Aula 02 Estatistica

Disciplina: Instrumentao Eletrnica (2014.
1)
Prof. Dr. Lus Gustavo
UFPI
Unidade 2: Fundamentos de Estatstica,
Incertezas de Medidas e Sua Propagao
Sumrio
Introduo
Medidas de Tendncia Central
Medidas de Disperso
Conceitos sobre Probabilidade e Estatstica
Correlao, Correlao Cruzada, Autocorrelao,
Autocovarincia e Covarincia Cruzada
Conceitos sobre Inferncia Estatstica
Estimativa da Incerteza de Medida
Introduo
Todo procedimento de medio consiste em determinar
experimentalmente uma grandeza fsica.
A teoria de incertezas auxilia na determinao do valor que
melhor representa uma grandeza, embasado nos valores
medidos.
Alm disso, auxilia na determinao, com bases em
probabilidades, de quanto esse valor pode se afastar do valor
verdadeiro, o qual caracteriza a incerteza dessa medida
Introduo
Em medidas, os dados podem ser influenciados por pequenas
variaes de temperatura, presso, vibrao, entre outras
variveis no controladas.
Situao 1: Uma pea tirada da produo, a qual possui uma
medida muito precisa, sempre possui disperso em torno da
mesma.
comum modelar a faixa de valores possveis dentro de um
intervalo.
Situao 2: O consumo de um carro no dependente da
distncia registrada apenas. Depende de fatores como tipo de
estrada, condies do carro, tipo de gasolina, etc.
Mdia Aritmtica:
Existem diferentes tipos de mdias para fins especficos.
Quando utilizada, necessrio avaliar o tipo de mdia
conveniente para caracterizar o fenmeno estudado.
Usando uma definio simplificada, o termo mdia caracteriza o
valor mais tpico ou o valor mais esperado em uma dada coleo
de dados ou eventos
Definio:

n
X X X X
n
X
X
n
n
i
i
+ + + +
= =
=

3 2 1 1
Medidas de Tendncia Central(2)
Mediana
Representa o valor mdio do conjunto de dados ordenados em
ordem de grandeza, ou seja, a mdia aritmtica dos dois valores
centrais.
Exemplo: Considere uma coleo de dados, 28 no total, que
pode representar, por exemplo, o ngulo dado por um
eletrogonimetro para se avaliar a articulao do brao:
40

60

50

50

30

60

40

30

30

40

50

30

10

60

50

20

50

20

30

40

40

50

70

70

80

40

60

50

Moda
A moda definida como o valor que mais frequentemente
ocorre no conjunto de dados.
Para o exemplo anterior, o valor correspondente moda o
ngulo de 50
.
Para o mesmo conjunto de dados foram encontrados trs
diferentes tipos de medidas de tendncia central: a mdia
aritmtica igual a 44,6
, a mediana de 45
e a moda de 50
.
Em diversas situaes experimentais, a mdia no um
parmetro til de avaliao do conjunto de dados,
especialmente se um ou dois dados so muito grandes ou
muito pequenos quando comparados ao restante dos dados.
Vantagens:
A mdia mais interessante quando o lote de dados medidos
simtrico.
A mediana muitas vezes utilizada quando o dado altamente
assimtrico.
J a moda pode ser usada para responder questes como: qual
a principal causa de mortandade de peixes em um aqurio?

Mdia Geomtrica (MG)

a mdia geomtrica, na prtica, dada normalmente em
logaritmo:

Mdia Harmnica (MH)
n
n
X X X MG =
2 1
( ) ( ) ( ) ( )
|
.
|
\
| + + + +
=
n
X X X X
n
MG
10 3 10 2 10 1 10
log log log log
10

|
|
|
.
|
\
|
+ + +
=
|
|
|
|
.
|
\
|
=
=
n
X X X
n
X
MH
n
n
i
i
1 1 1
1
1
1
2 1
1

Raiz mdia quadrtica (root mean square)
A mdia rms amplamente utilizada em circuitos eltricos,
na anlise de sinais biomdicos, na anlise de vibraes de
estruturas e em diversas outras aplicaes.
Exemplo: Para avaliar o significado fsico, considere uma
corrente senoidal (AC) que circula por uma resistncia
eltrica durante um tempo T dissipando uma dada potncia.
Nessa mesma resistncia e para o mesmo intervalo de
tempo, uma corrente contnua (DC) circulou dissipando
a mesma potncia.
CONCLUSO!!!!!
Valor mdio quadrtico da tenso senoidal :
( )
}
=
2
1
2
) (
1
t
t
rms
dt t V
T
V
2
P
rms
V
V =
2
P
rms
V
V =
Medidas de Disperso
Em todas as medies ocorrem variaes,
independentemente do tipo de experimento que esteja sendo
avaliado, ou seja, em um processo de medio muitas podem
ser as fontes de incertezas
Exemplo: suponha o processo de medio da massa de um
determinado lote de um tipo de componente eletrnico. Em
uma dado projeto, a especificao para esse componente
eletrnico de uma massa de 1,45g; mas quando uma
amostra de 30 componentes idnticos pesada adequadamente,
constata-se os seguintes valores:
Medidas de Disperso(2)
Duas das propriedades de medida de disperso de dados so a
varincia (o
2
) e o desvio padro (o) para uma populao de
dados, na qual a varincia (o
2
) dada por:

e o desvio padro (o) a raiz quadrada da varincia definida
por:
N
X
N
i
i
=

=
1
2
2
) (
o
N
X
N
i
i
=

=
1
2
) (
o
Para uma pequena de dados, no lugar de o
2
utilizado s
2
, no
lugar de o utilizado s e N-1 no denominador:

e
1
) (
1
2
2
=
N
X X
s
N
i
i
1
) (
1
2
=

=
N
X X
s
N
i
i
Conceitos sobre Probabilidade e
Estatstica
Por definio, espao amostral o conjunto de todos os
resultados possveis de um experimento aleatrio e evento o
subconjunto do espao amostral.
Por consequncia, a probabilidade de um evento E, que ocorre
de m maneiras diferentes, em um total de n modos possveis
igualmente provveis, dada por:

sendo P(E) tambm chamada de probabilidade de ocorrncia do
evento E. Sendo assim, a probabilidade de no ocorrncia do
evento E :

n
m
E P p = = ) (
) ( 1 1 ) ( E P
n
m
n
m n
E P q = =
= =
Estatstica
Axiomas de probabilidades: se o espao amostral
indicado por U e o evento por E em um experimento
aleatrio, ento
; 1 ) ( = U P
; 1 ) ( 0 s s E P
0 ) ( = C P
). ( 1 ) ( E P E P =
Estatstica
Regras das probabilidades:
(a) Regra da adio de dois eventos E
1
e E
2

(b) Dois eventos E
1
e E
2
so mutuamente exclusivos:

(c) Probabilidade condicional P(E
2
/ E
1
):

para P(E
1
)>0

) ( ) ( ) ( ) (
2 1 2 1 2 1
E E P E P E P E E P + =
C =
2 1
E E
) ( ) ( ) (
2 1 2 1
E P E P E E P + =
) (
) (
) / (
1
2 1
1 2
E P
E E P
E E P

=
Estatstica (2)
Regras das probabilidades: (cont.)
(a) Regra da multiplicao de dois eventos E
1
e E
2:

(b) Regra da probabilidade total para dois eventos E
1
e E
2
:

(c) Independncia: se a probabilidade condicional P(E
2
/E
1
) =
P(E
2
) , por consequncia, o evento E
1
no afeta a probabilidade
do evento E
2
.
) ( ) / ( ) ( ) / ( ) (
1 1 2 2 2 1 2 1
E P E E P E P E E P E E P = =
( ) ( )
1 1 2 1 1 2
1 2 1 2 2
) / ( ) / (
) ( ) ( ) (
E P E E P E P E E P
E E P E E P E P
+ =
= + =
); ( ) / (
1 2 1
E P E E P = e ) ( ) / (
2 1 2
E P E E P =
) ( ) ( ) (
2 1 2 1
E P E P E E P =
Estatstica (3)
Teorema de Bayes: permite calcular a probabilidade
condicional entre eventos:

para P(E
2
)>0.
,
) (
) ( ) / (
) / (
2
1 1 2
2 1
E P
E P E E P
E E P

=
Estatstica (4)
A distribuio de probabilidade de uma varivel
aleatria X uma descrio das probabilidades associadas
com os valores possveis de X.
Por definio, para uma varivel aleatria discreta X,
com os valores possveis x
1
, x
2
, ..., x
n
sua funo densidade
de probabilidade dada por:

sendo definida como uma probabilidade, ou seja,
para todo e
), ( ) (
i i
x X P x f = =
) (
i
x f 0 ) ( >
i
x f
i
x
. 1 ) (
1
=
=
n
i
i
x f
Estatstica (5)
Funo distribuio cumulativa: por definio, a funo
distribuio cumulativa em um valor de X a soma das
probabilidades em todos os pontos menores ou igual a X.
Portanto, para uma varivel aleatria discreta X a funo
distribuio cumulativa dada por:

. ) ( ) ( ) (

s
= s =
x x
i
i
x f x X P x F
Estatstica (6)
As mesmas definies so utilizadas para variveis aleatrias
contnuas, ou seja, a funo densidade de probabilidade
de uma varivel aleatria contnua definida como se segue

e a funo distribuio cumulativa de uma varivel
aleatria contnua X, com funo densidade de probabilidade
dada por:

para

, ) ( ) (
}
< < =
b
a
b X a P dx x f
) (x f
) (x f
}

= s =
x
du u f x X P x F , ) ( ) ( ) (
. < < x
Estatstica (6)
Assim sendo, a funo distribuio cumulativa pode ser
relacionada funo densidade de probabilidade e pode
ser usada para obter probabilidades:
) ( ) ( ) ( ) ( ) ( ) ( a F b F dx x f dx x f dx x f b X a P
b
a
a b
= = = < <
} } }

) (x F
) (x f
Distribuies Estatsticas
Em geral, a determinao experimental dos dados ou ensaios
permite gerar histogramas utilizados para aproximar ou
determinar a funo distribuio que melhor descreve o
experimento.
Distribuio Binomial
Considere um experimento aleatrio de n tentativas
independentes, cujos resultados possveis possam ser
rotulados como sucesso ou falha.
Se X=1 indicar o resultado sucesso e X=0 representar a falha,
ento as funes densidade de probabilidade podem ser
representadas por:

em que o parmetro indica a probabilidade do
resultado sucesso.
p X P f
p X P f
= = =
= = =
1 ) 0 ( ) 0 (
, ) 1 ( ) 1 (
) 1 0 ( < < p p
Distribuio Binomial
Se em cada tentativa independente a probabilidade p
permanecer constante, o experimento aleatrio
denominado experimento binomial.
A funo densidade de probabilidade binomial com
parmetros p(0<p<1) e n(n={1,2,3,...}) dada por:

para
onde sendo assim,
, ) 1 ( ) (
x n x
p p
x
n
x f

|
|
.
|
\
|
=
n x , , 2 , 1 , 0 =
;
)! ( !
!
x n x
n
x
n
=
|
|
.
|
\
|
x n x x n x
p p
x n x
n
p p
x
n
x f

=
|
|
.
|
\
|
= ) 1 (
)! ( !
!
) 1 ( ) (
Distribuio Binomial
A mdia e a varincia o para uma varivel aleatria
binomial X com parmetros p e n so:
) 1 ( ) (
, ) (
2
p np X V
np X E
= =
= =
o
Distribuio Binomial (Exemplo)

Considere que os veculos de uma determinada montadora
apresentam 30% de sinistros em funo dos problemas
relacionados ao projeto de sua suspenso. Uma amostra
aleatria de 35 desses veculos foi selecionada. Seja X a
varivel que representa o nmero desses veculos com
problemas, ento X uma varivel aleatria binomial com
parmetros (n,p)=(35,30%). Suponha que o interesse seja
determinar a probabilidade de que cinco ou menos veculos
apresentem esse problema, ou seja, qual a probabilidade
P(X5)?
Distribuio de Poisson
A funo densidade de probabilidade de Poisson dada por:

para
com parmetro (>0), que representa eventos aleatrios
no tempo.
A mdia e a varincia de um processo de Poisson so dadas
por
,
!
) (
x
e
x f
x

=
n x , , 2 , 1 , 0 =
) ( ) ( X V X E = =
Distribuio de Poisson
Por definio, um experimento aleatrio chamado de
processo de Poisson se os eventos ocorrem ao acaso ao
longo do intervalo de sua durao, por exemplo, o nmero
de alunos que faltaram durante um semestre ou o nmero de
defeitos no comprimento de um cabo coaxial.
Distribuio de Poisson (Exemplo)
No preparo deste captulo, foi executado o verificador de
ortografia e gramtica para avaliar os erros tipogrficos
apresentados pelo editor de texto. Considere que os erros
por pgina, nessa reviso, seguem o processo de Poisson com
=0,15. Determine a probabilidade de que uma pgina tenha
no mnimo cinco erros.
Distribuio gama e exponencial
A funo gama I(r) definida por:

para .
Resolvendo-se essa integral por partes e com definio finita obtm-
se a expresso I(r)=(r-1) I(r-1) e com r inteiro: I(r)=(r-1)!.
A funo densidade de probabilidade gama, com parmetros >0 e
r>0 (r nmero inteiro), dada por:

para x > 0, com mdia e varincia:
e
}

= I
0
1
, ) ( dx e x r
x r
0 > r
,
) (
) (
1
r
e x
x f
x r r
I
=

) (

r
X E = = . ) (
2
2
o
r
X V = =
Na distribuio gama com temos a distribuio
exponencial, caso especial do processo de Poisson, definida
por:

para cuja mdia e varincia so definidas por:
e
A funo distribuio cumulativa para a distribuio
exponencial dada por:
=
0; < 0
1
0

1 = = r
, ) (
x
e x f

=
, 0 < s x

1
) (

= = X E .
1
) (
2
2
o = = X V
Um caso especial da funo distribuio gama a distribuio
qui-quadrada com parmetros iguais a e
, conforme a figura abaixo.
2 1 =
, 2 , 2 3 , 1 , 2 1 = r
De forma geral, a distribuio exponencial pode ser usada
para modelar a quantidade de tempo que falta at um
determinado evento ocorrer ou para modelar os tempos
entre eventos independentes, como por exemplo o tempo
entre chamadas telefnicas em uma central telefnica.
Exemplo: Considere que o tempo entre entradas de alunos
em uma determinada sala segue uma distribuio exponencial
com mdia de 38 segundos. Qual a probabilidade de que o
tempo entre entradas de alunos seja menor ou igual a 25
segundos?
Distribuio de Weibull
Apresenta diversas aplicaes na rea de engenharia, como
por exemplo em ensaios de fadiga, em sistemas que
apresentam falhas em relao ao tempo (normalmente
componentes mecnicos e eletroeletrnicos cujo nmero de
falhas aumenta, diminui ou se mantm constante com o uso).
Distribuio de Weibull
A funo densidade de probabilidade dada por:

para > 0 com parmetro de forma > 0 e de escala
> 0. A funo distribuio cumulativa :
= 1

.
A mdia e a varincia so:

, ) (
1
|
.
|
\
|
|
.
|
\
|
=
|
o
o o
|
|
x
e x f
x
|
|
.
|
\
|
+ I = =
|
o
1
1 ) ( X E
( ) ( ) | |
2
2 2 2
1 1 2 1 ) ( | o | o o + I + I = = X V
Distribuio de Weibull (Exemplo)
Suponha que o tempo de falha, em horas de uso, de
determinadas engrenagens mecnicas, pode ser modelado
pela distribuio de Weibull com parmetro de zero ou de
forma |=1/2 e parmetro de escala o=10000 horas.
Determinar o tempo mdio de uso das engrenagens at elas
falharem e a probabilidade de que durem no mnimo 2000
horas de uso.
Distribuies Estatsticas
Pode-se agrupar as medies em classes de tamanho,
proceder contagem do nmero em cada classe e plotar um
histograma da frequncia mostrando como as medies esto
distribudas. Portanto, o histograma de frequncia pode
ilustrar a correspondente distribuio de probabilidade de
um dado experimento.
Distribuio Normal
Ao realizar medies seguindo rigoroso procedimento
experimental e com diversas classes, provavelmente a curva que
melhor aproxima o comportamento dos dados da maioria dos
fenmenos fsicos a chamada curva normal ou gaussiana,
cuja funo densidade de probabilidade definida pela expresso:

para sendo a mdia aritmtica, ou seja, o
ponto em que a distribuio simtrica e o o desvio
padro, ou seja, a medida da variabilidade da medida relacionada
mdia.
( )
,
2
1
) (
2
2
2o
t o
=
x
e x f
, < < x ) ( < <
) 0 ( > o
Distribuio Normal
A mdia (ou valor esperado) e a varincia de uma distribuio
normal so determinados por:
e
Na prtica, raramente conhecido o desvio padro da
populao o, mas possvel estim-lo pela determinao do
desvio padro da amostra s:

Para erros computacionais menores faz-se:

) (X E = ) (
2
X V = o
1
) (
1
2
=

=
n
x
s
n
i
i

( )
1
2
2
n
n
x
x
s
Distribuio Normal
Se uma varivel aleatria normal a
2
= 1 e = 0, essa varivel
denominada padro (varivel aleatria normal padro) indicada
por:

Normalmente, a funo distribuio cumulativa de uma varivel
aleatria normal padro dada por:

Geralmente estes valores so tabelados para permitir a obteno
rpida dos valores desejados, ou seja:
.
o

=
x
Z
}

|
|
.
|
\
|
= u
z y
dy e z .
2
1
) (
2
2
t
). ( ) ( z Z P z s = u
Quando o experimento desenvolvido envolve um conjunto
de dados, por exemplo, e , e deseja-se avaliar a relao
entre os dois conjuntos de dados, interessante utilizar
parmetros que determinem o grau de variao entre e .
Um dos parmetros mais utilizados para avaliar o grau de
disperso, entre dois conjuntos de dados ( e ), ou dois
sinais () e (), a correlao (), que dada na
forma analgica por:
=
1
()
0

e na forma digital por:
=
1
() ()
=1

em que representa o intervalo de durao do sinal
analgico dado em segundos, e a quantidade de amostras
do sinal.
Cabe observar que o uso do parmetro correlao implica a
normalizao dos sinais dada por:

2

em que
2
representa a varincia dos sinais ou conjunto de dados
e , e
, a correlao normalizada.
Lembrando que a varincia para sinais analgicos e digitais
determinada por:

2
=
1
0

2
=
1
1

2
=1

em que representa a mdia dos sinais.

O coeficiente
pode apresentar valores que

variam de +1 e 1, representando dois sinais idnticos ou
dois sinais exatamente opostos, respectivamente.
Quando a correlao realizada pelo deslocamento no tempo
de uma forma de onda em relao outra, realizada a
denominada correlao cruzada
para sinais analgicos

(
) e digitais (
):

=
1
() +
=
1
() ( +)
=1

sendo a varivel deslocamento utilizada para deslocar ()
em relao a .
Tambm possvel deslocar uma funo em relao a ela
mesma em um processo denominado autocorrelao
r
.
A autocorrelao descreve como um determinado valor, em
um dado tempo, depende dos valores em outros tempos.
Para obter a correspondente funo de autocorrelao, basta
substituir na correlao cruzada
uma das variveis:

() =
1
() =
1
( +)
=1

Outra medida utilizada para descrever a disperso entre
conjunto de dados a funo de autocovarincia
(
), que pode ser utilizada como medida da memria

do desvio de um sinal ao redor de seu nvel mdio. Suas
expresses para sinais analgicos e digitais so:
=
1
() + ()
=
1
() + ()
=1
.
Similarmente, a covarincia cruzada
() uma
medida da similaridade do desvio de dois sinais sobre suas
respectivas mdias e definida por:
=
1
0
+
=
1
()
=1
+ () .

Sumrio
Introduo
Medidas de Disperso
Conceitos sobre Probabilidade e Estatstica
Conceitos sobre Inferncia Estatstica
Conceitos sobre Inferncia Estatstica e
Determinao do Tamanho da Amostra
Experimentos, de forma geral, podem ser analisados usando-
se dois procedimentos estatsticos, teste de hiptese ou
intervalo de confiana.
Exemplo: Imagine que um operador esteja interessado em
determinar e comparar a transmissibilidade da vibrao de
dois assentos automotivos, constitudos de materiais
diferentes, atravs do aparato experimental cujo esboo se
encontra na figura seguinte.

Teste de hipteses:
Considere que
11
,
12
, ,
1
1
representam as
1

observaes do primeiro tipo de assento e
21
,
22
, ,
2
2
,
as
2
observaes do segundo tipo de assento;
Como exemplos de teste de hipteses possveis seria: 1) o
estabelecimento de alguma conjectura sobre algum parmetro
da distribuio de probabilidade, ou; 2) algum parmetro que
descreva o modelo do experimento.
Teste de hipteses
Nesse exemplo, a conjectura poderia estabelecer que a mdia
aritmtica das transmissibilidades da vibrao de ambos os
assentos igual, ou seja:

0
:
1
=
2
Hiptese nula

1
:
1

2
Hiptese alternativa
sendo
0
e
1
as hipteses estabelecidas para esse experimento e
as mdias aritmticas das correspondentes transmissibilidades
da vibrao dos dois tipos de assentos automotivos

Para verificar se a hiptese aceita ou rejeitada,
necessrio realizar um teste estatstico adequado.
Uma das etapas essenciais a especificao do conjunto de
dados (denominado de regio crtica ou regio de rejeio
para o teste selecionado) para o teste estatstico.
De forma geral, com base na aceitao ou rejeio da
hiptese nula (
0
), ocorre os seguintes erros:
Erro tipo 1 (falso positivo): quando
0
rejeitado, sendo
verdadeiro;
Exemplo: paciente sadio est com dengue!!!!
Erro tipo 2 (falso negativo): quando
0
no rejeitado,
sendo falso;
Exemplo: sem suspeita de dengue paciente doente!!!
As probabilidades condicionais desses dois tipos de erros so
representadas de forma clssica por:
= Erro tipo 1 = Rejeita H
0
/H
0
verdadeira
= Erro tipo 2 = Aceita H
0
/H
0
falsa .
Muitas vezes se especifica a potncia do teste (Pot) dada
por:
= 1 = Rejeita H
0
/H
0
falsa
Normalmente se especifica um valor de probabilidade do
erro tipo 1, chamada de nvel de significncia do teste, e
ento se realiza um teste tal que a probabilidade do erro tipo
2 pequena.
Teste t para dois ensaios:
Vamos supor que os dois tipos de assentos seguem uma
distribuio normal com mdias
1
e
2
e varincias
1
2
e
2
2
;
Um teste estatstico para comparar as mdias (considerando um
experimento completamente aleatorizado):
0
=
1
+
1
2
;
sendo
1
e
2
as mdias das amostras,
1
e
2
, os tamanhos das
amostras,
2
, uma estimativa das varincias
1
2
=
2
2
=
2
, :
2
=
1
1
1
2
+
2
1
2
2
1
+
2
2
.
Para determinar quando rejeitar
0
, pode-se comparar
0

distribuio com
1
+
2
2 graus de liberdade (GDL) e
o nvel de significncia ou erro de distribuio.
Se
0
>
2 ;
1
+
2
2
, a hiptese
0
rejeitada,
Se
0
<
2 ;
1
+
2
2
, a hiptese
0
aceita.
(Os valores de
0
esto no intervalo
2 ;
1
+
2
2
e
+
2 ;
1
+
2
2
)
Exemplo: Considere os seguintes valores, obtidos no ensaio
da Figura 1, apresentados na tabela abaixo:

Considerando-se que as varincias so aproximadamente
similares, podemos ento utilizar o seguinte teste de hiptese:
0
:
1
=
2

1
:
1

2

Uma das grandes preocupaes do ponto de vista
experimental como determinar o tamanho da amostra, ou
seja, como responder seguinte pergunta:
Quantas amostras ou ensaios devem ser realizados para
garantir um bom significado estatstico dos meus dados?
O intervalo de confiana para a mdia dado por
, sendo =
/2
o erro mximo.
Logo, o tamanho da amostra, ou seja, a quantidade de ensaios
ou amostras , dada por:
=
2

Essa expresso considera que a amostragem aleatria e que
grande ( 30), tal que a distribuio normal pode ser usada
para definir o intervalo de confiana.
Para tamanho de amostras pequeno ( < 30), a distribuio
usada.
Porm, para usarmos a equao =
2
, necessrio
especificar os valores de , (ou 1 , que o intervalo de
confiana) e .
Exemplo: Suponha outro experimento com 15 amostras
preliminares de mdia aritmtica 291,3 e desvio padro
= 63. Determine o intervalo de confiana de 95%.
Uma boa questo seria a pergunta: qual o tamanho da
amostra para estimar a mdia com 17 unidades?
Considerar uma amostra grande ( 30) e intervalo de
confiana de 95%.
Modelo de Medida
Defina o mensurando a quantidade sujeita medio.
Determine o modelo matemtico, com as quantidades de
entrada
1
,
2
, ,
, e (pelo menos) uma quantidade de

sada, .
Os valores determinados para as quantidades de entrada so
chamados de estimativa da entrada e so denotados por
1
,
2
, ,
.
O valor calculado para as quantidades de sada so chamados de
estimativa de sada e so denotados por .
Incerteza de medio
(VIM) : Parmetro no negativo que caracteriza a disperso dos
valores atribudos a um mensurando, com base nas informaes
utilizadas.

Incerteza padro
A incerteza pode ser, por exemplo, um desvio padro
denominado incerteza de medio padro (ou um de seus
mltiplos) ou a metade de um intervalo tendo uma
probabilidade de abrangncia determinada. OBS.: utiliza-se o
desvio padro da mdia, como visto anteriormente, o qual
depende do nmero de ensaios ;
A incerteza de uma estimativa de entrada,
, denotada por
(
).
A incerteza padro de uma estimativa de sada, , determinada
pela propagao da incerteza, chamada de incerteza padro
combinada, e denotada por
().
Incerteza tipo A
Avaliao estatstica da incerteza envolvendo uma srie de
observaes.
Sempre possui uma associao com o nmero de graus de
liberdade.
Exemplos incluem simples mdias e estimativas de mnimos
quadrados.
Incertezas (erro no sistemtico)
Tipo A
Avaliadas por mtodos estatsticos;
Caracterizadas pela varincia
2
ou desvio padro
(geralmente
definido como o desvio padro da mdia) e pelo nmero de graus de
liberdade.
Incerteza tipo B
Qualquer avaliao que no do tipo A uma avaliao do tipo
B.
No incerteza sistemtica.
Exemplos:
Usando experincia profissional combinada com uma distribuio
retangular;
Obtendo incertezas padro de certificados padro ou de livros de
referncia.

Incertezas (erro no sistemtico)
Tipo B
Avaliadas por outros meios:
dados obtidos previamente;
experincia ou conhecimento do comportamento do
sistema de medio;
especificao do fabricante;
dados obtidos de curvas de aferio ou outros documentos.
Caracterizadas pela quantidade
ou
podem ser tratadas como

aproximaes de varincia e desvio padro para efeitos de
clculos.

Covarincia
Correlaes entre as estimativas de entrada afetam a incerteza
padro combinada da estimativa de sada.
A covarincia estimada de duas estimativas de entrada,
,
so denotadas por (
).
Propagao de incertezas
Lei da propagao de incertezas, ou, simplesmente, a equao
de propagao de incertezas,
Incertezas padro e covarincias de estimativas de entrada so
combinadas matematicamente para produzir a incerteza padro
combinada da quantidade de sada.

Intervalo de Confiana
O intervalo de confiana consiste em um nmero fixo, positivo
menor que 1 que representa a probabilidade de um
determinado parmetro da populao (a ser estimado) estar
compreendida entre dois limites.

Intervalo de Confiana
Anlise de Incertezas
Variveis Modificantes
Afetam a sensibilidade da leitura em relao varivel de interesse
(mensurando);
Contribuem de forma multiplicativa.
Variveis Interferentes
Afetam a leitura, mas no a sensibilidade da leitura em relao varivel
de interesse;
Contribuem de forma aditiva.
Especificao da Leitura
Se o erro sistemtico for removido ento:

A Incerteza estabelecida por um valor limite de mximo e
mnimo com um determinado nvel de confidncia;
Exemplo:
10 gramas = (Medida Real 1,3)
gramas com 10g de nvel de
confidncia de 95%.

Propagao de Incertezas
Ao proceder com um ensaio experimental para executar a
medio de uma varivel, comum definir um intervalo no qual a
medida significativa como visto na seco anterior. Este
parmetro depende das condies ambientais, da habilidade do
operador entre outras.
Ao utilizar duas medidas experimentais, cujas incertezas so
conhecidas, para determinar uma nova grandeza deve-se
considerar a mesma dentro de seu intervalo de confiana (na
maioria das vezes determinado pela incerteza padro) na seguinte
forma:

onde a grandeza e a incerteza padro.
Considerando uma quantidade dependente das quantidades
, , as quais possuem distribuies de erros

gaussianas com desvios padres
, , e mdias
, , respectivamente, a grandeza pode ser

calculada pontualmente para qualquer conjunto de variveis:
= (
, ).
Observe que representa a lei ou a funo da grandeza de
sada em funo das grandezas de entrada.

Efeito da Incerteza sobre
= (
1

1
,
2

2
, ,
))
Expanso em Srie de Taylor:
= 0 +
0 +
(0)
2!
2
++
0
!

Exemplo: Suponha que medimos a corrente (I) e a resistncia (R) de um
resistor. Pela lei de Ohm:
=
Se ns conhecemos as incertezas (ou desvios padres) em I e R, qual a
incerteza em V?
Mais formalmente, dada uma relao funcional entre algumas variveis
, , , = (, , ), qual a incerteza, conhecendo as incertezas
em , , ?
Geralmente consideramos a incerteza padro em , e escrevemos:
.
Na maioria dos casos assumimos a incerteza Gaussiana e como visto
anteriormente, 68% das vezes, esperamos que o valor de esteja no
intervalo [ , +].
Nem todas as medidas podem ser representadas por distribuies Gaussianas!
Assumindo que temos algumas quantidades medidas

1
,
2
e
1
,
2
,
. As mdias de :
=
1
=1

=
1
=1

Defina:
)
(
)
avaliada nos valores mdios.
Expandindo
sobre estes valores mdios:
+
assumindo que os valores medidos encontram-se prximos das
mdias, e desprezando termos de ordens mais elevadas, tem-se:
1)

2)
2
=
1
2
=1

3)
2
=
1
=1
+
1
=1

+
=1

Se as medidas no so correlacionadas o ltimo termo na
equao acima zero;
Uma vez que as derivadas so avaliadas nas mdias
,
podemos tir-las da soma:
2
=
2
+
2

Se so correlacionados, definimos
como:
=
1
=1
, logo
2
=
2
+
2
+2

Equao geral para a propagao de incertezas
Exemplo: Potncia em um circuito eltrico.
=
2

Faa = 1.0 0,1 = 10 0,1
= 10
Calcule a varincia na potncia usando a propagao de
incertezas assumindo que no so correlacionados.
= 10 2 watts
Se o valor verdadeiro da potncia for de 10 W e ns medirmos a mesma
com uma incerteza padro (s) de 2 W, considerando uma distribuio
Gaussiana, ento 68% das medidas ficar dentro do intervalo [8,12] W
Incerteza de medida expandida
Multiplique a incerteza padro combinada,
(), por um
nmero , chamado fator de cobertura para obter a
incerteza expandida, .
=
()
A probabilidade que o intervalo contm o valor do
mensurando chamada de nvel de cobertura ou nvel de
confidncia ou de confiana.

Aula 02 Estatistica

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Aula 02 Estatistica

Enviado por

Direitos autorais:

Formatos disponíveis

Disciplina: Instrumentao Eletrnica (2014.

Medidas de Tendncia Central(9)

Distribuio Binomial (Exemplo)

pode apresentar valores que

para sinais analgicos

uma das variveis:

), que pode ser utilizada como medida da memria

, e (pelo menos) uma quantidade de

podem ser tratadas como

, , as quais possuem distribuies de erros

, , respectivamente, a grandeza pode ser

sobre estes valores mdios:

Você também pode gostar