ENSAIOS MECÂNICOS

LAMAV/CCT/UENV
PARTE II – REVISÃO DE ALGUNS TÓPICOS DE
ESTATÍSTICA
Eduardo Atem de Carvalho, PhD
Engenheiro Mecânico
 2) Revisão de Alguns Tópicos de Estatística
2
Básica
◻ A Natureza da Medida.

◻ Modelos Estatísticos e Análise de Distribuições

Contínuas.

◻ Modelo de Weibull

◻ Lote Mínimo
 2.1) A Natureza da Medida
3

◻ Toda medida contém erro.

◻ Toda repetição de medida contém erro
◻ Todo objeto, fabricado da mesma forma, nas
mesmas condições, conterá erro.
◻ A soma dos erros gerará uma dispersão que não
pode ser definida deterministicamente.
◻ Recorre-se aos modelos Estocásticos.
 2.2) Modelos Estatísticos e Análise de
4
Distribuições Contínuas
◻ Os valores são agrupados em
intervalos de valores.
◻ Estes intervalos são determinados
por características do problema que
se estuda e tem o valor mínimo de
2xU95
◻ Estas freqüências geram o chamado
Histograma.
◻ Uma curva contínua passa pelo
centro de cada intervalo do
Histograma, formando um modelo
de distribuição de freqüências.
◻ Alteração nos valores dos intervalos
pode gerar mudança no modelo que
melhor descreve o histograma
gerado.
◻ Conhecimento profundo da natureza
do fenômeno estudado pode auxiliar
a determinar que tipo de função
melhor descreve a distribuição de
freqüências esperadas.
◻ Os testes de adesão à alguma
distribuição específica podem
confirmar se uma dada distribuição
segue um modelo específico.
 2.3) Modelos de Freqüência
5

◻ Normal
◻ Log-Normal
◻ Exponencial
◻ Gamma
◻ Beta
◻ Gumbel
◻ Frechet
◻ Weibull
 2.4) Modelo Normal
6

◻ O mais antigo dos modelos, a qual ◻ Desvio padrão, projetado para cada lado
se atribuia o poder de descrever da Média, descreve 68.26% abaixo da
área abaixo da curva de Gauss.
todos os fenômenos naturais.
◻ 2X = 95.46%
◻ Pode descrever de forma satisfatória
o comportamento estatístico de ◻ 3X = 99.73%
muitos fenômenos contínuos e
simétricos em relação à média.
◻ Falha se o fenômeno estudado não
for simétrico em relação a média e
não apresentar distribuição de
probabilidade na forma da clássica
curva do sino (ou “gaussiana”).
 2.4.1) Cálculo de Probabilidades
7

◻ A distribuição cumulativa Normal é ◻ Ou seja:

definida como a probabilidade que uma
variável aleatória normal x seja menor ou
igual a um dado valor de a, ou seja:
◻ Onde φ é a função cumulativa de
distribuição da distribuição Normal padrão
(Média = 0, desvio padrão = 1). Os valores
◻ Esta integral não pode ser resolvida de são dados por tabelas achadas em livros
maneira fechada, mas se fizermos a texto.
mudança de variável:

◻ A avaliação pode ser feita independente

de µ e σ2 (Média verdadeira e Variância)
 2.4.1) Curva de Gauss
8

◻ Exemplo 1) A tensão trativa média do

papel usado para fazer sacos de compras
em supermercados é de 276 kPa e o
desvio padrão é de 14 kPa. O comprador
requer a resistência mínima do material de
241 kPa. Qual é probabilidade do produto
exceder este valor e atender à demanda?

◻ R)
◻ Normalizando o ponto 241

◻ Então a probabilidade desejada é de:

 Exemplos de Uso de Modelo Normal
9

◻ Ex. 2) O diâmetro do eixo usado numa

unidade de drive computador tem a média
de 0.2508” e desvio padrão de 0.0005”. A
especificação estabelece a dimensão da
peça como 0.2500 ± 0.0015”. Qual é a
fração dos eixos que são produzidos
dentro das especificações?
◻ R:)
 Fator de Segurança Estatístico - I
10

◻ Em mecânica experimental é bastante

comum se determinar as tensões atuando
em um componente e sua resistência, de
forma a se tentar prever se falha irá
ocorrer ou se o componente está seguro.
Isto pode não ser trivial se ambas tensões,
de funcionamento σ e a resistência do
material S, são variáveis, uma vez que
falha só irá ocorrer onde as regiões das
duas funções de distribuição irão se
sobrepor.
◻ Para se determinar a probabilidade de
falha ou ao contrário, a confiabilidade, o
fator zR é computado usando a equação:
 Fator de Segurança Estatístico - II
11

◻ Onde:

◻ A confiabilidade associada com o valor de

R, % ZR R, % ZR
zR pode ser determinado de uma tabela 50 0 99.9 3.091
como a apresentada a seguir.
◻ A confiabilidade determinada desta 90 1.288 99.99 3.719
maneira incorpora um fator de segurança 95 1.645 99.999 4.265
igual a 1. Se o fator de segurança FS deve
ser especificado junto com a 99 2.326 99.9999 4.753
confiabilidade, as funções já apresentadas
podem ser rearranjadas da seguinte
forma:
 Fator de Segurança Estatístico - III
12

◻ Exemplo 1) Um tirante de aço é

submetido a uma tensão de trabalho
xm(σ) = 200 MPa, Ssy = 30 MPa. O aço
empregado tem tensão de escoamento de
xm(Sy) = 300 MPa, Sσ = 10 MPa.
Verifique o Fator de Segurança Estatístico
presente no tirante, com uma
confiabilidade de 95%.
◻ R:
 Intervalos de Confiança Para Predição de Valores
13

◻ Uma vez que dados experimentais são ◻ A média das distribuições x e xm é a mesma,
representados por uma distribuição Normal mas o desvio padrão Sxm de xm (as vezes
pelo uso da estimativa da média xm e o desvio chamado de erro padrão) é menor que Sx,
padrão Sx e alguma previsão é feita sobre a uma vez que:
ocorrência de medidas. Surge a questão
sobre a confiança que pode se ter tanto na
estimativa quanto na predição de valores. Não ◻ Uma vez que o desvio padrão da população
se pode confiar totalmente em estimativas e de xm é conhecido, é possível estabelecer
previsão, devido aos efeitos da presença de intervalos de confiança na determinação da
erro nas amostragens. média verdadeira da população (µ) a partir de
um lote com n amostras. (sendo n > 25). O
◻ Erro de amostragem pode ser ilustrado por
intervalo de confiança no qual µ se encontra é
uma séria de lotes contendo n elementos,
dado pela expressão:
vindos de uma mesma população. Diversas
estimativas de média são determinadas xm1,
xm2, xm3, ..., Vao ocorrer uma variação em xm, Confiança % z Confiança % z
mas esta variação também pode ser
99.9 3.30 90.0 1.65
caracterizada como apresentando uma
distribuição Normal. 99.7 3.00 80.0 1.28

99.0 2.57 68.3 1.00

95.0 1.96 60.0 0.84

 2.4.2) O Lote Pequeno - t de Student
14

◻ Quando o tamanho do lote é muito

pequeno (n < 20), o desvio padrão deixa
de ser confiável e não deve ser
empregado. Os novos limites de
confiabilidade passam a ser então:

◻ Onde t(α) é o t de Student e α é a

probabilidade de se exceder um dado
valor de t. t pode ser encontrado em
tabelas nos livros texto. Tomar cuidado
que geralmente se refere a meia área sob
a curva de Gauss.

◻ v=n-1
 Comparação Entre Médias
15

◻ t de Student serve para compensar desvios ◻ O critério de decisão se baseia na

em lotes pequenos, mas serve também para comparação entre t e t(α). Os níveis de
testar se a diferença entre duas médias é real significância são de 5 e 1%.
ou se deve a fatores aleatórios. Para realizar
◻ Ex) A tensão de escoamento de um aço foi
este teste é preciso calcular o t segundo as
determinada n1=20, xm1 = 78.4 ksi e Sxm1 =
expressões abaixo:
6.04 ksi. De outro fornecedor foi feito o
mesmo teste e n2 = 25, xm2 = 81.6 ksi e
Sxm2 = 5.56 ksi. O aço do segundo
fornecedor é de fato superior?
◻ R:)
◻ Para 5% de nível de significância com v = 43
(20 + 25 - 2) e α = 0.05 (a comparação é feita
de um lado só, já que o teste é de
superioridade). t(α) = 1.68. Como t > t(α)
pode-se concluir com 95% de confiança que o
segundo fornecedor tem Sy maior que o
primeiro.
 2.4.1) Coeficiente de Variação
16
◻ Não se pode comparar dispersões
ocorridas em lotes com médias muito
diferentes entre si. Os valores devem
ser adimensionalizados antes.
◻ Coeficiente de Variação (Cv)
representa a maneira correta de se
comparar os valores obtidos.
◻ Cv é definido como a razão entre o
Desvio Padrão da amostra e sua
média. Pode ser absoluto ou
percentual.
◻ Exemplo: Dois lotes de amostras de material
cerâmico são testados em resistencia a flexão
após terem sido queimados a 600 ºC e 1100 ºC
respectivamente. Lote 1 apresenta Xm1 = 200
MPa e Sx1 = 43 MPa. Lote 2 Xm2 = 650 MPa e
Sx2 = 80 MPa. Qual lote apresenta maior
dispersão na grandeza medida?
◻ Cv1 = 43/200 = 0.215
◻ Cv2 = 80/650 = 0.123
◻ Portanto, embora o valor do desvio padrão do
Lote 2 seja maior, em relação com sua média isto
não acontece. Ou seja a dispersão relativaestá
dimunuido no processo estudado, quando se
aumenta a temperatura de queima da cerâmica.
E isto só fica claro quando as comparações são
feitas entre Cv e não entre Sx.
 Lista de Exercícios (1/2) – Entrega até 15 dias
após data do recebimento
17

◻ Exerc 1) A tensão de trabalho de um material ◻ Exerc 2) Se a norma técnica tolerasse desvio

frágil foi medida através de sensores e os padrão amostral de 3 MPa no Problema 1,
resultados listados na tabela abaixo. Para uso na haveria algum fator de segurança estatístico na
indústria, a norma técnica requer que 95% das amostra estudada, levando-se em conta um
peças se rompam acima do limite de 50 MPa. tensão de ruptura do material de 80 ± 10 MPa?
Verifique se isto irá ocorrer. Se sim, de quanto seria este FS? Caso se deseje
um FS = 1.2, qual deveria ser a dispersão
máxima do lote ao lado?
50.3 45.1 40.4 49.9 63.1

47.2 52.4 47.3 58.4 51.1

56.2 55.6 54.5 49.5 54.3

60.1 50.0 53.1 56.6 51.7

57.3 52.7 51.6 58.9 58.7

 Lista de Exercícios – 2/2
18

◻ Exerc 3) Três lotes de uma argila vermelha são ◻ Exerc 4) Um lote de 100 peças cilíndricas é
queimados a diferentes temperaturas (650 ºC, fabricado e medido. Os valores registrados para
750 ºC e 950 ºC). Os corpos de prova, quando diâmetro são d = 50.05 ± 0.08 mm. Devido a
submetidos ao ensaio de flexão, apresentam os problemas de montagem, dilatação e
seguintes resultados: funcionamento, só as peças com diâmetros entre
49.00 e 50.06 podem ser aproveitados. Quantas
◻ Xm1 = 37.2 MPa, Sx1 = 10.3 MPa, n = 9
peças deste lote passarão na inspeção?
◻ Xm2 = 45.7 MPa, Sx2 = 15.2 MPa, n = 8
◻ Xm3 = 57.1 MPa, Sx2 = 20.5 MPa, n = 10
◻ Usando o teste do t de Student, verifique se de
fato houve aumento na tensão de ruptura (σrup)
com o aumento da temperatura do tratamento
térmico.
 Referências - Normal
19

◻ The Statistical Analysis of Experimental Data, J. Mandel, Dover

1964.
◻ Experimental Stress Analysis, 4rd ed., J.W. Dally, W.F. Riley,
McGraw-Hill, 2005.
◻ Introduction to Statistical Quality Control, 5th ed., D.C.
Montgomery, John Wiley & Sons, 2005.
 2.5) Modelo de Freqüência de Weibull
20

◻ É uma distribuição muito versátil, que se aplica a diversos problemas de Engenharia, em

especial os que tratam de vida ou resistência.
◻ Antes de ser usada em testes para determinação de vida útil a distribuição de Weibull era
conhecida como a distribuição Fisher-Tippett Tipo III dos menores valores ou também como a
distribuição da terceira assintótica dos menores valores extremos
◻ Sua formulação permite uma plasticidade que emula a maior parte dos modelos de freqüência
acumuladas.
◻ Permite a modelagem de vida ou resistência de peças ou sistemas com n componentes
idênticos em série, que falham quando o primeiro deles falha: se a resistência ou a vida de cada
componente é uma variável aleatória, a distribuição da resistência ou vida da peça tenda a
Weibull quando número de componentes é grande, independentemente do modelo que descreve
a estatística de cada um deles.
◻ Por isto, é bastante empregada na caracterização de materiais frágeis, já que σrup depende do
tamanho da maior trinca presente no corpo.
◻ Pode ser empregada com 2 ou 3 parâmetros.
 2.5.1) Modelo de Weibull
21

◻ β é o fator de forma, ou
Módulo de Weibull.

◻ θ é o fator de escala, ou
grandeza característica.

◻ δ é o fator de
localização, ou grandeza
inicial.
 2.5.2) Efeito do Fator de Forma
22

◻ β = 1, a distribuição de Weibull
equivale a Exponencial.
◻ β = 2, a distribuição de Weibull
equivale a de Rayleigh.
◻ 1 ≤ β ≤ = 3.6, a distribuição de
Weibull se aproxima da Lognormal.
◻ 3 ≤ β ≤ = 4, a distribuição de Weibull
se aproxima da Normal. 3.6 é a
melhor estimativa, onde distorção é
minimizada.
◻ β = 5, a distribuição de Weibull se
aproxima da Normal com pico.
 2.5.3) Características da Distribuição de Weibull
23

◻ A média da distribuição
de Weibull é:

◻ A variância da
distribuição de Weibull é:
 2.5.4) Confiabilidade x Risco
24

◻ A função de Confiabilidade (“Reliability”)

descreve a probabilidade de sobrevivência
em função do tempo, ou de fratura em
função de tensão, por exemplo.

◻ A função de Risco (“Hazard”) representa a

taxa de falha instantâneae pode ser usada
para caracterizar falhas ocorridas.
 2.5.5) Estimativa de Parâmetros
25

◻ Existem 5 métodos mais ◻ Gráfico de Probabilidade

comuns de se estimar os é o método mais comum
parâmetros de Weibull. e antigo.
São eles:
Gráfico de Probabilidade
◻ Máxima
Gráfico de Risco
Máxima Verossemelhança
Verossemelhança é o
Estimadores de Momento mais consistente.
Estimadores Lineares
 2.5.6) Gráfico de Probabilidades
26

◻ Ordenar os valores obtidos, do menor para ◻ Exemplo: um conjunto 12 de moedores

o maior idênticos foram usados até a quebrar. Os
◻ Assumir (ou não) que δ = 0 valores dos tempos até a falha foram
registrados e ordenados e são os
◻ Selecionar e aplicar expressão de Rank seguintes:
Mediano.
Tempo até Falha
◻ Calcular ln dos valores obtidos.
Ordem Tempo Ordem Tempo
◻ Calcular ln(ln(1/(1-f(x)))
1 12.5 7 96.6
◻ Plotar valores em gráfico.
2 24.4 8 97.0
◻ Fazer “curve-fitting” dos pontos, obtendo a
inclinação da reta (β) e ordenada de corte 3 58.2 9 114.2
do eixo (y0). 4 68.0 10 123.2
◻ Determinar θ atraves da expressão: θ = 5 69.1 11 125.6
exp (-y0/β). 6 95.5 12 152.7
 2.5.7) Gráfico de Probabilidades
27
 2.5.8) Censura de Dados
28

◻ Em testes de vida é comum que ◻ Valores não podem ser descartados

dados sejam censurados.
◻ Formulação específica deve ser
◻ Testes que tem tempo máximo usada.
previsto e alguma peça ou
equipamento testado ainda não
falhou quando o tempo de duração
do teste acaba.

◻ Testes que param quando uma certa

percentagem do testado falha,
independente do tempo já decorrido.
 2.5.9) Algumas Considerações Sobre Lotes
Pequenos
29
◻ A escolha da expressão para o rank
da amostra apresenta influência nos
valores dos parâmetros de Weibull,
quando os lotes de amostra são
pequenos (n < 100).
◻ Se possível deve-se fazer no início
de qualquer caracterização um lote
grande o suficiente para se ter os
valores dos parâmetros de Weibull
bem difinidos.
◻ Com o tempo, a repetição das
mesmas condições de teste irão
requerer quantidades menores de
amostras.
◻ A existência de mais de um modo de
falha pode ficar evidente mesmo em
lotes pequenos.
◻ Em casos de fenômenos
multimodais, deve-se calcular os
fatores de Weibull de cada modo
particular de falha.
◻ A análise empregando-se o modelo
de Weibull não permite, sozinha, a
determinação do número correto de
modos de falha. É preciso que em
conjunto sejam empregadas técnicas
experimentais tais como microscopia
(óptica e/ou eletrônica).
 2.5.10) Número de Modos de Falha
30

Unimodal Bi ou Multi-Modal
 2.5.11) Exercícios – Weibull – (15 dias após aula)
31

◻ 1) Um lote de corpos de prova de Nitreto ◻ 2) A vida útil de 12 lâmpadas fluorescente

de Silício foram submetidos a ensaio de
flexão e a tensão de ruptura (σrup)
calculada para cada teste (em MPa). A
partir dos valores listados abaixo,
determine o Módulo de Weibull e a Tensão
de Ruptura característica desta amostra.
foi medida (em horas). Determine os
parâmetros de Weibull pelo método
Gráfico e Máxima Verossemelhança.
Compare os valores obtidos para a vida
útil média do lote, descrita pela Média
Aritmética e por Weibull.

600.4 639.6 680.1 630.7 56 70 101 123

632.5 550.2 500.3 655.2
99 128 147 133
640.1 653.1 559.1 690.2
82 112 124 142
644.3 659.2 669.3 704.1
 2.5.11) Referências Weibull
32

◻ The Weibull Analisys Handbook – 2nd Ed. – Bryan Dodson, ASQ Quality Press,
2006.

◻ Fadiga – Técnicas e Práticas de Dimensionamento Estrutural sob Cargas Reais de

Serviço – Vol. II, Jaime T.P. Castro e M.A. Meggiolaro.

◻ Realiability in Engineering Design, K.C. Kapur and L.R. Lamberson, John Wiley &
Sons, 1977.

◻ Weibull Models, D.N. Prabhakar, D.N., Xie, M., Jiang, R. (Wiley Series in
Probability and Statistics), Wiley Interscience, 2003.

◻ The New Weibull Handbook: 5th Edition, Reliability and Statistical Analysis for
Predicting Life, Safety, Supportability, Risk, Cost and Warrant Claims, Abernethy,
R., Robert Abernethy Editor, 2006.
 2.4) Determinação do Lote Mínimo Representativo
33

◻ O que se espera do lote analisado? Quais são os limites de erro ou incerteza que se
tolera?
◻ Quantas amostras serão necessárias até que seja atingidas as condições acima?
◻ Alguma equação que liga a quantidade n de amostras à precisão requerida do lote.
◻ Esta equação irá conter certas incógnitas da população, que devem ser estimadas,
para que obtenha os resultados esperados.
◻ Se houver subdivisão nos lotes, n deverá ser estabelecido para cada sub lote e
depois somado.
◻ Se mais de um item é estudado no mesmo lote, cada item irá requerer um n
diferente e conflitante com o outro. Algum critério deve ser estabelecido para
resolver isto.
◻ n obtido deve ser testado de alguma forma, para confirmar se a previsão foi
acertada.
 Critérios Usados na Determinação do Lote
Mínimo
34

◻ Podem ser usados 3 critérios para se determinar o tamanho do lote.

◻ The level of precision, sometimes called sampling error, is the range in which the true value of
the population is estimated to be. This range is often expressed in percentage points, (e.g., ±5
percent), in the same way that results for political campaign polls are reported by the media.
Thus, if a researcher finds that 60% of farmers in the sample have adopted a recommended
practice with a precision rate of ±5%, then he or she can conclude that between 55% and 65% of
farmers in the population have adopted the practice.
◻ The confidence or risk level is based on ideas encompassed under the Central Limit Theorem.
The key idea encompassed in the Central Limit Theorem is that when a population is repeatedly
sampled, the average value of the attribute obtained by those samples is equal to the true
population value. Furthermore, the values obtained by these samples are distributed normally
about the true value, with some samples having a higher value and some obtaining a lower score
than the true population value. In a normal distribution, approximately 95% of the sample values
are within two standard deviations of the true population value (e.g., mean).
 Critérios Usados na Determinação do Lote
Mínimo
35

◻ In other words, this means that, if a 95% confidence level is selected, 95 out of 100 samples will
have the true population value within the range of precision specified earlier (Figure 1). There is
always a chance that the sample you obtain does not represent the true population value. Such
samples with extreme values are represented by the shaded areas in Figure 1. This risk is
reduced for 99% confidence levels and increased for 90% (or lower) confidence levels.
 Critérios Usados na Determinação do Lote
Mínimo
36

◻ The third criterion, the degree of variability in the attributes being measured refers to the
distribution of attributes in the population. The more heterogeneous a population, the larger the
sample size required to obtain a given level of precision. The less variable (more homogeneous)
a population, the smaller the sample size. Note that a proportion of 50% indicates a greater level
of variability than either 20% or 80%. This is because 20% and 80% indicate that a large majority
do not or do, respectively, have the attribute of interest. Because a proportion of .5 indicates the
maximum variability in a population, it is often used in determining a more conservative sample
size, that is, the sample size may be larger than if the true variability of the population attribute
were used.
 A Fórmula de Cochran Para n - Populacional
37
◻ Como primeira aproximação
assumimos que:
◻ Se n0/N for considerável:
◻ n0 = primeira avaliação do tamanho do lote
mínimo.
◻ r = erro relativo.
◻ Sx = desvio padrão
◻ t = abscissa da curva normal que delimita
a área de α (erro) na cauda.
◻ xm = média.
◻ N = número total de amostras inicial
◻ Obs.: t = 1.645 (nível de confiança de 90%)
◻ t = 1.960 (nível de confiança de 95%)
◻ t = 2.576 (nível de confiança de 99%)
 Exemplo de Lote Mínimo por Cochran
38

◻ Estudo apresentado pelo site www.jped.com.br

compila dados do projeto Brasil Esportes, validos ◻
para os anos de 2004 – 2005, para altura e
massa corporal de jovens brasileiros. Da Figura
1, tem-se que:

14 anos Estatura Peso IMC

(cm) corporal (kg/m2)
(kg)
Masculino 160,3 ±6,6 51,2±8,2 20,0±3,0

Feminino 165,6 ±9,0 53,6±11,5 19,4±3,1

◻ Estes sendo valores verdadeiros para a

população de 8 milhões. Utilizando amostragem
aleatória, quantos jovens devem ser medidos
para se estimar Xm dentro de 10%. Aceitando 1
chance em 20 de estar fora (95% de
confiabilidade).
 Determinação de Lote Mínimo – Amostral –
39
Conceitos Básicos
◻ Hipótese Nula: As técnicas de inferência estatística podem ser classificadas em 2 categorias, Estimativa de
Parâmetros e Teste de Hipóteses. A hipótese estatística é uma afirmativa sobre os valores dos parâmetros
de uma distribuição de probabilidades.
◻ Exemplo: pode-se supor que o diâmetro de um eixo é igual a 30.00 mm. Pode-se expressar essa afirmação
de forma que:
H0: μ = 30.00
H1: μ ≠ 30.00
◻ A afirmação H0: μ = 30.00 é chamada Hipótese Nula e H1: μ ≠ 30.00 de Hipótese Alternativa. No exemplo
acima H1 especifica valores de diâmetro médio que são maiores ou menores do que 30.00 mm e isso é chamado
de Hipótese de Dois Lados. Dependendo do problema estudado, várias alternativas de Hipóteses de um lado
só podem ser apropriadas.
◻ Para testar uma Hipótese, toma-se um lote aleatório da população em estudo, faz-se os testes estatísticos
apropriados e então pode-se rejeitar ou não a Hipótese Nula H0. O conjunto de valores de teste que levam à
rejeição ou aceitação de H0 é chamado Região Crítica ou Região de Rejeição.
 Determinação de Lote Mínimo – Amostral –
40
Conceitos Básicos – cont’
◻ Não há teste de hipótese é 100% certo e como testes são baseados em probabilidades, sempre há a
possibilidade de se chegar a conclusão errada.
◻ Dois tipos de erros podem ser cometidos quando se testam hipóteses. Se a Hipótese Nula é rejeitada
quando na verdade ela é certa, então um erro do tipo I ocorreu. A probabilidade de cometer um erro do tipo
I é α, que é o nível de significância que foi definido para o Teste de Hipóteses. Um α de 0.05 indica que se
aceita uma chance de 5% de estar errado ao rejeitar a hipótese nula. Para reduzir este risco, deve-se usar um
valor inferior para α. Porém, usar um valor inferior para α significa que haverá menos probabilidade de se
detectar uma diferença verdadeira, se realmente existir uma. Por isso a maioria dos textos e referência
recomenda que se use 5% como valor de referência para α.
◻ Se a Hipótese Nula não é rejeitada, mas é falsa, então um erro do tipo II foi cometido. A probabilidade de
cometer um erro do tipo II é β, que depende do poder do teste. Pode-se diminuir o risco de cometer um erro
do tipo II, assegurando que o teste tenha potência suficiente. Se faz isto garantindo que o número de
amostras no lote estudado seja grande o suficiente para detectar um diferença prática, quando esta
realmente existir.
 Determinação de Lote Mínimo – Amostral –
41
Conceitos Básicos – cont’
◻ α - é apelidado de Risco do Fabricante (um bom lote pode ser rejeitado)
◻ β - é apelidado de Risco do Consumidor (um mau lote pode ser aprovado)
◻ O procedimento geral para o Teste de Hipótese é especificar um valor para a probabilidade α do erro do
tipo I e então projetar um procedimento de teste de forma que se obtenha uma probabilidade β do erro do
tipo II pequena. Controla-se diretamente ou arbitra-se o risco α. O risco β é geralmente uma função do
tamanho do lote estudado e é controlado indiretamente. Quanto maior o lote, menor será o risco β.
 Nível de Significação – α – na Distribuição t
42

◻ O nível de significação α pode ser entendido

como a área que sobra sob a curva de Gauss,
quando se definiu uma confiabilidade.
◻ O nível de significação mais comumente
usado é α = 0.05
◻ Para um teste de lado duplo, deve-se
computar 1 – α/2 ou 1 – 0.05/2 = 0.975
quando α = 0.05.
◻ Se o valor absoluto do teste estatístico for
maior que o valor crítico (0.975), deve-se
rejeitar a hipótese nula.
◻ Devido à simetria da distribuição de t, as
tabelas geralmente apresentam somente os
valores críticos positivos.
 Dado um valor Específico de α
43

◻ Para testes de dois lados, ache a coluna Correspondendo a 1 – α/2 e rejeite a Hipótese Nula se o valor
absoluto do Teste Estatístico for MAIOR que o valor de t1-α /2,ν na tabela específica.

◻ Para um teste de um lado, superior ou direito, achar a coluna correspondente a 1 – α e rejeitar a Hipótese
Nula se o valor do Teste Estatístico for maior que o valor encontrado na tabela.

◻ Para um teste de um lado, inferior ou esquerdo, achar a coluna correspondente a 1 – α e rejeitar a Hipótese
Nula se o valor do Teste Estatístico for menor que o negativo do valor encontrado na tabela.
 Valores Críticos de t de Student com v graus de
Liberdade
44
 Determinação de Lote Mínimo – Amostral –
45
Desvio Padrão Conhecido
◻

P 0.999 0.995 0.990 0.975 0.950 0.900

Zp 3.090 2.576 2.326 1.960 1.645 1.282
 Determinação de Lote Mínimo – Amostral –
46
Desvio Padrão Conhecido – Exemplo
◻
 Determinação de Lote Mínimo – Amostral –
47
Desvio Padrão Conhecido – Exemplo 2
◻
 Determinação de Lote Mínimo – Média e
48
Desvio Padrão Desconhecidos
◻
 Determinação de Lote Mínimo – Amostral – Média e
Desvio Padrão Desconhecidos - Exemplo
49

◻
 Determinação de Lote Mínimo – Amostral – Média e
Desvio Padrão Desconhecidos – Exemplo 2
50

◻
 Referências Lote Mínimo
51

◻ Sampling Techniques, 3rd ed., W.G. Cochran, John

Wiley & Sons, 1977.

◻ Introduction to Statistical Quality Control, 5th ed., D.C.

Montgomery, John Wiley & Sons, 2005.
 3) Calibração e Determinação de Incerteza em
52
Sistemas de Medida
◻ Um sistema de medição (SM) de boa qualidade deve ser capaz de operar com pequenos erros.
Seus princípios construtivos e operacionais devem ser projetados para minimizar erros
sistemáticos e aleatórios ao longo da sua faixa de medição, nas sua condições de operação
nominais.
◻ Entretanto, por melhores que sejam as características de um SM, este sempre apresentará
erros, seja por fatores internos, seja por ação das grandezas de influência externas. A perfeita
caracterização das incertezas associadas a estes erros é de grande importância para que o
resultado da medição possa ser estimado de maneira segura. Embora, em alguns casos, os
erros de um sistema de medição possam ser analítica ou numericamente estimados, na prática
são utilizados procedimentos experimentais quase que exclusivamente.
◻ Através do procedimento experimental denominado calibração é possível correlacionar os
valores indicados pelo sistema de medição e sua correspondência com a grandeza sendo
medida. Esta operação é extremamente importante e é realizada por um grande número de
entidades credenciadas espalhadas pelo país.
 3.1 ) Calibração
53

◻ Calibração é um procedimento experimental através do qual são estabelecidas, sob condições

específicas, as relações entre os valores indicados por um instrumento de medição ou sistema de
medição ou valores representados por uma medida materializada ou um material de referência, e os
valores correspondentes das grandezas estabelecidos por padrões.
◻ O resultado de uma calibração permite tanto o estabelecimento dos valores do mensurando para as indicações, como
a determinação das correções a serem aplicadas.
◻ O resultado da calibração geralmente é registrado em um documento específico denominado certificado de
calibração.
◻ A calibração pode ser efetuada por qualquer entidade, desde que esta disponha dos padrões
rastreados e pessoal competente para realizar o trabalho. Para que uma calibração tenha
validade oficial, é necessário que seja executada por entidade legalmente credenciada. No Brasil,
existe a Rede Brasileira de Calibração (RBC), coordenada pelo INMETRO - Instituto Nacional de
Metrologia, Normalização e Qualidade Industrial. Esta rede é composta por uma série de
laboratórios secundários, espalhados pelo país, ligados a Universidades, Empresas, Fundações e
outras entidades, que recebem o credenciamento do INMETRO e estão aptos a expedir
certificados de calibração oficiais.
 3.1 ) Calibração – cont. 1
54

◻ Embora a calibração seja a operação de qualificação de instrumentos e sistemas de medição

mais importante, existem outras operações comumente utilizadas:
◻ AJUSTE: Operação complementar, normalmente efetuada após uma calibração, quando o
desempenho metrológico de um sistema de medição não está em conformidade com os padrões
de comportamento esperados. Trata-sede uma "regulagem interna" do SM, executada por
técnico especializado. Visa fazer coincidir, da melhor forma possível, o valor indicado no SM,
com o valor correspondente do mensurado submetido. (Ajuste do Ponteiro).
◻ REGULAGEM: É também uma operação complementar, normalmente efetuada após uma calibração,
quando o desempenho metrológico de um sistema de medição não está em conformidade com os padrões
de comportamento esperados. Envolve apenas ajustes efetuados em controles externos, normalmente
colocados à disposição do usuário comum. (Escala Externa).
◻ VERIFICAÇÃO:
 3.1 ) Calibração – cont. 2
55

◻ VERIFICAÇÃO: A operação de verificação é utilizada no âmbito da metrologia legal, devendo

esta ser efetuada por entidades oficiais denominados de Institutos de Pesos e Medidas
Estaduais (IPEM), existentes nos diversos estados da Federação. Trata-se de uma operação
mais simples, que tem por finalidade comprovar que: um sistema de medição está operando
corretamente dentro das características metrológicas estabelecidas
◻ por lei e uma medida materializada apresenta características segundo especificações
estabelecidas por normas ou outras determinações legais.
◻ São verificados instrumentos como balanças, bombas de gasolina, taxímetros, termômetros
clínicos e outros instrumentos, bem como medidas materializadas do tipo massa padrão usados
no comércio e área da saúde, com o objetivo de proteger a população em geral. A verificação é
uma operação de cunho legal, da qual resulta a emissão de selo ou plaqueta com a inscrição
"VERIFICADO", quando o elemento testado satisfaz às exigências legais. É efetuada pelos
órgãos estaduais denominados de Institutos de Pesos e Medidas (IPEM) ou diretamente pelo
INMETRO, quando trata-se de âmbito federal.
 3.2) Incerteza de Medição
56
◻ Significa “dúvida acerca do resultado da
medição”.
◻ Formalmente defini-se incerteza como: “
parâmetro associado com o resultado de uma
medição, que caracteriza a dispersão de valores
que podem ser atribuidas ao mensurando”.
◻ A incerteza não corresponde ao erro aleatório do
sistema de medição, embora seja uma das sua
componentes. Outras componentes são
decorrentes da ação de grandezas de influência
sobre o processo de medição efetuadas,
resolução limitada, etc...
◻ Não uma relação matemática explícita entre a
incerteza de um processo de medição e a
repetitividade de um sistema de medição.
◻ A incerteza é normalmente expressa em termos
de incerteza padrão, incerteza combinada ou da
incerteza expandida.
◻ A incerteza padrão (u) de um dado efeito aleatório
corresponde à estimativa equivalente a um desvio
padrão da ação deste efeito sobre a indicação.
◻ A incerteza combinada (uc) de um processo de
medição é estimada considerando a ação simultânea
de3 todas as fontes de incerteza e ainda corresponde
a um desvio padrão da distribuição resultante.
◻ A incerteza expandida (U) é a grandeza que define um
intervalo em torno de resultado de uma medição com
o qual se espera abranger uma grande fração da
distribuição dos valores que possa ser razoavelmente
atribuida ao mensurando.
◻ A incerteza pode ser classificada com do tipo A ou B.
◻ Tipo A vem da analise estatística de uma série de
observações.
◻ Tipo B é obtido de outras fontes tipo certificados de
calibração e dados técnicos do fabricante.
 3.2) Incerteza de Medição – cont.
57

◻ Avaliação do tipo B pode ser tão confiável quanto a A,

especialmente em uma situação de medição onde a Nível de Confiança p (%) Fator de Abrangência Kp
avaliação de A é baseada em número pequeno de
observações estatisticamente independentes.
68.27 1.000
◻ Se a estimativa de xi for obtida de uma especificação
do fabricante, certificado de calibração ou qualquer
outra fonte que cite a existência de um múltiplo do 90.00 1.645
desvio padrão, o valor deve ser dividido antes de ser
usado, pelos fatores da tabela ao lado. 95.00 1.960
◻ Na medição indireta, a obtenção da incerteza
expandida só é possível após a obtenção da incerteza
padrão combinada. Para estimar a a incerteza 95.45 2.000
expandida neste caso também multiplica-se a
incerteza padrão combinada pelo fator de 99.00 2.576
abrangência, que pode ser obtido a partir da
distribuição “t”, em função do numero de graus de
liberdade efetivos (veff) da incerteza padrão 99.73 3.000
combinada, obtida a partir da equação abaixo:

◻ onde
 3.2) Incerteza de Medição – cont. 2
58

◻ vi = grau de liberdade de ui Erro de tendência pessoal na leitura de

instrumentos analógicos
◻ Se ui é obtido por meio de uma avaliação Resolução finita do instrumento.
Tipo A, vi = n – 1, para uma grandeza
Valores inexatos dos padrões de medição e
única estimada pela média aritmética de n materiais de referência.
observações independentes.
Aproximações e suposições incorporadas ao
◻ Se ui é obtido é obtido por meio de uma método e procedimento de medição
avaliação tipo B e pode ser tratado Variações nas observações repetidas do
exatamente como conhecido, vi ∞ mensurando sob condições aparentemente
idênticas.
◻ Na prática existem muitas fontes possíveis
de incerteza:
Definição incompleta do mensurando
Realização imperfeita da definição do
mensurando
Amostragem não-representativa
 3.2) Incerteza de Medição – cont. 3
59

◻ A Incerteza Expandida é apresentada na

forma de kp.u(x) e kp é dado pela tabela
anterior.
◻ Desta forma se deseja-se a Incerteza
Expandida a uma confiabilidade de 95%,
por exemplo, tem-se U95 = 1.96u(x).
 3.3) Tipos de Incerteza – Quanto à Dependência
60

◻ Grandezas Estatisticamente Dependentes:

◻ Grandezas Estatisticamente Independentes:

◻ Combinação de Grandezas de Entrada Estatisticamente

Dependentes e Independentes:
 3.3.1) Exemplo de Grandezas Estatisticamente
61
Dependentes
◻ Deseja-se calcular a incerteza associada ◻ Após a estimativa das incertezas padrão
com cálculo do volume de uma peça em associadas, foram encontradas os
forma de paralelepípedo. Para tal será seguintes resultados para cada grandeza
usado um paquímetro calibrado segundo a medida:
norma ISO, que deverá realizar todas as a = 140.34 mm u(a) = 0.02 mm
medidas de a, b e c. Sabendo-se que: b = 20.40 mm u(b) = 0.01 mm
V = a.b.c c = 12.35 mm u(c) = 0.01 mm
◻ A expressão para incerteza é: ◻ E as derivadas parciais são:

◻ Onde u(a), u(b) e u(c) são retiradas do ◻ Que leva a:

certificado de calibração do paquímetro.
 3.3.1) Exemplo de Grandezas Estatisticamente
Dependentes – cont.
62

◻ A equação anterior permite estimar a ◻ Substituindo-se os valores de a, b, c e

incerteza associada ao volume obtido nas suas incertezas padrão na equação acima,
condições especificadas. Entretanto, esta chega-se a:
equação pode ser rearranjada de forma a
tornar-se mais simples. Para tal ambos os
membros são divididos por V, assim o que
sobra da equação anterior é:
◻ Ou seja, uc(V)/V = ± 0.001442 mm3

◻ Que simplificada resulta em: ◻ Portanto o volume do material poderá ser

dado como:
 3.3.2) Exemplo de Grandezas Estatisticamente
Dependentes – cont. 2
63

◻ u(v) = 0.001442 x 35357.2596 =

51.00015 mm3

◻ Ou seja:

◻ v = 35357.26 mm3
◻ u(v) = ±51.00 g/mm3
 3.3.2) Exemplo de Grandezas Estatisticamente
Independentes
64

◻ Determine a incerteza na determinação da ◻ Para aplicar esta equação, deve-se utilizar

velocidade média de um projétil a partir do
tempo “t” que este leva para percorrer a
distância “d” entre dois sensores. A
distância medida, sendo encontrada d =
(182.4 ±0.4) m, determinado com 20 graus
de liberdade efetivos (v = 20, n = 21) e t =
(52.6 ± 0.3) ms, determinado com 12
graus de liberdade. Já incluindo a
influência dos sensores e suas
imperfeições.
◻ Solução: A velocidade média é calculada
por v = d/t. Por serem medidas com
instrumentos diferentes e provavelmente
em momentos diferentes, as grandezas
envolvidas são certamente independentes.
as incertezas padrão de “d” e “t”, o que
pode ser obtido a partir da divisão da
incerteza expandida pelo respectivo fator
de abrangência. Os valores de k95 para 20
e 12 graus de liberdade são 2.13 e 2.23
(ver tabela de t de Student). Assim:
◻ u(d) = 0.4/2.13 = 0.188 m
◻ u(t) = 0.3/2.23 = 0.135 ms
◻ A incerteza padrão combinada pode ser
determinada por:
 3.3.2) Exemplo de Grandezas Estatisticamente
Independentes – cont. 1
65

◻ Sendo o valor nominal dado por: v =
182.4m/52.6 ms = 3467.7 m/s
◻ A estimativa da incerteza padrão u(v) será:
◻ O número de graus de liberdade será:
◻ Logo k95 = 2.17 (tabela de t de Student,
95% de confiabilidade).
◻ Assim a incerteza expandida será:
◻ U95(v) = 2.17 x 9.59 = 20.8 m/s com 16
graus de liberdade.
◻ E a velocidade pode ser expressa por:
◻ v = (3468 ± 21) m/s
 3.3.3) Exemplo de Combinação de Grandezas
66

◻ Na determinação da massa específica (ρ) ◻ Sabendo-se que ρ = m/V = 4m/πD2h

de um material usou-se um processo ◻ As derivadas parciais de ρ em relação a
indireto medindo-se com uma balança a
cada grandeza independente:
massa (m) de um cilindro cujo diâmetro
(D) e altura (h) foram determinados por um
micrômetro e um paquímetro
respectivamente. Após a estimativa das
incertezas padrão associadas, foram
encontradas os seguintes resultados para
cada grandeza medida:

◻ Que leva a:
m = 1580 g u(m) = 10 g
D = 25.423 mm u(D) = 0.003 mm
h = 77.35 mm u(h) = 0.05 mm
 3.3.3) Exemplo de Combinação de Grandezas –
cont.
67

◻ A equação anterior permite estimar a ◻ u(ρ)/ρ = ± 0.00637

incerteza associada à massa específica
obtida nas condições especificadas.
Entretanto, esta equação pode ser ◻ Portanto a massa específica do material
rearranjada de forma a tornar-se mais poderá ser dada como:
simples. Para tal ambos os membros são
divididos por ρ, assim o que sobra da
equação anterior é:

◻ u(ρ) = 0.00637 x 0.040239 = 0.0002563 g/mm3

◻ Substituindo-se os valores de m, D, h e ◻ Ou seja:

suas incertezas padrão na equação acima, ◻ ρ = 0.04024 g/mm3
chega-se a:
◻ u(ρ) = ±0.00025 g/mm3
 3.5) Algumas Distribuições de Freqüência e Suas
Incertezas Padrão - Distribuição Normal
68

f(x)

95,45%

2σ 2σ
-a +a
 Algumas Distribuições de Freqüência e Suas
Incertezas Padrão – Distribuição Retangular
69

f(x)

-a +a
 Algumas Distribuições de Freqüência e Suas
70
Incertezas Padrão – Distribuição Triangular
f(x)

-a +a
 Algumas Distribuições de Freqüência e Suas
Incertezas Padrão – Distribuição em “U”
71

f(x)

-a +a
 Referências Calibração e Determinação de
Incerteza
72

◻ Apostilas do LabMetro: www.labmetro.ufsc.br

◻ W. Link, “Tópicos Avançados da Metrologia
Mecânica”, edição pessoal, 2000.
◻ Guia Para a Expressão da Incerteza de Medição,
Inmetro, 1998.
◻ Vocabulário Internacional de Metrologia – VIM 2008,
Inmetro, 2009.