Aula 08

CEFET-MG - Departamento de Engenharia Elétrica
Sistemas de Medição
Avaliação da Incerteza de Medição - I
Vitor Ângelo Torres

vangelo.cefet@gmail.com
Objetivos Introdução Conjuntos Aleatórios Discretos Conjuntos Aleatórios Contı́nuos Amostrando o Espaço Contı́nuo
Sumário
1 Objetivos
2 Introdução
3 Conjuntos Aleatórios Discretos
4 Conjuntos Aleatórios Contı́nuos
5 Amostrando o Espaço Contı́nuo

Objetivos
Essa aula apresentará o seguinte conteúdo
Conceitos de Estatı́stica que serão necessários para trabalhar com as

avaliações de incertezas
Simulações e exemplos práticos dos conceitos aprendidos
Caracterizando Conjunto de Valores

Média e Desvio Padrão
Como tentar “resumir” um conjunto em dois números?

Média (valor central, esperado):
n
1X 1
x̄ = xi = (x1 + · · · + xn )
n n
i=1
Caracterı́stica: afetado por valores extremos com n pequeno.

Desvio Padrão (dispersão dos valores):
v
u N
u 1 X
s= t (xi − x)2
N −1
i=1
Caracterı́stica: se x for substituı́do por um número real r , s tem valor

mı́nimo quando r = x.
Experimento Aleatório
É um experimento no qual a saı́da (o resultado) varia de maneira
imprevisı́vel quando o experimento é repetido sob as mesmas condições.
A especificação de um experimento aleatório deve incluir os
procedimentos seguidos e uma definição inequı́voca do que vai ser
medido ou observado.
Exemplo 1: Selecionar uma bola de uma urna contendo bolas numeradas

de 1 a 50. Observar o número da bola.
Exemplo 2: Lançar uma moeda três vezes e contar o número de

ocorrências de “cara”.
Exemplo 3: Lançar um dado duas vezes e somar os dois valores indicados

na face superior.
Espaço Amostral
É o conjunto de todos os resultados possı́veis de um certo fenômeno
aleatório.
Resultados possı́veis para:
Exemplo 1: o número da bola: Ω = {1, 2, . . . 50}.
Exemplo 2: o número de ocorrências de “cara”: Ω = {0, 1, 2, 3}.
Exemplo 3: soma dos dois valores dos dados:

Ω = {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}.
Em todos os exemplos acima o espaço amostral é discreto pois os

resultados só assumem os valores enumeráveis dos conjuntos.
Probabilidade
Um número que pode ser associado às partes do espaço amostral,
representando a chance que o mesmo ocorra, sendo que:
Pode ter valores de 0 a 1 (intervalo fechado)
A probabilidade do espaço amostral completo = 1
A probabilidade da soma de n partes do espaço amostral é igual à
soma da probabilidade das n partes
É possı́vel, nos casos em que premissas são assumidas sobre um

experimento, determinar as probabilidades somente com esse
conhecimento. Por exemplo, dado não viciado:
1 1 5
Pr (dado = 1) = , Pr (dado > 3) = , Pr (dado 6= 3) =
6 2 6
Probabilidade
Distribuição de Probabilidades × Probabilidade Cumulativa
No caso de um dado, a distribuição uniforme de probabilidades é:

Probabilidade
Para o caso de um dado, abaixo vemos a probabilidade cumulativa, ou

seja: Pr (X ≤ A).
Probabilidade
Para o caso da soma de dois dados, abaixo vemos a distribuição

triangular de probabilidades.
Probabilidade
Para o caso da soma de dois dados, abaixo vemos a probabilidade

cumulativa, ou seja: Pr (X ≤ A).
Espaço Amostral Contı́nuo

Quando a variável aleatória é contı́nua seu conjunto de valores é qualquer
faixa de números reais, portanto não enumerável.
Exemplos: tempo de download de um arquivo em condições que tornem

a velocidade imprevisı́vel, peso de uma fruta tirada ao acaso de um cesto,
volume de chuva precipitado sobre uma área, tempo de deslocamento no
trânsito para um mesmo trajeto.
Mesmo considerando que continuidade muitas vez é apenas uma

abstração matemática, ela torna possı́vel um tratamento analı́tico mais
simples.
Probabilidade - Variável Contı́nua

Para as variáveis aleatórias contı́nuas a probabilidade passa a fazer
sentido somente para faixas de valores. A probabilidade de um número
deixa de ter sentido, pois o conjunto amostral não é enumerável.
Passamos a trabalhar com espaço amostral dividido em faixas. Exemplo:

qual a probabilidade do volume de chuvas ficar abaixo do esperado em
uma determinada área?
Para as variáveis aleatórias discretas é mais intuitivo pensar na

distribuição de probabilidades e em seguida na distribuição cumulativa.
Para as contı́nuas, o caminho inverso é mais natural.

Função de Distribuição Cumulativa (CDF)
A CDF para uma variável aleatória x indica a probabilidade do

experimento resultar em um valor ≤ x:
FX (x) = Pr [{X ≤ x}]
A probabilidade de que uma saı́da caia em um intervalo do espaço

amostral S é igual ao comprimento relativo do intervalo:
Pr [{a ≤ X ≤ b}] = FX (b) − FX (a), sendo b > a


Função Densidade de Probabilidade (PDF)
A PDF, quando existir, é Z x

definida como a derivada d
fX (x) = FX (x) ⇔ FX (x) = fX (u) du
da CDF: dx −∞
No exemplo ao lado, a
probabilidade da variável
aleatória X assumir valores no
intervalo [−1, 1] é a área sob a
PDF de −1 até 1.
0.841 − 0.159 = 0.682
Pr [{a ≤ X ≤ b}] ≈ 68.2%

Função Densidade de Probabilidade (PDF)
As somatórias para média e desvio padrão em conjuntos discretos se

tornam integrais no espaço contı́nuo, definidas a partir da PDF (fx (x)):
Z sZ
∞ ∞
µ= x fx (x) dx ⇒ σ = (x − µ)2 fx (x) dx
−∞ −∞
O desvio padrão também pode ser calculado com µ fora da integral:

sZ
∞
σ= x 2 fx (x) dx − µ2
−∞
PDFs de interesse na avaliação de incertezas

Uniforme (ou Retangular)
Uma distribuição aleatória é dita uniforme ou retangular se a sua PDF é

constante ao longo de todo o intervalo onde ela é definida:

1
 b−a para a ≤ x ≤ b,
fX (x) =

0 para x < a ou x > b


0 para x < a



x−a
FX (x) = b−a
para a ≤ x ≤ b





1 para x > b
Todos os sub-intervalos de mesmo comprimento entre a e b são equiprováveis. Essa

PDF é utilizada, por exemplo, na avaliação da incerteza proveniente da resolução de
instrumentos digitais.

Triangular (Simétrica)
Uma distribuição aleatória triangular é definida por duas semi-retas no intervalo

onde ela é não-nula, tendo probabilidade 0 caso contrário:
 4(x−a)
a+b

 (b−a)2
para a ≤ x ≤ ,


2

4(b−x) a+b
fX (x) = para < x ≤ b,
 (b−a)2

2



0 para x < a ou x > b


 0 para x < a





 2 Função simples para modelar
 2(x−a)
(b−a)2
para a ≤ x ≤ a+b
2
, incertezas que diminuem a
FX (x) = probabilidade com a distância do valor

 2(b−x)2 a+b

 1− (b−a)2
para < x ≤ b, central, sendo nula fora da faixa

 2

 especificada.

1 para x > b

Normal (Gaussiana)
A distribuição é a mais importante no estudo das incertezas de medição é

a normal, determinada pela função Gaussiana:
1 (x−µ)2
fX (x | µ, σ) = √ e − 2σ2
σ 2π
Onde µ é a média e σ é o desvio padrão. A distribuição é chamada de
“normal padrão” quando µ = 0 e σ = 1.
A CDF da distribuição gaussiana não pode ser expressa em termos de

somas, subtrações, multiplicações e exponenciações. Dessa forma, ela
deve ser computada numericamente ou aproximada.
Z x
1 −
(t−µ)2
FX (x) = √ e 2σ2 dt
σ 2π −∞

Normal (Gaussiana)
Tendência Central e Dispersão
Média e desvio padrão continuam sendo ótimas N

X Z ∞
formas de caracterizar uma distribuição, que pode ⇒
ser entendida como se representasse um número i=1 −∞
infinito de amostras.
Com as funções (PDF) vistas anteriormente no lugar dos conjuntos de

amostras, integrais substituem as somatórias e os valores de µ ou σ,
passam a ser conhecidos analiticamente.
Distribuição Média Desvio Padrão
b+a b−a
Uniforme √
2 2 3
b+a b−a
Triangular Simétrica √
2 2 6
População × Amostra
Quando a população é muito grande, podemos tentar “estimar o todo”
(µ) a partir de uma amostra (x̄):
População × Amostra
É intuitivo que quando o tamanho da amostra tende x̄ ⇒ µ ; s ⇒ σ

para o tamanho da população:
Nem sempre é viável tomar amostras muito grandes. Além disso, em

distribuições contı́nuas, qualquer quantidade de amostras tem tamanho “zero”
se comparada ao espaço infinito de possibilidades.
Pode ser provado matematicamente que, se o desvio

padrão da população total (σ) é conhecido, pode-se σ
σmed. = √
estimar a chance de que a média da amostra (x̄) represente N
bem a média da população (µ).
Onde σmed. é o desvio padrão do conjunto das médias das amostras de

tamanho N, da população com desvio padrão σ.
A distribuição das médias tende à função gaussiana (quando n ⇒ ∞),

assim ≈ 68.27% das médias das amostras de tamanho N estarão à
distância máxima de σmed. da média real (µ), ≈ 95.45% à 2σmed. e
≈ 99.73% à 3σmed. .
Intervalos de Confiança (95%, N = 10)
Cada barra representa uma medição com N leituras independentes.

Os extremos da barra representam a média da medição ± 2×σ
√
N

√
N

√
N
Testes1 do Desvio Padrão da Média
N = 10 N = 1000
σmed. (calculado) = 0.31612698 σmed. (calculado) = 0.031646915
√ √
σ/ N = 0.316227766 σ/ N = 0.0316227766
Médias em [µ ± 1σmed. ] = 68.30% Médias em [µ ± 1σmed. ] = 68.21%
√ √
2σ/ N = 0.632455532 2σ/ N = 0.0632455532
Médias em [µ ± 2σmed. ] = 95.51% Médias em [µ ± 2σmed. ] = 95.49%
1 100000 conjuntos de N amostras
Desvio-Padrão Experimental da Média
Se o desvio padrão da população não é conhecido, σmed.

pode ser estimado utilizando o desvio padrão da amostra s(X )
σmed. ≈ √ = s(x̄)
no lugar de σ, portanto: N
Exemplo: Uma tensão é medida 10 vezes (sequência abaixo). Calcule a média

e o desvio-padrão das medidas e o desvio padrão da média.
X = [7.849, 7.503, 7.433, 7.549, 7.526, 7.396, 7.543, 7.509, 7.504, 7.383]V
Respostas: x̄ = 7.5195 V, s(X ) = 123.3 mV e s(x̄) = 39 mV
Assumindo uma dispersão aleatória dessa medição em torno de um valor

esperado, haveria uma probabilidade de 68.3% do valor central estar contido na
faixa [7.5195 V ± 39 mV] e 99.7% de estar contido na faixa
[7.5195 V ± 117 mV] (3 × s(x̄) = 117 mV).
Nota: há uma correção estatı́stica para dados obtidos de amostras muito pequenas,
mas não cobriremos esse detalhe no curso.
Propriedades da Média e do Desvio Padrão

Propriedades da Média (valor esperado):
E [cX ] = cE (X ); E [c + X ] = c + E (X ); E [X + Y ] = E [X ] + E [Y ]
E [a0 + a1 X1 + · · · + an Xn ] = a0 + a1 E [X1 ] + . . . an E [Xn ]
Propriedades do Desvio Padrão:

σ(c) = 0; σ(c + X ) = σ(X ); σ(cX ) = |c|σ(X )
p
σ(a0 + a1 X1 + · · · + an Xn ) = a12 σ 2 (X1 ) + · · · + an2 σ 2 (Xn )
Esta última fórmula está simplificada pois nesse momento consideraremos somente
variáveis aleatórias independentes2 .
2A ocorrência de uma não altera a distribuição de probabilidade da outra.
Propriedades da Média e do Desvio Padrão

No exemplo anterior (s(X ) = 123.3 mV), decidiu-se considerar a inclusão
de uma outra fonte de incerteza (estatisticamente independente) com
desvio padrão s(Y ) = 50 mV, contribuindo aditivamente para o valor
final com o dobro de sua amplitude. Determine o novo desvio padrão:
p
s(X + 2Y ) = s 2 (X ) + 22 s 2 (Y )
p
s(X + 2Y ) = 123.32 + 4 × 502 ≈ 159 mV
Funções Úteis: MATLAB/Octave

Distribuição Uniforme
x = linspace(-3, 3, 200);
updf = unifpdf(x, -1, 1);
ucdf = unifcdf(x, -1, 1);
figure(1)
plot(x, updf, x, ucdf)
udist = unifrnd(-1, 1, [1, 10000]) * sqrt(3.0);
mean(udist)
std(udist)
figure(2)
hist(udist)
Funções Úteis: MATLAB/Octave

Distribuição Normal
x = linspace(-3, 3, 200);
npdf = normpdf(x, 0, 1);
ncdf = normcdf(x, 0, 1);
figure(3)
plot(x, npdf, x, ncdf)
ndist = normrnd(0, 1, [1, 10000]);
mean(ndist)
std(ndist)
figure(4)
hist(ndist)

Aula 08

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Aula 08

Enviado por

Direitos autorais:

Formatos disponíveis

CEFET-MG - Departamento de Engenharia Elétrica

Avaliação da Incerteza de Medição - I

Vitor Ângelo Torres

3 Conjuntos Aleatórios Discretos

4 Conjuntos Aleatórios Contı́nuos

5 Amostrando o Espaço Contı́nuo

Conceitos de Estatı́stica que serão necessários para trabalhar com as

Caracterizando Conjunto de Valores

Como tentar “resumir” um conjunto em dois números?

Caracterı́stica: afetado por valores extremos com n pequeno.

Caracterı́stica: se x for substituı́do por um número real r , s tem valor

Exemplo 1: Selecionar uma bola de uma urna contendo bolas numeradas

Exemplo 2: Lançar uma moeda três vezes e contar o número de

Exemplo 3: Lançar um dado duas vezes e somar os dois valores indicados

Resultados possı́veis para:

Exemplo 1: o número da bola: Ω = {1, 2, . . . 50}.

Exemplo 2: o número de ocorrências de “cara”: Ω = {0, 1, 2, 3}.

Exemplo 3: soma dos dois valores dos dados:

Em todos os exemplos acima o espaço amostral é discreto pois os

É possı́vel, nos casos em que premissas são assumidas sobre um

No caso de um dado, a distribuição uniforme de probabilidades é:

Para o caso de um dado, abaixo vemos a probabilidade cumulativa, ou

Para o caso da soma de dois dados, abaixo vemos a distribuição

Para o caso da soma de dois dados, abaixo vemos a probabilidade

Espaço Amostral Contı́nuo

Exemplos: tempo de download de um arquivo em condições que tornem

Mesmo considerando que continuidade muitas vez é apenas uma

Probabilidade - Variável Contı́nua

Passamos a trabalhar com espaço amostral dividido em faixas. Exemplo:

Para as variáveis aleatórias discretas é mais intuitivo pensar na

Probabilidade - Variável Contı́nua

A CDF para uma variável aleatória x indica a probabilidade do

FX (x) = Pr [{X ≤ x}]

A probabilidade de que uma saı́da caia em um intervalo do espaço

Pr [{a ≤ X ≤ b}] = FX (b) − FX (a), sendo b > a

Probabilidade - Variável Contı́nua

A PDF, quando existir, é Z x

Probabilidade - Variável Contı́nua

As somatórias para média e desvio padrão em conjuntos discretos se

O desvio padrão também pode ser calculado com µ fora da integral:

PDFs de interesse na avaliação de incertezas

Uma distribuição aleatória é dita uniforme ou retangular se a sua PDF é

Todos os sub-intervalos de mesmo comprimento entre a e b são equiprováveis. Essa

PDFs de interesse na avaliação de incertezas

Uma distribuição aleatória triangular é definida por duas semi-retas no intervalo

PDFs de interesse na avaliação de incertezas

A distribuição é a mais importante no estudo das incertezas de medição é

A CDF da distribuição gaussiana não pode ser expressa em termos de

PDFs de interesse na avaliação de incertezas

Tendência Central e Dispersão

Média e desvio padrão continuam sendo ótimas N

Com as funções (PDF) vistas anteriormente no lugar dos conjuntos de

Distribuição Média Desvio Padrão

É intuitivo que quando o tamanho da amostra tende x̄ ⇒ µ ; s ⇒ σ

Nem sempre é viável tomar amostras muito grandes. Além disso, em

Pode ser provado matematicamente que, se o desvio

Onde σmed. é o desvio padrão do conjunto das médias das amostras de

A distribuição das médias tende à função gaussiana (quando n ⇒ ∞),

Intervalos de Confiança (95%, N = 10)

Cada barra representa uma medição com N leituras independentes.

Intervalos de Confiança (95%, N = 100)

Cada barra representa uma medição com N leituras independentes.