Escolar Documentos
Profissional Documentos
Cultura Documentos
Cálculo de Incerteza
Instrutor:
Dorival Leão
Dezembro / 2007
ii
Sumário
3 Estudos de Estabilidade 68
Capı́tulo 1
Nosso curso de incerteza de medição está dividido em duas partes. A primeira parte contem-
pla as técnicas estatı́sticas e os fundamentos do cálculo de incerteza, enquanto que a segunda
parte contempla as aplicações para calibrações especı́ficas. A seguir, vamos apresentar os con-
ceitos básicos de Estatı́stica necessários para expressarmos a incerteza em medições.
1.1 Introdução
Com a finalidade de estudar métodos estatı́sticos utilizados para expressarmos a incerteza
de medição, faremos inicialmente uma breve abordagem aos conceitos básicos de Estatı́stica.
Ao efetuarmos uma medição, diversas fontes de variação estão presentes. A temperatura,
umidade, resolução do instrumento entre outras, fazem com que o valor de um mensurado tenha
variação.
A variabilidade está presente em todo lugar. Ao estacionar um carro em sua garagem, a
posição do carro na garagem não é a mesma ao longo dos dias. A posição do carro apresenta
uma variação. As técnicas estatı́sticas são utilizadas para avaliarmos as variações. A aplicação
de técnicas estatı́stica envolve várias etapas:
• Modelos Estatı́sticos.
1. Noções Básicas de Estatı́stica 2
• Quais informações adicionais serão necessárias para estudos futuros, referências ou recon-
hecimento?
-0.012 0.003 0.015 0.012 -0.018 0.013 -0.015 0.002 -0.006 0.012
0.008 -0.001 0.000 0.003 -0.008 0.008 0.017 0.013 0.002 -0.002
-0.002 0.006 -0.021 -0.001 0.000 0.007 -0.009 0.018 0.000 0.010
-0.006 0.000 0.009 -0.011 0.000 -0.006 -0.001 0.012 0.004 -0.002
0.000 -0.012 0.001 0.006 0.000 -0.002 -0.004 0.012 0.003 0.020
0.024 -0.003 -0.011 -0.007 -0.009 0.018 -0.017 0.006 -0.004 0.019
0.016 0.012 -0.002 -0.007 -0.013 0.008 -0.013 0.001 0.017 0.012
0.006 0.008 0.004 0.002 0.006 0.000 -0.008 0.017 -0.002 0.019
-0.005 -0.008 0.013 -0.004 0.001 -0.005 0.000 -0.007 0.012 -0.003
0.004 0.002 -0.004 0.002 0.011 -0.012 -0.011 0.003 0.002 -0.006
Ao se estabelecer intervalos, está-se admitindo que o desvio pode assumir qualquer valor
entre o limite inferior, inclusive, e o limite superior, exclusive. A exposição dos dados pode ser
feita através de tabela e/ou gráficos. Inúmeros gráficos auxiliam na apresentação e interpretação
dos fatos, mas destacaremos os mais usuais.
casos há necessidade de se efetuar operações numéricas para se chegar a conclusões mais sólidas.
Devido ao fato de dados quantitativos serem os mais freqüentemente encontrados no estudo de
Sistemas de medição, desenvolveremos os métodos de análise para estes tipos de dados.
Dados Contı́nuos:
Vejamos o exemplo 1.1, com APURAÇÃO na tabela 1.2. Note que neste exemplo a variável
de interesse é o ”Desvio”enquanto que “Número de Desvios” representa a freqüência de medidas
em cada intervalo (Tabela 1.2).
Definições:
12
p4 = 100% = 12%
100
Freqüência Acumulada: É o total acumulado (soma) de todas as classes anteriores até
a classe atual. Pode ser Freqüência Acumulada Absoluta (Fi ), Freqüência Acumulada Relativa
(F ri ), ou Freqüência Acumulada Percentual (Pi ).
Ponto Médio (xi ): É obtido somando o limite inferior e o limite superior de cada intervalo
e dividindo o resultado por 2. Este ponto se constitui no valor representativo de cada intervalo.
No caso do primeiro intervalo, no exemplo dado, temos:
−0.021 + (−0.017)
x1 = = −0.019
2
Agora que temos estas quantidades definidas, vamos usar o exemplo que estamos acom-
panhando e mostrar todas elas através de uma tabela completa. Como Freqüência Acumulada
iremos apresentar somente a Freqüência Acumulada Percentual.
Algumas indicações na construção da distribuição de freqüências são:
1. Noções Básicas de Estatı́stica 5
amplitude R
L= o =
n de classes c
1.5 Histograma
Uma representação gráfica da distribuição de freqüência, como as anteriores, é o Histograma.
É um gráfico onde a freqüência relativa do intervalo i (f ri ) é representada pela área de um
retângulo que é colocado acima do ponto médio da classe i. Consequentemente, a área total do
histograma (igual a soma das áreas de todos os retângulos) será igual a ”1”. No caso em que
os intervalos sejam de tamanhos (amplitudes) iguais, as alturas dos retângulos serão iguais às
freqüências relativas (ou iguais às freqüências absolutas) dos intervalos correspondentes. Para
a distribuição de freqüências da tabela 1.3, o histograma correspondente é o seguinte:
Ao analisarmos a distribuição de freqüência dos desvios, observamos que 15% das ob-
servações encontram-se entre −0, 005 a −0, 001 e que pelo menos 10% das observações estão
acima de 0, 015.
• µ : média da população.
• n : tamanho da amostra.
Dado uma população e uma amostra {x1 , . . . , xn } retirada desta população, a média amostral
é dada por :
x1 + x2 +, . . . , +xn
x=
n
Exemplo 1.2. No exemplo dos desvios das 100 leituras x= 0, 00161. Confira !!! O ideal é que
o desvio seja zero. Entretanto, há um pequeno deslocamento.
Exemplo 1.3. Foram realizadas 5 leituras de uma massa padrão com valor nominal 2, 45g
com um comparador. Os valores foram: 2, 45; 2, 46; 2, 45; 2, 44; 2, 45. A média amostral para
as medidas da massa é:
2, 45 + 2, 46 + 2, 45 + 2, 44 + 2, 45 12, 25
x= = = 2, 45 .
5 5
A média das 5 leitura é x= 2, 45.
Mediana: Para calcular a mediana devemos, em primeiro lugar, ordenar os dados do menor
para o maior valor. Se o número de observações for ı́mpar, a mediana será a observação central.
Se o número de observações for par, a mediana será a média aritmética das duas observações
centrais.
Notação : A mediana será denotada por x̃.
Exemplo 1.4. Nos dados referentes ao exemplo 1.3, obtemos a seguinte ordenação: 2, 44; 2, 45;
2, 45; 2, 45; 2, 46.
Como o número de observações é ı́mpar, a mediana é o valor central, isto é, x̃ = 2, 45.
68 + 69
x= = 68, 5
2
Moda: A moda de um conjunto de valores é o valor que apresenta a maior freqüência.
Notação: A moda será denotada por Mo.
No exemplo 1.4, a moda é Mo = 2,45. Confira !
1. Noções Básicas de Estatı́stica 8
Exemplo 1.6. Os comprimentos de 8 rolos de fio de aço foram: 60, 65, 67, 68, 69, 70, 72, 77
. A amplitude deste conjunto é :
R = 77 − 60 = 17
Para definirmos desvio padrão é necessário definir variância. A notação mais comumente
usada é :
Desvio Padrão:
• s2 : Variância amostral.
• σ 2 : Variância populacional.
A variância de uma amostra {x1 , . . . , xn } de n elementos é definida como a soma dos quadra-
dos dos desvios de elementos em relação à sua média amostral x̄ dividido por (n − 1). Ou seja,
a variância amostral é dada por:
n
2
X (xi − x)2
s =
i=1
n−1
Exemplo 1.7. Suponha a amostra dos comprimentos de 8 rolos de fio de aço cujos valores
foram: 65, 72, 70, 77, 60, 67, 69, 68 metros. Para calcularmos o desvio padrão devemos
primeiramente calcular a média X, isto é:
1. Noções Básicas de Estatı́stica 9
65 + 72 + 70 + 77 + 60 + 67 + 69 + 68
x̄ = = 68, 5
8
Agora vamos subtrair x de cada valor, elevar os resultados ao quadrado e somá-los. Então
dividimos o total dos quadrados pelo número de valores menos 1, ou seja, por (n−1) e extraı́mos
a raiz quadrada:
(x − x) (x − x)2
65 - 68.5 = −3.5 (−3.5)2 = 12.25
72 - 68.5 = 3.5 (3.5)2 = 12.25
70 - 68.5 = 1.5 (1.5)2 = 2.2
2
77 - 68.5 = 8.5 (8.5) = 72.25
2
60 - 68.5 = −8.5 (−8.5) = 72.25
67 - 68.5 = −1.5 (−1.5)2 = 2.25
69 - 68.5 = 0.5 (0.5)2 = 0.25
68 - 68.5 = 0.5 (0.5)2 = 0.25
Total = 174.00
174 √
s2 = = 24 ⇒ s = 24 ⇒ s = 4.9
7
Portanto o desvio padrão é 4.9.
Exemplo 1.8. No exemplo 1.1, que trata os desvios das leituras do micrômetro referente ao
valor do padrão, o desvio padrão é igual a 0.00957. Confira !!!.
1.8 Probabilidade
Os dados são originados de uma amostra de medições realizadas com a aplicação do pro-
cedimento de medição, equipamentos e operadores. Estas medições apresentam variações que
podem ser analisadas através da distribuição de freqüências (visualmente, o histograma). Ob-
serve que a variação obtida pelos desvios das leituras do micrômetro em blocos padrão (exemplo
1.1) pode ser caracterizado pela freqüências relativas,por exemplo, 15% dos desvios estão entre
−0.005 e −0.001 mm).
Uma forma de modelarmos a variabilidade presente nos dados relativos a quaisquer amostras
é a probabilidade. Considere H uma haste de aço, um experimento é realizado para se obter
o comprimento da haste H. Este experimento é realizado n vezes de forma independente,
isto é, cada realização do experimento é independente das outras realizações do experimento.
1. Noções Básicas de Estatı́stica 10
a) Prob (Ω) = 1
A distribuição dos ”desvios”do Exemplo 1.1 tem uma forma parecida com a distribuição
normal. Volte e confira!!
Se concluirmos que o modelo da distribuição normal é adequado para caracterizar a vari-
abilidade, podemos calcular probabilidade do resultado da medição estar entre determinados
intervalos, calculando a área sob a curva naquele intervalo. Então, a probabilidade de um
evento A ocorrer é dado por
Z
P rob(A) = f (x) dx
A
Para achar a área sob a curva normal devemos conhecer dois valores numéricos (também
chamados de parâmetros), a média µ e o desvio padrão σ. O gráfico a seguir (figura 1.3) mostra
1. Noções Básicas de Estatı́stica 12
Exemplo 1.9. A área sob a curva normal para Z maior do que 4.00 é 0.00003. Ou seja, a
probabilidade de Z ser maior do que 4.00 é 0.003%. Veja o gráfico!
Exemplo 1.10. : A área sob a curva para Z maior do que 1.00 é 0.1587. Ou seja, a probabi-
lidade de Z ser maior do que 1 é 15.87%, veja figura 1.5.
Exemplo 1.11. A área sob a curva para Z maior do que 1.19 é 0.1170,ou seja, a probabilidade
de Z ser maior do que 1.19 é 11.70%.
Exemplo 1.12. A área sob a curva para Z menor do que 2.00 não é fornecida diretamente
pela tabela. Então devemos encontrar a área para Z maior do que 2.00. Em seguida fazemos
1. Noções Básicas de Estatı́stica 13
1 menos a área encontrada e temos a área desejada. A área sob a curva para Z maior do que
2.00 é 0.0228. A área desejada é 1 − 0.0228 = 0.9772. Ou seja, a probabilidade de Z ser menor
do que 2.00 é 97.72%.
Quando se tem uma variável X com distribuição normal com média µ diferente de 0 (zero)
e/ou desvio padrão diferente de 1 (um), devemos reduzi-la a uma Z, efetuando o seguinte
cálculo:
X −µ
Z=
σ
Exemplo 1.13. Considere uma variável X com distribuição normal com média µ = 4.888 e
1. Noções Básicas de Estatı́stica 14
desvio padrão σ = 0.31949, se quisermos calcular a probabilidade de X ser inferior a 5.0 mm,
fazemos:
5.0 − 4.888
Z= = 0.35
0.31949
Usando a tabela da normal padronizada, temos que a área sob a curva e abaixo de 0.35 é
0.6368. Ou seja, a probabilidade de X ser inferior a 5.0 mm é 63.68%.
1. Noções Básicas de Estatı́stica 15
Exemplo 1.14. Suponha que a variação nas espessuras das arruelas possa ser modelado pela
distribuição normal com média 11.15 e desvio padrão 2.238. Qual a porcentagem de arruelas
que tem espessura entre 8.70 e 14.70?
Temos que encontrar dois pontos da distribuição normal padronizada. O primeiro ponto é:
8.70 − 11.15
Z1 = = −1.09
2.238
A área para valores maiores do que −1.09 é 0.8621 ou 86.21%. O segundo ponto é:
14.70 − 11.15
Z2 = = 1.58
2.238
A área para valores maiores do que 1.58 é 0.0571 ou 5.71%. O que procuramos é a área
entre Z1 e Z2, como mostram os gráficos a seguir:
Portanto, fazemos:
0.8621 − 0.0571 = 0.8050
Exercı́cio 1.1. Com os dados do exemplo 1.1, relativos aos desvios, utilize a distribuição
normal para calcular a probabilidade de que o módulo dos desvios seja maior 0.02.
x1 + x2 + · · · , +xn
x=
n
v
u n
√ uX (xi − x)2
2
s= s =t .
i=1
n − 1
respectivamente. Por outro lado, o desvio padrão relativo a média das medidas é dado por
1. Noções Básicas de Estatı́stica 18
s
sx = √
n
Observe que quanto maior o número de leituras melhor é a aproximação da média amostral
em relação a média populacional. Da mesma forma, quanto maior o número de leitura menor
o desvio padrão da média.
Exercı́cio 1.2. Calcule a média e o desvio padrão da média para os seguintes dados:
Onde,
s
Repetitividade = Desvio padrão da média = sx = √
n
Repetitividade Total do Sistema (Rptotal ):
• Maior Repetitividade;
Com isso,
Rptotal = M aiorRepetitividade =
Com isso, sP
j
i=1Rep2i
Rptotal = =
j
onde:
Exercı́cio 1.3. Considere o sistema de medição para o furo de um pistão de automóvel. Esta
dimensão apresenta uma tolerância (Limite Superior de Especificação-Limite Inferior de Es-
1. Noções Básicas de Estatı́stica 19
b) Montar o histograma.
c) Calcular a média.
30
X
xi
i=1 570002
x= = =
30 30
d) Calcular o desvio-padrão.
30
X
(xi − x)2
i=1 52, 4344
s2 = = =
n−1 30 − 1
e) Dado que o verdadeiro diâmetro do furo de uma peça é 19001.Utilize a distribuição normal
para calcular a probabilidade do sitema de medição reprovar essa peça.
de dados aumenta. Para ilustrar, considere os dados da tabela 1.7 com histograma apresentado
na figura 1.10.
0,18039 0,06105 0,33264 1,0589 0,04611 2,07919 0,16426 0,13756 2,25764 0,69611 0,00666 1,43685
0,04858 0,05189 0,04937 4,0006 2,44309 1,19279 0,36034 0,14896 1,02117 0,22775 0,19664 0,67209
2,04899 0,00578 0,24781 0,43687 0,02991 0,52321 1,19931 0,97063 0,65404 1,2899 0,56337 0,28809
0,29371 0,07804 0,483 0,2983 3,75236 0,283 0,01252 0,07863 1,51493 0,58831 0,40478 0,12692
1,82698 0,9184 1,30431 0,68007 3,9539 1,00186 2,1392 0,65945 2,44657 2,26175 0,04064 0,90853
0,70571 2,32028 1,44356 1,04687 3,07768 0,91547 1,0711 0,78354 0,10735 1,8086 3,58991 0,28985
0,10034 1,09242 0,11591 0,93788 0,86555 0,11135 0,22064 2,54724 2,32252 0,21121 0,99732 0,73894
0,18068 0,03391 0,33554 2,82354 0,21896 0,61599 2,70122 0,59041 0,9296 0,37208 0,96049 0,97886
1,67637 0,3829 0,66678 1,27616 0,15644 1,49853 0,2438 0,69662 0,03946 1,68575 1,68336 1,97248
0,75177 0,14673 0,85142 0,60226 0,10131 0,00041 1,04934 0,71689 0,6841 0,40779 0,655 2,59891
1,86995 0,11694 1,0702 5,24055 0,91629 0,74449 1,54706 1,71929 0,57949 0,06082 4,50549 1,31121
1,20456 1,32523 0,15098 3,82457 2,21574 1,24752 3,01742 0,48124 0,50226 0,752 0,07319 0,7532
1,84546 1,00032 0,18113 1,95966 0,12043 0,02755 1,12134 0,15825 0,39719 0,73928 0,75933 0,98665
0,20692 1,04208 0,77392 0,53456 0,37931 0,55943 0,1528 0,32622 1,34607 0,1881 0,63464 0,01368
1,07056 1,56307 3,97567 0,12068 0,0591 0,09311 0,13433 1,13353 0,06729 0,73302 3,68017 0,36334
0,33364 0,10242 0,24987 0,436 0,63775 0,92961 0,1736 0,5642 0,07914 1,69506 3,81342 1,18567
0,835 1,0241 1,75904 0,655 1,5316 2,38105 1,31363 4,87441 1,87911 1,19198 4,01736 0,98998
0,97558 0,70493 0,02362 1,8392 0,23149 0,42528 0,70005 0,81429 0,14648 1,14152 1,63649 0,42354
0,49084 0,42526 0,21363 1,71473 0,1912 0,30273 0,50795 0,59502 0,0055 0,99069 0,05411 0,08015
1,88966 2,54082 0,05887 0,49302 1,94563 2,88959 0,76715 0,08922 1,50332 1,44135 0,25575 0,52356
1,21121 1,63265 2,49013 0,58964 0,73067 0,5809 0,20309 1,19891 0,41577 4,83329 0,83598 3,31921
0,3745 0,55206 0,96108 0,87766 0,52777 0,10678 0,89247 0,68666 0,40921 3,13698 0,15909 0,78276
1,19616 1,31787 0,1115 0,3589 0,61516 2,2579 0,5537 1,12084 1,18308 5,6274 0,38246 1,26049
0,30181 1,88888 0,9136 1,7155 0,49844 1,80252 0,78627 2,30031 0,37888 0,27255 0,13101 0,25451
3,21402 2,01428 1,5868 0,01396 0,31211 1,41659 0,20996 0,56251 0,64183 0,7217 0,01722 0,2567
0,0903 2,67363 0,38425 0,17188 4,38611 0,47624 1,7204 1,97416 0,15397 0,20741 1,23387 0,83222
2,61544 0,34815 3,7862 0,17602 0,49381 1,11899 0,33027 0,91986 1,10484 0,3501 0,6366 0,64013
0,49725 0,29042 2,32141 0,56294 1,10058 0,23771 0,16611 0,19464 0,53044 1,10223 2,63819 1,73767
0,35147 0,13475 2,31799 1,42038 0,28477 0,61507 0,70722 0,16977 2,07863 0,21453 2,31535 0,06885
0,97265 0,05683 0,08027 0,6846 0,29454 0,40381 0,38346 0,3467 0,08971 0,29033 0,71624 2,05792
0,77907 0,04533 1,21407 0,15632 1,54651 1,03375 0,20112 0,21492 1,23729 0,02209 1,92794 1,81139
0,25324 0,06947 0,14656 1,43476 0,58053 0,2361 1,30842 0,90432 0,38311 0,01359 0,2938 1,03444
0,57609 0,00047 0,15099 0,74214 0,88673 1,0456 3,40522 1,31729 0,19672 0,84027 0,38748 1,29327
Notamos que o gráfico mostra que o conjunto de dados segue uma distribuição não simétrica,
mas se agruparmos os valores do conjunto de dados em grupos de 5 e tirando a média de cada
grupo, temos o seguinte gráfico (figura 1.11):
Percebemos que a média dos dados foi deslocada, fazendo com que os dados mudassem suas
caracterı́sticas de simetria. Novamente, vamos agrupar os dados em grupos de 5 e tirar a média.
O resultados estão na figura 1.12.
Como percebemos, este gráfico já possui uma distribuição similar a da distribuição normal.
Teorema do Limite Central: Para amostras grandes, a distribuição amostral da
média pode ser aproximada pela distribuição normal.
Se combinarmos esse resultado com
µx = µ e σx = √σ
n
para amostras aleatórias de populações infinitas, temos que se é a média de uma amostra
aleatória de tamanho n retirada de uma população infinita com média e desvio padrão X , para
n grande
1. Noções Básicas de Estatı́stica 22
X −µ
z= √
σ/ n
representa os valores de uma variável aleatória com distribuição normal com média zero e desvio
padrão igual a 1.
O Teorema Central do Limite é de fundamental importância em estatı́stica porque justifica
o intenso uso da curva normal. Ele se aplica à populações infinitas, e também em populações
finitas quando n, embora grande, constitui-se em uma pequena porção da população. É difı́cil
dizer precisamente quão grande deve ser n para que o Teorema Central do Limite possa ser
aplicado, mas a menos da distribuição populacional tenha uma forma muito ”estranha”n = 30
é considerado suficientemente grande.
Nota: Quando uma amostra proveniente de uma população realmente normal, a distribuição
amostral da média é normal não importando o tamanho de n.
1. Noções Básicas de Estatı́stica 23
tem distribuição qui-quadrado com n graus de liberdade (χ2n ). A função densidade da qui-
quadrado é definida por:
1
f (x) = x(n/2)−1 exp(−x/2) ; x > 0.
2n/2 Γ(n/2)
tem distribuição qui-quadrado com (n-1)graus de liberdade, onde s é o desvio padrão amostral.
Graus de liberdade
Ao denotarmos
n
X
SS = (yi − y)2 = (n − 1)s2
i=1
obtemos que
n
" # " n # n
X X X σ2
E(SS) = E (yi − y)2 = E yi2 − n(y)2 = (µ + σ 2 ) − n(µ + )2 = (n − 1)σ 2 .
i=1 i=1 i=1
n
n
X
(yi − y).
i=1
que as leituras realizadas por um equipamento são modeladas por variáveis X1 , ..., Xn indepen-
dentes e com distribuição normal com média e desvio padrão. Então, a variável
X −µ
t= √
s/ n
onde s é o desvio padrão amostral, tem distribuição t-student com n − 1 graus de liberdade.
ν(graus de liberdade) = n − 1.
Exemplo 1.15. A média de uma série de dez medições de uma anel padrão é 40,0078 mm
com um desvio padrão de 0,0002 mm. Qual o intervalo do resultado da medição com confiança
de 95% ?
Solução
Graus de liberdade: 10 - 1 = 9
X −µ
P rob[−t2.5 ≤ √ ≤ t2.5 ] = 0, 95.
s/ n
O intervalo de 95% é dado por:
s
X ± t2,5 √
n
onde t2,5 é o valor tabelado igual a 2,262. Assim, o intervalo de confiança com 95% é :
0, 0002
40, 0078 ± 2, 262 √ = 0, 000143.
10
Exercı́cio 1.4. Continuando o exercı́cio 1.3, a mesma peça que foi medida no chão de fábrica
da empresa, foi enviada ao laboratório de Metrologia para determinar o valor de referência.
Após 100 medições da peça, o laboratório da RBC determinou o valor de referência para a
peça VR=19001 µm. Avaliar a consistência das medições da empresa com relação ao valor
de referência (estudo de tendência). Na seqüência vamos determinar o intervalo de confiança
para a média das medições da empresa.
s
LI = X − t2,5 √ =
n
s
LS = X + t2,5 √ =
n
Conclusão:
1. Noções Básicas de Estatı́stica 27
m + n m m2 m −1
Γ x2
2 n
f (x) = h i h i h i m+n .
m n m 2
Γ Γ x+1
2 2 n
(n1 − 1)s21
Q1 = ∼ χ2(n1 −1)
σ12
(n2 − 1)s22
Q2 = ∼ χ2(n2 −1)
σ22
1. Noções Básicas de Estatı́stica 28
Q1
n1 − 1 s2
F = = 12
Q2 s2
n2 − 1
H0 : σ12 = σ22
H1 : σ12 6= σ22
que é equivalente a
σ2
H0 : 12 = 1
σ2
σ12
H1 : 2 6= 1.
σ2
3) Determinar a região crı́tica; neste caso devemos determinar os pontos crı́ticos F1− α2 e
F α2 com (n1 − 1) graus de liberdade no numerador e (n2 − 1) graus de liberdade no
denominador usando a tabela da distribuição ”F de Snedecor”. Graficamente:
s21
Fobs =
s22
onde:
5) Conclusão, neste caso se Fobs < F1− α2 ou Fobs > F α2 , rejeita-se H0 , caso contrário, aceita-se
H0 .
6) Temos que
1. Noções Básicas de Estatı́stica 29
Exemplo 1.16. Para avaliar a eficácia de um sistema de medição, uma empresa enviou uma
peça para um laboratório do cliente medir. Esta peça foi medida 30 vezes pelo laboratório
cliente, obtendo uma variância de 70 microns. A mesma peça foi medida também 30 vezes
pelo laboratório da empresa obtendo uma variância de 81 microns. Considerando α = 0, 05,
podemos concluir que a variância do sistema de medição do cliente é menor que a variância do
sistema de medição da empresa?
Resposta:
1. Noções Básicas de Estatı́stica 30
1)
H0 : σ12 = σ22
H1 : σ12 6= σ22
2) α = 0.05.
3) Região crı́tica
S12 81
4) Fobs = 2 = 70 = 1, 157
S2
5) Conclusão: F0.975 = 0, 476 e F0.025 = 2, 1
6) Temos que
|xi − x̄|
Z =
s
onde
Exemplo 1.17. Um metrologista realizou uma série de medidas com uma Régua graduada. As
medidas são: 20,1; 19,9; 20,2; 19,9; 21,1; 20,0.
Para sabermos se o resultado 21,1 pertence à mesma distribuição dos outros 5 , aplicamos
o Teste de Dixon.
21, 1 − 20, 2
ZH (suspeito) = = 0, 75
21, 1 − 19, 9
19, 9 − 19, 9
Z1 (suspeito) = = 0
21, 1 − 19, 9
Como o valor calculado de ZH (suspeito) é maior do que o valor tabelado conclui-se pela
rejeição da medida 21,1mm.
Como o valor calculado de Z1 (suspeito) é menor do que o valor tabelado conclui-se pela
não rejeição da medida 19,9mm. Após a rejeição de um dos extremos devemos aplicar
mais uma vez o Teste de Dixon nos novos valores extremos.
1. Noções Básicas de Estatı́stica 33
Exercı́cio 1.5. Considere um sistema de medição do diâmetro por uma coluna pneumática.
O equipamento realizou 8 medições, conforme abaixo: 12,5013; 12,5012; 12,5016; 12,5015;
12,5018; 12,5030; 12,5022; 12,5022.
Q10 H 5%
3 0.970
4 0.829
5 0.710
6 0.628
7 0.569
Q11 8 0.608
9 0.504
10 0.530
11 0.502
12 0.479
Q22 13 0.611
14 0.586
15 0.565
16 0.546
17 0.529
18 0.514
19 0.501
20 0.489
21 0.488
22 0.468
23 0.459
24 0.451
25 0.444
26 0.436
27 0.429
28 0.423
29 0.417
Q22 30 0.412
31 0.407
32 0.402
33 0.397
s2 maior variância
C = Ppmax 2 =
i=1 si soma de todas as variâncias
onde:
METROLOGISTAS
JOÃO NOVATO MOACIR ROBERTO
MEDIDA 1 50,0071 50,007 50,0072 50,0073
MEDIDA 2 50,0072 50,0076 50,0074 50,0074
MEDIDA 3 50,0072 50,0075 50,0073 50,0073
MEDIDA 4 500.071 50,0071 50,0072 50,0072
MEDIDA 5 500.072 50,0078 50,0072 50,0072
MÉDIA 50,00716 50,0074 50,00726 50,00728
DESVIO PADRÃO 0,000055 0,00034 0,000089 0,000084
VARIÂNCIA 0,000000003 0,000000115 0,000000008 0,000000007
2
Observamos que Smax = 0, 000000115, com isso:
0, 000000115
Ccalculado = = 0, 985
0, 000000003 + 0, 000000115 + 0, 000000008 + 0, 000000007
Ctabelado (Tabela C, para 5% de significância) = 0,629. Portanto, como Ccalculado > Ctabelado ,
a variância do metrologista NOVATO não é homogênea em relação a dos demais metrologistas.
METROLOGISTAS
M1 M2 M3 M4
MEDIDA 1 12,501 12,502 12,502 12,501
MEDIDA 2 12,501 12,501 12,502 12,501
MEDIDA 3 12,502 12,501 12,502 12,501
MEDIDA 4 12,503 12,502 12,501 12,501
MEDIDA 5 12,502 12,501 12,501 12,502
MEDIDA 6 12,502 12,501 12,503 12,501
MÉDIA
DESVIO PADRÃO
VARIÂNCIA
Este procedimento consiste em calcular uma estatı́stica cuja distribuição amostral é aprox-
imada por uma qui-quadrado com k − 1 graus de liberdade.
A estatı́stica de teste é
q
B0 =
c
onde
k
X
ln s2p (ni − 1) ∗ ln s2i
q = (N − k) ∗ −
i=1
k
!
1 X 1 1
c = 1+ −
3 ∗ (k − 1) i=1
ni − 1 N − k
k ni
X
(yij − y i. )2
X
(ni − 1)s2i
i=1 j=1
s2p = ; s2i =
N −k ni − 1
A quantidade q é grande quando as variâncias amostrais s2i são significativamente diferentes
e é igual a 0 quando estas variâncias são iguais. Portanto, rejeitamos H0 para valores de B0
forem alto, isto é, rejeitamos H0 se
B0 > Q[1−α;k−1] .
Exemplo 1.19. Vamos aplicar aos dados do Exemplo1.18 o método de Bartlett para testar a
igualdade de variância. As variâncias amostrais são
Logo
= 16, 44.
Como Q[0,95;3] = 7, 81, nós rejeitamos a hipótese de que todas as variância são iguais. Abaixo
calculamos o p-valor para o teste de Bartlett.
Este procedimento consiste em fazer uma transformação aos dados originais e aplicar os
dados transformados ao teste da ANOVA. Levene (1960) proprõe a seguinte transformação:
onde
onde
Após a transformação dos dados originais pela expressão 1.2, aplicamos o teste da ANOVA.
Se a estatı́stica F for significativa rejeitamos a hipótese de igualdade das variâncias, ou seja, se
o p-valor for inferior ao valor de α (nı́vel de significância do teste) rejeitamos H0 .
Exemplo 1.20. Utilizando os dados do Exemplo1.18 iremos aplicar o teste de Levene para
testar a igualdade de variância. Os dados estão apresentados na tabela 1.9.
Usando a expressão 1.2, para os dados da medição metrologista JOÃO (i = 1), obtemos os
dados transformado que são dados por:
z11 = |50, 0071−50, 0072| = 0, 0001 ; z12 = |50, 0072−50, 0072| = 0 ; z13 = |50, 0072−50, 0072| = 0;
z14 = |50, 0071 − 50, 0072| = 0, 0001 ; z15 = |50, 0072 − 50, 0072| = 0.
Fazendo o mesmo para os demais nı́veis, obtemos a tabela 1.10 com os dados transformados
para todos os nı́veis.
1. Noções Básicas de Estatı́stica 39
Operador Medições
JOÃO 0,0001 0,0000 0,0000 0,0001 0,0000
NOVATO 0,0005 0,0001 0,0000 0,0004 0,0003
MOACIR 0,0000 0,0002 0,0001 0,0000 0,0000
ROBERTO 0,0000 0,0001 0,0000 0,0001 0,0001
Com os dados transformados, aplicamos o teste da Anova. A tabela 1.11 apresenta o resul-
tado do teste.
Como o p-valor é menor que 5%, temos evidências para rejeitar a hipótese de igualdade de
variâncias.
Exemplo 1.21. O diâmetro de um anel padrão pode ser medido por dois tipos de sistemas de
medição. Para comparar estes sistemas de medição, um anel padrão foi medido 5 vezes por
cada sistema de medição utilizando o mesmo operador. Os resultados estão abaixo:
1. Noções Básicas de Estatı́stica 40
SM 1 SM 2
Média 15,601mm 15,603mm
Incerteza Expandida 0,001mm 0,0015mm
Etapa 1: Calcular a Estatı́stica:
|M SM 1 − M SM 2|
EN = √
U SM 12 + U SM 22
onde:
Etapa 2:
• Se EN > 1, os dois sistemas de medição não são compatı́veis, isto é, os sistemas de
medição apresentam diferenças significativas.
Como, no exemplo, EN = 1, 109 é maior que 1, concluı́mos que existe uma diferença
significativa entre os dois sistemas medição.
Exercı́cio 1.7. Considere dois sistemas de medição de dureza na escala HB. Um mesmo padrão
foi medido várias vezes por cada sistema, os resultados estão abaixo:
SM 1 SM 2
Média 56 HB 58,2 HB
Incerteza Expandida 1,25 HB 2,2 HB
|56 − 58, 2|
EN = p = 0, 8695
(1, 25)2 + (2, 2)2
Como o EN = 0, 8695 é menor que 1, concluı́mos que não existe uma diferença significativa
entre os dois sistemas medição.
41
Capı́tulo 2
2.1 Medição
O objetivo de uma medição é determinar o valor de uma grandeza, isto é, um valor particular
de uma quantidade da grandeza. Esta medição começa com uma apropriada especificação da
grandeza, do método e procedimento de medição.
Em geral, o resultado de uma medição é uma aproximação ou estimativa do valor da
grandeza. Assim, o resultado da medição somente está completo se estiver acompanhado da
incerteza da estimativa.
Na prática, a especificação ou definição da grandeza é conseqüência da exatidão (accuracy)
desejada. Para atender a exatidão requerida, a grandeza deve ser especificada de tal forma que,
esta tenha um único valor para os propósitos práticos associados.
Na grande maioria dos casos, o resultado da medição é determinado através de uma série
de leituras obtidas sob condições de repetitividade. Variações obtidas nas leituras repetidas são
conseqüência de fatores que afetam os resultados das leituras.
Além disso, o modelo matemático da medição, que transforma as leituras repetidas no
resultado da medição é crı́tico, pois incluı́ fatores que não são totalmente conhecidos. Assim, a
2. Fundamentos do Cálculo de Incerteza em Medição 42
variação obtida nas leituras repetidas e a falta de informação do modelo matemático, contribuem
para a incerteza do resultado da medição.
Medição é o conjunto de operações com objetivo de determinar o valor de uma grandeza.
Estas operações podem ser realizadas automaticamente.
Medir é um processo experimental pelo qual o valor momentâneo de uma grandeza fı́sica
(grandeza a medir) é determinado como múltiplo e/ou uma fração de uma unidade, estabelecida
por um padrão, e reconhecida internacionalmente.
NOTA - Erro é um conceito idealizado e os erros não podem ser conhecidos exatamente.
NOTAS
2. Deve-se tomar muito cuidado em distinguir entre os termos ”erros”e ”incerteza”. Eles
não são sinônimos, ao contrário representam conceitos completamente diferentes; eles
não deveriam ser confundidos um com o outro, nem ser mal empregados.
O erro sistemático, como o erro aleatório, não pode ser eliminado porém ele também,
2. Fundamentos do Cálculo de Incerteza em Medição 43
Supõe-se que o resultado de uma medição tenha sido corrigido para todos os efeitos sis-
temáticos reconhecidos como significativos e que todo esforço tenha sido feito para identificar
tais efeitos.
Exemplo 2.2. Uma correção devida à impedância finita de um voltı́metro usado para medir
uma diferença de potencial (a grandeza), através de um resistor de alta impedância é aplicada
para reduzir o efeito sistemático sobre no resultado da medição proveniente do efeito de car-
regamento do voltı́metro. Entretanto, os valores da impedância do voltı́metro e do resistor, que
são usados para estimar o valor da correção e são obtidos a partir de outras medidas, são,
eles mesmos, incertos. Essas incertezas são usadas para avaliar a componente de incerteza da
determinação de diferença de potencial originada da correção e, assim, do efeito sistemático
devido à impedância finita do voltı́metro.
NOTA - O resultado de uma medição (após correção) pode, sem que se perceba, estar muito
próximo do valor da grandeza (e, assim, ter um erro desprezı́vel), muito embora possa ter uma
incerteza grande. Portanto, a incerteza do resultado de uma medição não deve ser confundida
com o erro desconhecido remanescente.
certeza pode se tornar ambı́gua quando aplicada genericamente. Por exemplo, um componente
”aleatório”de incerteza em uma medição pode se tornar um componente ”sistemático”da in-
certeza em outra medição na qual o resultado da primeira medição é usado como dado de
entrada. Categorizando os métodos de avaliação dos componentes de incerteza, em vez de fazê-
lo com os próprios componentes, evita-se tal ambigüidade. Ao mesmo tempo, isto não impede
designar componentes individuais que tenham sido avaliados pelos dois diferentes métodos em
grupos distintos, a serem usados para uma finalidade em particular.
A incerteza padrão do resultado de uma medição, quando este resultado é obtido de valores
e um número de outras grandezas, é denominada incerteza padrão combinada e designada ou
uc . Ela é o desvio padrão estimado, associado com o resultado, e é igual à raiz quadrada positiva
da variância combinada, obtida a partir de todos os componentes da variância e covariância,
2. Fundamentos do Cálculo de Incerteza em Medição 46
independente de como tenham sido avaliados, usando o que é denominado, de lei da propagação
de incerteza.
Para satisfazer as necessidades de algumas aplicações industriais e comerciais, assim como a
requisitos nas áreas da saúde e segurança, uma incerteza expandida U é obtida, multiplicando-
se a incerteza padrão combinada uc por um fator de abrangência k. A finalidade pretendida
para U é fornecer um intervalo em torno do resultado de uma medição, com o qual se espera
abranger uma grande fração da distribuição de valores que poderiam razoavelmente ser atribuı́da
a grandeza. A escolha de k, o qual está geralmente na faixa de 2 a 3, é baseada na probabilidade
de abrangência ou nı́vel da confiança requerido do intervalo.
NOTA - O fator de abrangência k deve sempre ser declarado de forma que a incerteza padrão
da grandeza medida possa ser recuperada para uso no cálculo de incerteza padrão combinada
de outros resultados de medição que possam depender dessa grandeza.
Se houver variação de todas as grandezas das quais o resultado de uma medição depende,
sua incerteza poderá ser calculada por meios estatı́sticos. Entretanto, uma vez que isso, na
prática, raramente é possı́vel, devido a tempo e recursos limitados, a incerteza de um resultado
de medição é, geralmente, avaliada, utilizando-se um modelo matemático da medição e a lei
de propagação da incerteza. Assim, está implı́cita a suposição de que uma medição pode ser
modelada matematicamente até o grau imposto pela exatidão requerida na medição. Uma
vez que o modelo matemático pode ser incompleto, todas as grandezas relevantes dever ser
variadas até a maior extensão prática possı́vel, de modo que a avaliação da incerteza possa ser
baseada, tanto quanto possı́vel, nos dados observados. Sempre que factı́vel, o uso de modelos
empı́ricos da medição, fundamentados em dados quantitativos, colecionados ao longo do tempo,
e o uso de padrões de verificação e gráficos de controle que possam indicar se uma medição
está sob controle estatı́stico, devem ser parte do esforço de obtenção de avaliações confiáveis
de incerteza. O modelo matemático deverá sempre ser revisado quando os dados observados,
incluindo o resultado de determinações independentes da mesma grandeza, demonstrarem que
o modelo está incompleto. Um experimento bem projetado pode, muito, facilitar avaliações
confiáveis da incerteza e é uma parte importante da arte de medição.
De forma a decidir se um sistema de medição está funcionando adequadamente, a vari-
abilidade observada experimentalmente de seus valores de saı́da, conforme medida pelo seu
desvio padrão observado, é, freqüentemente, comparada com o desvio padrão previsto obtido,
combinando-se os vários componentes da incerteza que caracterizam a medição. Em tais ca-
2. Fundamentos do Cálculo de Incerteza em Medição 47
sos, somente aqueles componentes (obtidos de avaliações Tipo A ou Tipo B) que poderiam
contribuir para a variabilidade experimentalmente observada destes valores de saı́da devem ser
considerados.
NOTA - Tal análise pode ser facilitada, reunindo-se aqueles componentes que contribuem
para a variabilidade e aqueles que não o fazem em dois grupos separados e adequadamente
rotulados.
Em alguns casos, a incerteza de uma correção para um efeito sistemático não precisa ser
incluı́da na avaliação da incerteza de um resultado de medição. Embora a incerteza tenha
sido avaliada, ela pode ser ignorada se sua contribuição para a incerteza padrão combinada
de um resultado de medição é insignificante. Se o valor da própria correção for insignificante
relativamente à incerteza padrão combinada, ele também pode ser ignorado.
Muitas vezes ocorre na prática, especialmente no domı́nio da metrologia legal, que um
equipamento é ensaiado através de uma comparação com um padrão de medição e as incertezas
associadas com o padrão e com o procedimento de comparação são desprezı́veis relativamente
à exatidão requerida do ensaio. Um exemplo é o uso de um conjunto de padrões de massa
bem calibrados para verificar a exatidão de uma balança comercial. Em tais casos, porque os
componentes da incerteza são pequenos o bastante para serem ignorados, a medição pode ser
vista como determinação do erro do equipamento sob ensaio.
A estimativa do valor de uma grandeza, obtida pelo resultado de uma medição, é algumas
vezes expressa em termos de valor adotado de um padrão de medição, em vez de termos da
unidade apropriada do Sistema Internacional de Unidades (SI). Em tais casos, a magnitude da
incerteza atribuı́vel ao resultado de medição pode ser significativamente menor do que quando
aquele resultado for expresso na unidade SI apropriada (na realidade, a grandeza foi redefinida
para ser razão entre o valor da grandeza a ser medida e do valor adotado do padrão).
Exemplo 2.3. Um padrão de tensão Zener de alta qualidade é calibrado por comparação
com uma referência de tensão de efeito Josephson baseado no valor convencional da constante
Josephson recomendada para uso internacional pelo CIPM. A incerteza padrão combinada rel-
ativa uc (VS )/VS da diferença de potencial calibrada VS é relatado em termos do valor conven-
cional, mas uc (VS )/VS é 4 × 10−7 quando VS é relatado em termos da unidade SI da diferença
de potencial, volt(V ), por causa da incerteza adicional associada com o valor SI da constante
Josephson.
2. Fundamentos do Cálculo de Incerteza em Medição 48
Erros grosseiros no registro ou na análise dos dados podem introduzir um erro desconhecido
significativo no resultado de uma medição. Grandes erros grosseiros podem ser, geralmente,
identificados por uma revisão apropriada dos dados; os pequenos erros grosseiros podem ser
mascarados por variações aleatórios, ou até mesmo podem aparecer como tais. Medidas de
incerteza não são projetadas para levar em conta tais erros.
A avaliação da incerteza não é uma tarefa de rotina nem uma tarefa puramente matemática;
ela depende de conhecimento detalhado da natureza da grandeza e da medição. A qualidade
e utilidade da incerteza indicada para o resultado de uma medição, dependem, portanto, e em
última análise, da compreensão, análise crı́tica e integridade daqueles que contribuem para o
estabelecimento de seu valor.
Resultado da Medição
Embora não seja ainda de entendimento geral e até mesmo algumas vezes de desconheci-
mento de alguns, cumpre-nos observar que dentre as parcelas mostradas na expressão do Re-
sultado de uma medição a IM (Incerteza de Medição) é a mais importante, até mesmo do que
a Média (das medidas) e mereceria uma maior compreensão e aplicação.
Vejamos um exemplo em que a um Metrologista fosse solicitado para medir as dimensões do
seu Laboratório de Metrologia para a preparação de um layout, e este não dispusesse de trena
ou qualquer outro meio de medição. Este poderia utilizar-se das dimensões padronizadas das
placas do piso (Por exemplo Paviflex, 30 × 30 cm) e após uma contagem do número de placas
em cada lado emitir um resultado de medição, como o seguinte: 4,0 × 4,0 m ± 0,15 m .
Metrologicamente falando, o resultado da sua medição está correto mesmo se o solicitante
não estivesse satisfeito com a IM apresentada e neste caso o mesmo poderia propor uma al-
teração no procedimento de medição utilizado, como por exemplo o uso de uma trena.
Sob o mesmo ponto de vista, errado estaria se a medição fosse feita, por exemplo com uma
trena e o resultado apresentado fosse: 4,010 × 4,047 m (sem a declaração da IM).
Por recomendações do INC-1 (1981) [ISO GUM ver.95] os componentes da incerteza foram
divididos em dois grupos de acordo com o método utilizado para estimar seus valores numéricos:
Tipo A - Aquelas que são avaliadas por métodos estatı́sticos
Tipo B - Aquelas que são avaliadas por outros métodos
Estas categorias aplicam-se somente a incerteza e não são substitutos das palavras “aleatórios”
e “sistemáticos”.
Ora os componentes da incerteza de medição são classificados como “Tipo A” ou “Tipo
B” e modelados pelo tipo de avaliação, mas todos estes componentes independente de suas
classificações são modelados pelo tipo de distribuição de probabilidade e quantificados pela
variância ou pelo desvio padrão. Portanto, a incerteza do tipo A é obtida da função densidade
de probabilidade derivada das observações (leituras), isto é, da distribuição de freqüência.
Enquanto a incerteza do tipo B é obtida da função densidade de probabilidade previamente
assumida.
Dimensional
• Fonte de Incerteza;
• Diferenças de temperatura;
• Erros de cosseno;
• Erros geométricos;
Temperatura
• Resolução da leitura;
Elétrica
• Resolução;
• Layout dos instrumentos e padrões durante a calibração (fugas de corrente, campos eletro-
magnéticos);
Em muitos casos, uma grandeza y não é medida diretamente, mas é determinado em função
de n outras grandezas x1 , x2 , . . . , xn , através de uma relação funcional f :
y = f (x1 , x2 , . . . , xn )
As grandezas de entrada x1 , x2 , . . . , xn , sobre o qual o valor de saı́da y depende, pode ser uma
medida ou depender de outras variáveis, incluindo correções e fatores de correções para efeitos
sistemáticos. A função f pode ser determinada experimentalmente, ou existe somente, como
um algoritmo que pode ser avaliado numericamente.
As grandezas de entradas x1 , x2 , . . . , xn podem ser caracterizadas como:
2. Fundamentos do Cálculo de Incerteza em Medição 52
I valores e incertezas, os quais são conduzidos para uma medição de fontes externas, tais
como: grandezas associadas com calibração de padrões, certificados de materiais de re-
ferência e referência de informações obtidas através de manuais.
M assa
V ol =
Densidade
Exemplo 2.4. (NIS 3003, 1995) Calibração de uma massa padrão com valor nominal 10 Kg de
classe M1, utilizando um comparador. Neste caso, obtemos a equação da massa desconhecida
WX , por
WX = WS + DS + δC + Ab + ∆W.
Na prática não aplicamos correção para esta classe de massa e o comparador tem linearidade
desconhecida. Entretanto, associamos incertezas para estas contribuições.
Avaliação da Incerteza Padrão Tipo A.
Na grande maioria dos casos, a melhor estimativa para o valor esperado de uma quantidade
que varia aleatoriamente, e para o qual temos n leituras independentes k obtidas sob condições
2. Fundamentos do Cálculo de Incerteza em Medição 53
Leitura 1 15 mg
Leitura 2 25 mg
Leitura 3 20 mg
Leitura 4 13 mg
Leitura 5 18 mg
Média 18,20 mg
Desvio Padrão 4,66 mg
Desvio Padrão da Média 2,08 mg
c) especificações do fabricante;
Por conveniência, u2 (xi ) e u(xi ) avaliados desta maneira são chamados de Variância Tipo
B e Incerteza Padrão Tipo B, respectivamente.
O propósito de usar várias informações disponı́veis para a avaliação da incerteza padrão do
Tipo B é para buscar um discernimento baseado na experiência e nos conhecimentos gerais,
e é uma habilidade que pode ser obtida com a prática. É reconhecido que uma avaliação da
incerteza pelo Tipo B pode ser tanto confiável quanto a do Tipo A, especialmente na situação
em que a avaliação do Tipo A é baseada na comparação de pequenos números de observações
estatisticamente independentes (ISO GUM, 1995)
A seguir, são apresentados 4 suposições disponı́veis para as grandezas de entradas de in-
fluência xi , para a avaliação da Incerteza Padrão Tipo B.
• Caso 1
Exemplo 2.5. Um certificado de calibração afirma que a massa de um aço inoxidável de massa
padrão ms = 1000, 000325g, tem como incerteza 240µg para um nı́vel de confiança com k = 3.
A incerteza padrão da massa padrão, é então:
129
u(RS ) = = 50 µΩ
2, 58
Neste caso, utilizamos a tabela da distribuição normal para determinar o valor de k.
• Caso 2
Em alguns casos, pode ser possı́vel estimar somente os limites (limite superior a+ e inferior
a− ) para xi , por exemplo, quando a grandeza de influência é a variação da temperatura. Neste
caso, consideramos que a probabilidade de que o valor de xi se encontra dentro do intervalo
a− até a+ , para todo propósito prático, é igual a 1 e a probabilidade que xi esteja fora deste
intervalo é essencialmente zero. Se não há conhecimento especı́fico sobre a possibilidade do valor
xi estar dentro do intervalo, pode-se somente admitir que, é igualmente provável encontrá-lo
por toda parte, dentro do intervalo (uma distribuição uniforme ou retangular).
(a− +a+ )
Então xi , é o ponto médio do intervalo , onde: xi = 2
, cuja variância associada é dada
por:
(a+ − a− )2
u2 (xi ) = .
12
Se a diferença entre os limites, (a+ − a− ), é representado por 2a, ou seja, os limites são
simétricos, então a equação para variância será:
a2
u2 (xi ) =
2
2. Fundamentos do Cálculo de Incerteza em Medição 56
base 2a a
u= √ = √ = √
2 3 2 3 3
Exemplo 2.7. Um manual estabelece que o valor do coeficiente linear de expansão térmica de
um bloco padrão de aço é determinado por αS = 11, 5 × 10−6 ◦ C −1 e que o “erro” neste valor
não deve exceder 2 × 10−6 ◦ C −1 . Baseado nesta informação limitada, é razoável assumir que
o coeficiente de expansão térmica pertence ao intervalo 9, 5 × 10−6 ◦ C −1 a 13, 5 × 10−6 ◦ C −1 ,
com probabilidade 1. A incerteza padrão do coeficiente de expansão térmica é dado por
(2 × 10−6 )
u(αS ) = √ = 1, 2 × 10−6 ◦ C −1
3
• Caso 3
Os limites superiores e inferiores a− ea+ para uma grandeza de entrada xi pode não ser
simétrico, ou seja, se o limite menor é escrito como a− = xi − b− e o limite superior como
a+ = xi + b+ , então b− 6= b+ . Neste caso, xi não é o centro do intervalo (a− , a+ ) e a dis-
tribuição de probabilidade de xi não pode ser uniforme. Entretanto, pode não existir informação
suficiente para escolher uma distribuição apropriada e diferentes modelos conduzirão para dife-
rentes expressões para a variância. Na ausência de tais informações uma simples aproximação
é:
2 (b+ + b− )2 (a+ + a− )2
u (xi ) = =
12 12
que corresponde a variância da distribuição retangular com comprimento b− + b+ .
Exemplo 2.8. Caso o exemplo anterior referente ao coeficiente de expansão térmica especifique
aS = 11, 5×10−6 ◦ C −1 tal que o menor valor possı́vel seja 10, 0×10−6 ◦ C −1 e que o maior valor
possı́vel seja de 14, 0 × 10−6 ◦ C −1 . Neste caso, b− = 1, 5 × 10−6 ◦ C −1 e b+ = 2, 5 × 10−6 ◦ C −1 .
Assim, a incerteza padrão é determinada por
2. Fundamentos do Cálculo de Incerteza em Medição 57
(4 × 10−6 )
u(αS ) = √ = 1, 15 × 10−6 ◦ C −1
12
Exemplo 2.9. Voltando ao exemplo 2.4 da calibração da massa padrão, vamos estimar as
incertezas padrão do tipo B:
• Caso 4
Nos casos acima não temos informação sobre os valor da grandeza Xi , apenas que ela se
encontra dentro dos limites especificados. Por isso, assumimos que os valores da grandeza são
equiprováveis dentro destes limites, e que tem probabilidade zero de estar for destes limites.
Muitas vezes é mais realista assumirmos que valores perto dos limites especificados são menos
prováveis do que valores próximos ao centro. Neste caso, é razoável trocarmos a distribuição
retangular pela distribuição triangular. Assumindo uma distribuição triangular para a grandeza
Xi , obtemos como média
xi = (a+ + a− )/2
com incerteza associada
u2 (xi ) = a2 /6
2. Fundamentos do Cálculo de Incerteza em Medição 58
base 2a a
u= √ = √ = √
2 6 2 6 6
N 2
X ∂f
u2c (y) = u2 (xi )
i=1
∂xi
onde u(xi ) é a incerteza padrão associada com a grandeza de entrada Xi . As derivadas parciais
(df /dxi ) calculada no ponto xi são denominadas coeficientes de sensibilidade, pois descrevem
como a estimativa de y varia com pequenas mudanças nos valores das estimativas das grandezas
de entrada x1 , x2 , . . . , xN .
Nota: A incerteza combinada padrão no caso correlacionado não será tratado nesta apostila.
Exemplo: Na calibração da massa padrão, obtemos a seguinte incerteza combinada
p
uc (m) = (15)2 + (8, 66)2 + (5, 77)2 + (5, 77)2 + (2, 08)2 = 19, 26mg
2. Fundamentos do Cálculo de Incerteza em Medição 59
U = k ∗ uc (y)
O valor do fator k é escolhido com base no nı́vel de confiança requerido para o intervalo.
Em geral, k é usado entre 2 e 3. Portanto, para aplicações especiais, k poderá ser determinado
conforme o nı́vel de confiança requerido, de acordo com a distribuição normal ou t-Student.
A Namas (NIS 3003 , 1995) recomenda que o fator k seja igual a 2 para calcular a incerteza
expandida. Este valor corresponde a aproximadamente 95% de confiança. Entretanto, se as
contribuições para a incerteza relativo a repetitividade for grande comparado com as outras dis-
tribuições e o número de repetições for pequeno, existe uma possibilidade de que a distribuição
de probabilidade normal não seja adequada. Neste caso, o fator k = 2 nos garante um nı́vel
de confiança menor que 95%. Aqui, devemos utilizar a distribuição t-Student para encontrar o
valor do fator k que garante 95%.
Regra: Se a incerteza do tipo A for menor que metade da incerteza combinada, vamos
utilizar o fator k = 2. Caso contrário, devemos utilizar a distribuição t-Student para obtermos
o valor de k que nos garante um intervalo com 95% confiança. A norma ISO GUM ver. 95
recomenda a utilização da equação de Welch-Satterwaite para calcular os graus de liberdade,
baseado nos graus de liberdade de cada fonte de incerteza.
4
u4c (y) u4 (y)
uc (y)
υef f = PN 4 = 4 c = νA
i=1 ui (y)/νi
uA (y)/νA uA (y)
Exemplo 2.10. Voltando ao exemplo 2.4 da calibração da massa padrão, observe que a in-
certeza do tipo A é menor que metade da incerteza combinada. Assim, a incerteza expandida é
dada por:
U = 2x19, 26mg = 38, 52mg (k = 2)
10000, 018 g ± 0, 04 g (k = 2)
Exemplo 2.11. Suponha um sistema de medição com incerteza do tipo A, baseada em 4 ob-
servações, tenha valor ui (y) de 3,5 unidades, existem outras 5 fontes de incerteza do tipo B que
apresentam incerteza estimada muito pequeno, de tal forma que a incerteza combinada uc (y)
seja igual a 5,7 unidades. Como a incerteza do tipo A é maior que metade da incerteza com-
binada, vamos utilizar a distribuição t-Student para determinar o fator k. Através da equação
de Welch-Satterwaite, temos
(5, 7)4
υef f = = 21, 1
((3, 5)4 /(4 − 1)) + 0 + 0 + 0 + 0 + 0
tolerancia
EM P = .
10
2. Fundamentos do Cálculo de Incerteza em Medição 61
Critério:
A comprovação metrológica no caso em que o EMP é função das leituras é discutido abaixo.
EM P = ± (a + b × leitura)
a = 0, 01
b = 0, 01
Critério: |Ti | + U (i) ≤ EM P (i), para todo ponto de calibração. (i, representa o ponto de
calibração).
Exemplo 2.12. Suponha que temos uma tolerância de 1 g para as massas padrão. Após a cali-
bração das massas, obteve-se as seguintes informações do certificado de calibração apresentado
2. Fundamentos do Cálculo de Incerteza em Medição 62
na Tabela 2.1.
Ponto (g) Tendência (g) U (g) k
1000 0,009 0,015 2
1000 0,01 0,015 2
1000 0,016 0,015 2
1000 0,01 0,015 2
5000 -0,014 0,075 2
5000 -0,069 0,075 2
5000 -0,043 0,075 2
5000 0,025 0,075 2
Tolerancia
EM P = = 0, 1 g.
10
A Tabela 2.2 apresenta o critério de aprovação (|T | + U ≤ EM P ) para as oito massas
padrão. Como podemos ver, duas massas de 5 kg foram reprovadas. Com isso, o certificado de
calibração cujo os valores foram apresentados na Tabela 2.1 não está aprovado.
Pk 2
Pk
2 i=1 (n − 1)si i=1 s2i
s = Pk =
i=1 (n − 1)
k
Regra 1:
Se o algarismo à direita do último dı́gito que se pretende representar for inferior a 5, apenas
desprezamos os demais dı́gitos à direita Exemplo: 3, 14159265 para 3, 14
Regra 2:
Se o algarismo à direita do último dı́gito que se pretende representar for maior que 5,
adicionamos uma unidade ao último dı́gito representado e desprezamos os demais dı́gitos à
direita.
Regra 3:
Não existe uma regra bem definida para o número de algarismos que devem ser indicados
para a incerteza de medição. Em geral, utilizamos 2 algarismos significativos, além dos
zeros à esquerda. Em alguns casos, pode ser necessário utilizar mais dı́gitos significativos para
evitar erros de arredondamento nos cálculos subseqüentes. Em outros casos, não é possı́vel
atribuir mais de 1 algarismo para incerteza de medição. Regras para número de algarismo na
incerteza de medição.
2. Fundamentos do Cálculo de Incerteza em Medição 64
• Incerteza de medição deve ser apresentada com 2 algarismos quando o primeiro algarismo
na incerteza for 1 ou 2.
• Incerteza de medição pode ser apresentada com 1 algarismo quando o primeiro algarismo
da incerteza for 3 ou maior.
Incorreto Correto
0,144 (mm) 0,14 (mm)
1,026 (s) 1,0 (s)
3,49 (mm) 3,5 (mm) Ou 3 (mm)
3,51 (mm) 3,5 (mm) Ou 4 (mm)
0,00514 (mm) 0,0050 (mm) Ou 0,005 (mm)
n 2
X ∂y
u2c (y) = u2 (xi )
i=1
∂xi
• Soma de variáveis
y = x 1 ± x 2 ± x 3 ± · · · ± xn
• Bloco 1
• Bloco 2
y = x 1 + x2
A incerteza padrão u(xi ) de cada bloco é obtida dividindo-se a incerteza expandida pelo fator
k. Assim,
u(x1 ) = 0, 077/2 =
u(x2 ) = 0, 084/2 =
uc (y) =
• Relação linear
y = a + bx
Produto de Variáveis:
y = axw
Temos que:
∂y ∂y
= aw = ax
∂x ∂w
Então,
Exemplo 2.16. Determinar a incerteza da área de um cı́rculo, cujo diâmetro foi medido ex-
perimentalmente através de um sistema de medição denominado paquı́metro:
Valor do diâmetro obtido com o micrômetro digital, com resolução de 0,002 mm e incerteza
expandida U=0,001 mm (k=1,96):
Leituras Diâmetro
1 10,28
2 10,26
3 10,28
4 10,3
5 10,28
Média das leituras
Desvio padrão das leituras
Desvio padrão da média das leituras
1 2
πd
4
2. Fundamentos do Cálculo de Incerteza em Medição 67
1
Admitindo-se que 4
e π são constantes isentas de incerteza ou com incertezas desprezı́veis,
somente a variável d é considerada para cálculo da incerteza. Assim, a variância combinada
relativa é:
uc (y) 2u(d)
=
y d
Substituindo os valores do exemplo, obtemos a incerteza combinada relativa:
uc (y)
=
y
e a incerteza combinada da área,
uc (y) =
68
Capı́tulo 3
Estudos de Estabilidade
• Desgaste de componentes;
Critério de avaliação:
Analisar os gráficos X̄ e R, primeiro o gráfico R e na seqüencia o gráfico X̄:
Critério de avaliação:
Verificar se o gráfico de controle R não apresenta muitas amplitudes iguais a zero (acima de
30%). Caso isso ocorra, existe uma boa evidência de que o equipamento de medição não tem
uma resolução adequada para esta necessidade. Neste caso, faça uma análise crı́tica.
Exemplo 3.1. O metrologista deve realizar um estudo sobre a estabilidade do sistema de cal-
ibração de um micrômetro com um bloco padrão. O metrologista selecionou um bloco padrão,
que foi medida 3 vezes diariamente por um avaliador. Os valores estão na Tabela 3.1. Montar
os gráficos de Controle X̄ e R e interpretar os resultados!
Solução
Da Tabela 3.1 tomamos a média dos valores da coluna Média e a média dos valores da
coluna Amplitude e obtemos:
¯ = 4, 200486
X̄ e R̄ = 0, 001292 .
3. Estudos de Estabilidade 70
Medidas
Data Horário Temperatura Média Amplitude
1 2 3
6/ago 09:15 20,3 4,202 4,201 4,202 4,20167 0,001
13/ago 16:35 20,0 4,201 4,202 4,203 4,20200 0,002
20/ago 14:13 19,4 4,199 4,198 4,200 4,19900 0,002
27/ago 09:40 19,8 4,200 4,201 4,201 4,20067 0,001
4/set 15:28 19,9 4,200 4,201 4,200 4,20033 0,001
11/set 10:39 19,9 4,202 4,201 4,200 4,20100 0,002
19/set 15:10 20,1 4,200 4,201 4,200 4,20033 0,001
25/set 09:25 20,2 4,200 4,199 4,199 4,19933 0,001
1/out 15:40 19,3 4,198 4,199 4,199 4,19867 0,001
8/out 09:25 19,9 4,200 4,202 4,200 4,20067 0,002
16/out 16:10 20,8 4,202 4,203 4,203 4,20267 0,001
24/out 10:05 20,1 4,201 4,202 4,201 4,20133 0,001
1/nov 13:40 19,5 4,199 4,199 4,198 4,19867 0,001
8/nov 14:55 20,1 4,200 4,200 4,201 4,20033 0,001
14/nov 11:00 19,3 4,199 4,198 4,199 4,19867 0,001
22/nov 15:50 19,8 4,200 4,199 4,200 4,19967 0,001
29/nov 09:42 20,1 4,201 4,201 4,200 4,20067 0,001
7/dez 08:20 19,6 4,199 4,200 4,199 4,19933 0,001
12/dez 15:30 19,8 4,200 4,201 4,199 4,20000 0,002
20/dez 11:05 20,1 4,199 4,199 4,200 4,19933 0,001
28/dez 15:30 20,1 4,201 4,200 4,199 4,20000 0,002
4/jan 16:00 20,2 4,200 4,200 4,202 4,20067 0,002
10/jan 15:15 20,7 4,203 4,204 4,203 4,20333 0,001
15/jan 16:00 20,8 4,204 4,203 4,203 4,20333 0,001
LIC = 0 ∗ 0, 001292 = 0
• Gráfico X̄. Como temos 3 elementos em nossa amostra, obtemos um valor de A2 = 1, 023,
3. Estudos de Estabilidade 71
com isso:
Exercı́cio 3.1. O metrologista deve realizar um estudo sobre o sistema de medição para cal-
ibração de um anel padrão em um banco micrométrico. O metrologista selecionou um anel
padrão, que foi medido (3 réplicas) diariamente por um avaliador. Os valores estão na Tabela
3.2.
Medidas
Amostra Data Média Amplitude
1 2 3
1 22/set 20006,6 20006,6 20006,7 20006,63 0,1
2 22/set 20006,8 20006,7 20006,9 20006,8 0,2
3 23/set 20006,1 20006,2 20006,2 20006,17 0,1
4 24/set 20005,4 20005,3 20005,3 20005,33 0,1
5 27/set 20005,7 20005,9 20005,8 20005,8 0,2
6 27/set 20005,9 20006 20006 20005,97 0,1
7 1/out 20005,4 20005,7 20005,7 20005,6 0,3
8 6/out 20006,6 20006,6 20006,5 20006,57 0,1
9 7/out 20006,1 20006,1 20006,1 20006,1 0
10 8/out 20006,1 20006 20006 20006,03 0,1
11 8/out 20006,2 20006,3 20006,3 20006,27 0,1
12 13/out 20005,9 20006 20006 20005,97 0,1
13 13/out 20006,2 20006,1 20006,2 20006,17 0,1
14 14/out 20006,5 20006,3 20006,4 20006,4 0,2
15 18/out 20005,4 20005,4 20005,5 20005,43 0,1
16 20/out 20005,9 20006,2 20006,2 20006,1 0,3
17 25/out 20006,8 20006,9 20006,6 20006,77 0,3
18 26/out 20006,3 20006,3 20006,3 20006,3 0
19 26/out 20006,5 20006,5 20006,5 20006,5 0
20 28/out 20006,4 20006,3 20006,2 20006,3 0,2
21 4/nov 20005,8 20005,9 20005,9 20005,87 0,1
22 8/nov 20006 20005,8 20005,9 20005,9 0,2
23 8/nov 20006,4 20006,3 20006,2 20006,3 0,2
24 10/nov 20006,2 20006,3 20006,3 20006,27 0,1
25 15/nov 20006,7 20006,4 20006,4 20006,5 0,3
26 16/nov 20006,6 20006,5 20006,5 20006,53 0,1
27 17/nov 20006,4 20006,2 20006,2 20006,27 0,2
28 18/nov 20006,6 20006,5 20006,4 20006,5 0,2
29 18/nov 20006,9 20006,8 20006,8 20006,83 0,1
¯
Montar os gráficos de Controle X̄ e R e interpretar os resultados! (X̄ = 20006, 21 e
R̄ = 0, 1448).
LSC = D4 R̄ =
LIC = D3 R̄ =
LSC = ¯ + A R̄ =
X̄ 2
LC = ¯ =
X̄
LIC = ¯ − A R̄ =
X̄ 2
74
Capı́tulo 4
Em cada sistema de medição, existe um valor de referência para uma caracterı́stica para
cada amostra. Estes valores de referência variam de amostra para amostra em torno de um
nı́vel médio. Isto pode ser representado simplesmente como:
Na prática, existe algum erro introduzido pelo sistema de medição, o qual pode ser escrito
como:
Representação Matemática
Seja Yijk a k-ésima medição feita pelo Fator1 j na i-ésima amostra. Cada amostra tem um
valor de referência, digamos Xi , o qual é impossı́vel de ser medido na prática. Chame de ijk o
erro sobreposto a Xi na prática. Então, temos no próximo ı́tem que:
0
5) Yijk = Xi + ijk ou
0
6) Yijk = µ + αi + ijk
O desvio pode ser modelado como consistindo de uma tendência sistemática devido ao
sistema de medição e ao Fator1 como um todo (sistema de medição), uma tendência
adicional devido ao Fator1 especı́fico e um erro associado à replicação da medição. Isto
é,
0
7) ijk = b + βj + ijk , ou seja,
8) Yijk = (µ + b) + αi + βj + ijk ou
No modelo (8) supõe-se que os efeitos da amostra e do Fator1 são aditivos. Isto significa
que o efeito do j-ésimo Fator1 é o mesmo em todas as amostras. Consequentemente, nós
nos referimos a este modelo simples como o modelo aditivo. A suposição de aditividade
pode nem sempre ser válida na prática. Além disso, a validade da suposição poderia ser
testada a partir dos dados, se cada Fator1 repetir medições em cada amostra. A validade
do modelo aditivo pode ser testada pela consideração de um modelo mais geral, que inclua
um efeito de interação entre peça e Fator1. Supondo que o desvio em (7) seja dado por
0
10) ijk = b + βj + τij + ijk , ou seja,
O termo adicional τij representa a interação entre o j-ésimo Fator1 e a i-ésima amostra.
Então, substituindo (10) em (6) resulta no seguinte modelo não aditivo:
Se τij é distribuı́do normalmente com média zero e variância σI2 , então a variância total
para (11) é dada por:
Fator1
Amostra
1 2 ··· o Média
1 Y111 , · · · , Y11r Y121 , · · · , Y12r · · · Y1o1 , · · · , Y1or Ȳ1..
2 Y211 , · · · , Y21r Y221 , · · · , Y22r · · · Y2o1 , · · · , Y2or Ȳ2..
.. .. .. .. .. ..
. . . . . .
p Yp11 , · · · , Yp1r Yp21 , · · · , Yp2r · · · Ypo1 , · · · , Ypor Ȳp..
Média Ȳ.1. Ȳ.2. ··· Ȳ.o. Ȳ...
onde:
• αi é o efeito da Amostra;
• βj é o efeito do Fator1;
Onde αi , βj , τij e εijk são variáveis aleatórias independentes com distribuições normais de
médias zero e variância σp2 , σF2 1 , σI2 e σ 2 , respectivamente. Conseqüentemente, a variância do
processo é:
onde SQT é a soma de quadrados total, SQP é a soma de quadrados do fator amostra, SQF 1
é a soma de quadrados do Fator1, SQI é a soma de quadrados da interação Fator1 × amostra
e SQE é a soma de quadrados do erro. Para isto, temos que
p X
o X
r p X
o X
r
X X 2
(Yijk − Ȳ... )2
= (Ȳi.. − Ȳ... ) + (Ȳ.j. − Ȳ... ) + (Ȳij. − Ȳi.. − Ȳ.j. + Ȳ... ) + (Yijk − Ȳij. )
i=1 j=1 k=1 i=1 j=1 k=1
X p o
X p X
X o
2 2
= or (Ȳi.. − Ȳ... ) + p r (Ȳ.j. − Ȳ... ) + r (Ȳij. − Ȳi.. − Ȳ.j. + Ȳ... )2
i=1 j=1 i=1 j=1
p X
X o X
r
+ (Yijk − Ȳij. )2
i=1 j=1 k=1
Portanto
p o X
r
X X
SQT = (Yijk − Ȳ... )2
i=1 j=1 k=1
p
X
SQP = o r (Ȳi.. − Ȳ... )2
i=1
o
X
SQF 1 = p r (Ȳ.j. − Ȳ... )2
j=1
p o
XX
SQI = r (Ȳij. − Ȳi.. − Ȳ.j. + Ȳ... )2
i=1 j=1
p o X r
XX
SQE = (Yijk − Ȳij. )2
i=1 j=1 k=1
Onde:
o X
r p r r p o X
r
X X X X X X
Yi.. = Yijk , Y.j. = Yijk , Yij. = Yijk , Y... = Yijk
j=1 k=1 i=1 k=1 k=1 i=1 j=1 k=1
o r p r r p o r
1 XX 1 XX 1X 1 XXX
Ȳi.. = Yijk , Ȳ.j. = Yijk , Ȳij. = Yijk , Ȳ... = Yijk
o r j=1 k=1 p r i=1 k=1 r k=1 o p r i=1 j=1 k=1
Da mesma forma,
o X
r p r r p o X
r
X X X X X X
yi.. = yijk , y.j. = yijk , yij. = yijk , y... = yijk
j=1 k=1 i=1 k=1 k=1 i=1 j=1 k=1
4. Método da ANOVA (Completo) 79
o r p r r p o r
1 XX 1 XX 1X 1 XXX
ȳi.. = yijk , ȳ.j. = yijk , ȳij. = yijk , ȳ... = yijk
o r j=1 k=1 p r i=1 k=1 r k=1 o p r i=1 j=1 k=1
Uma forma mais conveniente para se calcular a soma de quadrados é utilizar o cálculo de
variância amostral. A tabela 4.2 apresenta quais variâncias devemos calcular.
Fator1
Amostra
1 2 ··· o Média
1 Y111 , · · · , Y11r Y121 , · · · , Y12r · · · Y1o1 , · · · , Y1or Ȳ1..
2 2 2
S11 S12 ··· S1o
2 Y211 , · · · , Y21r Y221 , · · · , Y22r · · · Y2o1 , · · · , Y2or Ȳ2..
2 2 2
S21 S22 ··· S2o Sp2
.. .. .. .. .. ..
. . . . . .
p Yp11 , · · · , Yp1r Yp21 , · · · , Yp2r ··· Ypo1 , · · · , Ypor Ȳp..
2 2 2
Sp1 Sp2 ··· Spo
Média Ȳ.1. Ȳ.2. ··· Ȳ.o. Ȳ...
SF2 1
Tabela 4.2: Tabela de Entradas
Portanto,
2
SQT = (p o r − 1) S... (4.2)
2
SQP = o r (p − 1) Si.. (4.3)
2
SQF 1 = p r (o − 1) S.j. (4.4)
p o
X X
2
SQE = (r − 1) Sij. (4.5)
i=1 j=1
SQI = SQT − SQP − SQF 1 − SQE (4.6)
Onde:
2
• S... : representa a variância amostral com relação a todos os dados. Com isso,
p o r
2 1 XXX
S... = (y... − ȳ... )2 onde ȳ... é a média de todos os dados;
p o r − 1 i=1 j=1 k=1
2
• Si.. : representa a variância amostral com relação aos valores das médias das amostras, ou
4. Método da ANOVA (Completo) 80
seja, a variância com relação a última coluna da tabela 4.2. Com isso,
o r
2 1 XX
Si.. = (ȳi.. − ȳ... )2 onde ȳi.. é a média em cada amostra e
p − 1 j=1 k=1
2
• S.j. : representa a variância amostral com relação aos valores das médias dos Fatores1, ou
seja, a variância com relação a última linha da tabela 4.2. Com isso,
p r
2 1 XX
S.j. = (ȳ.j. − ȳ... )2 onde ȳ.j. é a média em cada Fator1 e
o − 1 i=1 k=1
2
• Sij. : representa a variância amostral com relação a cada combinação de amostra e Fator1,
ou seja, em cada casela da tabela 4.2. Com isso,
r
2 1 X
Sij. = (ȳij. − ȳ... )2 onde ȳij. são as medições em cada casela e ȳ... é a
r − 1 k=1
Neste caso, como pi=1 (Ȳi.. − Ȳ... ) = 0, nem todos os elementos (Ȳ1.. − Ȳ... ), · · · , (Ȳp.. − Ȳ... ) são
P
Cada soma de quadrados dividido por seu grau de liberdade determina o quadrado médio (QM),
ou seja
SQP
QMP = Amostra (4.7)
p−1
SQF 1
QMF 1 = Fator1 (4.8)
o−1
SQI
QMI = Amostra × Fator1 (4.9)
(p − 1)(o − 1)
SQE
QME = Réplica (4.10)
p o (r − 1)
Considerando as expressões 4.3, 4.4, 4.5 e 4.6 vamos calcular o valor esperado do QM. Para o
fator amostra, temos que:
p
" ! 2 #
1 X Yi..2 Y...
E(QMP ) = E −E
p−1 i=1
or por
!2 !2
p o X r p o X r
1 1 X X 1 X X
= E Yijk − E Yijk
p − 1 o r i=1 j=1 k=1
por i=1 j=1 k=1
!2
p o X r
1 1 X X
= E (µ + αi + βj + τij + εijk ) −
p − 1 o r i=1 j=1 k=1
p o X r
!2
1 X X
− E (µ + αi + βj + τij + εijk )
por i=1 j=1 k=1
p
(
1 1 X
(o r µ)2 + (o r σP )2 + o r2 σF2 1 + o r2 σI2 + o r σ 2 −
=
p − 1 o r i=1
1 2 2 2 2 2
− (p o r µ) + p (o r σP ) + o (p r σF 1 ) + o p (r σI ) + p o r σ
por
= o r σP2 + r σI2 + σ 2
E(QMI ) = σ 2 + r σI2
E(QME ) = σ 2
Vamos mostrar como essas hipóteses são testadas usando a análise de variância. Para
determinarmos a estatı́stica do teste C, vamos observar que
SQI SQE
∼ χ2(p−1)(o−1) e também, ∼ χ2p o (r−1) ,
σ 2 + r σI2 σ2
onde ambas são independentes.
Assim, sob H0 temos que a estatı́stica
SQI
(σ 2 +r σI2 ) (p−1)(o−1) QMI
F0 = SQE
= ∼ F ((p − 1)(o − 1); p o (r − 1))
σ 2 p o (r−1)
QME
SQP SQI
∼ χ2(p−1) e também, ∼ χ2(p−1)(o−1) ,
σ 2 + r σI2 + o r σP2 σ 2 + r σI2
onde ambas são independentes.
Assim, sob H0 temos que a estatı́stica
SQP
(σ 2 +r σI2 +o r σP2 ) (p−1) QMP
F0 = SQI
= ∼ F ((p − 1); (p − 1)(o − 1))
(σ 2 +r σI2 ) (p−1)(o−1)
QMI
SQF 1 SQI
∼ χ2(o−1) e também, ∼ χ2(p−1)(o−1) ,
σ2 + r σI2 + p r σF2 1 σ2 + r σI2
onde ambas são independentes.
Assim, sob H0 temos que a estatı́stica
SQP
(σ 2 +r σI2 +p r σF2 ) (o−1) QMF 1
F0 = SQI
1
= ∼ F ((o − 1); (p − 1)(o − 1))
(σ 2 +r σI2 ) (p−1)(o−1)
QMI
O teste estatı́stico para as hipóteses (A, B, C) propostas é resumido na tabela 4.3. Essa
tabela é chamada tabela de análise de variânica. Caso o teste C implique em H0 ser não
4. Método da ANOVA (Completo) 84
significativo, ou seja, a interação ( Amostra × Fator1 ) será considerada nula. Neste caso, os
testes A e B serão realizados conforme a tabela 4.4. Para isso, vamos incorporar a soma de
quadrados da interação à soma de quadrados do erro. Assim, temos que SQE = SQT − SQP −
SQF 1 .
Aqui, vamos estimar as componentes de variância pelo método de momentos. Este método,
visa igualar os momentos populacionais aos momentos amostrais. Considerando o modelo com
interação temos:
E(QME ) = σ 2 =⇒ σ̂ 2 = QME
s
QMF 1 − QMI
VF1 = Fator1 (4.11)
pr
r
QMI − QME
VI = interação (4.12)
p r
VE = QME repetitividade (4.13)
q
VF = (VF1 )2 + (V I)2 reprodutibilidade (4.14)
p
R&R = (V E)2 + (V O)2 R&R (4.15)
r
QMP − QMI
VP = amostra (4.16)
p o∗r
VT = (R&R)2 + (V P )2 total (4.17)
E(QME ) = σ 2 =⇒ σ̂ 2 = QME
E(QMF 1 ) = σ 2 + p rσF2 1 =⇒ \
σ2 + p rσF2 1 = QMF 1
s
QMF 1 − QME
VF1 = Fator1 (4.18)
pr
p
VE = QME repetitividade (4.19)
q
VF = (VF1 )2 reprodutibilidade (4.20)
p
R&R = (V E)2 + (V F )2 R&R (4.21)
r
QMP − QME
VP = amostra (4.22)
p o∗r
VT = (R&R)2 + (V P )2 total (4.23)
Exemplo 4.1. Nesta aplicação usaremos uma anova two-way, ou seja, dois fatores aleatórios.
A tabela 4.5 apresenta as medições realizadas no copo PS, a coluna Ponto representa o ponto
de medição.
4. Método da ANOVA (Completo) 86
onde:
• αi é o efeito do Tempo;
p o r
2 1 XXX
S... = (yijk − ȳ... )2 = 0, 0005855
p o r − 1 i=1 j=1 k=1
p
1 X
Sp2 = (ȳi.. − ȳ... )2 = 0, 0000778
p − 1 i=1
o
1 X
So2 = (ȳ.j. − ȳ... )2 = 0, 0000069
o − 1 j=1
onde,
p = 1, 2 Pessoa
o = 1, 2 Tempo
r = 6 Réplica
2 2
SQT otal = (p o r − 1) S... = (23) S... = 0, 0134657
SQErro 0, 012449957
QMErro = =
por − p − o + 1 21
= 0, 000592855
σ̂ 2 = QME = 0, 000593
Considerando que os fatores não são significativo, temos que os componentes de variância
são desprezı́veis.
Exemplo 4.2. Para avaliar a exatidão das medições de dureza na escala HRB (ponto 52,39),
tomamos 2 tipos de penetradores e 2 operadores. Cada operador realizou 6 medições com cada
penetrador aleatóriamente. Os dados estão apresentados na tabela 4.7.
4. Método da ANOVA (Completo) 89
Op. A Op. B
Medições Medições
Penetrador 1 2 3 4 5 6 1 2 3 4 5 6
Bom 52 52 52,4 52 52,4 53 53 53 53,2 53,4 52,8 53
Ruim 72,2 71,2 71 70,2 72 72 42 72,4 72 73 73,2 72,3
Solução
2
• Cálculo do S... . Seja ȳ... = 61, 07 a média dos dados, com p = 2, o = 2 e r = 6. Então:
2 (52 − 61, 07)2 + (72, 2 − 61, 07)2 + · · · + (72, 00 − 61, 07)2 + (53, 00 − 61, 07)2
S... =
24 − 1
= 109, 6195
2
• Cálculo do Si.. . Veja a tabela 4.8.
Portanto,
2 140, 7
Si.. = = 140, 7
1
2
• Cálculo do S.j. . Veja a tabela 4.9.
Portanto,
2 1, 2667
S.j. = = 1, 2667
1
Utilizando as expressões (4.2), (4.3), (4.4), (4.5) e (4.6) e os resultados das variâncias
amotrais, temos que:
4. Método da ANOVA (Completo) 90
2
SQT = (p o r − 1) S... = 2521, 2496
2
SQO = p r (o − 1) S.j. = 15, 2004
2
SQP = o r (p − 1) Si.. = 1688, 4038
SQP
QMP = = (Penetrador)
p−1
SQO
QMO = = (Operador)
o−1
SQE
QME = = (Erro)
por − p − o + 1
Siga os procedimentos de montagem da tabela anova, com base na tabela 4.3, apresentada
no sexto passo da teoria.
Fonte GL SQ QM F
Penetrador
Operador
Erro
Total
p
VE = QME =
r
QMP − QME
VP = =
o∗r
s
QMO − QME
VO = =
p∗r
p
R&R = (V E)2 + (VO )2 =
p
VT = (R&R)2 + (V P )2 =
92
Capı́tulo 5
Método de Medição
d = l − lS
onde
Modelo Matemático
Então,
onde,
p
uc (d) = u2 (∆l ) + u2 (Res(Rel)) + u2 (Res(Cal)) + u2 (ls ) + u2 (Histerese)
r Pn r
i=1 u2A (i) 0, 0000030
u(∆l ) = = =
n 4
Onde
Distribuição: Normal
u(ls ) =
5. Cálculo de Incerteza de um Relógio Comparador 95
Distribuição: Retangular
u(Res(Cal)) =
Distribuição: Retangular
u(Res(Rel)) =
Histerese Máxima:
Incerteza Combinada:
p
uc (d) = (0, 000866)2 + (0, 002887)2 + (0, 0002887)2 + (0, 0005)2 + (0, 00144342)2
O relógio de medição é utilizado para medir uma tolerância de 0,2mm. Faça um estudo da
comprovação metrológica.
97
Capı́tulo 6
Cálculo de Incerteza de um
Manômetro
Resultados: A bancada foi ajustada com o manômetro (a ser calibrado) e as leituras foram
realizadas com o padrão. A tabela 6.1 apresenta os dados.
6. Cálculo de Incerteza de um Manômetro 98
• D: representa o Desvio;
Equação Matemática
Fontes de Incerteza
• Repetitividade - tipo A;
• Resolução do manômetro;
U (unidade)
U= 100% ,
200
6. Cálculo de Incerteza de um Manômetro 99
Então
U (%)
U (unidade) = 200
100
U (unidade)
uc =
k
• Histerese.
p
uc (M ) = u2 (∆l ) + u2 (Res(man)) + u2 (Res(padra)) + u2 (hP ad ) + u2 (Hist)
Onde
sP
n r
i=1 u2Ai 0, 0396111
u(∆l ) = = =
n 10
Onde
Distribuição: Normal
u(hP ad ) =
Distribuição: Retangular
u(Res(padra)) =
Distribuição: Retangular
u(Res(man)) =
6. Cálculo de Incerteza de um Manômetro 101
Histerese Máxima:
Incerteza combinada:
p
uc (M ) = (0, 062937)2 + (0, 1)2 + (0, 02887)2 + (0, 2887)2 + (0, 11547)2
U = k ∗ uc (M ) =
Capı́tulo 7
Modelo Matemático
Valores Encontrados:
Leitura
Padrão 1 2 3 4 Média Tend. DPM
40 40,11 40,15 40,16 40,12 40,135 0,135 0,0119024
80 80,12 80,16 80,14 80,13 80,138 0,1375 0,0085391
120 120,15 120,17 120,19 120,19 120,175 0,175 0,0095743
160 160,23 160,18 160,17 160,18 160,19 0,19 0,0135401
200 200,21 200,23 200,26 200,27 200,243 0,2425 0,0137689
7. Cálculo de Incerteza de um Voltı́metro Digital 104
Planilha de Incerteza
Incerteza Combinada:
4
uc (y)
υef f = νA =
uA (y)
Onde νA = j ∗ (n − 1) corresponde ao grau de liberdade tipo A, tal que j é o número de
pontos de calibração e n o número de leituras por ponto.
Incerteza Expandida:
Avaliação da incerteza: Suponha que este equipamento seja utilizado para medir uma
tolerância de 3 mV. Faça uma análise crı́tica da capacidade deste equipamento para medir
tal tolerância.
105
Capı́tulo 8
8.1 Calibração
X Equação de Medição
T : Representa a Tensão
Res: Resolução do multı́metro. Podemos supor que a resolução tem distribuição retangular
(ou uniforme) no intervalo − Res , Res
2 2
, onde Res é a resolução do artefato. Logo, a
incerteza devida a resolução será dada por:
Res
u(Res) = √
2 3
Inst: Instabilidade do multı́metro. Podemos supor que a Instabilidade tem distribuição retan-
gular (ou uniforme) no intervalo − Inst , Inst
2 2
, onde Inst é a Instabilidade do artefato.
8. Cálculo de Incerteza no Ensaio de Tensão 106
Inst
u(Inst) = √
2 3
Logo,
p
uc (T ) = u2 (herdM ) + u2 (Res) + u2 (Inst) + u2 (∆).
X Incerteza Expandida (U (T ))
Aqui, a expressão 8.2 representa a incerteza expandida para a Tensão.
U (T ) = k × uc (T ) (8.2)
(uc (T ))4
νef f (T ) = u4 (∆) u4 (herdM ) u4 (Res) u4 (Inst)
n−1
+ ∞
+ ∞
+ ∞
8.2 Aplicação
Considere um Ensaio de Tensão, utilizando um Multı́metro, são realizadas 5 leituras, na
unidade de milivolts (mV). Os resultados são apresentados na Tabela 8.2.
Leituras (mV)
97,761
102,488
100,870
98,941
100,510
Média 100,1139
Repetitividade 0,8148
uc (T ) =
((uc (T ))4
νef f (T ) = u4 (∆) u4 (herdM ) u4 (Res) u4 (Inst)
n−1
+ ∞
+ ∞
+ ∞
U (T ) = k × uc (T )
Capı́tulo 9
9.1 Calibração
X Equação de Medição
I: Representa a Corrente
Res: Resolução do multı́metro. Podemos supor que a resolução tem distribuição retangular
(ou uniforme) no intervalo − Res Res
2
, 2
, onde Res é a resolução do artefato. Logo, a
incerteza devida a resolução será dada por:
Res
u(Res) = √
2 3
Inst: Instabilidade do multı́metro. Podemos supor que a Instabilidade tem distribuição retan-
gular (ou uniforme) no intervalo − Inst Inst
2
, 2
, onde Inst é a Instabilidade do artefato.
9. Cálculo de Incerteza no Ensaio de Corrente 110
Inst
u(Inst) = √
2 3
Logo,
p
uc (I) = u2 (herdM ) + u2 (Res) + u2 (Inst) + u2 (∆).
onde, k (fator de abrangência) é o quantil da distribuição t-Student com νef f (I) graus de
liberdade e confiança de 95%. Aqui, os graus de liberdade são dados por:
(uc (I))4
νef f (I) = u4 (∆) u4 (herdM ) u4 (Res) u4 (Inst)
n−1
+ ∞
+ ∞
+ ∞
9.2 Aplicação
Considere um Ensaio de Corrente, utilizando um Multı́metro, são realizadas 5 leituras, na
unidade de miliamper (mA). Os resultados são apresentados na Tabela 9.2. Temos que, a
Instabilidade do Multı́metro é ±0, 2%.
Leituras (mA)
500,41
500,32
501,75
498,06
496,71
Média 499,45
Repetitividade 0,9058
uc (I) =
(uc (I))4
νef f (I) = u4 (∆) u4 (herdM ) u4 (Res) u4 (Inst)
n−1
+ ∞
+ ∞
+ ∞
U (I) = k × uc (I)
Capı́tulo 10
10.1 Calibração
X Equação de Medição
V
R= +∆
I
R: Representa a Impedancia;
2
2
∂R ∂R
u2c (R) = 2
u (V ) + u2 (I) + u2 (∆)
∂V ∂I
2 2
1 V
= u (V ) + − 2 u2 (I) + u2 (∆)
2
I I
Logo,
s 2 2 2
u(V ) u(I) u(∆)
ur (R) = + +
V I R
p
= u2r (V ) + u2r (I) + u2r (∆)
onde, k (fator de abrangência) é o quantil da distribuição t-Student com νef f (R) graus
de liberdade e confiança de 95%. Aqui, os graus de liberdade são dados por:
(ur (R))4
νef f (R) = u4r (V ) u4r (I) u2r (∆)
=∞
∞
+ ∞
+ n−1
10.2 Aplicação
Considere um Ensaio de Impedância, utilizando os dados dos Capı́tulos 9 e 8, temos os
valores da Impedância na Tabela 10.2
ur (R) =
10. Cálculo de Incerteza no Ensaio de Impedância 116
(ur (R))4
νef f (R) = u4r (V ) u4r (I) u2r (∆)
∞
+ ∞
+ n−1
U (R) = k × ur (R)
Apêndice A
Parâmetros Caracterı́sticos de um
Sistema de Medição
Faixa Nominal
A faixa nominal é a faixa de indicação que se pode obter em uma posição especı́fica dos
controles de um instrumento de medição. A faixa nominal normalmente é definida em termos
de seus limites inferiores e superiores. Exemplos:
Quando o limite inferior é zero, a faixa nominal pode ser definida unicamente em termos do
limite superior, por exemplo: a faixa nominal de 0V a 100V é expressa como ”100 V”.
A amplitude da faixa nominal é a diferença, em módulo, entre os dois limites de uma faixa
nominal de -10 V a + 10 V a amplitude da faixa nominal é 20 V. Em algumas áreas, a diferença
entre o maior e o menor valor é denominado faixa.
A. Parâmetros Caracterı́sticos de um Sistema de Medição 118
Faixa de Medição
Divisão de Escala
É a distância entre duas marcas sucessivas quaisquer, medidas ao longo da linha do com-
primento de escala. O comprimento de uma divisão é expresso em unidades de comprimento.
Qualquer que seja a unidade mensurado ou a unidade marcada sobre a escala.
O valor de uma divisão é a diferença entre os valores de escala correspondente a duas marcas
sucessivas.
Condições de Utilização
Condições de Referência
A. Parâmetros Caracterı́sticos de um Sistema de Medição 119
Caracterı́stico de Resposta
Sensibilidade
Limiar de Mobilidade
Resolução
b) Nos sistemas de medição com dispositivo mostrador analógico, a resolução é função das
limitações do executor da leitura, da qualidade do indicador e da própia necessidade de
leituras mais ou menos criteriosas.
A. Parâmetros Caracterı́sticos de um Sistema de Medição 120
Estabilidade
Discrição
Deriva
Tempo de Resposta
Classe de Exatidão
São os valores extremos de um erro admissı́vel por especificações, regulamentos, etc, para
um dado instrumento de medição. Também denominado de Limites de Erros Admissı́veis.
Tendência
Isenção de Tendência
Repetitividade
• Mesmo avaliador;
• Mesmo local;
Histerese
Apêndice B
Tabelas Estatı́sticas
B. Tabelas Estatı́sticas 124
• Distribuição T-Student
• Distribuição de Fisher-Snedecor
G.L. Graus de liberdade do numerador
Denom. 1 2 3 4 5 6 7 8 9 10 15 20 25 30 60 120 ∞
B. Tabelas Estatı́sticas
1 647,8 799,5 864,2 899,58 921,84 937,11 948,21 956,65 963,29 968,63 984,87 993,103 998,08 1001,41 1009,8 1014,02 1018,26
2 38,50 39 39,17 39,248 39,298 39,331 39,355 39,373 39,387 39,398 39,431 39,448 39,458 39,46 39,48 39,49 39,5
3 17,44 16,04 15,44 15,101 14,885 14,735 14,624 14,54 14,473 14,419 14,253 14,167 14,115 14,08 13,99 13,95 13,9
4 12,21 10,64 9,98 9,605 9,364 9,197 9,074 8,98 8,905 8,844 8,657 8,56 8,501 8,46 8,36 8,31 8,26
5 10,00 8,434 7,75 7,388 7,146 6,978 6,853 6,757 6,681 6,619 6,428 6,329 6,268 6,23 6,12 6,07 6,02
6 8,813 7,26 6,599 6,227 5,988 5,82 5,695 5,6 5,523 5,461 5,269 5,168 5,107 5,07 4,96 4,9 4,85
7 8,073 6,542 5,89 5,523 5,285 5,119 4,995 4,899 4,823 4,761 4,568 4,467 4,405 4,36 4,25 4,2 4,14
8 7,571 6,059 5,416 5,053 4,817 4,652 4,529 4,433 4,357 4,295 4,101 3,999 3,937 3,89 3,78 3,73 3,67
9 7,209 5,715 5,078 4,718 4,484 4,32 4,197 4,102 4,026 3,964 3,769 3,667 3,604 3,56 3,45 3,39 3,33
10 6,937 5,456 4,826 4,468 4,236 4,072 3,95 3,855 3,779 3,717 3,522 3,419 3,355 3,31 3,2 3,14 3,08
11 6,724 5,256 4,63 4,275 4,044 3,881 3,759 3,664 3,588 3,526 3,33 3,226 3,162 3,12 3 2,94 2,88
12 6,554 5,096 4,474 4,121 3,891 3,728 3,607 3,512 3,436 3,374 3,177 3,073 3,008 2,96 2,85 2,79 2,72
13 6,414 4,965 4,347 3,996 3,767 3,604 3,483 3,388 3,312 3,25 3,053 2,948 2,882 2,84 2,72 2,66 2,6
14 6,298 4,857 4,242 3,892 3,663 3,501 3,38 3,285 3,209 3,147 2,949 2,844 2,778 2,73 2,61 2,55 2,49
15 6,2 4,765 4,153 3,804 3,576 3,415 3,293 3,199 3,123 3,06 2,862 2,756 2,689 2,64 2,52 2,46 2,4
16 6,115 4,687 4,077 3,729 3,502 3,341 3,219 3,125 3,049 2,986 2,788 2,681 2,614 2,57 2,45 2,38 2,32
17 6,042 4,619 4,011 3,665 3,438 3,277 3,156 3,061 2,985 2,922 2,723 2,616 2,548 2,5 2,38 2,32 2,25
18 5,978 4,56 3,954 3,608 3,382 3,221 3,1 3,005 2,929 2,866 2,667 2,559 2,491 2,44 2,32 2,26 2,19
19 5,922 4,508 3,903 3,559 3,333 3,172 3,051 2,956 2,88 2,817 2,617 2,509 2,441 2,39 2,27 2,2 2,13
20 5,871 4,461 3,859 3,515 3,289 3,128 3,007 2,913 2,837 2,774 2,573 2,464 2,396 2,35 2,22 2,16 2,09
21 5,827 4,42 3,819 3,475 3,25 3,09 2,969 2,874 2,798 2,735 2,534 2,425 2,356 2,31 2,18 2,11 2,04
22 5,786 4,383 3,783 3,44 3,215 3,055 2,934 2,839 2,763 2,7 2,498 2,389 2,32 2,27 2,14 2,08 2
23 5,75 4,349 3,75 3,408 3,183 3,023 2,902 2,808 2,731 2,668 2,466 2,357 2,287 2,24 2,11 2,04 1,97
24 5,717 4,319 3,721 3,379 3,155 2,995 2,874 2,779 2,703 2,64 2,437 2,327 2,257 2,21 2,08 2,01 1,94
25 5,686 4,291 3,694 3,353 3,129 2,969 2,848 2,753 2,677 2,613 2,411 2,3 2,23 2,18 2,05 1,98 1,91
26 5,659 4,265 3,67 3,329 3,105 2,945 2,824 2,729 2,653 2,59 2,387 2,276 2,205 2,16 2,03 1,95 1,88
27 5,633 4,242 3,647 3,307 3,083 2,923 2,802 2,707 2,631 2,568 2,364 2,253 2,183 2,13 2 1,93 1,85
28 5,61 4,221 3,626 3,286 3,063 2,903 2,782 2,687 2,611 2,547 2,344 2,232 2,161 2,11 1,98 1,91 1,83
29 5,588 4,201 3,607 3,267 3,044 2,884 2,763 2,669 2,592 2,529 2,325 2,213 2,142 2,09 1,96 1,89 1,81
30 5,568 4,182 3,589 3,25 3,026 2,867 2,746 2,651 2,575 2,511 2,307 2,195 2,124 2,07 1,94 1,87 1,79
60 5,286 3,925 3,343 3,008 2,786 2,627 2,507 2,412 2,334 2,27 2,061 1,944 1,869 1,82 1,667 1,581 1,482
120 5,152 3,805 3,227 2,894 2,674 2,515 2,395 2,299 2,222 2,157 1,945 1,825 1,746 1,69 1,529 1,433 1,31
∞ 5,024 3,689 3,116 2,786 2,567 2,408 2,288 2,192 2,114 2,048 1,833 1,708 1,626 1,57 1,388 1,268 1,004
1 0,0015 0,0260 0,0573 0,0818 0,0999 0,1135 0,1239 0,1321 0,1387 0,1442 0,1613 0,1703 0,1759 0,1796 0,1892 0,1941 0,1990
2 0,0013 0,0256 0,0623 0,0939 0,1186 0,1377 0,1529 0,1650 0,1750 0,1833 0,2099 0,2242 0,2331 0,2391 0,2548 0,2628 0,2711
3 0,0012 0,0255 0,0648 0,1002 0,1288 0,1515 0,1698 0,1846 0,1969 0,2072 0,2408 0,2592 0,2707 0,2786 0,2992 0,3099 0,3209
4 0,0011 0,0255 0,0662 0,1041 0,1354 0,1606 0,1811 0,1979 0,2120 0,2238 0,2629 0,2845 0,2982 0,3077 0,3325 0,3455 0,3590
5 0,0011 0,0254 0,0672 0,1068 0,1399 0,1670 0,1892 0,2076 0,2230 0,2361 0,2796 0,3040 0,3196 0,3304 0,3589 0,3740 0,3896
6 0,0011 0,0254 0,0679 0,1087 0,1433 0,1718 0,1954 0,2150 0,2315 0,2456 0,2929 0,3197 0,3369 0,3488 0,3806 0,3976 0,4152
7 0,0011 0,0254 0,0684 0,1102 0,1459 0,1756 0,2002 0,2208 0,2383 0,2532 0,3036 0,3325 0,3511 0,3642 0,3989 0,4176 0,4371
8 0,0010 0,0254 0,0688 0,1114 0,1480 0,1786 0,2041 0,2256 0,2438 0,2594 0,3126 0,3433 0,3632 0,3772 0,4147 0,4349 0,4562
9 0,0010 0,0254 0,0691 0,1123 0,1497 0,1810 0,2073 0,2295 0,2484 0,2646 0,3202 0,3525 0,3736 0,3884 0,4284 0,4501 0,4731
10 0,0010 0,0254 0,0694 0,1131 0,1511 0,1831 0,2100 0,2328 0,2523 0,2690 0,3268 0,3605 0,3826 0,3982 0,4405 0,4636 0,4882
11 0,0010 0,0254 0,0696 0,1137 0,1523 0,1849 0,2123 0,2357 0,2556 0,2729 0,3325 0,3675 0,3906 0,4069 0,4513 0,4757 0,5018
12 0,0010 0,0254 0,0698 0,1143 0,1533 0,1864 0,2143 0,2381 0,2585 0,2762 0,3375 0,3737 0,3976 0,4146 0,4610 0,4867 0,5142
13 0,0010 0,0254 0,0699 0,1147 0,1541 0,1877 0,2161 0,2403 0,2611 0,2791 0,3419 0,3792 0,4039 0,4215 0,4698 0,4966 0,5256
14 0,0010 0,0254 0,0700 0,1152 0,1549 0,1888 0,2176 0,2422 0,2633 0,2817 0,3458 0,3842 0,4096 0,4278 0,4778 0,5057 0,5360
15 0,0010 0,0254 0,0702 0,1155 0,1556 0,1898 0,2189 0,2438 0,2653 0,2840 0,3494 0,3886 0,4148 0,4334 0,4851 0,5141 0,5457
16 0,0010 0,0254 0,0703 0,1158 0,1562 0,1907 0,2201 0,2453 0,2671 0,2860 0,3526 0,3927 0,4195 0,4386 0,4919 0,5219 0,5547
17 0,0010 0,0254 0,0704 0,1161 0,1567 0,1915 0,2212 0,2467 0,2687 0,2879 0,3555 0,3964 0,4238 0,4434 0,4981 0,5291 0,5631
18 0,0010 0,0254 0,0704 0,1164 0,1572 0,1922 0,2222 0,2479 0,2702 0,2896 0,3582 0,3998 0,4277 0,4477 0,5039 0,5358 0,5709
19 0,0010 0,0254 0,0705 0,1166 0,1576 0,1929 0,2231 0,2490 0,2715 0,2911 0,3606 0,4029 0,4313 0,4518 0,5093 0,5421 0,5783
20 0,0010 0,0253 0,0706 0,1168 0,1580 0,1935 0,2239 0,2500 0,2727 0,2925 0,3629 0,4058 0,4347 0,4555 0,5143 0,5480 0,5853
21 0,0010 0,0253 0,0706 0,1170 0,1584 0,1940 0,2246 0,2510 0,2738 0,2938 0,3649 0,4084 0,4378 0,4590 0,5190 0,5535 0,5919
22 0,0010 0,0253 0,0707 0,1172 0,1587 0,1945 0,2253 0,2518 0,2749 0,2950 0,3668 0,4109 0,4407 0,4623 0,5234 0,5587 0,5981
23 0,0010 0,0253 0,0708 0,1173 0,1590 0,1950 0,2259 0,2526 0,2758 0,2961 0,3686 0,4132 0,4434 0,4653 0,5275 0,5636 0,6041
24 0,0010 0,0253 0,0708 0,1175 0,1593 0,1954 0,2265 0,2533 0,2767 0,2971 0,3703 0,4154 0,4460 0,4682 0,5314 0,5683 0,6097
25 0,0010 0,0253 0,0708 0,1176 0,1595 0,1958 0,2270 0,2540 0,2775 0,2981 0,3718 0,4174 0,4484 0,4709 0,5351 0,5727 0,6151
26 0,0010 0,0253 0,0709 0,1178 0,1598 0,1962 0,2275 0,2547 0,2783 0,2990 0,3733 0,4193 0,4506 0,4734 0,5386 0,5769 0,6202
27 0,0010 0,0253 0,0709 0,1179 0,1600 0,1965 0,2280 0,2552 0,2790 0,2998 0,3746 0,4210 0,4527 0,4758 0,5419 0,5809 0,6251
28 0,0010 0,0253 0,0710 0,1180 0,1602 0,1968 0,2284 0,2558 0,2797 0,3006 0,3759 0,4227 0,4547 0,4780 0,5451 0,5847 0,6298
29 0,0010 0,0253 0,0710 0,1181 0,1604 0,1971 0,2288 0,2563 0,2803 0,3013 0,3771 0,4243 0,4566 0,4802 0,5481 0,5883 0,6343
30 0,0010 0,0253 0,0710 0,1182 0,1606 0,1974 0,2292 0,2568 0,2809 0,3020 0,3783 0,4258 0,4584 0,4822 0,5509 0,5917 0,6386
60 0,0010 0,0253 0,0715 0,1196 0,1633 0,2017 0,2351 0,2642 0,2899 0,3127 0,3962 0,4498 0,4874 0,5155 0,6000 0,654 0,72
120 0,0010 0,0253 0,0717 0,1203 0,1648 0,2039 0,2382 0,2682 0,2948 0,3185 0,4063 0,4638 0,5048 0,5358 0,6320 0,698 0,788
∞ 0,0010 0,0253 0,0719 0,1211 0,1662 0,2062 0,2414 0,2725 0,3000 0,3247 0,4175 0,4795 0,5248 0,5597 0,6750 0,763 0,996
• Distribuição Qui-quadrado
Referências Bibliográficas
[4] CIPM (1981) INC, BIPM Proc. Verb. Com. Int. Poids et Mesures, vol. 18, Metrologia
(1992), 43-44 (English).
[5] BIPM, IEC, IFCC, ISO, IUPAC, OIML, Guide to the Expression of Uncertainty in Mea-
surement. International Organization for Standardization, Genebra, Switzerland, Second
Edition, 1995.
[6] NIS 3003, The Expression of Uncertainty and Confidence in Measurement for Calibrations,
Edition 8, may 1995.
[8] Montgomery, D. C. (1997), Design and Analysis of Experiments, Fourth Edition - Ed. John
Wiley & Sons.