Estat´ıstica para Metrologistas e C´ alculo de Incerteza
Instrutor: Dorival Le˜ao
Estatcamp Consultoria em Estat´ıstica e Qualidade Rua: Adolfo Catani, 682 Jardim Macarengo
CEP: 13560-470
S˜ao Carlos/SP
Fone/Fax: (16) 3376-2047 E-mail:
[email protected] Site: www.estatcamp.com.br Dezembro / 2007
ii
Sum´ ario 1 No¸c˜ oes B´ asicas de Estat´ıstica
1
1.1
Introdu¸ca˜o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1
1.2
Coleta de Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2
1.3
Exposi¸ca˜o de Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2
1.4
Distribui¸ca˜o de Freq¨ uˆencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3
1.5
Histograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6
1.6
Medidas de Posi¸ca˜o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6
1.7
Medidas de Dispers˜ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
8
1.8
Probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9
1.9
Distribui¸ca˜o Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.10 Teorema do Limite Central . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 1.11 Distribui¸ca˜o amostral do desvio padr˜ao . . . . . . . . . . . . . . . . . . . . . . . 23 1.12 A Distribui¸c˜ao t-Student . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 1.13 A estat´ıstica F e a distribui¸ca˜o F de Snedecor . . . . . . . . . . . . . . . . . . . 27 1.14 Teste para Duas Variˆancias
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.15 Teste de Valor Extremo (Grubbs) . . . . . . . . . . . . . . . . . . . . . . . . . . 31 1.16 Teste de Dixon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 1.17 Teste de Cochran . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 1.18 Teste de Igualdade das Variˆancias . . . . . . . . . . . . . . . . . . . . . . . . . . 35 1.18.1 Teste de Bartlett . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 1.18.2 Teste de Levene . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 1.19 Compara¸ca˜o entre Sistemas de Medi¸ca˜o . . . . . . . . . . . . . . . . . . . . . . . 39 2 Fundamentos do C´ alculo de Incerteza em Medi¸c˜ ao
41
2.1
Medi¸ca˜o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.2
Erros, efeitos e corre¸co˜es . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
Sum´ario
iii
2.3
Incerteza de Medi¸c˜ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.4
Avalia¸c˜ao da Incerteza Padr˜ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.5
Determina¸c˜ao da Incerteza Padr˜ao Combinada . . . . . . . . . . . . . . . . . . . 58
2.6
Determina¸c˜ao da Incerteza Expandida . . . . . . . . . . . . . . . . . . . . . . . 59 2.6.1
Comprova¸c˜ao Metrol´ogica - Equipamento de Medi¸c˜ao . . . . . . . . . . . 60
2.7
Determina¸c˜ao da Variˆancia Agrupada . . . . . . . . . . . . . . . . . . . . . . . . 62
2.8
Regras de arredondamento de valores . . . . . . . . . . . . . . . . . . . . . . . . 63
2.9
Propaga¸c˜ao da Incerteza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3 Estudos de Estabilidade
68
4 M´ etodo da ANOVA (Completo)
74
4.0.1
M´etodo da ANOVA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
5 C´ alculo de Incerteza de um Rel´ ogio Comparador
92
5.1
Incerteza Combinada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
5.2
C´alculo da Incerteza Padr˜ao das grandezas de entrada . . . . . . . . . . . . . . . 94
5.3
5.4
5.2.1
Repetitividade (∆l ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
5.2.2
Incerteza Herdada do Padr˜ao U (ls ) . . . . . . . . . . . . . . . . . . . . . 94
5.2.3
Resolu¸c˜ao do Calibrador (Res(Cal)) . . . . . . . . . . . . . . . . . . . . . 95
5.2.4
Resolu¸c˜ao do Rel´ogio (Res(Rel)) . . . . . . . . . . . . . . . . . . . . . . . 95
5.2.5
C´alculo da Histerese . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
C´alculo de Incerteza do Rel´ogio . . . . . . . . . . . . . . . . . . . . . . . . . . . 95 5.3.1
C´alculo da Incerteza Combinada . . . . . . . . . . . . . . . . . . . . . . . 95
5.3.2
Graus de liberdade Efetivo . . . . . . . . . . . . . . . . . . . . . . . . . . 96
Incerteza Expandida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
6 C´ alculo de Incerteza de um Manˆ ometro
97
6.1
Incerteza Combinada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
6.2
C´alculo da Incerteza Padr˜ao das grandezas de entrada . . . . . . . . . . . . . . . 99 6.2.1
Repetitividade (∆l ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
6.2.2
Incerteza Herdada do Manˆometro Padr˜ao - U(Upadr˜ao)
6.2.3
Resolu¸c˜ao do Manˆometro P˜adr˜ao - U(Res(padra)) . . . . . . . . . . . . . 100
6.2.4
Resolu¸c˜ao do Manˆometro - U(Res(man)) . . . . . . . . . . . . . . . . . . 100
6.2.5
C´alculo da Histerese . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
. . . . . . . . . 100
Sum´ario 6.3
iv C´alculo da Incerteza do Manˆometro . . . . . . . . . . . . . . . . . . . . . . . . . 101 6.3.1
C´alculo da Incerteza Combinada . . . . . . . . . . . . . . . . . . . . . . . 101
6.3.2
Graus de liberdade efetivo . . . . . . . . . . . . . . . . . . . . . . . . . . 102
6.3.3
Incerteza Expandida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
6.3.4
Express˜ao da Incerteza em Porcentagem . . . . . . . . . . . . . . . . . . 102
7 C´ alculo de Incerteza de um Volt´ımetro Digital
103
8 C´ alculo de Incerteza no Ensaio de Tens˜ ao
105
8.1
Calibra¸c˜ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
8.2
Aplica¸ca˜o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
9 C´ alculo de Incerteza no Ensaio de Corrente
109
9.1
Calibra¸c˜ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
9.2
Aplica¸ca˜o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
10 C´ alculo de Incerteza no Ensaio de Impedˆ ancia
113
10.1 Calibra¸ca˜o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113 10.2 Aplica¸ca˜o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115 A Parˆ ametros Caracter´ısticos de um Sistema de Medi¸c˜ ao
117
B Tabelas Estat´ısticas
123
Referˆ encias Bibliogr´ aficas
132
1
Cap´ıtulo 1 No¸ c˜ oes B´ asicas de Estat´ıstica Nosso curso de incerteza de medi¸ca˜o est´a dividido em duas partes. A primeira parte contempla as t´ecnicas estat´ısticas e os fundamentos do c´alculo de incerteza, enquanto que a segunda parte contempla as aplica¸co˜es para calibra¸c˜oes espec´ıficas. A seguir, vamos apresentar os conceitos b´asicos de Estat´ıstica necess´arios para expressarmos a incerteza em medi¸co˜es.
1.1
Introdu¸c˜ ao
Com a finalidade de estudar m´etodos estat´ısticos utilizados para expressarmos a incerteza de medi¸ca˜o, faremos inicialmente uma breve abordagem aos conceitos b´asicos de Estat´ıstica. Ao efetuarmos uma medi¸ca˜o, diversas fontes de varia¸ca˜o est˜ao presentes. A temperatura, umidade, resolu¸c˜ao do instrumento entre outras, fazem com que o valor de um mensurado tenha varia¸c˜ao. A variabilidade est´a presente em todo lugar. Ao estacionar um carro em sua garagem, a posi¸ca˜o do carro na garagem n˜ao ´e a mesma ao longo dos dias. A posi¸ca˜o do carro apresenta uma varia¸c˜ao. As t´ecnicas estat´ısticas s˜ao utilizadas para avaliarmos as varia¸co˜es. A aplica¸ca˜o de t´ecnicas estat´ıstica envolve v´arias etapas: • Coleta dos dados - Amostragem; • Exposi¸ca˜o dos dados; • Modelos Estat´ısticos.
1. No¸c˜oes B´asicas de Estat´ıstica
1.2
2
Coleta de Dados
Uma popula¸c˜ ao ´e um agregado de elementos (finitos ou n˜ao) para o qual deseja-se obter informa¸co˜es sobre algumas de suas caracter´ısticas. Duas popula¸c˜oes s˜ao consideradas distintas se uma delas cont´em um elemento que n˜ao est´a contido na outra popula¸ca˜o. Como exemplo de popula¸ca˜o temos a produ¸c˜ao di´aria de um empresa, conjunto de resultados de medi¸ca˜o de uma haste de a¸co realizada com um micrˆometro, entre outras. A amostra ´e uma parcela de uma popula¸ca˜o que pode conter informa¸co˜es sobre a popula¸ca˜o. Para estudarmos adequadamente uma popula¸c˜ao atrav´es de uma amostra devemos planejar a coleta de dados. Planejando a Coleta de Dados - Amostragem • Qual a pergunta a ser respondida? • Como comunicar a resposta obtida? • Qual ferramenta de an´alise pretende-se usar e como vai comunicar os resultados? • Que tipo de dados ´e necess´ario para utilizar as ferramentas desejadas e responder a pergunta? • Onde acessar estes dados? • Como coletar esse dados com um m´ınimo de esfor¸co e de erro? • Quais informa¸co˜es adicionais ser˜ao necess´arias para estudos futuros, referˆencias ou reconhecimento?
1.3
Exposi¸c˜ ao de Dados
Antes da exposi¸ca˜o dos dados coletados ´e necess´ario que se fa¸ca um trabalho de revis˜ao e corre¸ca˜o nos dados coletados na tentativa de eliminar poss´ıveis enganos na elabora¸ca˜o do relat´orio. Medidas Quantitativas Cont´ınuas Quando os poss´ıveis valores incluem “todos” os n´ umeros do intervalo de varia¸ca˜o da caracter´ıstica medida. Ao medirmos um bloco padr˜ao com um micrˆometro externo obtemos uma medida quantitativa cont´ınua .
1. No¸c˜oes B´asicas de Estat´ıstica
3
Exemplo 1.1. Na calibra¸c˜ao de um micrˆometro externo, o avaliador tomou 10 pontos (ou blocos padr˜ao) com 10 leituras de cada ponto. Os desvios de cada leitura em rela¸c˜ao ao valor do ponto est˜ao na tabela 1.1. -0.012 0.008 -0.002 -0.006 0.000 0.024 0.016 0.006 -0.005 0.004
0.003 -0.001 0.006 0.000 -0.012 -0.003 0.012 0.008 -0.008 0.002
0.015 0.000 -0.021 0.009 0.001 -0.011 -0.002 0.004 0.013 -0.004
0.012 0.003 -0.001 -0.011 0.006 -0.007 -0.007 0.002 -0.004 0.002
-0.018 -0.008 0.000 0.000 0.000 -0.009 -0.013 0.006 0.001 0.011
0.013 0.008 0.007 -0.006 -0.002 0.018 0.008 0.000 -0.005 -0.012
-0.015 0.002 -0.006 0.012 0.017 0.013 0.002 -0.002 -0.009 0.018 0.000 0.010 -0.001 0.012 0.004 -0.002 -0.004 0.012 0.003 0.020 -0.017 0.006 -0.004 0.019 -0.013 0.001 0.017 0.012 -0.008 0.017 -0.002 0.019 0.000 -0.007 0.012 -0.003 -0.011 0.003 0.002 -0.006
Tabela 1.1: Desvios Podemos fazer a apura¸ca˜o considerando intervalos de medidas como apresentado na tabela 1.2. Intervalos −0.021 ` −0.017 −0.017 ` −0.013 −0.013 ` −0.009 −0.009 ` −0.005 −0.005 ` −0.001 −0.001 ` 0.003 0.003 ` 0.007 0.007 ` 0.011 0.011 ` 0.015 0.015 ` 0.019 0.019 ` 0.024
No de Desvios 3 3 8 12 15 22 9 7 11 8 2
Tabela 1.2: Freq¨ uˆencia absoluta Ao se estabelecer intervalos, est´a-se admitindo que o desvio pode assumir qualquer valor entre o limite inferior, inclusive, e o limite superior, exclusive. A exposi¸ca˜o dos dados pode ser feita atrav´es de tabela e/ou gr´aficos. In´ umeros gr´aficos auxiliam na apresenta¸c˜ao e interpreta¸ca˜o dos fatos, mas destacaremos os mais usuais.
1.4
Distribui¸c˜ ao de Freq¨ uˆ encias
Com as tabelas e/ou gr´aficos em m˜aos, apresentando uma melhor visualiza¸ca˜o dos dados, muitas vezes j´a temos condi¸co˜es de interpretar o fenˆomeno em estudo. Entretanto, em muitos
1. No¸c˜oes B´asicas de Estat´ıstica
4
casos h´a necessidade de se efetuar opera¸c˜oes num´ericas para se chegar a conclus˜oes mais s´olidas. Devido ao fato de dados quantitativos serem os mais freq¨ uentemente encontrados no estudo de Sistemas de medi¸c˜ao, desenvolveremos os m´etodos de an´alise para estes tipos de dados.
Dados Cont´ınuos: ˜ na tabela 1.2. Note que neste exemplo a vari´avel Vejamos o exemplo 1.1, com APURAC ¸ AO de interesse ´e o ”Desvio”enquanto que “N´ umero de Desvios” representa a freq¨ uˆencia de medidas em cada intervalo (Tabela 1.2). Defini¸co ˜es: ´ o n´ Freq¨ uˆ encia Absoluta (fi ): E umero de observa¸c˜oes correspondentes a cada intervalo. A freq¨ uˆencia absoluta ´e, geralmente, chamada apenas de freq¨ uˆencia. No exemplo anterior, a freq¨ uˆencia ´e o n´ umero de desvios. Para um dado intervalo i, denotaremos a freq¨ uˆencia absoluta correspondente por fi . Assim, por exemplo, a freq¨ uˆencia do quarto intervalo ´e f4 = 12. ´ o quociente entre a freq¨ Freq¨ uˆ encia Relativa (f ri ): E uˆencia absoluta e o n´ umero total de observa¸c˜oes, e ser´a denotada por f ri . Isto ´e, f ri = observa¸c˜oes. No nosso exemplo, f r4 =
12 100
fi n
onde n representa o n´ umero total de
= 0.12, onde n = 100.
´ conseguida multiplicando-se a freq¨ Freq¨ uˆ encia Percentual: (pi ): E uˆencia relativa por 100
p4 =
12 100% = 12% 100
´ o total acumulado (soma) de todas as classes anteriores at´e Freq¨ uˆ encia Acumulada: E a classe atual. Pode ser Freq¨ uˆencia Acumulada Absoluta (Fi ), Freq¨ uˆencia Acumulada Relativa (F ri ), ou Freq¨ uˆencia Acumulada Percentual (Pi ). ´ obtido somando o limite inferior e o limite superior de cada intervalo Ponto M´ edio (xi ): E 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: x1 =
−0.021 + (−0.017) = −0.019 2
Agora que temos estas quantidades definidas, vamos usar o exemplo que estamos acompanhando e mostrar todas elas atrav´es de uma tabela completa. Como Freq¨ uˆencia Acumulada iremos apresentar somente a Freq¨ uˆencia Acumulada Percentual. Algumas indica¸co˜es na constru¸ca˜o da distribui¸c˜ao de freq¨ uˆencias s˜ao:
1. No¸c˜oes B´asicas de Estat´ıstica
5
Diˆametro −0.021 ` −0.017 −0.017 ` −0.013 −0.013 ` −0.009 −0.009 ` −0.005 −0.005 ` −0.001 −0.001 ` 0.003 0.003 ` 0.007 0.007 ` 0.011 0.011 ` 0.015 0.015 ` 0.019 0.019 ` 0.024
Xi −0.019 −0.015 −0.011 −0.007 −0.003 0.001 0.005 0.009 0.013 0.017 0.021
fi 3 3 8 12 15 22 9 7 11 8 2
f ri pi (%) Pi (%) 0.03 3 3 0.03 3 6 0.08 8 14 0.12 12 26 0.15 15 41 0.22 22 63 0.09 9 72 0.07 7 79 0.11 11 90 0.08 8 98 0.02 2 100
Tabela 1.3: Distribui¸ca˜o de freq¨ uˆencias 1. Na medida do poss´ıvel, as classes dever˜ao ter amplitudes iguais. 2. Escolher os limites dos intervalos entre duas poss´ıveis observa¸co˜es. 3. O n´ umero de intervalos n˜ao deve ultrapassar 20. 4. Escolher limites que facilitem o agrupamento. 5. Marcar os pontos m´edios dos intervalos. 6. Ao construir o histograma, cada retˆangulo dever´a ter a´rea proporcional a` freq¨ uˆencia relativa (ou `a freq¨ uˆencia absoluta, o que d´a no mesmo) correspondente. 7. Um crit´erio para determinar os intervalos (classes) ´e: Tamanho da Amostra (n) 30 a 50 51 a 100 101 a 250 acima de 250
N´ umero de Classes (c) 5a7 6 a 11 7 a 13 10 a 20
Tabela 1.4: N´ umero de classes Determina¸ca˜o do tamanho da classe ou intervalo (L): L=
amplitude R = o n de classes c
onde R= maior valor da amostra menos o menor valor da amostra.
1. No¸c˜oes B´asicas de Estat´ıstica
1.5
6
Histograma
Uma representa¸c˜ao gr´afica da distribui¸c˜ao de freq¨ uˆencia, como as anteriores, ´e o Histograma. ´ um gr´afico onde a freq¨ E uˆencia relativa do intervalo i (f ri ) ´e representada pela a´rea de um retˆangulo que ´e colocado acima do ponto m´edio da classe i. Consequentemente, a a´rea total do histograma (igual a soma das a´reas de todos os retˆangulos) ser´a igual a ”1”. No caso em que os intervalos sejam de tamanhos (amplitudes) iguais, as alturas dos retˆangulos ser˜ao iguais a`s freq¨ uˆencias relativas (ou iguais a`s freq¨ uˆencias absolutas) dos intervalos correspondentes. Para a distribui¸ca˜o de freq¨ uˆencias da tabela 1.3, o histograma correspondente ´e o seguinte:
Figura 1.1: Histograma dos desvios Ao analisarmos a distribui¸ca˜o de freq¨ uˆencia dos desvios, observamos que 15% das observa¸c˜oes encontram-se entre −0, 005 a −0, 001 e que pelo menos 10% das observa¸co˜es est˜ao acima de 0, 015.
1.6
Medidas de Posi¸c˜ ao
Essas medidas visam representar ”onde”os valores est˜ao localizados ou posicionados. As mais usuais s˜ao m´edia aritm´etica, mediana e moda. M´ edia Aritm´ etica: A m´edia aritm´etica, ou simplesmente M´edia, ´e calculada somando-se os valores das observa¸co˜es e dividindo-se o resultado pelo n´ umero de valores. Nota¸ca˜o: • xi : cada valor individual. • x¯ : m´edia de uma amostra. • µ : m´edia da popula¸ca˜o. • n : tamanho da amostra. • N : tamanho do universo (popula¸ca˜o).
1. No¸c˜oes B´asicas de Estat´ıstica
7
Dado uma popula¸ca˜o e uma amostra {x1 , . . . , xn } retirada desta popula¸ca˜o, a m´edia amostral ´e dada por :
x=
x1 + x2 +, . . . , +xn n
Exemplo 1.2. No exemplo dos desvios das 100 leituras x= 0, 00161. Confira !!! O ideal ´e que o desvio seja zero. Entretanto, h´a um pequeno deslocamento. Exemplo 1.3. Foram realizadas 5 leituras de uma massa padr˜ao com valor nominal 2, 45g com um comparador. Os valores foram: 2, 45; 2, 46; 2, 45; 2, 44; 2, 45. A m´edia amostral para as medidas da massa ´e:
x=
12, 25 2, 45 + 2, 46 + 2, 45 + 2, 44 + 2, 45 = = 2, 45 . 5 5
A m´edia das 5 leitura ´e x= 2, 45. Mediana: Para calcular a mediana devemos, em primeiro lugar, ordenar os dados do menor para o maior valor. Se o n´ umero de observa¸co˜es for ´ımpar, a mediana ser´a a observa¸ca˜o central. Se o n´ umero de observa¸c˜oes for par, a mediana ser´a a m´edia aritm´etica das duas observa¸c˜oes centrais. Nota¸ca˜o : A mediana ser´a denotada por x˜. Exemplo 1.4. Nos dados referentes ao exemplo 1.3, obtemos a seguinte ordena¸c˜ao: 2, 44; 2, 45; 2, 45; 2, 45; 2, 46. Como o n´ umero de observa¸c˜oes ´e ´ımpar, a mediana ´e o valor central, isto ´e, x˜ = 2, 45. Exemplo 1.5. Consideremos os seguintes dados correspondentes aos comprimentos de 8 rolos de fio de a¸co: 65, 72, 70, 77, 60, 67, 69, 68. Ordenando os valores, temos: 60, 65, 67, 68, 69, 70, 72, 77. Como o n´ umero de observa¸c˜oes ´e 8, portanto par, a mediana ´e dada pela m´edia dos dois valores centrais que s˜ao 68 e 69, isto ´e:
x=
68 + 69 = 68, 5 2
Moda: A moda de um conjunto de valores ´e o valor que apresenta a maior freq¨ uˆencia. Nota¸ca˜o: A moda ser´a denotada por Mo. No exemplo 1.4, a moda ´e Mo = 2,45. Confira !
1. No¸c˜oes B´asicas de Estat´ıstica
1.7
8
Medidas de Dispers˜ ao
Dispers˜ao ´e sinˆonimo de varia¸c˜ao ou variabilidade. Para medir a dispers˜ao s˜ao usadas mais freq¨ uentemente duas medidas: a amplitude e o desvio padr˜ ao. Amplitude: A amplitude ´e definida como sendo a diferen¸ca entre o maior e o menor valor do conjunto de dados. Denotaremos a amplitude por R. Exemplo 1.6. Os comprimentos de 8 rolos de fio de a¸co foram: 60, 65, 67, 68, 69, 70, 72, 77 . A amplitude deste conjunto ´e : R = 77 − 60 = 17 Para definirmos desvio padr˜ao ´e necess´ario definir variˆancia. A nota¸ca˜o mais comumente usada ´e : Desvio Padr˜ ao: • s2 : Variˆancia amostral. • σ 2 : Variˆancia populacional. • s : Desvio padr˜ao amostral. • σ : Desvio padr˜ao populacional. A variˆancia de uma amostra {x1 , . . . , xn } de n elementos ´e definida como a soma dos quadrados dos desvios de elementos em rela¸c˜ao `a sua m´edia amostral x¯ dividido por (n − 1). Ou seja, a variˆancia amostral ´e dada por:
2
s =
n X (xi − x)2 i=1
n−1
O desvio padr˜ao de um conjunto de dados ´e igual a` raiz quadrada positiva da variˆancia. Assim, o desvio padr˜ao amostral ´e dado por: √ s=
v u n uX (xi − x)2 s2 = t n−1 1=i
Exemplo 1.7. Suponha a amostra dos comprimentos de 8 rolos de fio de a¸co cujos valores foram: 65, 72, 70, 77, 60, 67, 69, 68 metros. Para calcularmos o desvio padr˜ao devemos primeiramente calcular a m´edia X, isto ´e:
1. No¸c˜oes B´asicas de Estat´ıstica
x¯ =
9
65 + 72 + 70 + 77 + 60 + 67 + 69 + 68 = 68, 5 8
Agora vamos subtrair x de cada valor, elevar os resultados ao quadrado e som´a-los. Ent˜ao dividimos o total dos quadrados pelo n´ umero de valores menos 1, ou seja, por (n−1) e extra´ımos a raiz quadrada:
65 72 70 77 60 67 69 68
-
(x − x) (x − x)2 68.5 = −3.5 (−3.5)2 = 12.25 68.5 = 3.5 (3.5)2 = 12.25 68.5 = 1.5 (1.5)2 = 2.2 2 68.5 = 8.5 (8.5) = 72.25 2 68.5 = −8.5 (−8.5) = 72.25 68.5 = −1.5 (−1.5)2 = 2.25 68.5 = 0.5 (0.5)2 = 0.25 68.5 = 0.5 (0.5)2 = 0.25 Total = 174.00
Tabela 1.5: C´alculo do Desvio Padr˜ao
s2 =
√ 174 = 24 ⇒ s = 24 ⇒ s = 4.9 7
Portanto o desvio padr˜ao ´e 4.9. Exemplo 1.8. No exemplo 1.1, que trata os desvios das leituras do micrˆometro referente ao valor do padr˜ao, o desvio padr˜ao ´e igual a 0.00957. Confira !!!.
1.8
Probabilidade
Os dados s˜ao originados de uma amostra de medi¸co˜es realizadas com a aplica¸c˜ao do procedimento de medi¸ca˜o, equipamentos e operadores. Estas medi¸c˜oes apresentam varia¸c˜oes que podem ser analisadas atrav´es da distribui¸ca˜o de freq¨ uˆencias (visualmente, o histograma). Observe que a varia¸ca˜o obtida pelos desvios das leituras do micrˆometro em blocos padr˜ao (exemplo 1.1) pode ser caracterizado pela freq¨ uˆencias relativas,por exemplo, 15% dos desvios est˜ao entre −0.005 e −0.001 mm). Uma forma de modelarmos a variabilidade presente nos dados relativos a quaisquer amostras ´e a probabilidade. Considere H uma haste de a¸co, um experimento ´e realizado para se obter o comprimento da haste H. Este experimento ´e realizado n vezes de forma independente, isto ´e, cada realiza¸ca˜o do experimento ´e independente das outras realiza¸c˜oes do experimento.
1. No¸c˜oes B´asicas de Estat´ıstica
10
Considere Ω o espa¸co formado por todos os poss´ıveis resultados da medi¸c˜ao do comprimento da haste, denominado espa¸co amostral. Para caracterizar a variabilidade dos resultados da medi¸ca˜o, podemos modelar a probabilidade do resultado da medi¸ca˜o pertencer a subconjuntos do espa¸co amostral Ω, denominados eventos. Por exemplo, considere o evento A como sendo a classe de resultados da medi¸ca˜o inferiores a C1 e o evento B como sendo a classe de resultados da medi¸ca˜o superiores a C2, onde C1 e C2 s˜ao constantes num´ericas. Ao denotarmos por X a vari´avel referente ao resultado da medi¸ca˜o, podemos tomar como espa¸co amostral, Ω = {−∞ < X < +∞} A = {X < C1 } B = {X > C2 } Com os eventos A e B, podemos associar os eventos: • A uni˜ao com B = A ∪ B = {A ou B}; • A intersec¸c˜ao com B = A ∩ B = {A e B}; • Complementar de A, denotado por Ac = n˜ao A; A probabilidade ´e uma fun¸c˜ao de associa valores (pesos) aos eventos de um experimento, satisfazendo as seguintes propriedades: a) Prob (Ω) = 1 b) Prob (A ∪ B) = P rob(A) + P rob(B) − P rob(A ∩ B) Ao associarmos probabilidades (pesos) aos eventos de um experimento, satisfazendo as propriedades acima, obtemos um modelo para a variabilidade, denominado modelo de probabilidade. A seguir, vamos estudar alguns modelos de probabilidade utilizados na pr´atica.
1.9
Distribui¸c˜ ao Normal
A varia¸c˜ao natural de qualquer medida ´e realmente aleat´oria (incerta). Embora as distribui¸co˜es possam assumir uma variedade de formas, muitas vari´aveis observadas possuem uma distribui¸ca˜o de freq¨ uˆencias que ´e, aproximadamente, como a da distribui¸ca˜o Normal (sim´etrica e em forma de sino).
1. No¸c˜oes B´asicas de Estat´ıstica
11
Como discutimos anteriormente, a probabilidade ´e um modelo para calcularmos a chance real de ocorrer um determinado evento, isto ´e, a chance de ocorrer uma medida em um determinado intervalo. Por exemplo, a freq¨ uˆencia relativa deste intervalo, observada a` partir de uma amostra de medidas, ´e a aproxima¸ca˜o da probabilidade. E a distribui¸ca˜o de freq¨ uˆencias ´e a aproxima¸ca˜o da distribui¸c˜ao de probabilidades. Uma das formas mais tradicionais de modelar a distribui¸ca˜o de probabilidade dos dados corresponde a distribui¸ca˜o normal ou gaussiana. A denomina¸c˜ao gaussiana ´e devido ao matem´atico e astrˆonomo Gauss, que utilizou esta distribui¸ca˜o para modelar a varia¸ca˜o do resultado de medi¸co˜es do posicionamento de planetas.
Figura 1.2: Distribui¸ca˜o Normal A forma da distribui¸c˜ao normal ´e sim´etrica em torno da m´edia e com formato de sino. O gr´afico desta distribui¸ca˜o ´e apresentado na figura 1.2. Densidade:
"
−1 f (x) = √ exp 2 2πσ 2 1
x−µ σ
2 #
−∞ < µ < ∞ 0 < σ < ∞ −∞ < x < ∞
A distribui¸c˜ao dos ”desvios”do Exemplo 1.1 tem uma forma parecida com a distribui¸ca˜o normal. Volte e confira!! Se concluirmos que o modelo da distribui¸ca˜o normal ´e adequado para caracterizar a variabilidade, podemos calcular probabilidade do resultado da medi¸c˜ao estar entre determinados intervalos, calculando a a´rea sob a curva naquele intervalo. Ent˜ao, a probabilidade de um evento A ocorrer ´e dado por Z P rob(A) =
f (x) dx A
Para achar a ´area sob a curva normal devemos conhecer dois valores num´ericos (tamb´em chamados de parˆametros), a m´edia µ e o desvio padr˜ao σ. O gr´afico a seguir (figura 1.3) mostra
1. No¸c˜oes B´asicas de Estat´ıstica
12
algumas ´areas importantes:
´ Figura 1.3: Area sob a Curva Normal Quando µ e σ s˜ao desconhecidos, como geralmente acontece, s˜ao substitu´ıdos por X e S, respectivamente, a partir da amostra. ´ Nota: Areas sob a curva normal s˜ao probabilidades que na pr´atica s˜ao dadas em porcentagens Para cada valor de µ e/ou σ , temos uma distribui¸ca˜o. Mas para se calcular ´areas espec´ıficas, se faz uso de uma distribui¸c˜ao particular: a ”distribui¸c˜ao normal padronizada”. Esta distribui¸ca˜o tem m´edia µ = 0 e desvio padr˜ao σ = 1, e est´a tabelado (a tabela se encontra no apˆendice). Como a distribui¸ca˜o ´e sim´etrica em rela¸ca˜o `a m´edia µ = 0, a a´rea `a direita de µ ´e igual a a´rea `a esquerda de µ . Assim, a tabela fornece ´areas acima de valores n˜ao-negativos que v˜ao desde 0.00 at´e 4.09. Veja o gr´afico (figura 1.4) da curva normal padronizada a seguir: Nota: A vari´avel que tem distribui¸ca˜o normal padronizada ´e denotada por Z. Exemplo 1.9. A ´area sob a curva normal para Z maior do que 4.00 ´e 0.00003. Ou seja, a probabilidade de Z ser maior do que 4.00 ´e 0.003%. Veja o gr´afico! Exemplo 1.10. : A ´area sob a curva para Z maior do que 1.00 ´e 0.1587. Ou seja, a probabilidade de Z ser maior do que 1 ´e 15.87%, veja figura 1.5.
Exemplo 1.11. A ´area sob a curva para Z maior do que 1.19 ´e 0.1170,ou seja, a probabilidade de Z ser maior do que 1.19 ´e 11.70%. Exemplo 1.12. A ´area sob a curva para Z menor do que 2.00 n˜ao ´e fornecida diretamente pela tabela. Ent˜ao devemos encontrar a ´area para Z maior do que 2.00. Em seguida fazemos
1. No¸c˜oes B´asicas de Estat´ıstica
13
Figura 1.4: Distribui¸c˜ ao Normal Padronizada 1 menos a ´area encontrada e temos a ´area desejada. A ´area sob a curva para Z maior do que 2.00 ´e 0.0228. A ´area desejada ´e 1 − 0.0228 = 0.9772. Ou seja, a probabilidade de Z ser menor do que 2.00 ´e 97.72%. Quando se tem uma vari´avel X com distribui¸ca˜o normal com m´edia µ diferente de 0 (zero) e/ou desvio padr˜ao diferente de 1 (um), devemos reduzi-la a uma Z, efetuando o seguinte c´alculo:
Z=
X −µ σ
Exemplo 1.13. Considere uma vari´avel X com distribui¸c˜ao normal com m´edia µ = 4.888 e
1. No¸c˜oes B´asicas de Estat´ıstica
14
Figura 1.5: C´alculo de probabilidades com a distribui¸ca˜o Normal desvio padr˜ao σ = 0.31949, se quisermos calcular a probabilidade de X ser inferior a 5.0 mm, fazemos:
Z=
5.0 − 4.888 = 0.35 0.31949
Usando a tabela da normal padronizada, temos que a ´area sob a curva e abaixo de 0.35 ´e 0.6368. Ou seja, a probabilidade de X ser inferior a 5.0 mm ´e 63.68%.
1. No¸c˜oes B´asicas de Estat´ıstica
Figura 1.6: C´alculo de probabilidades com a distribui¸ca˜o Normal
Figura 1.7: C´alculo de probabilidades com a distribui¸ca˜o Normal
15
1. No¸c˜oes B´asicas de Estat´ıstica
16
Exemplo 1.14. Suponha que a varia¸c˜ao nas espessuras das arruelas possa ser modelado pela distribui¸c˜ao normal com m´edia 11.15 e desvio padr˜ao 2.238. Qual a porcentagem de arruelas que tem espessura entre 8.70 e 14.70? Temos que encontrar dois pontos da distribui¸c˜ao normal padronizada. O primeiro ponto ´e:
Z1 =
8.70 − 11.15 = −1.09 2.238
A ´area para valores maiores do que −1.09 ´e 0.8621 ou 86.21%. O segundo ponto ´e:
Z2 =
14.70 − 11.15 = 1.58 2.238
A a´rea para valores maiores do que 1.58 ´e 0.0571 ou 5.71%. O que procuramos ´e a ´area entre Z1 e Z2, como mostram os gr´aficos a seguir:
Figura 1.8: C´alculo de percentis com a distribui¸ca˜o Normal Portanto, fazemos: 0.8621 − 0.0571 = 0.8050 Ou seja, a porcentagem de arruelas com espessura entre 8.70 e 14.70(limites de tolerˆancia da especifica¸c˜ao) ´e somente de 80.50%. Portanto,cerca de 19.50% das arruelas n˜ao atendem aos limites de especifica¸c˜oes. Anteriormente hav´ıamos calculado esta porcentagem diretamente do histograma e o valor encontrado foi de 22%. A diferen¸ca entre os dois c´alculos fica por conta da suposi¸c˜ao de normalidade que fizemos. Exerc´ıcio 1.1. Com os dados do exemplo 1.1, relativos aos desvios, utilize a distribui¸c˜ ao normal para calcular a probabilidade de que o m´odulo dos desvios seja maior 0.02. Desvio Padr˜ ao da M´ edia
1. No¸c˜oes B´asicas de Estat´ıstica
17
Figura 1.9: C´alculo de percentis com a distribui¸ca˜o Normal Ao obtermos uma amostra de leituras de um equipamento, denotadas x1 , x2 , · · · , xn , a m´edia e o desvio padr˜ao relativo a medidas s˜ao definidos por.
x=
x1 + x2 + · · · , +xn n
v u n √ uX (xi − x)2 2 . s= s =t n − 1 i=1 respectivamente. Por outro lado, o desvio padr˜ao relativo a m´edia das medidas ´e dado por
1. No¸c˜oes B´asicas de Estat´ıstica
18
s sx = √ n Observe que quanto maior o n´ umero de leituras melhor ´e a aproxima¸c˜ao da m´edia amostral em rela¸ca˜o a m´edia populacional. Da mesma forma, quanto maior o n´ umero de leitura menor o desvio padr˜ao da m´edia. Exerc´ıcio 1.2. Calcule a m´edia e o desvio padr˜ao da m´edia para os seguintes dados: VR
Leituras
M´ edia
12,5
12,501
12,502
12,501
15
15,001
15,001
15
17,5
17,5
17,501
17,502
20
20,001
20
20
DP
Repetitividade
Onde, s Repetitividade = Desvio padr˜ao da m´edia = sx = √ n Repetitividade Total do Sistema (Rptotal ): • Maior Repetitividade; Com isso, Rptotal = M aiorRepetitividade =
• Desvio padr˜ao agrupado: Com isso, sP Rptotal =
j i=1
Rep2i = j
onde: – j: representa o n´ umero de pontos (no exemplo, j=4); – Repi : representa a Repetividade no ponto i (i=1,2,3,4); Exerc´ıcio 1.3. Considere o sistema de medi¸c˜ao para o furo de um pist˜ao de autom´ovel. Esta dimens˜ao apresenta uma tolerˆancia (Limite Superior de Especifica¸c˜ao-Limite Inferior de Es-
1. No¸c˜oes B´asicas de Estat´ıstica
19
pecifica¸c˜ao) de 0,005mm. Em um estudo preliminar foram obtidas 30 leituras do furo de um pist˜ao. Os dados est˜ao abaixo de forma ordenada. 18997,6 18999,0
18999,4 19000,0
19000,9 19001,6
18997,7 18999,0
18999,5 19000,1
19000,9 19001,8
18998,1 18999,1
18999,6 19000,4
19001,1 19001,8
18998,5 18999,1
18999,8 19000,6
19001,2 19002,1
18998,6 18999,2
18999,9 19000,7
19001,4 19002,9
a) Montar a tabela de distribui¸c˜ao de freq¨ uˆencias. Diˆametro Xi 18997, 6 ` 18998, 6 18998, 1 18998, 6 ` 18999, 6 18999, 1 18999, 6 ` 19000, 6 19001, 1 19000, 6 ` 19001, 6 19002, 1 19001, 6 ` 19002, 9 19002, 25
fi 4 8 6 7 5
f ri
pi (%) Pi (%)
Tabela 1.6: Distribui¸ca˜o de freq¨ uˆencias b) Montar o histograma. c) Calcular a m´edia. 30 X
x=
xi
i=1
30
=
570002 = 30
d) Calcular o desvio-padr˜ao. 30 X (xi − x)2
s2 =
i=1
n−1
=
52, 4344 = 30 − 1
e) Dado que o verdadeiro diˆametro do furo de uma pe¸ca ´e 19001.Utilize a distribui¸c˜ao normal para calcular a probabilidade do sitema de medi¸c˜ao reprovar essa pe¸ca.
1.10
Teorema do Limite Central
O teorema central do limite ´e um resultado estat´ıstico fundamental em aplica¸co˜es pr´aticas, pois este teorema garante que mesmo que os dados n˜ao sejam distribu´ıdos conforme uma distribui¸ca˜o normal, a m´edia dos dados converge para a distribui¸c˜ao normal conforme o n´ umero
1. No¸c˜oes B´asicas de Estat´ıstica
20
de dados aumenta. Para ilustrar, considere os dados da tabela 1.7 com histograma apresentado na figura 1.10.
0,18039 0,04858 2,04899 0,29371 1,82698 0,70571 0,10034 0,18068 1,67637 0,75177 1,86995 1,20456 1,84546 0,20692 1,07056 0,33364 0,835 0,97558 0,49084 1,88966 1,21121 0,3745 1,19616 0,30181 3,21402 0,0903 2,61544 0,49725 0,35147 0,97265 0,77907 0,25324 0,57609
0,06105 0,05189 0,00578 0,07804 0,9184 2,32028 1,09242 0,03391 0,3829 0,14673 0,11694 1,32523 1,00032 1,04208 1,56307 0,10242 1,0241 0,70493 0,42526 2,54082 1,63265 0,55206 1,31787 1,88888 2,01428 2,67363 0,34815 0,29042 0,13475 0,05683 0,04533 0,06947 0,00047
0,33264 0,04937 0,24781 0,483 1,30431 1,44356 0,11591 0,33554 0,66678 0,85142 1,0702 0,15098 0,18113 0,77392 3,97567 0,24987 1,75904 0,02362 0,21363 0,05887 2,49013 0,96108 0,1115 0,9136 1,5868 0,38425 3,7862 2,32141 2,31799 0,08027 1,21407 0,14656 0,15099
1,0589 4,0006 0,43687 0,2983 0,68007 1,04687 0,93788 2,82354 1,27616 0,60226 5,24055 3,82457 1,95966 0,53456 0,12068 0,436 0,655 1,8392 1,71473 0,49302 0,58964 0,87766 0,3589 1,7155 0,01396 0,17188 0,17602 0,56294 1,42038 0,6846 0,15632 1,43476 0,74214
0,04611 2,44309 0,02991 3,75236 3,9539 3,07768 0,86555 0,21896 0,15644 0,10131 0,91629 2,21574 0,12043 0,37931 0,0591 0,63775 1,5316 0,23149 0,1912 1,94563 0,73067 0,52777 0,61516 0,49844 0,31211 4,38611 0,49381 1,10058 0,28477 0,29454 1,54651 0,58053 0,88673
2,07919 1,19279 0,52321 0,283 1,00186 0,91547 0,11135 0,61599 1,49853 0,00041 0,74449 1,24752 0,02755 0,55943 0,09311 0,92961 2,38105 0,42528 0,30273 2,88959 0,5809 0,10678 2,2579 1,80252 1,41659 0,47624 1,11899 0,23771 0,61507 0,40381 1,03375 0,2361 1,0456
0,16426 0,36034 1,19931 0,01252 2,1392 1,0711 0,22064 2,70122 0,2438 1,04934 1,54706 3,01742 1,12134 0,1528 0,13433 0,1736 1,31363 0,70005 0,50795 0,76715 0,20309 0,89247 0,5537 0,78627 0,20996 1,7204 0,33027 0,16611 0,70722 0,38346 0,20112 1,30842 3,40522
0,13756 0,14896 0,97063 0,07863 0,65945 0,78354 2,54724 0,59041 0,69662 0,71689 1,71929 0,48124 0,15825 0,32622 1,13353 0,5642 4,87441 0,81429 0,59502 0,08922 1,19891 0,68666 1,12084 2,30031 0,56251 1,97416 0,91986 0,19464 0,16977 0,3467 0,21492 0,90432 1,31729
2,25764 1,02117 0,65404 1,51493 2,44657 0,10735 2,32252 0,9296 0,03946 0,6841 0,57949 0,50226 0,39719 1,34607 0,06729 0,07914 1,87911 0,14648 0,0055 1,50332 0,41577 0,40921 1,18308 0,37888 0,64183 0,15397 1,10484 0,53044 2,07863 0,08971 1,23729 0,38311 0,19672
Tabela 1.7: Dados Exponenciais
0,69611 0,22775 1,2899 0,58831 2,26175 1,8086 0,21121 0,37208 1,68575 0,40779 0,06082 0,752 0,73928 0,1881 0,73302 1,69506 1,19198 1,14152 0,99069 1,44135 4,83329 3,13698 5,6274 0,27255 0,7217 0,20741 0,3501 1,10223 0,21453 0,29033 0,02209 0,01359 0,84027
0,00666 0,19664 0,56337 0,40478 0,04064 3,58991 0,99732 0,96049 1,68336 0,655 4,50549 0,07319 0,75933 0,63464 3,68017 3,81342 4,01736 1,63649 0,05411 0,25575 0,83598 0,15909 0,38246 0,13101 0,01722 1,23387 0,6366 2,63819 2,31535 0,71624 1,92794 0,2938 0,38748
1,43685 0,67209 0,28809 0,12692 0,90853 0,28985 0,73894 0,97886 1,97248 2,59891 1,31121 0,7532 0,98665 0,01368 0,36334 1,18567 0,98998 0,42354 0,08015 0,52356 3,31921 0,78276 1,26049 0,25451 0,2567 0,83222 0,64013 1,73767 0,06885 2,05792 1,81139 1,03444 1,29327
1. No¸c˜oes B´asicas de Estat´ıstica
21
Figura 1.10: Dados Exponenciais Notamos que o gr´afico mostra que o conjunto de dados segue uma distribui¸ca˜o n˜ao sim´etrica, mas se agruparmos os valores do conjunto de dados em grupos de 5 e tirando a m´edia de cada grupo, temos o seguinte gr´afico (figura 1.11): Percebemos que a m´edia dos dados foi deslocada, fazendo com que os dados mudassem suas caracter´ısticas de simetria. Novamente, vamos agrupar os dados em grupos de 5 e tirar a m´edia. O resultados est˜ao na figura 1.12. Como percebemos, este gr´afico j´a possui uma distribui¸c˜ao similar a da distribui¸ca˜o normal. Teorema do Limite Central: Para amostras grandes, a distribui¸c˜ ao amostral da m´ edia pode ser aproximada pela distribui¸c˜ ao normal. Se combinarmos esse resultado com µx = µ
e
σx =
√σ n
para amostras aleat´orias de popula¸c˜oes infinitas, temos que se ´e a m´edia de uma amostra aleat´oria de tamanho n retirada de uma popula¸ca˜o infinita com m´edia e desvio padr˜ao X , para n grande
1. No¸c˜oes B´asicas de Estat´ıstica
22
Figura 1.11: M´edia de grupos de 5
z=
X −µ √ σ/ n
representa os valores de uma vari´avel aleat´oria com distribui¸ca˜o normal com m´edia zero e desvio padr˜ao igual a 1. O Teorema Central do Limite ´e de fundamental importˆancia em estat´ıstica porque justifica o intenso uso da curva normal. Ele se aplica `a popula¸co˜es infinitas, e tamb´em em popula¸c˜oes ´ dif´ıcil finitas quando n, embora grande, constitui-se em uma pequena por¸c˜ao da popula¸c˜ao. E dizer precisamente qu˜ao grande deve ser n para que o Teorema Central do Limite possa ser aplicado, mas a menos da distribui¸ca˜o populacional tenha uma forma muito ”estranha”n = 30 ´e considerado suficientemente grande. Nota: Quando uma amostra proveniente de uma popula¸ca˜o realmente normal, a distribui¸ca˜o amostral da m´edia ´e normal n˜ao importando o tamanho de n.
1. No¸c˜oes B´asicas de Estat´ıstica
23
Figura 1.12: M´edias
1.11
Distribui¸c˜ ao amostral do desvio padr˜ ao
Uma importante distribui¸c˜ao amostral associada a amostras aleat´orias de vari´aveis normais corresponde a distribui¸ca˜o qui-quadrado (χ2 ). Suponha que Z1 , ..., Zn s˜ao vari´aveis aleat´orias normalmente distribu´ıdas com m´edia zero e variˆancia 1. Ent˜ao, a vari´avel aleat´oria Qn = Z12 + ... + Zn2 tem distribui¸ca˜o qui-quadrado com n graus de liberdade (χ2n ). A fun¸ca˜o densidade da quiquadrado ´e definida por: f (x) =
1 2n/2 Γ(n/2)
x(n/2)−1 exp(−x/2) ; x > 0.
A distribui¸ca˜o qui-quadrado ´e assim´etrica e tem m´edia E(Qn ) = n e variˆancia V ar(Qn ) = 2n. Como um exemplo de uma vari´avel aleat´oria qui-quadrado, suponha que y1 , ..., yn s˜ao vari´aveis aleat´orias normais independentes e identicamente distribu´ıdas com m´edia µ e desvio
1. No¸c˜oes B´asicas de Estat´ıstica
24
padr˜ao σ. Ent˜ao, temos que a estat´ıstica Pn Qn =
i=1 (yi σ2
− y)2
=
(n − 1)s2 σ2
tem distribui¸ca˜o qui-quadrado com (n-1)graus de liberdade, onde s ´e o desvio padr˜ao amostral. Graus de liberdade Ao denotarmos SS =
n X
(yi − y)2 = (n − 1)s2
i=1
obtemos que # " n # n n X X X σ2 (µ + σ 2 ) − n(µ + )2 = (n − 1)σ 2 . yi2 − n(y)2 = E(SS) = E (yi − y)2 = E n i=1 i=1 i=1 "
A quantidade (n−1) multiplicando σ 2 ´e denominado graus de liberdade da soma de quadrados SS. De forma geral, se tomarmos Y uma vari´avel aleat´oria com variˆancia σ 2 , a soma de quadrado SS =
n X
(yi − y)2 .
i=1
Tem graus de liberdade ν se E(SS) = νσ 2 . O n´ umero de graus de liberdade de uma soma de quadrados corresponde ao n´ umero de elementos independentes na soma de quadrados. Por exemplo, se y1 , ..., yn s˜ao vari´aveis aleat´orias normais independentes e identicamente distribu´ıdas com m´edia µ e desvio padr˜ao σ. Ent˜ao, os elementos da soma de quadrados y1 − y, ..., yn − y, n˜ao s˜ao todos independentes, pois n X (yi − y). i=1
Na realidade, somente (n − 1) destes elementos s˜ao independentes, implicando que SS tem (n − 1) graus de liberdade.
1.12
A Distribui¸c˜ ao t-Student
Em calibra¸co˜es, n˜ao conhecemos o desvio padr˜ao da medi¸c˜ao e coletamos amostras de tamanho pequeno (3 a 10), que n˜ao permite uma boa estimativa do desvio padr˜ao. Considere
1. No¸c˜oes B´asicas de Estat´ıstica
25
que as leituras realizadas por um equipamento s˜ao modeladas por vari´aveis X1 , ..., Xn independentes e com distribui¸c˜ao normal com m´edia e desvio padr˜ao. Ent˜ao, a vari´avel t=
X −µ √ s/ n
onde s ´e o desvio padr˜ao amostral, tem distribui¸ca˜o t-student com n − 1 graus de liberdade.
Figura 1.13: Fun¸ca˜o densidade da distribui¸c˜ao t-Student
1. No¸c˜oes B´asicas de Estat´ıstica
26
Para calcularmos os valores da distribui¸c˜ao t-Student precisamos conhecer o grau de liberdade ”ν”, associado ao n´ umero de repeti¸co˜es da medida. Os graus de liberdade para uma amostra com n repeti¸co˜es da mesma medida ´e definido por ν(graus de liberdade) = n − 1. Exemplo 1.15. A m´edia de uma s´erie de dez medi¸c˜oes de uma anel padr˜ao ´e 40,0078 mm com um desvio padr˜ao de 0,0002 mm. Qual o intervalo do resultado da medi¸c˜ao com confian¸ca de 95% ? Solu¸c˜ ao Graus de liberdade: 10 - 1 = 9
P rob[−t2.5 ≤
X −µ √ ≤ t2.5 ] = 0, 95. s/ n
O intervalo de 95% ´e dado por: s X ± t2,5 √ n onde t2,5 ´e o valor tabelado igual a 2,262. Assim, o intervalo de confian¸ca com 95% ´e : 0, 0002 = 0, 000143. 40, 0078 ± 2, 262 √ 10 Exerc´ıcio 1.4. Continuando o exerc´ıcio 1.3, a mesma pe¸ca que foi medida no ch˜ao de f´abrica da empresa, foi enviada ao laborat´orio de Metrologia para determinar o valor de referˆencia. Ap´os 100 medi¸c˜oes da pe¸ca, o laborat´orio da RBC determinou o valor de referˆencia para a pe¸ca VR=19001 µm. Avaliar a consistˆencia das medi¸c˜oes da empresa com rela¸c˜ao ao valor de referˆencia (estudo de tendˆencia). Na seq¨ uˆencia vamos determinar o intervalo de confian¸ca para a m´edia das medi¸c˜oes da empresa. s LI = X − t2,5 √ = n s LS = X + t2,5 √ = n Conclus˜ao:
1. No¸c˜oes B´asicas de Estat´ıstica
1.13
27
A estat´ıstica F e a distribui¸ c˜ ao F de Snedecor
Considere Qn e Qm vari´aveis aleat´orias com distribui¸c˜ao qui-quadrado com n e m graus de liberdade respectivamente, al´em disso, vamos supor que estas vari´aveis aleat´orias s˜ao independentes. Ent˜ao a vari´avel aleat´oria F =
Qn /n Qm /m
tem distribui¸ca˜o F de Snedecor com n graus de liberdade no numerador e m graus de liberdade no denominador. A fun¸c˜ao densidade de probabilidade ´e definida por m + n m m2 m −1 x2 Γ 2 n f (x) = h i h i h . i m+n n m m 2 Γ x+1 Γ 2 2 n
Um importante exemplo da distribui¸ca˜o F de Snedecor corresponde a estat´ıstica F . Suponha que temos duas popula¸co˜es independentes tendo distribui¸c˜oes normais com variˆancia comum igual a σ 2 . Considere y11 , ..., y1n uma amostra aleat´oria da primeira popula¸ca˜o com n observa¸c˜oes e y21 , ..., y2m uma amostra aleat´oria da segunda popula¸ca˜o com m observa¸co˜es. Ent˜ao, a estat´ıstica
(n − 1)s21 (n − 1)σ 2 F = (m − 1)s22 (m − 1)σ 2
tem distribui¸ca˜o F de Snedecor com (n − 1) graus de liberdade no numerador e (m − 1) graus de liberdade no denominador, onde s1 e s2 s˜ao os desvios padr˜ao amostrais.
1.14
Teste para Duas Variˆ ancias
Suponha que queiramos comparar as variˆancias σ12 e σ22 de duas popula¸co˜es normais independentes. Para isso retiramos uma amostra aleat´oria X1 , X2 , ..., da popula¸c˜ao 1, e Y1 , Y2 , ..., da popula¸c˜ao 2. J´a vimos que Q1 =
(n1 − 1)s21 ∼ χ2(n1 −1) σ12
Q2 =
(n2 − 1)s22 ∼ χ2(n2 −1) σ22
1. No¸c˜oes B´asicas de Estat´ıstica
28
onde s21 ´e a variˆancia amostral da popula¸ca˜o 1 e s22 a variˆancia amostral da popula¸ca˜o 2. Ent˜ao a estat´ıstica F definida por Q1 s2 n1 − 1 F = = 12 Q2 s2 n2 − 1 tem distribui¸c˜ao ”F de Snedecor”com (n1 − 1) graus de liberdade no numerador e (n2 − 1) graus de liberdade no denominador, e denotamos F(n1 −1)(n2 −1) . Para executar um teste, podemos seguir os passos: 1) Estabelecer as hip´oteses, por exemplo H0 : σ12 = σ22 H1 : σ12 6= σ22 que ´e equivalente a σ2 H0 : 12 = 1 σ2 σ12 H1 : 2 6= 1. σ2 2) Fixar o n´ıvel de significˆancia α. 3) Determinar a regi˜ao cr´ıtica; neste caso devemos determinar os pontos cr´ıticos 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 distribui¸c˜ao ”F de Snedecor”. Graficamente: 4) Calcular, sob a hip´otese nula, o valor Fobs =
s21 s22
onde: s21 : variˆancia da amostra retirada da popula¸c˜ao 1. s22 : variˆancia da amostra retirada da popula¸c˜ao 2. 5) Conclus˜ao, neste caso se Fobs < F1− α2 ou Fobs > F α2 , rejeita-se H0 , caso contr´ario, aceita-se H0 . 6) Temos que
1. No¸c˜oes B´asicas de Estat´ıstica
29
P-valor = 2 ∗ min{ P [F > Fobs |H0 ] ; P [F < Fobs |H0 ] } Observa¸c˜ao: Geralmente, n˜ao se tem interesse aqui em considerar hip´oteses alternativas do tipo H1 : σ12 > σ22 ou H1 : σ12 < σ22 . Exemplo 1.16. Para avaliar a efic´acia de um sistema de medi¸c˜ao, uma empresa enviou uma pe¸ca para um laborat´orio do cliente medir. Esta pe¸ca foi medida 30 vezes pelo laborat´ orio cliente, obtendo uma variˆancia de 70 microns. A mesma pe¸ca foi medida tamb´em 30 vezes pelo laborat´orio da empresa obtendo uma variˆancia de 81 microns. Considerando α = 0, 05, podemos concluir que a variˆancia do sistema de medi¸c˜ao do cliente ´e menor que a variˆancia do sistema de medi¸c˜ao da empresa? Resposta:
1. No¸c˜oes B´asicas de Estat´ıstica
30
1) H0 : σ12 = σ22 H1 : σ12 6= σ22
2) α = 0.05. 3) Regi˜ao cr´ıtica
4) Fobs =
S12 81 2 = 70 = 1, 157 S2
5) Conclus˜ao: F0.975 = 0, 476 e F0.025 = 2, 1 Como F0.025 ≤ Fobs ≤ F0.975 , n˜ao rejeitamos H0 .
1. No¸c˜oes B´asicas de Estat´ıstica
31
6) Temos que P-valor= 2 ∗ min{P [F > 1, 157|H0 ] ; P [F < 1, 157|H0 ]} = 2 ∗ min{0, 35; 0, 65} = 0, 7. Assim, como o P − valor = 0, 7 > 0, 05, n˜ao rejeitamos a hip´otese H0 .
1.15
Teste de Valor Extremo (Grubbs)
Este teste ´e desenvolvido para verificar a presen¸ca de valores extremos em observa¸c˜oes amostrais. Valores extremos podem ser considerados como manifesta¸co˜es da variabilidade aleat´oria inerente aos dados, ou apenas um erro no c´alculo durante o recolhimento dos dados e at´e mesmo uma anota¸ca˜o preciptada pelo operador. Existem in´ umeros crit´erios para testar valores extremos. Em todos eles, desenvolvemos o c´alculo num´erico amostral (Estat´ıstica) e comparamos com um valor cr´ıtico baseado na teoria de amostras aleat´orias para decidirmos se existe ou n˜ao uma observa¸c˜ao considerada valor extremo. No teste de Grubbs, usamos a seguinte estat´ıstica: Z =
|xi − x¯| s
onde • xi : ´e uma observa¸ca˜o da amostra x1 , x2 , · · · , xn ; • x¯: ´e a m´edia amostral e ; • s: ´e o desvio padr˜ao amostral. Esta estat´ıstica testa as seguintes hip´oteses: H : xi ´e uma observa¸ca˜o considerada valor extremo 0 H : x n˜ao ´e uma observa¸ca˜o considerada valor extremo. 1 i Rejeitamos a hip´otese H0 , com n´ıvel de significˆancia α, se Z > Zc . Onde Zc ´e um valor cr´ıtico baseado na distribui¸ca˜o de Z e encontra-se tabelado (Ver F. E. Grubbs (1969) ) para alguns valores de α. Na Tabela B.3, encontra-se alguns valores cr´ıticos para 5%.
1. No¸c˜oes B´asicas de Estat´ıstica
1.16
32
Teste de Dixon
O teste de DIXON ´e um crit´erio para rejei¸c˜ao de valores extremos de um conjunto de dados. Objetivo: Determinar valores extremos em conjunto de dados. Exemplo 1.17. Um metrologista realizou uma s´erie de medidas com uma R´egua graduada. As medidas s˜ao: 20,1; 19,9; 20,2; 19,9; 21,1; 20,0. Para sabermos se o resultado 21,1 pertence `a mesma distribui¸c˜ao dos outros 5 , aplicamos o Teste de Dixon. Etapas do Teste de Dixon a) Etapa 1 - Ordenar os dados; 19,9
19,9
20
20,1
20,2
21,1
Z1
Z2
Z3
Z4
Z5
Z6 ou ZH
b) Etapa 2 - Calcular a Estat´ıstica; N´ umero de Repeti¸ c˜ oes
rD
ZH (suspeito)
Z1 (suspeito)
3 ≤ H ≤ 7
Q10
(ZH − ZH−1 ) (ZH − Z1 )
(Z2 − Z1 ) (ZH − Z1 )
8 ≤ H ≤ 12
Q11
(ZH − ZH−1 ) (ZH − Z2 )
(Z2 − Z1 ) (ZH−1 − Z1 )
13 ≤ H
Q22
(ZH − ZH−2 ) (ZH − Z3 )
(Z3 − Z1 ) (ZH−2 − Z1 )
ZH (suspeito) =
21, 1 − 20, 2 = 0, 75 21, 1 − 19, 9
Z1 (suspeito) =
19, 9 − 19, 9 = 0 21, 1 − 19, 9
c) Etapa 3 - Encontrar o Valor Cr´ıtico na Tabela, para 5% de significˆancia; Valor Cr´ıtico = 0,628. Como o valor calculado de ZH (suspeito) ´e maior do que o valor tabelado conclui-se pela rejei¸c˜ao da medida 21,1mm. Como o valor calculado de Z1 (suspeito) ´e menor do que o valor tabelado conclui-se pela n˜ao rejei¸c˜ao da medida 19,9mm. Ap´os a rejei¸c˜ao de um dos extremos devemos aplicar mais uma vez o Teste de Dixon nos novos valores extremos.
1. No¸c˜oes B´asicas de Estat´ıstica
33
Exerc´ıcio 1.5. Considere um sistema de medi¸c˜ao do diˆametro por uma coluna pneum´atica. O equipamento realizou 8 medi¸c˜oes, conforme abaixo: 12,5013; 12,5012; 12,5016; 12,5015; 12,5018; 12,5030; 12,5022; 12,5022. a) Etapa 1 - Ordenar os dados; b) Etapa 2 - Calcular a Estat´ıstica; c) Etapa 3 - Comparar com a tabela e concluir. Valor de RD Q10
Q11
Q22
Valor de RD Q22
1.17
Valores cr´ıticos H 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29
5% 0.970 0.829 0.710 0.628 0.569 0.608 0.504 0.530 0.502 0.479 0.611 0.586 0.565 0.546 0.529 0.514 0.501 0.489 0.488 0.468 0.459 0.451 0.444 0.436 0.429 0.423 0.417
Valores cr´ıticos 30 31 32 33
0.412 0.407 0.402 0.397
Teste de Cochran
ˆ (HOMOGENEIDADE DE VARIANCIA) O teste de Cochran ´e usado para comparar a maior variˆancia com as outras variˆancias de um grupo. Pode ser utilizado para comparar metrologistas, m´etodos ou laborat´orios. Para aplicar o Teste de Cochran vamos seguir as seguintes etapas a seguir:
1. No¸c˜oes B´asicas de Estat´ıstica
34
a) Etapa 1 - Calcular a Estat´ıstica; s2 maior variˆancia C = Ppmax 2 = soma de todas as variˆancias i=1 si onde: • p: representa o n´ umero de metrologistas, m´etodos ou laborat´orios; • s2i : representa a variˆancia amostral. Esta ´e calculada por: Pn s2i
=
− y¯)2 ; n − 1
j=1 (yj
• n: representa o n´ umero de medidas feitas por cada metrologista, m´etodos ou laborat´orios. b) Etapa 2 - Comparar com valor tabelado. Exemplo 1.18. Em um laborat´orio de metrologia, 4 metrologistas realizam 5 medi¸c˜oes para calibrarem um certo equipamento. veja as medi¸c˜oes na tabela 1.9.
MEDIDA 1 MEDIDA 2 MEDIDA 3 MEDIDA 4 MEDIDA 5 ´ MEDIA ˜ DESVIO PADRAO ˆ VARIANCIA
˜ JOAO 50,0071 50,0072 50,0072 500.071 500.072 50,00716 0,000055 0,000000003
METROLOGISTAS NOVATO MOACIR 50,007 50,0072 50,0076 50,0074 50,0075 50,0073 50,0071 50,0072 50,0078 50,0072 50,0074 50,00726 0,00034 0,000089 0,000000115 0,000000008
ROBERTO 50,0073 50,0074 50,0073 50,0072 50,0072 50,00728 0,000084 0,000000007
Tabela 1.8: Tabela resumo das medi¸c˜oes dos metrologistas 2 Observamos que Smax = 0, 000000115, com isso: Ccalculado =
0, 000000115 = 0, 985 0, 000000003 + 0, 000000115 + 0, 000000008 + 0, 000000007
Ctabelado (Tabela C, para 5% de significˆancia) = 0,629. Portanto, como Ccalculado > Ctabelado , a variˆancia do metrologista NOVATO n˜ao ´e homogˆenea em rela¸c˜ao a dos demais metrologistas. Exerc´ıcio 1.6. Considere um laborat´orio de metrologia com 4 metrologistas realizando o mesmo tipo de calibra¸c˜ao. Ao realizarmos uma compara¸c˜ao interlaboratorial, obtemos os seguintes resultados:
1. No¸c˜oes B´asicas de Estat´ıstica
35 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
´ MEDIA ˜ DESVIO PADRAO ˆ VARIANCIA Avaliar a homogeneidade dos quatro metrologistas! Tabela C para um n´ıvel de significˆancia de 5%. p
n=4
n=5
n=6
2
0,939 0,906 0,877
3
0,798 0,746 0,707
4
0,684 0,629
5
0,598 0,544 0,506
6
0,532
0,48
7
0,48
0,431 0,397
8
0,428 0,391
9
0,403 0,358 0,328
0,59
0,445
0,36
10 0,373 0,321 0,302
1.18
Teste de Igualdade das Variˆ ancias
Apesar de utilizarmos o gr´afico de res´ıduos para avaliar a igualdade de variˆancia, diversos testes estat´ısticos podem ser encontrados na literatura. Considere as hip´oteses H0 : σ12 = σ22 = ... = σk2 H1 :
pelo menos um dos σ 2 ’s diferente.
Os m´etodos mais utilizados s˜ao o teste de Bartlett e o teste de Levene.
1. No¸c˜oes B´asicas de Estat´ıstica
1.18.1
36
Teste de Bartlett
Este procedimento consiste em calcular uma estat´ıstica cuja distribui¸ca˜o amostral ´e aproximada por uma qui-quadrado com k − 1 graus de liberdade. A estat´ıstica de teste ´e B0 =
q c
onde q = (N − k) ∗
ln s2p
−
k X
(ni − 1) ∗ ln s2i
i=1 k X
1 c = 1+ 3 ∗ (k − 1)
i=1
1 1 − ni − 1 N − k
ni X (yij − y i. )2
k X (ni − 1)s2i
s2p =
i=1
N −k
!
;
s2i =
j=1
ni − 1
A quantidade q ´e grande quando as variˆancias amostrais s2i s˜ao significativamente diferentes e ´e igual a 0 quando estas variˆancias s˜ao iguais. Portanto, rejeitamos H0 para valores de B0 forem alto, isto ´e, rejeitamos H0 se B0 > Q[1−α;k−1] . Onde Q[1−α;k−1] representa o percentil com (1 − α) ∗ 100% da distribui¸ca˜o qui-quadrado com k − 1 graus de liberdade. O P-valor ´e calculado por P − valor = P [ χ2(k−1) > B0 | H0 ]. Exemplo 1.19. Vamos aplicar aos dados do Exemplo1.18 o m´etodo de Bartlett para testar a igualdade de variˆancia. As variˆancias amostrais s˜ao s2JOAO = 0, 0000000030; s2N OV AT O = 0, 0000001156;
s2M OACIR = 0, 0000000079; s2ROBERT O = 0, 0000000071.
1. No¸c˜oes B´asicas de Estat´ıstica
37
Ent˜ao, temos que 4 ∗ (0, 0000000030) + 4 ∗ (0, 0000001156) + 4 ∗ (0, 0000000079) + 4 ∗ (0, 0000000071) 20 − 4 = 0, 000033.
s2p =
Logo q = [16 ∗ ln(0, 000000033)] − 4 ∗ [ln(0, 0000000030) + ln(0, 0000001156)] − 4 ∗ [ln(0, 0000000079) + ln(0, 0000000071)] = −275, 6281 − −292, 0694 = 16, 44. Temos tamb´em que 1 1 c = 1+ 1− 3∗3 16 = 1, 1 Ent˜ao, a estat´ıstica do teste B0 = 16, 44/1, 1 = 14, 94545. Como Q[0,95;3] = 7, 81, n´os rejeitamos a hip´otese de que todas as variˆancia s˜ao iguais. Abaixo calculamos o p-valor para o teste de Bartlett. P − valor = P [ χ2(k−1) > B0 | H0 ] = P [ χ2(3) > 14, 94545 | H0 ] = 0, 00186386. Como o p-valor est´a abaixo de 5% rejeitamos a hip´otese H0 .
1.18.2
Teste de Levene
Este procedimento consiste em fazer uma transforma¸ca˜o aos dados originais e aplicar os dados transformados ao teste da ANOVA. Levene (1960) propr˜oe a seguinte transforma¸ca˜o: zij = |xij − xi. | , i = 1, · · · , k, e j = 1, · · · , ni .
(1.1)
1. No¸c˜oes B´asicas de Estat´ıstica
38
onde • zij : representa os dados ap´os transforma¸c˜ao; • xij : representa os dados originais; • xi. : representa a m´edia do n´ıvel i, para os dados originais; • As duas barras verticais representa o m´odulo ou valor absoluto da diferen¸ca. Uma transforma¸c˜ao (robusta) alternativa considerada para o procedimento de Levene, proposto por Brown (1974), ´e substituir a m´edia do n´ıvel pela mediana. Com isso, a express˜ao 1.1 ´e substitu´ıda por zij = |xij − x˜i. | , i = 1, · · · , k, e j = 1, · · · , ni
(1.2)
onde • zij : representa os dados ap´os transforma¸c˜ao; • xij : representa os dados originais; • x˜i. : representa a mediana do n´ıvel i, para os dados originais; • As duas barras verticais representa o m´odulo ou valor absoluto da diferen¸ca. Ap´os a transforma¸ca˜o dos dados originais pela express˜ao 1.2, aplicamos o teste da ANOVA. Se a estat´ıstica F for significativa rejeitamos a hip´otese de igualdade das variˆancias, ou seja, se o p-valor for inferior ao valor de α (n´ıvel de significˆancia do teste) rejeitamos H0 . Exemplo 1.20. Utilizando os dados do Exemplo1.18 iremos aplicar o teste de Levene para testar a igualdade de variˆancia. Os dados est˜ao apresentados na tabela 1.9. ˜ (i = 1), obtemos os Usando a express˜ao 1.2, para os dados da medi¸c˜ao metrologista JOAO dados transformado que s˜ao 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 n´ıveis, obtemos a tabela 1.10 com os dados transformados para todos os n´ıveis.
1. No¸c˜oes B´asicas de Estat´ıstica
MEDIDA 1 MEDIDA 2 MEDIDA 3 MEDIDA 4 MEDIDA 5 SOMA (xi. ) ´ MEDIA (¯ xi. ) MEDIANA (x˜i. )
39
˜ JOAO NOVATO 50,0071 50,007 50,0072 50,0076 50,0072 50,0075 50,0071 50,0071 50,0072 50,0078 250,036 250,037 50,0072 50,0074 50,0072 50,0075
MOACIR ROBERTO 50,0072 50,0073 50,0074 50,0074 50,0073 50,0073 50,0072 50,0072 50,0072 50,0072 250,036 250,036 50,0073 50,0073 50,0072 50,0073
x.. = 1000, 146 x¯.. = 50, 0073
Tabela 1.9: Tabela resumo das medi¸c˜oes dos metrologistas Operador ˜ JOAO NOVATO MOACIR ROBERTO
0,0001 0,0005 0,0000 0,0000
0,0000 0,0001 0,0002 0,0001
Medi¸co˜es 0,0000 0,0000 0,0001 0,0000
0,0001 0,0004 0,0000 0,0001
0,0000 0,0003 0,0000 0,0001
Tabela 1.10: Dados Transformados para as Medi¸c˜oes Com os dados transformados, aplicamos o teste da Anova. A tabela 1.11 apresenta o resultado do teste. Fonte de Varia¸ca˜o Fator Erro Total
Soma de Graus de Quadrados Estat´ıstica F P-valor Quadrados Liberdade M´edios 1,615e-07 3 5,3833e-08 3,778 0,0318 2,280e-07 16 1,4250e-08 3,895e-07 19
Tabela 1.11: An´alise de Variˆancia para os dados transformados. Como o p-valor ´e menor que 5%, temos evidˆencias para rejeitar a hip´otese de igualdade de variˆancias.
1.19
Compara¸c˜ ao entre Sistemas de Medi¸ c˜ ao
Aqui, vamos apresentar uma t´ecnica para comparar dois sistemas de medi¸c˜ao. Para ilustrar, vamos considerar um exemplo. Exemplo 1.21. O diˆametro de um anel padr˜ao pode ser medido por dois tipos de sistemas de medi¸c˜ao. Para comparar estes sistemas de medi¸c˜ao, um anel padr˜ao foi medido 5 vezes por cada sistema de medi¸c˜ao utilizando o mesmo operador. Os resultados est˜ao abaixo:
1. No¸c˜oes B´asicas de Estat´ıstica
40 SM 1
SM 2
M´edia
15,601mm
15,603mm
Incerteza Expandida
0,001mm
0,0015mm
Etapa 1: Calcular a Estat´ıstica: |M SM 1 − M SM 2| EN = √ U SM 12 + U SM 22 onde: • MSM1: representa a m´edia do sistema de medi¸c˜ao 1; • MSM2: representa a m´edia do sistema de medi¸c˜ao 2; • USM1: representa a incerteza expandida do sistema de medi¸c˜ao1; • USM2: representa a incerteza expandida do sistema de medi¸c˜ao2. Com isso, temos que |15, 601 − 15, 603| 0, 002 EN = p = 1, 109 = 2 2 0, 0018 (0, 001) + (0, 0015) Etapa 2: • Se EN < 1, os dois sistemas de medi¸c˜ao s˜ao compat´ıveis; • Se EN > 1, os dois sistemas de medi¸c˜ao n˜ao s˜ao compat´ıveis, isto ´e, os sistemas de medi¸c˜ao apresentam diferen¸cas significativas. Como, no exemplo, EN = 1, 109 ´e maior que 1, conclu´ımos que existe uma diferen¸ca significativa entre os dois sistemas medi¸c˜ao. Exerc´ıcio 1.7. Considere dois sistemas de medi¸c˜ao de dureza na escala HB. Um mesmo padr˜ ao foi medido v´arias vezes por cada sistema, os resultados est˜ao abaixo: SM 1
SM 2
M´edia
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 ´e menor que 1, conclu´ımos que n˜ao existe uma diferen¸ca significativa entre os dois sistemas medi¸c˜ao.
41
Cap´ıtulo 2 Fundamentos do C´ alculo de Incerteza em Medi¸ c˜ ao 2.1
Medi¸c˜ ao
O objetivo de uma medi¸ca˜o ´e determinar o valor de uma grandeza, isto ´e, um valor particular de uma quantidade da grandeza. Esta medi¸ca˜o come¸ca com uma apropriada especifica¸ca˜o da grandeza, do m´etodo e procedimento de medi¸ca˜o. Em geral, o resultado de uma medi¸c˜ao ´e uma aproxima¸ca˜o ou estimativa do valor da grandeza. Assim, o resultado da medi¸ca˜o somente est´a completo se estiver acompanhado da incerteza da estimativa. Na pr´atica, a especifica¸c˜ao ou defini¸ca˜o da grandeza ´e conseq¨ uˆencia da exatid˜ao (accuracy) desejada. Para atender a exatid˜ao requerida, a grandeza deve ser especificada de tal forma que, esta tenha um u ´nico valor para os prop´ositos pr´aticos associados. Exemplo 2.1. Considere uma haste de 75 mm onde a exatid˜ao requerida ´e de micrˆometros. Neste caso, sua especifica¸c˜ao deve incluir a temperatura e press˜ao. Por outro lado, se o comprimento da haste deve ser determinado em mil´ımetros, sua especifica¸c˜ao n˜ao requer a defini¸c˜ ao da temperatura e press˜ao. Na grande maioria dos casos, o resultado da medi¸c˜ao ´e determinado atrav´es de uma s´erie de leituras obtidas sob condi¸c˜oes de repetitividade. Varia¸co˜es obtidas nas leituras repetidas s˜ao conseq¨ uˆencia de fatores que afetam os resultados das leituras. Al´em disso, o modelo matem´atico da medi¸c˜ao, que transforma as leituras repetidas no resultado da medi¸c˜ao ´e cr´ıtico, pois inclu´ı fatores que n˜ao s˜ao totalmente conhecidos. Assim, a
2. Fundamentos do C´alculo de Incerteza em Medi¸ca˜o
42
varia¸c˜ao obtida nas leituras repetidas e a falta de informa¸c˜ao do modelo matem´atico, contribuem para a incerteza do resultado da medi¸c˜ao. Medi¸c˜ ao ´e o conjunto de opera¸c˜oes com objetivo de determinar o valor de uma grandeza. Estas opera¸c˜oes podem ser realizadas automaticamente. Medir ´e um processo experimental pelo qual o valor momentˆaneo de uma grandeza f´ısica (grandeza a medir) ´e determinado como m´ ultiplo e/ou uma fra¸ca˜o de uma unidade, estabelecida por um padr˜ao, e reconhecida internacionalmente.
2.2
Erros, efeitos e corre¸ co ˜es
Em geral, uma medi¸ca˜o tem imperfei¸c˜oes que d˜ao origem a um erro no resultado da medi¸c˜ao. Tradicionalmente, um erro ´e visto como tendo dois componentes, a saber, um componente aleat´orio e um componente sistem´atico. NOTA - Erro ´e um conceito idealizado e os erros n˜ao podem ser conhecidos exatamente. O erro aleat´orio presumivelmente se origina de varia¸c˜oes temporais ou espaciais, estoc´asticas ou imprevis´ıveis, de grandeza de influˆencia. Os efeitos de tais varia¸co˜es, daqui para a frente denominamos efeitos aleat´orios, s˜ao a causa de varia¸c˜oes em observa¸co˜es repetidas da grandeza. Embora n˜ao seja poss´ıvel compensar o erro aleat´orio de um resultado de medi¸ca˜o, ele pode geralmente ser reduzido aumentando-se o n´ umero de observa¸co˜es; sua esperan¸ca ou valor esperado ´e zero. NOTAS 1. O desvio padr˜ao experimental da m´edia aritm´etica ou m´edia de uma s´erie de observa¸c˜ oes n˜ao ´e o erro aleat´orio da m´edia embora ele assim seja designado em algumas publica¸c˜ oes. Ele ´e, em vez disso, uma medida de incerteza da m´edia devida a efeitos aleat´orios. O valor exato do erro na m´edia, que se origina destes efeitos, n˜ao pode ser conhecido. 2. Deve-se tomar muito cuidado em distinguir entre os termos ”erros”e ”incerteza”. Eles n˜ao s˜ao sinˆonimos, ao contr´ario representam conceitos completamente diferentes; eles n˜ao deveriam ser confundidos um com o outro, nem ser mal empregados.
O erro sistem´atico, como o erro aleat´orio, n˜ao pode ser eliminado por´em ele tamb´em,
2. Fundamentos do C´alculo de Incerteza em Medi¸ca˜o
43
freq¨ uentemente, pode ser reduzido. Se um erro sistem´atico se origina de um efeito reconhecido de uma grandeza de influˆencia em um resultado de medi¸ca˜o, daqui para diante denominado como efeito sistem´atico, o efeito pode ser quantificado e, se for significativo com rela¸ca˜o a` exatid˜ao requerida da medi¸c˜ao, uma corre¸ca˜o ou fator de corre¸ca˜o pode ser aplicado para compensar o efeito. Sup˜oe-se que, ap´os esta corre¸c˜ao, a esperan¸ca ou valor esperado do erro provocado ou um efeito sistem´atico seja zero. NOTA - A incerteza de uma corre¸c˜ao aplicada a um resultado de medi¸c˜ao, para compensar um efeito sistem´atico, n˜ao ´e o erro sistem´atico, freq¨ uentemente denominado efeito de tendˆencia, ´ ao contr´ como ´e algumas vezes denominada no resultado de medi¸c˜ao devido ao efeito. E, ario, uma medida de incerteza do resultado devido ao conhecimento incompleto do valor requerido da corre¸c˜ao. O erro originado da compensa¸c˜ao imperfeita de um efeito sistem´atico n˜ao pode ser exatamente conhecido, Os termos ”erro”e ”incerteza”devem ser usados apropriadamente e deve-se tomar cuidado em distinguir um do outro. Sup˜oe-se que o resultado de uma medi¸c˜ao tenha sido corrigido para todos os efeitos sistem´aticos reconhecidos como significativos e que todo esfor¸co tenha sido feito para identificar tais efeitos. Exemplo 2.2. Uma corre¸c˜ao devida `a impedˆancia finita de um volt´ımetro usado para medir uma diferen¸ca de potencial (a grandeza), atrav´es de um resistor de alta impedˆancia ´e aplicada para reduzir o efeito sistem´atico sobre no resultado da medi¸c˜ao proveniente do efeito de carregamento do volt´ımetro. Entretanto, os valores da impedˆancia do volt´ımetro e do resistor, que s˜ ao usados para estimar o valor da corre¸c˜ao e s˜ao obtidos a partir de outras medidas, s˜ ao, eles mesmos, incertos. Essas incertezas s˜ao usadas para avaliar a componente de incerteza da determina¸c˜ao de diferen¸ca de potencial originada da corre¸c˜ao e, assim, do efeito sistem´ atico devido `a impedˆancia finita do volt´ımetro.
NOTA - Freq¨ uentemente, os instrumentos e sistemas de medi¸c˜ao s˜ao ajustados ou calibrados, utilizando-se padr˜oes de medi¸c˜ao e materiais de referˆencia para eliminar os efeitos sistem´aticos; entretanto, as incertezas associadas a esses padr˜oes e materiais ainda devem ser levadas em conta.
2. Fundamentos do C´alculo de Incerteza em Medi¸ca˜o
2.3
44
Incerteza de Medi¸c˜ ao
A incerteza do resultado de uma medi¸c˜ao reflete a falta de conhecimento exato do valor da grandeza. O resultado de uma medi¸ca˜o, ap´os corre¸c˜ao dos efeitos sistem´aticos reconhecidos, ´e ainda, t˜ao somente uma estimativa do valor da grandeza por causa da incerteza proveniente dos efeitos aleat´orios e da corre¸ca˜o imperfeita do resultado para efeitos sistem´aticos. NOTA - O resultado de uma medi¸c˜ao (ap´os corre¸c˜ao) pode, sem que se perceba, estar muito pr´oximo do valor da grandeza (e, assim, ter um erro desprez´ıvel), muito embora possa ter uma incerteza grande. Portanto, a incerteza do resultado de uma medi¸c˜ao n˜ao deve ser confundida com o erro desconhecido remanescente. Na pr´atica, existem muitas fontes poss´ıveis d incerteza em uma medi¸ca˜o, incluindo: a) defini¸ca˜o incompleta da grandeza; b) realiza¸ca˜o imperfeita da defini¸c˜ao da grandeza; c) amostragem n˜ao-representativa - a amostra medida pode n˜ao representar a grandeza definida; d) conhecimento inadequado dos efeitos das condi¸c˜oes ambientais sobre a medi¸ca˜o ou medi¸c˜ao imperfeita das condi¸c˜oes ambientais; e) erro de tendˆencia pessoal na leitura de instrumentos anal´ogicos; f) resolu¸ca˜o finita do instrumento ou limiar de mobilidade; g) valore inexatos dos padr˜oes de medi¸ca˜o e materiais de referˆencia; h) valore inexatos de constantes e de outros parˆametros obtidos de fontes eternas e usados no algoritmo de redu¸ca˜o de dados; i) aproxima¸co˜es e suposi¸co˜es incorporadas ao m´etodo e procedimento de medi¸ca˜o; j) varia¸co˜es nas observa¸co˜es repetidas da grandeza sob condi¸co˜es aparentemente idˆenticas. Essas fontes n˜ao s˜ao necessariamente independentes e algumas das fontes de a) a i) podem contribuir para a fonte j). Naturalmente, um efeito sistem´atico n˜ao reconhecido n˜ao pode ser levado em considera¸c˜ao na avalia¸ca˜o da incerteza do resultado de uma medi¸ca˜o, por´em contribui para seu erro. NOTA - Em algumas publica¸c˜oes, os componentes da incerteza s˜ao categorizados como ”aleat´orio”e ”sistem´atico”e s˜ao associados com erros provenientes de efeitos aleat´orios e de efeitos sistem´aticos conhecidos, respectivamente. Tal categoriza¸c˜ao de componentes de in-
2. Fundamentos do C´alculo de Incerteza em Medi¸ca˜o
45
certeza pode se tornar amb´ıgua quando aplicada genericamente. Por exemplo, um componente ”aleat´orio”de incerteza em uma medi¸c˜ao pode se tornar um componente ”sistem´atico”da incerteza em outra medi¸c˜ao na qual o resultado da primeira medi¸c˜ao ´e usado como dado de entrada. Categorizando os m´etodos de avalia¸c˜ao dos componentes de incerteza, em vez de fazˆelo com os pr´oprios componentes, evita-se tal ambig¨ uidade. Ao mesmo tempo, isto n˜ao impede designar componentes individuais que tenham sido avaliados pelos dois diferentes m´etodos em grupos distintos, a serem usados para uma finalidade em particular. O prop´osito da classifica¸ca˜o Tipo A e Tipo B ´e de indicar as duas maneiras diferentes de avaliar os componentes da incerteza e serve apenas para discuss˜ao; a classifica¸c˜ao n˜ao se prop˜oe a indicar que haja qualquer diferen¸ca na natureza dos componentes resultando dos dois tipos de avalia¸c˜ao. Ambos os tipos d avalia¸c˜ao s˜ao baseados em distribui¸co˜es de probabilidade e os componentes de incerteza resultantes de cada tipo s˜ao quantificados por variˆancias ou desvios padr˜ao. A variˆancia estimada u2 , caracterizando um componente de incerteza obtido de uma avalia¸ca˜o do Tipo A, ´e calculada a partir de uma s´erie de observa¸c˜oes repetidas, e ´e a conhecida variˆancia s2 estatisticamente estimada. O desvio padr˜ao estimado u, a raiz quadrada positiva de u2 , ´e portanto u = s e, para maior conveniˆencia, ´e por vezes denominada incerteza padr˜ao do Tipo A. Para um componente de incerteza obtido por uma avalia¸ca˜o do Tipo B, a variˆancia estimada u2 ´e avaliada, usando-se o conhecimento dispon´ıvel, e o desvio padr˜ao estimado u ´e, por vezes, denominado incerteza padr˜ao do Tipo B. Assim, uma incerteza padr˜ao do Tipo A ´e obtida a partir de uma fun¸c˜ao densidade de probabilidade derivada da observa¸c˜ao de uma distribui¸ca˜o de freq¨ uˆencia, enquanto que a incerteza padr˜ao do Tipo B ´e obtida de uma suposta fun¸c˜ao densidade de probabilidade, baseada no grau de credibilidade de que um evento v´a ocorrer (freq¨ uentemente chamada probabilidade subjetiva). Ambos os enfoques empregam interpreta¸co˜es reconhecidas de probabilidade. NOTA - Uma avalia¸c˜ao do Tipo B de um componente de incerteza ´e usualmente baseada em um conjunto de informa¸c˜oes comparativamente confi´aveis. A incerteza padr˜ao do resultado de uma medi¸c˜ao, quando este resultado ´e obtido de valores e um n´ umero de outras grandezas, ´e denominada incerteza padr˜ao combinada e designada ou uc . Ela ´e o desvio padr˜ao estimado, associado com o resultado, e ´e igual a` raiz quadrada positiva da variˆancia combinada, obtida a partir de todos os componentes da variˆancia e covariˆancia,
2. Fundamentos do C´alculo de Incerteza em Medi¸ca˜o
46
independente de como tenham sido avaliados, usando o que ´e denominado, de lei da propaga¸c˜ao de incerteza. Para satisfazer as necessidades de algumas aplica¸c˜oes industriais e comerciais, assim como a requisitos nas a´reas da sa´ ude e seguran¸ca, uma incerteza expandida U ´e obtida, multiplicandose a incerteza padr˜ao combinada uc por um fator de abrangˆencia k. A finalidade pretendida para U ´e fornecer um intervalo em torno do resultado de uma medi¸c˜ao, com o qual se espera abranger uma grande fra¸ca˜o da distribui¸ca˜o de valores que poderiam razoavelmente ser atribu´ıda a grandeza. A escolha de k, o qual est´a geralmente na faixa de 2 a 3, ´e baseada na probabilidade de abrangˆencia ou n´ıvel da confian¸ca requerido do intervalo. NOTA - O fator de abrangˆencia k deve sempre ser declarado de forma que a incerteza padr˜ ao da grandeza medida possa ser recuperada para uso no c´alculo de incerteza padr˜ao combinada de outros resultados de medi¸c˜ao que possam depender dessa grandeza. Se houver varia¸ca˜o de todas as grandezas das quais o resultado de uma medi¸ca˜o depende, sua incerteza poder´a ser calculada por meios estat´ısticos. Entretanto, uma vez que isso, na pr´atica, raramente ´e poss´ıvel, devido a tempo e recursos limitados, a incerteza de um resultado de medi¸ca˜o ´e, geralmente, avaliada, utilizando-se um modelo matem´atico da medi¸c˜ao e a lei de propaga¸c˜ao da incerteza. Assim, est´a impl´ıcita a suposi¸ca˜o de que uma medi¸c˜ao pode ser modelada matematicamente at´e o grau imposto pela exatid˜ao requerida na medi¸c˜ao. Uma vez que o modelo matem´atico pode ser incompleto, todas as grandezas relevantes dever ser variadas at´e a maior extens˜ao pr´atica poss´ıvel, de modo que a avalia¸c˜ao da incerteza possa ser baseada, tanto quanto poss´ıvel, nos dados observados. Sempre que fact´ıvel, o uso de modelos emp´ıricos da medi¸c˜ao, fundamentados em dados quantitativos, colecionados ao longo do tempo, e o uso de padr˜oes de verifica¸c˜ao e gr´aficos de controle que possam indicar se uma medi¸ca˜o est´a sob controle estat´ıstico, devem ser parte do esfor¸co de obten¸c˜ao de avalia¸co˜es confi´aveis de incerteza. O modelo matem´atico dever´a sempre ser revisado quando os dados observados, incluindo o resultado de determina¸co˜es independentes da mesma grandeza, demonstrarem que o modelo est´a incompleto. Um experimento bem projetado pode, muito, facilitar avalia¸c˜oes confi´aveis da incerteza e ´e uma parte importante da arte de medi¸ca˜o. De forma a decidir se um sistema de medi¸c˜ao est´a funcionando adequadamente, a variabilidade observada experimentalmente de seus valores de sa´ıda, conforme medida pelo seu desvio padr˜ao observado, ´e, freq¨ uentemente, comparada com o desvio padr˜ao previsto obtido, combinando-se os v´arios componentes da incerteza que caracterizam a medi¸ca˜o. Em tais ca-
2. Fundamentos do C´alculo de Incerteza em Medi¸ca˜o
47
sos, somente aqueles componentes (obtidos de avalia¸c˜oes Tipo A ou Tipo B) que poderiam contribuir para a variabilidade experimentalmente observada destes valores de sa´ıda devem ser considerados. NOTA - Tal an´alise pode ser facilitada, reunindo-se aqueles componentes que contribuem para a variabilidade e aqueles que n˜ao o fazem em dois grupos separados e adequadamente rotulados. Em alguns casos, a incerteza de uma corre¸c˜ao para um efeito sistem´atico n˜ao precisa ser inclu´ıda na avalia¸ca˜o da incerteza de um resultado de medi¸ca˜o. Embora a incerteza tenha sido avaliada, ela pode ser ignorada se sua contribui¸ca˜o para a incerteza padr˜ao combinada de um resultado de medi¸ca˜o ´e insignificante. Se o valor da pr´opria corre¸ca˜o for insignificante relativamente a` incerteza padr˜ao combinada, ele tamb´em pode ser ignorado. Muitas vezes ocorre na pr´atica, especialmente no dom´ınio da metrologia legal, que um equipamento ´e ensaiado atrav´es de uma compara¸ca˜o com um padr˜ao de medi¸ca˜o e as incertezas associadas com o padr˜ao e com o procedimento de compara¸ca˜o s˜ao desprez´ıveis relativamente a` exatid˜ao requerida do ensaio. Um exemplo ´e o uso de um conjunto de padr˜oes de massa bem calibrados para verificar a exatid˜ao de uma balan¸ca comercial. Em tais casos, porque os componentes da incerteza s˜ao pequenos o bastante para serem ignorados, a medi¸ca˜o pode ser vista como determina¸c˜ao do erro do equipamento sob ensaio. A estimativa do valor de uma grandeza, obtida pelo resultado de uma medi¸c˜ao, ´e algumas vezes expressa em termos de valor adotado de um padr˜ao de medi¸c˜ao, em vez de termos da unidade apropriada do Sistema Internacional de Unidades (SI). Em tais casos, a magnitude da incerteza atribu´ıvel ao resultado de medi¸ca˜o pode ser significativamente menor do que quando aquele resultado for expresso na unidade SI apropriada (na realidade, a grandeza foi redefinida para ser raz˜ao entre o valor da grandeza a ser medida e do valor adotado do padr˜ao). Exemplo 2.3. Um padr˜ao de tens˜ao Zener de alta qualidade ´e calibrado por compara¸c˜ ao com uma referˆencia de tens˜ao de efeito Josephson baseado no valor convencional da constante Josephson recomendada para uso internacional pelo CIPM. A incerteza padr˜ao combinada relativa uc (VS )/VS da diferen¸ca de potencial calibrada VS ´e relatado em termos do valor convencional, mas uc (VS )/VS ´e 4 × 10−7 quando VS ´e relatado em termos da unidade SI da diferen¸ca de potencial, volt(V ), por causa da incerteza adicional associada com o valor SI da constante Josephson.
2. Fundamentos do C´alculo de Incerteza em Medi¸ca˜o
48
Erros grosseiros no registro ou na an´alise dos dados podem introduzir um erro desconhecido significativo no resultado de uma medi¸ca˜o. Grandes erros grosseiros podem ser, geralmente, identificados por uma revis˜ao apropriada dos dados; os pequenos erros grosseiros podem ser mascarados por varia¸co˜es aleat´orios, ou at´e mesmo podem aparecer como tais. Medidas de incerteza n˜ao s˜ao projetadas para levar em conta tais erros. A avalia¸c˜ao da incerteza n˜ao ´e uma tarefa de rotina nem uma tarefa puramente matem´atica; ela depende de conhecimento detalhado da natureza da grandeza e da medi¸c˜ao. A qualidade e utilidade da incerteza indicada para o resultado de uma medi¸ca˜o, dependem, portanto, e em u ´ltima an´alise, da compreens˜ao, an´alise cr´ıtica e integridade daqueles que contribuem para o estabelecimento de seu valor. Resultado da Medi¸c˜ ao A express˜ao de um resultado de medi¸c˜ao encontra-se incompleta caso esta n˜ao se apresente com a declara¸c˜ao da Incerteza de medi¸c˜ao associada. A incerteza de um resultado define uma faixa de valores em torno da m´edia das medi¸co˜es, dentro da qual o valor verdadeiro da grandeza se encontra com n´ıvel de confian¸ca estabelecido. Resultado = M´ edia (das medidas) - Erro Sistem´ atico ± IM (Incerteza) Embora n˜ao seja ainda de entendimento geral e at´e mesmo algumas vezes de desconhecimento de alguns, cumpre-nos observar que dentre as parcelas mostradas na express˜ao do Resultado de uma medi¸c˜ao a IM (Incerteza de Medi¸ca˜o) ´e a mais importante, at´e mesmo do que a M´edia (das medidas) e mereceria uma maior compreens˜ao e aplica¸c˜ao. Vejamos um exemplo em que a um Metrologista fosse solicitado para medir as dimens˜oes do seu Laborat´orio de Metrologia para a prepara¸c˜ao de um layout, e este n˜ao dispusesse de trena ou qualquer outro meio de medi¸ca˜o. Este poderia utilizar-se das dimens˜oes padronizadas das placas do piso (Por exemplo Paviflex, 30 × 30 cm) e ap´os uma contagem do n´ umero de placas em cada lado emitir um resultado de medi¸ca˜o, como o seguinte: 4,0 × 4,0 m ± 0,15 m . Metrologicamente falando, o resultado da sua medi¸ca˜o est´a correto mesmo se o solicitante n˜ao estivesse satisfeito com a IM apresentada e neste caso o mesmo poderia propor uma altera¸ca˜o no procedimento de medi¸ca˜o utilizado, como por exemplo o uso de uma trena. Sob o mesmo ponto de vista, errado estaria se a medi¸ca˜o fosse feita, por exemplo com uma trena e o resultado apresentado fosse: 4,010 × 4,047 m (sem a declara¸ca˜o da IM). Tipos de Incertezas de Medi¸c˜ ao
2. Fundamentos do C´alculo de Incerteza em Medi¸ca˜o
49
Por recomenda¸co˜es do INC-1 (1981) [ISO GUM ver.95] os componentes da incerteza foram divididos em dois grupos de acordo com o m´etodo utilizado para estimar seus valores num´ericos: Tipo A - Aquelas que s˜ao avaliadas por m´etodos estat´ısticos Tipo B - Aquelas que s˜ao avaliadas por outros m´etodos Estas categorias aplicam-se somente a incerteza e n˜ao s˜ao substitutos das palavras “aleat´orios” e “sistem´aticos”. Ora os componentes da incerteza de medi¸c˜ao s˜ao classificados como “Tipo A” ou “Tipo B” e modelados pelo tipo de avalia¸c˜ao, mas todos estes componentes independente de suas classifica¸co˜es s˜ao modelados pelo tipo de distribui¸c˜ao de probabilidade e quantificados pela variˆancia ou pelo desvio padr˜ao. Portanto, a incerteza do tipo A ´e obtida da fun¸ca˜o densidade de probabilidade derivada das observa¸co˜es (leituras), isto ´e, da distribui¸c˜ao de freq¨ uˆencia. Enquanto a incerteza do tipo B ´e obtida da fun¸ca˜o densidade de probabilidade previamente assumida. • A avalia¸ca˜o do Tipo A ser´a normalmente utilizada para obter o valor da repetitividade ou aleatoriedade de um processo de medi¸ca˜o, exibido em um dado momento. Para algumas medi¸co˜es o componente aleat´orio da incerteza pode n˜ao ser significante em rela¸c˜ao a outras contribui¸co˜es da incerteza. ´ prov´avel que os componentes sistem´aticos da incerteza, por exemplo aqueles relativos • E a erros que permanecem quase constantes enquanto a medi¸ca˜o ´e realizada, ser˜ao obtidas por avalia¸c˜oes Tipo B. A mais importante dessas componentes sistem´aticas, para um instrumento, normalmente ser´a a incerteza associada aos padr˜oes de referˆencia utilizados de forma a atender `as necessidades da rastreabilidade aos Padr˜oes Nacionais ou Internacionais. Exemplos de Componentes de Incerteza de Medi¸c˜ ao Tipo “A”
GRANDEZA
FONTE DE INCERTEZA - TIPO “A”
Dimensional
Repetitividade entre as v´arias medi¸c˜oes em um calibrador
Temperatura
Repetitividade entre as medi¸c˜oes de microvoltagens em um Termopar Tipo S
Dureza
Repetitividade entre 10 medidas em uma placa padr˜ao de dureza
Exemplos de Componentes de Incerteza de Medi¸c˜ ao Tipo “B”
2. Fundamentos do C´alculo de Incerteza em Medi¸ca˜o
GRANDEZA
FONTE DE INCERTEZA - TIPO “B”
Dimensional
Incerteza no medidor de temperatura utilizado para compensar a expans˜ ao t´ ermica do mensurando
Dimensional
Resolu¸ c˜ ao do Instrumento
Dimensional
Incerteza do Coeficiente de Expans˜ ao t´ ermica utilizado
Temperatura
Erro estimado na determina¸ ca ˜o do ponto zero
Temperatura
Incerteza do padr˜ ao utilizado
Temperatura
Uniformidade do forno
Medidas El´ etricas
Influˆ encias das condi¸ c˜ oes ambientais
Medidas El´ etricas
Estabilidade estimada do instrumento ao longo do tempo
Massa
Estabilidade (Drift) da massa padr˜ ao
Massa
Incerteza do padr˜ ao
Massa
Linearidade da balan¸ ca
50
Algumas Fontes de Erros para Estimativas de Componentes Tipo “B” Dimensional • Fonte de Incerteza; • D´ uvida na leitura (resolu¸ca˜o do instrumento); • Desconhecimento do coeficiente de expans˜ao t´ermica do mensurando ou padr˜ao a ser calibrado; • Diferen¸cas de temperatura; • Erros de cosseno; • Erros geom´etricos; • Incertezas do equipamento de medi¸ca˜o usado na calibra¸ca˜o.
2. Fundamentos do C´alculo de Incerteza em Medi¸ca˜o
51
Temperatura • Incerteza assumida para os instrumentos el´etricos usados durante da calibra¸c˜ao; • Drift (instabilidade) desde a u ´ltima calibra¸c˜ao; • Resolu¸ca˜o da leitura; • Instabilidade e gradientes de temperatura no ambiente; • Efeito do auto aquecimento dos termˆometros de resistˆencia Pt; • Interpola¸co˜es em tabelas de referˆencia. El´ etrica • Drift ( instabilidade ) desde a u ´ltima calibra¸c˜ao; • Condi¸co˜es ambientais diferentes daquela recomendada para a calibra¸ca˜o; • Interpola¸ca˜o nos dados de calibra¸ca˜o; • Resolu¸ca˜o; • Layout dos instrumentos e padr˜oes durante a calibra¸ca˜o (fugas de corrente, campos eletromagn´eticos); • Impedˆancia dos cabos, terminais e instrumentos.
2.4
Avalia¸c˜ ao da Incerteza Padr˜ ao
Em muitos casos, uma grandeza y n˜ao ´e medida diretamente, mas ´e determinado em fun¸c˜ao de n outras grandezas x1 , x2 , . . . , xn , atrav´es de uma rela¸c˜ao funcional f : y = f (x1 , x2 , . . . , xn ) As grandezas de entrada x1 , x2 , . . . , xn , sobre o qual o valor de sa´ıda y depende, pode ser uma medida ou depender de outras vari´aveis, incluindo corre¸co˜es e fatores de corre¸co˜es para efeitos sistem´aticos. A fun¸c˜ao 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 C´alculo de Incerteza em Medi¸ca˜o
52
I valores e incertezas determinados diretamente em medi¸ca˜o; esses valores e incertezas podem ser obtidos de uma simples observa¸ca˜o, repetidas observa¸co˜es ou julgamentos baseados na experiˆencia. Tamb´em podem envolver as determina¸co˜es de corre¸c˜oes para indica¸ca˜o dos instrumentos e corre¸co˜es por grandezas de influˆencias, tais como: temperatura ambiente, press˜ao barom´etrica e umidade; I valores e incertezas, os quais s˜ao conduzidos para uma medi¸c˜ao de fontes externas, tais como: grandezas associadas com calibra¸ca˜o de padr˜oes, certificados de materiais de referˆencia e referˆencia de informa¸co˜es obtidas atrav´es de manuais. Exemplo: Para medirmos o volume, podemos utilizar o seguinte m´etodo: V ol =
M assa Densidade
onde a grandeza volume ´e obtida atrav´es das grandezas massa e densidade . A estimativa do desvio padr˜ao, associado com cada estimativa de entrada xi , ´e denominada de incerteza padr˜ ao e indicada por u(xi ). A estimativa do desvio padr˜ao, associado com a estimativa do resultado de medi¸ca˜o y, ´e denominado incerteza padr˜ ao combinada e indicado por uc (y), e ´e determinada pela combina¸c˜ao das incertezas padr˜ao, associada com as estimativas de entrada (xi ). Cada estimativa de entrada xi e sua incerteza associada u(xi ) s˜ao obtidas pela distribui¸c˜ao dos valores de uma grandeza de entrada (xi ). A avalia¸c˜ ao da incerteza de medi¸c˜ ao “Tipo A” ´ e baseada na distribui¸c˜ ao de freq¨ uˆ encia, enquanto que a avalia¸c˜ ao “Tipo B” ´ e baseada em informa¸c˜ oes dispon´ıveis da variabilidade da grandeza de entrada (xi ). Exemplo 2.4. (NIS 3003, 1995) Calibra¸c˜ao de uma massa padr˜ao com valor nominal 10 Kg de classe M1, utilizando um comparador. Neste caso, obtemos a equa¸c˜ao da massa desconhecida WX , por WX = WS + DS + δC + Ab + ∆W. Na pr´atica n˜ao aplicamos corre¸ca˜o para esta classe de massa e o comparador tem linearidade desconhecida. Entretanto, associamos incertezas para estas contribui¸co˜es. Avalia¸c˜ ao da Incerteza Padr˜ ao 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 condi¸c˜oes
2. Fundamentos do C´alculo de Incerteza em Medi¸ca˜o S´ımbolo WS DS δC Ab ∆W
53
Fonte de Incerteza Tipo Massa padr˜ao B Deriva (drift) massa padr˜ao B Linearidade do comparador B Efeito do ar B Repetitividade A
Limites M´ edia ± 30 mg (k=2) 10 kg ± 15 mg 0 ± 10 mg 0 ± 10 mg 0
de repetitividade, corresponde a m´edia aritm´etica. Assim, quando a estimativa de uma grandeza de entrada xi , tem sido obtida de n medidas, sob condi¸c˜oes de repetitividade, a incerteza padr˜ao u(xi ) ´e obtida pela estimativa da variˆancia da m´edia, dada por: s sX¯ = √ . n onde n = n´ umero de medidas e s = desvio padr˜ao correspondente `as n leituras. Voltando ao exemplo 2.4: Considerando o processo de calibra¸ca˜o da massa padr˜ao do exemplo anterior, o avaliador realizou cinco medidas da diferen¸ca entre a massa padr˜ao e a massa desconhecida. Os resultados est˜ao abaixo: Leitura 1
15 mg
Leitura 2
25 mg
Leitura 3
20 mg
Leitura 4
13 mg
Leitura 5
18 mg
M´edia
18,20 mg
Desvio Padr˜ao
4,66 mg
Desvio Padr˜ao da M´edia
2,08 mg
Incerteza do tipo A : 2,08 mg.
2. Fundamentos do C´alculo de Incerteza em Medi¸ca˜o
54
Avalia¸c˜ ao da Incerteza Padr˜ ao Tipo B Para uma estimativa de uma grandeza de entrada xi , que n˜ao tenha sido obtida de observa¸c˜oes repetidas, a variˆancia estimada u2 (xi ) ou a incerteza padr˜ao u(xi ) ´e avaliada pelo julgamento espec´ıfico baseado em todas as informa¸c˜oes dispon´ıveis na variabilidade de xi . No conjunto destas informa¸co˜es inclu´ımos: a) informa¸c˜oes pr´evias de medi¸ca˜o; b) experiˆencia ou conhecimento geral do comportamento e propriedades dos instrumentos e materiais relevantes; c) especifica¸c˜oes do fabricante; d) informa¸c˜oes de relat´orios de calibra¸ca˜o e outras especifica¸c˜oes; e) incerteza transmitidas pelas informa¸c˜oes de referˆencias obtidas de manuais. Por conveniˆencia, u2 (xi ) e u(xi ) avaliados desta maneira s˜ao chamados de Variˆ ancia Tipo B e Incerteza Padr˜ ao Tipo B, respectivamente. O prop´osito de usar v´arias informa¸co˜es dispon´ıveis para a avalia¸c˜ao da incerteza padr˜ao do Tipo B ´e para buscar um discernimento baseado na experiˆencia e nos conhecimentos gerais, ´ reconhecido que uma avalia¸c˜ao da e ´e uma habilidade que pode ser obtida com a pr´atica. E incerteza pelo Tipo B pode ser tanto confi´avel quanto a do Tipo A, especialmente na situa¸ca˜o em que a avalia¸c˜ao do Tipo A ´e baseada na compara¸ca˜o de pequenos n´ umeros de observa¸co˜es estatisticamente independentes (ISO GUM, 1995) A seguir, s˜ao apresentados 4 suposi¸co˜es dispon´ıveis para as grandezas de entradas de influˆencia xi , para a avalia¸ca˜o da Incerteza Padr˜ao Tipo B. • Caso 1 Se a estimativa xi ´e retirada da especifica¸ca˜o do fabricante, certificados de calibra¸ca˜o, manuais ou outras fontes, sua incerteza padr˜ao u(xi ) ´e simplesmente o valor citado dividido pelo multiplicador. Exemplo 2.5. Um certificado de calibra¸c˜ao afirma que a massa de um a¸co inoxid´avel de massa padr˜ao ms = 1000, 000325g, tem como incerteza 240µg para um n´ıvel de confian¸ca com k = 3. A incerteza padr˜ao da massa padr˜ao, ´e ent˜ao:
u(ms) = 240 µg/3 = 80 µg
2. Fundamentos do C´alculo de Incerteza em Medi¸ca˜o
55
A incerteza de xi , n˜ao necessariamente ´e relatada como um m´ ultiplo de um desvio padr˜ao, como abordado acima.
Em vez disso, pode-se encontrar uma declara¸ca˜o que a incerteza
declarada possui 90, 95 ou 99 % de n´ıvel de confian¸ca. Salvo indica¸ca˜o contr´aria, poder´a assumir que uma distribui¸ca˜o normal (ou, t-Student) ser´a utilizada para o c´alculo da incerteza declarada, e a incerteza padr˜ao u(xi ), pode ser encontrada dividindo-se a incerteza declarada por um fator k, apropriado da distribui¸ca˜o normal. Exemplo 2.6. Um certificado de calibra¸c˜ao afirma que a resistˆencia de um resistor padr˜ ao RS de valor nominal 10 Ohms ´e 10, 000742Ω a 23o C e com incerteza de 129mΩ, definindo um intervalo de com n´ıvel de significˆancia de 99%. Ent˜ao, a incerteza padr˜ao ´e dada por:
u(RS ) =
129 = 50 µΩ 2, 58
Neste caso, utilizamos a tabela da distribui¸c˜ao normal para determinar o valor de k. • Caso 2 Em alguns casos, pode ser poss´ıvel estimar somente os limites (limite superior a+ e inferior a− ) para xi , por exemplo, quando a grandeza de influˆencia ´e a varia¸ca˜o da temperatura. Neste caso, consideramos que a probabilidade de que o valor de xi se encontra dentro do intervalo a− at´e a+ , para todo prop´osito pr´atico, ´e igual a 1 e a probabilidade que xi esteja fora deste intervalo ´e essencialmente zero. Se n˜ao h´a conhecimento espec´ıfico sobre a possibilidade do valor xi estar dentro do intervalo, pode-se somente admitir que, ´e igualmente prov´avel encontr´a-lo por toda parte, dentro do intervalo (uma distribui¸c˜ao uniforme ou retangular). Ent˜ao xi , ´e o ponto m´edio do intervalo , onde: xi =
(a− +a+ ) , 2
cuja variˆancia associada ´e dada
por: u2 (xi ) =
(a+ − a− )2 . 12
Se a diferen¸ca entre os limites, (a+ − a− ), ´e representado por 2a, ou seja, os limites s˜ao sim´etricos, ent˜ao a equa¸c˜ao para variˆancia ser´a: u2 (xi ) =
a2 2
2. Fundamentos do C´alculo de Incerteza em Medi¸ca˜o
56
base 2a a u= √ = √ = √ 2 3 2 3 3 Exemplo 2.7. Um manual estabelece que o valor do coeficiente linear de expans˜ao t´ermica de um bloco padr˜ao de a¸co ´e determinado por αS = 11, 5 × 10−6 ◦ C −1 e que o “erro” neste valor n˜ ao deve exceder 2 × 10−6 ◦ C −1 . Baseado nesta informa¸c˜ao limitada, ´e razo´avel assumir que o coeficiente de expans˜ao t´ermica pertence ao intervalo 9, 5 × 10−6 ◦ C −1 a 13, 5 × 10−6 ◦ C −1 , com probabilidade 1. A incerteza padr˜ao do coeficiente de expans˜ao t´ermica ´e dado por
u(αS ) =
(2 × 10−6 ) √ = 1, 2 × 10−6 ◦ C −1 3
• Caso 3 Os limites superiores e inferiores a− ea+ para uma grandeza de entrada xi pode n˜ao ser sim´etrico, ou seja, se o limite menor ´e escrito como a− = xi − b− e o limite superior como a+ = xi + b+ , ent˜ao b− 6= b+ . Neste caso, xi n˜ao ´e o centro do intervalo (a− , a+ ) e a distribui¸ca˜o de probabilidade de xi n˜ao pode ser uniforme. Entretanto, pode n˜ao existir informa¸c˜ao suficiente para escolher uma distribui¸ca˜o apropriada e diferentes modelos conduzir˜ao para diferentes express˜oes para a variˆancia. Na ausˆencia de tais informa¸co˜es uma simples aproxima¸ca˜o ´e: (b+ + b− )2 (a+ + a− )2 u (xi ) = = 12 12 2
que corresponde a variˆancia da distribui¸c˜ao retangular com comprimento b− + b+ . Exemplo 2.8. Caso o exemplo anterior referente ao coeficiente de expans˜ao t´ermica especifique aS = 11, 5×10−6 ◦ C −1 tal que o menor valor poss´ıvel seja 10, 0×10−6 ◦ C −1 e que o maior valor poss´ıvel 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 padr˜ao ´e determinada por
2. Fundamentos do C´alculo de Incerteza em Medi¸ca˜o
u(αS ) =
57
(4 × 10−6 ) √ = 1, 15 × 10−6 ◦ C −1 12
Exemplo 2.9. Voltando ao exemplo 2.4 da calibra¸c˜ao da massa padr˜ao, vamos estimar as incertezas padr˜ao do tipo B: S¨ımoblo
Fonte de Incerteza
Limites
Distribui¸c˜ao
Incerteza
WS
massa padr˜ao
± 30 mg
Normal
30/2=15 mg
DS
Deriva (drift) massa padr˜ao
± 15 mg
Retangular
15/(3)1/2 = 8, 66mg
δC
Linearidade do comparador
± 10 mg
Retangular
10/(3)1/2 = 5, 77mg
Ab
Efeito do ar
± 10 mg
Retangular
10/(3)1/2 = 5, 77mg
• Caso 4 Nos casos acima n˜ao temos informa¸c˜ao sobre os valor da grandeza Xi , apenas que ela se encontra dentro dos limites especificados. Por isso, assumimos que os valores da grandeza s˜ao equiprov´aveis dentro destes limites, e que tem probabilidade zero de estar for destes limites. Muitas vezes ´e mais realista assumirmos que valores perto dos limites especificados s˜ao menos prov´aveis do que valores pr´oximos ao centro. Neste caso, ´e razo´avel trocarmos a distribui¸c˜ao retangular pela distribui¸c˜ao triangular. Assumindo uma distribui¸ca˜o triangular para a grandeza Xi , obtemos como m´edia xi = (a+ + a− )/2 com incerteza associada u2 (xi ) = a2 /6
2. Fundamentos do C´alculo de Incerteza em Medi¸ca˜o
58
2a a base u= √ = √ = √ 2 6 2 6 6
2.5
Determina¸c˜ ao da Incerteza Padr˜ ao Combinada
Quando a incerteza do resultado do mensurado y ´e obtida pela combina¸ca˜o das incertezas padr˜ao das estimativas de entrada x1 , x2 , . . . , xN , esta incerteza combinada da estimativa y ´e representada por uc (y), e denominada de incerteza padr˜ao combinada. As estimativas de entrada x1 , x2 , . . . , xN , podem ser classificadas como grandezas: • Estatisticamente independentes ou n˜ao correlacionadas; • Estatisticamente dependentes ou correlacionadas. Para as grandezas estatisticamente independentes, considera-se as s´eries de medi¸c˜oes que foram realizadas com diferentes sistemas de medi¸ca˜o. Neste caso, a incerteza padr˜ao combinada uc (y) ´e a raiz quadrada positiva da variˆancia combinada. Quando as medi¸co˜es s˜ao realizadas com o mesmo sistema de medi¸ca˜o, considera-se que as grandezas de entradas s˜ao estatisticamente dependentes entre si. Neste caso, a covariˆancia estimada deve ser considerada como uma contribui¸ca˜o adicional para a incerteza. A express˜ao para se determinar esta incerteza padr˜ao combinada no caso n˜ao correlacionado ´e apresentada por:
u2c (y)
=
2 N X ∂f i=1
∂xi
u2 (xi )
onde u(xi ) ´e a incerteza padr˜ao associada com a grandeza de entrada Xi . As derivadas parciais (df /dxi ) calculada no ponto xi s˜ao denominadas coeficientes de sensibilidade, pois descrevem como a estimativa de y varia com pequenas mudan¸cas nos valores das estimativas das grandezas de entrada x1 , x2 , . . . , xN . Nota: A incerteza combinada padr˜ao no caso correlacionado n˜ao ser´a tratado nesta apostila. Exemplo: Na calibra¸ca˜o da massa padr˜ao, obtemos a seguinte incerteza combinada
uc (m) =
p (15)2 + (8, 66)2 + (5, 77)2 + (5, 77)2 + (2, 08)2 = 19, 26mg
2. Fundamentos do C´alculo de Incerteza em Medi¸ca˜o
2.6
59
Determina¸c˜ ao da Incerteza Expandida
Embora a incerteza combinada uc (y) possa ser universalmente usado para expressar a incerteza de um resultado de medi¸c˜ao, devido a necessidade de algumas ind´ ustrias e aplica¸co˜es comerciais, bem como requisitos em a´reas de sa´ ude e seguran¸ca, ´e freq¨ uentemente necess´ario apresentar uma medida de incerteza que defina um intervalo sobre o resultado de medi¸ca˜o. Neste caso, a incerteza compreende uma fra¸c˜ao da distribui¸c˜ao dos valores, que podem ser razoavelmente atribu´ıdos para um mensurando, denominada de incerteza expandida U. Este requisito foi reconhecido pelo Working Group e Recomenda¸c˜oes do CIPM, INC (1981). A incerteza expandida U ´e obtida pela multiplica¸c˜ao da incerteza padr˜ao combinada uc (y) por um fator k: U = k ∗ uc (y) O valor do fator k ´e escolhido com base no n´ıvel de confian¸ca requerido para o intervalo. Em geral, k ´e usado entre 2 e 3. Portanto, para aplica¸co˜es especiais, k poder´a ser determinado conforme o n´ıvel de confian¸ca requerido, de acordo com a distribui¸c˜ao 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 confian¸ca. Entretanto, se as contribui¸c˜oes para a incerteza relativo a repetitividade for grande comparado com as outras distribui¸co˜es e o n´ umero de repeti¸c˜oes for pequeno, existe uma possibilidade de que a distribui¸ca˜o de probabilidade normal n˜ao seja adequada. Neste caso, o fator k = 2 nos garante um n´ıvel de confian¸ca menor que 95%. Aqui, devemos utilizar a distribui¸ca˜o 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 contr´ario, devemos utilizar a distribui¸ca˜o t-Student para obtermos o valor de k que nos garante um intervalo com 95% confian¸ca. A norma ISO GUM ver. 95 recomenda a utiliza¸ca˜o da equa¸c˜ao de Welch-Satterwaite para calcular os graus de liberdade, baseado nos graus de liberdade de cada fonte de incerteza.
υef f
u4c (y)
u4 (y) = PN 4 = 4 c = uA (y)/νA i=1 ui (y)/νi
uc (y) uA (y)
4 νA
onde νi representa os graus de liberdade do fator de incerteza i e νA e representa os graus de liberdade do tipo A. Para contribui¸co˜es da incerteza tipo A, consideramos como graus de liberdade o n´ umero de leitura menus 1 vezes o n´ umero de pontos de calibra¸c˜ao. Para os graus
2. Fundamentos do C´alculo de Incerteza em Medi¸ca˜o
60
de liberdade referente a contribui¸co˜es da incerteza tipo B, vamos considerar υi igual a infinito. Exemplo 2.10. Voltando ao exemplo 2.4 da calibra¸c˜ao da massa padr˜ao, observe que a incerteza do tipo A ´e menor que metade da incerteza combinada. Assim, a incerteza expandida ´e dada por: U = 2x19, 26mg = 38, 52mg (k = 2) Neste caso o resultado da medi¸c˜ao ´e expresso na forma:
10000, 000 g + 0, 018 g ± 0, 04 g (k = 2)
10000, 018 g ± 0, 04 g (k = 2) Exemplo 2.11. Suponha um sistema de medi¸c˜ao com incerteza do tipo A, baseada em 4 observa¸c˜oes, 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 ´e maior que metade da incerteza combinada, vamos utilizar a distribui¸c˜ao t-Student para determinar o fator k. Atrav´es da equa¸c˜ ao de Welch-Satterwaite, temos
υef f =
(5, 7)4 = 21, 1 ((3, 5)4 /(4 − 1)) + 0 + 0 + 0 + 0 + 0
Tomando valor de υef f igual a 20, obtemos que k = 2, 13.
2.6.1
Comprova¸ c˜ ao Metrol´ ogica - Equipamento de Medi¸c˜ ao
Determinar o erro m´ aximo permiss´ıvel.
EM P =
menor tolerancia medida J
O mais utilizado ´e J = 10. Assim EM P =
tolerancia . 10
com J = (5; 15]
2. Fundamentos do C´alculo de Incerteza em Medi¸ca˜o
61
Crit´ erio:
maxi {| Ti | +U (i)} ≤ EM P
(2.1)
A comprova¸ca˜o metrol´ogica no caso em que o EMP ´e fun¸ca˜o das leituras ´e discutido abaixo.
EM P
=
± (a + b × leitura)
a = 0, 01 b = 0, 01
Crit´ erio: |Ti | + U (i) ≤ EM P (i), para todo ponto de calibra¸c˜ao. (i, representa o ponto de calibra¸ca˜o). Exemplo 2.12. Suponha que temos uma tolerˆancia de 1 g para as massas padr˜ao. Ap´os a calibra¸c˜ao das massas, obteve-se as seguintes informa¸c˜oes do certificado de calibra¸c˜ao apresentado
2. Fundamentos do C´alculo de Incerteza em Medi¸ca˜o
62
na Tabela 2.1. Ponto (g) Tendˆ encia (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 Tabela 2.1: Certificado de Calibra¸ca˜o Considerando J = 10 temos que
EM P =
Tolerancia = 0, 1 g. 10
A Tabela 2.2 apresenta o crit´erio de aprova¸c˜ao (|T | + U ≤ EM P ) para as oito massas padr˜ao. Como podemos ver, duas massas de 5 kg foram reprovadas. Com isso, o certificado de calibra¸c˜ao cujo os valores foram apresentados na Tabela 2.1 n˜ao est´a aprovado. Ponto (g) 1000 1000 1000 1000 5000 5000 5000 5000
|T|+U Crit´ erio 0,024 Aprovado 0,025 Aprovado 0,031 Aprovado 0,025 Aprovado 0,089 Aprovado 0,144 Reprovado 0,118 Reprovado 0,1 Aprovado
Tabela 2.2: Crit´erio de Aprova¸ca˜o
2.7
Determina¸c˜ ao da Variˆ ancia Agrupada
Para agrupar k variˆancias com (n-1) graus de liberdade, utilizamos a seguinte f´ormula
2
s =
Pk
Pk
2 i=1 (n − 1)si Pk i=1 (n − 1)
=
i=1
s2i
k
onde (n - 1) = Grau de Liberdade; e s2 = Variˆancia Considere que o m´etodo de calibra¸ca˜o de um equipamento utilize trˆes pontos da escala deste equipamento. Para cada ponto ´e obtido o variˆancia da m´edia a partir de 5 leituras. Para
2. Fundamentos do C´alculo de Incerteza em Medi¸ca˜o
63
obtermos variˆancia da m´edia do equipamento, aplicamos a f´ormula para o grupo de 3 variˆancias, na forma
s2 agrupada =
4 × 0, 0000000030 + 4 × 0, 0000000070 + 4 × 0, 0000000080 = 0, 0000000060 4+4+4
A variˆancia agrupada de 0,0000000060 representa a variˆancia da m´edia do equipamento.
2.8
Regras de arredondamento de valores
Quando desejamos arredondar um n´ umero para que seja expresso com uma certa quantidade de d´ıgitos significativos, devemos aplicar regras convencionais de arredondamento. Regra 1: Se o algarismo a` direita do u ´ltimo d´ıgito que se pretende representar for inferior a 5, apenas desprezamos os demais d´ıgitos a` direita Exemplo: 3, 14159265 para 3, 14 Regra 2: Se o algarismo a` direita do u ´ltimo d´ıgito que se pretende representar for maior que 5, adicionamos uma unidade ao u ´ltimo d´ıgito representado e desprezamos os demais d´ıgitos `a direita. Exemplo 2.13. 3, 14159265 para 3, 1416 Regra 3: Se o algarismo `a direita que se pretende representar for igual a 5, ent˜ao o arredondamento deve ser tal que o u ´ltimo d´ıgito representado depois do arredondamento deve ser par. Exemplo 2.14. 3, 14159265 para 3, 142 N´ umeros de algarismo na incerteza de medi¸c˜ ao N˜ao existe uma regra bem definida para o n´ umero de algarismos que devem ser indicados para a incerteza de medi¸ca˜o. Em geral, utilizamos 2 algarismos significativos, al´em dos zeros a` esquerda. Em alguns casos, pode ser necess´ario utilizar mais d´ıgitos significativos para evitar erros de arredondamento nos c´alculos subseq¨ uentes. Em outros casos, n˜ao ´e poss´ıvel atribuir mais de 1 algarismo para incerteza de medi¸c˜ao. Regras para n´ umero de algarismo na incerteza de medi¸c˜ao.
2. Fundamentos do C´alculo de Incerteza em Medi¸ca˜o
64
• Incerteza de medi¸ca˜o deve ser apresentada com 2 algarismos quando o primeiro algarismo na incerteza for 1 ou 2. • Incerteza de medi¸ca˜o pode ser apresentada com 1 algarismo quando o primeiro algarismo da incerteza for 3 ou maior. • o Incerteza de medi¸ca˜o pode ser representada com 2 algarismos em qualquer caso. De acordo com as regras acima apresentamos os exemplos:
2.9
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)
Propaga¸c˜ ao da Incerteza
Um mensurando y calculado em fun¸ca˜o de outras grandezas x1 , . . . , xn com u(x1 ), . . . , u(xn ) as incertezas padr˜ao correspondente, tem como incerteza combinada uc (y) definida por: u2c (y)
=
2 n X ∂y i=1
∂xi
u2 (xi )
• Soma de vari´aveis
y = x 1 ± x 2 ± x 3 ± · · · ± xn Assim, todas as derivadas s˜ao iguais a 1. Ent˜ao, Exemplo 2.15. Determinar a incerteza de medi¸c˜ao, na composi¸c˜ao de dois blocos padr˜ao: Dados: • Bloco 1 Dimens˜ao nominal: 10 (mm) Incerteza Expandida u(x1 ) = 0,0077(nm) para k = 2
2. Fundamentos do C´alculo de Incerteza em Medi¸ca˜o
65
• Bloco 2 Dimens˜ao nominal: 20 (mm) Incerteza Expandida u(x2 ) = 0,084(nm) para k = 2 O resultado da combina¸c˜ao dos blocos pode ser expresso matematicamente por:
y = x 1 + x2 A incerteza padr˜ao u(xi ) de cada bloco ´e obtida dividindo-se a incerteza expandida pelo fator k. Assim,
u(x1 ) = 0, 077/2 =
u(x2 ) = 0, 084/2 = Ent˜ao, a variˆancia combinada ´e:
u2c (y) =
=
(µm)2
A incerteza combinada ´e:
uc (y) = • Rela¸ca˜o linear
y = a + bx Admitindo-se que a e b s˜ao constantes isentas de incertezas ou com incertezas desprez´ıveis, somente a vari´avel x ´e considerada para o c´alculo de incerteza. Assim,
u2c (y) = a2 u2 (x)
ou
uc (y) =| a | u(x)
2. Fundamentos do C´alculo de Incerteza em Medi¸ca˜o
66
Produto de Vari´aveis:
y = axw Temos que: ∂y = aw ∂x
∂y = ax ∂w
Ent˜ao,
u2c (y) = (aw)2 u2 (x) + (ax)2 u2 (w) Dividindo a express˜ao acima por y2 = (axw)2 , obtemos
u2c (y)/y2 = u2 (x)/x2 + u2 (w)/w2 Exemplo 2.16. Determinar a incerteza da ´area de um c´ırculo, cujo diˆametro foi medido experimentalmente atrav´es de um sistema de medi¸c˜ao denominado paqu´ımetro: Valor do diˆametro obtido com o micrˆometro digital, com resolu¸c˜ao de 0,002 mm e incerteza expandida U=0,001 mm (k=1,96): Leituras
Diˆametro
1
10,28
2
10,26
3
10,28
4
10,3
5
10,28
M´edia das leituras Desvio padr˜ao das leituras Desvio padr˜ao da m´edia das leituras A express˜ao para o c´alculo da ´area ´e dada por: 1 2 πd 4
2. Fundamentos do C´alculo de Incerteza em Medi¸ca˜o Admitindo-se que
1 4
67
e π s˜ao constantes isentas de incerteza ou com incertezas desprez´ıveis,
somente a vari´avel d ´e considerada para c´alculo da incerteza. Assim, a variˆancia combinada relativa ´e: 22 u2 (d) u2c (y) = y2 d2 Incerteza combinada relativa: uc (y) 2u(d) = y d Substituindo os valores do exemplo, obtemos a incerteza combinada relativa: uc (y) y
=
e a incerteza combinada da ´area,
uc (y) =
68
Cap´ıtulo 3 Estudos de Estabilidade Estabilidade ´e a quantidade de varia¸c˜ao total na tendˆencia do sistema ao longo do tempo com rela¸ca˜o a um padr˜ao rastre´avel (ou amostra). Antes de estudarmos qualquer propriedade estat´ıstica do sistema de medi¸ca˜o, vamos analisar a capacidade do sistema manter tais propriedades ao longo do tempo. O objetivo da estabilidade consiste em avaliarmos: • A intera¸ca˜o do sistema de medi¸c˜ao e o meio ambiente; • Desgaste de componentes; • Ajuste de dispositivos e sensores. Diretrizes para sistemas n˜ ao destrutivos: • Obter padr˜ao rastre´avel (ou amostra); • Montar di´ario de bordo; • Medir periodicamente (di´ario, semanal, quinzenal ou mensal) o padr˜ao (ou amostra); ¯ e R, conforme descrito abaixo. • Ap´os 20 ou mais grupos de medi¸c˜oes, construir o gr´afico X Crit´ erio de avalia¸c˜ ao: ¯ e R, primeiro o gr´afico R e na seq¨ ¯ Analisar os gr´aficos X uencia o gr´afico X: • Pontos fora dos limites de controle. • 7 ou mais pontos consecutivos crescentes ou decrescentes. • 7 ou mais pontos consecutivos acima ou abaixo da linha m´edia.
3. Estudos de Estabilidade
69
Limites dos Gr´aficos
No de element. amostra (n) 2 3 4 5 6 7 8 9 10
¯ Gr´ afico das M´ edias X ¯ +A R ¯ LSC = Limite Superior = X 2 ¯ LC = Limite Central = X ¯ −A R ¯ LIC = Limite Inferior = X 2 Gr´ afico das Amplitudes R ¯ LSC = Limite Superior = D4 R ¯ LC = Limite Central = R ¯ LIC = Limite Inferior = D3 R
A2
D3
D4
1, 880 1, 023 0, 729 0, 577 0, 483 0, 419 0, 373 0, 337 0, 308
0 0 0 0 0 0, 076 0, 136 0, 184 0, 223
3, 267 2, 574 2, 282 2, 114 2, 004 1, 924 1, 864 1, 816 1, 777
¯ e R estejam fora de controle, investigar as causas e estabelecer a¸co˜es Caso os gr´aficos X corretivas. • Se o processo apresentar falta de estabilidade, identifique as causas, estabele¸ca a¸c˜ao corretiva. Repita o estudo de estabilidade; Discrimina¸c˜ ao do Sistema de medi¸c˜ ao no estudo de Estabilidade Capacidade do sistema de medi¸ca˜o de detectar e indicar de forma confi´avel, pequenas varia¸c˜oes da grandeza que est´a sendo medida. Uma forma de quantificar o poder discriminador ´e expressando a menor varia¸c˜ao da grandeza que o sistema de medi¸c˜ao pode detectar. Crit´erio de avalia¸ca˜o: Verificar se o gr´afico de controle R n˜ao apresenta muitas amplitudes iguais a zero (acima de 30%). Caso isso ocorra, existe uma boa evidˆencia de que o equipamento de medi¸ca˜o n˜ao tem uma resolu¸ca˜o adequada para esta necessidade. Neste caso, fa¸ca uma an´alise cr´ıtica. Exemplo 3.1. O metrologista deve realizar um estudo sobre a estabilidade do sistema de calibra¸c˜ao de um micrˆometro com um bloco padr˜ao. O metrologista selecionou um bloco padr˜ ao, que foi medida 3 vezes diariamente por um avaliador. Os valores est˜ao na Tabela 3.1. Montar ¯ e R e interpretar os resultados! os gr´aficos de Controle X Solu¸c˜ ao Da Tabela 3.1 tomamos a m´edia dos valores da coluna M´edia e a m´edia dos valores da coluna Amplitude e obtemos: ¯ = 4, 200486 X
e
¯ = 0, 001292 . R
3. Estudos de Estabilidade
70
Data
Hor´ ario
Temperatura
6/ago 13/ago 20/ago 27/ago 4/set 11/set 19/set 25/set 1/out 8/out 16/out 24/out 1/nov 8/nov 14/nov 22/nov 29/nov 7/dez 12/dez 20/dez 28/dez 4/jan 10/jan 15/jan
09:15 16:35 14:13 09:40 15:28 10:39 15:10 09:25 15:40 09:25 16:10 10:05 13:40 14:55 11:00 15:50 09:42 08:20 15:30 11:05 15:30 16:00 15:15 16:00
20,3 20,0 19,4 19,8 19,9 19,9 20,1 20,2 19,3 19,9 20,8 20,1 19,5 20,1 19,3 19,8 20,1 19,6 19,8 20,1 20,1 20,2 20,7 20,8
Medidas 1 4,202 4,201 4,199 4,200 4,200 4,202 4,200 4,200 4,198 4,200 4,202 4,201 4,199 4,200 4,199 4,200 4,201 4,199 4,200 4,199 4,201 4,200 4,203 4,204
2 4,201 4,202 4,198 4,201 4,201 4,201 4,201 4,199 4,199 4,202 4,203 4,202 4,199 4,200 4,198 4,199 4,201 4,200 4,201 4,199 4,200 4,200 4,204 4,203
3 4,202 4,203 4,200 4,201 4,200 4,200 4,200 4,199 4,199 4,200 4,203 4,201 4,198 4,201 4,199 4,200 4,200 4,199 4,199 4,200 4,199 4,202 4,203 4,203
M´ edia
Amplitude
4,20167 4,20200 4,19900 4,20067 4,20033 4,20100 4,20033 4,19933 4,19867 4,20067 4,20267 4,20133 4,19867 4,20033 4,19867 4,19967 4,20067 4,19933 4,20000 4,19933 4,20000 4,20067 4,20333 4,20333
0,001 0,002 0,002 0,001 0,001 0,002 0,001 0,001 0,001 0,002 0,001 0,001 0,001 0,001 0,001 0,001 0,001 0,001 0,002 0,001 0,002 0,002 0,001 0,001
Tabela 3.1: Dados Os limites de controle s˜ao calculados da seguinte forma: • Gr´ afico R. Como temos 3 elementos em nossa amostra, obtemos um valor de D3 = 0 e D4 = 2, 574, com isso: LSC
=
2, 574 ∗ 0, 001292 = 0, 003325
LIC
=
0 ∗ 0, 001292 = 0
¯ Como temos 3 elementos em nossa amostra, obtemos um valor de A2 = 1, 023, • Gr´ afico X.
3. Estudos de Estabilidade
71
com isso: LSC
=
4, 200486 + 1, 023 ∗ 0, 001292 = 4, 201807
LIC
=
4, 200486 − 1, 023 ∗ 0, 001292 = 4, 199165
3. Estudos de Estabilidade
72
Exerc´ıcio 3.1. O metrologista deve realizar um estudo sobre o sistema de medi¸c˜ao para calibra¸c˜ao de um anel padr˜ao em um banco microm´etrico. O metrologista selecionou um anel padr˜ao, que foi medido (3 r´eplicas) diariamente por um avaliador. Os valores est˜ao na Tabela 3.2.
Amostra 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29
Medidas
Data 22/set 22/set 23/set 24/set 27/set 27/set 1/out 6/out 7/out 8/out 8/out 13/out 13/out 14/out 18/out 20/out 25/out 26/out 26/out 28/out 4/nov 8/nov 8/nov 10/nov 15/nov 16/nov 17/nov 18/nov 18/nov
1 20006,6 20006,8 20006,1 20005,4 20005,7 20005,9 20005,4 20006,6 20006,1 20006,1 20006,2 20005,9 20006,2 20006,5 20005,4 20005,9 20006,8 20006,3 20006,5 20006,4 20005,8 20006 20006,4 20006,2 20006,7 20006,6 20006,4 20006,6 20006,9
2 20006,6 20006,7 20006,2 20005,3 20005,9 20006 20005,7 20006,6 20006,1 20006 20006,3 20006 20006,1 20006,3 20005,4 20006,2 20006,9 20006,3 20006,5 20006,3 20005,9 20005,8 20006,3 20006,3 20006,4 20006,5 20006,2 20006,5 20006,8
3 20006,7 20006,9 20006,2 20005,3 20005,8 20006 20005,7 20006,5 20006,1 20006 20006,3 20006 20006,2 20006,4 20005,5 20006,2 20006,6 20006,3 20006,5 20006,2 20005,9 20005,9 20006,2 20006,3 20006,4 20006,5 20006,2 20006,4 20006,8
M´ edia
Amplitude
20006,63 20006,8 20006,17 20005,33 20005,8 20005,97 20005,6 20006,57 20006,1 20006,03 20006,27 20005,97 20006,17 20006,4 20005,43 20006,1 20006,77 20006,3 20006,5 20006,3 20005,87 20005,9 20006,3 20006,27 20006,5 20006,53 20006,27 20006,5 20006,83
0,1 0,2 0,1 0,1 0,2 0,1 0,3 0,1 0 0,1 0,1 0,1 0,1 0,2 0,1 0,3 0,3 0 0 0,2 0,1 0,2 0,2 0,1 0,3 0,1 0,2 0,2 0,1
Tabela 3.2: Estabilidade do Diˆametro do Furo
3. Estudos de Estabilidade
73
¯ ¯ e R e interpretar os resultados! (X Montar os gr´aficos de Controle X
= 20006, 21 e
¯ = 0, 1448). R
• Gr´ afico R. Temos 3 elementos em nossa amostra, ent˜ao: D3 =
e
D4 =
, com
isso: LSC
=
¯ = D4 R
LIC
=
¯ = D3 R
¯ Novamente, temos 3 elementos em nossa amostra, ent˜ao: A2 = • Gr´ afico X isso: LSC
=
¯ + AR ¯ = X 2
LC
=
¯ = X
LIC
=
¯ − AR ¯ = X 2
, com
74
Cap´ıtulo 4 M´ etodo da ANOVA (Completo) 4.0.1
M´ etodo da ANOVA
Em cada sistema de medi¸ca˜o, existe um valor de referˆencia para uma caracter´ıstica para cada amostra. Estes valores de referˆencia variam de amostra para amostra em torno de um n´ıvel m´edio. Isto pode ser representado simplesmente como: 1) Valor Padr˜ao = M´edia das Medi¸co˜es + Varia¸ca˜o Pr´opria da Amostra Na pr´atica, existe algum erro introduzido pelo sistema de medi¸c˜ao, o qual pode ser escrito como: 2) Valor observado = Valor Padr˜ao + Erro de Medi¸c˜ao: Um modo simples de modelar o erro de medi¸ca˜o. 3) Erro de Medi¸c˜ao = Tendˆencia + Efeito do Fator1 + Erro de Replica¸co˜es. A tendˆencia ´e um n´ umero u ´nico que representa o erro geral, sistem´atico, introduzido pelo sistema de medi¸ca˜o. Al´em disso, poderiam existir erros introduzidos pelo uso de diferentes Fatores1. O termo erro de replica¸co˜es reflete as diferen¸cas nas observa¸co˜es repetidas da mesma amostra, com o mesmo sistema de medi¸ca˜o e pelo mesmo Fator1. Combinando (1), (2) e (3), obt´em-se o modelo representado no pr´oximo ´ıtem. 4) Valor Observado = (M´edia das Amostras + Tendˆencia) + Efeito da Amostra + Efeito do Fator1 + Erro de Replica¸co˜es. A m´edia das amostras e a tendˆencia s˜ao constantes. Eles n˜ao podem ser estimados separadamente sem ter um sistema de medi¸ca˜o padr˜ao. O efeito da amostra, o efeito do Fator1 e o erro de repeti¸c˜ao (replica¸ca˜o) s˜ao vari´aveis aleat´orias. O efeito da amostra representa a varia¸ca˜o no processo de produ¸c˜ao. O efeito do Fator1
4. M´etodo da ANOVA (Completo)
75
representa a varia¸ca˜o devida aos diferentes Fatores1, denominado reprodutibilidade. O erro de repeti¸c˜ao representa a varia¸ca˜o resultante de medi¸c˜oes repetidas feitas pelo mesmo Fator1 na mesma amostra, denominado repetitividade. A m´edia das amostras e o efeito da amostra s˜ao propriedades do processo de produ¸ca˜o e n˜ao dependem do sistema de medi¸ca˜o. Os termos restantes no modelo refletem o erro no sistema de medi¸c˜ao. Representa¸c˜ ao Matem´ atica Seja Yijk a k-´esima medi¸ca˜o feita pelo Fator1 j na i-´esima amostra. Cada amostra tem um valor de referˆencia, digamos Xi , o qual ´e imposs´ıvel de ser medido na pr´atica. Chame de ijk o erro sobreposto a Xi na pr´atica. Ent˜ao, temos no pr´oximo ´ıtem que: 0
5) Yijk = Xi + ijk ou Valor Observado = Valor Padr˜ao + Desvio Supondo que os Xi 0 s s˜ao distribu´ıdos independentemente conforme uma distribui¸ca˜o normal de m´edia µ e variˆancia σP2 . O parˆametro µ ´e a m´edia das amostras. A equa¸ca˜o (5) pode ser escrita, equivalentemente, como: 0
6) Yijk = µ + αi + ijk Onde: αi = Xi − µ ´e o efeito da amostra, com m´edia zero e variˆancia σP2 . O desvio pode ser modelado como consistindo de uma tendˆencia sistem´atica devido ao sistema de medi¸ca˜o e ao Fator1 como um todo (sistema de medi¸ca˜o), uma tendˆencia adicional devido ao Fator1 espec´ıfico e um erro associado a` replica¸c˜ao da medi¸ca˜o. Isto ´e, 0
7) ijk = b + βj + ijk , ou seja, Desvio = Tendˆencia do sistema de medi¸c˜ao + efeito do Fator1 + Erro de Replica¸c˜ao. Suponha que os erros de replica¸ca˜o s˜ao independentes, com uma distribui¸c˜ao normal de m´edia zero e variˆancia comum σ 2 para todas as combina¸co˜es amostra / Fator1 / replica¸ca˜o. A variˆancia σ 2 mede a repetitividade para o sistema de medi¸ca˜o. Se os Fatores1 s˜ao selecionados aleatoriamente de uma grande popula¸ca˜o, pode-se modelar o efeito do Fator1, βj , como sendo normalmente distribu´ıdo com m´edia zero e variˆancia σF2 1 . A variˆancia σF2 1 mede a variabilidade devido ao Fator1, isto, ´e a reprodutibilidade. Combinando (6) e (7), o modelo pode ser escrito como:
4. M´etodo da ANOVA (Completo)
76
8) Yijk = (µ + b) + αi + βj + ijk ou Valor Observado = (M´edia das Amostras + Tendˆencia do sistema de medi¸ca˜o) + Efeito da Amostra + Efeito do Fator1 + Erro de Replica¸ca˜o Onde αi , βj , ijk s˜ao vari´aveis aleat´orias independentes com distribui¸co˜es normais de m´edias zero e variˆancia σP2 , σF2 1 , σ 2 respectivamente. Conseq¨ uentemente, a variˆancia do processo ´e dada por 9) V ar(Yijk ) = σP2 + σF2 1 + σ 2 . No modelo (8) sup˜oe-se que os efeitos da amostra e do Fator1 s˜ao aditivos. Isto significa que o efeito do j-´esimo Fator1 ´e o mesmo em todas as amostras. Consequentemente, n´os nos referimos a este modelo simples como o modelo aditivo. A suposi¸c˜ao de aditividade pode nem sempre ser v´alida na pr´atica. Al´em disso, a validade da suposi¸c˜ao poderia ser testada a partir dos dados, se cada Fator1 repetir medi¸c˜oes em cada amostra. A validade do modelo aditivo pode ser testada pela considera¸ca˜o de um modelo mais geral, que inclua um efeito de intera¸c˜ao entre pe¸ca e Fator1. Supondo que o desvio em (7) seja dado por 0
10) ijk = b + βj + τij + ijk , ou seja, Desvio = Tendˆencia do sistema de medi¸c˜ao + Efeito do Fator1 + Efeito do Fator1 * Amostra + Erro de Replica¸ca˜o. O termo adicional τij representa a intera¸c˜ao entre o j-´esimo Fator1 e a i-´esima amostra. Ent˜ao, substituindo (10) em (6) resulta no seguinte modelo n˜ao aditivo: 11) Yijk = (µ + b) + αi + βj + τij + ijk , ou seja, Valor Observado = (M´edia das amostras + tendˆencia do sistema de medi¸c˜ao) + Efeito da Amostra + Efeito do Fator1 + Efeito do Fator1×Amostra + Erro de Replica¸ca˜o. Se τij ´e distribu´ıdo normalmente com m´edia zero e variˆancia σI2 , ent˜ao a variˆancia total para (11) ´e dada por: 12) V ar(Yijk ) = σP2 + σF2 1 + σI2 + σ 2 Particionando a variˆancia, no caso onde p ´e o n´ umero de amostras, o o n´ umero de Fatores1 e r ´e o n´ umero de replica¸co˜es. i = 1, ..., p, j = 1, ..., o e k = 1, ..., r. 1o Passo Coleta de dados e defini¸ca˜o do modelo:
4. M´etodo da ANOVA (Completo) Amostra 1 2 .. .
1 Y111 , · · · , Y11r Y211 , · · · , Y21r .. .
p M´ edia
Yp11 , · · · , Yp1r Y¯.1.
77 Fator1 2 ··· Y121 , · · · , Y12r · · · Y221 , · · · , Y22r · · · .. .. . . Yp21 , · · · , Yp2r · · · Y¯.2. ···
o Y1o1 , · · · , Y1or Y2o1 , · · · , Y2or .. . Ypo1 , · · · , Ypor Y¯.o.
M´ edia ¯ Y1.. Y¯2.. .. . ¯ Yp.. Y¯...
Tabela 4.1: Tabela de Entradas O modelo estat´ıstico para este planejamento ´e
Yijk = µ + αi + βj + τij + εijk
i = 1, · · · , p Amostra j = 1, · · · , o Fator1 k = 1, · · · , r R´eplica
(4.1)
onde: • Yijk representa a k-´esima medi¸ca˜o do j-´esimo Fator1 na i-´esima amostra ; • µ ´e a M´edia das amostras adicionada com a tendˆencia do sistema de medi¸ca˜o; • αi ´e o efeito da Amostra; • βj ´e o efeito do Fator1; • τij ´e o efeito da intera¸c˜ao Amostra×Fator1; • εijk ´e o erro de replica¸ca˜o. Onde αi , βj , τij e εijk s˜ao vari´aveis aleat´orias independentes com distribui¸co˜es normais de m´edias zero e variˆancia σp2 , σF2 1 , σI2 e σ 2 , respectivamente. Conseq¨ uentemente, a variˆancia do processo ´e:
V ar(yijk ) = σp2 + σF2 1 + σI2 + σ 2
2o Passo: Soma de Quadrados: Vamos mostrar que: SQT = SQP + SQF 1 + SQI + SQE
4. M´etodo da ANOVA (Completo)
78
onde SQT ´e a soma de quadrados total, SQP ´e a soma de quadrados do fator amostra, SQF 1 ´e a soma de quadrados do Fator1, SQI ´e a soma de quadrados da intera¸ca˜o Fator1 × amostra e SQE ´e a soma de quadrados do erro. Para isto, temos que p X o X r X
(Yijk − Y¯... )2
=
i=1 j=1 k=1
p X o X r X i=1 j=1 k=1 p X
o X
i=1
j=1
(Y¯i.. − Y¯... )2 + p r
= or
+
2 (Y¯i.. − Y¯... ) + (Y¯.j. − Y¯... ) + (Y¯ij. − Y¯i.. − Y¯.j. + Y¯... ) + (Yijk − Y¯ij. )
p X o X r X
(Y¯.j. − Y¯... )2 + r
p X o X
(Y¯ij. − Y¯i.. − Y¯.j. + Y¯... )2
i=1 j=1
(Yijk − Y¯ij. )2
i=1 j=1 k=1
Portanto p o X r X X
SQT =
(Yijk − Y¯... )2
i=1 j=1 k=1 p
SQP = o r
X (Y¯i.. − Y¯... )2 i=1
SQF 1 = p r
o X
(Y¯.j. − Y¯... )2
j=1 p o XX
SQI = r
(Y¯ij. − Y¯i.. − Y¯.j. + Y¯... )2
i=1 j=1 o X r XX p
SQE =
(Yijk − Y¯ij. )2
i=1 j=1 k=1
Onde: Yi.. =
o X r X
Yijk , Y.j. =
j=1 k=1
o
p r X X
Yijk , Yij. =
i=1 k=1
p
r
r X
Yijk , Y... =
Yijk
i=1 j=1 k=1
k=1
r
p o X r X X
r
p
o
r
1 XX 1X 1 XXX 1 XX Yijk , Y¯.j. = Yijk , Y¯ij. = Yijk , Y¯... = Yijk Y¯i.. = 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,
yi.. =
o X r X j=1 k=1
yijk , y.j. =
p r X X i=1 k=1
yijk , yij. =
r X k=1
yijk , y... =
p o X r X X i=1 j=1 k=1
yijk
4. M´etodo da ANOVA (Completo)
o
79
p
r
r
p
r
o
r
1 XX 1 XX 1X 1 XXX y¯i.. = yijk , y¯.j. = yijk , y¯ij. = yijk , y¯... = 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 ´e utilizar o c´alculo de variˆancia amostral. A tabela 4.2 apresenta quais variˆancias devemos calcular. Amostra 1 2 .. . p M´ edia
Fator1 2 ··· Y121 , · · · , Y12r · · · 2 S12 ··· Y221 , · · · , Y22r · · · 2 S22 ··· .. .. . .
1 Y111 , · · · , Y11r 2 S11 Y211 , · · · , Y21r 2 S21 .. . Yp11 , · · · , Yp1r 2 Sp1 Y¯.1.
Yp21 , · · · , Yp2r 2 Sp2 Y¯.2. SF2 1
··· ··· ···
o Y1o1 , · · · , Y1or 2 S1o Y2o1 , · · · , Y2or 2 S2o .. . Ypo1 , · · · , Ypor 2 Spo Y¯.o.
M´ edia Y¯1.. Y¯2.. .. . ¯ Yp..
Sp2
Y¯...
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. p o X X 2 SQE = (r − 1) Sij.
(4.4) (4.5)
i=1 j=1
SQI = SQT − SQP − SQF 1 − SQE
(4.6)
Onde: 2 • S... : representa a variˆancia amostral com rela¸ca˜o a todos os dados. Com isso, p
2 S...
o
r
XXX 1 (y... − y¯... )2 = p o r − 1 i=1 j=1 k=1
onde y¯... ´e a m´edia de todos os dados;
2 • Si.. : representa a variˆancia amostral com rela¸ca˜o aos valores das m´edias das amostras, ou
4. M´etodo da ANOVA (Completo)
80
seja, a variˆancia com rela¸ca˜o a u ´ltima coluna da tabela 4.2. Com isso, o
2 Si.. =
r
1 XX (¯ yi.. − y¯... )2 p − 1 j=1 k=1
onde y¯i.. ´e a m´edia em cada amostra e
y¯... ´e a m´edia de todos os dados; 2 • S.j. : representa a variˆancia amostral com rela¸ca˜o aos valores das m´edias dos Fatores1, ou
seja, a variˆancia com rela¸ca˜o a u ´ltima linha da tabela 4.2. Com isso, p
2 S.j.
r
1 XX (¯ y.j. − y¯... )2 = o − 1 i=1 k=1
onde y¯.j. ´e a m´edia em cada Fator1 e
y¯... ´e a m´edia de todos os dados; 2 : representa a variˆancia amostral com rela¸c˜ao a cada combina¸ca˜o de amostra e Fator1, • Sij.
ou seja, em cada casela da tabela 4.2. Com isso, r
2 Sij.
1 X = (¯ yij. − y¯... )2 r − 1 k=1
onde y¯ij. s˜ao as medi¸co˜es em cada casela e y¯... ´e a
m´edia de todos os dados;
3o Passo: C´alculo dos graus de liberdade: O n´ umero de graus de liberdade em uma soma de quadrados ´e a quantidade de elementos P independentes nessa soma. Por exemplo, considere a soma de quadrados pi=1 (Y¯i.. − Y¯... )2 . P Neste caso, como pi=1 (Y¯i.. − Y¯... ) = 0, nem todos os elementos (Y¯1.. − Y¯... ), · · · , (Y¯p.. − Y¯... ) s˜ao independentes. Portanto, temos p − 1 graus de liberdade. Nesse sentido, os respectivos graus de liberdade associados a cada soma de quadrados s˜ao: Efeito Grau de Liberdade Amostra p−1 Fator1 o−1 Intera¸c˜ao (p − 1)(o − 1) Erro p o (r − 1) Total p o r−1
4o Passo: C´alculo do erro quadr´atico m´edio:
4. M´etodo da ANOVA (Completo)
81
Cada soma de quadrados dividido por seu grau de liberdade determina o quadrado m´edio (QM), ou seja SQP p−1 SQF 1 = o−1 SQI = (p − 1)(o − 1) SQE = p o (r − 1)
QMP = QMF 1 QMI QME
Amostra
(4.7)
Fator1
(4.8)
Amostra × Fator1
(4.9)
R´eplica
(4.10)
Considerando as express˜oes 4.3, 4.4, 4.5 e 4.6 vamos calcular o valor esperado do QM. Para o fator amostra, temos que: " ! 2 # p X Yi..2 1 Y... E(QMP ) = E −E p−1 or por i=1 !2 !2 p p o X r o X r X X X X 1 1 1 = Yijk − E Yijk E p − 1 o r i=1 por j=1 k=1 i=1 j=1 k=1 !2 p o X r X X 1 1 = E (µ + αi + βj + τij + εijk ) − p − 1 o r i=1 j=1 k=1 !2 p o X r X X 1 (µ + αi + βj + τij + εijk ) E − 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 Podemos resumir que E(QMP ) = σ 2 + r σI2 + o rσP2 E(QMF 1 ) = σ 2 + r σI2 + p rσF2 1 E(QMI ) = σ 2 + r σI2 E(QME ) = σ 2 5o Passo: Definindo os testes:
4. M´etodo da ANOVA (Completo)
82
Especificamente, estamos interessados em testar as seguintes hip´oteses : H = σ2 = 0 0 P A: H = σ2 > 0 1 P
;
H = σ2 = 0 0 F1 B: H = σ2 > 0 1 F1
;
H = σ2 = 0 0 I C: H = σ2 > 0 1 I
Vamos mostrar como essas hip´oteses s˜ao testadas usando a an´alise de variˆancia. Para determinarmos a estat´ıstica do teste C, vamos observar que SQI ∼ χ2(p−1)(o−1) σ 2 + r σI2
e tamb´em,
SQE ∼ χ2p σ2
o (r−1)
,
onde ambas s˜ao independentes. Assim, sob H0 temos que a estat´ıstica
F0 =
SQI (σ 2 +r σI2 ) (p−1)(o−1) SQE σ 2 p o (r−1)
QMI QME
=
∼ F ((p − 1)(o − 1); p o (r − 1))
tem distribui¸ca˜o de Fisher-Snedecor com (p − 1)(o − 1) graus de liberdade no numerador e p o (r − 1) graus de liberdade no denominador. A regi˜ao cr´ıtica (RC) do teste F ´e dada por RC = {F ∈ <+ | F > Fc }. Com isso, utilizando o n´ umero de graus de liberdade do numerador e denominador, podemos, considerando um n´ıvel de significˆancia α encontrar o valor de Fc na tabela da distribui¸c˜ao F-Snedecor. A Figura 4.1 mostra a regi˜ao cr´ıtica do teste. Para determinarmos a estat´ıstica do teste A, vamos observar que SQP ∼ χ2(p−1) σ 2 + r σI2 + o r σP2
e tamb´em,
SQI ∼ χ2(p−1)(o−1) , σ 2 + r σI2
onde ambas s˜ao independentes. Assim, sob H0 temos que a estat´ıstica
F0 =
SQP 2 ) (p−1) (σ 2 +r σI2 +o r σP SQI (σ 2 +r σI2 ) (p−1)(o−1)
=
QMP QMI
∼ F ((p − 1); (p − 1)(o − 1))
tem distribui¸c˜ao de Fisher-Snedecor com (p − 1) graus de liberdade no numerador e (p − 1)(o − 1) graus de liberdade no denominador. A regi˜ao cr´ıtica (RC) do teste F ´e dada por RC = {F ∈ <+ | F > Fc }. Com isso, utilizando o n´ umero de graus de liberdade do numerador e denominador, podemos, considerando um n´ıvel de significˆancia α encontrar o valor de Fc na tabela da distribui¸c˜ao F-Snedecor. A Figura 4.1 mostra a regi˜ao cr´ıtica do teste. Para determinarmos a estat´ıstica do teste B, vamos observar que
4. M´etodo da ANOVA (Completo)
83
Figura 4.1: Regi˜ao Cr´ıtica do Teste
σ2
SQF 1 ∼ χ2(o−1) + r σI2 + p r σF2 1
e tamb´em,
σ2
SQI ∼ χ2(p−1)(o−1) , + r σI2
onde ambas s˜ao independentes. Assim, sob H0 temos que a estat´ıstica
F0 =
SQP 2 ) (o−1) (σ 2 +r σI2 +p r σF 1 SQI (σ 2 +r σI2 ) (p−1)(o−1)
=
QMF 1 QMI
∼ F ((o − 1); (p − 1)(o − 1))
tem distribui¸c˜ao de Fisher-Snedecor com (o − 1) graus de liberdade no numerador e (p − 1)(o − 1) graus de liberdade no denominador. A regi˜ao cr´ıtica (RC) do teste F ´e dada por RC = {F ∈ <+ | F > Fc }. Com isso, utilizando o n´ umero de graus de liberdade do numerador e denominador, podemos, considerando um n´ıvel de significˆancia α encontrar o valor de Fc na tabela da distribui¸c˜ao F-Snedecor. A Figura 4.1 mostra a regi˜ao cr´ıtica do teste. 6o Passo: Tabela de ANOVA: O teste estat´ıstico para as hip´oteses (A, B, C) propostas ´e resumido na tabela 4.3. Essa tabela ´e chamada tabela de an´alise de variˆanica. Caso o teste C implique em H0 ser n˜ao
4. M´etodo da ANOVA (Completo)
84
significativo, ou seja, a intera¸ca˜o ( Amostra × Fator1 ) ser´a considerada nula. Neste caso, os testes A e B ser˜ao realizados conforme a tabela 4.4. Para isso, vamos incorporar a soma de quadrados da intera¸c˜ao `a soma de quadrados do erro. Assim, temos que SQE = SQT − SQP − SQF 1 . Fonte de Varia¸c˜ ao Amostra Fator1 Intera¸c˜ ao Erro Total
Graus de Soma de Quadrado Teste Liberdade Quadrados M´ edio F QMP p−1 SQP QMP QMI QMF 1 o−1 SQF 1 QMF 1 QMI QMI (p − 1)(o − 1) SQI QMI QME p o (r − 1) SQE QME p o r−1 SQT
Tabela 4.3: Tabela de An´alise de Variˆancia (ANOVA) - Com intera¸ca˜o
Fonte de Varia¸c˜ ao Amostra Fator1 Erro Total
Graus de Liberdade p−1 o−1 p o r−p−o+1 p o r−1
Soma de Quadrado Quadrados M´ edio P SQP QMP = pSQ − 1 SQF 1 QMF 1 = oSQ−F 11 E SQE QME = p o r −SQ p − o SQT
Teste F QMP QME QMF 1 QME + 1
Tabela 4.4: Tabela de An´alise de Variˆancia (ANOVA) - Sem intera¸ca˜o
7o Passo: Componentes de variˆancia: Aqui, vamos estimar as componentes de variˆancia pelo m´etodo de momentos. Este m´etodo, visa igualar os momentos populacionais aos momentos amostrais. Considerando o modelo com intera¸c˜ao temos:
E(QME ) = σ 2
=⇒
σ ˆ 2 = QME
E(QMI ) = σ 2 + r σI2
=⇒
σ 2\ + r σI2 = QMI
E(QMF 1 ) = σ 2 + r σI2 + p rσF2 1
=⇒
σ2 + r \ σI2 + p rσF2 1 = QMF 1
E(QMP ) = σ 2 + r σI2 + o rσP2
=⇒
σ 2 + r\ σI2 + o rσP2 = QMP
Assim, obtemos que as fontes de varia¸ca˜o podem ser estimadas por
4. M´etodo da ANOVA (Completo)
s VF1
=
85
QMF 1 − QMI pr
Fator1
(4.11)
intera¸c˜ao
(4.12)
repetitividade
(4.13)
reprodutibilidade
(4.14)
r
VI
=
VE
=
VF
=
R&R
=
VP
=
VT
=
QMI − QME r p QME q (VF1 )2 + (V I)2 p (V E)2 + (V O)2 r QMP − QMI o∗r p (R&R)2 + (V P )2
R&R
(4.15)
amostra
(4.16)
total
(4.17)
Considerando que a intera¸c˜ao n˜ao ´e significativa, temos que
E(QME ) = σ 2
=⇒
σ ˆ 2 = QME
E(QMF 1 ) = σ 2 + p rσF2 1
=⇒
\ σ2 + p rσF2 1 = QMF 1
E(QMP ) = σ 2 + o rσP2
=⇒
σ2 \ + o rσP2 = QMP
Assim, obtemos que as fontes de varia¸ca˜o podem ser estimadas por
s VF1
=
VE
=
VF
=
R&R
=
VP
=
VT
=
QMF 1 − QME pr
p QME q (VF1 )2 p (V E)2 + (V F )2 r QMP − QME o∗r p (R&R)2 + (V P )2
Fator1
(4.18)
repetitividade
(4.19)
reprodutibilidade
(4.20)
R&R amostra total
(4.21) (4.22) (4.23)
Exemplo 4.1. Nesta aplica¸c˜ao usaremos uma anova two-way, ou seja, dois fatores aleat´orios. A tabela 4.5 apresenta as medi¸c˜oes realizadas no copo PS, a coluna Ponto representa o ponto de medi¸c˜ao.
4. M´etodo da ANOVA (Completo) T empo (s) 20 20 22 22 22 20 20 22 20 20 22 22 22 20 20 22 20 20 22 22 22 20 20 22
86 P essoa Camila Paula Paula Paula Camila Camila Paula Camila Camila Paula Paula Paula Camila Camila Paula Camila Camila Paula Paula Paula Camila Camila Paula Camila Soma
Absorcao (g/m2 ) 0,11479 0,05992 0,06308 0,06308 0,05740 0,03021 0,08200 0,08458 0,09667 0,05362 0,09777 0,05362 0,09969 0,06948 0,07569 0,08458 0,05135 0,03785 0,08516 0,03785 0,07854 0,09063 0,11039 0,11177 1,78972
Desvio 0,001618 0,000215 0,000132 0,000132 0,000295 0,001968 0,000055 0,000100 0,000488 0,000439 0,000538 0,000439 0,000631 0,000026 0,000001 0,000100 0,000539 0,001348 0,000112 0,001348 0,000016 0,000258 0,001283 0,001384 0,013466
Tabela 4.5: Tabela de dados O modelo estat´ıstico para este experimento ´e:
Yijk = µ + αi + βj + εijk
i = 1, · · · , p
k = 1, · · · , r
j = 1, · · · , o
Tempo Pessoa
(4.24)
R´eplicas
onde: • Yijk representa a k-´esima medi¸c˜ao no j-´esimo Fator 2 no i-´esima copo; • µ ´e a M´edia das medi¸c˜oes; • αi ´e o efeito do Tempo; • βj ´e o efeito do Fator Pessoa; • εijk ´e o erro de replica¸c˜ao. Para calcularmos as somas de quadrados, precisamos primeiramente calcular as seguintes variˆancias amostrais :
4. M´etodo da ANOVA (Completo)
87
p
2 S...
o
r
=
XXX 1 (yijk − y¯... )2 = 0, 0005855 p o r − 1 i=1 j=1 k=1
=
1 X (¯ yi.. − y¯... )2 = 0, 0000778 p − 1 i=1
=
1 X (¯ y.j. − y¯... )2 = 0, 0000069 o − 1 j=1
p
Sp2
o
So2
onde, p = 1, 2 Pessoa o = 1, 2 Tempo r = 6 R´eplica
2 2 SQT otal = (p o r − 1) S... = (23) S... = 0, 0134657
SQP essoa = o r (p − 1) Sp2 = (12) Sp2 = 0, 000933255 SQT empo = p r (o − 1) So2 = (12) So2 = 0, 000083 SQErro = SQT otal − SQP essoa − SQT empo = 0, 012449957 Os graus de liberdade s˜ao: Efeito Grau de Liberdade Pessoa
p−1 = 1
Tempo
o−1 = 1
Erro
por − p − o + 1 = 21
Total
por − 1=23
4. M´etodo da ANOVA (Completo)
88
Com isso, o quadrado m´edio ´e: SQP essoa 0, 000933 = p−1 1 = 0, 000933
QMP essoa =
0, 000083 SQT empo = o−1 1 = 0, 000083
QMT empo =
SQErro 0, 012449957 = por − p − o + 1 21 = 0, 000592855
QMErro =
A tabela abaixo apresenta o resumo da an´alise de variˆancia. Fonte G.L. Soma Quad M´edia Quad Estat. F P-valor Tempo 1 0,000083 0,000083 0,139300 0,712719 Pessoa 1 0,000933255 0,000933 1,57417 0,223387 Residuals 21 0,012449957 0,000593 Total 23 0,01347 Tabela 4.6: Tabela de An´alise de Variˆancia Aqui, temos que P-Valor ´e dado por: T empo
P (F1;
21
> 0, 139) = 0, 712719
P essoa
P (F1;
21
> 1, 574) = 0, 223387
Portanto, temos que a estimativa da variabilidade com dois fatores ´e: σ ˆ 2 = QME = 0, 000593 Considerando que os fatores n˜ao s˜ao significativo, temos que os componentes de variˆancia s˜ ao desprez´ıveis. Exemplo 4.2. Para avaliar a exatid˜ao das medi¸c˜oes de dureza na escala HRB (ponto 52,39), tomamos 2 tipos de penetradores e 2 operadores. Cada operador realizou 6 medi¸c˜oes com cada penetrador aleat´oriamente. Os dados est˜ao apresentados na tabela 4.7.
4. M´etodo da ANOVA (Completo)
89
Op. A Medi¸c˜ oes Penetrador 1 2 3 4 5 6 Bom 52 52 52,4 52 52,4 53 Ruim 72,2 71,2 71 70,2 72 72
Op. B Medi¸c˜ oes 1 2 3 4 5 6 53 53 53,2 53,4 52,8 53 42 72,4 72 73 73,2 72,3
Tabela 4.7: Medi¸ca˜o de Dureza Escala HRB Solu¸ c˜ ao 2o Passo: Soma de Quadrados: 2 • C´alculo do S... . Seja y¯... = 61, 07 a m´edia dos dados, com p = 2, o = 2 e r = 6. Ent˜ ao:
2 S...
(52 − 61, 07)2 + (72, 2 − 61, 07)2 + · · · + (72, 00 − 61, 07)2 + (53, 00 − 61, 07)2 24 − 1 109, 6195
= =
2 • C´alculo do Si.. . Veja a tabela 4.8.
Penetrador M´edia (¯ yi.. ) M´edia das M´edias (¯ y... ) Bom 52,6833 61,0708 Ruim 69,4583 61,0708 Total
(¯ yi.. − y¯... )2 70,35 70,35 140,7
2 Tabela 4.8: C´alculo do Si..
Portanto, 2 Si.. =
140, 7 = 140, 7 1
2 • C´alculo do S.j. . Veja a tabela 4.9.
Operador A B
M´edia (¯ y.j. ) M´edia das M´edias (¯ y... ) 61,87 61,0708 60,28 61,0708 Total
(¯ y.j. − y¯... )2 0,6334 0,6334 1,2667
2 Tabela 4.9: C´alculo do S.j.
Portanto, 2 S.j. =
1, 2667 = 1, 2667 1
Utilizando as express˜oes (4.2), (4.3), (4.4), (4.5) e (4.6) e os resultados das variˆancias amotrais, temos que:
4. M´etodo 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
SQE = SQT − SQP − SQO = 817, 6454
3o Passo: C´alculo dos graus de liberdade: Efeito Grau de Liberdade Penetrador p-1 =1 Operador o-1 =1 Erro por-p-o+1 = 21 Total por-1 = 23
4o Passo: C´alculo do erro quadr´atico m´edio: Utilizando as express˜oes (4.7), (4.8), (4.9) e (4.10) temos que:
QMP =
SQP = p−1
(Penetrador)
QMO =
SQO = o−1
(Operador)
QME =
SQE = por − p − o + 1
(Erro)
6o Passo: Tabela de ANOVA: Siga os procedimentos de montagem da tabela anova, com base na tabela 4.3, apresentada no sexto passo da teoria. 7o Passo: Componentes de variˆancia:
4. M´etodo da ANOVA (Completo) Fonte Penetrador Operador Erro Total
91
GL
SQ
QM
F
Tabela 4.10: Tabela de An´alise de Variˆancia (ANOVA) - Sem intera¸ca˜o
VE =
p QME = r
VP =
QMP − QME = o∗r
s =
QMO − QME = p∗r
R&R =
p (V E)2 + (VO )2 =
VO
VT =
p (R&R)2 + (V P )2 =
92
Cap´ıtulo 5 C´ alculo de Incerteza de um Rel´ ogio Comparador Considere o processo de calibra¸ca˜o de um rel´ogio de resolu¸ca˜o de 0,01mm. Esta calibra¸c˜ao ´e realizada por compara¸c˜ao utilizando-se um calibrador de rel´ogio. O calibrador apresenta uma resolu¸ca˜o 0,001 mm com incerteza expandida de 0,001 mm com k=2. Os resultados s˜ao apresentados na tabela 9.2. Ref. 0,1 0,5 0,7 1
A 0,101 0,503 0,7 1,002
R 0,098 0,502 0,695 1
Leituras (mm) A R 0,102 0,101 0,504 0,501 0,702 0,697 1,001 1,001
A 0,102 0,504 0,703 0,996
R 0,102 0,502 0,698 0,998
M´ edia
Tend
DP
DPM
0,101 0,502667 0,699167 0,999667
0,001 0,0026667 -0,0008333 -0,0003333
0,0015492 0,0012111 0,0030605 0,0022509
0,000633 0,000494 0,001249 0,000919
Tabela 5.1: Tabela de Dados Na tabela 9.2, temos que • A: representa a leitura no avan¸co; • R: representa a leitura no retorno; • Tend: representa a tendˆencia; • Ref: representa o valor de referˆencia; • DP: representa o Desvio Padr˜ao; • DPM: representa o Desvio padr˜ao da M´edia ou repetitividade.
5. C´alculo de Incerteza de um Rel´ogio Comparador
93
M´ etodo de Medi¸c˜ ao A calibra¸ca˜o corresponde a diferen¸ca entre as medi¸co˜es do rel´ogio e do calibrador
d = l − lS onde • l: representa a leitura ajustada no rel´ogio comparador; • lS : representa a leitura obtida pelo calibrador.
Modelo Matem´ atico Os desvios obtidos apresentam as seguintes fontes de incerteza
d = ∆l + Res(Rel) + Res(Cal) + Histerese Ent˜ao,
l = d + ls = ∆l + Res(Rel) + Res(Cal) + Histerese + ls onde, • ∆l : representa a diferen¸ca observada entre a medi¸c˜ao do rel´ogio e a medi¸c˜ao do calibrador (repetitividade); • Res(Rel) : Resolu¸c˜ao do rel´ogio; • Res(Cal) : Resolu¸c˜ao do calibrador; • ls : representa a contribui¸ca˜o do padr˜ao; • Histerese: M´axima diferen¸ca entre a medi¸ca˜o no avan¸co e no retorno.
5. C´alculo de Incerteza de um Rel´ogio Comparador
5.1
94
Incerteza Combinada
Atrav´es da equa¸ca˜o de propaga¸c˜ao da incerteza, temos que a express˜ao da incerteza combinada ´e dada por
uc (d)
5.2
p
=
u2 (∆l ) + u2 (Res(Rel)) + u2 (Res(Cal)) + u2 (ls ) + u2 (Histerese)
C´ alculo da Incerteza Padr˜ ao das grandezas de entrada
A seguir, vamos calcular a incerteza de cada fonte.
5.2.1
Repetitividade (∆l )
Incerteza do tipo A Agrupada:
r Pn u(∆l ) =
u2A (i) = n
i=1
r
0, 0000030 = 4
Onde • u(∆l ): representa a incerteza combinada (agrupada) do tipo A; • uA (i): representa a incerteza do tipo A no ponto de calibra¸ca˜o i; • n: representa o n´ umero de pontos de calibra¸ca˜o.
5.2.2
Incerteza Herdada do Padr˜ ao U (ls )
Distribui¸ca˜o: Normal u(ls ) =
5. C´alculo de Incerteza de um Rel´ogio Comparador
5.2.3
95
Resolu¸ c˜ ao do Calibrador (Res(Cal))
Distribui¸ca˜o: Retangular u(Res(Cal)) =
5.2.4
Resolu¸ c˜ ao do Rel´ ogio (Res(Rel))
Distribui¸ca˜o: Retangular u(Res(Rel)) =
5.2.5
C´ alculo da Histerese Referˆ encia M´ edia do Avan¸co 0,1 0,101667 0,5 0,503667 0,7 0,701667 1 0,999667
M´ edia do Retorno 0,100333 0,501667 0,696667 0,999667
|Histerese| 0,0013333 0,002 0,005 0
Histerese M´axima:
5.3
C´ alculo de Incerteza do Rel´ ogio
5.3.1
C´ alculo da Incerteza Combinada
Fonte Repetitividade Res(Rel) Res(Cal) Incert. Herdada do ls Histerese
Estimativa Tipo 0,000866 A 0,01 B 0,001 B 0,001 B 0,005 B
Distribui¸c˜ ao Normal Retangular Retangular Normal Retangular
Divisor Incerteza 1 0,000866 3,464 0,002887 3,464 0,0002887 2 0,0005 3,464 0,00144342
5. C´alculo de Incerteza de um Rel´ogio Comparador
96
Incerteza Combinada: uc (d)
=
p
(0, 000866)2 + (0, 002887)2 + (0, 0002887)2 + (0, 0005)2 + (0, 00144342)2
=
5.3.2
Graus de liberdade Efetivo
νef f =
uc (d) u(∆l )
4 νA =
Atrav´es da tabela t-Student encontramos k =
5.4
Incerteza Expandida U = k ∗ uc (d) =
O rel´ogio de medi¸ca˜o ´e utilizado para medir uma tolerˆancia de 0,2mm. Fa¸ca um estudo da comprova¸ca˜o metrol´ogica.
97
Cap´ıtulo 6 C´ alculo de Incerteza de um Manˆ ometro Objeto a ser calibrado: Manˆometro Resolu¸ca˜o: 1kgf /cm2. Faixa de Indica¸ca˜o (faixa nominal): 0 − 160kgf /cm2.
Padr˜ ao de referˆ encia: Manˆometro padr˜ao. Resolu¸ca˜o: 0, 1kgf /cm2 Incerteza expandida - U = 0, 1% (k = 2) (Fundo de escala). Temperatura durante a calibra¸ca˜o: 22 ± 1 ◦ C. Faixa de Indica¸ca˜o (faixa nominal): 0 − 200kgf /cm2.
Resultados: A bancada foi ajustada com o manˆometro (a ser calibrado) e as leituras foram realizadas com o padr˜ao. A tabela 6.1 apresenta os dados.
6. C´alculo de Incerteza de um Manˆometro Ajustado 15 30 45 60 75 90 105 120 140 160
A 14,9 29,8 45 60,1 75 89,9 104,9 119,9 140,2 160,3
Leituras (Kgf /cm2 ) R A R A 14,9 14,8 14,9 14,9 29,6 29,7 29,7 29,8 44,6 45,1 44,7 45,1 59,7 60 59,8 60,1 74,6 75 74,6 75 89,5 89,9 89,6 89,8 104,5 105 104,6 105 119,7 119,8 119,8 119,9 140 140,1 140,2 140,2 160,1 160,2 160,2 160,2
98
R 14,9 29,7 44,7 59,8 74,6 89,6 104,6 119,7 140 160,2
M´edia
Tendˆencia
DP
DPM
14,883 29,717 44,867 59,917 74,8 89,717 104,767 119,8 140,117 160,2
-0,11667 -0,28333 -0,13333 -0,08333 -0,2 -0,28333 -0,23333 -0,2 0,116667 0,2
0,040825 0,075277 0,225093 0,17224 0,219089 0,17224 0,225093 0,089443 0,098319 0,063246
0,016667 0,030732 0,091894 0,070317 0,089443 0,070317 0,091894 0,036515 0,040139 0,02582
Tabela 6.1: Tabela de Dados para o Manˆometro Na tabela 6.1, temos que • A: representa a leitura no avan¸co; • R: representa a leitura no retorno; • D: representa o Desvio; • DP: representa o Desvio Padr˜ao; • DPM: representa o Desvio padr˜ao da M´edia ou repetitividade.
Equa¸c˜ ao Matem´ atica
Desvio = Medida do Manˆometro − Manˆometro padr˜ao Fontes de Incerteza • Repetitividade - tipo A; • Resolu¸ca˜o do manˆometro; • Resolu¸ca˜o do manˆometro padr˜ao; • Incerteza herdada do padr˜ao, U = 0, 1% (k = 2): Porcentagem tomada em rela¸ca˜o ao fundo de escala.
U=
U (unidade) 100% 200
,
6. C´alculo de Incerteza de um Manˆometro
99
Ent˜ao
U (unidade) =
uc =
U (%) 200 100
U (unidade) k
• Histerese.
6.1
Incerteza Combinada
Atrav´es da equa¸ca˜o de propaga¸c˜ao da incerteza, temos que a express˜ao da incerteza combinada para o manˆometro ´e dada por
uc (M )
=
p
u2 (∆l ) + u2 (Res(man)) + u2 (Res(padra)) + u2 (hP ad ) + u2 (Hist)
Onde • u(∆l ): representa a incerteza devido a repetitividade; • u(Res(man)): representa a incerteza devido a resolu¸ca˜o do manˆometro; • u(Res(padra)): representa a incerteza devido a resolu¸ca˜o do manˆometro padr˜ao; • u(hP ad ): representa a incerteza herdada do manˆometro padr˜ao; • u(Hist): representa a incerteza devido a histerese;
6.2
C´ alculo da Incerteza Padr˜ ao das grandezas de entrada
A seguir, vamos calcular a incerteza de cada fonte.
6. C´alculo de Incerteza de um Manˆometro
6.2.1
Repetitividade (∆l )
Incerteza do tipo A Agrupada:
sP u(∆l ) =
n i=1
u2Ai
n
r =
0, 0396111 = 10
Onde • u(∆l ): representa a incerteza do tipo A; • uAi : representa a incerteza do tipo A para o i-´esimo ponto de calibra¸ca˜o; • n: representa o n´ umero de pontos de calibra¸ca˜o.
6.2.2
Incerteza Herdada do Manˆ ometro Padr˜ ao - U(Upadr˜ ao)
Distribui¸ca˜o: Normal u(hP ad ) =
6.2.3
Resolu¸ c˜ ao do Manˆ ometro P˜ adr˜ ao - U(Res(padra))
Distribui¸ca˜o: Retangular u(Res(padra)) =
6.2.4
Resolu¸ c˜ ao do Manˆ ometro - U(Res(man))
Distribui¸ca˜o: Retangular u(Res(man)) =
100
6. C´alculo de Incerteza de um Manˆometro
6.2.5
101
C´ alculo da Histerese M´ edia do Avan¸co 14,867 29,767 45,0667 60,067 75 89,867 104,9 119,867 140,1 160,233
M´ edia do Retorno |Histerese| 14,9 0,033333 29,667 0,1 44,667 0,4 59,767 0,3 74,667 0,333333 89,567 0,3 104,567 0,333333 119,733 0,133333 140,067 0,033333 160,233 0
Histerese M´axima:
6.3
6.3.1
C´ alculo da Incerteza do Manˆ ometro
C´ alculo da Incerteza Combinada FV Estimativa Tipo Repetitividade 0,062937 A Inc. Herdada 0,2 B Res-Padr˜ao 0,1 B Res-manˆom. 1 B Histerese 0,4 B
Distribui¸c˜ ao Normal Normal Retangular Retangular Retangular
Divisor Incerteza 1 0,062937 2 0,1 3,464 0,02887 3,464 0,2887 3,464 0,11547
6. C´alculo de Incerteza de um Manˆometro Incerteza combinada:
uc (M )
=
p (0, 062937)2 + (0, 1)2 + (0, 02887)2 + (0, 2887)2 + (0, 11547)2
=
6.3.2
Graus de liberdade efetivo
νef f =
uc (M ) u(∆l )
4 νA =
Atrav´es da tabela t-Student encontramos k =
6.3.3
Incerteza Expandida U = k ∗ uc (M ) =
6.3.4
Express˜ ao da Incerteza em Porcentagem U=
U (unidade) 100% 160
102
103
Cap´ıtulo 7 C´ alculo de Incerteza de um Volt´ımetro Digital Exemplo 7.1. Considere a calibra¸c˜ao de um volt´ımetro digital por compara¸c˜ao. C´odigo: VO341
S´erie: 006-C
Menor Div. 0,1 mV
Unidade: mV
Descri¸c˜ao: Volt´ımetro digital Faixa de leitura: 0 a 200 mV
Temperatura ambiente: 20 ± 3o C;
Padr˜ao de referˆencia: Mult´ımetro digital HP - 3458A U = ± 0,001% (k=2) (em rela¸c˜ao ao fundo de escala)
Resolu¸c˜ao: 0,01 mV
Drift (estabilidade) =± 0,002 mV Faixa de leitura: 0 a 200 mV Modelo Matem´ atico Desvio = (Voltagem indicada no equipamento em calibra¸ca˜o) - (voltagem do padr˜ao de referˆencia) Valores Encontrados: Leitura Padr˜ao
1
2
3
4
M´edia
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
0,19
0,0135401
200
200,21
200,23
200,26 200,27 200,243 0,2425 0,0137689
160,19
7. C´alculo de Incerteza de um Volt´ımetro Digital
104
Planilha de Incerteza Fonte de Incerteza
Valor
Tipo
Dist
Divisor Incerteza
gl
Repetitividade Incerteza do Padr˜ao Resolu¸ca˜o Padr˜ao Drift do Padr˜ao Resolu¸ca˜o Volt´ımetro Incerteza Combinada:
Graus de Liberdade efetivo
υef f =
uc (y) uA (y)
4 νA =
Onde νA = j ∗ (n − 1) corresponde ao grau de liberdade tipo A, tal que j ´e o n´ umero de pontos de calibra¸c˜ao e n o n´ umero de leituras por ponto. Incerteza Expandida:
Avalia¸c˜ao da incerteza: Suponha que este equipamento seja utilizado para medir uma tolerˆancia de 3 mV. Fa¸ca uma an´alise cr´ıtica da capacidade deste equipamento para medir tal tolerˆancia.
105
Cap´ıtulo 8 C´ alculo de Incerteza no Ensaio de Tens˜ ao 8.1
Calibra¸c˜ ao
X Equa¸c˜ ao de Medi¸c˜ ao A express˜ao 8.1 representa a equa¸c˜ao de medi¸c˜ao utilizada para a obten¸c˜ao da Tens˜ao: T = M + Res + Inst + ∆
(8.1)
T : Representa a Tens˜ao M : Representa a tens˜ao no mult´ımetro padr˜ao do laborat´orio. Podemos supor que M tem distribui¸ca˜o Normal com incerteza u(herdM ) e fator de abrangˆencia obtidos via certificado de calibra¸ca˜o. Res: Resolu¸ca˜o do mult´ımetro. Podemos supor que a resolu¸ca˜o tem distribui¸ca˜o retangular , onde Res ´e a resolu¸c˜ao do artefato. Logo, a (ou uniforme) no intervalo − Res , Res 2 2 incerteza devida a resolu¸ca˜o ser´a dada por: Res u(Res) = √ 2 3 Inst: Instabilidade do mult´ımetro. Podemos supor que a Instabilidade tem distribui¸ca˜o retan gular (ou uniforme) no intervalo − Inst , Inst , onde Inst ´e a Instabilidade do artefato. 2 2
8. C´alculo de Incerteza no Ensaio de Tens˜ao
106
Logo, a incerteza devida a Instabilidade ser´a dada por: Inst u(Inst) = √ 2 3 ∆: Representa a leitura do equipamento. Podemos supor que a distribui¸ca˜o da m´edia das medi¸co˜es (repetitividade) tem distribui¸c˜ao normal. Logo, podemos estimar sua incerteza (desvio padr˜ao) como s u(∆) = √ , n onde s2 =
1 n−1
Pn
2 i=1 (xi − X)
´e a variˆancia amostral e X =
1 n
Pn
i=1
xi ´e a m´edia amostral;
X Incerteza Combinada (uc (T )) A incerteza combinada para a Tens˜ao ´e dada por:
uc (T )2 = u2 (herdM ) + u2 (Res) + u2 (Inst) + u2 (∆) Logo, uc (T ) =
p u2 (herdM ) + u2 (Res) + u2 (Inst) + u2 (∆).
X Incerteza Expandida (U (T )) Aqui, a express˜ao 8.2 representa a incerteza expandida para a Tens˜ao.
U (T ) = k × uc (T )
(8.2)
onde, k (fator de abrangˆencia) ´e o quantil da distribui¸ca˜o t-Student com νef f (T ) graus de liberdade e confian¸ca de 95%. Aqui, os graus de liberdade s˜ao dados por:
νef f (T ) =
(uc (T ))4 u4 (∆) n−1
+
u4 (herdM ) ∞
+
u4 (Res) ∞
+
u4 (Inst) ∞
A tabela 9.3 apresenta o resumo para o calculo da incerteza da Tens˜ao.
8. C´alculo de Incerteza no Ensaio de Tens˜ao
107
C´ alculo de Incerteza - Canal de Tens˜ ao S´ımbolo Fontes de Incerteza Unidade Est. Tipo Distr. Div. Incerteza C.S. Contr. G.L. ∆ Repetitividade A Normal 1 1 n−1 M Equip. Medi¸c˜ ao B Normal k 1 ∞ √ Res Resolu¸c˜ ao B Retangular 2 √3 1 ∞ Inst Instabilidade B Retangular 2 3 1 ∞ Incerteza Combinada uc (T ) Grau de Liberdade Efetivo (G.L.) νef f (T ) Fator de Abrangˆ encia k Incerteza Expandida U (T ) Est. = Estimativa Distr. = Distribui¸ca ˜o Div. = Divisor C.S. = Coeficiente de Sensibilidade Contr. = Contribui¸c˜ ao G.L. = Graus de Liberdade
Tabela 8.1: Resumo do C´alculo de Incerteza para a Tens˜ao
8.2
Aplica¸c˜ ao
Considere um Ensaio de Tens˜ao, utilizando um Mult´ımetro, s˜ao realizadas 5 leituras, na unidade de milivolts (mV). Os resultados s˜ao apresentados na Tabela 8.2. Leituras (mV) 97,761 102,488 100,870 98,941 100,510 M´ edia 100,1139 Repetitividade 0,8148 Tabela 8.2: Tabela de Dados Os dados necess´arios para esta aplica¸ca˜o s˜ao: • A incerteza do mult´ımetro U (herdM ) = 1% da leitura com k = 2; • A resolu¸ca˜o do mult´ımetro Res(M ) = 0, 1% da leitura; • A instabilidade do mult´ımetro Inst(M ) = 0, 04% da leitura; √
0,8148 • A repetitividade (%) ´e dada por: u(∆) = 100 s/T n = 100 100,1139 = 0, 81383%
A seguir, todos os c´alculos ser˜ao feitos em porcentagem (%)!!!! A incerteza combinada para a Tens˜ao ´e dada por:
uc (T ) = Os graus de liberdade s˜ao:
8. C´alculo de Incerteza no Ensaio de Tens˜ao
νef f (T ) =
108
((uc (T ))4 u4 (∆) n−1
+
u4 (herdM ) ∞
+
u4 (Res) ∞
+
u4 (Inst) ∞
=
Considerando os graus de liberdade efetivo e uma confian¸ca de aproximadamente 95%, temos pela tabela da distribui¸c˜ao t-student, que o fator de abrangˆencia ´e k =
. Com isso,
a incerteza expandida para a vari´avel tens˜ao:
U (T ) = k × uc (T )
=
S´ımbolo Fontes de Incerteza ∆ Repetitividade M Equip. Medi¸c˜ ao Res Resolu¸c˜ ao Inst Instabilidade Incerteza Combinada Grau de Liberdade Efetivo (G.L.) Fator de Abrangˆ encia Incerteza Expandida
C´ alculo de Incerteza - Canal de Tens˜ ao Unidade Est. Tipo Distr. Div. % 0,81383 A Normal 1 % 1 B Normal 2 √ % 0,1 B Retangular 2 √3 % 0,04 B Retangular 2 3
Incerteza 0,81383 0,5 0,0289 0,01155
Tabela 8.3: Resumo do C´alculo de Incerteza para a Tens˜ao
C.S. 1 1 1 1
Contr. 0,81383 0,5 0,0289 0,01155
G.L. 4 ∞ ∞ ∞ 0, 9557 7, 61 2, 33 2, 22 %
109
Cap´ıtulo 9 C´ alculo de Incerteza no Ensaio de Corrente 9.1
Calibra¸c˜ ao
X Equa¸c˜ ao de Medi¸c˜ ao A express˜ao 9.1 representa a equa¸c˜ao de medi¸c˜ao utilizada para a obten¸c˜ao da Corrente:
I = M + Res + Inst + ∆
(9.1)
I: Representa a Corrente M : Representa a tens˜ao no mult´ımetro padr˜ao do laborat´orio. Podemos supor que M tem distribui¸ca˜o Normal com incerteza u(herdM ) e fator de abrangˆencia obtidos via certificado de calibra¸ca˜o. Res: Resolu¸ca˜o do mult´ımetro. Podemos supor que a resolu¸ca˜o tem distribui¸ca˜o retangular Res (ou uniforme) no intervalo − Res , , onde Res ´e a resolu¸c˜ao do artefato. Logo, a 2 2 incerteza devida a resolu¸ca˜o ser´a dada por: Res u(Res) = √ 2 3 Inst: Instabilidade do mult´ımetro. Podemos supor que a Instabilidade tem distribui¸ca˜o retan Inst gular (ou uniforme) no intervalo − Inst , , onde Inst ´e a Instabilidade do artefato. 2 2
9. C´alculo de Incerteza no Ensaio de Corrente
110
Logo, a incerteza devida a Instabilidade ser´a dada por: Inst u(Inst) = √ 2 3 ∆: Representa a leitura do equipamento. Podemos supor que a distribui¸ca˜o da m´edia das medi¸co˜es (repetitividade) tem distribui¸c˜ao normal. Logo, podemos estimar sua incerteza (desvio padr˜ao) como s u(∆) = √ , n onde s2 =
1 n−1
Pn
2 i=1 (xi − X)
´e a variˆancia amostral e X =
1 n
Pn
i=1
xi ´e a m´edia amostral;
X Incerteza Combinada (uc (I)) A incerteza combinada para a Tens˜ao ´e dada por:
uc (I)2 = u2 (herdM ) + u2 (Res) + u2 (Inst) + u2 (∆) Logo, uc (I) =
p u2 (herdM ) + u2 (Res) + u2 (Inst) + u2 (∆).
X Incerteza Expandida (U (I)) Aqui, a express˜ao 9.2 representa a incerteza expandida para a Corrente.
U (I) = k × uc (I)
(9.2)
onde, k (fator de abrangˆencia) ´e o quantil da distribui¸ca˜o t-Student com νef f (I) graus de liberdade e confian¸ca de 95%. Aqui, os graus de liberdade s˜ao dados por:
νef f (I) =
(uc (I))4 u4 (∆) n−1
+
u4 (herdM ) ∞
+
u4 (Res) ∞
+
u4 (Inst) ∞
A tabela 9.1 apresenta o resumo para o calculo da incerteza da Corrente.
9. C´alculo de Incerteza no Ensaio de Corrente
111
C´ alculo de Incerteza - Canal de Corrente S´ımbolo Fontes de Incerteza Unidade Est. Tipo Distr. Div. Incerteza C.S. Contr. G.L. ∆ Repetitividade A Normal 1 1 n−1 M Equip. Medi¸c˜ ao B Normal k 1 ∞ √ Res Resolu¸c˜ ao B Retangular 2 √3 1 ∞ Inst Instabilidade B Retangular 2 3 1 ∞ Incerteza Combinada uc (T ) Grau de Liberdade Efetivo (G.L.) νef f (T ) Fator de Abrangˆ encia k Incerteza Expandida U (T ) Est. = Estimativa Distr. = Distribui¸ca ˜o Div. = Divisor C.S. = Coeficiente de Sensibilidade Contr. = Contribui¸c˜ ao G.L. = Graus de Liberdade
Tabela 9.1: Resumo do C´alculo de Incerteza para a Corrente
9.2
Aplica¸c˜ ao
Considere um Ensaio de Corrente, utilizando um Mult´ımetro, s˜ao realizadas 5 leituras, na unidade de miliamper (mA). Os resultados s˜ao apresentados na Tabela 9.2. Temos que, a Instabilidade do Mult´ımetro ´e ±0, 2%. Leituras (mA) 500,41 500,32 501,75 498,06 496,71 M´ edia 499,45 Repetitividade 0,9058 Tabela 9.2: Tabela de Dados Os dados necess´arios para esta aplica¸ca˜o s˜ao: • A incerteza do mult´ımetro u(herdM ) = 1% da leitura com k = 2; • A resolu¸ca˜o do mult´ımetro res(M ) = 0, 1% da leitura ; • A instabilidade do mult´ımetro inst(M ) = 0, 4% da leitura; √
• A repetitividade (%) ´e dada por: u(∆) = 100 s/I n = 100 0,9058 = 0, 18% 499,45 A incerteza combinada para a Tens˜ao ´e dada por:
uc (I) = Os graus de liberdade s˜ao:
9. C´alculo de Incerteza no Ensaio de Corrente
νef f (I) =
112
(uc (I))4 u4 (∆) n−1
+
u4 (herdM ) ∞
+
u4 (Res) ∞
+
u4 (Inst) ∞
= Considerando os graus de liberdade efetivo e uma confian¸ca de aproximadamente 95%, temos pela tabela da distribui¸c˜ao t-student, que o fator de abrangˆencia ´e k =
. Com isso,
a incerteza expandida para a vari´avel corrente:
U (I) = k × uc (I) =
S´ımbolo Fontes de Incerteza ∆ Repetitividade M Equip. Medi¸c˜ ao Res Resolu¸c˜ ao Inst Instabilidade Incerteza Combinada Grau de Liberdade Efetivo (G.L.) Fator de Abrangˆ encia Incerteza Expandida
C´ alculo de Incerteza - Canal de Corrente Unidade Est. Tipo Distr. Div. % 0,18 A Normal 1 % 1 B Normal 2 √ % 0,1 B Retangular 2 √3 % 0,4 B Retangular 2 3
Incerteza 0,18 0,5 0,0289 0,0115
C.S. 1 1 1 1
Tabela 9.3: Resumo do C´alculo de Incerteza para a Corrente
Contr. 0,18 0,5 0,0289 0,0115
G.L. 4 ∞ ∞ ∞ 0, 5328 297, 96 1, 96 1, 04 %
113
Cap´ıtulo 10 C´ alculo de Incerteza no Ensaio de Impedˆ ancia 10.1
Calibra¸c˜ ao
X Equa¸c˜ ao de Medi¸c˜ ao A express˜ao 10.1 representa a equa¸c˜ao de medi¸c˜ao utilizada para a obten¸c˜ao da Impedancia:
R=
V +∆ I
R: Representa a Impedancia; V : Representa a tens˜ao no mult´ımetro padr˜ao do laborat´orio. Podemos supor que V tem distribui¸ca˜o Normal com incerteza U (V ) e fator de abrangˆencia obtidos na cap´ıtulo 8. I: Representa a corrente no mult´ımetro padr˜ao do laborat´orio. Podemos supor que I tem distribui¸ca˜o Normal com incerteza U (I) e fator de abrangˆencia obtidos na cap´ıtulo 9. ∆: Representa a leitura do equipamento. Podemos supor que a distribui¸ca˜o da m´edia das medi¸co˜es (repetitividade) tem distribui¸c˜ao normal. Logo, podemos estimar sua incerteza (desvio padr˜ao) como s u(∆) = √ , n onde s2 =
1 n−1
Pn
2 i=1 (xi − X)
´e a variˆancia amostral e X =
X Incerteza Combinada (uc (R))
1 n
Pn
i=1
xi ´e a m´edia amostral.
10. C´alculo de Incerteza no Ensaio de Impedˆancia
114
A incerteza combinada para a Tens˜ao ´e dada por:
u2c (R)
2 2 ∂R ∂R 2 = u (V ) + u2 (I) + u2 (∆) ∂V ∂I 2 2 1 V 2 = u (V ) + − 2 u2 (I) + u2 (∆) I I
A Incerteza combinada relativa ´e dada por u2r (R)
u2 (R) = c 2 = R
2 2 2 2 u (V ) 1 V u (I) u2 (∆) + − + I R2 I2 R2 R2
Logo, s ur (R) = =
u(V ) V
2
+
u(I) I
2
+
u(∆) R
2
p u2r (V ) + u2r (I) + u2r (∆)
X Incerteza Expandida (U (R)) Aqui, a express˜ao 10.1 representa a incerteza expandida para a Impedˆancia.
U (R) = k × ur (R)
(10.1)
onde, k (fator de abrangˆencia) ´e o quantil da distribui¸c˜ao t-Student com νef f (R) graus de liberdade e confian¸ca de 95%. Aqui, os graus de liberdade s˜ao dados por:
νef f (R) =
(ur (R))4 u4r (V ) ∞
+
u4r (I) ∞
+
u2r (∆) n−1
=∞
A tabela 10.3 apresenta o resumo para o calculo da incerteza da Impedˆancia.
10. C´alculo de Incerteza no Ensaio de Impedˆancia
115
C´ alculo de Incerteza - Canal de Impedˆ ancia S´ımbolo Fontes de Incerteza Unidade Est. Tipo Distr. Div. Incerteza C.S. Contr. G.L. ∆ Repetitividade % A Normal 1 1 n−1 V Herdada da Tens˜ ao % B Normal k 1 ∞ I Herdada da Corrente % B Normal k 1 ∞ Incerteza Combinada uc (R) Grau de Liberdade Efetivo (G.L.) νef f (R) Fator de Abrangˆ encia k Incerteza Expandida U (R) Est. = Estimativa Distr. = Distribui¸ca ˜o Div. = Divisor C.S. = Coeficiente de Sensibilidade Contr. = Contribui¸c˜ ao G.L. = Graus de Liberdade
Tabela 10.1: Resumo do C´alculo de Incerteza para a Impedˆancia
10.2
Aplica¸c˜ ao
Considere um Ensaio de Impedˆancia, utilizando os dados dos Cap´ıtulos 9 e 8, temos os valores da Impedˆancia na Tabela 10.2 Tens˜ ao (mV) Corrente (mA) Impedˆ ancia 97,761 500,41 0,195 102,488 500,32 0,205 100,870 501,75 0,201 98,941 498,06 0,199 100,510 496,71 0,202 M´ edia 100,113856 M´ edia 499,45 M´ edia 0,2004 Repetitividade 0,8148 Repetitividade 0,9058 Repetitividade 0,0017 Tabela 10.2: Tabela de Dados Os dados necess´arios para esta aplica¸ca˜o s˜ao: • A incerteza herdada da Tens˜ao U (V ) = 2, 22 % com k = 2, 33; • A incerteza herdada da Corrente U (I) = 1, 04 % com k = 1, 96; √
• A repetitividade (%) ´e dada por: u(∆) = 100 s/R n = 100 0,0017 = 0, 829%. 0,2004 A incerteza combinada para a Impedˆancia ´e dada por:
ur (R) =
10. C´alculo de Incerteza no Ensaio de Impedˆancia
116
Os graus de liberdade s˜ao: νef f (R) =
(ur (R))4 u4r (V ) ∞
+
u4r (I) ∞
+
u2r (∆) n−1
= Considerando os graus de liberdade efetivo e uma confian¸ca de aproximadamente 95%, temos pela tabela da distribui¸c˜ao t-student, que o fator de abrangˆencia ´e k =
. Com isso, a
incerteza expandida para a vari´avel impedˆancia:
U (R) = k × ur (R) =
S´ımbolo Fontes de Incerteza ∆ Repetitividade I Herdada da Corrente V Herdada da Tens˜ ao Incerteza Combinada Grau de Liberdade Efetivo (G.L.) Fator de Abrangˆ encia Incerteza Expandida
C´ alculo de Unidade % % %
Incerteza - Canal de Impedˆ ancia Est. Tipo Distr. Div. Incerteza 0,829 A Normal 1 0,829 1,0442 B Normal 1, 96 0,5328 2,2238 B Normal 2, 33 0,9557
C.S. 1 1 1
Tabela 10.3: Resumo do C´alculo de Incerteza para a Impedˆancia
Contr. 0,829 0,5328 0,9557
G.L. 4 ∞ ∞ 1,3727 30,07 2,04 2,8%
117
Apˆ endice A Parˆ ametros Caracter´ısticos de um Sistema de Medi¸ c˜ ao Para caracterizar o comportamento metrol´ogico de um sistema de medi¸ca˜o, s˜ao empregados alguns parˆametros metrol´ogicos. Estes parˆametros podem ser expressos na forma de um simples n´ umero, uma faixa de valores ou na forma de um gr´afico. Aqui, s˜ao descritos os principais parˆametros. Faixa Nominal A faixa nominal ´e a faixa de indica¸c˜ao que se pode obter em uma posi¸c˜ao espec´ıfica dos controles de um instrumento de medi¸ca˜o. A faixa nominal normalmente ´e definida em termos de seus limites inferiores e superiores. Exemplos: • Termˆometro: 100o C a 200o C • Manˆometro: 0 bar a 20 bar • Contador: 5 d´ıgitos ( isto ´e 99999 pulsos ) Quando o limite inferior ´e zero, a faixa nominal pode ser definida unicamente em termos do limite superior, por exemplo: a faixa nominal de 0V a 100V ´e expressa como ”100 V”. Amplitude da Faixa Nominal A amplitude da faixa nominal ´e a diferen¸ca, em m´odulo, entre os dois limites de uma faixa nominal de -10 V a + 10 V a amplitude da faixa nominal ´e 20 V. Em algumas a´reas, a diferen¸ca entre o maior e o menor valor ´e denominado faixa.
A. Parˆametros Caracter´ısticos de um Sistema de Medi¸ca˜o
118
Faixa de Medi¸c˜ ao A faixa de medi¸ca˜o, tamb´em denominada faixa de trabalho, ´e o conjunto de valores de um mesurando para o qual admite-se que o erro de um instrumento de medi¸c˜ao mant´em-se dentro dos limites especificados. Exemplo: Num rel´ogio Apalpador a faixa de medi¸ca˜o ´e de ± 50 µm a + 50 µm ). A faixa de medi¸c˜ao ´e menor ou, no m´aximo, igual a faixa nominal. O valor da faixa de medi¸ca˜o pode ser obtidas atrav´es: • do manual de opera¸ca˜o do SM; • de sinais gravados sobre a escala; • das especifica¸c˜oes de normas t´ecnicas; • dos relat´orios de calibra¸ca˜o. Divis˜ ao de Escala ´ a parte de uma escala compreendida entre duas marcas sucessivas quaisquer. E Comprimento de uma Divis˜ ao ´ a distˆancia entre duas marcas sucessivas quaisquer, medidas ao longo da linha do comE primento de escala. O comprimento de uma divis˜ao ´e expresso em unidades de comprimento. Qualquer que seja a unidade mensurado ou a unidade marcada sobre a escala. Valor de uma Divis˜ ao O valor de uma divis˜ao ´e a diferen¸ca entre os valores de escala correspondente a duas marcas sucessivas. Condi¸co ˜es de Utiliza¸c˜ ao S˜ao as condi¸co˜es de uso para as quais as caracter´ısticas metrol´ogicas especificadas de um instrumento de medi¸ca˜o mant´em-se dentro de limites especificados. Condi¸co ˜es de Referˆ encia
A. Parˆametros Caracter´ısticos de um Sistema de Medi¸ca˜o
119
As condi¸c˜oes de referˆencia s˜ao as condi¸co˜es usuais prescritas para ensaio de desempenho de um instrumento de medi¸c˜ao ou para intercompara¸ca˜o de resultados de medi¸co˜es. Estas condi¸c˜oes geralmente incluem os valores de referˆencia ou as faixas de referˆencia para as grandezas de influˆencia que afetam o instrumento de medi¸ca˜o. Caracter´ıstico de Resposta ´ a rela¸ca˜o entre um est´ımulo e a resposta correspondente, sob condi¸co˜es definidas. ExemE plo: a for¸ca elemotriz ( fem) de um termopar como fun¸ca˜o da temperatura. A rela¸ca˜o poder´a ser expressa na forma de uma equa¸ca˜o matem´atica, uma tabela num´erica ou um gr´afico. Sensibilidade A sensibilidade ´e caracterizada pela varia¸c˜ao da resposta de um instrumento de medi¸ca˜o dividida pela varia¸ca˜o de estimulo. Nos instrumentos com indicador de ponteiro comumente se estabelece a sensibilidade como sendo a rela¸ca˜o entre o deslocamento da extremidade do ponteiro em (mm) e o valor unit´ario da grandeza a medir. Limiar de Mobilidade ´ a maior varia¸ca˜o no estimulo que n˜ao produz varia¸ca˜o detect´avel na resposta de um E instrumento de medi¸ca˜o, sendo a varia¸ca˜o no sinal de entrada lenta e uniforme. O limiar de mobilidade ( tamb´em chamado threshold ) pode depender, por exemplo de ru´ıdo ( interno e externo ) ou atrito. Pode depender tamb´em, do valor do est´ımulo. Resolu¸c˜ ao A resolu¸ca˜o ´e a menor diferen¸ca entre as indica¸c˜oes de um dispositivo mostrador que pode ser significativamente percebida. A avalia¸ca˜o da resolu¸ca˜o ´e executada em fun¸c˜ao do tipo de instrumento: a) Para dispositivo mostrador digital, a resolu¸ca˜o ´e a varia¸c˜ao na indica¸ca˜o quando o d´ıgito menos significativo varia de uma unidade. b) Nos sistemas de medi¸c˜ao com dispositivo mostrador anal´ogico, a resolu¸c˜ao ´e fun¸c˜ao das limita¸co˜es do executor da leitura, da qualidade do indicador e da pr´opia necessidade de leituras mais ou menos criteriosas.
A. Parˆametros Caracter´ısticos de um Sistema de Medi¸ca˜o
120
Estabilidade A estabilidade ´e a aptid˜ao de um instrumento de medi¸ca˜o em conservar constantes suas caracter´ısticas metrol´ogicas ao longo do tempo. A estabilidade pode ser quantificada de v´arias maneiras, por exemplo: pelo tempo no qual a caracter´ıstica metrol´ogica varia de um valor determinado, ou, em termos de varia¸ca˜o de uma caracter´ıstica em um determinado per´ıodo de tempo. Discri¸c˜ ao Caracteriza a aptid˜ao de um instrumento de medi¸ca˜o em n˜ao alterar o valor do mensurado. Por exemplo: Uma balan¸ca ´e um instrumento discreto para medi¸c˜ao de massas, pois o sistema de medi¸ca˜o n˜ao altera o valor da massa. Um termˆometro de resistˆencia que aquece o meio ambiente no qual a temperatura est´a sob medi¸ca˜o, n˜ao ´e discreto. Deriva A deriva ´e a varia¸ca˜o lenta de uma caracter´ıstica metrol´ogica de um instrumento de medi¸ca˜o. Tempo de Resposta ´ o intervalo entre o instante em que o est´ımulo ´e submetido a uma varia¸ca˜o brusca e o E instante em que a resposta atinge e permanece dentro de limites especificados em torno do seu valor final est´avel. Exatid˜ ao de Um Instrumento de Medi¸c˜ ao A exatid˜ao ´e a aptid˜ao de um instrumento de medi¸c˜ao par dar respostas pr´oximas a um valor verdadeiro ( tamb´em denominada de acur´acia ). A exatid˜ao ´e um conceito qualitativo, n˜ao devendo ser confundido com precis˜ao. Classe de Exatid˜ ao Classe de instrumentos de medi¸ca˜o ou medidas materializadas, que satisfazem a certas exigˆencias metrol´ogicas para conservar os erros dentro de certos limites especificados. Uma classe de exatid˜ao ´e usualmente indicada por um n´ umero ou s´ımbolo adotado por conven¸ca˜o e denominado de ´ındice de classe, por exemplo: jogo de blocos padr˜ao classe 0. Erro de Indica¸c˜ ao em um Instrumento de Medi¸c˜ ao
A. Parˆametros Caracter´ısticos de um Sistema de Medi¸ca˜o
121
Este erro ´e determinado pela diferen¸ca da indica¸c˜ao de um instrumento de medi¸c˜ao e um valor verdadeiro da grandeza de entrada correspondente. Uma vez que um valor verdadeiro n˜ao pode ser determinado, ent˜ao na pr´atica ´e utilizado um valor verdadeiro convencional. Este conceito de erro aplica-se principalmente quando o instrumento ´e comparado a um padr˜ao de referˆencia. Para uma medida materializada, o erro ´e caracterizado entre a indica¸ca˜o e o valor atribu´ıdo a ela. Erros M´ aximos Admiss´ıveis S˜ao os valores extremos de um erro admiss´ıvel por especifica¸c˜oes, regulamentos, etc, para um dado instrumento de medi¸ca˜o. Tamb´em denominado de Limites de Erros Admiss´ıveis. Tendˆ encia A tendˆencia ´e o erro sistem´atico da indica¸c˜ao de um instrumento de medi¸ca˜o ( tamb´em denominado: bias of a measuring instrument, erreur de justesse ). A tendˆencia de um instrumento de medi¸c˜ao ´e normalmente estimada pela m´edia dos erros de indica¸c˜ao de um n´ umero apropriado de medi¸c˜oes repetidas. Isen¸c˜ ao de Tendˆ encia Aptid˜ao de um instrumento de medi¸c˜ao em dar indica¸c˜oes isentas de erros sistem´aticos. Repetitividade A repetitividade ´e a aptid˜ao de um instrumento de medi¸ca˜o em fornecer indica¸co˜es muito pr´oximas, em repetidas aplica¸co˜es do mesmo mensurando, sob as mesmas condi¸co˜es de medi¸c˜ao. Estas condi¸co˜es incluem: • Redu¸ca˜o ao m´ınimo das vari´aveis devido ao observador; • Mesmo procedimento de medi¸c˜ao; • Mesmo avaliador; • Mesmo equipamento de medi¸c˜ao, sendo utilizado nas mesmas condi¸co˜es; • Mesmo local; • Repeti¸co˜es em um curto per´ıodo de tempo.
A. Parˆametros Caracter´ısticos de um Sistema de Medi¸ca˜o
122
A repetitividade pode ser expressa quantitativamente em termos das caracter´ısticas de dispers˜ao das indica¸co˜es. Histerese A histerese de um instrumento de medi¸ca˜o ´e um erro de medi¸ca˜o, que ocorre quando h´a diferen¸ca entre a medida para um dado valor do mensurado quando esta foi atingida por valores crescentes e a medida quando atingida por valores decrescentes do mensurado. Este valor poder´a ser diferente se o ciclo de carregamento e descarregamento for completo ou parcial. A histerese ´e um fenˆomeno bastante t´ıpico nos instrumentos mecˆanicos, tendo como fonte de erro, principalmente, folgas e deforma¸c˜oes associadas ao atrito.
123
Apˆ endice B Tabelas Estat´ısticas
B. Tabelas Estat´ısticas
124
• Distribui¸ca˜o Normal - Tabela 6 Sigma Z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0,10 0,11 0,12 0,13 0,14 0,15 0,16 0,17 0,18 0,19 0,20 0,21 0,22 0,23 0,24 0,25 0,26 0,27 0,28 0,29 0,30 0,31 0,32 0,33 0,34 0,35 0,36 0,37 0,38 0,39 0,40 0,41 0,42 0,43 0,44 0,45 0,46 0,47 0,48 0,49
´ Area 0,500000000 0,496010644 0,492021686 0,488033527 0,484046563 0,480061194 0,476077817 0,472096830 0,468118628 0,464143607 0,460172163 0,456204687 0,452241574 0,448283213 0,444329995 0,440382308 0,436440537 0,432505068 0,428576284 0,424654565 0,420740291 0,416833837 0,412935577 0,409045885 0,405165128 0,401293674 0,397431887 0,393580127 0,389738752 0,385908119 0,382088578 0,378280478 0,374484165 0,370699981 0,366928264 0,363169349 0,359423567 0,355691245 0,351972708 0,348268273 0,344578258 0,340902974 0,337242727 0,333597821 0,329968554 0,326355220 0,322758110 0,319177509 0,315613697 0,312066949
Z 0,50 0,51 0,52 0,53 0,54 0,55 0,56 0,57 0,58 0,59 0,60 0,61 0,62 0,63 0,64 0,65 0,66 0,67 0,68 0,69 0,70 0,71 0,72 0,73 0,74 0,75 0,76 0,77 0,78 0,79 0,80 0,81 0,82 0,83 0,84 0,85 0,86 0,87 0,88 0,89 0,90 0,91 0,92 0,93 0,94 0,95 0,96 0,97 0,98 0,99
´ Area 0,308537539 0,305025731 0,301531788 0,298055965 0,294598516 0,291159687 0,287739719 0,284338849 0,280957309 0,277595325 0,274253118 0,270930904 0,267628893 0,264347292 0,261086300 0,257846111 0,254626915 0,251428895 0,248252230 0,245097094 0,241963652 0,238852068 0,235762498 0,232695092 0,229649997 0,226627352 0,223627292 0,220649946 0,217695438 0,214763884 0,211855399 0,208970088 0,206108054 0,203269392 0,200454193 0,197662543 0,194894521 0,192150202 0,189429655 0,186732943 0,184060125 0,181411255 0,178786380 0,176185542 0,173608780 0,171056126 0,168527607 0,166023246 0,163543059 0,161087060
Z 1,00 1,01 1,02 1,03 1,04 1,05 1,06 1,07 1,08 1,09 1,10 1,11 1,12 1,13 1,14 1,15 1,16 1,17 1,18 1,19 1,20 1,21 1,22 1,23 1,24 1,25 1,26 1,27 1,28 1,29 1,30 1,31 1,32 1,33 1,34 1,35 1,36 1,37 1,38 1,39 1,40 1,41 1,42 1,43 1,44 1,45 1,46 1,47 1,48 1,49
´ Area 0,158655254 0,156247645 0,153864230 0,151505003 0,149169950 0,146859056 0,144572300 0,142309654 0,140071090 0,137856572 0,135666061 0,133499513 0,131356881 0,129238112 0,127143151 0,125071936 0,123024403 0,121000484 0,119000107 0,117023196 0,115069670 0,113139446 0,111232437 0,109348552 0,107487697 0,105649774 0,103834681 0,102042315 0,100272568 0,098525329 0,096800485 0,095097918 0,093417509 0,091759136 0,090122672 0,088507991 0,086914962 0,085343451 0,083793322 0,082264439 0,080756659 0,079269841 0,077803841 0,076358510 0,074933700 0,073529260 0,072145037 0,070780877 0,069436623 0,068112118
Z 1,50 1,51 1,52 1,53 1,54 1,55 1,56 1,57 1,58 1,59 1,60 1,61 1,62 1,63 1,64 1,65 1,66 1,67 1,68 1,69 1,70 1,71 1,72 1,73 1,74 1,75 1,76 1,77 1,78 1,79 1,80 1,81 1,82 1,83 1,84 1,85 1,86 1,87 1,88 1,89 1,90 1,91 1,92 1,93 1,94 1,95 1,96 1,97 1,98 1,99
´ Area 0,066807201 0,065521712 0,064255488 0,063008364 0,061780177 0,060570758 0,059379941 0,058207556 0,057053433 0,055917403 0,054799292 0,053698928 0,052616138 0,051550748 0,050502583 0,049471468 0,048457226 0,047459682 0,046478658 0,045513977 0,044565463 0,043632937 0,042716221 0,041815138 0,040929509 0,040059157 0,039203903 0,038363570 0,037537980 0,036726956 0,035930319 0,035147894 0,034379502 0,033624969 0,032884119 0,032156775 0,031442763 0,030741909 0,030054039 0,029378980 0,028716560 0,028066607 0,027428950 0,026803419 0,026189845 0,025588060 0,024997895 0,024419185 0,023851764 0,023295468
B. Tabelas Estat´ısticas Z 2,00 2,01 2,02 2,03 2,04 2,05 2,06 2,07 2,08 2,09 2,10 2,11 2,12 2,13 2,14 2,15 2,16 2,17 2,18 2,19 2,20 2,21 2,22 2,23 2,24 2,25 2,26 2,27 2,28 2,29 2,30 2,31 2,32 2,33 2,34 2,35 2,36 2,37 2,38 2,39 2,40 2,41 2,42 2,43 2,44 2,45 2,46 2,47 2,48 2,49
´ Area 0,022750132 0,022215594 0,021691694 0,021178270 0,020675163 0,020182215 0,019699270 0,019226172 0,018762766 0,018308900 0,017864421 0,017429178 0,017003023 0,016585807 0,016177383 0,015777607 0,015386335 0,015003423 0,014628731 0,014262118 0,013903448 0,013552581 0,013209384 0,012873721 0,012545461 0,012224473 0,011910625 0,011603792 0,011303844 0,011010658 0,010724110 0,010444077 0,010170439 0,009903076 0,009641870 0,009386706 0,009137468 0,008894043 0,008656319 0,008424186 0,008197536 0,007976260 0,007760254 0,007549411 0,007343631 0,007142811 0,006946851 0,006755653 0,006569119 0,006387155
125 Z 2,50 2,51 2,52 2,53 2,54 2,55 2,56 2,57 2,58 2,59 2,60 2,61 2,62 2,63 2,64 2,65 2,66 2,67 2,68 2,69 2,70 2,71 2,72 2,73 2,74 2,75 2,76 2,77 2,78 2,79 2,80 2,81 2,82 2,83 2,84 2,85 2,86 2,87 2,88 2,89 2,90 2,91 2,92 2,93 2,94 2,95 2,96 2,97 2,98 2,99
´ Area 0,006209665 0,006036558 0,005867742 0,005703126 0,005542623 0,005386146 0,005233608 0,005084926 0,004940016 0,004798797 0,004661188 0,004527111 0,004396488 0,004269243 0,004145301 0,004024589 0,003907033 0,003792562 0,003681108 0,003572601 0,003466974 0,003364160 0,003264096 0,003166716 0,003071959 0,002979763 0,002890068 0,002802815 0,002717945 0,002635402 0,002555130 0,002477075 0,002401182 0,002327400 0,002255677 0,002185961 0,002118205 0,002052359 0,001988376 0,001926209 0,001865813 0,001807144 0,001750157 0,001694810 0,001641061 0,001588870 0,001538195 0,001488999 0,001441242 0,001394887
Z 3,00 3,01 3,02 3,03 3,04 3,05 3,06 3,07 3,08 3,09 3,10 3,11 3,12 3,13 3,14 3,15 3,16 3,17 3,18 3,19 3,20 3,21 3,22 3,23 3,24 3,25 3,26 3,27 3,28 3,29 3,30 3,31 3,32 3,33 3,34 3,35 3,36 3,37 3,38 3,39 3,40 3,41 3,42 3,43 3,44 3,45 3,46 3,47 3,48 3,49
´ Area 0,001349898 0,001306238 0,001263873 0,001222769 0,001182891 0,001144207 0,001106685 0,001070294 0,001035003 0,001000782 0,000967603 0,000935437 0,000904255 0,000874032 0,000844739 0,000816352 0,000788846 0,000762195 0,000736375 0,000711364 0,000687138 0,000663675 0,000640953 0,000618951 0,000597648 0,000577025 0,000557061 0,000537737 0,000519035 0,000500937 0,000483424 0,000466480 0,000450087 0,000434230 0,000418892 0,000404058 0,000389712 0,000375841 0,000362429 0,000349463 0,000336929 0,000324814 0,000313106 0,000301791 0,000290857 0,000280293 0,000270088 0,000260229 0,000250707 0,000241510
Z 3,50 3,51 3,52 3,53 3,54 3,55 3,56 3,57 3,58 3,59 3,60 3,61 3,62 3,63 3,64 3,65 3,66 3,67 3,68 3,69 3,70 3,71 3,72 3,73 3,74 3,75 3,76 3,77 3,78 3,79 3,80 3,81 3,82 3,83 3,84 3,85 3,86 3,87 3,88 3,89 3,90 3,91 3,92 3,93 3,94 3,95 3,96 3,97 3,98 3,99
´ Area 0,000232629 0,000224053 0,000215773 0,000207780 0,000200064 0,000192616 0,000185427 0,000178491 0,000171797 0,000165339 0,000159109 0,000153099 0,000147302 0,000141711 0,000136319 0,000131120 0,000126108 0,000121275 0,000116617 0,000112127 0,000107800 0,000103630 0,000099611 0,000095740 0,000092010 0,000088417 0,000084957 0,000081624 0,000078414 0,000075324 0,000072348 0,000069483 0,000066726 0,000064072 0,000061517 0,000059059 0,000056694 0,000054418 0,000052228 0,000050122 0,000048096 0,000046148 0,000044274 0,000042473 0,000040741 0,000039076 0,000037475 0,000035936 0,000034458 0,000033037
B. Tabelas Estat´ısticas Z 4,00 4,01 4,02 4,03 4,04 4,05 4,06 4,07 4,08 4,09 4,10 4,11 4,12 4,13 4,14 4,15 4,16 4,17 4,18 4,19 4,20 4,21 4,22 4,23 4,24 4,25 4,26 4,27 4,28 4,29 4,30 4,31 4,32 4,33 4,34 4,35 4,36 4,37 4,38 4,39 4,40 4,41 4,42 4,43 4,44 4,45 4,46 4,47 4,48 4,49
´ Area 0,000031671 0,000030359 0,000029099 0,000027888 0,000026726 0,000025609 0,000024536 0,000023507 0,000022518 0,000021569 0,000020658 0,000019783 0,000018944 0,000018138 0,000017365 0,000016624 0,000015912 0,000015230 0,000014575 0,000013948 0,000013346 0,000012769 0,000012215 0,000011685 0,000011176 0,000010689 0,000010221 0,000009774 0,000009345 0,000008934 0,000008540 0,000008163 0,000007801 0,000007455 0,000007124 0,000006807 0,000006503 0,000006212 0,000005934 0,000005668 0,000005413 0,000005169 0,000004935 0,000004712 0,000004498 0,000004294 0,000004098 0,000003911 0,000003732 0,000003561
126 Z 4,50 4,51 4,52 4,53 4,54 4,55 4,56 4,57 4,58 4,59 4,60 4,61 4,62 4,63 4,64 4,65 4,66 4,67 4,68 4,69 4,70 4,71 4,72 4,73 4,74 4,75 4,76 4,77 4,78 4,79 4,80 4,81 4,82 4,83 4,84 4,85 4,86 4,87 4,88 4,89 4,90 4,91 4,92 4,93 4,94 4,95 4,96 4,97 4,98 4,99
´ Area 0,000003398 0,000003241 0,000003092 0,000002949 0,000002813 0,000002682 0,000002558 0,000002439 0,000002325 0,000002216 0,000002112 0,000002013 0,000001919 0,000001828 0,000001742 0,000001660 0,000001581 0,000001506 0,000001434 0,000001366 0,000001301 0,000001239 0,000001179 0,000001123 0,000001069 0,000001017 0,000000968 0,000000921 0,000000876 0,000000834 0,000000793 0,000000755 0,000000718 0,000000683 0,000000649 0,000000617 0,000000587 0,000000558 0,000000530 0,000000504 0,000000479 0,000000455 0,000000433 0,000000411 0,000000391 0,000000371 0,000000352 0,000000335 0,000000318 0,000000302
Z 5,00 5,01 5,02 5,03 5,04 5,05 5,06 5,07 5,08 5,09 5,10 5,11 5,12 5,13 5,14 5,15 5,16 5,17 5,18 5,19 5,20 5,21 5,22 5,23 5,24 5,25 5,26 5,27 5,28 5,29 5,30 5,31 5,32 5,33 5,34 5,35 5,36 5,37 5,38 5,39 5,40 5,41 5,42 5,43 5,44 5,45 5,46 5,47 5,48 5,49
´ Area 0,000000287 0,000000272 0,000000258 0,000000245 0,000000233 0,000000221 0,000000210 0,000000199 0,000000189 0,000000179 0,000000170 0,000000161 0,000000153 0,000000145 0,000000137 0,000000130 0,000000123 0,000000117 0,000000111 0,000000105 0,000000100 0,000000094 0,000000089 0,000000085 0,000000080 0,000000076 0,000000072 0,000000068 0,000000065 0,000000061 0,000000058 0,000000055 0,000000052 0,000000049 0,000000046 0,000000044 0,000000042 0,000000039 0,000000037 0,000000035 0,000000033 0,000000032 0,000000030 0,000000028 0,000000027 0,000000025 0,000000024 0,000000023 0,000000021 0,000000020
Tabela B.1: Tabela Normal 6σ
Z 5,50 5,51 5,52 5,53 5,54 5,55 5,56 5,57 5,58 5,59 5,60 5,61 5,62 5,63 5,64 5,65 5,66 5,67 5,68 5,69 5,70 5,71 5,72 5,73 5,74 5,75 5,76 5,77 5,78 5,79 5,80 5,81 5,82 5,83 5,84 5,85 5,86 5,87 5,88 5,89 5,90 5,91 5,92 5,93 5,94 5,95 5,96 5,97 5,98 5,99 6,00
´ Area 0,000000019 0,000000018 0,000000017 0,000000016 0,000000015 0,000000014 0,000000013 0,000000013 0,000000012 0,000000011 0,000000011 0,000000010 0,000000010 0,000000009 0,0000000085 0,0000000080 0,0000000076 0,0000000071 0,0000000067 0,0000000064 0,0000000060 0,0000000056 0,0000000053 0,0000000050 0,0000000047 0,0000000045 0,0000000042 0,0000000040 0,0000000037 0,0000000035 0,0000000033 0,0000000031 0,0000000029 0,0000000028 0,0000000026 0,0000000025 0,0000000023 0,0000000022 0,0000000021 0,0000000019 0,0000000018 0,0000000017 0,0000000016 0,0000000015 0,0000000014 0,0000000013 0,0000000013 0,0000000012 0,0000000011 0,0000000010 0,0000000010
B. Tabelas Estat´ısticas
127
• Distribui¸ca˜o T-Student GLα/2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 40 60 120 maior
0,10 3,078 1,886 1,638 1,533 1,576 1,440 1,415 1,397 1,383 1,372 1,363 1,356 1,350 1,345 1,341 1,337 1,333 1,330 1,328 1,325 1,323 1,321 1,319 1,318 1,316 1,315 1,314 1,313 1,311 1,310 1,303 1,296 1,289 1,282
0,05 6,314 2,920 2,353 2,132 2,015 1,943 1,895 1,860 1,833 1,812 1,796 1,782 1,771 1,761 1,753 1,745 1,740 1,734 1,729 1,725 1,721 1,717 1,714 1,711 1,708 1,706 1,703 1,701 1,699 1,697 1,684 1,671 1,658 1,645
0,025 12,706 4,303 3,182 2,776 2,571 2,447 2,365 2,306 2,262 2,228 2,201 2,179 2,160 2,145 2,131 2,120 2,110 2,101 2,093 2,086 2,080 2,074 2,069 2,064 2,060 2,056 2,052 2,048 2,045 2,042 2,021 2,000 1,980 1,960
0,01 31,821 6,965 4,541 3,747 3,365 3,143 2,998 2,896 2,821 2,764 2,718 2,681 2,650 2,624 2,602 2,583 2,567 2,552 2,539 2,528 2,518 2,508 2,500 2,492 2,485 2,479 2,473 2,467 2,462 2,457 2,423 2,390 2,358 2,326
Tabela B.2: Distribui¸ca˜o T-Student
B. Tabelas Estat´ısticas
128
• Tabela do Teste de Grubbs N´ umero de Laborat´ orios 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
5% de Significˆ ancia 1,15 1,48 1,71 1,89 2,02 2,13 2,21 2,29 2,36 2,41 2,46 2,51 2,55 2,59 2,62 2,65 2,68 2,71
Tabela B.3: Tabela de Grubbs
B. Tabelas Estat´ısticas • Distribui¸ca˜o de Fisher-Snedecor
129
G.L. Denom. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 60 120 ∞
1 647,8 38,50 17,44 12,21 10,00 8,813 8,073 7,571 7,209 6,937 6,724 6,554 6,414 6,298 6,2 6,115 6,042 5,978 5,922 5,871 5,827 5,786 5,75 5,717 5,686 5,659 5,633 5,61 5,588 5,568 5,286 5,152 5,024
3 864,2 39,17 15,44 9,98 7,75 6,599 5,89 5,416 5,078 4,826 4,63 4,474 4,347 4,242 4,153 4,077 4,011 3,954 3,903 3,859 3,819 3,783 3,75 3,721 3,694 3,67 3,647 3,626 3,607 3,589 3,343 3,227 3,116
4 899,58 39,248 15,101 9,605 7,388 6,227 5,523 5,053 4,718 4,468 4,275 4,121 3,996 3,892 3,804 3,729 3,665 3,608 3,559 3,515 3,475 3,44 3,408 3,379 3,353 3,329 3,307 3,286 3,267 3,25 3,008 2,894 2,786
5 921,84 39,298 14,885 9,364 7,146 5,988 5,285 4,817 4,484 4,236 4,044 3,891 3,767 3,663 3,576 3,502 3,438 3,382 3,333 3,289 3,25 3,215 3,183 3,155 3,129 3,105 3,083 3,063 3,044 3,026 2,786 2,674 2,567
6 937,11 39,331 14,735 9,197 6,978 5,82 5,119 4,652 4,32 4,072 3,881 3,728 3,604 3,501 3,415 3,341 3,277 3,221 3,172 3,128 3,09 3,055 3,023 2,995 2,969 2,945 2,923 2,903 2,884 2,867 2,627 2,515 2,408
7 948,21 39,355 14,624 9,074 6,853 5,695 4,995 4,529 4,197 3,95 3,759 3,607 3,483 3,38 3,293 3,219 3,156 3,1 3,051 3,007 2,969 2,934 2,902 2,874 2,848 2,824 2,802 2,782 2,763 2,746 2,507 2,395 2,288
Graus de 8 956,65 39,373 14,54 8,98 6,757 5,6 4,899 4,433 4,102 3,855 3,664 3,512 3,388 3,285 3,199 3,125 3,061 3,005 2,956 2,913 2,874 2,839 2,808 2,779 2,753 2,729 2,707 2,687 2,669 2,651 2,412 2,299 2,192
liberdade do numerador 9 10 15 963,29 968,63 984,87 39,387 39,398 39,431 14,473 14,419 14,253 8,905 8,844 8,657 6,681 6,619 6,428 5,523 5,461 5,269 4,823 4,761 4,568 4,357 4,295 4,101 4,026 3,964 3,769 3,779 3,717 3,522 3,588 3,526 3,33 3,436 3,374 3,177 3,312 3,25 3,053 3,209 3,147 2,949 3,123 3,06 2,862 3,049 2,986 2,788 2,985 2,922 2,723 2,929 2,866 2,667 2,88 2,817 2,617 2,837 2,774 2,573 2,798 2,735 2,534 2,763 2,7 2,498 2,731 2,668 2,466 2,703 2,64 2,437 2,677 2,613 2,411 2,653 2,59 2,387 2,631 2,568 2,364 2,611 2,547 2,344 2,592 2,529 2,325 2,575 2,511 2,307 2,334 2,27 2,061 2,222 2,157 1,945 2,114 2,048 1,833 20 993,103 39,448 14,167 8,56 6,329 5,168 4,467 3,999 3,667 3,419 3,226 3,073 2,948 2,844 2,756 2,681 2,616 2,559 2,509 2,464 2,425 2,389 2,357 2,327 2,3 2,276 2,253 2,232 2,213 2,195 1,944 1,825 1,708
25 998,08 39,458 14,115 8,501 6,268 5,107 4,405 3,937 3,604 3,355 3,162 3,008 2,882 2,778 2,689 2,614 2,548 2,491 2,441 2,396 2,356 2,32 2,287 2,257 2,23 2,205 2,183 2,161 2,142 2,124 1,869 1,746 1,626
30 1001,41 39,46 14,08 8,46 6,23 5,07 4,36 3,89 3,56 3,31 3,12 2,96 2,84 2,73 2,64 2,57 2,5 2,44 2,39 2,35 2,31 2,27 2,24 2,21 2,18 2,16 2,13 2,11 2,09 2,07 1,82 1,69 1,57
60 1009,8 39,48 13,99 8,36 6,12 4,96 4,25 3,78 3,45 3,2 3 2,85 2,72 2,61 2,52 2,45 2,38 2,32 2,27 2,22 2,18 2,14 2,11 2,08 2,05 2,03 2 1,98 1,96 1,94 1,667 1,529 1,388
Tabela B.4: Distribui¸ca˜o de Fisher-Snedecor - Valores fC tais que P (F ≥ fC ) = 0,025
2 799,5 39 16,04 10,64 8,434 7,26 6,542 6,059 5,715 5,456 5,256 5,096 4,965 4,857 4,765 4,687 4,619 4,56 4,508 4,461 4,42 4,383 4,349 4,319 4,291 4,265 4,242 4,221 4,201 4,182 3,925 3,805 3,689
120 1014,02 39,49 13,95 8,31 6,07 4,9 4,2 3,73 3,39 3,14 2,94 2,79 2,66 2,55 2,46 2,38 2,32 2,26 2,2 2,16 2,11 2,08 2,04 2,01 1,98 1,95 1,93 1,91 1,89 1,87 1,581 1,433 1,268
∞ 1018,26 39,5 13,9 8,26 6,02 4,85 4,14 3,67 3,33 3,08 2,88 2,72 2,6 2,49 2,4 2,32 2,25 2,19 2,13 2,09 2,04 2 1,97 1,94 1,91 1,88 1,85 1,83 1,81 1,79 1,482 1,31 1,004
B. Tabelas Estat´ısticas 130
G.L. Denom. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 60 120 ∞
1 0,0015 0,0013 0,0012 0,0011 0,0011 0,0011 0,0011 0,0010 0,0010 0,0010 0,0010 0,0010 0,0010 0,0010 0,0010 0,0010 0,0010 0,0010 0,0010 0,0010 0,0010 0,0010 0,0010 0,0010 0,0010 0,0010 0,0010 0,0010 0,0010 0,0010 0,0010 0,0010 0,0010
3 0,0573 0,0623 0,0648 0,0662 0,0672 0,0679 0,0684 0,0688 0,0691 0,0694 0,0696 0,0698 0,0699 0,0700 0,0702 0,0703 0,0704 0,0704 0,0705 0,0706 0,0706 0,0707 0,0708 0,0708 0,0708 0,0709 0,0709 0,0710 0,0710 0,0710 0,0715 0,0717 0,0719
4 0,0818 0,0939 0,1002 0,1041 0,1068 0,1087 0,1102 0,1114 0,1123 0,1131 0,1137 0,1143 0,1147 0,1152 0,1155 0,1158 0,1161 0,1164 0,1166 0,1168 0,1170 0,1172 0,1173 0,1175 0,1176 0,1178 0,1179 0,1180 0,1181 0,1182 0,1196 0,1203 0,1211
5 0,0999 0,1186 0,1288 0,1354 0,1399 0,1433 0,1459 0,1480 0,1497 0,1511 0,1523 0,1533 0,1541 0,1549 0,1556 0,1562 0,1567 0,1572 0,1576 0,1580 0,1584 0,1587 0,1590 0,1593 0,1595 0,1598 0,1600 0,1602 0,1604 0,1606 0,1633 0,1648 0,1662
6 0,1135 0,1377 0,1515 0,1606 0,1670 0,1718 0,1756 0,1786 0,1810 0,1831 0,1849 0,1864 0,1877 0,1888 0,1898 0,1907 0,1915 0,1922 0,1929 0,1935 0,1940 0,1945 0,1950 0,1954 0,1958 0,1962 0,1965 0,1968 0,1971 0,1974 0,2017 0,2039 0,2062
Graus de liberdade do 7 8 9 0,1239 0,1321 0,1387 0,1529 0,1650 0,1750 0,1698 0,1846 0,1969 0,1811 0,1979 0,2120 0,1892 0,2076 0,2230 0,1954 0,2150 0,2315 0,2002 0,2208 0,2383 0,2041 0,2256 0,2438 0,2073 0,2295 0,2484 0,2100 0,2328 0,2523 0,2123 0,2357 0,2556 0,2143 0,2381 0,2585 0,2161 0,2403 0,2611 0,2176 0,2422 0,2633 0,2189 0,2438 0,2653 0,2201 0,2453 0,2671 0,2212 0,2467 0,2687 0,2222 0,2479 0,2702 0,2231 0,2490 0,2715 0,2239 0,2500 0,2727 0,2246 0,2510 0,2738 0,2253 0,2518 0,2749 0,2259 0,2526 0,2758 0,2265 0,2533 0,2767 0,2270 0,2540 0,2775 0,2275 0,2547 0,2783 0,2280 0,2552 0,2790 0,2284 0,2558 0,2797 0,2288 0,2563 0,2803 0,2292 0,2568 0,2809 0,2351 0,2642 0,2899 0,2382 0,2682 0,2948 0,2414 0,2725 0,3000
Numerador 10 15 0,1442 0,1613 0,1833 0,2099 0,2072 0,2408 0,2238 0,2629 0,2361 0,2796 0,2456 0,2929 0,2532 0,3036 0,2594 0,3126 0,2646 0,3202 0,2690 0,3268 0,2729 0,3325 0,2762 0,3375 0,2791 0,3419 0,2817 0,3458 0,2840 0,3494 0,2860 0,3526 0,2879 0,3555 0,2896 0,3582 0,2911 0,3606 0,2925 0,3629 0,2938 0,3649 0,2950 0,3668 0,2961 0,3686 0,2971 0,3703 0,2981 0,3718 0,2990 0,3733 0,2998 0,3746 0,3006 0,3759 0,3013 0,3771 0,3020 0,3783 0,3127 0,3962 0,3185 0,4063 0,3247 0,4175 20 0,1703 0,2242 0,2592 0,2845 0,3040 0,3197 0,3325 0,3433 0,3525 0,3605 0,3675 0,3737 0,3792 0,3842 0,3886 0,3927 0,3964 0,3998 0,4029 0,4058 0,4084 0,4109 0,4132 0,4154 0,4174 0,4193 0,4210 0,4227 0,4243 0,4258 0,4498 0,4638 0,4795
25 0,1759 0,2331 0,2707 0,2982 0,3196 0,3369 0,3511 0,3632 0,3736 0,3826 0,3906 0,3976 0,4039 0,4096 0,4148 0,4195 0,4238 0,4277 0,4313 0,4347 0,4378 0,4407 0,4434 0,4460 0,4484 0,4506 0,4527 0,4547 0,4566 0,4584 0,4874 0,5048 0,5248
30 0,1796 0,2391 0,2786 0,3077 0,3304 0,3488 0,3642 0,3772 0,3884 0,3982 0,4069 0,4146 0,4215 0,4278 0,4334 0,4386 0,4434 0,4477 0,4518 0,4555 0,4590 0,4623 0,4653 0,4682 0,4709 0,4734 0,4758 0,4780 0,4802 0,4822 0,5155 0,5358 0,5597
60 0,1892 0,2548 0,2992 0,3325 0,3589 0,3806 0,3989 0,4147 0,4284 0,4405 0,4513 0,4610 0,4698 0,4778 0,4851 0,4919 0,4981 0,5039 0,5093 0,5143 0,5190 0,5234 0,5275 0,5314 0,5351 0,5386 0,5419 0,5451 0,5481 0,5509 0,6000 0,6320 0,6750
Tabela B.5: Distribui¸ca˜o de Fisher-Snedecor. Valores fC tais que P (F ≥ fC ) = 0,975
2 0,0260 0,0256 0,0255 0,0255 0,0254 0,0254 0,0254 0,0254 0,0254 0,0254 0,0254 0,0254 0,0254 0,0254 0,0254 0,0254 0,0254 0,0254 0,0254 0,0253 0,0253 0,0253 0,0253 0,0253 0,0253 0,0253 0,0253 0,0253 0,0253 0,0253 0,0253 0,0253 0,0253
120 0,1941 0,2628 0,3099 0,3455 0,3740 0,3976 0,4176 0,4349 0,4501 0,4636 0,4757 0,4867 0,4966 0,5057 0,5141 0,5219 0,5291 0,5358 0,5421 0,5480 0,5535 0,5587 0,5636 0,5683 0,5727 0,5769 0,5809 0,5847 0,5883 0,5917 0,654 0,698 0,763
∞ 0,1990 0,2711 0,3209 0,3590 0,3896 0,4152 0,4371 0,4562 0,4731 0,4882 0,5018 0,5142 0,5256 0,5360 0,5457 0,5547 0,5631 0,5709 0,5783 0,5853 0,5919 0,5981 0,6041 0,6097 0,6151 0,6202 0,6251 0,6298 0,6343 0,6386 0,72 0,788 0,996
B. Tabelas Estat´ısticas 131
B. Tabelas Estat´ısticas
132
• Distribui¸ca˜o Qui-quadrado Graus de liberdade 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
97, 50% 0,001 0,051 0,216 0,48 0,83 1,24 1,69 2,18 2,7 3,25 3,82 4,4 5,01 5,63 6,26 6,91 7,56 8,23 8,91 9,59 10,28 10,98 11,69 12,4 13,12 13,84 14,57 15,31 16,05 16,79
95% 0,004 0,103 0,352 0,71 1,15 1,64 2,17 2,73 3,33 3,94 4,57 5,23 5,89 6,57 7,26 7,96 8,67 9,39 10,12 10,85 11,59 12,34 13,09 13,85 14,61 15,38 16,15 16,93 17,71 18,49
5% 3,841 5,991 7,815 9,49 11,07 12,59 14,07 15,51 16,92 18,31 19,68 21,03 22,36 22,68 25 26,3 27,59 28,87 30,14 31,41 32,67 33,92 35,17 36,42 37,65 38,89 40,11 41,34 42,56 43,77
2, 50% 5,024 7,378 9,348 11,14 12,83 14,45 16,01 17,53 19,02 20,48 21,92 23,34 24,74 26,12 27,49 28,85 30,19 31,53 32,85 34,17 35,48 36,78 38,08 39,36 40,65 41,92 43,19 44,46 45,72 46,98
Tabela B.6: Distribui¸ca˜o Qui-quadrado. Valores vC tais que P (χ2 ≥ vC ) = p
133
Referˆ encias Bibliogr´ aficas [1] Bussab, W. O. e Morettin, P. A. (1987), Estat´ıstica B´asica, 4a Edi¸ca˜o, Atual Editora. [2] Magalh˜aes, M. N. e Lima, A. C. P. De (2001), No¸c˜oes de Probabilidade e Estat´ıstica, 3a edi¸ca˜o, Editora USP. [3] Meyer, P. L. (1983), Probabilidade: Aplica¸c˜oes `a Estat´ıstica, 2a edi¸ca˜o, Livros t´ecnicos e Cient´ıficos Editora. [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 Measurement. 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. [7] Vers˜ao Brasileira do Documento de Referˆencia EA-4/02, Express˜ao da Incerteza em Medi¸c˜ao, Volumes I e II. [8] Montgomery, D. C. (1997), Design and Analysis of Experiments, Fourth Edition - Ed. John Wiley & Sons. [9] Ripley, B. D. (1987), Stochastic Simulation, Wiley: New York. [10] Wichmann, B. A. e Hill, I. D. (1982), “Algorithm AS 183: An Efficient and Portable Pseudo-random Number Generator”, Applied Statistics, vol 31, p 188-190.