METROSUL IV – IV Congresso Latino-Americano de Metrologia

”A METROLOGIA E A COMPETITIVIDADE NO MERCADO GLOBALIZADO”

09 a 12 de Novembro, 2004, Foz do Iguaçu, Parná – BRASIL
Rede Paranaense de Metrologia e Ensaios

SIMULAÇÃO DE MONTE CARLO E FERRAMENTAS

PARA AVALIAÇÃO DA INCERTEZA DE MEDIÇÃO

M.Sc. Wagner R. Landgraf1; M.Sc. Charles R. Stempniak1

1
AUTOMA Consultoria & Informática Ltda
Curitiba – Paraná – Brasil

Resumo: Muitos méritos são creditados ao Guia
para Expressão da Incerteza de Medição – GUM -
por sua aplicabilidade quase universal na expressão
da incerteza de medição, mas ele também
apresenta limitações de aplicação, as quais podem
ser encontradas em seu próprio texto. Estas
restrições de aplicabilidade podem levar a erros
numéricos no resultado da medição e são até
bastante comuns em diversas áreas de ensaios.
Desde sua publicação em 1995, muito foi avançado
no campo teórico e na prática dos conceitos
envolvendo incerteza de medição e técnicas mais
específicas para determinados tipos de problemas
têm sido desenvolvidas. Publicações internacionais
têm apontado para uma nova edição do consagrado
guia, onde métodos alternativos serão também
abordados. Um desses métodos baseia-se em
Simulação de Monte de Carlo (MCS), muito usado
em várias disciplinas, bem antes do GUM. O MCS
está livre da maioria das limitações do GUM e pode
ser empregado alternativamente para validar o
modelo de cálculo original, além de poder ser
utilizado no lugar do GUM, conforme ele mesmo
adianta. No entanto, métodos MCS requerem
intensivo processamento numérico, o qual somente
é viável através de um software dedicado para este
tipo de aplicação. Este artigo discute as limitações
do GUM, vantagens no uso de MCS e um software
que pode lidar com essas duas abordagens,
especificamente para aplicações em ensaios e
calibrações.
Palavras chave: Simulação de Monte Carlo,
Incerteza de Medição, ISO GUM
1. INTRODUÇÃO
Resultados de medições são informações
decorrentes dos trabalhos feitos nos laboratórios de
calibração e ensaios. Também são necessários na
maioria dos trabalhos de pesquisa e
desenvolvimento ou no controle de qualidade de
processos e produtos na indústria. O resultado de
uma medição é sistematicamente tratado pelo Guia
Para Expressão da Incerteza de Medição [1], aceito
e conhecido internacionalmente como GUM. Esta
abordagem faz parte também dos requisitos de
muitos documentos da qualidade como a ISO/IEC
17025[2], EURACHEM/CITAC [3], EA-4/02 [4],
dentre muitos outros.
O resultado de uma medição deve fornecer uma
estimativa realista para uma determinada grandeza
específica (mensurando), com um nível de confiança
(probabilidade de abrangência [5]) conhecido. Este
resultado deve fornecer uma aproximação do valor
verdadeiro da grandeza (média obtida em uma
situação particular de medição) e deve incluir sua
incerteza de medição, que representa
quantitativamente a dúvida inerente à determinação
desta grandeza [1].
Medir e expressar este resultado, corretamente,
constitui o objetivo principal de toda calibração ou
ensaio.
A abordagem do GUM, compilada primeiramente no
início dos anos 90, proporcionou uma padronização
na forma de tratar o resultado das medições em
todo o mundo. Porém, sua aplicação não é uma
tarefa simples. A interpretação do GUM e sua
correta aplicação requerem preparo técnico
especializado. Além disso, a própria abordagem do
GUM está sujeita a considerações de aplicabilidade
que podem trazer limitações em determinadas
situações e propiciar dúvidas de interpretação,
levando até a resultados de medição incorretos [6].
Como conseqüência, sérios problemas podem ser
causados por tais resultados incorretos, ao longo de
sua cadeia de aplicações (por exemplo, na
especificação, no desempenho ou no controle de
qualidade de um produto dependente daquele
resultado) e fatalmente levarão a problemas para o
emissor do resultado quando auditado.
Para evitar esses problemas, os envolvidos devem
compreender a abordagem do GUM, para poder
validar os cálculos e os resultados com ela obtidos.
Esse cuidado pode ser realizado através do uso de
técnicas para determinar parâmetros da modelagem
do sistema de medição, que possam indicar sua
correta modelagem e a confiabilidade de seus
resultados. O uso de uma abordagem recomendada
para cálculo, alternativa ao GUM, pode determinar
indicadores que permitem validar a abordagem do
GUM e também pode ser mais adequada no lugar
desse, quando a primeira abordagem for
comprovadamente menos confiável que a segunda.
Esta abordagem alternativa pode ser a de
Simulação de Monte Carlo (MCS), que está sendo
muito empregada em ciências econômicas para
análise de riscos, e também em muitas outras áreas,
desde meados do século XX, com a era da
computação.
Cox e Harris [6] indicam que esta técnica é útil para
validar a abordagem do GUM e apontam para uma
nova versão deste consagrado guia, que
contemplará técnicas de MCS.
Contudo, a abordagem do guia e, mais ainda, a
abordagem por MCS, requerem numerosos
cômputos matemáticos. Essa computação pode ser
convenientemente realizada com a ajuda de
algoritmos de computador, em uma ferramenta de
software especializada. Se o software puder ser
validado e dispuser de recursos específicos para
cuidar da abordagem do GUM e também da
abordagem por MCS, ele pode então efetivar a
solução do problema apresentado, de forma eficaz.
2. CONSIDERAÇÕES SOBRE A METODOLOGIA
DO ISO GUM
A determinação de um resultado de medição
começa com a modelagem do próprio sistema de
medição. Este modelo deve relacionar a grandeza
de saída (resultado da medição) com as grandezas
de entrada que são significativas. A modelagem
deve formular um equacionamento matemático onde
as estimativas das grandezas de influência são
representadas por variáveis (símbolos
matemáticos).
A Figura 1 ilustra o procedimento para determinação
do resultado de uma medição, segundo a
abordagem do GUM.
Na maioria dos casos o mensurando Y não é
medido diretamente, mas é determinado a partir de
N outras grandezas X1, X2, ..., XN, através de uma

Entradas → Modelo Estimativas x Incertezas Graus de Probabilidade

Y=f(X) das grandezas padronizadas u de x liberdade ν de abrangência
de entrada X associados a x desejada

Coeficientes de
sensibilidade
c = ∂Y/∂x

Incerteza padrão
combinada uc(y)

Graus de liberdade
efetivos νeff

Modelo avaliado nas estimativas Fator de abrangência kp

das grandezas de entrada y=f(x)

Incerteza Expandida U(y)

Intervalo de
Saída → abrangência
y ± U(y)

Fig. 1. Determinação do resultado de uma medição usando a metodologia do GUM.

relação funcional f [1]: associados a cada uma das estimativas de
entrada xi.
Y = f( X1, X2,..., XN) (1)
g) Cálculo do fator de abrangência k
(tipicamente na faixa de 2 a 3) é obtido da
O GUM comenta na cláusula 4.1.2 que as distribuição t-Student, a partir dos graus de
grandezas de entrada podem elas mesmas, ser
liberdade efetivos νeff da incerteza
consideradas como mensurandos e depender de
combinada uc(y). Os quais são calculados
outras grandezas, incluindo correções para efeitos
pela fórmula de Welch-Satterthwaite a partir
sistemáticos, levando a relações funcionais muito
das incertezas padrão u(xi), da incerteza
complicadas, que não podem ser escritas
combinada uc(y), dos graus de liberdade
explicitamente. A relação f pode também ser
associados a cada uma das estimativas xi e
determinada analiticamente a partir de modelos
da probabilidade de abrangência p
teóricos ou experimentalmente (como através do
estipulada.
levantamento de curvas estatísticas, como as de
mínimos quadrados). Quando a relação não é h) Cálculo da incerteza expandida U e
explícita, pode ser resolvida através de um algoritmo expressão do intervalo de abrangência
computacional (métodos numéricos). determinado para o mensurando Y. A partir
da relação U=k.uc(y). O intervalo de
O GUM é mais específico para modelos explícitos,
abrangência compreende valores que
onde apenas uma estimativa de saída, de variáveis
podem, razoavelmente, ser atribuídos ao
reais, é formulada. Outros modelos são menos
mensurando entre y-U até y+U.
freqüentes, como os de múltiplas saídas
correlacionadas, de variáveis complexas ou de
funções implícitas, não sendo detalhados
Como esta abordagem baseia-se na lei de
exaustivamente pelo GUM. Cox e Harris [6] também
propagação de incertezas, ela requer algumas
indicam que uma versão futura do GUM pode
considerações de aplicabilidade, como descrito
contemplar todas essas categorias de modelos.
abaixo:
As seguintes etapas de cálculo devem ser seguidas
a) Linearidade do modelo – “Se a relação
até a expressão do resultado da medição:
funcional entre Y e suas grandezas de
a) Determinação das estimativas xi para as entrada é não-linear e se uma expressão de
grandezas de entrada Xi, a partir de análise primeira ordem da série de Taylor da
estatística de observações ou por outros relação não for uma aproximação aceitável,
meios; então a distribuição de probabilidade de Y
não pode ser obtida pela convolução das
b) Determinação dos coeficientes de
grandezas de entrada. Em tais casos, outros
sensibilidade de cada uma das
métodos numéricos ou analíticos são
contribuições xi, a partir das derivadas
requeridos”[1]. Ou seja, a lei de propagação
parciais do modelo em relação a cada uma
de incertezas, na qual se baseia o GUM,
de suas variáveis de entrada;
pode tornar-se inapropriada quando o
c) Determinação das incertezas padrão u(xi) mensurando não puder ser representado
associadas a cada estimativa xi. A partir das adequadamente por uma função linear
distribuições estatísticas das variáveis como:
aleatórias xi. Essa determinação pode ser
do Tipo A (através de métodos estatísticos) Y = c1X1 + x2X2 + ... + xNXN, (2)
ou do Tipo B (através de julgamento
científico); Onde ci é o coeficiente de sensibilidade
linear da variável Xi.
d) Determinação das covariâncias u(x1,x2), ou
dos fatores de correlação r(x1,x2), Modelos envolvendo polinômios de ordem
associados a todos os pares de estimativas superior a 1, funções logarítmicas,
que sejam correlacionadas; exponenciais e trigonométricas ou
quocientes são alguns exemplos de funções
e) Cálculo da estimativa y do mensurando Y, a
que apresentam não-linearidades.
partir da relação funcional f, utilizando como
grandezas de entrada Xi as estimativas xi; b) Normalidade da distribuição resultante – “A
avaliação da incerteza expandida dada aqui
f) Cálculo da incerteza padrão combinada
(...) é somente uma aproximação e tem suas
uc(y) associada à estimativa y, usando a lei
limitações. A distribuição de (y-Y)/uc(y) é
de propagação de incertezas, a partir das
dada pela distribuição t-Student somente se
incertezas padrão, dos fatores de correlação
a distribuição de Y é normal, se a estimativa
e dos coeficientes de sensibilidade
y e sua incerteza padrão combinada uc(y)
 são independentes e se a distribuição de modelo. Castrup [7] discute algumas
2
2
uc (y) é uma distribuição χ ”. A normalidade distribuições comuns para incertezas de
de que depende esta abordagem é medição e cita algumas de suas principais
assegurada fundamentalmente pelo aplicações;
Teorema Central do Limite, para muitas
c) Documentar detalhadamente todo o roteiro
medições práticas, devido a: (1) a estimativa
de cálculo, descrevendo todas as
do mensurando ser obtida de um número
simplificações e considerações particulares
significativo de grandezas de entrada, cujas
que são realizadas através do julgamento
distribuições são em geral simétricas; (2) as
científico do metrologista;
incertezas padrão de entrada contribuírem
com quantidades comparáveis entre si; (3) a
aproximação linear do modelo ser, em geral,
Algumas etapas na determinação de resultados de
aceitável; e (4) a incerteza combinada ser
uma medição são mais propensas a erros,
relativamente pequena devido a seus graus
merecendo maior atenção. Alguns erros comuns
de liberdade efetivos possuírem uma
neste processo são:
magnitude, geralmente, maior que 10 [1].
a) Equacionamento da função matemática que
Modelos de medição com contribuições de
representa o mensurando omitindo
incerteza assimétricas, relações não-
contribuições de influência que são
lineares, incertezas não-normais dominantes
significativas;
(quando uma ou mais retangulares são
significativamente maiores que as demais, b) Grandezas de influência sendo
por exemplo) e forte dependência entre representadas por distribuições
variáveis de entrada (correlações inadequadas. Uma atitude conservadora
significativas), são situações que merecem muito comum é o uso indiscriminado de
cuidados matemáticos especiais na distribuições uniformes (retangulares) no
modelagem do resultado, quando lugar das distribuições mais realistas para
submetidos à abordagem do GUM. determinadas variáveis aleatórias de
influência;
3. PRINCIPAIS CUIDADOS NA MODELAGEM DO c) Emprego de dados obtidos de tabelas, sem
RESULTADO a respectiva informação de incerteza
associada a cada valor numérico transcrito;
O GUM enfatiza que a incerteza de medição deve
ser realista, ou seja, nem subestimada, nem d) Incorreta interpretação de dados obtidos dos
superestimada. E embora ele forneça um conjunto manuais dos fabricantes ou de certificados.
de técnicas para avaliar o resultado da medição e Por exemplo: existe confusão entre valores
suas incertezas, o senso crítico, o conhecimento e de limite de erro com valores de incerteza
experiência do profissional de metrologia são padrão, também causa confusão
fundamentais para a determinação do resultado especificações de resolução ou precisão
correto de uma medição. Algumas recomendações com incerteza de medição;
práticas podem ser destacadas, para orientar a
e) Negligência ou erro na avaliação dos
modelagem de calibrações ou ensaios:
coeficientes de sensibilidade do modelo;
a) Partir de um modelo conceitual do sistema
f) Desconhecimento e negligência sobre
de medição, que esteja bem documentado e
eventuais correlações existentes entre as
que seja reconhecidamente aplicável a um
variáveis de entrada, sendo consideradas,
dado processo de medição. É interessante
em geral, todas não correlacionadas;
partir de modelos que levem em conta o
maior número de grandezas de influência, g) Razão de proporcionalidade de incertezas
para depois simplificá-lo a partir de (TUR) insuficiente entre o mensurando e o
considerações particulares da medição. O padrão, revelando sistemas de medição
EURACHEM/CITAC [2] apresenta uma lista incompatíveis com a exatidão do
de grandezas de influência que podem estar mensurando;
presentes em muitos ensaios. Exemplos de
h) Excesso de arredondamentos em cálculos
aplicação do GUM [1], suplementos do EA-
intermediários e também no resultado final,
4/02 [4] e o trabalho de Link [10], trazem
que não é levado em conta na determinação
modelos de sistemas de medição,
do intervalo de abrangência do resultado;
explicando suas grandezas de influência e
considerações práticas;
b) Atribuir distribuições de probabilidade
realistas para as grandezas de influência do

4. TÉCNICAS PARA VALIDAÇÃO DO MODELO
É comum a determinação de resultados de
medições que apresentam incorreções e que às
vezes são detectadas somente em eventuais
auditorias, ou então que raramente são detectadas.
Usuários de calibrações e ensaios, muitas vezes,
trocam de fornecedor devido a não-conformidades
obtidas em processos que empregaram resultados
incorretos, fornecidos em certificados de calibração.
Mas de modo geral, os laboratórios não utilizam
meios eficientes para verificar os resultados das
medições, antes que as conseqüências do erro
sejam notadas tardiamente.
Entretanto, é possível sistematizar e mesmo
automatizar o processo de determinação dos
resultados de uma medição. Podem-se empregar
técnicas matemáticas e computacionais que
forneçam indicadores precisos sobre a validade dos
resultados da medição. A seguir são descritas
algumas técnicas úteis para isso:
a) Rastreabilidade dos cálculos – consiste no
registro sistemático de todos os cômputos
realizados para a determinação do
mensurando. Para ser confiável, esse
registro deve ser realizado
automaticamente, com base nas operações
que o usuário realiza seqüencialmente
desde a formulação do modelo da medição
até a expressão dos resultados. Este
registro permite que o metrologista possa
conferir toda a extensa seqüência de
cômputos que foram realizadas. Contudo
este registro deve ser montado de forma
organizada, para que o trabalho de
verificação seja confortável (fácil e rápido) e
livre de interpretações ambíguas;
b) Razão de proporcionalidade de incertezas –
TUR (Test Uncertainty Ratio) – é um
indicador quantitativo que representa a
qualidade do sistema de medição, isto é,
quantas vezes o sistema de medição padrão
é melhor que o mensurando, em termos de
incerteza. Esta razão é obtida diretamente
pela divisão entre a incerteza padrão do
objeto da medição e a incerteza combinada
dos padrões de medição. O numerador
pode ser, por exemplo, o limite de erro ou a
classe de exatidão especificada pelo
fabricante do equipamento em teste,
devidamente convertidos na forma de um
desvio padrão. O uso do TUR é
recomendado por alguns documentos da
qualidade como NBR 10012 [8], devendo
ser geralmente maior que 2 ou 3. Maftoum
[9] discute detalhadamente a aplicação do
TUR como indicador da qualidade em um
processo de medição;
c) Derivadas parciais de ordem superior – A
derivação parcial de segunda ordem do
modelo matemático da medição, em relação
a cada uma de suas variáveis de entrada,
conduz a uma avaliação quantitativa
individual de não linearidades do
mensurando. Modelos lineares apresentam
todos os coeficientes de segunda ordem
nulos. Coeficientes não nulos quantificam a
influência de segunda ordem que as
respectivas variáveis de entrada introduzem
na estimativa de saída.
d) Análise de influências dominantes –
Multiplicando-se as incertezas padrão pelos
respectivos coeficientes de sensibilidade,
obtém-se as contribuições de incerteza
padrão associadas a cada variável.
Tomando estas contribuições ao quadrado e
dividindo-se pela incerteza padrão
combinada ao quadrado, obtém-se um
índice que revela o quanto cada variável
influencia na incerteza resultante.
Ordenando estas contribuições segundo sua
magnitude e apresentando-as em um
gráfico de barras, obtém-se um diagrama
conhecido como gráfico de Pareto, que é útil
para identificar influências dominantes. A
presença de contribuições não-normais
(com distribuições retangulares, por
exemplo) dominantes no modelo, indica que
a distribuição resultante tem maior
probabilidade de ser não-normal, o que
tornaria a avaliação da incerteza expandida
e o intervalo de abrangência da estimativa
de saída mais propensas à erros, pela
abordagem do GUM.
e) Determinação numérica da distribuição
resultante – Aplicando-se o método de
Simulação de Monte Carlo (MCS) para
determinar a distribuição do mensurando, a
partir das distribuições das variáveis de
entrada, obtém-se a representação gráfica
aproximada da distribuição do mensurando
e também dados de onde se podem extrair
estatísticas interessantes como a estimativa
da média, a incerteza padrão combinada e o
intervalo de abrangência do mensurando.
Quanto maior o número de simulações e
melhor o algoritmo computacional utilizado,
maior exatidão se obtém das informações
determinadas por este método. Como ele
está livre das limitações e considerações de
aplicabilidade apresentadas pela
abordagem aproximativa da lei de
propagação de incertezas, este método
pode ser usado para validar os resultados
finais obtidos pelo GUM. A seção seguinte
descreve melhor a aplicação do MCS para
cálculo de incertezas.
5. O MÉTODO DE SIMULAÇÃO DE MONTE
CARLO
As informações de entrada para aplicação do
método da MCS são quase as mesmas usadas na
abordagem do GUM, ou seja, parte-se de um
modelo matemático descrevendo o mensurando a
partir das variáveis de entrada e de suas
informações estatísticas. A diferença fundamental é
que as informações estatísticas de entrada usadas
no GUM são basicamente a média, desvio padrão e
graus de liberdade de cada distribuição de incerteza
(Tipo A ou Tipo B), já na MCS as próprias funções
densidade de probabilidade das distribuições de
entrada é que são utilizadas, fornecendo
informações mais completas sobre as distribuições
de entrada [11]. Na abordagem do GUM, as
distribuições de entrada são combinadas em termos
de desvios padrão, produzindo uma incerteza
combinada onde é esperado um formato gaussiano
de distribuição (ou t-Student quando os graus de
liberdade efetivos forem finitos). Na MCS, o formato
da distribuição de saída será obtido da avaliação do
modelo matemático sobre amostras aleatórias das
variáveis de entrada, respeitando suas respectivas
distribuições estatísticas. O método avalia o modelo
N vezes, em cada avaliação (simulação) um valor
aleatório possível para o mensurando é obtido. A
partir das N amostras obtidas para o mensurando,
calcula-se a média, desvio padrão e também os
limites do intervalo de abrangência para o
mensurando, o qual corresponderia ao intervalo de
Modelo Funções densidade de
Entradas → Y=f(X) probabilidade g(X)
M amostras x1,...,xM
de x a partir de g(x)
M avaliações da estimativa de saída
y=(y1,...,yM)={ f(x1),..., f(xM) }
M avaliações ordenadas
da estimativa de saída
Fig. 2. Determinação do resultado de uma medição usando a metodologia da MCS.
saída que vai de y-U até y+U da abordagem do
GUM.
Quando correlações estão presentes entre
distribuições de entrada (distribuições conjuntas),
utilizam-se transformações convenientes sobre os
vetores de amostras aleatórias, para sintetizar os
coeficientes de correlação estipulados (a partir de
uma matriz de correlações, pode-se empregar a
transformada de Cholesky para obter amostras
pseudo-aleatórias correlacionadas [12]).
A figura 2 ilustra a seqüência de operações
necessária para a aplicação do MCS.
As considerações sobre distribuições assimétricas
para as variáveis de entrada, modelos não-lineares,
contribuições dominantes, correlações entre
variáveis de entrada, normalidade da estimativa de
saída e a aplicabilidade da fórmula de Welch-
Satterthwaite são todas irrelevantes para a MCS.
Contudo, sua exatidão irá depender dos seguintes
fatores:
a) Número N de simulações realizadas, que
deve ser, em geral, bastante grande para
promover resultados com pelo menos 2
algarismos significativos de precisão (50 mil
simulações é um número citado em algumas
referências como sendo adequado [11]);
b) Qualidade do algoritmo, principalmente em
relação à qualidade dos geradores de
números pseudo-aleatórios empregado;
Número M de extrações Probabilidade
aleatórias para a simulação de abrangência
de Monte Carlo desejada p
y1,...,yM
Intervalo de
Saída → abrangência
[y(1-p)M/2, y(1+p)M/2]
Comparando-se quantitativamente os intervalos de Utilizando software dedicado às áreas de ensaio e
abrangência obtidos com o GUM e com a MCS, calibração, pode-se identificar facilmente os
pode-se determinar, de forma objetiva, se a primeira seguintes benefícios para os laboratórios:
abordagem é válida para o sistema de medição. Se
a) Aumento na produtividade, devido à
os resultados são compatíveis, pode-se confiar nos
automação dos processos técnicos, e de
resultados obtidos conforme metodologia do guia.
gestão (quando a ferramenta de software for
Em caso contrário, pode-se refinar o tratamento
abrangente);
matemático usando recomendações do próprio
GUM, mas também é permitido utilizar diretamente b) Aumento na confiabilidade dos resultados,
os resultados obtidos do método MCS, conforme o facilitando auditorias e o credenciamento de
próprio GUM alude em G.1.5. ensaios ou do próprio laboratório, pela
aplicação automática das técnicas descritas
aqui e por empregar metodologias já
6. USO DE SOFTWARE COMO FERRAMENTA
validadas para determinação dos resultados
PARA A DETERMINAÇÃO DOS RESULTADOS
de medição;
DE MEDIÇÃO
c) Aumento da competitividade do laboratório,
A utilização de software em metrologia é justificada
pela redução de custos, aumento da
não somente para assegurar a qualidade dos
flexibilidade para trabalhar com métodos de
resultados da medição, mas também porque a
medição variados, redução das incertezas
determinação desses resultados é uma tarefa que
de medição, facilidades gerenciais para
requer muitos cômputos, em geral, bastante
tomada de decisão, dentre outros inúmeros
complicados para serem realizados manualmente.
aspectos positivos que podem ser
O uso de software em metrologia vem sendo cada alcançados, quando a ferramenta de
vez mais recomendado e tratado diretamente pelas software for abrangente e especializada.
normas pertinentes a ensaios e calibrações. Muitos
trabalhos do NPL (National Physicalish Laboratory,
no Reindo Unido) têm sido voltados para esse
assunto, destacando o programa SSfM (Software
Support for Metrology).

Fig. 3. Orçamento de incertezas usando a metodologia do GUM, incluindo teste de conformidade, gráfico de
.
Pareto das contribuições de influência e análise do TUR no Autolab
O uso de planilhas eletrônicas, como Ms-Excel, é
bastante comum por ser o meio mais fácil e barato
para lidar com a matemática por trás das medições,
já que essas são ferramentas generalistas e
flexíveis, o bastante para serem programadas pelos
próprios usuários. No entanto, essas ferramentas
não são feitas especificamente para tratar de
ensaios ou calibrações. O uso de software
especializado para metrologia incluindo métodos de
medição validados, traz inúmeras vantagens sobre
as planilhas construídas a mão, destacando as
ferramentas de modelagem, automação e avaliação
de incertezas, que tornam a prática da metrologia
acessível e confiável, não somente para os
especialistas.
Como resultado das pesquisas dos autores,
concebeu-se um software dedicado para tratar da
modelagem, automação e validação de sistemas de
medição, intitulado AUTOLAB, o qual contempla em
sua versão 3, todas as técnicas apresentadas neste
artigo e módulos integrados para gestão de
laboratórios. Uma versão de baixo custo estará
disponível para fins educacionais e científicos.
A validação deste software pode ser realizada
diretamente pelos próprios usuários, através das
Fig. 4. Análise de incertezas por Simulação de Monte Carlo no Autolab
ferramentas apresentadas aqui. Atualmente, mais
de cem usuários no Brasil calculam resultados de
medições usando o AUTOLAB, em inúmeras áreas
da metrologia, confirmando a validade das técnicas
aqui descritas.
A figuras 3 e 4 apresentam resultados obtidos neste
software. Na figura 4 se pode constatar a não-
linearidade no mensurando, fazendo a distribuição
(em vermelho) ficar assimétrica em relação à média.
A distribuição determinada pelo MCS mostra-se não
muito próxima da t-Student do GUM (em azul).
7. CONCLUSÕES
Em diversos casos práticos identificou-se
deficiências no processo de validação dos
resultados pelos laboratórios. Erros de cálculo foram
detectados quando os usuários compararam os
novos resultados (obtidos com o AUTOLAB) com
aqueles que vinham obtendo em análises manuais,
software “caseiro” ou em planilhas eletrônicas.
Vários casos de êxito no credenciamento de
laboratórios foram também obtidos, graças à adoção
de técnicas de cálculo já validadas, como as
descritas aqui.
Esses fatos reforçam a importância de utilizar meios
confiáveis para assegurar os resultados de
medições.
Com o aumento da tecnologia, e das exigências
impostas pelos sistemas de gestão da qualidade,
torna-se cada vez mais importante dispor de
ferramentas para modelar e validar resultados de
medição de forma eficiente e confiável, por isso o
uso de software especializado para ensaios e
calibrações é hoje assunto fundamental para a
competitividade das organizações envolvidas com
Metrologia.
REFERÊNCIAS
[1] BIPM, IEC, IFCC, ISSO, IUPAC, OIML. Guia para a
Expressão da Incerteza de Medição. 2.ed. Rio de
Janeiro: SERIFA, 1998.
[2] ISO/DIS 17025, General Requirements for the
Competence of testing and Calibration Laboratories.
[3] EURACHEM/CITAC. Primeira Edição Brasileira do
Guia EURACHEM/CITAC. Determinando a Incerteza
na Medição Analítica. SBM, CNPq, SENAI, QMOL.
Trad. CNPq. 2 ed, Rio de Janeiro. 2002.
[4] INSTITUTO NACIONAL DE METROLOGIA,
NORMALIZAÇÃO E QUALIDADE INDUSTRIAL
(INMETRO). Expressão da Incerteza de Medição na
Calibração. Versão Brasileira do Documento de
Referência EA-4/02. Rio de Janeiro, 1999.
[5] INMETRO. Vocabulário Internacional de Termos
Fundamentais e Gerais de Metrologia - VIM. Versão
brasileira do "Vocabulary of Basic and General Terms
in Met rology". Rio de Janeiro: INMETRO, 1995.
[6] COX, M. G.; HARRIS, P. M. GUM Supplements.
Disponível em:
http://www.npl.co.uk/ssfm/download/documents/ciegu
m_paper.pdf
[7] Castrup, H. A critique os Uniform Distribution.
Disponível
em:http://www.isgmax.com/Articles_Papers/Uniform%
20Distribution%20Usage.pdf
[8] ISO/ABNT NBR 10012-1 - Requisitos de garantia da
qualidade para equipamentos de medição - Parte 1:
Sistema de comprovação metrológica para
equipamento de medição - ABNT, 11-1993, Rio de
Janeiro, RJ.
[9] CONGRESSO SUL-AMERICANO DE METROLOGIA-
METROSUL, 2, 1999, Foz do Iguaçu. Anais.. Foz do
Iguaçu: PARANÁ METROLOGIA, 1999.
[10] LINK, Walter. Tópicos Avançados da Metrologia
Mecânica - Confiabilidade Metrológica e Suas
Aplicações. Rio de Janeiro: INMETRO, 2000.
[11] COX, M. G.; DAINTON, M. P.; HARRIS, P. M.
Software Specifications for Uncertainty Calculation
and Associated Statistical Analysis. UK, 2002.
Disponível em:
http://www.npl.co.uk/ssfm/download/documents/cmsc
10_01.pdf
[12] IMAN, R.L., CONOVER, W.J. A distribution-free
approach to inducing rank correlation among input
variables. Communications in Statistics, Vol. 11, No.
3, p. 311-334, 1982.
Autor: M.Sc. Wagner Rafael Landgraf, Diretor
Comercial da AUTOMA Consultoria & Informática
Ltda, R. Eng° Roberto Fischer, 208 - CEP
81250.025, Parque de Software, Cidade Industrial de
Curitiba, Paraná, Brasil, Fone: (41) 337-1033, E-
mail: wagner@automa.com.br
Autor: M.Sc. Charles Roberto Stempniak, Diretor
Técnico da AUTOMA Consultoria & Informática
Ltda, R. Eng° Roberto Fischer, 208 - CEP
81250.025, Parque de Software, Cidade Industrial de
Curitiba, Paraná, Brasil, Fone: (41) 337-1033, E-
mail: charles@automa.com.br