Escolar Documentos
Profissional Documentos
Cultura Documentos
PARA METROLOGIA
Prof. Pedro Paulo Novellino do Rosário, M.Sc.
(021) 99948.6288
pedropaulonovellino@gmail.com
SUMÁRIO 1. ESTATÍSTICA APLICADA A METROLOGIA
1.1. Apresentação dos dados 1.3. Distribuições de 1.4. Teorema central do limite
Experimentos aleatórios probabilidades Combinação de distribuições
Dados não agrupados Distribuição discreta e Teorema central do limite
Dados agrupados em rol contínua
Média, variância e desvio 1.5. Exemplos de aplicações de
Dados agrupados por valor
padrão de uma distribuição distribuições de probabilidade
Histograma Critério de Chauvenet: rejeição
de probabilidade
1.2. Medidas de tendência Distribuição uniforme ou de uma leitura
central e medidas de dispersão retangular Incerteza da resolução de leitura:
Média da população, média Distribuição triangular estudo de duas situações
da amostra, mediana, moda Distribuição em forma de U distintas
Amplitude Distribuição normal Incerteza da histerese
Variância da população e Distribuição normal
variância da amostra padronizada
Desvio padrão da população Distribuição t-Student
e desvio padrão da amostra Fator de abrangência
Coeficiente de variação
1. Estatística Aplicada a Metrologia
3
Aqui caberia uma pergunta: mas por quê precisamos conhecer essas ferramentas
estatísticas para trabalhar na Metrologia?
Bem, é sabido que toda medida realizada apresenta uma incerteza de medição
associada e que, dependendo do tipo e da qualidade do instrumento ou do sistema
utilizado, pode ser pequena, ou não, comparativamente falando com o resultado da
medição propriamente dita.
Desta forma, podemos afirmar que:
RM = X + U onde
RM = expressão do resultado final da medição,
X = valor da medição (ou da média das medições) realizada e
U = incerteza da medição.
4
No Vocabulário Internacional de Metrologia (também conhecido por
VIM-2012) encontramos a seguinte definição para a Incerteza de
Medição:
“parâmetro não negativo que caracteriza a dispersão dos valores
atribuídos a um mensurando ...”
O VIM-2012 cita, ainda, que “o parâmetro pode ser um desvio padrão
(incerteza padrão) ou a metade da amplitude de um intervalo tendo uma
probabilidade de abrangência determinada.”
Percebemos, então, que a incerteza de medição é um parâmetro
avaliado por meio de algumas ferramentas estatísticas.
5
1.1. Apresentação dos Dados
6
Medições são experimentos aleatórios e podem ser repetidos
indefinidamente, e uma vez repetidos, provavelmente obteremos
resultados diferentes.
Experimentos aleatórios estão associados a um espaço amostral, ou
população.
A população N é definida como todos os elementos que estão disponíveis
para uma avaliação. Essa população pode ser um número finito (por
exemplo, o total de moradores de um prédio) ou infinito (por exemplo, o
conjunto de números naturais).
Uma amostra n representa uma parcela da população, mas que deve ser
retirada de modo a apresentar as características e representar
adequadamente essa população de origem.
7
Exemplo: medição de um produto com uma balança
8
Finalizado esse processo de medição obtém-se um determinado valor que
representará uma estimativa do resultado da medição. A partir do
resultado dessa amostra e atribuindo-se um determinado grau de
confiança, pode-se analisar o comportamento da balança como um todo.
10
Vamos realizar outras perguntas.
Qual foi o valor que preponderou no conjunto de medições?
As medições variaram muito ou pouco?
Concordam que deve haver uma forma mais adequada de dispor esses
dados para facilitar as respostas?
11
Dados agrupados: Rol
Com o rol fica fácil responder se os resultados estão dentro da tolerância. Basta olhar
o primeiro (18 °C) e o último (22 °C).
Mas ainda não está tão imediato responder as outras perguntas!
12
Dados agrupados por valor
13
• Frequência absoluta simples (fa):
18 18 18 18 18 18 18 18
18 18 18 18 18 18 18 19 Valor °C fa
19 19 19 19 19 19 19 19 18 15
19 19 19 19 19 19 19 19
19 20 20 20 20 20 20 20 19 18
20 20 20 20 20 21 21 21 20 12
21 21 21 21 21 21 21 21 21 22
21 21 21 21 21 21 21 21 22 13
21 21 21 22 22 22 22 22
22 22 22 22 22 22 22 22 S (soma) 80
Por essa tabela podemos observar que o valor preponderante foi 21 °C, que
apareceu 22 vezes!
14
• Frequência absoluta acumulada (Fa):
Corresponde à soma das frequências absolutas da classe atual com o somatório das
frequências imediatamente anteriores a ela.
Valor °C fa Fa
18 15 15
19 18 33
20 12 45
21 22 67
22 13 80
Por essa tabela observa-se que mais da metade dos dados (45 de 80) está entre
18 e 20 °C!
15
• Frequência relativa simples (fr):
Valor °C fa fr
18 15 18,75 % fr =
19 18 22,5 %
20 12 15 %
21 22 27,5 %
22 13 16,25 %
S 80 100%
16
• Frequência relativa acumulada (Fr
Corresponde à soma das frequências relativas da classe atual com o somatório das
frequências relativas imediatamente anterior.
Valor °C fa fr Fr
18 15 18,75 % 18,75 %
19 18 22,5 % 41,25 %
20 12 15 % 56,25 %
21 22 27,5 % 83,75 %
22 13 16,25 % 100 %
Por essa tabela observa-se que mais da metade dos dados (56,25 %) está entre 18 e
20 °C!
17
Histograma
O histograma é um gráfico de barras retangulares que permite visualizar a distribuição
das frequências relativas, ou absolutas, do conjunto de dados. A base de um retângulo
representa uma classe da tabela de frequências. A altura da barra é proporcional ao
valor da frequência contida na classe. A escala horizontal do gráfico é quantitativa. A
escala vertical indica a frequência absoluta ou relativa.
Histograma
No exemplo verifica-se que o valor 2,1
40 tem a maior frequência (35).
30 Além de ser o valor mais recorrente é o
frequência
20
valor central do conjunto de dados. Os
10
0 demais valores estão dispersos no
1,1 1,4 1,6 1,8 2,1 2,3 2,5 2,7 Mais entorno desse valor central.
intervalo
18
Como desenvolver um Histograma?
Temperatura (°C)
49,59 49,60 49,63 49,64 49,66 49,68
19
Passo 1: Determinar a amplitude A do intervalo de medições. A X max X min
Como os dados já estão organizados em rol crescente, basta pegar o último valor e subtrair do primeiro.
K = = = 7,75
𝐴 0,11 𝐴 0,11
𝐿= = = 0,016ou 𝐿= = = 0,014
𝐾 7 𝐾 8
20
Passo 4: Contagem de ocorrência dos dados por classe – Frequência.
21
Passo 5: Montar o Histograma (gráfico) contagem de ocorrência por classe – Frequência.
HISTOGRAMA
16
14
12
10
Frequência
0
49,58 ≤ x < 49,60 49,60 ≤ x < 49,62 49,62 ≤ x < 49,64 49,64 ≤ x < 49,66 49,66 ≤ x < 49,68 49,68 ≤ x < 49,70 49,70 ≤ x < 49,72
°C
22
É possível obter um histograma utilizando o software Excel. Como fazer
isso?
23
24
25
1.2. Medidas de Tendência Central e Medidas de Dispersão
MEDICÃO
COLETA DE DADOS
VALORES DISTINTOS
A população n pode ser finita (ex.: total de alunos de uma escola) ou infinita (ex.:
número de medições feitas por um instrumento).
Quando n → , usamos uma amostra com n finito, e a média será representada pela
média amostral ().
27
Média Amostral ()
𝑛
A expressão é idêntica à da média µ, entretanto, n 1
𝑥= ∑ 𝑥 𝑖
é o tamanho da amostra e não da população: 𝑛 𝑖=1
Massa de um produto em kg
43,0 32,0 45,0 37,0 41,0 48,0 44,0 35,0 49,0 39,0 39,0 52,0
28
Mediana
É o número central de um grupo de números. Se houver uma quantidade par
de números, a mediana é a média dos dois números do meio.
Massa de um produto em kg
43,0 32,0 45,0 37,0 41,0 48,0 44,0 35,0 49,0 39,0 39,0 52,0
Usando a função do Excel chamada MED, encontraremos que a mediana = 42,0 kg.
Massa de um produto em kg
43,0 32,0 45,0 37,0 41,0 48,0 44,0 35,0 49,0 39,0 39,0 38,0 52,0
Usando a função do Excel chamada MED, encontraremos que a mediana = 41,0 kg.
29
Moda
É o número que ocorre com mais frequência em um grupo de números.
Massa de um produto em kg
43,0 32,0 45,0 37,0 41,0 48,0 44,0 35,0 49,0 39,0 39,0 52,0
Usando a função do Excel chamada MODO, encontraremos que a moda = 39,0 kg.
18 17 18 18 21 18 18 18
18 20 18 18 18 18 19 19
19 19 19 19 19 19 19 19
19 19 20 19 19 19 19 19 Usando a função do Excel
19 20 20 20 20 20 20 20
chamada MODO encontraremos
20 20 18 20 20 21 21 21
21 21 21 21 20 20 21 21 que a moda = 19.
21 23 21 21 19 20 23 21
21 21 21 22 20 22 21 22
22 22 22 22 20 22 22 22 30
Medidas de Dispersão
As medidas de tendência central fornecem apenas o valor do centro dos dados. Elas
não indicam como está a dispersão dos valores entorno do valor central.
Exemplo: as figuras possuem o mesmo valor central, entretanto, a curva azul possui a
menor dispersão de valores e a vermelha a maior.
31
Amplitude
É a medida de dispersão mais simples, e corresponde a diferença entre o maior e o
menor valor do conjunto de dados.
18 18 18 18 18 18 18 18 A = Xmáximo - Xmínimo
18 18 18 18 18 18 18 19
19 19 19 19 19 19 19 19
19 19 19 19 19 19 19 19 A = (22 – 18) °C = 4 °C
Valores em °C 19 20 20 20 20 20 20 20
20 20 20 20 20 21 21 21
21 21 21 21 21 21 21 21
21 21 21 21 21 21 21 21
21 21 21 22 22 22 22 22
22 22 22 22 22 22 22 22
32
Apesar de ser uma medida de dispersão, a Amplitude não considera, e
também não é influenciada, pelos valores intermediários.
33
Variância da população (2)
2
𝜎 =𝑉 ( 𝑥 ) = 𝐸 ¿
𝜇=𝐸( 𝑥)
2
𝜎 =𝑉 ( 𝑥 ) = 𝐸 ¿
34
Variância Amostral (s²)
35
Desvio Padrão Amostral (s)
36
Coeficiente de Variação (CV)
𝑠
𝐶𝑉 = .100
𝑥
37
Exemplo: Considere o circuito ao lado.
Medições
Grandeza Média s
1 2 3 4 5
Tensão (V) 200,21 200,22 200,10 199,99 199,90 200,08 0,139
Corrente (A) 1,992 2,020 1,986 1,990 1,989 1,995 0,0139
38
Sabe-se que quanto maior o desvio padrão maior a dispersão. O desvio padrão da
tensão foi de 0,139 V e o da corrente foi de 0,0139 A.
Poderíamos interpretar que a dispersão da tensão é dez vezes maior que a dispersão
da corrente elétrica. Entretanto, tensão e corrente são grandezas distintas! Vamos
observar o coeficiente de variação das grandezas separadamente!
𝑠 0,139
Tensão 𝐶𝑉 = .100= .100=0,07 %
𝑥 200,08
𝑠 0,0139
Corrente 𝐶𝑉 = .100= .100=0,70 %
𝑥 1,995
Resposta: a grandeza que apresentou a maior variação foi a corrente elétrica. 10 vezes
mais que a tensão.
39
1.3. Distribuição de Probabilidades
A distribuição de probabilidades descreve a probabilidade do valor de uma variável
ocorrer dentro de um intervalo de valores especificados. São funções que possuem um
domínio x, correspondente aos valores da variável sob estudo, e uma imagem f(x),
correspondente à probabilidade da variável assumir diferentes valores do domínio.
Probabilidade P(a<x<b)
40
As distribuições de probabilidades podem ser discretas ou contínuas.
As distribuições quando discretas descrevem o comportamento das variáveis
que fornecem valores inteiros e finitos.
41
Outro exemplo de distribuição discreta:
42
A temperatura ambiente de um laboratório que vem sendo medida ao
longo de uma semana, por exemplo, é considerada uma variável
contínua porque ela pode assumir qualquer valor ao longo do dia e da
semana. Desta forma, a distribuição de probabilidade também será
contínua.
p(T)
Temperatura Média T
do Ambiente
43
As distribuições contínuas de probabilidades mais utilizadas na
Metrologia são a Uniforme ou Retangular, Triangular, Normal ou
Gaussiana e t-Student.
Importante propriedade de qualquer função distribuição de
probabilidade p(x):
P(-<x<+) = 1
isto é, o somatório dos valores de p(x), no caso de distribuição discreta,
ou a integral (área) de p(x), no caso de distribuição contínua, entre os
limites - e +, que corresponde à probabilidade de x estar dentro dos
limites, sempre resulta em 1.
44
No exemplo do dado, o somatório de p(x) será:
P ( x ) P (1 x 6 ) 1 1 1 1 1 1 1
6 6 6 6 6 6
p( T)dT 1
45
RESUMINDO: a distribuição de probabilidades associa uma probabilidade a
cada resultado numérico de um experimento, ou seja, fornece a
probabilidade de ocorrência em maior ou menor extensão para cada valor
da variável aleatória, seja ela discreta ou contínua.
46
Média, variância e desvio padrão de uma distribuição
de probabilidade
µ E X x. f x dx
V X E x E x
2
x f x dx
2 2
47
Distribuição uniforme ou retangular
1
𝑓 ( 𝑥 )= 𝑝𝑎𝑟𝑎 𝑎 ≤ 𝑥 ≤ 𝑏
𝑏−𝑎
f (x) = 0 quando x < a ou x > b
48
x b
x x2 b 𝑎+𝑏
µ E X x. f x dx a b a dx 2 b a a 𝜇=
x 2
2
a b 2
a x
2
2 ( 𝑏 − 𝑎 )
2 V X x f x dx
2 V X dx =
b
b a
12
=
49
Exemplo 1:
Considere o incremento digital de uma balança que oscila continuamente de 0 até 0,1 g.
Que distribuição de probabilidades devemos considerar e qual a estimativa da média e
do desvio padrão dessa distribuição?
50
Exemplo 2: (extraído do ISO GUM 2008) Um manual fornece o valor do coeficiente de expansão térmica
linear do cobre puro a 20 °C [α20(Cu)] como 16,52 × 10-6 °C-1 e simplesmente estabelece que o erro neste
valor não deve exceder +0,40 × 10-6 °C-1.
Baseado nessas informações limitadas, não é absurdo supor que o valor de α20(Cu) estará distribuído
com igual probabilidade no intervalo de 16,12 × 10-6 °C-1 a 16,92 × 10-6 °C-1 e que é muito pouco
provável que α20(Cu) esteja fora dele.
α20(Cu)
51
O desvio padrão dessa distribuição retangular simétrica de valores possíveis de α20(Cu)
é:
s
52
Distribuição triangular
53
Distribuição Triangular
Forma gráfica
{
𝑎+𝑏
𝜇=
0 𝑝𝑎𝑟𝑎 𝑥 <𝑎 2
4 ( 𝑥 − 𝑎) 𝑎+𝑏
¿ 𝑝𝑎𝑟𝑎 𝑎 ≤ 𝑥 ≤ 𝑏−𝑎 𝑏− 𝑎
( 𝑏− 𝑎 )2 2 = =
Distribuição Triangular 𝑓 ( 𝑥 )=
Expressão matemática 4 (𝑏 − 𝑥 ) 𝑎+𝑏 √ 24 2 √ 6
¿ 𝑝𝑎𝑟𝑎 ≤ 𝑥 ≤𝑏
(𝑏 − 𝑎) 2
2
¿ 0 𝑝𝑎𝑟𝑎 𝑥 >𝑏
54
Exemplo 1: Durante a calibração de um manômetro a temperatura ambiente variou de um
valor mínimo de 18 até um máximo de 22 °C. Com base nessa informação apresente a
estimativa da média e do desvio padrão da temperatura.
55
Exemplo 2: distribuição triangular (baseado no Guia EURACHEM):
56
Distribuição em forma de “U”
57
Exemplo:
a = 2,0 °C
58
Distribuição normal
A curva normal é uma curva simétrica com formato de sino. Possui um pico
característico, que representa o ponto de frequência máxima e, nesse ponto,
situa-se a média da distribuição. A partir da média, a frequência decai
igualmente para ambos os lados infinitamente, aproximando-se do eixo das
abscissas.
59
O modelo matemático que representa a função densidade de probabilidade da
distribuição normal está representado na figura abaixo.
-∞ < m < +∞ e s > 0
e = 2,718 (constante)
p = 3,1416 (constante)
m = média da população
s = desvio padrão da
população
X = variável aleatória
√
𝑛
x 𝑠= 1
n n 2
µ
i1xi i 1 i
∑ ( 𝑥𝑖 −𝑥 )
2
n n 𝑛−1 𝑖=1
60
Cada combinação média/desvio padrão corresponde a formatos de curvas
diferentes.
61
Distribuição normal padronizada
62
Na distribuição normal padronizada temos que a média (m) assume valor zero, e o
desvio-padrão (s), valor um. Sendo assim, a função de distribuição de probabilidade
assume a seguinte conformação.
( xi − μ )
Z=
σ
63
Tabela da
distribuição normal
padronizada
64
Exemplo 1: considere um limite superior de tolerância para a medição
65
Solução: Limite = 0,200 mg/g
Probabilidade de
não atender à
legislação.
x = 0,197 mg/g
Levando em consideração a incerteza, o usuário dessa medição pode avaliar qual a probabilidade do
valor de contaminantes no produto estar acima do limite máximo permitido pela legislação.
Primeiro ação é transformar a variável de medição para o escore-Z:
𝑋 −𝑥
𝑍= Onde X = limite máximo permitido
𝑢
x = medição
u = incerteza padrão
66
𝑋 − 𝑥 0,200 −0,197
𝑍= = =1,5
𝑢 0,002
67
Na tabela da curva normal padronizada temos que:
P(X ≤ 1,5) = 0,9332
P(X > z) = 1 – 0,9332 = 0,0668
68
Exemplo 2: considere um limite inferior de tolerância para a medição
De forma semelhante, dado um único limite inferior de tolerância, LIT, e uma estimativa de
medição y com incerteza padrão de medição de u(y), uma regra de decisão deve definir uma
probabilidade de conformidade (Pc) assumindo uma probabilidade de erro tipo I (α), ou seja,
produtos em conformidade são rejeitados incorretamente.
𝑃 ( 𝑦 ≥ 𝐿𝐼𝑇 )= 𝑃 ( 𝑦 − 𝐿𝐼𝑇
𝑢 )
69
Considere uma estimativa de medição y = 0,012 g com uma incerteza u(y) = 0,001 g. Foi definido um
único limite inferior de tolerância LIT = 0,010 g e uma probabilidade para a conformidade (1 - α) de
0,99 (99%), assumindo, assim, um erro tipo I (α) = 0,01 (1%).
Com o resultado experimental (0,012 g), o limite de tolerância (0,010 g) e assumindo uma distribuição
de probabilidades gaussiana, a regra de decisão será aceitar que a hipótese que P(Y ≥ 0,010 g) ≥ 0,99 é
verdadeira.
𝑃 𝑐 =𝑃 ( 𝑦 − 𝐿𝐼𝑇
𝑢
=𝑃) (
0,012 − 0,010
0,001 )
= 𝑃 ( 2,0 )= 0,977 2(97,7 2 % )< 0,99
70
Conclusão:
Se a probabilidade de conformidade fosse redefinida para 95%, erro tipo I (α) = 0,05
(5%), a regra de decisão seria aceitar a hipótese P(Y ≥ 0,010 g) ≥ 0,95 como
verdadeira.
71
Exemplo 3: considere um intervalo bilateral de tolerância
A Figura apresenta um intervalo de tolerância bilateral com limites de tolerância superior (LST) e
inferior (LIT) e tolerância T = LST – LIT. Como visto anteriormente, o mensurando Y obedece a
uma distribuição normal. A estimativa y se encontra no intervalo de tolerância e há uma fração
visível da probabilidade na região η > LST.
𝑃 𝑐 =P(𝐿𝑆𝑇 − 𝑦
𝑢
−P) (
𝐿𝐼𝑇 − 𝑦
𝑢 )
72
Uma amostra de óleo de motor SAE Grau 40 é necessária para ter uma viscosidade cinemática Y a 100°C
não inferior a 12,5 mm2/s e não superior a 16,3 mm2/s. A viscosidade cinemática da amostra é medida a
100 °C, com valor medido de y = 13,6 mm2/s e incerteza padrão de u = 1,8 mm2/s. Qual a probabilidade
da amostra de óleo do motor estar conforme a especificação?
𝑃 𝑐 =P ( 𝐿𝑆𝑇 − 𝑦
𝑢 ) (
−P
𝐿𝐼𝑇 − 𝑦
𝑢 )
65,89%
73
A área hachurada compreende 65,89% de probabilidade da medição (13,6 ± 1,8) mm²/s estar
conforme com as especificações do produto.
74
1.4. Teorema Central do Limite
Histograma de amostra de
tamanho n = 6, representado
pelo lançamento de um dado
apenas.
75
Vamos considerar, agora, o lançamento de dois dados.
76
Vamos considerar, agora, o lançamento de três
dados.
A distribuição de probabilidades desse evento
se aproxima de uma distribuição normal. 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
77
Mesmo que a distribuição de uma população não seja normal, a média das amostras
aproxima-se da distribuição normal. Essa aproximação torna-se melhor à medida que
aumentamos o tamanho da amostra (n → ).
O Teorema Central do Limite diz o seguinte:
É por este motivo que no estudo da metrologia abordamos como uma distribuição normal
o resultado final da combinação das diversas fontes de incertezas, mesmo sendo, essas
fontes, de diferentes distribuições estatísticas. O resultado final do somatório dessas
influências tem um comportamento de uma distribuição normal.
78
Como decorrência do Teorema Central do Limite, ao retirarmos diversas amostras de
tamanho n e calcularmos suas médias (, onde p é o número de amostras, teremos para
o desvio padrão da média () a expressão dada pela equação:
𝑠𝑥
𝑠𝑥 =
√𝑛
Isso significa que, a partir de uma amostra de tamanho n e desvio padrão , pode-se
estimar o desvio padrão da média () amostral.
Exemplo: Estime para um conjunto de 9 medições que forneceu média 4,56 g e
desvio padrão 0,33 g.
79
Demonstração do cálculo do desvio padrão da média
𝑉 ( 𝑥 )=𝑉 ( )
∑𝑥
𝑛
1 1 1
= 2 𝑉 ( ∑ 𝑥 ) = 2 ∑ 𝑉 (𝑥)= 2 𝑛𝑉 (𝑥 )
𝑛 𝑛 𝑛
1
𝑉 ( 𝑥 )= 𝑉 ( 𝑥)
𝑛
𝑠𝑥
𝑠𝑥 =
√𝑛
80
O desvio-padrão da média é considerado pelo ISO GUM como a incerteza tipo A, caso a
amostra pertença à mesma população. Do contrário, a incerteza tipo A será igual ao
desvio-padrão da amostra (s).
O teorema central do limite funciona bem a partir de amostras n30.
Ao aumentarmos o tamanho das amostras os intervalos de classe do histograma ficam
cada vez menores, de modo que o contorno das barras ganha um formato mais
suavizado, gerando a distribuição normal.
Na prática trabalhamos com amostras inferiores a 10, já que o custo da medição
aumentaria consideravelmente, e Medir não é de graça!
Veremos, logo a seguir, a distribuição t-Student que auxilia nos casos de amostras de
tamanho pequeno, ou seja, n < 30.
81
Distribuição t-Student
82
William Gosset desenvolveu uma distribuição, chamada distribuição t-
Student, que fornece valores tabelados em função do grau de liberdade (n
= n-1) da amostra associado às respectivas probabilidades (50%; 68,27%;
70% etc).
83
Nível de Confiança ou Probabilidade de Abrangência
50% 68,27% 70% 80% 90% 95% 95,45% 99% 99,73%
n = (n-1)
Nível de Significância (a)
n
Tabela t-Student 3
4
2
3
0,82
0,76
1,32
1,20
1,39
1,25
1,89
1,64
2,92
2,35
4,30
3,18
4,53
3,31
9,92
5,84
19,21
9,22
como t-crítico (tc) e no âmbito da metrologia como
fator de abrangência, recebendo a denominação “k”
4,60
5
6
4
5
0,74
0,73
1,14
1,11
1,19
1,16
1,53
1,48
2,13
2,02
2,78
2,57
2,87
2,65 4,03
6,62
5,51
em vez de “t”.
7 6 0,72 1,09 1,13 1,44 1,94 2,45 2,52 3,71 4,90
8 7 0,71 1,08 1,12 1,41 1,89 2,36 2,43 3,50 4,53 Os valores de k são fornecidos em função do nível de
9 8 0,71 1,07 1,11 1,40 1,86 2,31 2,37 3,36 4,28 confiança (probabilidade de abrangência) ou nível de
10 9 0,70 1,06 1,10 1,38 1,83 2,26 2,32 3,25 4,09
11 10 0,70 1,05 1,09 1,37 1,81 2,23 2,28 3,17 3,96 significância (a) e são inversamente proporcionais ao
12 11 0,70 1,05 1,09 1,36 1,80 2,20 2,25 3,11 3,85 tamanho da amostra (n) e seu respectivo grau de
13 12 0,69 1,04 1,08 1,35 1,77 2,16 2,23 2,98 3,69
liberdade ( = n-1).
Tamanho da amostra
85
A distribuição t-Student é contínua, simétrica, possui média zero e desvio padrão variável
de acordo com o grau de liberdade (n = n-1). O parâmetro t é calculado pela seguinte
expressão:
𝑥−𝜇
𝑡=
𝑠
√𝑛
Essa distribuição é muito útil quanto precisamos estimar a média da população m, que
supostamente tem distribuição normal, a partir de pequenas amostras, utilizando a média
e desvio padrão da amostra s. A média m estará compreendida no seguinte intervalo:
_ t _ s
-t<m< +t X s e s( x )
n n
86
Exemplo: Considere uma
distribuição normal com 5 AMOSTRAS Intervalo Frequência
Frequência
Média = 2,091
μ = 2 e = 0,4. Vamos s = 0,428
1,5 1 2,5
2
agora simular essa 1,8 0 1,5
1
Mais 2
(n = 5; 20; 100 e 1 000).
20 AMOSTRAS Intervalo Frequência
Frequência
Média = 1,965 1,1 1
s = 0,438 1,4 0
8
1,7 5 6
2,0 3 4
2,3 7 2
2,7 2 0
1,1 1,4 1,7 2,0 2,3 2,7 Mai s
Mais 2
87
Intervalo Frequência 100 AMOSTRAS
1,1 1 Média = 2,049
1,4 2 s = 0,363
1,6 8
Frequência
1,8 13
2,1 32 40
2,3 17 30
2,5 16 20
2,7 8 10
Mais 3 0
1,1 1,4 1,6 1,8 2,1 2,3 2,5 2,7 Mais
88
Intervalo Frequência
0,6 1
0,9 5
Frequência 1000 AMOSTRAS
Média = 2,002
1,2 23 275
s = 0,413
1,5 90 250
225
1,8 200
200
2,1 277 175
2,4 258 150
125
2,7 105
100
3,0 36 75
3,3 3 50
25
3,6 2 0
Mais 0 0,6 0,9 1,2 1,5 1,8 2,1 2,4 2,7 3,0 3,3 3,6 Mais
90
Graficamente podemos verificar que, para qualquer tamanho da amostra, a média
μ = 2 está compreendida no intervalo:
-t<m< +t
91
Exercício:
92
Solução:
𝑥𝑖
𝑅=∑ =200,0 Ω
𝑛
b.
n 2
Desvio s
i 1 x xi = 0,3196
padrão n 1 Ω
𝑠 0,3196
Desvio padrão da 𝑠 ( 𝑥 )= = =0,113 Ω
média √𝑛 √8
93
c. -t<m< +t
Para determinarmos o intervalo de probabilidade de 95,45 %, devemos calcular o grau de liberdade e seu
fator t-Student.
Com 8 medições, temos um grau de liberdade no valor de 7 (n − 1). Consultando a tabela t-Student, temos
t = 2,43.
Logo, para 95,45 %, temos t2,43 × 0,113 = 0,28 Ω.
94
1.5. Critério de Chauvenet: rejeição de uma leitura
Quando uma grandeza é medida várias vezes pode ocorrer que o desvio de um
resultado em relação ao seu valor médio seja muito grande, se comparado com o
desvio padrão das medições.
95
Isto pode acontecer em função de erros grosseiros, falhas momentâneas do
instrumento de medição ou qualquer outro motivo.
O critério de Chauvenet é bastante utilizado para avaliar se uma medição deve ser
rejeitada.
96
Assim, se s: desvio padrão do
conjunto de N medições
N dch N dch
2 1,15 s 19 2,22 s
3 1,38 s 20 2,24 s
4 1,54 s 21 2,26 s
5 1,65 s 22 2,28 s
6 1,73 s 23 2,30 s
7 1,80 s 24 2,31 s
8 1,86 s 25 2,33 s
9 1,91 s 26 2,35 s
10 1,96 s 30 2,39 s
11 2,00 s 40 2,50 s
12 2,04 s 50 2,57 s
13 2,07 s 100 2,81 s
14 2,10 s 200 3,02 s
15 2,13 s 300 3,14 s
16 2,15 s 500 3,29 s
17 2,18 s 1 000 3,49 s
18 2,20 s 2 000 3,62 s
97
Para valores de N não encontrados na tabela apresentada, o valor dch é calculado
de forma a se obter a probabilidade de um desvio em relação à média igual a
1/(2N).
Desta forma, entrando na tabela da curva normal com o valor de ½ P = 1/(4N),
encontramos o valor de z. Daí obtemos dch = z s.
98
z = 2,45 dch = 2,45 s
99
Exemplo: Leitura xi
1 5,30
2 5,73
3 6,77
4 5,26
5 4,33
6 5,45
7 6,05
8 5,64
9 5,81
10 5,75
100
Leitura xi Média 𝑑 𝑖 =|𝑥 𝑖 − 𝑥|
1 5,3 5,609 0,309
2 5,73 0,121 N=10 1,96 s = 1,222
3 6,77 s 1,161 Leitura xi Média 𝑑 𝑖 =|𝑥 𝑖 − 𝑥|
4 5,26 0,623 0,349 1 5,3 5,624 0,324
5 4,33 1,279 2 5,73 0,106 N=8 1,86 s = 0,503
6 5,45 0,159 3 5,26 s 0,364
7 6,05 4 5,45 0,270 0,174
0,441 5 6,05 0,426
8 5,64 0,031 6 5,64 0,016
9 5,81 0,201 7 5,81 0,186
10 5,75 0,141 8 5,75 0,126
101
Exemplos de aplicações
I - Incerteza da Resolução de Leitura
102
Situação 1: Medição onde “buscamos” o valor da grandeza desejada, ou seja, não sabemos a priori qual
é o valor a ser encontrado.
Exemplo 1:
Suponha que o valor medido da pressão seja 10,00 bar e
que o manômetro digital utilizado tenha uma resolução de
0,01 bar. Isto significa dizer que o instrumento lê
incrementos de 0,01 em 0,01 bar. Considerando o
algoritmo existente no manômetro, responsável pela
digitalização dos valores indicados, o “valor verdadeiro” da
pressão estará compreendido entre o intervalo [9,995 a
10,005] bar. Valores como 10,006 bar, ou maiores, deverão
ser arredondados pelo instrumento para 10,01 bar; da
mesma forma que valores como 9,994 bar, ou menores,
para 9,99 bar.
103
Logo, toda vez que o manômetro indicar 10,00 bar teremos uma dúvida do
“verdadeiro valor” da pressão, ocasionada pela sua limitação de resolução.
Considerando que a probabilidade do “valor verdadeiro” estar compreendido entre
[9,995 a 10,005] bar é a mesma dentro deste intervalo, é razoável adotar uma
distribuição estatística que reflita este comportamento, ou seja, a distribuição
retangular ou uniforme. Na Figura a seguir temos:
104
Observe que a incerteza de medição da resolução do manômetro será o desvio
padrão da distribuição retangular com a = 9,995 bar e b = 10,005 bar, ou seja:
bar
𝑟𝑒𝑠𝑜𝑙𝑢 çã 𝑜
A incerteza da resolução será: 𝑢𝑟𝑒𝑠𝑜𝑙𝑢 çã 𝑜 =
√12
105
Exemplo 2: Termômetro Bimetálico (0 – 120)°C
O valor lido será de 32°C, que pode estar compreendido no intervalo (31,5<T< 32,5)°C com a mesma
probabilidade (distribuição uniforme).
A incerteza da resolução será obtida calculando o desvio padrão da distribuição retangular com r = 1°C.
1
ures C 0,3C
12
106
Situação 2: Medição onde “fixamos” o valor desejado
Fixando o valor desejado saberemos, a priori, o valor mais provável do mensurando. Faz sentido atribuir
uma probabilidade maior a este valor.
Podemos considerar que, nesse caso, a distribuição triangular é a que melhor representa a distribuição
de probabilidade da resolução de leitura.
107
Tomando como exemplo o ponto de 30 bar, o “valor verdadeiro” estará compreendido no intervalo
[29,5 bar a 30,5 bar]. Assumindo uma distribuição triangular teremos:
r r 1
ures bar ures bar ures bar 0,2bar
2 6 24 24
108
II - Incerteza da Histerese
H
uhisterese
12
109
Exemplo: Manômetro Bourdon, (0 a 20) kgf/cm2, calibrado por comparação com um
manômetro padrão.
Objeto Padrão (kgf/cm2)
(kgf/cm2) Carga 1 Descarga 1 Carga 2 Descarga 2
5 5,0 5,2 5,0 5,2
12 12,2 11,9 11,6 11,8
20 20,1 20,2 20,4 20,0
110
Incerteza da histerese por ponto de calibração:
0,4
0,11547
20 0,4 12
111
EXERCÍCIOS
Distribuição uniforme
a = 11,3 × 10-6 °C-1 b a 11,7 11,3 6
Desvio -padrão s ( x) 10 0,1 10 6 C1
b = 11,7 × 10-6 °C-1 12 12
2. Considerando os 60 valores de tensão elétrica da tabela a seguir, pertencentes a uma distribuição
uniforme, faça seu histograma, determinando sua média e seu desvio-padrão.
Tensão (V)
Intervalo de
HISTOGRAMA Frequência
18
classe
16 2,00 – 2,20 13
14
2,20 – 2,40 7
FREQUENCIA
12
10
8 2,40 – 2,60 11
6
4 2,60 – 2,80 11
2
0
2,80 – 3,00 17
2,00 - 2,20 2,20 - 2,40 2,40 - 2,60 2,60 - 2,80 2,80 - 3,00
CLASSE
_
b a 2,99 2, 01
x 2,50 V
2 2
𝑏 − 𝑎 2,99 −2,01
𝑠= = =0,28 𝑉
2 √3 2√3
3. A tabela representa as medições de temperatura, em grau Celsius, de um laboratório ao longo de
uma manhã. Faça o histograma desses valores considerando uma distribuição normal. Determine
também sua média e seu desvio-padrão.
Temperatura (°C)
23,6 23,8 24,0 24,0 24,1 24,2
23,6 23,8 24,0 24,0 24,1 24,2
23,7 23,8 24,0 24,0 24,1 24,2
23,7 23,8 24,0 24,0 24,2 24,2
23,7 23,8 24,0 24,1 24,2 24,3
23,7 23,9 24,0 24,1 24,2 24,3
23,7 23,9 24,0 24,1 24,2 24,3
23,7 23,9 24,0 24,1 24,2 24,3
23,8 23,9 24,0 24,1 24,2 24,5
23,8 24,0 24,0 24,1 24,2 24,6
Amplitude = 24,6 – 23,6 = 1,0 °C
K =60 = 7,75 Intervalo de
Frequência
L = A/7 = 0,14 ou L = A/8 = 0,12; escolho L = 0,2 classe
23,5 – 23,7 2
23,7 – 23,9 13
HISTOGRAMA
23,9 – 24,1 19
25
20
24,1 – 24,3 20
24,3 – 24,5 4
FREQUANCIA
15
10 24,5 – 24,7 2
5
0
,70 ,90 ,10 ,30 ,50 ,70
- 23 - 23 - 24 - 24 - 24 - 24
23,5 23 ,7 0
23 ,9 0
24 ,1 0
24 ,3 0
24 ,5 0 Média
n
CLASSE
x
µ
n
i 1 i
= 24,0 °C
Desvio-padrão
n 2
s
x x
i 1 i
= 0,2 °C
n 1
4. A Tabela apresenta 60 valores de tensão obtidos de uma
Valores de tensão (V)
tomada elétrica. Com base nesses valores:
128,42 128,62 128,69 128,75 128,80 128,84
a) Faça um histograma, adotando sete classes para melhor
128,49 128,63 128,69 128,76 128,80 128,87
construí-lo.
b) Determine seu desvio padrão amostral. 128,49 128,63 128,71 128,76 128,80 128,88
c) Determine o intervalo onde temos 95,45 % de probabilidade 128,56 128,65 128,72 128,77 128,81 128,89
de encontrarmos uma medição entre as 60 medições.
128,57 128,65 128,72 128,77 128,82 128,90
d) Verifique quantos valores estão dentro do intervalo
128,58 128,66 128,73 128,77 128,83 128,91
determinado no item (c) e verifique se esses valores
correspondem a 95,45 % dos valores medidos. 128,59 128,66 128,74 128,78 128,83 128,93
e) Determine o intervalo com 95,45 % de probabilidade onde 128,59 128,66 128,74 128,79 128,83 128,94
podemos encontrar a média das 60 medições.
128,60 128,67 128,75 128,80 128,83 129,01
n 2
Desvio padrão s
x x
i 1 i
= 0,13 V
n 1
c.
Para determinarmos o intervalo de probabilidade de 95,45 %, devemos calcular o grau de liberdade e seu fator t-
Student.
Com 60 medições, temos um grau de liberdade no valor de 59 (n − 1). Consultando a tabela t-Student, temos t = 2,043.
Logo, para 95,45 %, temos 2,042 × 0,13 = 0,26 V.
Observe que aqui não calculamos o desvio-padrão da média, uma vez que desejamos determinar o intervalo no qual
temos a probabilidade de 95,45 % de encontrarmos uma medição dentro das 60 realizadas.
Média µ
x
i 1 i = 128,74 V
n
Para n = 60, temos grau de liberdade igual a 59 e, consequentemente, t = 2,043. O intervalo será dado
pela expressão:
𝑡 𝑠 𝑥 =2,043 𝑥 0,016562=0,034 𝑉
Assim, teremos, para 95,45 % de probabilidade de encontrarmos a média das 60 medições, o seguinte
intervalo:
(128,74 ± 0,03) V
5. Considere as amostras a seguir retiradas de lotes de pesagem de duas balanças distintas:
n
x d. ) Intervalo com 95,45 %: 𝑥 ± 𝑡 𝑠𝑥
Balança 1 µ i 1 i
= 14,95 kg
Média n
n
Tabela t-Student para n = 6 e grau de liberdade 5, temos t = 2,649
Balança 2 µ
i 1 i
x
n = 14,97 kg
Média s 0,187083
Balança 1 0,076376 kg
6 6
Desvio padrão da
b. Balança 1 n
i1 x xi
2
média
Desvio padrão s = 0,187083 kg
n 1 Balança 2 s 0,320416
amostral 0,130809 kg
Desvio padrão da 6 6
média
Balança 2 n 2
Desvio padrão s
i1 x xi
n 1 = 0,320416 kg
amostral Balança 1: (14,95 ± 0,20) kg
Balança 2: (14,97 ± 0,35) kg
c. Balança 2
6. Considere que a monitoração do pH de uma substância, ao longo de um dia, apresente uma distribuição
triangular. Com base nos 12 valores medidos ao longo desse dia, responda ao que se pede.
pH
a) Qual é a média dessa distribuição de valores?
7,24 7,20 7,23 7,25
b) Qual é o desvio-padrão da distribuição?
7,24 7,21 7,26 7,24
7,24 7,24 7,24 7,24
𝑏 − 𝑎 (7,26 −7,20) 𝑝𝐻
= = =0,01 𝑝𝐻
√ 24 √ 24
7. Um técnico em metrologia mediu a temperatura interna de uma estufa encontrando para a média das oito
medições realizadas 48,9 °C e desvio-padrão amostral igual a 0,6 °C. Considerando os valores medidos pertencentes
a uma distribuição t-Student, determine a probabilidade da próxima medição estar entre:
a) (48,3 e 49,5) °C
b) (47,4 e 50,4) °C
c) (46,2 e 51,6) °C
a. Considerando que oito medições implicam um grau de liberdade igual a 7 e consultando a tabela t-Student, verificamos que,
para grau de liberdade 7, temos t = 1,077.
b. Para 95,45 %, temos t = 2,429, implicando para ts = 1,4574 °C. Logo o intervalo será de (47,4 a 50,4) °C.
c. Para 99,7 %, temos t = 4,442, implicando para ts = 2,6652 °C. Logo o intervalo será de (46,2 a 51,6) °C.