3 - Fundamentos de Estatistica

Por Joaquim Alves Gaspar, modified by ed g2s - Obra do próprio, CC BY 2.5, https://commons.wikimedia.org/w/index.php?
curid=1365717
Fundamentos de
Estatística Aplicados na
CEFET-MG Campus Araxá

Metrologia
1
Prof.: Thiago G. Cardoso
Contato: thiagocardoso@cefetmg.br
https://lh3.googleusercontent.com/proxy/Jt8Yol7NtU-XiMRUVmRvrA8xwD63FNxAlGI8s3-
QHkv7AqYVN3MbChPTlvstJ24bevKeomaeqs-HW5RYAa5ArhpFWNCcpgbSXNK4Mg
TODOS OS DIREITOS PROTEGIDOS. Nos
termos da Lei nº 9.610, de 19 de fevereiro de
1998.
É proibida a reprodução total, parcial, de
qualquer forma ou por qualquer meio, à

exceção de exibição para estudo por parte dos
alunos(as) autorizados pelo autor.
Imagem de Clker-Free-Vector Images por Pixabay

Principais tópicos da aula:
 Compreender uma distribuição

QualGaussiana;
a
importância da
 Calcular média, desvio padrão;
metrologia?
 Precisão e exatidão de medição: relação com a

estatística;
 Resultado de medição;
 Algarismos significativos;
 Técnicas de arredondamento; 3
Motivação
Valores médios de Dureza Rockwell B
80
Fez-se apenas 1
60 medida

A B
Fez-se dois processos de endurecimento superficial em

uma peça de aço 1020
4
Qual foi o melhor?
Motivação
Fez-se 10
80
medidas
RM = 𝑋ത ± 𝐷𝑒𝑠𝑣𝑖𝑜
60

No mínimo
A B
Fez-se dois processos de endurecimento superficial em
uma peça de aço 1020
5
Qual foi o melhor?
Motivação
 Existem funções que são perfeitamente determinadas
ou são previsíveis
𝑓 𝑥 = 2𝑥 − 4 𝑥 = 3; 4; 5 …
Função determinística !!!

 No mundo real....
É impossível prever
Resistência mecânica A duração de uma esses valores
de um material lâmpada
A soma de dois dados Os números da Funções aleatórias

honestos MEGASENA (podemos apenas 6
prever seus limites
!!)
Conceitos Básicos de Estatística
 A maioria dos eventos em nosso cotidiano não são
determinísticos (não seguem uma lei fixa). Eles são
variáveis, e na maioria dos casos não conseguimos
prever com 100 % de certeza o próximo valor:
Lançamento de um dado

Valor de Limite de escoamento de duas
amostras de aço consecutivas
O próximo valor de um diâmetro
medido com um micrômetro
7
Podemos fazer um tratamento estatístico e prever
seus limites !!!!
Motivação
 Para que possamos trabalhar com essas funções
aleatórias, prevendo seus limites e as probabilidades de
ocorrência de um valor médio, utilizamos a estatística
Estatística sob a visão de Fisher: “a

matemática aplicada à análise dos dados
numéricos de observação”. (Silva Neto, 2012)
 Pode-se dizer que a estatística é uma ciência que utiliza

teorias probabilísticas para explicar eventos, estudos e
experimentos.
8
Utiliza métodos científicos para coletar e
analisar os dados
Motivação
 Para que possamos trabalhar com essas funções
aleatórias, prevendo seus limites e as probabilidades de
ocorrência de um valor médio, utilizamos a estatística
Estatística sob a visão de Fisher: “a

matemática aplicada à análise dos dados
numéricos de observação”. (Silva Neto, 2012)
 As medições na metrologia devem ser analisadas sob

as definições da estatística !!!!
9
POR QUE????
Motivação
 É necessário um conhecimento básico em estatística
para que possamos bem expressar o resultado de
uma medição.
Os instrumentos de medição, bem

como o mensurando, não são perfeitos.
Tem-se variações nas leituras e nas
dimensões do mensurando
Mesmo assim precisamos expressar o resultado de

medição.
A estatística nos dá meios de reconhecer e lidar com as
variabilidades 10
no processo de medição
 Lançamento de um dado: Se eu lanço 2 dados, qual
a chance de se obter a soma 7? E soma 12?
Essas são as minhas possibilidades

11
(ALBERTAZZI, 2002, p. 119)
 A chance de se obter soma 7 é de: 6/36=1/6. Essa é
sua probabilidade de ocorrência
Densidade de probabilidade

36
1
×
12

Teorema central do limite

• Quanto mais variáveis aleatórias forem
combinadas, tanto mais o comportamento
da combinação se aproximará do
comportamento de uma distribuição
normal (ou gaussiana).
13
Média de dois dados

7
6
P rob a b ilid ade (1/36)
0
0 1 2 3 4 5 6 7
M é di a d e 2 d a do s
(ALBERTAZZI, 2002) 14
Média de três dados

30
Pr o bab ilid ade (1/2 16)
25
20
15
10
0
0 1 2 3 4 5 6 7
Média de quatro dados

16 0
14 0
Pro bab ilid a d e (1 /12 96)
12 0
10 0
80
60
40
20
0
0 1 2 3 4 5 6 7
Média de seis dados

50 0 0
45 0 0
Pro ba bili dad e ( 1/ 466 56)
40 0 0
35 0 0
30 0 0
25 0 0
20 0 0
15 0 0
10 0 0
50 0
0
0 1 2 3 4 5 6 7
Média de oito dados

160000
Probabilidade (1/1679616)
140000
120000
100000
80000
60000
40000
20000
0
0 1 2 3 4 5 6 7
Média de 8 dados
Curva normal (distribuição de
Gauss)

pontos de inflexão
s = desvio padrão
m = média
assíntota s s assíntota 19
m
Curva normal (distribuição de
Gauss)

A distribuição das dimensões
de um lote de peças
fabricadas por uma máquina
A distribuição em um alvo de
tiros dados por um atirador
assíntota s s assíntota
m
Os Erros de medição
Altura de uma certa 20

Temperatura média do dia 21
população em uma certa
de abril de cada ano
idade
 Se o evento for aleatório, como por exemplo as
medições, e tomadas infinitas leituras temos a
distribuição gaussiana normal

21

 Vamos comparar três equipamentos de envase (a, b
e c). Qual a diferença entre eles?
(ALBERTAZZI, 2002, p. 121) O b apresenta menor
dispersão

22
Somente a média não é suficiente
para descrever um conjunto de
dados !!
Efeito do desvio padrão
O desvio padrão de uma distribuição é uma medida do

seu grau de dispersão.
s>s>s
23
m
Efeito do desvio padrão
O desvio padrão de uma distribuição é uma medida do

seu grau de dispersão.
24
A probabilidade dos eventos estarem entre µ±2σ é de
95,45 % para um evento gaussiano
 O equipamento ‘b’ apresenta menor dispersão
(desvio padrão σ)

 Outro parâmetro importante que caracteriza uma
função aleatória é o seu valor central ( o 7 do
exemplo dos dados), isto é a média
25
 Os conceitos de média (μ) e desvio padrão (σ) são
válidos para uma função aleatória. Para caracterizá-
los perfeitamente pelas equações anteriores é
necessário envolver um número infinito de valores
observados desta função, isto é, toda a população.

População: é o conjunto total de indivíduos sobre o
qual se faz uma inferência. Ex.: toda a população
brasileira
Amostra: é o subconjunto de uma parte selecionada

de uma população. Ex.: alguns indivíduos que
respondem as pesquisas eleitorais 26
 Os conceitos de média (μ) e desvio padrão (σ) são válidos para
uma função aleatória. Para caracterizá-los perfeitamente pelas
equações anteriores é necessário envolver um número infinito
de valores observados desta função, isto é, toda a população.
 Na prática, não se tem tempo para coletar um número infinito
de valores. É comum considerar apenas uma amostra de n
valores desta população. A média e o desvio padrão da

população são estimados a partir da média, do desvio padrão e
do tamanho da amostra. A média e o desvio padrão da amostra
são calculados por:
n
x =
xn
i  (x
i =1
i  x) 2
i =1 n
s=
n 1 27
Média Aritmética Desvio Padrão Amostral

Precisão e exatidão de medição
PRESIÇÃO X EXATIDÃO
 Precisão:
Grau de concordância entre indicações ou valores
medidos, obtidos por medições repetidas, no mesmo

objeto ou em objetos similares, sob condições
especificadas.
Exatidão:
Grau de concordância entre um valor medido e um valor
verdadeiro dum mensurando (VIM, 2012).
28
 Qual dos dois conceitos se relacionam com as
medidas estatísticas vistas?? Por que??
n
x =
n
xi  (x
i =1
i  x) 2
i =1 n
s=
n 1

Média Aritmética Desvio Padrão Amostral
Relacionado com a Precisão

29
de medição
PRESIÇÃO X EXATIDÃO
Preciso Exato não-
não-exato preciso
Ea Ea
Es Es

A B
D C
Ea Ea
Es Es
Preciso Não- 30
Exato Preciso
não- Exato
Quantas vezes medir para
obter o resultado de uma
medição?

Sempre que possível medir
pelo menos 5 vezes.
39
Porque medir n vezes?

Detectar erros grosseiros
Analisar estatisticamente os dados
Estimar a incerteza de medição
40
RESULTADO DE MEDIÇÃO
NO PIOR DOS CASOS

RM = x  s unidade (SI)
Confiabilidade de 68,27%
41
NO PIOR DOS CASOS

RM = x  2s unidade (SI)
42

RM = 40  3 mm
RM = 0 ,215  0 ,022 g
RM=25±2 ºC
43
RM=30°12'10"±10'25"
NO PIOR DOS CASOS

Caso tivéssemos uma distribuição gaussiana
(infinitas leituras). Como temos finitas leituras
44
(desvio padrão amostral) o RM é corretamente
expresso por:
Caso tivéssemos uma distribuição gaussiana
(infinitas leituras). Como temos finitas leituras
(desvio padrão amostral) o RM é corretamente
expresso por:

NO PIOR DOS CASOS
Resultado para um mensurando variável com
uma fonte de incerteza dominante
RM = x  Td  Re unidade (SI)
45
Confiabilidade de 95% (corrigido pelo
coeficiente t-Student)
𝑅𝑒 = 𝑡 × 𝑠 Confiabilidade de 95%
O coeficiente t de Student é baseado no número de

graus de liberdade (ν)
ν = 𝑛º 𝑙𝑒𝑖𝑡𝑢𝑟𝑎𝑠 (𝑛) − 1
Ao se aumentar a quantidade de graus 46

de liberdade, a distribuição t_Student se
aproxima da distribuição normal
Graus de Fração em porcentagem
liberdade 68,27(a) 90 95 95,45(a) 99 99,73(a)

Tabela t de
1 1,84 6,31 12,71 13,97 63,66 235,80
2 1,32 2,92 4,30 4,53 9,92 19,21
3 1,20 2,35 3,18 3,31 5,84 9,22
Student
4 1,14 2,13 2,78 2,87 4,60 6,62
5 1,11 2,02 2,57 2,65 4,03 5,51
6 1,09 1,94 2,45 2,52 3,71 4,90

7 1,08 1,89 2,36 2,43 3,50 4,35
8 1,07 1,86 2,31 2,37 3,36 4,28
9 1,06 1,83 2,26 2,32 3,25 4,09
10 1,05 1,81 2,23 2,28 3,17 3,96
11 1,05 1,80 2,20 2,25 3,11 3,85

12 1,04 1,78 2,18 2,23 3,05 3,76

13 1,04 1,77 2,16 2,21 3,01 3,69
14 1,04 1,76 2,14 2,20 2,98 3,64
15 1,03 1,75 2,13 2,18 2,95 3,59
16 1,03 1,75 2,12 2,17 2,92 3,54

17 1,03 1,74 2,11 2,16 2,90 3,51
18 1,03 1,73 2,10 2,15 2,88 3,48
19 1,03 1,73 2,09 2,14 2,86 3,45
20 1,03 1,72 2,09 2,13 2,85 3,42
25 1,02 1,71 2,06 2,11 2,79 3,33

30 1,02 1,70 2,04 2,09 2,75 3,27
35 1,01 1,70 2,03 2,07 2,72 3,23
40 1,01 1,68 2,02 2,06 2,70 3,20
48
45 1,01 1,68 2,01 2,06 2,69 3,18
50 1,01 1,68 2,01 2,05 2,68 3,16

100 1,005 1,660 1,984 2,03 2,626 3,077
∞ 1,000 1,645 1,960 2,00 2,576 3,000
Exercício
Paquímetro Micrômetro
Nônio de 50 div. Com nônio
20,04 mm 20,025 mm
20,16 mm 19,995 mm
19,98 mm 19,990 mm

19,86 mm 20,001 mm
20,00 mm 20,003 mm
49
Fonte: https://www.casio-
intl.com/product/image/1425458799170/
Exercício
20,04 mm 20,025 mm
20,16 mm 19,995 mm
19,98 mm 19,990 mm

19,86 mm 20,001 mm
20,00 mm 20,003 mm
x = 20,008 mm x = 20,0028 mm
s = 0,108259 mm s = 0,013424 mm
50
RM = 20,008  0,108259 mm RM = 20,0028  0,013424 mm
Resultado de medição
RM = 20,008  0,108259 mm
RM = 20,0028  0,013424 mm

Esses valores estão corretos?
Quantos algarismos significativos? 51

Algarismos significativos?
Qual o comprimento do lápis?
9,0 cm?
9,5 cm?

Resolução 0,5 cm
Quantos décimos de centimetros devemos

considerar?
É impossível precisar.
52
9,0 cm?
9,5 cm?
Temos certeza do 9 - algarismo correto.

O algarismo que aparecerá após o
número 9 não carrega a mesma certeza –
algarismo duvidoso
(Duvidoso - Foi estimado, um outro

observador poderia fazer uma estimativa 53
diferente).
9,0 cm?
9,5 cm?

A medida do comprimento do lápis deve
ser expressa por dois algarismos.
Exemplo: 9,1; 9,2 ou 9,3 cm.
Esses dois algarismos são denominados 54

algarismos significativos.
Algarismos significativos: Dado o

resultado de uma medição, os algarismos
significativos são todos aqueles contados,

da esquerda para a direita, a partir do
primeiro algarismo diferente de zero.
São aqueles que sabemos estarem

corretos e mais um e apenas um
duvidoso.
55
Exemplos:
45,30 mm (quatro algarismos
significativos).
0,0595 m (três algarismos significativos).

0,0450 kg (três algarismos
significativos).
56
Zeros à esquerda. Qual seu significado?
d = 4,75 mm d = 0,00000475 km

?
Três algarismos significativos Três algarismos
significativos
A medida d dada em km continua

intacta, tendo sido alterada apenas a 57
unidade em que está apresentada.

Zeros à esquerda????
NOTA: Zeros à esquerda do primeiro

algarismo diferente de zero (antes ou

depois da vírgula) não constituem
algarismos significativos. Refletem
apenas a utilização de unidades ou seus
múltiplos e submúltiplos).
58
Zeros à direita. Qual seu significado?
Comprimento de peça.
L = 46,30 mm L = 46,3 mm

R=0,01 mm R=0,1 mm
Quatro algarismos Três algarismos

significativos significativos
A diferença é que há maior exatidão de medição

no processo para se obter o resultado 46,30 59
mm.
Matematicamente
46,30 = 46,3

Metrologicamente
46,30 mm ≠ 46,3 mm
Número + Unidade
Sistema de medição - Exatidão 60
Zeros à direita?
Zeros à direita do primeiro algarismo

diferente de zero constituem algarismos
significativos.
61
Algarismos significat., corretos e duvidosos.
Medição com paquímetro

Paquímetro
20,04 mm
20,16 mm

L-?
19,98 mm
19,86 mm
20,00 mm
Paquímetro = 0,02 mm
20,04 mm – 4 algarismos significativos

62
Os 3 primeiros – corretos (2, 0 e 0)
O quarto é duvidoso (4)
Algarismos significat., corretos e duvidosos.
Medição com micrômetro

Micrômetro
20,025 mm
L-?
19,995 mm

19,990 mm
20,001 mm
20,003 mm
Micrômetro = 0,001 mm
20,025 mm – 5 algarismos significativos

Os 4 primeiros – corretos
63
O quinto é duvidoso
Exercício
20,04 mm FAZER O 20,025 mm
ARREDONDAMENTO DOS
20,16 mm RESULTADOS DE ACORDO 19,995 mm
19,98 mm 19,990 mm

COM A RESOLUÇÃO DO
19,86 mm SISTEMA DE MEDIÇÃO 20,001 mm
20,00 mm 20,003 mm
x = 20,008 mm x = 20,0028 mm
s = 0,108259 mm s = 0,013424 mm
64
RM = 20,008  0,108259 mm RM = 20,0028  0,013424 mm
TÉCNICAS DE ARREDONDAMENTO (NBR
5891)
 Se o algarismo à direita do último dígito

que se pretende representar for inferior a
5, 50, 500, ... apenas desprezam-se os

demais dígitos à direita.
Exemplo:
3,141592 com três algarismos

significativos
65
3,14
TÉCNICAS DE ARREDONDAMENTO
(NBR 5891)

que se pretende representar for maior que
5, 50, 500, ... adiciona-se uma unidade ao
último dígito representado e desprezam-se

os demais dígitos à direita.
Exemplo:
3,141592 com cinco algarismos
significativos
66
3,1416
(NBR 5891)

que se pretende representar for 5, 50, 500
...

-Adiciona-se uma unidade ao último dígito
e desprezam-se os demais dígitos à direita,
se esse dígito for originalmente ímpar,
- apenas são desprezados os demais

dígitos `a direita se esse dígito for 67
originalmente par ou zero .
(NBR 5891)

que se pretende representar for 5, 50, 500
...

Exemplos
16,25 com 3 algarismos significativos = 16,2
16,05 com 3 algarismos significativos = 16,0
16,15 com 3 algarismos significativos = 16,2 68

Resultados do cálculo da média e do desvio
padrão
20,04 mm 20,025 mm
20,16 mm 19,995 mm

19,98 mm 19,990 mm
19,86 mm 20,001 mm
20,00 mm 20,003 mm
x = 20,008 mm x = 20,0028 mm
s = 0,108259 mm s = 0,013424 mm 69
Resultados do cálculo da média e do desvio
padrão
RM = x  Td  Re unidade (SI)
Confiabilidade de 95%
IMPORTANTE: Não foi informado o valor

da tendência. Tem-se 4 graus de liberdade.

Dessa forma, ν=4 e portanto t= 2,78 para
P=95 % arredondamento
x = 20,008 mm x = 20,01 mm
Re = 0,108259 mm  2,78 = 0,300960 mm Re = 0,30 mm
x = 20,0028 mm x = 20,003 mm
70
Re = 0,013424 mm  2,78 = 0,037319 mm Re = 0,037 mm

Resultado de medição
Paquímetro
RM = 20,01  0,30 mm
Confiabilidade de 95 %

Micrômetro
RM = 20,003  0,037 mm
Confiabilidade de 95 %
71
IMPORTANTE: Nunca somar a média e o
desvio padrão.
Características de uma
distribuição gaussiana
Interpretação prática da
média

https://s2.glbimg.com/hkWqKELhkG5rDCHxhMwMupoJtP0=/620x408/s.glbimg.com/po/tt/f/original/2012/03/29/apr
Interpretação prática do
desvio padrão
esentacao-em-powerpoint.jpg. Acesso em 30/07/2020
Expressar de maneira,
ainda introdutória, o
Expressar o RM de acordo
RM
com a quantidade de
algarismos significativos da 74
resolução
Bibliografia
ALBERTAZZI, Armando. Souza, André R. Fundamentos de metrologia
científica e industrial. Barueri, SP: Editora Manole. 2013.
SILVA NETO, JOÃO CIRILO- Metrologia e Controle Dimensional: Conceitos,

Normas e Aplicações, 2012.

ABNT/ISO NBR 5891:1977 – Regras de Arredondamento na Numeração
Decimal
ALBERTAZZI, Armando. Souza, André R. Apostila de Metrologia.

Laboratório de Metrologia e Automatização Departamento de
Engenharia Mecânica Universidade Federal de Santa Catarina. 2002
75
Muito obrigado pela

atenção !
Dúvidas?
76
Prof.: Thiago G. Cardoso
Contato: thiagocardoso@cefetmg.br

3 - Fundamentos de Estatistica

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

3 - Fundamentos de Estatistica

Enviado por

Direitos autorais:

Formatos disponíveis

Por Joaquim Alves Gaspar, modified by ed g2s - Obra do próprio, CC BY 2.5, https://commons.wikimedia.org/w/index.php?

CEFET-MG Campus Araxá

CEFET-MG Campus Araxá

Imagem de Clker-Free-Vector Images por Pixabay

 Compreender uma distribuição

CEFET-MG Campus Araxá

CEFET-MG Campus Araxá

Fez-se dois processos de endurecimento superficial em

CEFET-MG Campus Araxá

Função determinística !!!

CEFET-MG Campus Araxá

A soma de dois dados Os números da Funções aleatórias

CEFET-MG Campus Araxá

Estatística sob a visão de Fisher: “a

CEFET-MG Campus Araxá

 Pode-se dizer que a estatística é uma ciência que utiliza

Estatística sob a visão de Fisher: “a

CEFET-MG Campus Araxá

 As medições na metrologia devem ser analisadas sob

Os instrumentos de medição, bem

CEFET-MG Campus Araxá

Mesmo assim precisamos expressar o resultado de

Essas são as minhas possibilidades

CEFET-MG Campus Araxá

CEFET-MG Campus Araxá

(ALBERTAZZI, 2002, p. 119)

CEFET-MG Campus Araxá

CEFET-MG Campus Araxá

CEFET-MG Campus Araxá

CEFET-MG Campus Araxá

CEFET-MG Campus Araxá

CEFET-MG Campus Araxá

CEFET-MG Campus Araxá

CEFET-MG Campus Araxá

Altura de uma certa 20

CEFET-MG Campus Araxá

(ALBERTAZZI, 2002, p. 121)

CEFET-MG Campus Araxá

CEFET-MG Campus Araxá

CEFET-MG Campus Araxá

CEFET-MG Campus Araxá

CEFET-MG Campus Araxá

Amostra: é o subconjunto de uma parte selecionada

CEFET-MG Campus Araxá

Média Aritmética Desvio Padrão Amostral

CEFET-MG Campus Araxá

CEFET-MG Campus Araxá

Relacionado com a Precisão

CEFET-MG Campus Araxá

CEFET-MG Campus Araxá

CEFET-MG Campus Araxá

NO PIOR DOS CASOS

CEFET-MG Campus Araxá

NO PIOR DOS CASOS

CEFET-MG Campus Araxá

CEFET-MG Campus Araxá

NO PIOR DOS CASOS

CEFET-MG Campus Araxá

CEFET-MG Campus Araxá

O coeficiente t de Student é baseado no número de

CEFET-MG Campus Araxá

Ao se aumentar a quantidade de graus 46

6 1,09 1,94 2,45 2,52 3,71 4,90