Escolar Documentos
Profissional Documentos
Cultura Documentos
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
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
Inclui bibliografia
ISBN 978-65-258-0418-7 (Brochura)
Atena Editora
Ponta Grossa – Paraná – Brasil
Telefone: +55 (42) 3323-5493
www.atenaeditora.com.br
contato@atenaeditora.com.br
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.
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
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.
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
Modelo de Medição......................................................................................................................11
Calibração e Rastreabilidade...................................................................................................... 13
CAPÍTULO 3................................................................................................................16
MEDIÇÃO INDIRETA
Coeficientes de Sensibilidade..................................................................................................... 17
Distribuições de Probabilidade................................................................................................... 19
CAPÍTULO 4................................................................................................................25
UMA APLICAÇÃO EM LABORATÓRIO
Preparo de Solução.................................................................................................................... 25
CAPÍTULO 5................................................................................................................31
O PERIGO DAS SIMPLIFICAÇÕES MAL FEITAS
CAPÍTULO 6................................................................................................................35
ELUCIDAÇÕES SOBRE AMODELAGEM DA MEDIÇÃO
SUMÁRIO
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
CAPÍTULO 7................................................................................................................40
EXEMPLOS DE MODELAGEM EM QUÍMICA E MICROBIOLOGIA
Medição Direta............................................................................................................................ 40
Titulação...................................................................................................................................... 41
CAPÍTULO 8................................................................................................................48
INSERINDO DADOS NO MODELO (PARTE 1)
Medição Direta............................................................................................................................ 48
Titulação...................................................................................................................................... 49
CAPÍTULO 9................................................................................................................54
INSERINDO DADOS NO MODELO (PARTE 2)
CAPÍTULO 10..............................................................................................................60
INSERINDO DADOS NO MODELO (PARTE 3)
CAPÍTULO 11..............................................................................................................65
MEDIÇÃO NO DIA A DIA
CAPÍTULO 12..............................................................................................................70
REGRESSÃO LINEAR PARA MODELOS DE MEDIÇÃO
SUMÁRIO
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
CAPÍTULO 13..............................................................................................................77
VALORES LIMITES
Limite de Detecção..................................................................................................................... 81
CAPÍTULO 14..............................................................................................................83
AMOSTRAGEM NÃO É UMA MEDIDA
Amostra e População.................................................................................................................. 83
Amostragem em Química........................................................................................................... 86
CAPÍTULO 15..............................................................................................................87
MODELAGEM PARA CALIBRAÇÃO DE INSTRUMENTOS
CAPÍTULO 16..............................................................................................................92
A MÃE DE TODAS AS INCERTEZAS
A Quantização da Energia.......................................................................................................... 95
CAPÍTULO 17..............................................................................................................99
DO QUE TEMOS CERTEZA AFINAL?
Resumo da Obra......................................................................................................................... 99
APÊNDICES..............................................................................................................102
GLOSSÁRIO............................................................................................................. 114
SUMÁRIO
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
ESCLARECIMENTOS ADICIONAIS........................................................................ 117
REFERÊNCIAS.........................................................................................................126
SOBRE O AUTOR.....................................................................................................130
SUMÁRIO
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
CAPÍTULO 1
UMA CONVERSA SOBRE MEDIÇÃO
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
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
mostrada pela trena. Portanto:
(1)
Capítulo 1 4
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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)
Capítulo 1 8
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
(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
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
CAPÍTULO 2
APROFUNDANDO UM POUCO MAIS NA MEDIÇÃO
Capítulo 2 10
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
Imagem 2.1: A avaliação de conformidade dá suporte à atividade de fiscalização dos bens de
consumo.
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)
Capítulo 2 11
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
familiares, de modo que o próprio nome explique o significado daquela variável.
Maravilha! Vamos renomear as variáveis:
(3)
(4)
(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)
(7)
(8)
(9)
(10)
Professor, agora fizemos bem mais contas, mas parece que o resultado ficou
Capítulo 2 12
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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)
Capítulo 3 16
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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)
(3)
(4)
Capítulo 3 17
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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)
(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
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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:
3 | DISTRIBUIÇÕES DE PROBABILIDADE
Para toda variável que se considera na Equação do Mensurando, é necessário
Capítulo 3 19
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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.
Capítulo 3 20
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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].
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
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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].
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
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
Imagem 3.6: Distribuição de Poisson.
Capítulo 3 24
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
CAPÍTULO 4
UMA APLICAÇÃO EM LABORATÓRIO
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.
(2)
Capítulo 4 25
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
(3)
(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)
(11)
Capítulo 4 26
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
retangular e divisor igual a raiz de 3 para transformar o meio intervalo declarado numa
incerteza-padrão.
(12)
(13)
(14)
(15)
(16)
Derivadas:
(17)
(18)
(19)
Capítulo 4 27
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
(20)
(21)
(22)
(23)
(24)
(25)
Capítulo 4 28
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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)
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
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
Note que o resultado não mudou nada. Ele apenas está escrito de uma forma
diferente.
Capítulo 4 30
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
CAPÍTULO 5
O PERIGO DAS SIMPLIFICAÇÕES MAL FEITAS
(1)
(2)
(3)
(4)
Capítulo 5 31
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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?
(5)
(6)
(7)
(8)
(9)
(10)
Você reparou que todas as derivadas podem ser escritas pelo próprio mensurando
Capítulo 5 32
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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)
(12)
(13)
(14)
(15)
Derivando:
(16)
Capítulo 5 33
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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)
Capítulo 5 34
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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.
Capítulo 6 35
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
do procedimento. Lembra-se do procedimento de medição da largura da mesa?
Sim, lembro. E, por acaso, método é diferente de procedimento?
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
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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.
Capítulo 6 37
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
Imagem 6.2: Alegoria dos pintores.
Moral da história:
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
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
CAPÍTULO 7
EXEMPLOS DE MODELAGEM EM QUÍMICA E
MICROBIOLOGIA
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)
(2)
(3)
Capítulo 7 40
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
2 | TITULAÇÃO
Medição indireta por titulação:
(4)
(5)
(6)
(7)
Capítulo 7 41
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
Imagem 7.1: Análise por titulação.
Fonte: https://brasilescola.uol.com.br/o-que-e/quimica/o- que-titulacao.htm.
(8)
(9)
(10)
(11)
Capítulo 7 42
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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.
(12)
(13)
Capítulo 7 43
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
Imagem 7.2: Análise por contagem de microrganismos.
Fonte: https://pexels.com.
Capítulo 7 44
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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?
Capítulo 7 45
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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.
Capítulo 7 47
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
CAPÍTULO 8
INSERINDO DADOS NO MODELO (PARTE 1)
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)
(2)
(3)
(4)
(5)
Capítulo 8 48
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
(6)
A correção de resolução Cres tem valor médio zero e meio intervalo igual à unidade
da última casa decimal do sinal.
(7)
(8)
Valor médio de M:
(9)
Incerteza-padrão combinada de M:
(10)
(11)
(12)
2 | TITULAÇÃO
(13)
Capítulo 8 49
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
(14)
(15)
(16)
(17)
(18)
(19)
(20)
(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
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
(23)
(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)
(27)
Calculando as derivadas:
(28)
(29)
(30)
(31)
(32)
Capítulo 8 51
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
(33)
(34)
Capítulo 8 52
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
CAPÍTULO 9
INSERINDO DADOS NO MODELO (PARTE 2)
Capítulo 9 54
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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.
(1)
Capítulo 9 55
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
Ótima aplicação da covariância no nosso dia a dia! Mas, voltamos à Curva de
Calibração!
(2)
(3)
Capítulo 9 56
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
(4)
(5)
(6)
(7)
(8)
(9)
(10)
(11)
(12)
(13)
(14)
(15)
Capítulo 9 57
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
Estimativa da incerteza-padrão combinada
(16)
(17)
Resultado final:
(18)
Capítulo 9 58
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
CAPÍTULO 10
INSERINDO DADOS NO MODELO (PARTE 3)
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.
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
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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)
(2)
(3)
(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)
(6)
(7)
Capítulo 10 61
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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 ).
Calculando as derivadas:
(8)
(9)
(10)
Estimativa da incerteza-padrão:
(11)
Resultado final
(12)
Capítulo 10 62
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
incerteza?
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
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
CAPÍTULO 11
MEDIÇÃO NO DIA A DIA
Capítulo 11 65
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
Imagem 11.1: Tomando água na agência do banco, um ato simples com várias medições
envolvidas.
Capítulo 11 66
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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?
Capítulo 11 68
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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.
Capítulo 11 69
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
CAPÍTULO 12
REGRESSÃO LINEAR PARA MODELOS DE
MEDIÇÃO
xi x1 x1 x1 x2 x2 x2 x3 x3 x3
yi y1 y2 y3 y4 y5 y6 y7 y8 y9
Capítulo 12 70
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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)
Capítulo 12 71
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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.
Capítulo 12 72
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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)
(4)
(5)
(6)
Capítulo 12 73
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
(7)
(8)
(9)
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
(10)
(11)
(12)
(13)
(14)
(15)
(16)
Capítulo 12 74
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
(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)
(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
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
CAPÍTULO 13
VALORES LIMITES
Capítulo 13 77
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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.
Capítulo 13 78
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
Gráfico 13.1: Coeficiente de variação em função do mensurando (curva do mensurando).
(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:
xi (ppb) 2 4 6 8 10 12
yi (CV em %) 100% 70% 55% 35% 27% 20%
Capítulo 13 79
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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)
Capítulo 13 80
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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)
Capítulo 13 81
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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
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
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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.
Capítulo 14 84
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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.
Capítulo 14 85
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
CAPÍTULO 15
MODELAGEM PARA CALIBRAÇÃO DE
INSTRUMENTOS
(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
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
(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)
(4)
(5)
(6)
Portanto,
(7)
(8)
(9)
(10)
(11)
(12)
Capítulo 15 88
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
2 | EXEMPLO NUMÉRICO PARA A CALIBRAÇÃO DE INSTRUMENTO
Vamos exemplificar com valores (calibração no nível 1 g):
(13)
(14)
(15)
(16)
(17)
(18)
(19)
Derivadas:
(20)
(21)
(22)
(23)
Estimativa da incerteza-padrão:
(24)
(25)
Capítulo 15 89
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
(26)
(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)
(29)
(30)
Capítulo 15 90
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
Imagem 15.1: Calibração de uma balança analítica.
Fonte: https://blog.knwaagen.com.br/dicas-para-acompanhar-calibracao-de-balancas/.
Capítulo 15 91
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
CAPÍTULO 16
A MÃE DE TODAS AS INCERTEZAS
Somos limitados pelo Universo a conhecer a verdade sobre seus parâmetros por
vias experimentais.
Capítulo 16 92
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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.
Capítulo 16 93
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
Imagem 16.2: O Sol é um bom modelo de corpo negro.
Fonte: https://solarsystem.nasa.gov/solar-system/sun/overview/.
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
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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)
Capítulo 16 95
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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.
(2)
(3)
Como dito anteriormente, todo mensurando que dependa das medidas simultâneas
Capítulo 16 97
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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.
Capítulo 16 98
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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.
Capítulo 17 99
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
o propósito em si justifica o limite da existência das coisas?
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
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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)
(2)
(3)
(4)
(5)
(6)
(7)
(8)
Apêndices 102
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
(9)
Nomeamos (x1-a1) como ux1, (x2-a2) como ux2 e (x1-a1)(x2-a2) como u(x1,x2):
(10)
(11)
Apêndices 103
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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)
(2)
Exemplo 1, f (x) = x:
(3)
(4)
(5)
(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
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
(9)
Exemplo 5:
(10)
(11)
(12)
(13)
Portanto:
(14)
Exemplo 6,
(15)
(16)
(17)
(18)
Portanto:
(19)
Apêndices 105
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
APÊNDICE C - VARIÂNCIA AMOSTRAL E VARIÂNCIA DA MÉDIA
Seja a Função estimadora da média da variável X:
(1)
(2)
(3)
(4)
(5)
(6)
Se as variâncias de xi são iguais entre si, e são estimadas pela função VAR(X),
podemos escrever:
(7)
Então:
(8)
Apêndices 106
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
(9)
(10)
(11)
(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)
(14)
Apêndices 107
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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)
(2)
(3)
(4)
(5)
(6)
(7)
(8)
Apêndices 109
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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.
(9)
(10)
Apêndices 110
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
(11)
(12)
(13)
(14)
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)
(17)
(18)
(19)
Apêndices 111
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
(20)
(21)
(22)
(23)
Covariância amostral é obtida a partir dos dados das replicatas de mantesrep e mtararep.
(24)
(25)
Calculando as derivadas:
(26)
(27)
(28)
Estimando a incerteza-padrão:
Apêndices 112
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
(29)
(30)
Apêndices 113
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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.
5- Por que um resultado de medição declarado apenas com o valor médio não
está completo?
7- Descreva como um resultado de medição pode ser modelado como uma vari-
ável aleatória.
CAPÍTULO 2
8- Por que não é correto dizer que um resultado é preciso e exato ao mesmo
tempo?
CAPÍTULO 4
CAPÍTULO 5
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?
4- Por que não se pode considerar uma incerteza para a qual não haja uma variá-
vel correspondente na Equação do Mensurando?
CAPÍTULO 7
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.
6- Por que não é possível estimar uma “incerteza fixa do método” e manter a con-
fiabilidade do resultado?
CAPÍTULOS 8, 9, 10
2- Qual o risco de se elaborar uma estimativa top-down sem antes ter uma esti-
mativa bottom- up?
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.
CAPÍTULO 12
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?
3- Por que não se deve estimar o limite de quantificação inferior com amostra-
-branco?
CAPÍTULO 14
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
2- Qual o risco de não modelar o erro para uma calibração? (Dica: modele consi-
CAPÍTULOS 16 e 17
[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).
[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).
[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).
[12] Avaliação de dados de medição: Guia para a expressão de incerteza de medição – GUM 2008.
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).
[14] Avaliação de dados de medição: Guia para a expressão de incerteza de medição – GUM 2008.
Duque de Caxias, RJ: INMETRO/CICMA/SEPIN, 2012 (Página 26, item 7.2.6).
[15] Avaliação de dados de medição: Guia para a expressão de incerteza de medição – GUM 2008.
Duque de Caxias, RJ: INMETRO/CICMA/SEPIN, 2012 (Página 72).
[16] Avaliação de dados de medição: Guia para a expressão de incerteza de medição – GUM 2008.
Duque de Caxias, RJ: INMETRO/CICMA/SEPIN, 2012 (Páginas 15, 16).
Referências 126
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
[17] Avaliação de dados de medição: Guia para a expressão de incerteza de medição – GUM 2008.
Duque de Caxias, RJ: INMETRO/CICMA/SEPIN, 2012 (Página 17).
[18] Avaliação de dados de medição: Guia para a expressão de incerteza de medição – GUM 2008.
Duque de Caxias, RJ: INMETRO/CICMA/SEPIN, 2012 (Página 17).
[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).
[20] Avaliação de dados de medição: Guia para a expressão de incerteza de medição – GUM 2008.
Duque de Caxias, RJ: INMETRO/CICMA/SEPIN, 2012 (Páginas 25 e 26).
[21] Avaliação de dados de medição: Guia para a expressão de incerteza de medição – GUM 2008.
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).
[24] Avaliação de dados de medição: Guia para a expressão de incerteza de medição – GUM 2008.
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>
[27] Avaliação de dados de medição: Guia para a expressão de incerteza de medição – GUM 2008.
Duque de Caxias, RJ: INMETRO/CICMA/SEPIN, 2012 (Páginas 22 e 23).
[29] Avaliação de dados de medição: Guia para a expressão de incerteza de medição – GUM 2008.
Duque de Caxias, RJ: INMETRO/CICMA/SEPIN, 2012 (Página 10, item 4.1.6).
[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).
Referências 127
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
[35] Cramer, J. Econometric Applications of Maximum Likelihood Methods. Cambridge: Cambridge
University Press, 1986. doi:10.1017/CBO9780511572050.
[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).
[41] R. Eisberg e R. Resnick, Física Quântica, 8a. edição, Editora Campus. (Página 32).
[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.
[44] R. Eisberg e R. Resnick, Física Quântica, 8a. edição, Editora Campus. (Página 97).
[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).
[48] Avaliação de dados de medição: Guia para a expressão de incerteza de medição – GUM 2008.
Duque de Caxias, RJ: INMETRO/CICMA/SEPIN, 2012 (Página 21).
[49] Avaliação de dados de medição: Guia para a expressão de incerteza de medição – GUM 2008.
Duque de Caxias, RJ: INMETRO/CICMA/SEPIN, 2012 (Página 19, item 5.1.2).
[50] Avaliação de dados de medição: Guia para a expressão de incerteza de medição – GUM 2008.
Duque de Caxias, RJ: INMETRO/CICMA/SEPIN, 2012 (Página 10, item 4.2.3).
[51] Avaliação de dados de medição: Guia para a expressão de incerteza de medição – GUM 2008.
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
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
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.
MACK, K. The End of Everything. [S.l.]: Scribner, 2020. 240 páginas. ISBN 9781982103545.
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.
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
Licensed to Luís fernando da Silva leite - lsfernando910@gmail.com - 413.879.768-85 - H
Sobre o autor
Site: http://www.fernandocunha.site
E-mail: ferjbc@yahoo.com.br