítulo 3 23
Imagem 3.6: Distribuição de Poisson.
Professor, tem muito conceito estatístico nessa explicação das distribuições de

probabilidade, vamos partir para um exemplo mais abrangente na próxima aula!
Capítulo 3 24
CAPÍTULO 4
UMA APLICAÇÃO EM LABORATÓRIO
Um resultado de medição declarado com a incerteza combinada é o mesmo quando

declarado com a incerteza expandida, apenas está escrito de uma forma diferente.
1 | PREPARO DE SOLUÇÃO
Professor Breve, hoje não teve pão de queijo?
Não! Hoje eu trouxe uma maçã para ser mais saudável! E por falar em maçã,
vamos entrar na metrologia química!
Temos aqui um exemplo básico de laboratório: preparo de solução a partir da massa
de um sal. Doravante, não representaremos mais a média de uma variável X como , para
tornar a equação menos poluída em símbolos. Seja a Equação do Mensurando:
(1)
No qual msal é a massa do sal e VH2O é o volume de água a completar para o preparo
da solução.
Para conseguirmos aplicar diferentes distribuições de probabilidade, vamos colocar

as devidas correções de resolução e calibração, considerando que tanto a balança quanto
o balão volumétrico foram calibrados.
(2)
No qual msalrep é a massa medida em condição de repetibilidade; mcres é a correção

de resolução da balança; mccal é a correção de calibração da balança; VH2Orep é o volume
medido em condição de repetibilidade; Vcres é a correção de resolução do balão volumétrico;
e Vccal é a correção de calibração do balão.
A expressão da incerteza para essa Equação do Mensurando fica:
Capítulo 4 25
(3)
Devemos calcular as derivadas:
(4)
(5)
(6)
(7)
(8)
(9)
Note que as variáveis envolvidas numa mesma soma têm derivadas iguais entre si.
Feito isso, temos o modelo completo da medição da concentração da solução
preparada.
Professor, seria bom ter os dados do experimento para substituir nas equações.
Suponha os seguintes dados:
(10)
Estimativa do Tipo A obtida pela média e desvio-padrão de 3 replicatas de preparo.

Atribuiremos a distribuição t-Student e divisor igual a 1 para conservar a incerteza, que já
está na forma de uma incerteza-padrão.
(11)
Estimativa do Tipo B obtida pela informação de resolução da balança. Quantas casas

decimais tem a balança? O valor médio da correção é sempre zero, porque a resolução não
altera o resultado médio da concentração, somente a incerteza. Atribuiremos a distribuição
Capítulo 4 26
retangular e divisor igual a raiz de 3 para transformar o meio intervalo declarado numa
incerteza-padrão.
(12)
Estimativa do Tipo B obtida pelo certificado de calibração da balança. No caso

da massa, a correção é o valor simétrico da tendência (trocar o sinal). Atribuiremos a
distribuição normal e divisor igual ao fator de expansão k declarado no certificado (k=2)
para transformar a incerteza expandida numa incerteza-padrão.
(13)
Estimativa do Tipo A, porém não há informação de repetibilidade para o volume

medido pelo balão. Nesse caso, desprezamos a incerteza e atribuiremos divisor 1, sendo
que 0 dividido por 1 é igual a 0.
(14)
Estimativa do Tipo B obtida pela informação de resolução do balão volumétrico. O

valor médio é sempre zero e a incerteza pode ser calculada pela altura entre a base e as
bordas do menisco. Atribuiremos a distribuição triangular e divisor igual a raiz de 6 para
transformar o meio intervalo declarado numa incerteza-padrão.
(15)
Estimativa do Tipo B obtida pelo certificado de calibração do balão volumétrico.

No caso do volume, a correção é o próprio valor da tendência. Atribuiremos a distribuição
normal e divisor igual ao fator de expansão k declarado no certificado (k=2), para transformar
a incerteza expandida numa incerteza-padrão.
Já descrevemos todas as variáveis do modelo, agora, vamos estimar o valor médio
e a incerteza combinada da concentração da solução:
(16)
Derivadas:
(17)
(18)
(19)
Capítulo 4 27
(20)
Estimando a incerteza combinada:
(21)
(22)
Resultado final da concentração:
(23)
Professor, tem muita casa decimal nesse resultado!

Isso dá para resolver! Basta multiplicar o numerador e o denominador da fração
por 1000 e expressar o resultado em g/L:
(24)
Ou, podemos expressar em notação científica, mantendo a unidade g/mL:
(25)
Ambas as formas de expressar o resultado são recomendadas, além de outras

formas descritas no GUM [20].
Professor, em algum momento você falou sobre declarar o resultado com uma
incerteza expandida, como estimá-la?
2 | RESULTADO COM INCERTEZA EXPANDIDA

Ao contrário do que muitos pensam, do ponto de vista do BIPM, não é obrigatório
reportar a incerteza expandida em detrimento da incerteza-padrão! Ela apenas auxilia
a interpretação do resultado, fornecendo um intervalo de valores os quais contemplam
uma probabilidade de ocorrência maior. Porém, para algumas aplicações comerciais, há
recomendações específicas de cada área para se reportar o resultado com a incerteza
expandida [21].
Então, o resultado médio com incerteza-padrão não é diferente do resultado
médio com incerteza expandida?
Não. Eles são exatamente o mesmo resultado, desde que sejam expressados
corretamente. O resultado com incerteza-padrão combinada não exige informação
Capítulo 4 28
complementar. Porém, ao declarar o resultado com a incerteza expandida, torna-se
obrigatório informar o fator de expansão k utilizado na operação. Assim, quem lê o resultado
consegue facilmente converter uma forma na outra dividindo a incerteza expandida pelo k
informado.
A incerteza expandida nada mais é que um múltiplo da incerteza combinada aplicada
com o objetivo de reportar um intervalo com maior probabilidade de ocorrência, como eu
já disse. Em geral, não conhecemos a distribuição que melhor se adequa ao mensurando,
mas é razoável supor normalidade na maioria das medições. No âmbito dessa suposição,
podemos estimar o valor esperado da distribuição t-Student associada ao resultado que
corresponde ao seu grau de liberdade efetivo. Existe uma equação que permite estimar o
grau de liberdade efetivo do mensurando, a partir dos graus de liberdade de cada grandeza
de entrada da função de medição e das suas incertezas, a chamada Equação de Welch-
Satterthwaite:
(26)
Onde: uY é a incerteza-padrão combinada do mensurando Y; uXi é a contribuição de

incerteza para cada variável Xi, e vXi é o grau de liberdade para cada variável Xi. Para as
estimativas do tipo B, considera-se grau de liberdade infinito para as do tipo A, o grau de
liberdade é número de replicatas ensaiadas menos o número de parâmetros estimados. A
Equação de Welch- Satterthwaite parte da hipótese de independência estatística entre as
variáveis aleatórias. Na prática, não pode haver nenhuma covariância significativa entre as
combinações de pares de variáveis. Mais adiante, explicaremos mais sobre covariância.
O valor estimado para o grau de liberdade efetivo pode ser usado para calcular o
valor da função de probabilidade t-Student, chamado fator de expansão (k), por meio de
tabelas ou algoritmos, a partir de uma probabilidade escolhida. Majoritariamente, usa-se
95% de probabilidade de abrangência (PA). Veja uma tabela de valores para diferentes
valores de graus de liberdade quando PA = 95%.
GL 2 3 5 7 10 30 50 100 500
K≈ 4,30 3,18 2,57 2,36 2,23 2,04 2,01 1,98 1,96
Assim, o resultado da nossa última medição poderia ser escrito na forma da incerteza
expandida
UCsol supondo k=1,96.
(27)
Capítulo 4 29
Note que o resultado não mudou nada. Ele apenas está escrito de uma forma
diferente.
Imagem 4.1: Distribuição do resultado da concentração representado por um histograma de

100000 simulações. A área cinza representa o intervalo declarado com a incerteza expandida e
a correspondente probabilidade de abrangência. A cauda à esquerda em azul claro representa a
probabilidade de o resultado estar abaixo do intervalo, e a cauda à direita em roxo, de o resultado
estar acima.
Professor, podemos escolher probabilidades diferentes de 95%?

Mais uma vez, você faz uma pergunta simples, porém capciosa. Sim, temos
certa liberdade para escolher a probabilidade de abrangência. Mas, não é adequado se
afastar muito do valor convencional de 95%. Se você escolhesse um valor muito baixo,
não faria sentido. A própria incerteza-padrão combinada já representa aproximadamente
68,3% de PA sob hipótese de normalidade. Assim sendo, multiplicar a incerteza-padrão por
um k um pouco maior que 1, e representar 70%, 75%, ou mesmo 80% de PA não ajudaria
muito o leitor na interpretação do resultado, nem na tomada de decisão. Por outro lado, ao
escolher um valor muito alto, como 99,9%, você estaria invadindo uma região assintótica da
função, muito perigosa para tomada de decisões. Além de o k ficar muito alto, a incerteza
reportada também ficaria estranhamente alta, e prejudicaria a segurança na tomada de
decisão de conformidade. O ganho de probabilidade seria muito pequeno a um custo muito
alto. Portanto, recomendo limitar a escolha entre 90% e 99% de PA, dando preferência aos
convencionais 95%.
Fantástico! Quer dizer que uma PA muito baixa faz nosso esforço ser pouco útil,
e uma PA muito alta cobra um preço também alto, comprometendo a leitura do resultado!
Perfeito! Seguimos para a próxima aula!
Capítulo 4 30
CAPÍTULO 5
O PERIGO DAS SIMPLIFICAÇÕES MAL FEITAS
Toda simplificação vem de um raciocínio simplista, e todo raciocínio simplista tem

um risco associado.
1 | ESTIMATIVA PELA MAIOR CONTRIBUIÇÃO

Professor Paulo Breve, estava fazendo uns cálculos aqui e descobri um modo de
estimar o resultado pelo Coeficiente de Variação (CV):
(1)
(2)
(3)
(4)
Encontrei o mesmo resultado sem calcular nenhuma derivada!

Aroldo, muito cuidado com esse tipo de raciocínio! Você deu muita sorte!
Seu cálculo só chegou no mesmo resultado, porque a variável que apresentou a maior
contribuição de incerteza realmente predomina sobre as demais com muita folga. Cálculo
de Incerteza é uma questão que não oferece atalhos seguros, todos eles são perigosos.
Simplificar demais uma modelagem de incerteza é um convite ao erro matemático ou à falta
de confiabilidade do resultado. Se houvesse uma outra variável com uma contribuição de
incerteza próxima à da massa do sal em condição de repetibilidade, seu cálculo passaria
longe do resultado correto da medição.
Não recomendo que você use estimativas via coeficiente de variação ou incertezas
relativas, isso não é uma fórmula que você pode replicar genericamente com certa
segurança, como é a Lei de Propagação de Incertezas. Existe uma Regra para estimar
a incerteza da medição pela combinação das incertezas relativas, mas eu não teria
mencionado isso porque ela terá pouca utilidade prática para nós. Essa Regra se aplica
a casos muito específicos, e basta aplicar uma correção aditiva em qualquer variável da
Equação do Mensurando para que ela se torne inválida. Portanto, não repita esse raciocínio
pela incerteza relativa, não procure atalhos. Na vida, para tudo que você conquiste com
Capítulo 5 31
atalhos ou subterfúgios, há um risco grande de se pagar um preço maior no futuro! No
nosso caso, você estimaria resultados errados, levando perigo ao consumidor.
Professor, você pode demonstrar como essa Regra da combinação das incertezas
relativas pode falhar?
2 | REGRA DE COMBINAÇÃO DAS INCERTEZAS RELATIVAS

Claro! Primeiro, eu preciso te dizer que a Regra da combinação das incertezas
relativas se aplica quando a Equação do Mensurando apresenta exclusivamente operadores
de multiplicação e divisão. É enunciada na forma [22]:
(5)
Em outras palavras, a Regra da combinação das incertezas relativas preconiza

que a incerteza relativa do mensurando Y é a raiz da soma de quadrados das incertezas
relativas de cada variável Xi.
Explico mais! Essa Regra só dá certo porque as derivadas parciais de uma função
cujos operadores são exclusivamente multiplicação e divisão seguem um padrão. Veja
bem:
Tome o mensurando Y abaixo como exemplo:
(6)
Nota-se que esta Equação do Mensurando só apresenta operadores de multiplicação

e divisão.
Vamos calcular as 4 derivadas:
(7)
(8)
(9)
(10)
Você reparou que todas as derivadas podem ser escritas pelo próprio mensurando
Capítulo 5 32
Y dividido pela variável que está sendo derivada? E você percebeu que o sinal de menos
em algumas derivadas será indiferente quando as suas contribuições forem elevadas ao
quadrado?
Ora, uma vez que esse padrão é obedecido, podemos reescrever a Lei de
Propagação de Incertezas, na seguinte demonstração:
(11)
Substitua a fração da derivada pela resposta padrão que encontramos anteriormente:
(12)
Divida ambos os lados pelo mensurando Y:
(13)
O sinal de mais ou menos no termo elevado ao quadrado pode ser omitido:
(14)
Chegamos ao enunciado da Regra da combinação das incertezas relativas!
3 | INVALIDANDO A REGRA DE COMBINAÇÃO DAS INCERTEZAS RELATIVAS

Dessa vez, adicione uma correção C1 em X1 e derive a equação com relação a C1:
(15)
Derivando:
(16)
Pronto! Quebrou-se aquele padrão de escrever a derivada como sendo o mensurando

dividido pela variável que está sendo derivada, uma vez que (X1+C1) ≠ X1, quando C1 ≠ 0.
Como dissemos anteriormente, basta adicionar uma correção em qualquer variável para
Capítulo 5 33
quebrar o padrão e invalidar a Regra da combinação das incertezas relativas. Em termos
práticos, grande parte das Equações do Mensurando nos laboratórios apresentam outros
operadores além de multiplicação e divisão, e não seguem o padrão mostrado.
Professor, então a Regra da combinação das incertezas relativas é inútil?
Não precisa ser tão radical! Ela até pode ser útil desde que você saiba o que está
fazendo. Se você “quebrar” a Equação do Mensurando em duas partes, estimar o valor
médio e a incerteza da variável 𝑋5= (𝑋1 + 𝐶1) e substituí-la na Equação original, obtendo:
(17)
Você poderia perfeitamente usar a Regra da combinação das incertezas relativas!

Mas, enfatizo que não é o caminho mais adequado, porque ao longo da minha experiência
criando planilhas de cálculo, vi inúmeras vezes essa Regra sendo utilizada de forma errada
pelos laboratórios. Eles esquecem que não se deve calcular derivadas neste processo,
porque elas já estão incluídas no enunciado da Regra.
Entendo, professor, a Regra da combinação das incertezas relativas é apenas
uma forma diferente de escrever a Lei de Propagação, que só serve para um caso particular!
Exato!
Professor, vamos dar um descanso dos cálculos e vamos fazer da próxima aula
uma discussão mais teórica?
Está cansado? Tudo bem, foi uma boa sugestão!
Capítulo 5 34
CAPÍTULO 6
ELUCIDAÇÕES SOBRE AMODELAGEM DA
MEDIÇÃO
Uma fonte de incerteza só existe por meio de uma variável aleatória que a represente
matematicamente na equação do mensurando.
1 | INCERTEZA NÃO É LISTA DE COMPRAS

O Professor Paulo Breve estava separando alguns artigos para mostrar durante a
aula o quanto o cálculo de incerteza para ensaios químicos está carente de fundamentação.
Ele diz que os autores insistem em não declarar a equação do mensurando, já partem logo
para a expressão da incerteza combinada, o que não é possível, porque a aplicação da Lei
de Propagação de Incertezas depende de uma função inicial a partir da qual se calcula as
derivadas parciais.
Professor, estive pensando nos exemplos que fizemos até agora. De certa
forma, foi fácil pensar nas Equações do Mensurando. A primeira foi a área da superfície
da mesa, e a segunda, a concentração de uma solução preparada a partir de uma massa
medida. Muitas situações são mais complicadas. Como pensar nos fatores de incerteza
que influenciam a medição?
Aroldo, quero que você reflita na sua própria pergunta! Você quer saber como
pensar nos fatores de incerteza, como se a estimativa da incerteza de medição fosse uma
lista de compras!
Lista de compras?
Pois é, muitos alunos pensam que se deve imaginar fatores de incerteza que
podem afetar o resultado, como se Metrologia fosse um exercício de pura imaginação e
criatividade. Inclusive, eu já ouvi a absurda sugestão de se fazer um “Brainstorming” para
conhecer as fontes de incerteza para um resultado de medição! Essa é a pior forma de
pensar!
Incerteza de medição definitivamente não é uma lista de compras. A lista do
supermercado você faz de acordo com as suas necessidades de consumo, ou seja, você
controla quais itens e quais as quantidades mais adequadas para o estoque da sua casa.
Porém, a medição você não controla dessa forma. Toda medição é calcada num princípio
de medição que, por sua vez, dá origem a um método de medição, que serve de referência
para um procedimento de medição. A única coisa que você pode controlar aqui é a execução
Capítulo 6 35
do procedimento. Lembra-se do procedimento de medição da largura da mesa?
Sim, lembro. E, por acaso, método é diferente de procedimento?
2 | DIFERENÇA ENTRE MÉTODO E PROCEDIMENTO

Método e procedimento são conceitos bem diferentes. Enquanto método é a
descrição genérica de uma sequência lógica de operações para realização de uma
medição, o procedimento entra nos detalhes, estabelece critérios, dissolve ambiguidades
e incorpora uma didática apropriada para a execução inequívoca da medição. Quando se
planeja uma validação, por exemplo, valida-se o procedimento de medição, não o método.
Caso a validação fosse direcionada ao método, um laboratório que validasse seu método
de referência dispensaria os demais laboratórios de fazê-lo para o mesmo método [23].
Imagem 6.1: Diferença entre procedimento e método. O procedimento não deve ser
simplesmente a cópia ipsis litteris do método de referência. Ele deve tomá-lo como referência
e considerar critérios e especificações do próprio laboratório para com seus clientes,
inclusive a estimativa de incerteza.
Voltando à questão central, não se deve tentar imaginar fontes de incerteza. Isso
não faz o menor sentido! Você já sabe qual é a grande fonte de informação para o trabalho
do metrologista, que deve servir de ponto de partida para se conhecer as incertezas?
Capítulo 6 36
Essa eu sei! É a Equação do Mensurando!
Muito bem! A Equação do Mensurando traz tudo que você precisa saber para
determinar as variáveis do procedimento de medição. Isso se ela tiver sido modelada de
forma bem representativa da grandeza que você pretende medir. Cada variável da equação
poderá ser uma fonte de incerteza no seu cálculo. Portanto, uma fonte de incerteza não
existe por si só, ela precisa ser “carregada” por uma variável aleatória envolvida no
experimento.
Professor, poderia explicar melhor sem fazer muitas contas?
Vamos tentar... variável aleatória é aquela para a qual não se pode prever o valor
com absoluta certeza. Logo, uma variável aleatória X1 carrega consigo um componente
de incerteza uX1. Se X1 for uma grandeza de entrada numa Equação do Mensurando Y,
Y também terá uma incerteza uY que contempla uX1 na sua estimativa. Note que uX1 é um
parâmetro que descreve o comportamento de X1 quanto à sua imprevisibilidade. Resta
óbvio que, se não existir X1, uX1 também não vai existir. Exatamente por isso que não existe
uma fonte de incerteza sem que haja uma variável na equação associada a ela.
3 | ALEGORIA DOS PINTORES

Façamos a seguinte alegoria: seja uma tela com três pintores para pintá-la em
sequência. Cada pintor tem diversas cores disponíveis para usar. Alguns pintores gostam
de usar poucas cores, outros usam muitas, isso nós não temos como prever. O resultado
da pintura é a soma do trabalho dos três pintores. A variabilidade de cores do resultado
depende da combinação das cores utilizadas por cada pintor. Diante disso, seguem as
perguntas:
1. Qual pintor contribui mais para a variabilidade de cores do resultado da pintura?

Resposta: aquele que usar a maior variabilidade de cores no seu trabalho individual.
2. O que acontece se eu retirar um pintor antes do início do trabalho? O que

esperar sobre a variabilidade de cores do resultado?
Resposta: espera-se que a variabilidade de cores do resultado seja igual ou menor

à do resultado gerado pelos três pintores.
3. Qual seria a participação do quarto pintor no resultado?
Resposta: Nenhuma, não existe um quarto pintor.
Capítulo 6 37
Imagem 6.2: Alegoria dos pintores.
Moral da história:
1. A variável com maior contribuição de incerteza dominará a estimativa do resul-

tado. Em geral, é a variável que demanda maior atenção no processo.
2. Uma variável a mais na Equação do Mensurando sempre traz consigo uma

variabilidade positiva. Ao retirar uma variável, pode ser que você diminua a varia-
bilidade do resultado, mas não porque a medição ficou mais precisa, e sim porque
o modelo de medição ficou mais carente de informação.
3. Não pode existir incerteza cuja variável não tenha sido declarada anteriormente
na Equação do Mensurando.
Professor, essa fábula dos pintores ficou bem interessante! Tudo a ver com
medição! Significa que na metrologia não há que se inventar nada da nossa cabeça, o
certo é declarar a regra do jogo antes de se jogar!
Aroldo, sua analogia do jogo ficou melhor que a dos pintores!
Ainda me resta uma preocupação!
Capítulo 6 38
E qual seria?
Em determinadas situações, pode ser muito difícil alcançar uma Equação do
Mensurando bem representativa!
Sim! Então, na próxima aula, vamos aprender o jeito certo de raciocinar para se
chegar a uma boa Equação do Mensurando!
Capítulo 6 39
CAPÍTULO 7
EXEMPLOS DE MODELAGEM EM QUÍMICA E
MICROBIOLOGIA
Declarar uma incerteza fixa do método em um resultado de medição é aumentar o

risco para o consumidor.
1 | MEDIÇÃO DIRETA
A primeira coisa necessária para definir o mensurando, ou seja, determinar a
sua equação, é entender o princípio de medição que norteia o experimento. Em seguida,
deve-se compreender o método de medição, porque além do fenômeno físico que ocorre
na obtenção do sinal instrumental, precisamos relacionar matematicamente esse sinal
com o próprio mensurando. Feito isso, completamos a equação com variáveis adicionais
e correções que afetam o mensurando ao longo da execução do procedimento. Vamos
trabalhar em alguns exemplos!
Medição direta:
A modelagem da medição direta começa na igualdade entre o sinal X1 e o
mensurando Y.
(1)
Porém, é possível que ocorram eventuais erros no procedimento de medição,

causando desvios entre o valor do sinal e o valor do mensurando. Podemos chamá-los de
E1 e E2.
(2)
Passando os erros E1 e E2 para o outro lado da equação, eles ficam negativos.

Podemos inverter o sinal deles para positivo e obter as correções C1 e C2 [24].
(3)
O modelo de medição direta se aplica a todos os casos quando o sinal se equivale

ao mensurando descontado os erros, por exemplo, medições de pH, condutividade,
comprimento, massa, resistência elétrica, temperatura, corrente elétrica etc. As duas
correções mais comuns são as correções de calibração e resolução. Mas também pode
haver outras, como correções de repetibilidade, reprodutibilidade interna, verificação
intermediária, dilatação etc.
Capítulo 7 40
2 | TITULAÇÃO
Medição indireta por titulação:
(4)
O princípio de medição da titulação é a equivalência de matéria (n1 e n2), no contexto

de uma reação química quantitativa, considerando a constante de estequiometria da reação
(k) entre a substância usada como padrão e a substância de interesse [25].
(5)
A quantidade de matéria pode ser escrita, como sendo a concentração multiplicada

pelo volume.
(6)
Isolando a concentração da substância de interesse (mensurando), e multiplicando

o lado direito da equação pela massa molar M, obtém-se a concentração massa/volume.
(7)
Percebendo as variáveis obtidas por medição direta (volume) como um sinal

instrumental lido em condição de repetibilidade, acrescido das correções de calibração e
resolução, a Equação do Mensurando fica completa.
Essa modelagem aplica-se às reações de titulação feitas manualmente. Em química
analítica, as titulações são utilizadas na determinação de concentrações relativamente
altas da substância de interesse, chamada de analito [26].'
Capítulo 7 41
Imagem 7.1: Análise por titulação.
Fonte: https://brasilescola.uol.com.br/o-que-e/quimica/o- que-titulacao.htm.
3 | MEDIÇÃO COM CURVA DE CALIBRAÇÃO

Medição indireta por curva de calibração:
(8)
A equação da reta descreve a proporcionalidade entre o sinal instrumental da

amostra A e a concentração do analito C. Recomenda-se deixar a grandeza de maior
confiabilidade (padrão) no eixo x (deitado) para a estimação dos parâmetros b1 e b0 pelo
Método dos Mínimos Quadrados que será explicado mais adiante.
(9)
Pode começar passando b0 para o outro lado da equação, de modo a isolar a

concentração C.
(10)
A concentração do analito na amostra é modelada pela função inversa à curva de

calibração.
(11)
Capítulo 7 42
Multiplica-se o lado direito da equação pela razão entre a concentração de um
Material de Referência Certificado (MRC) e o valor previsto experimental para o próprio
MRC. Essa razão é conhecida como fator de correção de recuperação. É como uma
correção devido ao desempenho imperfeito do procedimento de medição no nível de
concentração do padrão MRC utilizado, porém multiplicativa.
Material de Referência é um material suficientemente homogêneo e estável para ser
utilizado como um padrão. O ideal é que seu valor de propriedade seja acompanhado da sua
incerteza. Quando o Material de Referência é certificado, significa que foi construído por uma
entidade reconhecida, usando um procedimento válido, acompanhado da documentação
necessária para atestar sua rastreabilidade, seu valor médio de propriedade, sua incerteza
associada e demais informações pertinentes.
O modelo de previsão por curva de calibração construído, a partir da equação de
uma reta aplica-se quando o sinal instrumental é diretamente proporcional ao mensurando
(concentração do analito). A curva de calibração é útil para determinar concentrações
pequenas, as quais técnicas robustas, como a titulação, não conseguem alcançar.
4 | MEDIÇÃO POR CONTAGEM

Medição indireta por contagem microbiológica por volume
(12)
Basicamente, o mensurando na contagem microbiológica é a variável do próprio

valor contado dividido por um volume determinado.
(13)
Completa-se a equação do mensurando acrescentando uma correção de

repetibilidade ou reprodutibilidade interna, como preferir, e as correções de calibração e
resolução no volume, caso este seja de fato medido.
Capítulo 7 43
Imagem 7.2: Análise por contagem de microrganismos.
Fonte: https://pexels.com.
Os ensaios de contagem podem ter diferentes protocolos de referência, que podem

modificar um pouco a equação. Mas, a equação na qual chegamos representa bem a base
matemática de grande parte das contagens de formas de vida por unidade de volume.
Existem três níveis de precisão: a) repetibilidade, quando o experimento é repetido
pelo mesmo analista, sob as mesas condições na mesma amostra ou em amostras
similares; b) reprodutibilidade interna, ou precisão intermediária, quando o experimento
é repetido alterando-se uma ou mais condições, analistas, instrumentos etc., na mesma
amostra ou em amostras similares; c) reprodutibilidade, quando o experimento é repetido,
porém em diferentes laboratórios sob diferentes responsabilidades. Não existe uma regra
clara sobre como usar esses níveis de precisão, podendo escolher um ou uma combinação
deles para se representar na equação do mensurando [27].
Particularmente, justifico dar preferência para a condição de repetibilidade de
preparo, situação na qual as replicatas da amostra são preparadas de forma independente,
porque é o nível mais próximo da atividade rotineira do laboratório. As amostras comuns
são geralmente analisadas em condições de repetibilidade. Uma observação importante
é que a repetibilidade de leitura, situação na qual as replicatas são leituras dos sinais
do mesmo objeto, pode apresentar uma variabilidade significativamente menor do que a
estimada com a repetibilidade de preparo. A condição de precisão intermediária também
pode produzir estimativas bem representativas, porém ela traz um dilema. É muito mais
Capítulo 7 44
oneroso e demorado gerar dados para se estimar a precisão intermediária para cada
amostra, que seria o ideal. Por outro lado, estimá-la com um grupo de amostras tende a
horizontalizar a curva do mensurando, causando superestimação da incerteza para níveis
mais centrais e subestimação da incerteza para níveis mais próximos dos limites da faixa
de trabalho do procedimento (Vide Gráfico 7.2). Uma alternativa viável seria agrupar as
amostras pelos níveis de mensurando, evitando que amostras de níveis muito diferentes
entrem no mesmo grupo.
Professor, fizemos quatro exemplos de deduções de equações do mensurando:
medição direta, titulação, curva de calibração e contagem por unidade de volume!
Sim, e esses exemplos envolvem uma gama enorme de procedimentos de
ensaios químicos e microbiológicos, além das diversas outras áreas que aplicam medição
direta.
Resta-me uma dúvida! A Equação do Mensurando está associada ao procedimento
de medição ou à amostra que estamos ensaiando?
Ótima pergunta! A Equação está associada ao procedimento, mas os valores
médios e incertezas estão associados à amostra em questão. A equação é parte do modelo
de medição para aquele procedimento, enquanto que os valores numéricos devem ser
atualizados sempre que se executa a análise de uma nova amostra. Você sabia que muita
gente acredita que a estimativa de incerteza está associada ao procedimento? Isso é um
clássico equívoco. Resultado de medição (incluindo sua incerteza) não é do método, nem
do procedimento, nem do analista. O resultado é o intervalo de valores prováveis para a
grandeza que se pretende medir, no caso, a propriedade de uma amostra. Por isso, do
ponto de vista metrológico, o correto é reportar o resultado com incerteza de cada amostra.
Professor, mas qual é o problema em se reportar uma única incerteza para todas
as amostras analisadas por um procedimento?
5 | O PROBLEMA DA INCERTEZA FIXA DO MÉTODO

Vamos responder a essa pergunta com um experimento, pegue a trena novamente!
Vou lhe mostrar cinco peças de diferentes comprimentos (P1, P2, P3, P4 e P5) e
você vai medir três replicatas para cada uma. Vamos plotar num gráfico de dispersão a
média das leituras de cada peça, em centimetro, no eixo x (deitado) e o coeficiente de
variação (desvio-padrão da triplicata dividido pela sua média, anotado em porcentagem)
no eixo y (em pé). Lembre-se que a trena tem a marcação máxima de 100 cm.
Capítulo 7 45
Gráfico 7.1: Coeficiente de Variação (%) em função do mensurando comprimento das peças
(cm): A primeira peça tem variabilidade muito alta. Em seguida, o CV vai diminuindo até uma
região mais precisa, até que torna a subir novamente, ainda que de forma mais lenta.
O Gráfico 7.1 pode ser replicado para qualquer medição. Nota-se que existe uma
região no domínio do mensurando no qual o procedimento mede melhor, conhecida como
faixa de trabalho. Não há como saber se as amostras vão cair mais centralizadas, próximas
às extremidades ou fora da faixa de trabalho. Por isso, é impossível prever uma "incerteza fixa
relativa associada ao procedimento”. Essa “incerteza fixa”, ainda que fosse bem estimada,
só funcionaria dentro de um intervalo muito limitado, muito menor do que a própria faixa de
trabalho. Noutras palavras, assim como a trena não aguenta medir com precisão razoável
mensurandos menores que 0,5cm nem maiores que 100cm, a nossa balança também não
aguentará medir massas muito pequenas ou muito grandes, bem como nosso termômetro
não aguentará medir temperaturas extremamente baixas ou demasiadamente altas. Antes
de chegar aos limites da faixa de trabalho, o aumento da variabilidade será notório. Além
de perder precisão, o sistema de medição pode ser danificado. E, assim, ocorre em todos
os procedimentos de medição.
Capítulo 7 46
Imagem 7.2: Curva teórica do mensurando. Note que se o mensurando for obtido com uma
“incerteza fixa do método”, ou mesmo uma correção de precisão intermediária estimada com
múltiplas amostras, o CV tenderia ao mesmo valor em todos os níveis, e a curva tenderia ao
formato de uma reta horizontal.
Entendi, professor! Concluí que estabelecer uma “incerteza fixa do método”

ou “incerteza fixa do procedimento” representa uma provável perda de confiabilidade do
resultado de medição e um grande risco para o consumidor, uma vez que as amostras são
imprevisíveis e a avaliação de conformidade restaria prejudicada. Seria muita ingenuidade
imaginar que as incertezas das amostras terão o mesmo comportamento esperado em toda
faixa de trabalho.
Maravilhoso, meu caro! Vamos para a próxima aula!
Capítulo 7 47
CAPÍTULO 8
Quanto mais simples for um modelo de medição, mais carente de informação ele
será, e quanto mais complexo for, mais esforço ele demandará.
1 | MEDIÇÃO DIRETA
Aproveitando a aula anterior, vamos aplicar dados aos exemplos desenvolvidos.
Seja a massa M de uma substância medida definida como
(1)
Aplica-se as correções de calibração e resolução em cada medida de massa. A

correção de resolução é sempre a mesma, haja vista o instrumento tem a mesma resolução
em toda a escala.
(2)
No qual Mrep é a massa medida em condição de repetibilidade, Ccal é a correção

de calibração da balança no nível utilizado, Cres é a correção de resolução da balança e
Mtararep é a massa de tara (recipiente que contém a substância).
Por ser medição direta, cada derivada parcial é igual à 1 ou -1:
(3)
A incerteza-padrão combinada da massa M é a estimada pela raiz da soma de

quadrados das incertezas das variáveis da equação. A incerteza da correção de resolução
está multiplicada por 2, porque esta correção aparece duas vezes somando na equação.
Admita os seguintes valores para as variáveis:
(4)
Mrep é estimada pela média e o desvio-padrão de 3 replicatas.
(5)
A correção de calibração Ccal1 é consultada no certificado de calibração da balança

no nível 5g.
Capítulo 8 48
(6)
A correção de resolução Cres tem valor médio zero e meio intervalo igual à unidade
da última casa decimal do sinal.
(7)
Mtararep é estimada pela média e o desvio-padrão de três replicatas, porém

as replicatas foram iguais e o procedimento não conseguiu captar a informação da
repetibilidade, tendo essa incerteza sido desprezada.
(8)
A correção de calibração Ccal2 é igual a Ccal1 porque observando o certificado, o

nível calibrado mais próximo ainda é 5g.
Valor médio de M:
(9)
Incerteza-padrão combinada de M:
(10)
Aplicando os divisores apropriados para as distribuições normal e retangular, chega-

se à incerteza de M. Resultado:
(11)
Se preferir o resultado declarado com a incerteza expandida, supondo k=1,96, fica:
(12)
2 | TITULAÇÃO
(13)
Sabendo que k é constante, a expressão da incerteza fica:
Capítulo 8 49
(14)
Expressão das derivadas:
(15)
(16)
(17)
(18)
Admita os seguintes valores para as variáveis:
(19)
C2 é obtida pela média e desvio-padrão amostral da concentração da solução padrão

previamente preparada.
(20)
V2rep é obtido pela média e desvio-padrão amostral de replicatas independentemente

preparadas para titulação.
(21)
CV2cal é obtida pela consulta ao certificado de calibração da bureta, bem como o valor
do divisor k=2. A coluna de erro ou tendência fornece o valor médio, e a coluna de incerteza
fornece o meio intervalo.
(22)
CV2res tem valor médio zero e incerteza equivalente à menor divisão de escala da
bureta. A distribuição triangular tem o divisor .
Capítulo 8 50
(23)
M foi consultada no procedimento de medição e transcrito da forma como foi

declarada.
(24)
V1rep é o volume coletado pela pipeta. Pipeta volumétrica mede um único nível de
volume, não sendo possível ter informação de repetibilidade. A incerteza é desprezada e
assume o valor zero.
(25)
CV1cal é obtida pelo certificado de calibração da pipeta, bem como o valor do divisor
k=2.
(26)
CV1res tem valor médio zero e incerteza associada ao volume correspondente à

diferença entre as partes superior e inferior do menisco. A distribuição triangular tem o
divisor √6.
Estimativa do valor médio de C1, considerando a constante de estequiometria k=1:
(27)
Calculando as derivadas:
(28)
(29)
(30)
(31)
(32)
Estimando a incerteza-padrão combinada:
Capítulo 8 51
(33)
Resultado da concentração C1:
(34)
Note que se você tentar usar o Coeficiente de Variação da maior contribuição de

incerteza (CV de C2 = 1,5%) como estimativa da incerteza-padrão de C1, ele não chega
perto do CV da incerteza estimada pela Lei de Propagação (CV de C1 = 3,0%). Isso mostra
a importância de desenvolver a metodologia completa e correta do Cálculo de Incerteza
(Bottom-up), antes de se aventurar em suposições mais simplificadas (Top-down). O modelo
Top-down pode ser utilizado desde que seja validado por um conjunto de estimativas iniciais
Bottom-up.
3 | METODOLOGIAS BOTTOM-UP E TOP-DOWN

Professor, explique mais sobre essas metodologias Bottom-up e Top-down!
Estimativa Bottom-up, como o próprio nome diz, “de baixo para cima”, é a
metodologia proposta pelo GUM para estimar o resultado de medição com a sua incerteza.
Consiste em definir o mensurando por um modelo matemático, que é a equação utilizada
para se chegar ao valor médio da medida, e aplicar a Lei de Propagação de Incertezas
neste modelo. Dessa forma, você consegue associar uma fonte de incerteza para cada
grandeza declarada na equação e combiná-las para se obter a incerteza-padrão combinada
do mensurando. No entanto, alguns modelos de medição podem ser aparentemente
complicados, o que serve de motivação para uma alternativa de simplificação do cálculo.
A estimativa Top-down, “de cima para baixo”, consiste em determinar as variáveis
cujas contribuições de incerteza sejam mais significativas, e transformar a equação do
mensurando num modelo de medição direta. Isso torna a expressão da incerteza mais
simples e compreensível [28].
Capítulo 8 52
Imagem 8.1: Diferença entre as abordagens Bottom-up e Top-down para um procedimento com curva
de calibração.
E quais seriam os riscos da alternativa Top-down? Por que tudo que facilita a vida
da gente tem um risco, certo, professor?
Certíssimo! Toda simplificação traz um risco. No caso da Top-down, o risco é maior
quando não se tem um respaldo de uma estimativa Bottom-up para comparação. É preciso
saber se de fato as variáveis escolhidas representam bem o resultado, caso contrário
o resultado perde confiabilidade, por exemplo, uma variável que não deve faltar nesta
simplificação é o sinal ou a propriedade de interesse da própria amostra, considerando uma
ou mais condições de precisão (repetibilidade, precisão intermediária e reprodutibilidade).
Vamos continuar com mais exemplos na próxima aula!
Capítulo 8 53
CAPÍTULO 9
Podemos ter certa facilidade de pensar em variáveis aleatórias independentes, mas

nem tanto quando elas estão covariadas.
1 | COVARIÂNCIA ENTRE VARIÁVEIS

Antes de desenvolver o próximo exemplo, cabe descrever o que acontece quando
duas variáveis não são estatisticamente independentes.
Imagine o lançamento de dois dados honestos, um após o outro, e observe a face
voltada para cima. Você acha que o lançamento do primeiro dado vai influenciar o resultado
do segundo dado?
Não, professor, nada indica que haja uma relação entre o resultado do primeiro
e do segundo dado.
Pois bem, os resultados são estatisticamente independentes. Agora, vamos
unir os dois dados amarrando um curto pedaço de barbante entre eles. Quando lançar o
primeiro dado, a posição na qual ele caia forçará mais probabilidade para algumas faces
e retirará probabilidade de ocorrência das outras faces com relação ao segundo dado.
Conseguimos criar uma dependência estatística entre os dois resultados a qual chamamos
de Covariância.
Capítulo 9 54
Imagem 9.1: Dados amarrados causando covariância entre os resultados de cada par. Na
situação A, existe uma folga no barbante, uma certa liberdade para o segundo dado variar
seu resultado com relação ao primeiro, evidenciando uma covariância imperfeita. Na situação
B, os dados estão completamente unidos e não há liberdade para o segundo dado variar seu
resultado com relação ao primeiro, evidenciando covariância perfeita entre os resultados do
par.
Professor, significa que, quando uma variação de uma variável influencia a

variação de outra variável, podemos dizer que são covariadas, ou seja, têm covariância
significativa.
Sim! Inclusive, podemos observar uma covariância positiva, na qual o movimento
da segunda variável segue a mesma tendência da primeira, e covariância negativa, na qual
o movimento segue a tendência oposta, por exemplo, quando a inflação sobe, o salário
mínimo tende a subir no ano seguinte. Ao analisar um período considerável, poderemos
identificar uma covariância positiva entre a inflação de um determinado ano e o salário
mínimo do ano seguinte. Entretanto, ao analisarmos a relação entre o preço da carne
bovina e o consumo desse item para um grupo de famílias de determinadas classes sociais,
facilmente identificaremos uma covariância negativa. Quanto mais cara fica a carne, menos
as famílias a consomem, uma vez que elas podem recorrer a produtos substitutos, como
aves e suínos. Um exemplo clássico de modelo para ensaio físico-químico, levando em
consideração pares de variáveis covariadas, está apresentado no Apêndice D.
Veja o estimador da covariância amostral entre duas variáveis aleatórias X1 e X2:
(1)
Capítulo 9 55
Ótima aplicação da covariância no nosso dia a dia! Mas, voltamos à Curva de
Calibração!
2 | EXEMPLO NUMÉRICO PARA O MODELO COM CURVA DE CALIBRAÇÃO

Curva de Calibração
Vamos partir do pressuposto que a informação da regressão linear foi criada a
partir do Método dos Mínimos Quadrados (MMQ) aplicado aos dados experimentais da
curva. Em capítulo posterior, o MMQ será discutido com maior dedicação.
Seja o mensurando:
(2)
A expressão da incerteza fica:
(3)
Note que a covariância considerada COV(b0,b1) mede a variação conjunta entre a

inclinação e o intercepto da curva. Essa covariância será negativa sempre que a variável
independente (eixo x) assumir valores positivos. Vamos analisar graficamente esse fato.
Ao modificar-se os dados do nível 3, de modo que a média em y suba de 30 para

40, conservando os valores dos níveis 1 e 2, a inclinação aumenta (9,5 para 14,5) e o
intercepto diminui (1,78 para -4,89), ilustrando o efeito da covariância negativa. Isso mostra
diferentes possibilidades de ajuste de curva. Para que a função não se desprenda dos
dados experimentais, toda vez que a inclinação aumenta o intercepto diminui, vice-versa.
Assuma os seguintes valores para as variáveis e para a covariância:
Capítulo 9 56
(4)
A é estimado pela média e pelo desvio-padrão amostral de um conjunto de replica-

tas.
(5)
b0 é estimado pelo Método dos Mínimos Quadrados.
(6)
b1 é estimado pelo Método dos Mínimos Quadrados.
(7)
CMRCteo é consultada na documentação do MRC ou da solução preparada a partir

dele.
(8)
CMRCexp é estimada pela previsão do valor de propriedade do MRC na curva de

calibração, ou da solução preparada a partir dele, passando este padrão no procedimento
como uma amostra comum.
(9)
COV(b0,b1) é estimada pelo Método dos Mínimos Quadrados. Calculando as

derivadas:
(10)
(11)
(12)
(13)
(14)
Estimativa do valor médio para a concentração do analito na amostra:
(15)
Capítulo 9 57
Estimativa da incerteza-padrão combinada
(16)
(17)
Resultado final:
(18)
Professor, já ouvi falar de uma incerteza da curva de calibração, mas observando

a nossa modelagem, não identifiquei nenhuma variável que possa representá-la. Onde
estaria essa incerteza?
3 | INCERTEZAS COM APELIDOS DE MAU GOSTO

Aroldo, em primeiro lugar, precisamos lembrar um ponto crítico: incerteza só
pode existir associada a uma variável [29]. Dito isso, tente identificar uma variável chamada
Curva de Calibração no modelo de medição.
Não há, professor.
Se não há, essa incerteza não existe. O que existe de fato é a variável
concentração do analito prevista pela Curva de Calibração, que na verdade é composta por
três variáveis declaradas no modelo: sinal da amostra, intercepto, inclinação e a covariância
entre as duas últimas, que também compõem uma contribuição de incerteza. Portanto, o
que popularmente chamam de “incerteza da curva” é a incerteza-padrão combinada das
variáveis citadas que juntas formam a incerteza da concentração prevista pela função
ajustada.
Professor, pensando bem, tais incertezas de nomes “populares” confundem o
aprendizado, por exemplo, incerteza de validação, incerteza de carta-controle e incerteza de
controle de qualidade. Todas essas tecnicamente não podem ser consideradas incertezas
de medição, pois não estão associadas a nenhum tipo de variável aleatória. O que elas são
e como deveriam ser chamadas?
Você disse muito bem! Incerteza é de medição, não de processo. Validação
é o processo de avaliação de desempenho de um procedimento de medição, a fim de
atestar sua adequação ao uso pretendido. Não existe uma variável chamada validação. A
“incerteza de validação” tem um conceito subjetivo e depende de como o analista a definiu,
bem como a “incerteza de carta-controle” ou “incerteza do controle de qualidade”, as quais
matematicamente também não fazem sentido. A variável que carrega a variabilidade que
melhor se relaciona com a validação e o controle de qualidade é a correção de recuperação
Capítulo 9 58
ou correção de verificação, que é estimada pela comparação entre o valor de propriedade
de um material de referência certificado (MRC) e o valor obtido pela análise do mesmo
pelo procedimento. Portanto, o nome certo seria “incerteza da correção de recuperação
ou verificação”. Poderia ser também “incerteza do fator de correção de recuperação ou
verificação” [30], caso a variável seja multiplicativa. Outra possibilidade é de que o analista
nomeie como “incerteza de validação” a incerteza da correção de precisão intermediária
obtida durante a validação ou por meio de estudos no âmbito do controle de qualidade.
Assim, usando a linguagem metrologicamente apropriada, substitua sempre os nomes
“populares” por nomes de variáveis cujas definições sejam objetivas e consistentes com a
equação do mensurando.
Certo, professor, é muito importante educarmos a comunidade dos laboratórios
para o bom uso do vocabulário para nomear variáveis e suas incertezas. Vamos dar
preferência aos nomes que remetem às grandezas de entrada que de fato elas representam
na equação do mensurando. Agora, partiremos para os processos microbiológicos.
Capítulo 9 59
CAPÍTULO 10
O tempo de vida que uma bactéria gasta até sofrer a primeira reprodução é muito
difícil de precisar, não espere incertezas pequenas para ensaios de contagem.
1 | EXEMPLO NUMÉRICO PARA A MEDIÇÃO POR CONTAGEM

O Professor Paulo Breve propõe um experimento para evidenciar a alta variabilidade
dos processos biológicos. Pegue um pão francês e guarde-o em um armário por três dias.
Veja como e em quais pontos, os fungos se proliferam no alimento. Repita o experimento
três vezes. O aluno esperto já deve imaginar que não é fácil determinar com precisão
onde estarão os pontos iniciais de contaminação, e muito menos acreditar que as três
repetições evoluirão da mesma maneira. Em seguida, ele apresenta um registro do ensaio
de contagem de coliformes totais em matrizes de alimentos, para dez amostras analisadas
em duplicatas para avaliar o resultado em condição de repetibilidade. Vide Tabela 10.1.
DESVIO-
AMOSTRA REPLICATA 1 REPLICATA 2 MÉDIA CV
PADRÃO
1 2200 2400 2300 141 6%
2 2100 2200 2150 71 3%
3 1800 2100 1950 212 11%
4 2400 2000 2200 283 13%
5 1600 1800 1700 141 8%
6 1600 1900 1750 212 12%
7 900 1200 1050 212 20%
8 3100 2600 2850 354 12%
9 210 1800 1005 1124 112%
10 2500 2200 2350 212 9%
Tabela 10.1: Resultados das 10 amostras em condição de repetibilidade para o ensaio de
contagem de coliformes totais (UFC/mL), desvio-padrão e coeficiente de variação. O valor
da contagem de cada replicata é multiplicado por 100 para se obter o resultado da tabela
(exemplo: 21 unidades contadas correspondem a 2100 UFC/mL). O menor desvio-padrão
entre os pares foi o da amostra 2, cujo valor é 71, e o resultado seria (21,5±0,7)102UFC/mL.
A incerteza de Poisson, definida como a raiz quadrada da contagem média correspondente
ao resultado, é 4,6 porque (√21,5≈4,6). Isto representaria um resultado de (21,5±4,6)102UFC/
mL. A repetibilidade estaria subestimada com relação à incerteza de Poisson.
Capítulo 10 60
Os ensaios microbiológicos possuem uma diversidade muito grande de métodos,
cada um deles com sua forma de caracterizar o mensurando. Dar o enfoque nos ensaios
de contagem de seres vivos e apresentar uma equação genérica para descrever esse
fenômeno, será suficiente para os esclarecimentos propostos neste capítulo. Os ensaios
biológicos, que demandam outras formas de modelagem, devem ser analisados caso a
caso pelo analista.
Façamos agora um exemplo diferente do exibido na Tabela 10.1, um modelo mais
completo, combinando uma variável de Poisson com sua correção de repetibilidade. Seja
o mensurando:
(1)
A expressão da incerteza-padrão combinada fica:
(2)
Considere os seguintes valores para as variáveis:
(3)
C1 é estimado pelo valor médio de um conjunto de replicatas (70 UFC/mL e 80

UFC/mL). A incerteza é obtida diretamente pela distribuição de Poisson (raiz quadrada do
próprio valor médio).
(4)
CC1rep assume valor zero, uma vez que a média das replicatas já foi considerada em
C1. A incerteza é dada pelo desvio-padrão dos resultados dessas replicatas (70 UFC/mL e
80 UFC/mL).
(5)
V1rep é estimado pelo valor nominal da medida. Em caso de instrumento de medida

única, não é possível avaliar a repetibilidade. Atribui-se incerteza zero.
(6)
V1cal é consultado pelo certificado de calibração. O valor médio vem da coluna de

erros ou tendências e a incerteza, da coluna de incertezas. Assume-se k=2.
(7)
Capítulo 10 61
V1res tem valor médio zero. Lembre-se que a resolução de um instrumento não causa
erro no resultado, apenas incerteza. E a incerteza é estimada pela menor divisão de escala
(distribuição retangular, divisor é ).
(8)
(9)
Estimativa do valor médio:
(10)
Estimativa da incerteza-padrão:
(11)
Resultado final
(12)
Convém que os resultados de medidas discretas sejam reportados também de forma

discreta, sem casas decimais. Afinal, não há meia bactéria! Isso é mais um motivo para que
incertezas menores que 1 sejam consideradas subestimadas no universo da microbiologia.
Outro fato relevante é que o tempo decorrido entre o nascimento de uma bactéria até sua
primeira reprodução, ou mesmo entre a primeira e a próxima, é muito difícil de precisar, não
espere incertezas pequenas para esse tipo de ensaio. Note que o resultado médio sofreu
um desvio com relação às médias das contagens, por causa da correção de calibração
do volume. Contudo, este desvio é insignificante perante à incerteza (onze vezes menor).
Podemos dizer que (75±11) UFC/mL e (74±11) UFC/mL são estatisticamente o mesmo
resultado. É interessante notar também que a contribuição da variável de Poisson é
muito importante para o modelo. Além de ser preponderante no cálculo, ela não permite
que o resultado perca confiabilidade devido a uma eventual repetibilidade subestimada
para CC1rep, por exemplo, duas replicatas podem resultar em contagens muito próximas
ou numericamente iguais, tornando a estimativa da incerteza combinada menor do que
ela realmente seria. Em outras palavras, a variável C1 sustenta uma incerteza mínima
esperada para o fenômeno da contagem.
Professor, por que as análises clínicas não são contempladas pelo cálculo de
Capítulo 10 62
incerteza?
2 | ANÁLISE DE RISCO A PRIORI E A POSTERIORI

Muito interessante esse fato! Eu mesmo nunca encontrei uma resposta clara
para essa pergunta em referências bibliográficas, mas podemos fazer uma elucidação
pela decisão de conformidade. Ao se tomar uma decisão a respeito da conformidade do
resultado do mensurando de uma amostra, duas perspectivas são possíveis: a análise de
risco a priori e a posteriori. Daremos essa característica temporal com relação ao momento
no qual ocorreu a estimação intervalar. Chamaremos de intervalo normativo, o intervalo
estimado antes da execução da medição, estabelecido por uma entidade reguladora, e a
análise de risco é feita a priori. Para tomar a decisão de conformidade, basta comparar o
resultado médio com o intervalo normativo. Por outro lado, quando o intervalo é estimado,
logo após a execução da medição, e pelo próprio laboratório, o resultado será declarado
como um intervalo de valores prováveis. Nesse caso, para tomar a decisão, compara-se o
intervalo do mensurando com um limite normativo definido por um valor de referência, e a
análise de risco é feita a posteriori.
Imagem 10.1: Resultado de exame hemograma completo. Note que os valores medidos não
estão acompanhados de incertezas. Porém, os valores de referência são declarados como
um intervalo, caracterizando a análise de risco a priori. Fonte: arquivo pessoal.
Capítulo 10 63
Então, para a nossa aplicação, definiremos análise de risco a priori quando a
referência normativa for um intervalo, e o resultado de medição for declarado como valor
único, dispensando o cálculo de incerteza. E análise de risco a posteriori, quando for o
caso contrário, a referência for um limite normativo de valor único e o resultado de medição
declarado como um intervalo.
Isso mesmo! Portanto, podemos categorizar as avaliações de conformidade
das análises clínicas como análise de risco a priori. E as avaliações das demais áreas,
majoritariamente como análise de risco a posteriori, demandando a estimativa de incerteza
por parte de quem executa a medição.
Capítulo 10 64
CAPÍTULO 11
MEDIÇÃO NO DIA A DIA
Somos iludidos pela certeza de estar no controle dos eventos aleatórios.
1 | MEDIÇÕES EM UMA AGÊNCIA BANCÁRIA

Na aula de hoje, o professor comenta que o corpo humano é um verdadeiro
laboratório ambulante. Ainda bem, caso contrário não sobreviveríamos por muito tempo.
Você já parou para pensar que processos de medição acontecem a todo momento
em todo lugar?
Professor, como podemos perceber essas medições?
É fácil, basta lembrar que não apenas as avaliações de conformidade estão
atreladas às medições, como também várias decisões que tomamos no dia a dia. Por
exemplo, suponhamos que você esteja aguardando atendimento no banco e decida levantar
para tomar água. Você observa o painel de senhas sequenciais, levanta, toma água e volta
ao seu lugar. Você consegue pensar em todas as grandezas medidas relacionadas a essa
ação?
Pensei no volume de água suficiente para saciar a sede.
Acertou uma, mas tem mais! Quando você observa o painel de senhas, você
percebe o resultado da contagem de atendimentos até o momento, e talvez tente medir a
frequência de atendimentos, duração média, e fazer uma estimativa de quanto tempo falta
para você ser chamado. Em seguida, você localiza o filtro d’água e estima quanto tempo
vai gastar para saciar a sede, de modo a reduzir o risco de perder a vez de atendimento.
Vai até o filtro, verifica a turbidez da água antes de tomá-la, e estima o volume suficiente,
como você bem disse. Volta ao seu lugar e lê o resultado da contagem de atendimentos
novamente para garantir que ainda não foi chamado.
Capítulo 11 65
Imagem 11.1: Tomando água na agência do banco, um ato simples com várias medições
envolvidas.
Bom, temos então oito grandezas medidas no exemplo: duas medidas de

contagem de eventos, três em unidade de tempo, um de frequência, um de turbidez, um
de volume!
Ou mais! Mas oito são suficientes para ilustrar o quanto as medições estão
presentes nas nossas vidas.
Uma medição confiável pode salvar uma vida! Pense quando você atravessa a rua…
seu corpo utiliza principalmente o sentido visual para medir a largura da rua, a distância até
o próximo carro a passar, a velocidade do carro, o tempo de travessia, e qual a velocidade
mínima suficiente para atravessar com segurança antes que o carro cruze sua trajetória.
A precisão dessas medidas deve ser adequada para suportar uma decisão assertiva, caso
contrário, a consequência pode ser irreversível. Se o carro acelerar antes de passar por
você, provavelmente aumentará a variabilidade das medições, dificultando a tomada de
decisão. Talvez seja melhor esperar o carro passar a depender da margem de segurança
tolerada para a travessia.
Capítulo 11 66
Imagem 11.2: Atravessando a rua: uma medição correta pode salvar a sua vida.
Professor, reparei que todas essas medidas, ainda que realizadas por “instrumentos
humanos”, apresentam incerteza. Se assim não fosse, ninguém seria atropelado!
Muito bem dito! Já reparou como toda tragédia é causada por erros de medição,
incertezas mal estimadas ou riscos mal calculados? Lembre-se de que para nós,
metrologistas, o conceito de erro é diferente de incerteza. Enquanto erro é a diferença
entre o valor medido e o valor verdadeiro do mensurando, a incerteza é um parâmetro que
caracteriza a dispersão ou variabilidade daquela variável medida. Erro pode ser previsível
e passível de correção, mas incerteza não. Incerteza tem natureza aleatória, por isso
modelamos mensurandos por meio de variáveis aleatórias, como visto no capítulo 1.
Capítulo 11 67
Verdade, professor, além dos atropelamentos, vimos desabamento de estruturas
de concreto, rompimento de barragens, acidentes rodoviários e aéreos, contaminação de
água e alimentos etc. Todos estes eventos podem ser causados por medições erradas e/
ou incertezas mal estimadas.
Podemos ter uma situação ainda pior!
Ainda pior? E qual seria?
2 | MEDIR ERRADO E NÃO MEDIR

O não medir! Algumas decisões erradas são tomadas devido às medições
inapropriadas, como eu disse, outras, devido à ausência da medição. Um exemplo simples
é um automóvel que não passa por revisão. Como garantir um dado nível de segurança ao
não se monitorar o desgaste de itens, como correia de motor, discos e pastilhas de freios ou
dos próprios pneus? A decisão de utilizar o carro sem a informação gerada pelo processo
de medição seria uma abertura a riscos talvez inestimáveis!
Ao fazer um paralelo entre a medição errada (considerando valor médio e incerteza)
e a não medição, ambas nos lançam ao universo do desconhecido, no qual tudo pode
acontecer! Obviamente, nossa preocupação maior é com as probabilidades de ocorrência
de eventos prejudiciais, ainda que o conceito de risco possa ter uma conotação positiva de
oportunidade. Quando o desconhecimento e o risco caminham juntos, os prejuízos podem
ser financeiros, materiais, socioambientais, de curto, médio ou longo prazo, de diferentes
ordens de grandeza, reversíveis ou não. Por isso, a metrologia deve servir de fundamento
para a análise de risco [31].
Professor, se pensarmos bem, medições com erros significativos ou com
incertezas distantes da realidade são equivalentes a não medir!
Verdade! Pensando bem, as estimativas ruins podem ser ainda piores, pois dão a
falsa sensação de estarmos no controle da situação! Quantas vezes eu vi um laboratório se
orgulhar dos seus resultados, declarando resultados sem incerteza ou mesmo acreditando
ter controlado suas incertezas simplesmente analisando um padrão ou material de
referência! Ora, incerteza de medição não se controla, como já vimos anteriormente! No
máximo, você pode esperar algumas incertezas mais prováveis para aquela medição em
certas regiões da faixa de trabalho do procedimento, mas nada garante que a próxima
amostra ou o próximo mensurando se comporte do jeito que você espera! A medição é um
processo de natureza aleatória, mas não é um lançamento de um dado honesto, para o
qual o intervalo de valores prováveis é fixo (veja Gráfico 7.1 no capítulo 7). Melhor pensar
cada mensurando como sendo um dado com diferentes números de faces e deformações
imprevisíveis.
Capítulo 11 68
Imagem 11.3: Dados de diferentes números de faces com deformações imprevisíveis, uma
boa analogia para um mensurando. Nada garante que a variabilidade de um mensurando
medido será igual à variabilidade do próximo.
Um resultado declarado com erro significativo aumenta a probabilidade de se tomar

uma decisão errada. Na hipótese de normalidade, a curva sinuosa é deslocada no sentido
do erro, reduzindo a região de acerto. Para o resultado declarado sem incerteza estimada,
é como se a curva sinuosa se estendesse ao infinito, tornando todos os valores da reta
dos números reais igualmente prováveis, o que é um absurdo na ótica dos axiomas da
probabilidade. Imagine o que seria um resultado de concentração de (5±∞) mg/L (cinco
mais ou menos infinito miligramas por litro).
Professor, o que seria da humanidade sem o uso da estatística e da metrologia
nos resultados de medição?
Provavelmente nem estaríamos aqui!
Capítulo 11 69
CAPÍTULO 12
REGRESSÃO LINEAR PARA MODELOS DE
MEDIÇÃO
Torna-se completamente dispensável testar a homocedasticidade dos dados quando

se usa um método ponderado.
1 | MÉTODO DOS MÍNIMOS QUADRADOS

Nesta aula, retomaremos a parte de cálculo para estimar os parâmetros de
uma curva de calibração! O problema a ser resolvido é estimar o valor de propriedade
de interesse (mensurando) a partir do sinal instrumental da amostra. Para isso, é preciso
preparar padrões em diferentes níveis e realizar a leitura de replicatas preparadas para
cada nível. Em seguida, modela-se uma relação funcional entre essas duas variáveis (veja
a definição dada no capítulo 2).
A modelagem por curva de calibração se aplica a uma série de técnicas de medição,
como, espectroscopia, cromatografia, espectrometria de massas, difração de raios-x,
análises quantitativas por PCR (reação em cadeia da polimerase) e todas as demais
técnicas que exigem estimar uma função a partir de dados experimentais.
Professor, então, vamos começar com uma lista crescente de pares ordenados
genéricos em 3 níveis para a variável independente x:
xi x1 x1 x1 x2 x2 x2 x3 x3 x3
yi y1 y2 y3 y4 y5 y6 y7 y8 y9
Plotamos os pontos em um gráfico de dispersão:
Capítulo 12 70
Gráfico 12.1: Respostas instrumentais (eixo y) em função das concentrações dos padrões
(eixo x).
Vamos considerar que a função afim (reta) seja a melhor alternativa de modelo
de predição. Chamaremos o valor de propriedade de variável independente x e o sinal
instrumental de variável dependente y. É conveniente atribuir x à medida hierarquicamente
superior na cadeia metrológica. Fazer o contrário, atribuir x ao sinal instrumental causa
perda de confiabilidade do resultado, o que será explicado logo abaixo. Seja a função afim:
(1)
Desejamos estimar b1 e b0 de modo que a função esteja mais próxima possível

dos pares ordenados, mas estimar não apenas seus valores médios como também suas
incertezas. Porém, ao considerar as distâncias ε como diferenças verticais (em y), teremos
valores positivos e negativos. Por isso, buscaremos reduzir os quadrados das distâncias
ε 2, para que a sua soma contenha apenas parcelas positivas e o estimador seja não
enviesado. Isso é o Método dos Mínimos Quadrados. [32].
Professor, percebo que ao considerar as distâncias verticais (em y), estamos
desprezando as distâncias horizontais, ou seja, as incertezas em x.
Sim, esta é a primeira premissa do Método dos Mínimos Quadrados. Estamos
tratando aqui do MMQ univariado. As incertezas em x devem ser desprezadas, por esse
motivo eu disse que é conveniente atribuir o eixo x às medidas de maior confiabilidade. Se
você colocar os sinais instrumentais em x, será obrigado a desprezar incertezas as quais
espera-se serem relativamente maiores que as dos valores de propriedade dos padrões.
Capítulo 12 71
Além disso, é provável que as incertezas dos sinais sejam influenciadas pelas incertezas dos
padrões. Imagine que pequenas flutuações nos preparos dos padrões causem pequenas
flutuações nas respostas instrumentais, afinal “y” tem dependência tanto funcional quanto
estatística com relação a “x”.
Professor, quais são as outras premissas do MMQ?
A próxima premissa diz respeito a igualdade de variância entre os níveis calibrados,
ou seja, homocedasticidade dos dados em y. Pense comigo, para que a função tenha as
menores distâncias com relação a todos os pontos, uma triplicata medida não pode ter
muito mais variabilidade do que a triplicata de outro nível qualquer. Caso haja discrepância
de variabilidade, a função ajustada perderá capacidade de previsão, introduzindo erro na
medição. Veja o que acontece no Gráfico quando um determinado nível fica muito mais
preciso que o outro:
Gráfico 12.2: Curva de calibração no caso Gráfico 12.3: Curva de calibração no caso
homocedástico. heterocedástico.
No Gráfico 12.3, à direita, a média do nível 3 foi deslocada de 4 para 5. Foi o

suficiente para fazer a função passar por fora do intervalo do nível 2. Não é diretamente
o crescimento da variância que desviou a função, causando o erro do nível 2, mas uma
variância maior em x=2 aumenta a probabilidade de que a sua média não seja mais a
mesma. Quanto maior for a probabilidade de a média ser diferente, maior o erro induzido
em x=2.
Professor, mas isso será um problema, porque pelo que vimos até agora, é
muito fácil ocorrer essa discrepância de variabilidade ao longo da faixa de trabalho de um
procedimento de medição!
Brilhante, meu prezado! Você lembrou que a heterocedasticidade é uma condição
muito razoável de acontecer no laboratório, principalmente quando se analisa traços e
resíduos, valores de propriedade muito baixos. Estender a faixa calibrada também pode
favorecer a ocorrência de heterocedasticidade, basta observar o Gráfico 7.1 no capítulo 7
[33].
Então, não podemos assumir essa premissa com segurança?
Capítulo 12 72
2 | UMA SOLUÇÃO PARA O PROBLEMA DA HETEROCEDASTICIDADE
A resposta é que não precisamos dela! Podemos usar um artifício matemático
chamado ponderador. Assim, poderemos dar preferência aos níveis mais precisos em
detrimento dos menos precisos. Os níveis de grande variabilidade têm mais espaço
para que a função se afaste da média com menor probabilidade de erro na previsão do
resultado. Em compensação, ela “cola” mais na média do nível mais preciso, e “atravessa”
prioritariamente os intervalos mais precisos definidos pelas triplicatas mais próximas,
amenizando ou mesmo evitando o erro anteriormente descrito.
Professor, é como se antes estivéssemos calculando uma média simples, que
dá a mesma importância para todas as parcelas. E agora, estamos calculando uma média
ponderada, que dá mais importância para os valores de maior peso ou de maior ponderação!
E como é definido o ponderador?
Equações de média simples Ms e média ponderada Mp:
(2)
(3)
Exatamente! A melhor definição para o ponderador é o inverso da variância

avaliada em cada conjunto de replicatas (y) de cada nível (x).
(4)
O j denota o número de replicatas por nível e o i, cada ponto experimental em y, ou

seja, o ponderador tem o mesmo valor para as replicatas do mesmo nível, mas deve ser
calculado para todos os pontos.
E agora vamos estimar b0, b1 e suas incertezas pelo Método dos Mínimos Quadrados
Ponderado! Partindo da função afim, precisamos isolar a soma dos quadrados dos resíduos
ε, para que, derivando com relação aos parâmetros b0 e b1, sejam obtidas as equações dos
seus respectivos valores médios e incertezas [34].
Equações dos parâmetros
(5)
(6)
Capítulo 12 73
(7)
(8)
(9)
3 | EXEMPLO NUMÉRICO PARA OS PARÂMETROS DA CURVA DE

CALIBRAÇÃO
Seja a curva de calibração:
xi x1 x1 x1 x2 x2 x2 x3 x3 x3
1 1 1 2 2 2 3 3 3
yi y1 y2 y3 y4 y5 y6 y7 y8 y9
0,012 0,013 0,015 0,025 0,028 0,031 0,045 0,059 0,064

S2 S2 S2 S2 S2 S2 S2 S2 S2
S2(yj,i)
(Y1,1) (Y1,2) (Y1,3) (Y2,4) (Y2,5) (Y2,6) (Y3,7) (Y3,8) (Y3,9)
2,3E-6 2,3E-6 2,3E-6 9,6E-6 9,6E-6 9,6E-6 9,7E-5 9,7E-5 9,7E-5
Primeiramente, calcule os somatórios:
(10)
(11)
(12)
(13)
(14)
E substitua nas equações dos parâmetros:
(15)
(16)
Capítulo 12 74
(17)
(18)
(19)
Gráfico 12.4: Respostas instrumentais em função das concentrações dos padrões de acordo com os
dados da Tabela 12.1.
Uma medida da qualidade do ajuste para esta função pode ser atribuída ao
coeficiente de correlação linear ponderado Rw:
(20)
Aplicando os dados da curva:
(21)
Professor, ouvi dizer sobre uma premissa que supõe que os dados em y obedeçam
uma distribuição normal para o cálculo dos Mínimos Quadrados, isso procede?
Não existe essa restrição! Se você encontrar uma referência bibliográfica com essa
premissa, note que ela não será capaz de demonstrar tal afirmativa. Na demonstração das
equações dos parâmetros do Método dos Mínimos Quadrados, não há nenhuma suposição
Capítulo 12 75
a respeito da distribuição dos dados em Y, portanto eles podem se adequar a qualquer
distribuição de probabilidade. A única ressalva sobre essa questão é que os estimadores de
mínimos quadrados também serão estimadores de máxima verossimilhança sob condição
de normalidade [35].
Capítulo 12 76
CAPÍTULO 13
VALORES LIMITES
Uma decisão de conformidade centrada no limite normativo, sem considerar a

incerteza, tem 50% de probabilidade de erro.
1 | FAIXA DE TRABALHO E SEUS LIMITES

Durante muitos anos, os analistas estudavam valores limites com cálculos arbitrários
para comparar procedimentos e métodos. Hoje, os analistas usam a estatística para
conhecer melhor o risco para o consumidor.
Professor, ao longo das aulas, temos conversado muito sobre a faixa de trabalho,
mas não definimos exatamente o que ela é!
Bem observado! Realmente dizer que é um intervalo do domínio do mensurando,
no qual se pode medir com confiabilidade não parece ser suficiente. Precisamos tratar isso
com mais objetividade e estabelecer os limites da faixa de trabalho.
Quer dizer que a faixa de trabalho possui limites, mas como estimá-los?
Primeiro, vamos destacar alguns cuidados a serem tomados. Nada garante
que a faixa declarada pelo fabricante do instrumento coincidirá com a faixa de trabalho.
A faixa de utilização não é a faixa de trabalho, porque a primeira determina a região para
a qual o instrumento foi projetado para medir, e não guarda relação com as incertezas
dos resultados. Talvez a faixa declarada pelo método de referência seja mais próxima da
faixa de trabalho do procedimento, mas, ainda que seja próxima, os limites devem ser
investigados pelo uso do próprio procedimento de medição e seu modelo de estimativa de
resultado com incerteza. Ao fazer isso, podemos chamá-los apropriadamente de Limites de
Quantificação (LQ).
Professor, todos os procedimentos têm Limites de Quantificação?
Sim, todos! Pelo simples motivo de que quando o mensurando tende para
zero, o coeficiente de variação tende para infinito. Estabelecer uma incerteza relativa
máxima tolerada para um mensurando mínimo implica na existência de um LQ inferior.
Por outro lado, um valor médio de mensurando que cresça indefinidamente vai prejudicar
o desempenho do sistema de medição, ou mesmo inviabilizá-lo, também aumentando o
coeficiente de variação. Exatamente como usar uma trena para medir distâncias entre duas
ruas de uma cidade ou medir o pH de uma amostra cujo pH seja maior que 14. Portanto,
Capítulo 13 77
também existe um Limite de Quantificação superior.
Imagem 13.1: Distância entre duas ruas paralelas, medição fora da faixa de trabalho do
procedimento realizado com a trena.
E se eu tentasse determinar o Limite de Quantificação inferior por amostras cujo

mensurando tende assintoticamente para zero, conhecidas como amostras-branco?
Você criaria um problema! O comportamento assintótico é muito estranho para a
tomada de decisão. A incerteza relativa da amostra branco tende para infinito, não sendo
possível decidir sobre a conformidade do resultado com segurança razoável. O nível da
amostra branco já escapou da faixa de trabalho. Isso significa que um LQ bem estimado
estará associado a um resultado com incerteza relativa alta, mas que contenha um valor
médio de propriedade estimável, justamente para definir a fronteira que separa as decisões
seguras das não seguras.
Então, vamos à prática! Vamos estimar os Limites de Quantificação a partir de
amostras preparadas!
Espera-se que o comportamento do mensurando siga conforme ilustrado:
Capítulo 13 78
Gráfico 13.1: Coeficiente de variação em função do mensurando (curva do mensurando).
Note a região de maior precisão ao redor do vértice da curva do mensurando, vamos

chamá-la de baricentro. Nessa hipótese, a melhor prática seria estabelecer um Coeficiente
de Variação máximo aceitável (CVmax) para a faixa de trabalho, e preparar amostras cada
vez mais afastadas do baricentro da curva do mensurando. Seja uma função f(x) onde:
(1)
Estimada a f(x) por algum processo de regressão, podemos testar diferentes LQs e
verificar qual seria o CVmax associado para cada um. Teoricamente, a função atinge CVmax
em dois momentos, no LQ inferior e no LQ superior. Na prática, o LQ superior pode ser
inviável de se estimar. Ele pode inclusive ultrapassar a faixa de utilização do sistema de
medição e seu cálculo perde utilidade. Portanto, daremos foco ao LQ inferior.
Anote os pares ordenados dos valores médios obtidos e seus respectivos CVs
estimados pelo modelo de estimativa de incerteza elaborado para o procedimento. Uma
alternativa à definição mencionada acima seria atribuir o LQ por aproximação a um dos
níveis testados experimentalmente, seguindo uma dessas duas formas:
a. LQ inferior será o menor mensurando cujo CV seja menor que o CVmax.
b. LQ inferior será o maior mensurando cujo CV seja maior que o CVmax.
Seja o conjunto de pares, por exemplo:
xi (ppb) 2 4 6 8 10 12
yi (CV em %) 100% 70% 55% 35% 27% 20%
Em geral, é mais viável utilizar a abordagem experimental por aproximação do que

estimar pela definição teórica, já que a função f(x) provavelmente será um polinômio de grau
Capítulo 13 79
n>2. Considerando um CVmax de 50%, pela forma da alínea a, o LQ seria 8 ppb, enquanto
que pela alínea b, 6 ppb. Uma interpolação linear, entre esses dois níveis, também não
seria má ideia. Caso o laboratório disponha de ferramentas de programação linear, poderá
estimar f(x) e resolver o LQ como um problema de otimização (O Solver é um suplemento
do Microsoft Excel® útil nessa situação).
Professor, definimos então os limites da faixa de trabalho: LQ inferior e LQ
superior!
Sim, mas ainda falta um critério importante!
Qual seria esse critério?
2 | LIMITE DE DECISÃO E REGRA DE DECISÃO

Lembra-se que, nas decisões de conformidade, não podemos comparar apenas o
valor médio contra o limite normativo para o mensurando? Precisamos comparar o intervalo
de valores prováveis e para isso, é necessário um critério de Valor no Risco!
Como assim o valor no risco, professor?
Valor no Risco é o valor de mensurando mais afastado do valor médio estimado
cuja probabilidade de ocorrer ainda seja relevante, dado um nível de significância. Se o
limite normativo é um limite máximo, o afastamento deve ser calculado no sentido positivo,
se é um limite mínimo, no sentido negativo.
O valor no risco é extremamente útil na tomada de decisão de conformidade! Então,
como podemos chamá-lo?
Limite de Decisão de Conformidade! Ou simplesmente Limite de Decisão!
Perfeito! O nome diz exatamente o que ele representa! Vamos ver um exemplo
com dados!
Seja o Limite Máximo Tolerado LMT = 50 ppb, e o resultado de medição investigado
para o nível do LMT, RLMT = (47 ± 3) ppb. Podemos estimar o LD (Decisão):
(2)
O tα é o valor da distribuição de t-Student unilateral para significância de 0,05 e grau

de liberdade infinito. Neste caso, a decisão pela não conformidade é indicada quando o
resultado médio é superior a 54,9 ppb. Este é o principal fundamento para uma boa Regra
de Decisão [36].
Existe um caso especial quando o Limite de Decisão é estimado com base em um
Limite Normativo de valor nulo!
Valor nulo, professor, mas como isso é possível?
Capítulo 13 80
Algumas substâncias são proibidas, isto é, o limite máximo aceitável pela
referência normativa é zero. Nada daquele analito pode ser encontrado na amostra! Neste
caso, LN=0, e LD é estimado pela incerteza estimada no nível zero multiplicada pelo valor
da distribuição de t- student dado seu grau de liberdade. Quando LN=0, significa que o
mensurando não pode ser detectado. Falando nisso, qual seria um bom nome para o Limite
de Decisão quando LN=0?
3 | LIMITE DE DETECÇÃO
Limite de detecção
Muito bem! É dessa forma que se define o Limite de Detecção!
Seja o Limite Máximo Tolerado LMT = 0 ppb (substância proibida) e o resultado
de medição investigado para o nível do LMT, RLMT = (3 ± 5) ppb. Podemos estimar o LD
(Detecção):
(3)
Porém, existe ainda uma forma tão coerente com a definição de Limite de Detecção
3 do VIM [37] quanto à anterior, relacionada não diretamente com o Limite de Decisão, mas
com a Capacidade de Detecção CCβ.
(4)
Note que ao escolher o α (nível de significância), a probabilidade de se cometer

o erro do Tipo I é fixada. A estimativa é condicionada à probabilidade de se classificar
o resultado como não conforme quando na verdade ele é conforme. Por outro lado, ao
escolher o β (relacionado ao poder do teste), a probabilidade de se cometer o erro do Tipo II
é fixada. A estimativa fica condicionada à probabilidade de se classificar o resultado, como
conforme quando na verdade ele é não conforme.
Capítulo 13 81
Imagem 13.1: Gráfico do resultado de medição estimado no nível do Limite Normativo,
evidenciando as regiões de α e β.
Fonte: adaptado de 2002/657/EC.1
Professor, qual a relação entre os Limites de Quantificação, Decisão e Detecção?

O Limite de Detecção é um caso particular do Limite de Decisão, quando o
Limite Normativo é nulo. Mas ambos não têm nada a ver com os LQs! Enquanto os LQs
determinam a faixa de trabalho, os LDs (decisão/detecção) estabelecem um critério para
tomada de decisão de conformidade. Também não existe relação quanto a um ser maior ou
menor que outro. O ideal é que o LD (decisão) esteja mais próximo do baricentro da faixa
de trabalho.
1 Commission Decision of 12 August 2002 implementing Council Directive 96/23/EC concerning the performance
of analytical methods and the interpretation of results (Text with EEA relevance) (notified under document number
C(2002) 3044). Disponível em: https://op.europa.eu/en/publication-detail/-/publication/ed928116- a955-4a84-b10a-cf7a-
82bad858/language-en.
Capítulo 13 82
CAPÍTULO 14
AMOSTRAGEM NÃO É UMA MEDIDA
Não é a coleta das amostras que provoca variabilidade entre elas, e sim a própria
característica da população.
1 | AMOSTRA E POPULAÇÃO
Dizia o professor Paulo Breve: “Não há como avaliar a variabilidade de um conjunto
tomando apenas um de seus elementos”.
Professor, várias vezes ouvimos a expressão “incerteza de amostragem”, e já
vimos que incerteza não é de processo e sim de medição. O que de fato é a “incerteza de
amostragem”?
Ótimo! Dedicaremos uma aula para falar sobre amostragem e o que ela pode
representar na metrologia!
Definimos como amostra uma fração de um espaço amostral conhecido como
população. Ela deve ser determinada de modo a representar as características da
população. Se você fizer uma pesquisa eleitoral, por exemplo, terá que determinar a
população alvo do estudo e recolher a informação a partir de uma amostra. É inviável
consultar toda a população pelo tempo e custo que esse processo demandaria. Neste
exemplo, a população é o conjunto de eleitores aptos a votar da região referente ao cargo
para o qual a intenção de voto será coletada (federal, estadual ou municipal). A amostra é o
subconjunto da população que será diretamente consultada na pesquisa [38].
A amostragem precisa ter a melhor representatividade da população. Se a população
fosse toda homogênea, todos os eleitores teriam a mesma intenção de voto, o que tornaria
desnecessário coletar uma amostra com vários elementos. Portanto, a amostragem deve
considerar a heterogeneidade da população, e é exatamente isso que a determina a
variabilidade do processo.
Na metrologia, temos dois momentos de amostragem. A amostragem de ensaio, no
qual uma fração do material de estudo é coletada para ensaio, e a amostragem estatística,
nas quais as medições são realizadas para estimativa do resultado. Na amostragem
estatística, a população é o conjunto de todos os resultados possíveis, em geral, todos os
números reais de zero a infinito, e, a amostra, os valores medidos. Mas, como a incerteza
associada à amostragem estatística é a própria incerteza estimada do resultado no
Capítulo 14 83
âmbito do procedimento de medição, conforme os exemplos desenvolvidos nos capítulos
anteriores, daremos atenção agora à variabilidade associada à amostragem de ensaio.
Imagem 14.1: Diferença entre população homogênea e população heterogênea. Note que
não existiria “incerteza de amostragem” se a população fosse completamente homogênea.
Portanto, essa variabilidade entre as amostras não vem exatamente do processo de
amostragem.
Tecnicamente, não existe uma incerteza de amostragem porque amostragem não

é uma medida. Não é o ato de coletar amostras que causa a variabilidade entre elas, e
sim uma característica intrínseca da população, a heterogeneidade entre seus elementos.
Para considerar a variabilidade entre amostras na equação do mensurando, precisamos
primeiro definir o objetivo da medição. Você deve-se fazer a seguinte pergunta: “o resultado
da medição se refere à amostra ou a um conjunto de amostras?” No primeiro caso, o
resultado seria obtido a partir de um único elemento e não contemplaria tal variabilidade. Já
no segundo, o resultado vem de um conjunto onde há variabilidade entre seus elementos,
podendo ser representado por uma correção devido à heterogeneidade da população.
Portanto, o que popularmente chamam de “incerteza de amostragem” é de fato a incerteza
da correção devido à heterogeneidade da população (Chp).
Capítulo 14 84
2 | CORREÇÃO DEVIDO A HETEROGENEIDADE DA POPULAÇÃO
Chp é uma variável aleatória e pode ser grandeza de entrada da equação do
mensurando, mas apenas de mensurandos definidos a partir de múltiplas amostras. Seu
valor médio compensará o erro previsto para o processo de amostragem, e sua incerteza
descreverá o quão discrepante são os valores de propriedade de cada elemento do
conjunto de amostras. Note que Chp guarda certa relação com as condições de precisão
(repetibilidade, precisão intermediária e reprodutibilidade), mas não é analisada para o
mesmo objeto ou objetos similares, conforme os níveis de precisão são definidos. Aqui,
estamos falando de objetos diferentes.
Na prática, pode ser bem complicado estimar o erro do processo de amostragem
(ou devido à heterogeneidade da população). Seria necessário um conhecimento amplo da
população para que se fizesse uma comparação entre uma estimativa da média amostral
e a média populacional. No entanto, podemos desprezar o valor médio do erro com certa
razoabilidade, supondo que o plano de amostragem foi bem representativo. A correção Chp
assume média zero nesta suposição. Sua incerteza pode ser estimada pelo desvio-padrão
das amostras do conjunto, independentemente do número de replicatas ou de esquemas de
sub-amostragens. Não recomendaria usar o desvio-padrão da média. Como referenciado
no Apêndice C, a variabilidade entre amostras se refere à variabilidade do conjunto como
um todo, não apenas à variabilidade da média dos valores das amostras. É possível utilizar
ANOVA (Análise de Variância) para separar o componente da variância inter-amostras da
variância total no contexto da amostragem, mas não seria necessário caso Chp substitua a
correção no nível de precisão utilizado no modelo de medição.
Podemos destacar algumas técnicas de amostragens mais comuns [39]:
a) Amostragem aleatória simples: os indivíduos são coletados aleatoriamente da

população com probabilidades de ocorrência iguais entre si.
b) Amostragem sistemática: os indivíduos são coletados seguindo uma regra

específica, por exemplo, a definição prévia das posições na distribuição espacial
ou na ordem de coleta das amostras.
c) Amostragem estratificada: os indivíduos são divididos em estratos ou camadas

segundo uma dada característica que os diferencia, por exemplo, o momento de
coleta (início, meio e fim), ou separação por níveis de tamanho de partícula.
d) Amostragem por conglomerado: os indivíduos são divididos em conglomerados

ou clusters, de modo que cada cluster contenha a maior diversidade possível de
características, contemplando os fatores de heterogeneidade da população.
O plano de amostragem pedirá maior complexidade quanto mais fatores de
Capítulo 14 85
heterogeneidade e quanto mais níveis esses fatores podem assumir. Uma amostragem,
na qual distingue-se apenas homens e mulheres, tem apenas um fator (gênero) e dois
níveis possíveis. Em compensação, uma amostragem que considera gênero, idade, renda
e escolaridade, tem quatro fatores e quantos níveis se queira estabelecer para cada um
deles, além da possibilidade de gêneros não binários.
3 | AMOSTRAGEM EM QUÍMICA
Trazendo para um exemplo da química, poderíamos amostrar uma sequência de
material sedimentar para a análise de metais pesados. Se soubermos de antemão que os
metais não são igualmente distribuídos no solo, saberemos que o plano de amostragem
deverá conter fatores e níveis suficientes para descrever esta situação. Por exemplo,
podemos dividir a área de estudo em quatro locais geográficos, e, para cada local, dividir
as amostras em quatro profundidades diferentes (dois fatores e quatro níveis cada).
Teríamos 16 pontos de amostragem, para cada qual pode-se obter uma ou mais replicatas.
Donde se conclui que, quanto mais complexa é a população, maior o número de pontos
de amostragem necessários para bem descrevê-la. Contudo, note que o reflexo dessa
complexidade no resultado só fará sentido quando este for associado ao conjunto, e
não a uma única amostra. Isso vale tanto para o valor médio quanto para incerteza da
propriedade analisada (concentração de metais pesados, no exemplo).
A amostragem de ensaio é a primeira etapa que garante a confiabilidade do
resultado. Deve seguir um plano elaborado conforme as diretrizes de cada área científica
envolvida para representar o mensurando. Feito isso, as etapas seguintes são a execução
do procedimento de medição, a estimativa dos parâmetros de posição e dispersão (valor
médio e incerteza), e a análise de risco para a tomada de decisão de conformidade.
Capítulo 14 86
CAPÍTULO 15
MODELAGEM PARA CALIBRAÇÃO DE
INSTRUMENTOS
Os fundamentos para se modelar um mensurando de ensaio e um mensurando de

calibração são os mesmos, exceto pelo fato de que resta obrigatório considerar um valor
de referência no segundo caso.
1 | MODELO PARA A CALIBRAÇÃO DE INSTRUMENTO

Professor, estou com um pressentimento que o nosso leitor está sentindo falta de
um exemplo aplicado à calibração de equipamentos!
Não seja por isso! Vamos esclarecer os fatos sobre a calibração, que,
fundamentalmente, segue os mesmos preceitos do ensaio. E, você lembra qual a pior
maneira de se começar?
A pior maneira é pensar nas fontes de incerteza!
Exatamente! Pensando nas fontes você apenas vai conseguir uma lista de ideias
criativas, mas sem coerência e sem fundamento matemático. Começamos sempre pela
definição do mensurando! A diferença básica entre ensaio e calibração é que no ensaio,
o mensurando é o valor de propriedade, e na calibração é o erro do instrumento no nível
determinado pelo padrão. Cada nível calibrado tem um mensurando diferente.
Ah! professor, então na calibração o mensurando é o próprio erro!?
Sim. Mas, perceba que modelar o erro é simplesmente subtrair o valor de
propriedade do valor de referência. A equação fica similar à do próprio ensaio daquela
grandeza.
(1)
Professor, mas a calibração deve ser mais rigorosa que o ensaio em termos de
procedimento! Certo?
Pode ser que você esteja certo. Pode acontecer de a equação que determina
Vmedido, no ensaio não descreva o mensurando tão detalhadamente quanto a calibração
exige. Nesse caso, Vmedido será obtido por um procedimento diferente, demandando
também uma modelagem diferente. Não obstante o modelo ser mais rigoroso, a Equação
do erro é válida para qualquer calibração.
Seja um modelo para calibração da grandeza massa:
Capítulo 15 87
(2)
mmedida pode ser escrita como a diferença entre a massa do peso mp e a massa de ar
deslocada mar, desprezando a variável aceleração da gravidade
(3)
mar é medido pelo produto do volume de ar deslocado por sua densidade
(4)
O volume V do ar é o mesmo volume do peso, e pode ser escrito como
(5)
Mas, mp é uma medição direta em condição de repetibilidade, acrescida das

correções de resolução e de excentricidade.
(6)
Portanto,
(7)
Este seria um modelo para o erro da calibração de massa.

Derivadas:
(8)
(9)
(10)
(11)
A expressão da incerteza-padrão associada ao erro de calibração fica:
(12)
Capítulo 15 88
2 | EXEMPLO NUMÉRICO PARA A CALIBRAÇÃO DE INSTRUMENTO
Vamos exemplificar com valores (calibração no nível 1 g):
(13)
(14)
(15)
(16)
(17)
(18)
Estimativa do valor médio
(19)
Derivadas:
(20)
(21)
(22)
(23)
Estimativa da incerteza-padrão:
(24)
(25)
Estimativa do grau de liberdade efetivo e da incerteza expandida:
Capítulo 15 89
(26)
As frações cujo denominador é infinito podem ser desprezadas no somatório.
(27)
INVT é uma função do Microsoft Excel® que retorna o valor inverso da distribuição
acumulada de t-Student com base na probabilidade de significância e no grau de liberdade.
(28)
Resultado final (linha correspondente ao nível 1g na tabela de calibração da massa):
(29)
Representação no certificado de calibração:
Nível 1g Valor do Valor Erro(Tendência) Incerteza K

padrão médio
medido
(g) 1,0000 0,99964 -0,00036 0,00086 2,2
Repare que a informação relevante para o cliente é o Erro, a Incerteza e o k, por

isso, devemos modelar o erro nos processos de calibração. O valor padrão e o valor médio
são apenas informações auxiliares para demonstrar como se chegou no Erro. Ao modelar
o valor medido, você automaticamente desprezaria a incerteza do padrão utilizado que
vem justamente da grandeza que confere a rastreabilidade metrológica do resultado. No
entanto, nos casos de calibração contra um valor nominal, é possível modelar o valor
medido sem prejuízo da perda de rastreabilidade, uma vez que este valor nominal não é
uma medida de padrão, e sim uma constante. Se:
(30)
No qual A é uma constante, então a incerteza uY é igual a incerteza uX. Ou seja, a

incerteza-padrão do Erro de calibração é igual a incerteza-padrão do valor medido quando
a calibração é feita contra um valor nominal. Um exemplo clássico dessa situação é a
calibração da grandeza volume.
Capítulo 15 90
Imagem 15.1: Calibração de uma balança analítica.
Fonte: https://blog.knwaagen.com.br/dicas-para-acompanhar-calibracao-de-balancas/.
Capítulo 15 91
CAPÍTULO 16
A MÃE DE TODAS AS INCERTEZAS
Somos limitados pelo Universo a conhecer a verdade sobre seus parâmetros por
vias experimentais.
1 | MEMÓRIAS DE UM MUNDO DETERMINISTA

Professor, o que aconteceria se tivéssemos um procedimento de medição
perfeitamente preciso para medir um mensurando absolutamente estável? Faríamos uma
medição de incerteza nula?
Nunca imaginei que ouviria uma pergunta como esta! Mas, para responder isso,
precisamos ir além da metrologia. Para fazer hipoteticamente uma medição perfeita, seria
necessário mais que um procedimento e um mensurando perfeitos. Não poderia haver
lei natural que cerceasse o processo experimental de obtenção de uma grandeza. Nossa
última barreira para chegar à informação plena seria uma limitação imposta pela própria
natureza aleatória dos sistemas físicos.
Até o início do século XX, acreditava-se que tudo era perfeitamente previsível
desde que se obtivesse as condições iniciais das variáveis suficientes para a descrição
do problema, por exemplo, ao percorrer uma dada distância num determinado tempo,
um corpo terá sua velocidade média completamente previsível. Além disso, conhecendo
a sua massa e velocidade, num ponto da sua trajetória, podemos predizer também sua
energia cinética. Esse era o mundo determinista, no qual as incertezas eram decorrentes
apenas das oscilações de desempenho do procedimento de medição e nas perturbações
na estrutura do próprio mensurando.
Capítulo 16 92
Imagem 16.1: Modelo determinista. Dadas as condições iniciais suficientes, é possível
prever o valor exato de uma grandeza do sistema. Se o rapaz arremessar uma bola, a teoria
funciona, mas se ele pudesse arremessar um elétron, seria improvável o resultado coincidir
com o valor previsto.
Uma premissa importante para que o determinismo funcione é que todas as grandezas
sejam variáveis contínuas. Assim, poderíamos causar variações indefinidamente pequenas
com nossos instrumentos perfeitos para buscar a medição sem erros. No entanto, não é
bem assim que a natureza funciona.
2 | O EXPERIMENTO DO CORPO NEGRO

Um corpo que está mais frio que o meio, possui uma taxa de absorção de radiação
maior do que a taxa de emissão, para que o sistema possa caminhar para o equilíbrio
térmico. Quando este corpo absorve toda radiação que o atinge sem reflexão, ele é chamado
corpo negro. Se estiverem na mesma temperatura, os corpos negros emitem o mesmo
espectro de radiação térmica, independentemente da sua composição. A combinação de
frequências de luz emitida por uma estrela no espaço depende apenas da sua temperatura,
por exemplo. As estrelas são bons modelos de corpo negro porque toda radiação emitida é
devida à própria temperatura, e não por refletirem à luz de outros corpos [40].
Capítulo 16 93
Imagem 16.2: O Sol é um bom modelo de corpo negro.
Fonte: https://solarsystem.nasa.gov/solar-system/sun/overview/.
Considere um modelo de corpo negro sendo um objeto com um pequeno orifício

ou cavidade para a entrada de luz. O corpo irá absorver toda radiação pelo orifício e irá
se aquecer. Porém, as ondas de radiação refletidas inúmeras vezes na parede interior
do objeto, devem ter nós fixados nesta superfície onde são refletidas. Tornam-se ondas
estacionárias, como a vibração numa corda de violão.
Imagem 16.3: Modelo teórico do corpo negro com cavidade. O feixe de luz entra pela
cavidade e reflete inúmeras vezes na superfície da parede interna do corpo.
Capítulo 16 94
O problema acontece quando a previsão da densidade de energia do corpo negro
tende para infinito quanto maior for a frequência do espectro de radiação. A partir de uma
determinada frequência, as previsões não se confirmavam nos experimentos, e isso ficou
conhecido como “catástrofe do ultravioleta”. Max Planck resolveu essa questão assumindo
que a energia só pode assumir determinados valores, aplicando o modelo da distribuição de
Boltzmann. Considerando a energia como variável discreta, a teoria de Planck se confirmou
experimentalmente [41].
3 | A QUANTIZAÇÃO DA ENERGIA
O trabalho de Planck sobre corpos negros deu fortíssima evidência da quantização
da energia. Mas, alguns anos antes disso, Boltzmann apresentou uma abordagem
probabilística sobre equilíbrio térmico. De forma simplificada, a ideia seria de que o caminho
para o equilíbrio equivale a uma transformação de um estado menos provável para um
estado mais provável. Associando a ideia de estabilidade com probabilidade no contexto da
Segunda Lei da Termodinâmica, Boltzmann chegou à relação entre a entropia do sistema
e o número de microestados obtido por um resultado de análise combinatória, conhecida
como a Entropia de Boltzmann [42]:
(1)
Onde kB é a constante de Boltzmann e W é o número de microestados possíveis de

um sistema de partículas.
A relação entre a entropia e o número de microestados possíveis (variável discreta)
foi a premissa para Planck resolver a “catástrofe do ultravioleta”. Planck supôs que a
radiação dentro do corpo negro interagia com um conjunto de osciladores harmônicos
chamados ressonadores. A entropia de um ressonador deveria ser igual à entropia obtida
pelo método de Boltzmann, isto é, contando o número de possíveis modos de distribuir a
energia total por N ressonadores. E isto foi demonstrado [43].
Capítulo 16 95
Imagem 16.4: Gráfico da densidade de energia da cavidade do corpo negro, mostrando
a catástrofe do ultravioleta de acordo com a teoria clássica. Os resultados experimentais
confirmaram a previsão da teoria de Planck.
Fonte: Adaptado de R. Eisberg e R. Resnick, página 32.
Graças aos trabalhos de Max Planck, Ludwig Boltzmann, entre outros, percebemos
que a grandeza energia tem uma unidade indivisível, o quantum, e isso trouxe uma
consequência monstruosa. Nascia uma nova teoria, a física dos quanta ou física quântica.
O fato de a grandeza energia ser uma variável discreta implica que qualquer outra
grandeza relacionada a ela também seja. Nessa perspectiva, se um corpo não pode
assumir determinados valores de energia, consequentemente, não pode ter continuamente
qualquer valor de massa, momento angular, momento linear, aceleração, spin... não pode
transferir qualquer valor de força, calor, potência etc. Assume somente valores permitidos
pelos múltiplos inteiros dos quanta. Ainda que uma grandeza física seja contínua, sua
medição dependerá de um mensurando discreto numa escala microscópica.
Afinal, se os mensurandos são fundamentalmente discretos, ou dependem de
medidas discretas, isso facilitaria nossa busca pela medição sem erros!
Não exatamente. Você lembra que o resultado de medição é obtido quando da
interação do procedimento com o mensurando, melhor dizendo, do sistema de medição
com o mensurando?
Sim! Então esse fenômeno de interação também é discreto?
Isso mesmo! E se essa interação é discreta, ela tem um limite mínimo. Interações
menores são proibidas. Já percebeu o que acontece devido a esse limite?
Capítulo 16 96
Acho que a ideia da medição sem erros está ficando inviável.
Agora você foi esperto! Quando a medição executada pelo instrumento perfeito
precisar ser obtida por uma interação menor que o limite mínimo estabelecido, ela terá um
erro associado.
4 | PRINCÍPIO DA INCERTEZA DE HEISENBERG

Em 1927, Heisenberg deduziu uma expressão que formaliza esse limite, o famoso
Princípio da Incerteza de Heisenberg [44]:
(2)
Agora, temos uma série de considerações a fazer. Primeiramente, a expressão traz

duas grandezas: posição (x) e momento linear (p). A medida do mensurando posição causa
um erro imprevisível no valor do momento, vice-versa. Isso acontece com todo par de
operadores observáveis que não comutam (na física quântica, grandezas mensuráveis são
atribuídas a autovalores de objetos matemáticos chamados operadores observáveis) [45].
O princípio da incerteza não diz respeito exatamente a uma medida isoladamente, e
sim a um par de medidas simultâneas associadas aos operadores não comutáveis. Porém,
quanto menor a escala do mensurando, mais espera-se que sua precisão seja influenciada
pela precisão dessas medidas simultâneas, por exemplo, um tubo fotomultiplicador, um
artefato usado em todas as técnicas da química analítica instrumental, tem a função de
amplificar um sinal de luz com base nos efeitos fotoelétrico e da emissão secundária. Esse
processo começa quando um fóton atinge a superfície de um material catódico e expulsa o
elétron que o absorveu, que sai acelerado por um campo elétrico. O elétron expulso atinge
o primeiro dínodo, e mais elétrons são expulsos dessa segunda superfície, formando um
efeito cascata. Quando o último feixe chegar na superfície anódica, o sinal poderá ter sua
intensidade amplificada milhões de vezes. Note que um resultado de sinal absolutamente
preciso, dependeria da medida simultânea da energia e do tempo no qual o primeiro fóton
atingiu o cátodo. Além da condição inicial, dependeríamos de um modelo determinista
para prever as propriedades de energia e tempo dos fótons emitidos no sinal amplificado.
Convenientemente, energia (E) e tempo (t) formam um par de autovalores de operadores
observáveis não comutáveis. Podemos escrever o princípio da incerteza da forma [46]:
(3)
Como dito anteriormente, todo mensurando que dependa das medidas simultâneas
Capítulo 16 97
desses pares não comutáveis tem precisão intrinsecamente limitada. A limitação natural
é da ordem da constante de Planck h = 6,62607015.10-34 J.s [47]. Essa constante física
relaciona a energia de um fóton com a frequência da radiação ou de onda associada, isto
é, a energia de um quantum. Podemos dizer que um fóton cuja onda associada tenha
frequência de 1 Hz tem energia correspondente ao valor da constante de Planck em
unidade de Joule.
Imagem 16.5: Tubo fotomultiplicador: registro fotográfico e esquema teórico.

Fontes: https://pt.wikipedia.org/wiki/Fotomultiplicador e http://www.astro.iag.usp.br/~jorge/
aga5802_2013/seminario_Fotomultipl_STJ.pdf.
O princípio da incerteza é muito mais que um limite na precisão das medições

simultâneas de pares não comutáveis. Ele permite afirmar que toda medição tem uma
incerteza mínima natural, independentemente se o sistema de medição seja perfeito e o
mensurando absolutamente estável. Portanto, não pode haver uma medição cuja incerteza
seja nula.
Professor, parece bem angustiante saber que nunca saberemos o valor verdadeiro
de um mensurando!
O princípio da incerteza mostra um limite que o Universo nos impõe na aquisição
de conhecimento, pelo menos no aspecto experimental. Somos proibidos pela natureza de
conhecer a plena verdade pelo método científico. Inclusive o próprio princípio impossibilita
a construção de sistemas de medição perfeitos. Por nossa sorte, esse limite está bem
distante dos resultados cujas incertezas utilizamos para tomar decisões de conformidade e
garantir a segurança do consumidor.
Capítulo 16 98
CAPÍTULO 17
DO QUE TEMOS CERTEZA AFINAL?
As coisas têm um tempo limitado pela sua finitude, mas é o suficiente para que
cumpram sua finalidade.
1 | RESUMO DA OBRA
Nos capítulos anteriores, vimos que a metrologia tem um papel fundamental para
a sociedade. Ela compõe o tripé da tecnologia industrial básica (TIB), juntamente com a
normalização e avaliação da conformidade. A TIB forma um ciclo de produtividade com
gestão de risco. Avaliamos se os produtos são adequados ou não para o nosso próprio
consumo, e fazemos isso a todo momento. Para realizar uma fiscalização eficiente, os
resultados devem ser publicados da forma completa, com sua incerteza de medição
servindo de base para uma estimativa intervalar. Partindo do intervalo de valores prováveis
do resultado, calcula-se um “valor no risco” chamado de Limite de Decisão para estabelecer
uma fronteira segura entre o que está e o que não está conforme. Este é o bom uso da
regra de decisão para resultados de ensaio, garantindo a competitividade dos negócios
cuja sustentabilidade é assegurada pelas instituições.
Imagem 17.1: O ambiente de sustentabilidade dos negócios na perspectiva da TIB.

Fonte: https://edisciplinas.usp.br/pluginfile.php/5667587/mod_resource/content/2/TIB%20
Tecnologi a%20Industrial%20B%C3%A1sica.pdf.
Capítulo 17 99
Desenvolvemos uma série de exemplos mostrando como estimar um valor médio
e a incerteza de medição da grandeza que se pretende medir. Excetuando os modelos
de medição direta, não há solução exata para o problema de estimar a incerteza dessa
grandeza. Por esse motivo, usamos uma aproximação pela Série de Taylor multivariada
truncada no termo de primeira ordem chamada Lei de Propagação de Incertezas, para se
estimar a variância de uma variável aleatória definida como função de variáveis aleatórias
(grandezas de entrada) conhecidas teórica ou experimentalmente. Claro, esse procedimento
só é possível se raciocinarmos na ordem lógica. Pensar em fontes de incerteza é apenas
um exercício imaginativo, uma brincadeira filosófica, e não nos acrescenta em nada do
ponto de vista matemático. O primeiro passo é sempre definir o modelo de medição, porque
sem ele todo cálculo que virá depois fatalmente será incoerente. Para fazer uma estimativa
correta, pense nas grandezas que participam do cálculo do mensurando e defina a equação.
Cada decisão que tomamos tem um risco associado. Muitas vezes somos
surpreendidos por milagres, tragédias ou eventos altamente improváveis porque estamos
acostumados a olhar para a região central da distribuição normal, ignoramos as caudas.
Obviamente, torna-se necessário estabelecer esse limite de atenção. Seria inviável
considerarmos muito mais do que 95% de probabilidade de abrangência mantendo a
mesma produtividade. Para 99,99% por exemplo, praticamente tudo estaria conforme
e ficaríamos cegos para os riscos. Lembre-se que, quanto maior a probabilidade de
abrangência, menor o nível de significância para tomada de decisão. No limite assintótico,
100% representa significância 0, ou seja, não há mais critério sustentar suas decisões.
Por outro lado, uma significância muito alta indica um cuidado exagerado, correndo mais
risco de haver classificações não conformes quando na verdade ainda há grande chance
de o resultado estar conforme (graças a incerteza associada). Isso representaria mais
interrupções desnecessárias na produção. Entretanto, probabilisticamente sempre haverá
um erro, uma situação imprevista, uma vida perdida. E isso manterá nosso aprendizado
constante e uma melhoria contínua na administração dos riscos.
2 | TEREMOS UM FIM
No frigir dos ovos, temos uma certeza! A natureza é aleatória e não temos como
acertar todas as previsões. Ainda que tenhamos evidências de que os cenários mais
prováveis tendem a ter uma entropia mais elevada que o cenário original, e que esperamos
que tudo siga dentro da normalidade, o único evento certo que permanece é o fim. Tudo
está programado para ter um fim. Núcleos atômicos, moléculas e sistemas autopoiéticos
inteiros, dos mais simples aos mais complexos, terão um fim. Entretanto, podemos entender
o fim explorando a sua ambiguidade semântica. Fim como transformação física ou fim como
finalidade, propósito de ser. Afinal, ter um tempo determinado justifica ter um propósito ou
Capítulo 17 100
o propósito em si justifica o limite da existência das coisas?
Imagem 17.2: Seria o fim de todas as coisas, segundo Katie Mack?1
Quando fica difícil fornecer uma resposta, talvez seja uma boa opção fugir da ótica
binária e aceitar ambas perspectivas simultaneamente. Produzimos bens e serviços,
fazemos medições para fiscalizá-los, e garantimos que cumpram seu fim para consolidar
nossa própria finalidade como espécie. E nossa finitude também.
Professor, finalizamos os trabalhos, qual foi a minha nota final da disciplina de
Metrologia?
Nota? Então, responda essa... uma nota pode ser uma medição?
Pode ser uma medição. O mensurando seria a informação adquirida sobre a
ementa da disciplina. Neste modelo de medição, devemos acrescentar as correções
devido aos eventuais erros, como deficiências no conteúdo ministrado, incoerência entre
o conteúdo e as avaliações, e, principalmente, ao conhecimento prévio do aluno sobre as
avaliações. A incerteza da nota seria estimada a partir do modelo de medição e utilizada
para calcular o limite de decisão, que daria uma margem de segurança de 95% para
decisão de reprovação.
Está aprovado! Nos vemos no próximo semestre, na Metrologia Avançada!
1 Katie Mack é uma astrofísica norte-americana, autora da obra The End of Everything, 2020.
Capítulo 17 101
Apêndices
APÊNDICE A - DEMONSTRAÇÃO DA LEI DE PROPAGAÇÃO DE INCERTEZAS
Desejamos calcular uma medida para a incerteza de uma função f (x) desconhecida
ao redor de um ponto arbitrário a.
Uma sugestão é desenvolver a solução em série de Taylor:
(1)
Truncaremos a série no termo de primeira ordem n=1:
(2)
Podemos tratar a medida da incerteza ao redor do ponto a como f (x)-f (a):
(3)
A equação do mensurando geralmente é multivariada, por isso devemos observar

f (x) como uma função multivariada f (X) ou f (x1, x2, ..., xn), e o ponto a como um vetor A (a1,
a2, ..., an). Para fins didáticos, limitaremos a função a duas variáveis f (x1, x2) e o vetor A (a1,
a2). E a série de Taylor fica:
(4)
Truncando novamente em n=1:
(5)
A expressão da medida da incerteza fica:
(6)
Nomeamos a medida da incerteza de uX:
(7)
Elevamos ao quadrado ambos os lados da equação:
(8)
Pelo produto notável (a + b)2 = a2 + b2 + 2ab, temos:
Apêndices 102
(9)
Nomeamos (x1-a1) como ux1, (x2-a2) como ux2 e (x1-a1)(x2-a2) como u(x1,x2):
(10)
Chegamos à expressão da incerteza combinada, ou melhor, variância combinada,

para uma função de duas variáveis x1 e x2. Podemos reescrevê-la para m variáveis (x1, x2,
..., xm) usando o produto notável :
(11)
Agora sim, a expressão da Lei de Propagação de Incertezas (ou variâncias), bem

como encontrada na [48].
Sendo uma aproximação de primeira ordem, precisamos assumir a premissa de que
a função f(X) não fuja muito à linearidade ao redor do vetor A. O que não nos ajuda muito,
pois é uma premissa vaga e subjetiva. Fato é que uma curvatura acentuada ao redor de A
exigiria uma aproximação de ordem superior, o que complicaria bastante o cálculo. Se a
primeira ordem para duas variáveis contém 3 termos no somatório, a segunda ordem nos
colocaria diante de 15 termos. Por sorte, a referência [49] indica os termos mais relevantes
para a aproximação de segunda ordem.
Apêndices 103
APÊNDICE B – TÓPICOS DE DERIVADAS
A derivada de uma função f (x) no ponto a representa a taxa de variação da função
em relação a variável x medida no ponto a. Seja I um intervalo aberto não vazio e seja f:I-
>R, y=f(x), uma função de I em R. A função é derivável no ponto a se existir o limite que
define a derivada de f (x) como f’(x):
(1)
Também podemos escrever f’(x) como:
(2)
Exemplo 1, f (x) = x:
(3)
Exemplo 2, f (x) = -x:
(4)
Exemplo 3, f (x) = ax:
(5)
Exemplo 4, f (x) = a /x:
(6)
(7)
(8)
A derivada parcial segue o conceito análogo para uma função multivariada f(x1, x2,
..., xn), porém aplicado a cada uma das variáveis separadamente, tratando as demais como
constantes. Denotamos a derivada parcial de f(x1, x2, ..., xi, ..., xn) com relação a xi:
Apêndices 104
(9)
Exemplo 5:
(10)
(11)
Tratando x2, x3 e x4 como constantes:
(12)
Onde , e sabemos que:
(13)
Portanto:
(14)
Exemplo 6,
(15)
(16)
Tratando x1, x2 e x4 como constantes:
(17)
Onde , e sabemos que:
(18)
Portanto:
(19)
Apêndices 105
APÊNDICE C - VARIÂNCIA AMOSTRAL E VARIÂNCIA DA MÉDIA
Seja a Função estimadora da média da variável X:
(1)
Sabemos que a variância amostral de X pode ser estimada por:
(2)
E, por consequência, o estimador do desvio-padrão amostral de X, é:
(3)
Mas, queremos obter a variância amostral de . Então, aplicamos a Lei de

Propagação na Função estimadora da média, considerando cada xi estatisticamente
independente (desprezando os termos de covariância):
(4)
(5)
(6)
Se as variâncias de xi são iguais entre si, e são estimadas pela função VAR(X),
podemos escrever:
(7)
Então:
(8)
O que torna o estimador do desvio-padrão da média:
Apêndices 106
(9)
Exatamente como a expressão mostrada em [50]. Cabe ressaltar que a expressão

(9) tem um significado completamente diferente do estimador do desvio-padrão amostral
de X, sX. Enquanto 𝑠𝑋 é um parâmetro de dispersão da amostra, do conjunto de dados,
mede apenas a dispersão da média amostral, e não do conjunto. Por exemplo, suponha
que obtivemos n=10 amostras para a variável X (15, 16, 18, 15, 15, 16, 16, 18, 14, 15).
Estimamos a média:
(10)
Estimamos o desvio-padrão amostral:
(11)
Estimamos o desvio-padrão da média:
(12)
Ora, não podemos reportar 0,42 como sendo o desvio-padrão amostral! Então,
vamos entender o significado prático de cada parâmetro em termos de probabilidade.
Considerando que X obedece uma distribuição normal, podemos reportar um intervalo de
probabilidade para X:
(13)
Este intervalo mostra que a próxima medida de X tem probabilidade aproximada de

68,3% de estar contida entre 14,48 e 17,12. Por outro lado, se considerarmos o intervalo
de probabilidade para reportaremos:
(14)
Agora, este intervalo não mostra a respeito da próxima medida. O intervalo de

68,3% definido pelo desvio-padrão de média diz respeito a encontrar uma nova média
repetindo o experimento completo. Isto significa que se tomarmos mais 10 medidas de X,
a probabilidade de a média estimada estar entre 15,38 e 16,22 é aproximadamente 68,3%.
Curiosamente, se desprezarmos a hipótese de normalidade para X, não conheceremos a
Apêndices 107
distribuição e a probabilidade de 68,3% deixa de ser válida para seu intervalo calculado
com um desvio-padrão. Porém, não depende de hipótese porque sempre obedecerá
uma distribuição normal devido ao teorema central do limite [51].
A referência [50] não especifica em quais situações devemos usar a estimativa (3)
ou (9) na metrologia. No entanto, faz-se necessário ter consciência das suas definições
para que o analista não use o desvio-padrão da média como subterfúgio para estimar
uma incerteza menor, como se seu laboratório fosse melhor equipado ou mais competente
naquele procedimento de medição. Nós sabemos que competência não tem nada a ver
com a incerteza estimada ser menor, na verdade, ela está longe disso. Recomenda-se,
via de regra, usar o desvio-padrão amostral nas estimativas do Tipo A (grandeza medida
em condição de repetibilidade ou de reprodutibilidade interna). Como exceção, é prudente
deixar o desvio-padrão da média apenas nos casos para os quais aquela grandeza é de
fato definida como uma média, assumindo o papel de e não de X.
Apêndices 108
APÊNDICE D – MODELO PARA ENSAIO GRAVIMÉTRICO
O princípio básico do ensaio gravimétrico é a perda ou ganho de massa numa
amostra após um determinado processo atuar sobre ela. Por isso, o modelo de medição
para gravimetria começa com a diferença entre as massas antes e depois deste processo:
(1)
Onde: manalito é a massa do analito; mantes é a massa medida antes do processo,

e mdepois é a massa medida depois do processo. Como não é viável medir massas sem
um recipiente para conter a amostra, consideramos que manalito, mantes e mdepois contêm
as massas da amostra e a do recipiente. A ordem na subtração depende se a medida é de
ganho ou perda de massa. Ao colocar a mantes na frente, modelamos a perda no ensaio
gravimétrico.
Dividindo ambos os lados pela mamostra, temos a necessidade de trazer a massa de
tara ao modelo.
(2)
Se a massa da amostra é calculada com massa do recipiente vazio mtara (massa de

tara), temos:
(3)
No entanto, manalito sobre mamostra é justamente a concentração relativa do analito na

amostra. Podemos multiplicar o lado direito da equação por 100% para obter um resultado
em unidade percentual.
(4)
Como já sabemos, essa forma de equação costuma aparecer nos métodos de

referência para ensaios de gravimetria, mas ela não está completa. Para escrevê-la no
procedimento, precisamos ser mais cautelosos com as correções das massas acima
apresentadas. Vamos reescrevê-la de maneira mais completa, substituindo:
(5)
(6)
(7)
(8)
Apêndices 109
Onde mantesrep é a mantes medida em condição de repetibilidade; mdepoisrep é a
mdepois medida em condição de repetibilidade; mtararep é a mtara medida em condição de
repetibilidade; ccaltara é a correção de calibração no nível de tara; crestara é a correção de
resolução para mtara; ccalantes é a correção de calibração no nível de mantes; ccaldepois é a
correção de calibração no nível de mdepois; cresantes é a correção de resolução para mantes;
e cresdepois é a correção de resolução para mdepois.
Chegamos à equação completa do mensurando para uma análise gravimétrica.

Nota-se que existe um par de variáveis no modelo cuja covariância é significativa. As
grandezas medidas em condição de repetibilidade (mantesrep e mdepoisrep) precisam
necessariamente ser obtidas de preparos independentes analisados simultaneamente. Se
a primeira replicata estiver num recipiente de maior massa, isso será refletido tanto em
mantesrep quanto em mdepoisrep, uma vez que a massa do recipiente vazio (massa de tara)
não se altera no processo do ensaio. Isso implica que a variabilidade de mantesrep influencia
diretamente na variabilidade de mdepoisrep, e traduz-se tal influência como covariância
entre as duas variáveis. Consequentemente, os pares formados de mtararep com as outras
duas variáveis também poderão ter covariâncias significativas. Portanto, a expressão da
incerteza-padrão combinada fica:
(9)
E as derivadas são calculadas:
(10)
Apêndices 110
(11)
(12)
Para fazer um exemplo, suponha os seguintes valores:
(13)
mantesrep é estimada pela média e o desvio-padrão de replicatas independentes

analisadas simultaneamente durante o ensaio da amostra.
(14)
ccalantes é obtida do certificado de calibração da balança no nível mais próximo de

35 g. Suponha
k=2.
(15)
cresantes tem valor médio sempre zero e a incerteza corresponde à menor divisão de
escala da balança. Atribui-se distribuição retangular cujo divisor é raiz de 3.
(16)
mdepoisrep é estimada pela média e o desvio-padrão de replicatas independentes

analisadas simultaneamente durante o ensaio da amostra.
(17)
ccaldepois é obtida da mesma forma de ccalantes porque trata-se do mesmo nível

calibrado.
(18)
cresdepois é obtida da mesma forma de cresantes porque a resolução da balança é a

mesma.
(19)
mtararep é estimada pela média e o desvio-padrão das massas de tara do conjunto

de recipientes vazios.
Apêndices 111
(20)
ccaltara é obtida da mesma forma de ccalantes porque trata-se do mesmo nível

calibrado.
(21)
crestara é obtida da mesma forma de cresantes porque a resolução da balança é a

mesma.
(22)
Covariância amostral é obtida a partir dos dados das replicatas de mantesrep e

mdepoisrep.
(23)
Covariância amostral é obtida a partir dos dados das replicatas de mantesrep e mtararep.
(24)
Covariância amostral é obtida a partir dos dados das replicatas de mtararep e

mdepoisrep. Estimando o valor médio:
(25)
(26)
(27)
(28)
Estimando a incerteza-padrão:
Apêndices 112
(29)
Resultado da concentração relativa do analito:
(30)
Apêndices 113
Glossário
Algarismo Significativo: elemento de um conjunto que contém os algarismos corretos de
uma medida mais um algarismo duvidoso.
Amostra: fração de um espaço amostral.
Amostra de Ensaio: amostra material retirada de um espaço amostral físico.
Amostra Estatística: amostra retirada de um conjunto numérico obtida por experimento
aleatório.
Analito: substância química que se pretende quantificar.
Avaliação de Conformidade: comparação de uma propriedade de um produto com uma
referência normativa.
Baricentro da Faixa de Trabalho: nível da faixa de trabalho para o qual se espera a maior
precisão de medição.
Calibração: operação que, em um primeiro momento, estabelece a tendência de um
resultado com base em uma sequência de medições e num valor de referência considerando
suas incertezas, e, num segundo momento, utiliza essa informação para prever um valor
medido a partir de uma indicação.
Coeficiente de Sensibilidade: derivada parcial da grandeza de saída com relação à grandeza
de entrada.
Coeficiente de Variação: incerteza-padrão dividida pelo valor médio da grandeza.
Condição de Repetibilidade: condição de medição que contempla o mesmo procedimento
de medição, o mesmo sistema de medição, os mesmos operadores para repetições de
medição no mesmo objeto ou em objetos similares realizadas num curto intervalo de tempo.
Condição de Reprodutibilidade: condição de medição que contempla diferentes operadores
em diferentes locais para repetições de medição no mesmo objeto ou em objetos similares.
Condição de Reprodutibilidade Interna/Precisão intermediária: condição de medição que
contempla o mesmo procedimento de medição para repetições de medição no mesmo
objeto ou em objetos similares, podendo ser realizadas num longo intervalo de tempo, e
admitindo uma ou mais variações nas condições de medição.
Confiabilidade: probabilidade de o resultado de medição representar o valor verdadeiro do
mensurando, considerando a incerteza de medição atribuída.
Correção: grandeza de entrada adicionada ao mensurando para corrigir um erro de medição.
Correção de Excentricidade: correção devido à distância entre o centro do prato da balança
e a projeção do centro de gravidade do objeto medido no plano do prato.
Covariância: medida de dependência estatística entre duas variáveis aleatórias.
Curva do Mensurando: função que relaciona o mensurando ao coeficiente de variação
esperado para cada nível medido.
Dado Honesto: dado que possui a mesma probabilidade de ocorrência para todas as faces.
Decisão de Conformidade: decisão tomada numa avaliação de conformidade.
Desvio-padrão: medida de dispersão representada pela raiz quadrada da variância.
Desvio-padrão da Média: medida de dispersão da média representada pelo desvio-padrão
dividido pela raiz quadrada do tamanho da amostra estatística.
Distribuição de Probabilidade: função que relaciona os valores assumidos por uma variável
aleatória e sua probabilidade de ocorrência.
Erro: diferença entre um valor medido e o valor verdadeiro do mensurando.
Erro Aleatório: componente do erro de medição que, em medições repetidas, varia de
maneira imprevisível.
Erro Sistemático: componente do erro de medição que, em medições repetidas, permanece
constante ou varia de maneira previsível.
Espaço Amostral/População: conjunto de todos os resultados possíveis de um experimento
(para amostra estatística); conjunto de toda matéria considerada em um estudo experimental
Glossário 114
para o qual se pode inferir uma ou mais características a partir de medições realizadas nas
amostras (para amostra de ensaio).
Estimativa Tipo A: estimativa obtida por uma amostra estatística.
Estimativa Tipo B: estimativa obtida por outros meios que não seja uma amostra estatística,
como uma consulta prévia ou uma suposição.
Exatidão: Grau de concordância entre um valor medido e um valor verdadeiro dum
mensurando.
Faixa de Trabalho: região do domínio do mensurando para a qual se espera medir com
precisão adequada.
Fator de Heterogeneidade: propriedade que diferencia elementos de uma população.
Função de Medição/Equação do Mensurando: função cujo valor, quando calculado a partir
de valores das grandezas de entrada, é uma estimativa da grandeza de saída.
Grandeza: propriedade de uma amostra que pode ser expressa quantitativamente.
Grandeza de Entrada: grandeza de deve ser estimada para o cálculo de um mensurando.
Grandeza de Saída: grandeza calculada a partir das estimativas das grandezas de entrada.
Grau de Liberdade: número de partes independentes da informação de uma amostra
estatística. Heterocedasticidade: condição de diferença estatística de variância entre
amostras.
Homocedasticidade: condição de igualdade estatística de variância entre amostras.
Incerteza de Medição: parâmetro não negativo que caracteriza a dispersão dos valores
atribuídos a um mensurando.
Incerteza Expandida: incerteza-padrão multiplicada por um fator de abrangência.
Incerteza Relativa: incerteza-padrão dividida pelo valor médio da grandeza.
Incerteza-padrão: incerteza de medição expressa na forma de um desvio-padrão.
Lei de Propagação de Incertezas: equação que expressa a incerteza-padrão da grandeza
de saída em função das incertezas-padrão das grandezas de entrada.
Limite de Decisão: valor de mensurando, calculado com base num limite normativo, para
o qual a probabilidade de se cometer um erro na decisão de conformidade está definida
(geralmente, α=5% ou β=5%).
Limite de Detecção: limite de decisão calculado para o limite normativo igual a zero.
Limite de Quantificação/Limite da Faixa de Trabalho: valor de mensurando a partir do qual
não se pode medir com precisão adequada.
Limite Normativo: limite de tolerância para um mensurando definido por entidade
regulamentadora.
Massa de Tara: massa do recipiente vazio que conterá a amostra de ensaio cuja massa
está sendo medida.
Material de Referência: material suficientemente homogêneo e estável com relação a um
mensurando adequado como padrão para um procedimento de medição ou exame de
propriedade qualitativa.
Material de Referência Certificado: material de referência produzido por entidade
reconhecida acompanhado da documentação necessária evidenciando sua rastreabilidade
metrológica.
Média/Valor Médio: parâmetro que caracteriza a posição central de uma medida.
Medição: processo de obtenção experimental de valores de uma grandeza.
Mensurando: grandeza que se pretende medir.
Método de Medição: descrição genérica de uma organização lógica de operações para
realização de uma medição.
Metrologia: ciência que abrange todos os aspectos teóricos e práticos da medição.
Modelo de Medição: relação matemática entre todas as grandezas que se considera estar
Glossário 115
envolvidas num processo de medição.
Nível de Mensurando: valor de mensurando para o qual se atribui uma incerteza esperada.
Precisão: Grau de concordância entre indicações ou valores medidos, obtidos por medições
repetidas, no mesmo objeto ou em objetos similares, sob condições especificadas.
Princípio de Medição: fenômeno que serve como base para uma medição.
Probabilidade de Abrangência: probabilidade de que um valor medido esteja contido num
intervalo de abrangência especificado.
Procedimento de Medição: descrição detalhada de uma medição, de acordo com um ou
mais princípios de medição e com um dado método de medição, incluindo todo o cálculo
necessário destinado à obtenção de um resultado de medição.
Rastreabilidade Metrológica: propriedade do resultado de medição pela qual tal resultado
pode ser relacionado a uma referência através de uma cadeia ininterrupta e documentada
de calibrações, cada uma contribuindo com sua tendência e incerteza associadas.
Replicata: repetição da medida do mesmo mensurando.
Resolução: menor variação no mensurando que causa uma variação perceptível no sinal
instrumental.
Resultado de Medição: Conjunto de valores atribuídos a um mensurando, juntamente com
toda outra informação pertinente disponível.
Significância: probabilidade de se rejeitar a hipótese nula quando ela é verdadeira.
Sinal: indicação do sistema de medição que pode ser relacionada ao mensurando.
Sistema de Medição: conjunto de equipamentos e insumos montados de forma a fornecer
informações para obtenção de um mensurando.
Sistema Internacional de Unidades: Sistema de unidades, baseado no Sistema Internacional
de Grandezas, com os nomes e os símbolos das unidades, incluindo uma série de
prefixos com seus nomes e símbolos, em conjunto com regras de utilização, adotado pela
Conferência Geral de Pesos e Medidas (CGPM).
Tendência: diferença entre a média de repetidas medições e um valor de referência.
Titulação: método de medição baseada no princípio da equivalência de matéria numa
reação química quantitativa.
Unidade de Medida: grandeza escalar real, definida e adotada por convenção, com a qual
qualquer outra grandeza da mesma natureza pode ser comparada para expressar, na forma
dum número, a razão entre as duas grandezas.
Validação: processo de avaliação de desempenho de um procedimento de medição com
base numa referência.
Valor de Referência: Valor duma grandeza utilizado como base para comparação com
valores de grandezas da mesma natureza.
Valor Nominal: Valor arredondado ou aproximado duma grandeza característica dum
instrumento de medição ou de um sistema de medição, o qual serve de guia para sua
utilização apropriada.
Variância: segundo momento centrado na média de uma variável aleatória.
Variável Aleatória: variável que pode assumir um conjunto de valores de acordo com uma
distribuição de probabilidade.
Variável Contínua: variável aleatória que assume valores de um conjunto numérico de
elementos não enumeráveis.
Variável Discreta: variável aleatória que assume valores de um conjunto numérico de
elementos enumeráveis.
Veracidade: Grau de concordância entre a média dum número infinito de valores medidos
repetidos e um valor de referência.
Verossimilhança: função representada pelo produtório das funções densidades de
probabilidade de cada amostra independente utilizada para se estimar um ou mais
parâmetros de um modelo.
Glossário 116
Esclarecimentos adicionais
No Capítulo 3, página 19, foi afirmado que a veracidade avalia a concordância entre
a média de n medições e o valor verdadeiro. De fato, o conceito de veracidade não expõe
sobre um número finito n de medições, e sim é definido como o grau de concordância
entre a média dum número infinito de valores medidos repetidos e um valor de referência,
conforme o glossário e o próprio VIM. O problema é que não é possível fazer infinitas
medições, sendo impraticável conhecer a veracidade de um resultado. Mas é possível
estimá-la com um conjunto finito de repetições. Dessa forma, a explicação dada sobre a
diferenciação entre exatidão e veracidade não fere a definição do VIM, apenas traduz um
conceito abstrato para a realidade do laboratório.
No Capítulo 4 página 25, foi mostrado um modelo de medição onde divide-se a
massa pelo volume da solução. Ocorre que toda massa de um objeto amorfo, que assume
a forma do recipiente que o contém seja ele na forma de um pó, um cristal ou um líquido,
deve ser modelado pela diferença entre a massa do conjunto amostra-recipiente e a
massa de tara (massa do recipiente vazio). Essa modelagem evita que o botão de tara
seja pressionado para zerar o sinal da balança, processo considerado metrologicamente
inadequado, uma vez que o ato de zerar omite para o usuário a carga que a balança está
realmente sofrendo para identificar o nível calibrado, e que não há informação sobre o
próprio sistema de tara. Nada garante que a tara para uma carga pequena se comporte da
mesma forma que a tara para uma carga maior. Ainda que haja essa incoerência, o objetivo
de apresentar uma equação do mensurando simplificada para o preparo de solução no
Capítulo 4 é puramente didático.
No Apêndice D, página 109, talvez não tenha ficado claro a verdadeira razão
da presença de covariância significativa entre as variáveis medidas em condição de
repetibilidade. Suponha que o processo de perda de massa seja por aquecimento. Fato é que
a massa do conjunto antes do aquecimento, a massa do conjunto depois do aquecimento e
a massa do recipiente têm natureza muito similar. Todas contêm a massa do recipiente nas
suas definições. Além disso, as duas primeiras variáveis citadas são exatamente a mesma
medida, sendo diferenciadas apenas pelo processo de aquecimento. Isso significa que
qualquer variação na medida da massa do conjunto antes do aquecimento será refletida na
medida da massa depois do aquecimento. A variação entre os recipientes das replicatas de
preparo também é refletida tanto na massa do conjunto antes quanto na massa do conjunto
depois, ainda que fosse possível medir exatamente a mesma massa de amostra nas n
replicatas. Essa similaridade entre as grandezas é a grande causadora das covariâncias
significativas. Um resultado de gravimetria estimado sem os termos de covariância terá
quase certamente uma incerteza superestimada, porque, apesar de a covariância entre a
massa antes e a massa depois ser positiva, um dos coeficientes de sensibilidade desse par
de grandezas é negativo.
Esclarecimentos adicionais 117

Questões para Reflexão
CAPÍTULO 1
1- Qual é o objetivo da medição?
2- Descreva a importância do procedimento de medição.
3- O que significa dizer que um resultado tem maior confiabilidade?
4- O que é a Equação do Mensurando?
5- Por que um resultado de medição declarado apenas com o valor médio não
está completo?
6- Qual o propósito da metrologia?
7- Descreva como um resultado de medição pode ser modelado como uma vari-
ável aleatória.
8- Qual a diferença entre o resultado ser matematicamente bem fundamentado

e ser cientificamente bem representativo? Todo resultado deve apresentar essas
duas características?
9- Um resultado declarado com uma incerteza menor necessariamente é mais

confiável?
10- Estime um resultado de medição pela média e pelo desvio-padrão da seguinte

triplicata analisada (43 mm, 44 mm, 48 mm).
CAPÍTULO 2
1- O que é a decisão de conformidade?
2- Dê um exemplo hipotético de uma relação comercial irregular (ou não justa)

sem a atuação da TIB?
3- Escreva a expressão da incerteza combinada para a Equação do Mensurando:

Y=X1+X2.
4- É possível modelar todas as variáveis que podem afetar um resultado de me-

dição?
5- O que é rastreabilidade metrológica e como ela pode ser evidenciada na Equa-

ção do Mensurando?
6- Dê um exemplo de onde começa e onde termina o fluxo de informação de uma
Questões para Reflexão 118

cadeia de rastreabilidade metrológica.
CAPÍTULO 3
1- Qual o objetivo de se acrescentar uma correção de resolução para uma grande-

za medida na Equação do Mensurando?
2- Por que a expressão da incerteza combinada da área da mesa não é a soma

dos quadrados das incertezas de cada grandeza de entrada?
3- O que é o coeficiente de sensibilidade de uma grandeza de entrada?
4- Em algum momento podemos escolher os valores dos coeficientes de sensibi-

lidade? Por quê?
5- O que é a contribuição de incerteza de uma variável?
6- Estime o resultado da medição (com a incerteza-padrão) da área da mesa a

partir dos seguintes dados: C = (35 ± 1) cm e L = (70 ± 2) cm. Suponha que as
incertezas já estejam na forma de um desvio-padrão.
7- Qual a diferença entre exatidão e veracidade?
8- Por que não é correto dizer que um resultado é preciso e exato ao mesmo
tempo?
9- Corrija o resultado de medição a seguir de acordo com a regra de algarismos

significativos recomendada pelo GUM: V = (25,362 ± 0,3478) m/s.
CAPÍTULO 4
1- Modele o mensurando e estime a concentração de uma solução preparada a

partir dos seguintes dados: m = (1,00 ± 0,01) g e v=(50,0 ± 0,2) mL. Suponha que
as incertezas já estejam na forma de um desvio-padrão.
2- Suponha uma balança semi-analítica cuja a menor divisão seja um décimo de

miligrama. Determine a correção de resolução, o meio intervalo e a incerteza-pa-
drão.
3- Dê um exemplo de variável para a qual recomenda-se atribuir uma distribuição

triangular. Qual divisor a ser utilizado para se estimar a incerteza-padrão?
4- Um resultado declarado com a incerteza expandida é estatisticamente diferente

de um resultado declarado com a incerteza-padrão?
5- Considere os dados da questão 1 e suponha que o grau de liberdade de m seja

2 e que o grau de liberdade de v seja infinito. Calcule o grau de liberdade efetivo,
estime a incerteza expandida e declare o resultado com a mesma (indique toda
informação necessária para interpretar o resultado)
6- O que você diria a respeito do seguinte resultado de medição: (100,0 ± 7,8)

mg/L k=3,9 para 99,99% de probabilidade de abrangência?
CAPÍTULO 5
1- É seguro estimar um resultado de medição e sua incerteza pelo coeficiente de

variação de uma das grandezas de entrada?
2- Em que consiste a Regra de Combinação das Incertezas Relativas?
3- Explique como os coeficientes de sensibilidade são ou não considerados na

Regra de Combinação das Incertezas Relativas.
4- É correto utilizar a Regra de Combinação das Incertezas Relativas, quando o

modelo de medição considera medidas feitas por instrumentos calibrados?
5- Você está avaliando uma planilha de cálculo e nota que ela calcula os coefi-
cientes de sensibilidade, mas estima o resultado pela Regra de Combinação das
Incertezas Relativas. Comente a respeito.
CAPÍTULO 6
1- Você está estudando por uma apostila de metrologia e lê a seguinte frase: “co-
mece pensando nas fontes de incerteza”. Qual a crítica você faria a respeito dessa
orientação?
2- Qual a diferença entre método de medição e procedimento de medição? 3- Ex-

plique a incoerência de se validar um método de medição.
4- Por que não se pode considerar uma incerteza para a qual não haja uma variá-
vel correspondente na Equação do Mensurando?
5- Na alegoria dos pintores, o que representa cada pintor no modelo de medição?
CAPÍTULO 7
1- Elabore um modelo de medição direta para o ensaio de pH de uma amostra.
2- Refaça o modelo de medição para a titulação desenvolvido no capítulo, porém

considerando que o volume consumido pelo branco é subtraído do volume consu-
mido pela amostra.
3- No modelo de medição para ensaio com curva de calibração desenvolvido no

capítulo, qual é a variável que confere rastreabilidade ao mensurando?
4- Comente sobre o que pode acontecer com a estimativa do resultado (com in-
certeza) para um ensaio de contagem, quando não há equação do mensurando
declarada.
5- Escolha qual nível de precisão (repetibilidade, reprodutibilidade interna ou re-

produtibilidade) você acredita que representa melhor o mensurando e argumente
sobre sua escolha.
6- Por que não é possível estimar uma “incerteza fixa do método” e manter a con-
fiabilidade do resultado?
CAPÍTULOS 8, 9, 10
1- A estimativa Top-down dispensa o uso da Lei de Propagação de Incertezas?

Justifique.
2- Qual o risco de se elaborar uma estimativa top-down sem antes ter uma esti-
mativa bottom- up?
3- O que é a covariância entre duas variáveis?
4- Como você faria para identificar covariâncias significativas em um modelo de

medição?
5- Refaça o modelo de curva de calibração desenvolvido no capítulo 9, porém,

considerando uma diluição da amostra de ensaio (dica: uma diluição é represen-
tada pela razão entre o volume completado da solução e o volume captado para
o preparo da solução)
6- Explique o porquê de a unidade da inclinação da curva de absorção molecular

ser o inverso da unidade da concentração.
7- Explique o conceito de “incerteza da curva de calibração” a partir do ponto de

vista da Equação do Mensurando.
8- Considerar a chamada “incerteza de validação” ou “incerteza de controle de

qualidade” na expressão da incerteza combinada seria coerente com os preceitos
do GUM? Comente.

9- É possível declarar um resultado de medida por contagem de entidades cuja
incerteza seja menor que 1? Por quê?
CAPÍTULO 11
1- Suponha que você tome um ônibus para ir até a agência bancária. Liste algu-
mas grandezas que você tentará medir entre sair de casa e chegar ao destino.
2- Diferencie os conceitos de erro e incerteza.
3- O controle de qualidade do procedimento pela análise de um MRC é capaz de

controlar as incertezas das amostras de ensaio? Justifique.
4- Comente a frase: Estabelecer uma “incerteza fixa” para um procedimento, des-

prezando a variabilidade de cada amostra, é considerar que o mensurando é um
dado honesto com probabilidades constantes e muito bem conhecidas.”
5- Comente a frase: Um resultado declarado sem incerteza é o mesmo que decla-

rá-lo com incerteza infinita.
CAPÍTULO 12
1- Qual seria o risco de se colocar o sinal instrumental como variável independente

(eixo x)?
2- Como devem ser tratadas as incertezas das concentrações dos padrões da

curva de calibração no método dos mínimos quadrados univariado?
3- É necessário fazer um teste de hipótese de homocedasticidade para estimar

parâmetros pelo método dos mínimos quadrados ponderado? Justifique.
4- Por que não se deve planejar uma curva analisando apenas uma replicata por
nível?
5- É verdade que uma interpolação é sempre mais precisa do que uma extrapolação
para o método dos mínimos quadrados ponderado? (Dica: interpolação é uma pre-
visão dentro do intervalo calibrado, e extrapolação é uma previsão feita fora do
intervalo calibrado).
6- Um colega comenta com você que pretende fazer uma regressão pelo método
dos mínimos quadrados, porém há evidência de não normalidade para os seus
dados. O que você diria a ele?

CAPÍTULO 13
1- Qual a diferença entre a faixa de utilização de um instrumento e faixa de traba-

lho do procedimento?
2- Justifique o fato de o limite de quantificação inferior receber mais importância do

que o limite de quantificação superior?
3- Por que não se deve estimar o limite de quantificação inferior com amostra-
-branco?
4- O que aconteceria com o limite de quantificação se existisse uma “incerteza fixa

do método”? (Dica: observe o Gráfico 13.1 da curva do mensurando).
5- Escolha entre estimar o limite de quantificação estabelecendo um “coeficiente

de variação” máximo (calculado pela incerteza-padrão) ou estabelecendo um “co-
eficiente de variação expandido” máximo (calculado com a incerteza expandida).
Argumente sobre sua escolha.
6- Qual é a utilidade do Limite de Detecção quando o Limite Normativo é diferente

de zero? Justifique.
CAPÍTULO 14
1- Por que não é coerente dizer “incerteza de amostragem”?
2- Diferencie amostragem de ensaio e amostragem estatística ao longo do pro-

cesso analítico.
3- Você recebeu uma única amostra de origem desconhecida no seu laboratório.

Seria possível estimar uma variabilidade devido à heterogeneidade da população?
4- Em que situação um planejamento com amostragem aleatória simples seria

adequado? E quando não seria adequado?
5- Qual a premissa necessária sobre o resultado de medição para que seja co-
erente considerar uma correção devido à heterogeneidade da população e sua
incerteza?
CAPÍTULO 15
1- Qual é o modelo de medição básico comum a todas as calibrações?
2- Qual o risco de não modelar o erro para uma calibração? (Dica: modele consi-

derando apenas o valor medido, desprezando o valor de referência).
3- Seria possível aplicar a Regra de Combinação das Incertezas Relativas para um

modelo de medição de calibração?
4- O que aconteceria com o resultado se o padrão de calibração fosse construído

com um material muito menos denso do que o utilizado no exemplo?
5- Suponha que a medida da massa em condição de repetibilidade foi estimada

apenas com três medições. Suponha também que a contribuição dessa variável
seja muito maior do que as contribuições das demais variáveis. Descreva o que
aconteceria com o grau de liberdade efetivo e com a estimativa da incerteza ex-
pandida.
CAPÍTULOS 16 e 17
1- Descreva brevemente a mudança da lógica determinista para a lógica probabi-

lística na ciência entre os séculos XIX e XX.
2- Qual a diferença entre uma limitação de medição instrumental e a limitação

imposta pelo Princípio da Incerteza?
3- Suponha um método de cromatografia líquida de alta performance. Comente

sobre a medida simultânea da intensidade de um pico cromatográfico e do seu
tempo de retenção na ótica do Princípio da Incerteza.
4- Comente a frase: “Pensar em fontes de incerteza é apenas um exercício ima-

ginativo, uma brincadeira filosófica, e não nos acrescenta em nada do ponto de
vista matemático.”
5- Qual o risco de se considerar uma probabilidade muito alta, por exemplo,

99,99%, na declaração do resultado?
6- Você acredita que tratar a metrologia e a estimativa de incerteza com desdém é

um risco para a humanidade? Justifique.

Créditos das imagens
Ilustrações criadas por Bianca Neto Lima (Instagram: @biancaszyn). https://www.linkedin.com/in/bianca-
neto-lima- 61111b183.
Titulação. Disponível em: https://brasilescola.uol.com.br/o-que-e/quimica/o-que-titulacao.htm.
Contagem. Disponível em: https://www.pexels.com/pt-br/.
Resultado de análise clínica (arquivo pessoal)

Calibração de balança. Disponível em: https://blog.knwaagen.com.br/dicas-para-acompanhar-calibracao-
de- balancas/.
Estrela real. Disponível em: https://solarsystem.nasa.gov/solar-system/sun/overview/.
Tubo fotomultiplicador. Disponível em: http://www.astro.iag.usp.br/~jorge/aga5802_2013/seminario_

Fotomultipl_STJ.pdf e https://pt.wikipedia.org/wiki/Fotomultiplicador.
Créditos das imagens 125

Referências
[1] Grandeza, Mensurando, Procedimento de Medição. In: Vocabulário Internacional de Metrologia:
conceitos fundamentais e gerais e termos associados. Duque de Caxias, RJ : INMETRO, 2012. (Pági-
na 2, definição 1.1, página 16, definição 2.3, página 17, definição 2.6).
[2] Unidade de Medida, Sistema Internacional de Unidades. In: Vocabulário Internacional de Metro-
logia: conceitos fundamentais e gerais e termos associados. Duque de Caxias, RJ : INMETRO, 2012.
(Página 6, definição 1.9, página 8, definição 1.16).
[3] BRASIL. Ministério da Economia/Instituto Nacional de Metrologia. Qualidade e Tecnologia, Portaria

nº 228, de 17 de maio de 2021. Diário Oficial da União, publicado em 20/05/2021, Edição 94, Seção
1, Página 152.,. (Item 3.3 Pronúncia dos múltiplos e submúltiplos decimais das unidades).
[4] Metrologia. In: Vocabulário Internacional de Metrologia: Conceitos fundamentais e gerais e ter-
mos associados. Duque de Caxias: INMETRO, 2012. (Página 16, definição 2.2).
[5] MAGALHÃES, M. N.; LIMA, A. C. P. Noções de Probabilidade e Estatística. 6. Ed. São Paulo:
EdUSP, 2007. Coleção Acadêmica ISBN 85-314-0677-3.
[6] BRASIL. Ministério da Ciência e Tecnologia. Coordenação de Política Tecnológica Industrial. Pro-
grama tecnologia industrial básica e serviços tecnológicos para a inovação e competitividade.
Brasília, 2001.
[7] Avaliação de dados de medição: Guia para a expressão de incerteza de medição 2008. Duque
de Caxias, RJ: INMETRO/CICMA/SEPIN, 2012 (Página 19, item 5.1.2, equação 10; Página 81, item
H.1.3.2 apresenta um exemplo similar).
[8] Avaliação de dados de medição: Guia para a expressão de incerteza de medição 2008. Duque de
Caxias, RJ: INMETRO/CICMA/SEPIN, 2012 (Página 17, figura 2).
[9] Calibração e Metrologia. In: Vocabulário Internacional de Metrologia: conceitos fundamentais

e gerais e termos associados. Duque de Caxias, RJ : INMETRO, 2012. (Página 27, definição 2.39).
[10] Sistema Internacional de Unidades (SI) [Recurso eletrônico] / Tradução do Grupo de Trabalho
luso-brasileiro do Inmetro e IPQ. — Brasília, DF: Inmetro, 2021. (Página 7).
[11] Avaliação de dados de medição: Guia para a expressão de incerteza de medição – GUM 2008.
Duque de Caxias, RJ: INMETRO/CICMA/SEPIN, 2012 (Página 73, item G.4.1).
Duque de Caxias, RJ: INMETRO/CICMA/SEPIN, 2012 (Página 19, item 5.1.2).
[13] STEWART, J. Cálculo. Tradução da 8ª edição, v. 1. São Paulo: Cengage Learning, 2016 (Página
122).
Duque de Caxias, RJ: INMETRO/CICMA/SEPIN, 2012 (Página 72).
Duque de Caxias, RJ: INMETRO/CICMA/SEPIN, 2012 (Páginas 15, 16).
Referências 126
[19] MAGALHÃES, Marcos Nascimento; LIMA, Antonio Carlos Pedroso de, “Noções de Probabilidade
e Estatística”, 6a edição, edição revista, Coleção Acadêmica, 416 pp, EDUSP, São Paulo, 2007, ISBN
85-314-0677-3, (Página 79).
Duque de Caxias, RJ: INMETRO/CICMA/SEPIN, 2012 (Páginas 25 e 26).
Duque de Caxias, RJ: INMETRO/CICMA/SEPIN, 2012 (Página 23, item 6.1).
[22] EURACHEM/CITAC Working Group, CITAC Guide number 4, Guide Quantifying Uncertainty in
Analytical Measurement (Página 27, item 8.2.6).
[23] Vocabulário Internacional de Metrologia: Conceitos fundamentais e gerais e termos associados

(VIM 2012). Duque de Caxias, RJ : INMETRO, 2012. (Página 17, definições 2.5 e 2.6).
Duque de Caxias, RJ: INMETRO/CICMA/SEPIN,. ed 2012 (Página 5).
[25] HARRIS, D. C. Análise Química Quantitativa. 8. ed. Rio de. Janeiro: LTC, 2010. (Página 23).
[26] TERRA, J.; ROSSI, A. V. Sobre o desenvolvimento da análise volumétrica e algumas aplicações
atuais. Química Nova [on-line]. 2005, v. 28, n. 1 [Acesso em: 31 jan. 2022] , pp. 166-171. Disponível
em: <https://doi.org/10.1590/S0100-40422005000100029>
Duque de Caxias, RJ: INMETRO/CICMA/SEPIN, 2012 (Páginas 22 e 23).
[28] BRASIL. Ministério da Agricultura Pecuária e Abastecimento. Secretaria de Defesa Agropecuária.

Manual de garantia da qualidade analítica. Brasília: MAPA/ACS, 2011. (Página 51).
[30] BRASIL. Ministério da Agricultura Pecuária e Abastecimento. Secretaria de Defesa Agropecuária.

Manual de garantia da qualidade analítica. Brasília: MAPA/ACS, 2011. (Páginas 38 e 39).
[31] BRASIL. Ministério da Agricultura Pecuária e Abastecimento. Manual de garantia da qualidade

analítica. Brasília: MAPA/ACS, 2011. (Página 9).
[32] MONTGOMERY, D. C.; RUNGER, G. C. Estatística Aplicada e Probabilidade para Engenhei-

ros. 7. Ed., Livros Técnicos e Científicos - LTC, Rio de Janeiro, 2021, ISBN 9788521637332. (Capítulo
11).
[33] Raposo, F. Evaluation of Analytical Calibration Based on Least Squares Linear Regression for
Instrumental Techniques: A Tutorial Review. Trends in Analytical Chemistry, 77, 167-185 (2016).
[34] Manual de garantia da qualidade analítica. / Ministério da Agricultura Pecuária e Abastecimento.

Secretaria de Defesa Agropecuária. – Brasília: MAPA/ACS, 2011. (Páginas 146, 147 e 148).
Referências 127
[35] Cramer, J. Econometric Applications of Maximum Likelihood Methods. Cambridge: Cambridge
University Press, 1986. doi:10.1017/CBO9780511572050.
[36] Manual de garantia da qualidade analítica. / Ministério da Agricultura Pecuária e Abastecimento.

Secretaria de Defesa Agropecuária. – Brasília: MAPA/ACS, 2011. (Página 44).
[37] VIM Calibração VIM Metrologia. Vocabulário Internacional de Metrologia: Conceitos fundamentais
e gerais e termos associados (VIM 2012). Duque de Caxias, RJ : INMETRO, 2012. (Página 41, defi-
nição 4.18).
[38] Métodos Quantitativos Estatísticos./Guimarães, Paulo Ricardo Bittencourt. — Curitiba: IESDE Bra-
sil S.A., 2008. (Páginas 12, 13 e 14).
[39] Métodos Quantitativos Estatísticos./Guimarães, Paulo Ricardo Bittencourt. — Curitiba: IESDE Bra-
sil S.A., 2008. (Páginas 15, 16, 17 e 18).
[40] R. Eisberg e R. Resnick, Física Quântica, 8a. edição, Editora Campus. (Página 20).
[42] Chakrabarti CG, De K. Boltzmann entropy: generalization and applications. J Biol Phys.
1997;23(3):163-170. doi:10.1023/A:1004939118378.
[43] Feldens, B., Dias, P. M. C., & Física., I. d. (2009). E assim se fez o quantum... UFRJ, Instituto de
Física.
[45] Chibeni, Silvio Seno. Certezas e incertezas sobre as relações de Heisenberg. Revista Brasileira de
Ensino de Física [online]. 2005, v. 27, n. 2 [Acessado 31 Janeiro 2022] , pp. 181-192. Disponível em:
<https://doi.org/10.1590/S1806-11172005000200002>
[46] H. Iams and B. Salzberg, “The Secondary Emission Phototube,” in Proceedings of the Institute of
Radio Engineers, vol. 23, no. 1, pp. 55-64, Jan. 1935, doi: 10.1109/JRPROC.1935.227243.
[47] Proceedings of the 26th meeting of the General Conference on Weights and Measures, November
2018 (Página 203).
Duque de Caxias, RJ: INMETRO/CICMA/SEPIN, 2012 (Página 71, item G.2).
Referências Complementares
2002/657/EC: Commission Decision of 12 August 2002 implementing Council Directive 96/23/EC
concerning the performance of analytical methods and the interpretation of results (Text with EEA
relevance) (notified under document number C(2002) 3044).
Referências 128
BERTRAND, R. L. Lag Phase Is a Dynamic, Organized, Adaptive, and Evolvable Period That Prepares
Bacteria for Cell Division. Journal of Bacteriology, v. 201, v. 7. ISSN 0021-9193.
BEVINGTON, P. R.; ROBINSON, K. D. Data Reduction and Error Analysis for Physical Science,
Nova York: McGraw0 Hill, 2003. ISBN 978-0-07-247227-1.
EADIE, W.T.; DRIJARD, D.; JAMES, F.E.; ROOS, M; SADOULET, B. Statistical Methods in
Experimental Physics. 1. Ed., North-Holland: Elsevier North-Holland Inc, 1971. ISBN North-Holland :
0-7204-0239-5, ISBN American Elsevier: 0-444-10117-9.
ELLISON, S. L. R., BARWICK, Vick J; DUGUID FARRANT, T. J. Practical Statistics for the Analytical
Scientist – A Bench Guid. 2. ed. Cambridge: RSC Publishing, 2009. ISBN 978-0-85404-131-2.
HINES, W. W.; MONTGOMERY, D. C.; GOLDSMAN, D. M; BORROR, C. M. Probabilidade e

Estatística na Engenharia. 4. Ed. Rio de Janeiro: LTC, 2006, ISBN 85-216-1474-8.
MACK, K. The End of Everything. [S.l.]: Scribner, 2020. 240 páginas. ISBN 9781982103545.
LARSON, H. J. (1982). Introduction to Probability Theory and Statistical Inference. 3. Ed.

Singapura: John Wiley & Sons, 1982.
MASSART, D. L. ; VANDEGINSTE, B.G.M.; BUYDENS, L.M.C.; DE JONG, S.; LEWI, P.J. & SMEYERS-
VERBEKE, J. Handbook of Chemometrics and Qualimetrics – Part A. Amsterdam: Elsevier, 1997.
ISBN 0-444-89724-0 e ISBN 0-444-82854-0.
MONTGOMERY, D. C.; RUNGER, G. C.; HUBELE, N. F. Estatística Aplicada à Engenharia. 2. Ed Ed.

Rio de Janeiro: LTC, 2011. ISBN 9788521613985.
MONTGOMERY, D. C. Introdução ao Controle Estatístico de Qualidade. 7. Ed. Rio de Janeiro: LTC,

2014, ISBN-10: 8521630247 e ISBN-13: 978- 8521630241.
MONTGOMERY, D. C.; RUNGER, G. C. Estatística Aplicada e Probabilidade para Engenheiros. 6.

Ed. Rio de Janeiro: LTC, 2016. ISBN-10: 9788521632412 e ISBN-13: 978-8521632412.
VUOLO, J. H. Fundamentos da Teoria de Erros. 2. Ed., rev. e ampl. São Paulo: Editora Edgard
Blücher Ltda, 1996. ISBN-10: 85-212-0056-0 e ISBN-13: 9788521200567.
Referências 129
Sobre o autor
FERNANDO CUNHA - é consultor em metrologia e estatística aplicada para laboratório. Formou-se em

Química pela UFMG, Engenharia de Produção pela PUC Minas, e fez pós-graduação em gestão de
projetos com certificação PMP®. Desde a primeira graduação, dedica-se ao estudo da estatística no
sentindo de desenvolver uma visão crítica das ferramentas e do tratamento da informação metrológica
dentro do sistema de gestão da qualidade. Seu objetivo é disseminar o conhecimento da metrologia,
estimular a competência analítica dos profissionais de laboratório, e ser um agente da Tecnologia
Industrial Básica no Brasil.
Site: http://www.fernandocunha.site
E-mail: ferjbc@yahoo.com.br
Sobre o autor 130


E-BOOK Metrologia e Incerteza em Sua Essência

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

E-BOOK Metrologia e Incerteza em Sua Essência

Enviado por

Direitos autorais:

Formatos disponíveis

Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.

Todo o conteúdo deste livro está licenciado sob uma Licença de

O conteúdo do texto e seus dados em sua forma, correção e confiabilidade são de

Todos os manuscritos foram previamente submetidos à avaliação cega pelos pares,

A Atena Editora é comprometida em garantir a integridade editorial em todas as etapas do

Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H

Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H

Diagramação: Daphynny Pamplona

Dados Internacionais de Catalogação na Publicação (CIP)

C972 Cunha, Fernando

1. Metrologia - Pesos e medidas. I. Cunha, Fernando. II.

Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H

Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H

Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H

Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H

Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H

Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H

“A incerteza da medição é um dos assuntos mais relevantes e, ao mesmo

Thábita Bastos, Doutora em Química Analítica e Consultora da Qualidade

“Utilizando um estilo amigável de texto, o autor expõe de forma clara

Rossana Allende, ex-coordenadora do Laboratório de Referência

“Desde que conheci o Fernando, percebi claramente sua postura de

Kelly Bezerra, Doutora em Química Analítica e Consultora ISO/IEC 17025

“Primeiramente, parabenizo o autor pela coragem de escrever um livro tão

Nathália Barbosa, Engenheira Química e Mestranda em Metrologia pelo

Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H

Rosely Campos, Professora do Instituto Politécnico da PUC Minas

“O livro “Metrologia e Incerteza em sua Essência. Tudo o que nunca te

Marcelo Sena, Professor do Departamento de Química, ICEX, UFMG

Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H

Tecnologia Industrial Básica....................................................................................................... 10

Estimativa da Área a partir das Dimensões............................................................................... 16

Resultado com Incerteza Expandida.......................................................................................... 28

Estimativa pela Maior Contribuição............................................................................................ 31

Regra de Combinação das Incertezas Relativas....................................................................... 32

Invalidando a Regra de Combinação das Incertezas Relativas................................................ 33

Incerteza não é Lista de Compras.............................................................................................. 35

Diferença entre Método e Procedimento.................................................................................... 36

Alegoria dos Pintores.................................................................................................................. 37

Medição com Curva de Calibração............................................................................................ 42

Medição por Contagem.............................................................................................................. 43

O Problema da Incerteza Fixa do Método.................................................................................. 45

Metodologias Bottom-up e Top-down......................................................................................... 52

Covariância entre Variáveis........................................................................................................ 54

Exemplo numérico para o Modelo com Curva de Calibração.................................................... 56

Incertezas com Apelidos de Mau Gosto..................................................................................... 58

Exemplo Numérico para a Medição por Contagem................................................................... 60

Análise de Risco a Priori e a Posteriori...................................................................................... 63

Medições em uma Agência Bancária......................................................................................... 65

Medir Errado e não Medir........................................................................................................... 68

Método dos Mínimos Quadrados............................................................................................... 70

Uma Solução para o Problema da Heterocedasticidade........................................................... 73

Exemplo Numérico para os Parâmetros da Curva de Calibração............................................. 74

Faixa de Trabalho e seus Limites............................................................................................... 77

Limite de Decisão e Regra de Decisão...................................................................................... 80

Correção devido a Heterogeneidade da População.................................................................. 85

Modelo para a Calibração de Instrumento................................................................................. 87

Exemplo Numérico para a Calibração de Instrumento.............................................................. 89

Memórias de um Mundo Determinista....................................................................................... 92

O Experimento do Corpo Negro................................................................................................. 93

Princípio da Incerteza de Heisenberg........................................................................................ 97

Teremos um Fim....................................................................................................................... 100

Apêndice A - Demonstração da Lei de Propagação de Incertezas........................................ 102