You are on page 1of 109

Clculo de Incerteza de Medio

Estatcamp Consultoria Estatstica e em Qualidade


Rua: Adolfo Catani, 682
Jardim Macarengo CEP: 13560-470 So Carlos/SP
Fone/Fax: (16)3376-2047
e-mail: estatistica@estatcamp.com.br
www.estatcamp.com.br
Dezembro / 2007

First Prev Next Last Go Back Full Screen Close Quit

Sumrio
1

Introduo

Coleta de Dados

Dados Quantitativos

3.1

Dados Quantitativos Discretos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Distribuio de Freqncias

11

Histograma

17

Medidas de Posio

19

Medidas de Disperso

24

Outras Estatsticas Descritivas

30

A Distribuio Normal

35

First Prev Next Last Go Back Full Screen Close Quit

10 Teorema do Limite Central

51

11 Estudos de MSA: Varivel

60

11.1 Estabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
12 Mtodo da ANOVA

75

13 Incerteza de Medio

99

13.1 Erro de Medio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99


13.2 Tipos de Erros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
13.3 Incerteza de Medio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
13.4 Tipos de Incertezas de Medio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
13.4.1 Equao de medio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
13.4.2 Avaliao da Fonte de Incerteza tipo A . . . . . . . . . . . . . . . . . . . . . . . . . 103
13.4.3 Avaliao da Incerteza tipo B : Herdada . . . . . . . . . . . . . . . . . . . . . . . . . 103
13.4.4 Avaliao da Incerteza tipo B : Limites de variao . . . . . . . . . . . . . . . . . . . 104
13.4.5 Avaliao da Incerteza tipo B : Limites de variao (triangular) . . . . . . . . . . . 105
13.5 Incerteza Combinada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105

First Prev Next Last Go Back Full Screen Close Quit

13.6 Incerteza Expandida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106


13.7 Comprovao Metrolgica - Equipamento de Medio . . . . . . . . . . . . . . . . . . . . 107

First Prev Next Last Go Back Full Screen Close Quit

1.

Introduo

A variabilidade est presente em todo lugar.


As tcnicas estatsticas so utilizadas para avaliarmos as variaes.

Etapas para a aplicao de tcnicas estatstica:


Coleta dos dados - Amostragem;
Exposio dos dados;
Modelos Estatsticos.

First Prev Next Last Go Back Full Screen Close Quit

2.

Coleta de Dados

Uma populao um agregado de elementos (finitos ou no) para o qual deseja-se obter informaes
sobre algumas de suas caractersticas. Uma amostra uma parcela de uma populao que pode conter
informaes sobre a populao.

Planejando a Coleta de Dados - Amostragem


Qual a pergunta a ser respondida?
Como comunicar a resposta obtida?
Qual ferramenta de anlise pretende-se usar e como sero comunicados os resultados?
Quais tipos de dados so necessrios para utilizar as ferramentas desejadas e responder a pergunta?

First Prev Next Last Go Back Full Screen Close Quit

Onde acessar estes dados?


Como coletar esse dados com o mnimo de esforo e de erro?
Quais informaes adicionais sero necessrias para estudos futuros, referncias ou reconhecimento?
Os Dados podem ser classificados como:

Figura 1: Classificao dos Dados

First Prev Next Last Go Back Full Screen Close Quit

3.

Dados Quantitativos
A caracterstica observada assume valores numricos.

3.1.

Dados Quantitativos Discretos

Neste caso os dados observados formam um conjuto finito ou enumervel de nmeros.


Medidas Quantitativas Contnuas
Quando os possveis valores incluem todos os nmeros do intervalo de variao da caracterstica
medida. Ao medirmos um bloco padro com um micrmetro externo obtemos uma medida quantitativa
contnua.

First Prev Next Last Go Back Full Screen Close Quit

Exemplo 3.1 Na calibrao de um micrmetro externo, o avaliador tomou 10 pontos (ou blocos padro) com 10
leituras de cada ponto. Os desvios de cada leitura em relao ao valor do ponto esto na tabela 1.

-0,012

0,003

0,015

0,012

-0,018

0,013

-0,015

0,002

-0,006

0,012

0,008

-0,001

0,000

0,003

-0,008

0,008

0,017

0,013

0,002

-0,002

-0,002

0,006

-0,021

-0,001

0,000

0,007

-0,009

0,018

0,000

0,010

-0,006

0,000

0,009

-0,011

0,000

-0,006

-0,001

0,012

0,004

-0,002

0,000

-0,012

0,001

0,006

0,000

-0,002

-0,004

0,012

0,003

0,020

0,024

-0,003

-0,011

-0,007

-0,009

0,018

-0,017

0,006

-0,004

0,019

0,016

0,012

-0,002

-0,007

-0,013

0,008

-0,013

0,001

0,017

0,012

0,006

0,008

0,004

0,002

0,006

0,000

-0,008

0,017

-0,002

0,019

-0,005

-0,008

0,013

-0,004

0,001

-0,005

0,000

-0,007

0,012

-0,003

0,004

0,002

-0,004

0,002

0,011

-0,012

-0,011

0,003

0,002

-0,006

Tabela 1: Desvios

First Prev Next Last Go Back Full Screen Close Quit

Podemos fazer a apurao considerando intervalos de medidas como apresentado na tabela 2.


Intervalos

No de Desvios

0, 021 ` 0, 017

0, 017 ` 0, 013

0, 013 ` 0, 009

0, 009 ` 0, 005

12

0, 005 ` 0, 001

15

0, 001 `

0, 003

22

0, 003 `

0, 007

0, 007 `

0, 011

0, 011 `

0, 015

11

0, 015 `

0, 019

0, 019 `

0, 024

Tabela 2: Freqncia absoluta

First Prev Next Last Go Back Full Screen Close Quit

4.

Distribuio de Freqncias

Com as tabelas e/ou grficos em mos, apresentando uma melhor visualizao dos dados, muitas vezes
j temos condies de interpretar o fenmeno em estudo. Entretanto, em muitos casos h necessidade
de se efetuar operaes numricas para se chegar a concluses mais slidas.

Dados Contnuos:
Vejamos o exemplo 3.1, com APURAO na tabela 2. Note que neste exemplo a varivel de interesse
o "Desvio"enquanto que "Nmero de Desvios"representa a freqncia de medidas em cada intervalo
(Tabela 2).

First Prev Next Last Go Back Full Screen Close Quit

Definies:
Freqncia Absoluta ( fi ): o nmero de observaes correspondentes a cada intervalo. A freqncia
absoluta , geralmente, chamada apenas de freqncia. No exemplo anterior, a freqncia o nmero
de desvios. Para um dado intervalo i, denotaremos a freqncia absoluta correspondente por fi . Assim,
por exemplo, a freqncia do quarto intervalo f4 = 12.
Freqncia Relativa ( f ri ): o quociente entre a freqncia absoluta e o nmero total de observaes,
e ser denotada por f ri . Isto , f ri =
exemplo, f r4 =

12
100

fi
n

onde n representa o nmero total de observaes. No nosso

= 0, 12, onde n = 100.

Freqncia Percentual: (pi ): conseguida multiplicando-se a freqncia relativa por 100


p4 =

12
100% = 12%
100

First Prev Next Last Go Back Full Screen Close Quit

Freqncia Acumulada: o total acumulado (soma) de todas as classes anteriores at a classe atual.
Pode ser Freqncia Acumulada Absoluta (Fi ), Freqncia Acumulada Relativa (Fri ), ou Freqncia
Acumulada Percentual (Pi ).
Ponto Mdio (xi ): obtido somando o limite inferior e o limite superior de cada intervalo e dividindo o
resultado por 2. Este ponto se constitui no valor representativo de cada intervalo. No caso do primeiro
intervalo, no exemplo dado, temos:
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 atravs de uma tabela completa. Como Freqncia Acumulada iremos apresentar
somente a Freqncia Acumulada Percentual.

First Prev Next Last Go Back Full Screen Close Quit

Dimetro

Xi

fi

f ri

pi (%)

Pi (%)

0, 021 ` 0, 017

0, 019

0, 03

0, 017 ` 0, 013

0, 015

0, 03

0, 013 ` 0, 009

0, 011

0, 08

14

0, 009 ` 0, 005

0, 007

12

0, 12

12

26

0, 005 ` 0, 001

0, 003

15

0, 15

15

41

0, 001 `

0, 003

0, 001

22

0, 22

22

63

0, 003 `

0, 007

0, 005

0, 09

72

0, 007 `

0, 011

0, 009

0, 07

79

0, 011 `

0, 015

0, 013

11

0, 11

11

90

0, 015 `

0, 019

0, 017

0, 08

98

0, 019 `

0, 024

0, 021

0, 02

100

Tabela 3: Distribuio de freqncias

First Prev Next Last Go Back Full Screen Close Quit

Algumas indicaes na construo da distribuio de freqncias so:


1. Na medida do possvel, as classes devero ter amplitudes iguais.
2. Escolher os limites dos intervalos entre duas possveis observaes.
3. O nmero de intervalos no deve ultrapassar 20.
4. Escolher limites que facilitem o agrupamento.
5. Marcar os pontos mdios dos intervalos.
6. Ao construir o histograma, cada retngulo dever ter rea proporcional freqncia relativa (ou
freqncia absoluta, o que d no mesmo) correspondente.
7. Um critrio para determinar os intervalos (classes) :

First Prev Next Last Go Back Full Screen Close Quit

Tamanho da Amostra (n)

Nmero de Classes (c)

30 a 50

5a7

51 a 100

6 a 11

101 a 250

7 a 13

acima de 250

10 a 20

Tabela 4: Nmero de classes

Determinao 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.

First Prev Next Last Go Back Full Screen Close Quit

5.

Histograma

Uma representao grfica da distribuio de freqncia, como as anteriores, o Histograma. um


grfico onde a freqncia relativa do intervalo i ( f ri ) representada pela rea de um retngulo que
colocado acima do ponto mdio da classe i. Consequentemente, a rea total do histograma (igual
a soma das reas de todos os retngulos) ser igual a "1". No caso em que os intervalos sejam de
tamanhos (amplitudes) iguais, as alturas dos retngulos sero iguais s freqncias relativas (ou iguais
s freqncias absolutas) dos intervalos correspondentes. Para a distribuio de freqncias da tabela
3, o histograma correspondente o seguinte:

First Prev Next Last Go Back Full Screen Close Quit

Figura 2: Histograma dos desvios

Ao analisarmos a distribuio de freqncia dos desvios, observamos que 15% das observaes encontramse entre 0, 005 a 0, 001 e que pelo menos 10% das observaes esto acima de 0, 015.

First Prev Next Last Go Back Full Screen Close Quit

6.

Medidas de Posio

Essas medidas visam representar "onde"os valores esto localizados ou posicionados. As mais usuais
so mdia aritmtica, mediana e moda.
Mdia Aritmtica: A mdia aritmtica, ou simplesmente Mdia, calculada somando-se os valores das
observaes e dividindo-se o resultado pelo nmero de valores. Notao:
xi : cada valor individual.
x : mdia de uma amostra.
: mdia da populao.
n : tamanho da amostra.
N : tamanho do universo (populao).
Dado uma populao e uma amostra {x1 , . . . , xn } retirada desta populao, a mdia amostral dada por
:
x=

x1 + x2 +, . . . , +xn
n
First Prev Next Last Go Back Full Screen Close Quit

Quando a amostra igual a populao {x1 , . . . , xN } a mdia populacional dada por:


=

x1 + x2 +, . . . , +xN
N

Exemplo 6.1 No exemplo dos desvios das 100 leituras x= 0, 00161. Confira !!! O ideal que o desvio seja zero.
Entretanto, h um pequeno deslocamento.
Exemplo 6.2 Foram realizadas 5 leituras de uma massa padro com valor nominal 2, 45g com um comparador.
Os valores foram: 2, 45; 2, 46; 2, 45; 2, 44; 2, 45. A mdia amostral para as medidas da massa :
x=

2, 45 + 2, 46 + 2, 45 + 2, 44 + 2, 45 12, 25
=
= 2, 45 .
5
5

A mdia das 5 leitura x= 2, 45.

First Prev Next Last Go Back Full Screen Close Quit

Mediana: Para calcular a mediana devemos, em primeiro lugar, ordenar os dados do menor para o
maior valor. Se o nmero de observaes for mpar, a mediana ser a observao central. Se o nmero
de observaes for par, a mediana ser a mdia aritmtica das duas observaes centrais.

Notao : A mediana ser denotada por x.


Exemplo 6.3 Nos dados referentes ao exemplo 3, obtemos a seguinte ordenao: 2, 44; 2, 45; 2, 45; 2, 45; 2, 46.
Como o nmero de observaes mpar, a mediana o valor central, isto , x = 2, 45.

First Prev Next Last Go Back Full Screen Close Quit

Exemplo 6.4 Consideremos os seguintes dados correspondentes aos comprimentos de 8 rolos de fio de ao: 65,
72, 70, 77, 60, 67, 69, 68.
Ordenando os valores, temos: 60, 65, 67, 68, 69, 70, 72, 77.
Como o nmero de observaes 8, portanto par, a mediana dada pela mdia dos dois valores centrais que so 68
e 69, isto :
x=

68 + 69
= 68, 5
2

First Prev Next Last Go Back Full Screen Close Quit

Moda: A moda de um conjunto de valores o valor que apresenta a maior freqncia.


Notao: A moda ser denotada por Mo.
No exemplo 6.3, a moda Mo = 2,45. Confira !

First Prev Next Last Go Back Full Screen Close Quit

7.

Medidas de Disperso

Disperso sinnimo de variao ou variabilidade. Para medir a disperso so usadas mais freqentemente duas medidas: a amplitude e o desvio padro.
Amplitude:
A amplitude definida como sendo a diferena entre o maior e o menor valor do conjunto de dados.
Denotaremos a amplitude por R.
Exemplo 7.1 Os comprimentos de 8 rolos de fio de ao foram: 60, 65, 67, 68, 69, 70, 72, 77 . A amplitude deste
conjunto :
R = 77 60 = 17
Para definirmos desvio padro necessrio definir varincia. A notao mais comumente usada :

First Prev Next Last Go Back Full Screen Close Quit

Desvio Padro:
s2 : Varincia amostral.
2 : Varincia populacional.
s : Desvio padro amostral.
: Desvio padro populacional.
A varincia de uma populao {x1 , . . . , xN } de N elementos a medida de disperso definida como a
mdia do quadrado do desvios dos elementos em relao mdia . Ou seja, a varincia populacional
dada por:
=
2

N
X
(xi )2
i=1

A varincia de uma amostra {x1 , . . . , xn } de n elementos definida como a soma dos quadrados dos
desvios de elementos em relao sua mdia x dividido por (n 1). Ou seja, a varincia amostral
dada por:
First Prev Next Last Go Back Full Screen Close Quit

s2 =

n
X
(xi x)2
n1
i=1

Ao utilizarmos a mdia amostral como estimador de para calcularmos a varincia amostral, perdemos
1 grau de liberdade em relao varincia populacional. O desvio padro de um conjunto de dados
igual raiz quadrada positiva da varincia. Assim, o desvio padro populacional dado por:
v
t
N
X

(xi )2
2
= =
N
1=i
E o desvio padro amostral dado por:
v
t

s=

s2

n
X
(xi x)2
n1
1=i

First Prev Next Last Go Back Full Screen Close Quit

Exemplo 7.2 Suponha a amostra dos comprimentos de 8 rolos de fio de ao cujos valores foram: 65, 72, 70, 77,
60, 67, 69, 68. Para calcularmos o desvio padro devemos primeiramente calcular a mdia X, isto :
x =

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-los. Ento dividimos o
total dos quadrados pelo nmero de valores menos 1, ou seja, por (n 1) e extramos a raiz quadrada:

First Prev Next Last Go Back Full Screen Close Quit

(x x)2

(x x)
65 - 68, 5

= 3, 5

(3, 5)2

12, 25

72 - 68, 5

3, 5

(3, 5)2

12, 25

70 - 68, 5

l, 5

(1, 5)2

2, 2

77 - 68, 5

8, 5

(8, 5)2

72, 25

60 - 68, 5

= 8, 5

(8, 5)2

72, 25

67 - 68, 5

= 1, 5

(1, 5)2

2, 25

69 - 68, 5

0, 5

(0, 5)2

0, 25

68 - 68, 5

0, 5

(0, 5)2

0, 25

Total

= 174.00

Tabela 5: Clculo do Desvio Padro

s2 =

174
= 24 s = 24 s = 4, 9
7

Portanto o desvio padro 4, 9.

First Prev Next Last Go Back Full Screen Close Quit

Exemplo 7.3 No exemplo 1, que trata os desvios das leituras do micrmetro referente ao valor do padro, o desvio
padro igual a 0, 00957. Confira !!!.

First Prev Next Last Go Back Full Screen Close Quit

8.

Outras Estatsticas Descritivas

Uma anlise das estatsticas descritivas da amostra fundamental para resumirmos algumas informaes sobre a populao. Estas informaes so utilizadas para tomada de deciso e formao de
modelos estatsticos paramtricos.
Mnimo: Menor elemento da amostra;
Mximo: Maior elemento da amostra;
Primeiro quartil (Q1) e terceiro quartil (Q3): O conjunto de dados com n observaes ordenado
em ordem crescente.
Q1: Nmero que deixa 25% das observaes abaixo e 75% acima, isto , a observao na
posio (n+1)/4.
Q3: Nmero que deixa 75% das observaes abaixo e 25% acima, isto , a observao na
posio 3(n+1)/4.
Tri-Mdia : Removemos os 5% maiores valores e os 5% menores valores, arredondados para o
maior inteiro, e ento a mdia calculada.
First Prev Next Last Go Back Full Screen Close Quit

Skewness : Medida de assimetria. Um valor negativo indica que uma skewness est tendida
esquerda, e um valor positivo indica que a skewness est tendida direita. Um valor nulo no
necessariamente indica simetria.
A formula da Skewness :
b1 =

X
N
[(xi x)/s]3
(N 1)(N 2)

onde:
xi a n esima observao.
x a mdia das observaes
N o nmero de executadas
s o desvio padro
Kurtosis : a medida de quo diferente a distribuio difere da distribuio normal. Um valor
positivo costuma indicar um pico mais agudo, um corpo mais fino e uma calda mais gorda que a
distribuio normal. Um valor negativo indica um pico mais tnue, um corpo mais grosso e uma
calda mais fina que a distribuio normal.

First Prev Next Last Go Back Full Screen Close Quit

A frmula da Kurtosis :
b2 =

X x x
N(N + 1)
3(N 1)2
i
[
]4
(N 1)(N 2)(N 3)
s
(N 2)(N 3)

onde:
xi a n esima observao
x a mdia das observaes
N o nmero de executadas
s o desvio padro.

First Prev Next Last Go Back Full Screen Close Quit

Exemplo 8.1 Suponha a amostra dos comprimentos de 11 rolos de fio de ao cujos valores foram: 72, 70, 77, 60,
67, 69, 68, 66, 65, 71, 69.
Os dados ordenados de forma crescente : 60, 65, 66, 67, 68, 68, 69, 70, 71, 72, 77.
Os resultados sero:
Min = 60
Max = 77
A Tri-Mdia foi calculada retirando-se o maior e o menor valor do conjunto de dados e calculamos a mdia dos 9
restantes, ento:
Tri-Mdia =

65 + 66 + + 72
= 68, 56
9

Posio do Q1 =
Posio do Q3 = 3

11 + 1
=3
4



11 + 1
=9
4

Q1 = 66

Q3 = 71

First Prev Next Last Go Back Full Screen Close Quit

Skewness:

b1

(60 68, 55)3 + (65 68, 55)3 + + (77 68, 55)3


11
=
(11 1)(11 2)
(4, 32)3
= 0, 04

Kurtosis:

b2

!
3(10)2
11(12) (60 68, 55)4 + (65 68, 55)4 + + (77 68, 55)4

=
(10)(9)(8)
(9)(8)
(4, 32)4
= 1, 53

First Prev Next Last Go Back Full Screen Close Quit

9.

A Distribuio Normal

A variao natural de muitos processos industriais realmente aleatria. Embora as distribuies de


muitos processos possam assumir uma variedade de formas, muitas variveis observadas possuem
uma distribuio de freqncias que , aproximadamente, uma distribuio de probabilidade Normal.
Probabilidade a chance real de ocorrer um determinado evento, isto , a chance de ocorrer uma medida
em um determinado intervalo. Por exemplo, a freqncia relativa deste intervalo, observada partir
de uma amostra de medidas, a aproximao da probabilidade. E a distribuio de freqncias a
aproximao da distribuio de probabilidades.

First Prev Next Last Go Back Full Screen Close Quit

A distribuio normal quando tem a forma de sino:

Figura 3: Distribuio Normal

Veremos na Seo seguinte como testar se uma distribuio normal ou no. Se concluirmos que h
normalidade, possvel calcular probabilidade de intervalos de medida ocorrerem, calculando a rea
sob a curva naquele intervalo.
Para achar a rea sob a curva normal devemos conhecer dois valores numricos (tambm chamados de
parmetros), a mdia e o desvio padro .

First Prev Next Last Go Back Full Screen Close Quit

O grfico a seguir mostra algumas reas importantes:

prtica so dadas em percentagens.


Para cada valor de e/ou , temos uma distribuio. Mas para se calcular reas especficas, se faz uso de
uma distribuio particular: a "distribuio normal padronizada", tambm chamada de standartizada ou
reduzida. Esta distribuio tem mdia = 0 e desvio padro = 1, e est tabelado. Como a distribuio
First Prev Next Last Go Back Full Screen Close Quit

simtrica em relao mdia = 0, a rea direita de igual a rea esquerda de . Assim, a


tabela fornece reas acima de valores no-negativos que vo desde 0,00 at 4,09. Veja o grfico da curva
normal padronizada na Figura 4.

First Prev Next Last Go Back Full Screen Close Quit

Figura 4: Distribuio Normal Padronizada

Nota: A varivel que tem distribuio normal padronizada denotada por Z.


Exemplo 9.1 A rea sob a curva normal para Z maior do que 4,00 0,00003. Ou seja, a probabilidade de Z ser
First Prev Next Last Go Back Full Screen Close Quit

maior do que 4,00 0,003%. Veja o grfico na Figura 5

Figura 5: rea sob a curva normal

First Prev Next Last Go Back Full Screen Close Quit

Exemplo 9.2 A rea sob a curva para Z maior do que 1,00 0,1587. Ou seja, a probabilidade de Z ser maior do
que 1 15,87%. Veja o grfico na Figura 6

Figura 6: rea sob a curva normal

First Prev Next Last Go Back Full Screen Close Quit

Exemplo 9.3 A rea sob a curva para Z maior do que 1,19 0,1170, ou seja, a probabilidade de Z ser maior do
que 1,19 11,70%. Veja o grfico na Figura 7

Figura 7: rea sob a curva normal

First Prev Next Last Go Back Full Screen Close Quit

Exemplo 9.4 A rea sob a curva para Z menor do que 2,00 no fornecida diretamente pela tabela. Ento
devemos encontrar a rea para Z maior do que 2,00. Em seguida fazemos 1 menos a rea encontrada e temos a
rea desejada.
A rea sob a curva para Z maior do que 2,00 0,0228. A rea desejada 1 0, 0228 = 0, 9772. Ou seja, a
probabilidade de Z ser menor do que 2,00 97,72%. Veja o grfico na Figura 8

First Prev Next Last Go Back Full Screen Close Quit

Figura 8: rea sob a curva normal

Quando se tem uma varivel X com distribuio normal com mdia diferente de 0 (zero) e/ou desvio

First Prev Next Last Go Back Full Screen Close Quit

padro diferente de 1 (um), devemos reduzi-la a uma Z, efetuando o seguinte clculo:


Z =

Exemplo 9.5 Se considerarmos que os dimetros tem distribuio normal com mdia = 4, 888 e desvio padro
= 0, 31949 e quisermos calcular a probabilidade de um eixo apresentar dimetro inferior a 5,0 mm, fazemos:
5, 0 4, 888
= 0, 35
0, 31949
Usando a tabela da normal padronizada, temos que a rea sob a curva e abaixo de 0,35 0,6368. Ou seja, a
Z =

probabilidade de um eixo apresentar dimetro inferior a 5,0 mm 63,68%. Vejam os grficos nas Figuras 9 e 10.

First Prev Next Last Go Back Full Screen Close Quit

Figura 9: rea sob a curva normal

Exemplo 9.6 Suponha que a espessura das arruelas no exemplo 4 tenha distribuio normal com mdia 11,15 e
desvio padro 2,238. Qual a porcentagem de arruelas que tem espessura entre 8,70 e 14,70 ?
Temos que encontrar dois pontos da distribuio normal padronizada. O primeiro ponto :
8, 70 11, 15
= 1, 09
2, 238
A rea para valores maiores do que -1,09 0,8621 ou 86,21%.
Z1 =

O segundo ponto :
Z1 =

14, 70 11, 15
= 1, 58
2, 238
First Prev Next Last Go Back Full Screen Close Quit

Figura 10: rea sob a curva normal

A rea para valores maiores do que 1,58 0,0571 ou 5,71%.

First Prev Next Last Go Back Full Screen Close Quit

O que procuramos a rea entre Z1 e Z2, como mostram os grficos nas Figuras 11 e 12.

Figura 11: rea sob a curva normal

First Prev Next Last Go Back Full Screen Close Quit

Figura 12: rea sob a curva normal

Portanto, fazemos:
0, 8621 0, 0571 = 0, 8050

First Prev Next Last Go Back Full Screen Close Quit

Ou seja, a porcentagem de arruelas com espessura entre 8,70 e 14,70 (limites de tolerncia da especificao)
somente de 80,50%. Portanto, cerca de 19,50% das arruelas no atendem aos limites de especificaes. Anteriormente, havamos calculado esta porcentagem diretamente do histograma e o valor encontrado foi de 22%. A
diferena entre os dois clculos fica por conta da suposio de normalidade que fizemos.
Com os dados do exemplo 3.1, relativos aos desvios, utilize a distribuio normal para calcular a
probabilidade de que o mdulo dos desvios seja maior 0, 02.

First Prev Next Last Go Back Full Screen Close Quit

10.

Teorema do Limite Central

O teorema central do limite um resultado estatstico fundamental em aplicaes prticas, pois este
teorema garante que mesmo que os dados no sejam distribudos conforme uma distribuio normal,
a mdia dos dados converge para a distribuio normal conforme o nmero de dados aumenta. Para
ilustrar, considere os dados da tabela 6 com histograma apresentado na figura 13.

First Prev Next Last Go Back Full Screen Close Quit

Notamos que o grfico mostra que o conjunto de dados segue uma distribuio no simtrica, mas se
agruparmos os valores do conjunto de dados em grupos de 5 e tirando a mdia de cada grupo, temos o
seguinte grfico (figura 14):

First Prev Next Last Go Back Full Screen Close Quit

Percebemos que a mdia dos dados foi deslocada, fazendo com que os dados mudassem suas caractersticas de simetria. Novamente, vamos agrupar os dados em grupos de 5 e tirar a mdia. O resultados
esto na figura 15.
Como percebemos, este grfico j possui uma distribuio similar a da distribuio normal.
Teorema do Limite Central: Para amostras grandes, a distribuio amostral da mdia pode ser
aproximada pela distribuio normal.
Se combinarmos esse resultado com
x =

x =

para amostras aleatrias de populaes infinitas, temos que se a mdia de uma amostra aleatria de
tamanho n retirada de uma populao infinita com mdia e desvio padro X , para n grande
z=

/ n

representa os valores de uma varivel aleatria com distribuio normal com mdia zero e desvio
padro igual a 1.

First Prev Next Last Go Back Full Screen Close Quit

O Teorema Central do Limite de fundamental importncia em estatstica porque justifica o intenso


uso da curva normal. Ele se aplica populaes infinitas, e tambm em populaes finitas quando n,
embora grande, constitui-se em uma pequena poro da populao. difcil dizer precisamente quo
grande deve ser n para que o Teorema Central do Limite possa ser aplicado, mas a menos da distribuio
populacional tenha uma forma muito "estranha"n = 30 considerado suficientemente grande.
Nota: Quando uma amostra proveniente de uma populao realmente normal, a distribuio amostral
da mdia normal no importando o tamanho de n.
Desvio Padro da Mdia
Ao obtermos uma amostra de leituras de um equipamento, denotadas x1 , x2 , , xn , a mdia e o desvio
padro relativo a medidas so definidos por.
x=

x1 + x2 + , +xn
n
v
t

s=

s2 =

n
X
(xi x)2
.
n

1
i=1

respectivamente. Por outro lado, o desvio padro relativo a mdia das medidas dado por

First Prev Next Last Go Back Full Screen Close Quit

s
sx =
n
Observe que quanto maior o nmero de leituras melhor a aproximao da mdia amostral em relao
a mdia populacional. Da mesma forma, quanto maior o nmero de leitura menor o desvio padro da
mdia.

First Prev Next Last Go Back Full Screen Close Quit

First Prev Next Last Go Back Full Screen Close Quit

0,18039

0,06105

0,33264

1,0589

0,04611

2,07919

0,16426

0,13756

2,25764

0,69611

0,00666

1,43685

0,04858

0,05189

0,04937

4,0006

2,44309

1,19279

0,36034

0,14896

1,02117

0,22775

0,19664

0,67209

2,04899

0,00578

0,24781

0,43687

0,02991

0,52321

1,19931

0,97063

0,65404

1,2899

0,56337

0,28809

0,29371

0,07804

0,483

0,2983

3,75236

0,283

0,01252

0,07863

1,51493

0,58831

0,40478

0,12692

1,82698

0,9184

1,30431

0,68007

3,9539

1,00186

2,1392

0,65945

2,44657

2,26175

0,04064

0,90853

0,70571

2,32028

1,44356

1,04687

3,07768

0,91547

1,0711

0,78354

0,10735

1,8086

3,58991

0,28985

0,10034

1,09242

0,11591

0,93788

0,86555

0,11135

0,22064

2,54724

2,32252

0,21121

0,99732

0,73894

0,18068

0,03391

0,33554

2,82354

0,21896

0,61599

2,70122

0,59041

0,9296

0,37208

0,96049

0,97886

1,67637

0,3829

0,66678

1,27616

0,15644

1,49853

0,2438

0,69662

0,03946

1,68575

1,68336

1,97248

0,75177

0,14673

0,85142

0,60226

0,10131

0,00041

1,04934

0,71689

0,6841

0,40779

0,655

2,59891

1,86995

0,11694

1,0702

5,24055

0,91629

0,74449

1,54706

1,71929

0,57949

0,06082

4,50549

1,31121

1,20456

1,32523

0,15098

3,82457

2,21574

1,24752

3,01742

0,48124

0,50226

0,752

0,07319

0,7532

1,84546

1,00032

0,18113

1,95966

0,12043

0,02755

1,12134

0,15825

0,39719

0,73928

0,75933

0,98665

0,20692

1,04208

0,77392

0,53456

0,37931

0,55943

0,1528

0,32622

1,34607

0,1881

0,63464

0,01368

1,07056

1,56307

3,97567

0,12068

0,0591

0,09311

0,13433

1,13353

0,06729

0,73302

3,68017

0,36334

0,33364

0,10242

0,24987

0,436

0,63775

0,92961

0,1736

0,5642

0,07914

1,69506

3,81342

1,18567

0,835

1,0241

1,75904

0,655

1,5316

2,38105

1,31363

4,87441

1,87911

1,19198

4,01736

0,98998

0,97558

0,70493

0,02362

1,8392

0,23149

0,42528

0,70005

0,81429

0,14648

1,14152

1,63649

0,42354

0,49084

0,42526

0,21363

1,71473

0,1912

0,30273

0,50795

0,59502

0,0055

0,99069

0,05411

0,08015

1,88966

2,54082

0,05887

0,49302

1,94563

2,88959

0,76715

0,08922

1,50332

1,44135

0,25575

0,52356

1,21121

1,63265

2,49013

0,58964

0,73067

0,5809

0,20309

1,19891

0,41577

4,83329

0,83598

3,31921

0,3745

0,55206

0,96108

0,87766

0,52777

0,10678

0,89247

0,68666

0,40921

3,13698

0,15909

0,78276

1,19616

1,31787

0,1115

0,3589

0,61516

2,2579

0,5537

1,12084

1,18308

5,6274

0,38246

1,26049

0,30181

1,88888

0,9136

1,7155

0,49844

1,80252

0,78627

2,30031

0,37888

0,27255

0,13101

0,25451

3,21402

2,01428

1,5868

0,01396

0,31211

1,41659

0,20996

0,56251

0,64183

0,7217

0,01722

0,2567

0,0903

2,67363

0,38425

0,17188

4,38611

0,47624

1,7204

1,97416

0,15397

0,20741

1,23387

0,83222

2,61544

0,34815

3,7862

0,17602

0,49381

1,11899

0,33027

0,91986

1,10484

0,3501

0,6366

0,64013

0,49725

0,29042

2,32141

0,56294

1,10058

0,23771

0,16611

0,19464

0,53044

1,10223

2,63819

1,73767

0,35147

0,13475

2,31799

1,42038

0,28477

0,61507

0,70722

0,16977

2,07863

0,21453

2,31535

0,06885

0,97265

0,05683

0,08027

0,6846

0,29454

0,40381

0,38346

0,3467

0,08971

0,29033

0,71624

2,05792

0,77907

0,04533

1,21407

0,15632

1,54651

1,03375

0,20112

0,21492

1,23729

0,02209

1,92794

1,81139

0,25324

0,06947

0,14656

1,43476

0,58053

0,2361

1,30842

0,90432

0,38311

0,01359

0,2938

1,03444

0,57609

0,00047

0,15099

0,74214

0,88673

1,0456

3,40522

1,31729

0,19672

0,84027

0,38748

1,29327

First Prev Next Last Go Back Full Screen Close Quit

First Prev Next Last Go Back Full Screen Close Quit

First Prev Next Last Go Back Full Screen Close Quit

11.
11.1.

Estudos de MSA: Varivel


Estabilidade

Estabilidade a quantidade de variao total na tendncia do sistema ao longo do tempo em uma dada
pea ou pea padro.

A interao do sistema de medio e o meio ambiente;


Desgaste de componentes;
Ajuste de dispositivos e sensores.

First Prev Next Last Go Back Full Screen Close Quit

Diretrizes para sistema no destrutivos


Obter uma amostra. O manual MSA (terceira edio) sugere selecionar uma pea e medir a mesma
no mnimo 3 vezes;
Identificar as peas;
Montar dirio de bordo;
Medir periodicamente (dirio, semanal, quinzenal ou mensa) as peas;
Aps 20 ou mais medies, construir o grfico XR, conforme descrito abaixo

First Prev Next Last Go Back Full Screen Close Quit

Limites dos Grficos

No de element.

A2

D3

D4

amostra (n)
Grfico das Mdias X

1, 880

3, 267

LSC = Limite Superior = X + A2 R

1, 023

2, 574

LC = Limite Central = X

0, 729

2, 282

LIC = Limite Inferior = X A2 R

0, 577

2, 114

Grfico das Amplitudes R

0, 483

2, 004

LSC = Limite Superior = D4 R

0, 419

0, 076

1, 924

LC = Limite Central = R

0, 373

0, 136

1, 864

LIC = Limite Inferior = D3 R

0, 337

0, 184

1, 816

10

0, 308

0, 223

1, 777

First Prev Next Last Go Back Full Screen Close Quit

Critrio de avaliao:
Analisar os grficos X e R, primeiro o grfico R e na seqencia o grfico 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 mdia.

First Prev Next Last Go Back Full Screen Close Quit

Caso os grficos X e R estejam fora de controle, investigar as causas e estabelecer aes corretivas.
Se o processo apresentar falta de estabilidade, identifique as causas, estabelea ao corretiva.
Repita o estudo de estabilidade;
Se o processo for estvel, prossiga com o estudo do sistema de medio;
Se no for possvel estabilizar o processo de medio, realizar os estudos ao longo do tempo para
identificar as variaes de longo prazo.

First Prev Next Last Go Back Full Screen Close Quit

Exemplo 11.1 O engenheiro de sistemas de medio deve realizar um estudo sobre o sistema de medio para
avaliar a velocidade de um motor eltrico. O equipamento de medio utilizado o banco de caracterizaes. O
engenheiro selecionou 1 pea padro que foi medida 3 vezes diariamente por um avaliador. Os valores esto na
tabela abaixo. Montar os grficos de Controle X e R e interpretar os resultados!

Data

Medidas

Horrio
1

Mdia

Amplitude (R)

6/ago

09:15

4,202

4,201

4,202

4,20167

0,001

13/ago

16:35

4,201

4,202

4,203

4,20200

0,002

20/ago

14:13

4,199

4,198

4,200

4,19900

0,002

27/ago

09:40

4,200

4,201

4,201

4,20067

0,001

4/set

15:28

4,200

4,201

4,200

4,20033

0,001

11/set

10:39

4,202

4,201

4,200

4,20100

0,002

19/set

15:10

4,200

4,201

4,200

4,20033

0,001

25/set

09:25

4,200

4,199

4,199

4,19933

0,001

First Prev Next Last Go Back Full Screen Close Quit

1/out

15:40

4,198

4,199

4,199

4,19867

0,001

8/out

09:25

4,200

4,202

4,200

4,20067

0,002

16/out

16:10

4,202

4,203

4,203

4,20267

0,001

24/out

10:05

4,201

4,202

4,201

4,20133

0,001

1/nov

13:40

4,199

4,199

4,198

4,19867

0,001

8/nov

14:55

4,200

4,200

4,201

4,20033

0,001

14/nov

11:00

4,199

4,198

4,199

4,19867

0,001

22/nov

15:50

4,200

4,199

4,200

4,19967

0,001

29/nov

09:42

4,201

4,201

4,200

4,20067

0,001

7/dez

08:20

4,199

4,200

4,199

4,19933

0,001

12/dez

15:30

4,200

4,201

4,199

4,20000

0,002

20/dez

11:05

4,199

4,199

4,200

4,19933

0,001

28/dez

15:30

4,201

4,200

4,199

4,20000

0,002

4/jan

16:00

4,200

4,200

4,202

4,20067

0,002

10/jan

15:15

4,203

4,204

4,203

4,20333

0,001

15/jan

16:00

4,204

4,203

4,203

4,20333

0,001

First Prev Next Last Go Back Full Screen Close Quit

Dos dados da tabela tomamos a mdia dos valores da coluna Mdia e a mdia dos valores da coluna
Amplitude e obtemos
X = 4, 200486

R = 0, 001292 .

Grfico R.
Como temos 3 elementos em nossa amostra, obtemos um valor de D3 = 0 e D4 = 2, 574 e os
seguintes limites de controle
LSC

2, 574 0, 001292 = 0, 003325

LIC

0 0, 001292 = 0

First Prev Next Last Go Back Full Screen Close Quit

Grfico X.
Como temos 3 elementos em nossa amostra, obtemos um valor de A2 = 1, 023 e com isso os
seguintes limites de controle
LSC

4, 200486 + 1, 023 0, 001292 = 4, 201807

LIC

4, 200486 1, 023 0, 001292 = 4, 199165

First Prev Next Last Go Back Full Screen Close Quit

Exemplo 11.2 O engenheiro de sistemas de medio deve realizar um estudo sobre o sistema de medio do
dimetro do furo de pistes. O equipamento de medio utilizado a clula automtica. O engenheiro selecionou
1 pea padro, que foi medida 3 vezes diariamente por um avaliador. Os valores esto na tabela abaixo.

First Prev Next Last Go Back Full Screen Close Quit

Amostra

Medidas

Data
1

Mdia

Amplitude

22/set

20006,6

20006,6

20006,7

20006,63

0,1

22/set

20006,8

20006,7

20006,9

20006,8

0,2

23/set

20006,1

20006,2

20006,2

20006,17

0,1

24/set

20005,4

20005,3

20005,3

20005,33

0,1

27/set

20005,7

20005,9

20005,8

20005,8

0,2

27/set

20005,9

20006

20006

20005,97

0,1

1/out

20005,4

20005,7

20005,7

20005,6

0,3

6/out

20006,6

20006,6

20006,5

20006,57

0,1

7/out

20006,1

20006,1

20006,1

20006,1

10

8/out

20006,1

20006

20006

20006,03

0,1

11

8/out

20006,2

20006,3

20006,3

20006,27

0,1

12

13/out

20005,9

20006

20006

20005,97

0,1

13

13/out

20006,2

20006,1

20006,2

20006,17

0,1

First Prev Next Last Go Back Full Screen Close Quit

14

14/out

20006,5

20006,3

20006,4

20006,4

0,2

15

18/out

20005,4

20005,4

20005,5

20005,43

0,1

16

20/out

20005,9

20006,2

20006,2

20006,1

0,3

17

25/out

20006,8

20006,9

20006,6

20006,77

0,3

18

26/out

20006,3

20006,3

20006,3

20006,3

19

26/out

20006,5

20006,5

20006,5

20006,5

20

28/out

20006,4

20006,3

20006,2

20006,3

0,2

21

4/nov

20005,8

20005,9

20005,9

20005,87

0,1

22

8/nov

20006

20005,8

20005,9

20005,9

0,2

23

8/nov

20006,4

20006,3

20006,2

20006,3

0,2

24

10/nov

20006,2

20006,3

20006,3

20006,27

0,1

25

15/nov

20006,7

20006,4

20006,4

20006,5

0,3

26

16/nov

20006,6

20006,5

20006,5

20006,53

0,1

27

17/nov

20006,4

20006,2

20006,2

20006,27

0,2

28

18/nov

20006,6

20006,5

20006,4

20006,5

0,2

29

18/nov

20006,9

20006,8

20006,8

20006,83

0,1

First Prev Next Last Go Back Full Screen Close Quit

Dos dados da tabela tomamos a mdia dos valores da coluna mdia e a mdia dos valores da coluna
Amplitude e obtemos:
X = 20006, 21
e
R = 0, 1448
Grfico R.
Como temos 3 elementos em nossa amostra, obtemos um valor de D3 = 0 e D4 = 2, 574, com isso:
LSC = 2, 574 0, 1448 = 0, 3727
LIC = 0 0, 1448 = 0

First Prev Next Last Go Back Full Screen Close Quit

Grfico X
Como temos 3 elementos em nossa amostra, obtemos um valor de A2 = 1, 023, com isso:
LSC = 20006, 21 + 1, 023 0, 1448 = 20006, 3581
LIC = 20006, 21 1, 023 0, 1448 = 20006, 0618

First Prev Next Last Go Back Full Screen Close Quit

First Prev Next Last Go Back Full Screen Close Quit

12.

Mtodo da ANOVA

um mtodo matemtico que determinar uma estimativa tanto da repetitividade quanto da reprodutibilidade para um sistema de medio.
1o Passo Coleta de dados e definio do modelo:
Amostra

Fator1
1

Y111 , , Y11r

Y121 , , Y12r

Y1o1 , , Y1or

2
..
.

Y211 , , Y21r
..
.

Y221 , , Y22r
..
.

..
.

Y2o1 , , Y2or
..
.

Yp11 , , Yp1r
Y .1.

Yp21 , , Yp2r
Y .2.

Ypo1 , , Ypor
Y .o.

Mdia

Mdia
Y 1..
Y 2..
..
.
Y p..
Y ...

Tabela 7: Tabela de Entradas

O modelo estatstico para este planejamento


Yi jk = + i + j + i j + i jk

i = 1, , p Amostra

j = 1, , o Fator1

k = 1, , r Rplica

(1)

First Prev Next Last Go Back Full Screen Close Quit

onde:
Yi jk representa a k-sima medio do j-simo Fator1 na i-sima amostra ;
a Mdia das amostras adicionada com a tendncia do sistema de medio;
i o efeito da Amostra;
j o efeito do Fator1;
i j o efeito da interao AmostraFator1;
i jk o erro de replicao.
Onde i , j , i j e i jk so variveis aleatrias independentes com distribuies normais de mdias zero e
varincia 2p , 2F1 , 2I e 2 , respectivamente. Conseqentemente, a varincia do processo :
Var(yi jk ) = 2p + 2F1 + 2I + 2
2o Passo: Soma de Quadrados:

First Prev Next Last Go Back Full Screen Close Quit

Vamos mostrar que:


SQT = SQP + SQF1 + SQI + SQE
onde SQT a soma de quadrados total, SQP a soma de quadrados do fator amostra, SQF1 a soma
de quadrados do Fator1, SQI a soma de quadrados da interao Fator1 amostra e SQE a soma de
quadrados do erro. Para isto, temos que
p X
o X
r
X

(Yi jk Y ... )2

i=1 j=1 k=1

p X
o X
r h
X

i2
(Y i.. Y ... ) + (Y . j. Y ... ) + (Y i j. Y i.. Y . j. + Y ... ) + (Yi jk Y i j. )

i=1 j=1 k=1

or

p
X

(Y i.. Y ... )2 + p r

o
X

i=1

(Y . j. Y ... )2 + r

j=1

p X
o X
r
X

p X
o
X

(Y i j. Y i.. Y . j. + Y ... )2

i=1 j=1

(Yi jk Y i j. )2

i=1 j=1 k=1

Portanto
SQT

p X
o X
r
X
=
(Yi jk Y ... )2
i=1 j=1 k=1

SQP = o r

p
X

(Y i.. Y ... )2

i=1

First Prev Next Last Go Back Full Screen Close Quit

SQF1

o
X
= pr
(Y . j. Y ... )2
j=1

SQI = r

p X
o
X

(Y i j. Y i.. Y .j. + Y ... )2

i=1 j=1

SQE

p X
o X
r
X
=
(Yi jk Y i j. )2
i=1 j=1 k=1

Onde:
Yi.. =

o X
r
X

Yi jk , Y. j. =

j=1 k=1
o

p X
r
X

Yi jk , Yi j. =

i=1 k=1
p

r
X

Yi jk , Y... =

p X
o X
r
X

Yi jk

i=1 j=1 k=1

k=1

k=1

k=1

1 XX
1X
1 XXX
1 XX
Yi jk , Y . j. =
Yi jk , Y i j. =
Yi jk , Y ... =
Yi jk
Y i.. =
o r j=1
p r i=1
r
o p r i=1 j=1
k=1

k=1

Da mesma forma,
yi.. =

o X
r
X
j=1 k=1

yi jk , y.j. =

p X
r
X
i=1 k=1

yi jk , yi j. =

r
X
k=1

yi jk , y... =

p X
o X
r
X

yi jk

i=1 j=1 k=1

First Prev Next Last Go Back Full Screen Close Quit

k=1

k=1

1 XX
1 XX
1X
1 XXX
y i.. =
yi jk , y .j. =
yi jk , y i j. =
yi jk , y ... =
yi jk
o r j=1
p r i=1
r
o p r i=1 j=1
k=1

k=1

Uma forma mais conveniente para se calcular a soma de quadrados utilizar o clculo de varincia
amostral. A tabela 8 apresenta quais varincias devemos calcular.
Amostra
1

Fator1
1

Y111 , , Y11r

Y121 , , Y12r

Y1o1 , , Y1or

S211

S212

S21o

Mdia
Y 1..
Y 2..

Y211 , , Y21r

Y221 , , Y22r

Y2o1 , , Y2or

..
.

S221
..
.

S222
..
.

..
.

S22o
..
.

..
.

Yp11 , , Yp1r

Yp21 , , Yp2r

Ypo1 , , Ypor

Y p..

S2p1

S2p2

S2po

Y .1.

Y .2.

Y .o.

Mdia

S2p

Y ...

S2F1

Tabela 8: Tabela de Entradas

Portanto,
SQT = (p o r 1) S2...

(2)

First Prev Next Last Go Back Full Screen Close Quit

SQP = o r (p 1) S2i..

(3)

SQF1 = p r (o 1) S2.j.

(4)

SQE = (r 1)

p X
o
X

S2i j.

(5)

i=1 j=1

SQI = SQT SQP SQF1 SQE

(6)

Onde:
S2... : representa a varincia amostral com relao a todos os dados. Com isso,
p

S2...

XXX
1
=
(y... y ... )2
p o r 1 i=1 j=1

onde y ... a mdia de todos os dados;

k=1

S2i.. : representa a varincia amostral com relao aos valores das mdias das amostras, ou seja, a
varincia com relao a ltima coluna da tabela 8. Com isso,
o

S2i..

1 XX
=
( y i.. y ... )2
p 1 j=1

onde y i.. a mdia em cada amostra e

k=1

y ... a mdia de todos os dados;


First Prev Next Last Go Back Full Screen Close Quit

S2. j. : representa a varincia amostral com relao aos valores das mdias dos Fatores1, ou seja, a
varincia com relao a ltima linha da tabela 8. Com isso,
p

S2. j.

1 XX
=
( y .j. y ... )2
o 1 i=1

onde y .j. a mdia em cada Fator1 e

k=1

y ... a mdia de todos os dados;


S2i j. : representa a varincia amostral com relao a cada combinao de amostra e Fator1, ou seja,
em cada casela da tabela 8. Com isso,
r

S2i j. =

1 X
( y i j. y ... )2
r 1

onde y i j. so as medies em cada casela e y ... a

k=1

mdia de todos os dados;


3o Passo: Clculo dos graus de liberdade:
O nmero de graus de liberdade em uma soma de quadrados a quantidade de elementos indepenPp
dentes nessa soma. Por exemplo, considere a soma de quadrados i=1 (Y i.. Y ... )2 . Neste caso, como
Pp
(Y i.. Y ... ) = 0, nem todos os elementos (Y 1.. Y ... ), , (Y p.. Y ... ) so independentes. Portanto,
i=1
First Prev Next Last Go Back Full Screen Close Quit

Efeito

Grau de Liberdade

Amostra

p1

Fator1

o1

Interao

(p 1)(o 1)

Erro

p o (r 1)

Total

por1

temos p 1 graus de liberdade. Nesse sentido, os respectivos graus de liberdade associados a cada
soma de quadrados so:
4o Passo: Clculo do erro quadrtico mdio:
Cada soma de quadrados dividido por seu grau de liberdade determina o quadrado mdio (QM), ou
seja
SQP
Amostra
p1
SQF1
=
Fator1
o1
SQI
=
Amostra Fator1
(p 1)(o 1)

QMP =

(7)

QMF1

(8)

QMI

(9)

First Prev Next Last Go Back Full Screen Close Quit

QME =

SQE
p o (r 1)

Rplica

(10)

Considerando as expresses 3, 4, 5 e 6 vamos calcular o valor esperado do QM. Para o fator amostra,
temos que:
E(QMP ) =
=

p 2
!
Y...2
1 X Yi..
E
E

p 1 i=1 o r
por

2
2

p
p X
o X
r
o X
r
X

X
X


1 1
1

E
E
Y
Y

i
jk
i
jk

p o r

p1

o r i=1 j=1 k=1


i=1 j=1 k=1

2
X
p
o X
r 
X


1
E
+ i + j + i j + i jk

p1
o
r

i=1
j=1 k=1

2
p X
o X
r 
X



1


E
+ i + j + i j + i jk

p o r i=1 j=1

k=1

p
X
h
i

2
1
1
2
2 2
2 2
2
(o
)
o
r

+
r

+
o
r

+
o
r

+
o
r

P
I
F1
o r
p1
i=1

First Prev Next Last Go Back Full Screen Close Quit

i
2
2
1 h
p o r + p (o r P )2 + o p r F1 + o p (r I )2 + p o r 2
por

= o r 2P + r 2I + 2
Podemos resumir que
E(QMP ) = 2 + r 2I + o r2P
E(QMF1 ) = 2 + r 2I + p r2F1
E(QMI ) = 2 + r 2I
E(QME ) = 2
5o Passo: Definindo os testes:
Especificamente, estamos interessados em testar as seguintes hipteses :

2
2
2

H
=

=
0
H
=

=
0
H0 = I = 0
0
0
P
F1
; C:
A:
; B:

H1 = 2 > 0
H1 = 2 > 0
H1 = 2 > 0
I
P
F1
Vamos mostrar como essas hipteses so testadas usando a anlise de varincia. Para determinarmos
a estatstica do teste C, vamos observar que
First Prev Next Last Go Back Full Screen Close Quit

SQI
2(p1)(o1)
+ r 2I

e tambm,

SQE
2p o (r1) ,
2

onde ambas so independentes.


Assim, sob H0 temos que a estatstica
F0 =

SQI
(2 +r 2I ) (p1)(o1)
SQE
2 p o (r1)

QMI
F((p 1)(o 1); p o (r 1))
QME

tem distribuio de Fisher-Snedecor com (p 1)(o 1) graus de liberdade no numerador e p o (r 1)


graus de liberdade no denominador. A regio crtica (RC) do teste F dada por RC = {F > Fc }.
Com isso, utilizando o nmero de graus de liberdade do numerador e denominador, podemos, considerando um nvel de significncia encontrar o valor de Fc na tabela da distribuio F-Snedecor. A
Figura 12 mostra a regio crtica do teste.

First Prev Next Last Go Back Full Screen Close Quit

Figura 16: Regio crtica da F-Snedecor

Para determinarmos a estatstica do teste A, vamos observar que


SQP
2(p1)
2 + r 2I + o r 2P

e tambm,

SQI
2(p1)(o1) ,
2 + r 2I

onde ambas so independentes.


First Prev Next Last Go Back Full Screen Close Quit

Assim, sob H0 temos que a estatstica


F0 =

SQP
(2 +r 2I +o r 2P ) (p1)
SQI
(2 +r 2I ) (p1)(o1)

QMP
F((p 1); (p 1)(o 1))
QMI

tem distribuio de Fisher-Snedecor com (p 1) graus de liberdade no numerador e (p 1)(o 1)


graus de liberdade no denominador.A regio crtica (RC) do teste F dada por RC = {F > Fc }.
Com isso, utilizando o nmero de graus de liberdade do numerador e denominador, podemos, considerando um nvel de significncia encontrar o valor de Fc na tabela da distribuio F-Snedecor. A
Figura 12 mostra a regio crtica do teste.
Para determinarmos a estatstica do teste B, vamos observar que
SQF1
2(o1)
2
2
2
+ r I + p r F1

e tambm,

SQI
2(p1)(o1) ,
2
2
+ r I

onde ambas so independentes.


Assim, sob H0 temos que a estatstica
F0 =

SQP
(2 +r 2I +p r 2F1 ) (o1)
SQI
(2 +r 2I ) (p1)(o1)

QMF1
F((o 1); (p 1)(o 1))
QMI
First Prev Next Last Go Back Full Screen Close Quit

tem distribuio de Fisher-Snedecor com (o 1) graus de liberdade no numerador e (p 1)(o 1)


graus de liberdade no denominador.A regio crtica (RC) do teste F dada por RC = {F > Fc }.
Com isso, utilizando o nmero de graus de liberdade do numerador e denominador, podemos, considerando um nvel de significncia encontrar o valor de Fc na tabela da distribuio F-Snedecor. A
Figura 12 mostra a regio crtica do teste.
6o Passo: Tabela de ANOVA:
O teste estatstico para as hipteses (A, B, C) propostas resumido na tabela 9. Essa tabela chamada
tabela de anlise de varinica. Caso o teste C implique em H0 ser no significativo, ou seja, a interao
( Amostra Fator1 ) ser considerada nula. Neste caso, os testes A e B sero realizados conforme a
tabela 10. Para isso, vamos incorporar a soma de quadrados da interao soma de quadrados do erro.
Assim, temos que SQE = SQT SQP SQF1 .
7o Passo: Componentes de varincia:
Aqui, vamos estimar as componentes de varincia pelo mtodo de momentos. Este mtodo, visa igualar
os momentos populacionais aos momentos amostrais. Considerando o modelo com interao temos:

First Prev Next Last Go Back Full Screen Close Quit

Fonte de

Graus de

Soma de

Quadrado

Teste

Variao

Liberdade

Quadrados

Mdio

Amostra

p1

SQP

QMP

Fator1

o1

SQF1

QMF1

Interao

(p 1)(o 1)

SQI

QMI

QMP
QMI
QMF1
QMI
QMI
QME

Erro

p o (r 1)

SQE

QME

Total

por1

SQT

Tabela 9: Tabela de Anlise de Varincia (ANOVA) - Com interao

E(QME ) = 2

E(QMI ) = 2 + r 2I

E(QMF1 ) = 2 + r 2I + p r2F1

E(QMP ) = 2 + r 2I + o r2P

2 = QME
2[
+ r 2I = QMI
2 + r [
2I + p r2F1 = QMF1
2 + r[
2 + o r2 = QM
I

Assim, obtemos que as fontes de variao podem ser estimadas por


First Prev Next Last Go Back Full Screen Close Quit

Fonte de

Graus de

Soma de

Quadrado

Teste

Variao

Liberdade

Quadrados

Mdio

Amostra

p1

SQP

Fator1

o1

SQF1

QMP
QME
QMF1
QME

Erro

porpo+1

SQE

SQP
p1
QMF1 = oSQF11
E
QME = p o r SQ
po+1

Total

por1

SQT

QMP =

Tabela 10: Tabela de Anlise de Varincia (ANOVA) - Sem interao

s
VF1

=
r

QMF1 QMI
pr

Fator1

(11)

interao

(12)

repetitividade

(13)

reprodutibilidade

(14)

VI

QMI QME
r

VE

VF

R&R

p
QME
q
(VF1 )2 + (VI)2
p
(VE)2 + (VO)2

R&R

(15)

First Prev Next Last Go Back Full Screen Close Quit

r
VP
VT

QMP QMI
or

p
(R&R)2 + (VP)2

amostra

(16)

total

(17)

Considerando que a interao no significativa, temos que

E(QME ) = 2

E(QMF1 ) = 2 + p r2F1

E(QMP ) = 2 + o r2P

2 = QME
[
2 +
p r2F1 = QMF1
2 [
+ o r2 = QM
P

Assim, obtemos que as fontes de variao podem ser estimadas por


s
VF1

VE

VF

QMF1 QME
pr

QME
q
(VF1 )2

Fator1

(18)

repetitividade

(19)

reprodutibilidade

(20)

First Prev Next Last Go Back Full Screen Close Quit

R&R

VP

VT

(VE)2 + (VF)2
r
QMP QME
or
p
(R&R)2 + (VP)2

R&R
amostra
total

(21)
(22)
(23)

First Prev Next Last Go Back Full Screen Close Quit

Exemplo 12.1 Nesta aplicao usaremos uma anova two-way, ou seja, dois fatores aleatrios.
A tabela 11 apresenta as medies realizadas no copo PS, a coluna Ponto representa o ponto de medio.
O modelo estatstico para este experimento :

Yi jk = + i + j + i jk

i = 1, , p Tempo

j = 1, , o Pessoa

k = 1, , r Rplicas

(24)

onde:
Yi jk representa a k-sima medio no j-simo Fator 2 no i-sima copo;
a Mdia das medies;
i o efeito do Tempo;
j o efeito do Fator Pessoa;
i jk o erro de replicao.
Para calcularmos as somas de quadrados, precisamos primeiramente calcular as seguintes varincias amostrais :
First Prev Next Last Go Back Full Screen Close Quit

Tempo (s)

Pessoa

Absorcao (g/m2 )

20

Camila

0,11479

0,001618

20

Paula

0,05992

0,000215

22

Paula

0,06308

0,000132

22

Paula

0,06308

0,000132

22

Camila

0,05740

0,000295

20

Camila

0,03021

0,001968

20

Paula

0,08200

0,000055

22

Camila

0,08458

0,000100

20

Camila

0,09667

0,000488

20

Paula

0,05362

0,000439

22

Paula

0,09777

0,000538

22

Paula

0,05362

0,000439

22

Camila

0,09969

0,000631

20

Camila

0,06948

0,000026

20

Paula

0,07569

0,000001

22

Camila

0,08458

0,000100

20

Camila

0,05135

0,000539

20

Paula

0,03785

0,001348

22

Paula

0,08516

0,000112

22

Paula

0,03785

0,001348

22

Camila

0,07854

0,000016

20

Camila

0,09063

0,000258

20

Paula

0,11039

0,001283

22

Camila

0,11177

0,001384

Soma

1,78972

0,013466

Desvio

Tabela 11: Tabela de dados

First Prev Next Last Go Back Full Screen Close Quit

S2...

XXX
1
(yi jk y ... )2 = 0, 0005855
p o r 1 i=1 j=1
k=1

S2p
S2o

onde,

=
=

1
p 1
1
o 1

p
X

( y i.. y ... )2 = 0, 0000778

i=1
o
X
( y .j. y ... )2 = 0, 0000069
j=1

p = 1, 2 Pessoa

o = 1, 2 Tempo

r = 6 Rplica
SQTotal = (p o r 1) S2... = (23) S2... = 0, 0134657
SQPessoa = o r (p 1) S2p = (12) S2p = 0, 000933255
SQTempo = p r (o 1) S2o = (12) S2o = 0, 000083
First Prev Next Last Go Back Full Screen Close Quit

SQErro = SQTotal SQPessoa SQTempo = 0, 012449957


Os graus de liberdade so:
Efeito

Grau de Liberdade

Pessoa

p1 =1

Tempo

o1 =1

Erro

por p o + 1 = 21

Total

por 1=23

Com isso, o quadrado mdio :


SQPessoa 0, 000933
=
p1
1
= 0, 000933

QMPessoa =

SQTempo 0, 000083
=
o1
1
= 0, 000083

QMTempo =

First Prev Next Last Go Back Full Screen Close Quit

SQErro
0, 012449957
=
por p o + 1
21
= 0, 000592855

QMErro =

A tabela abaixo apresenta o resumo da anlise de varincia.


Fonte

G.L.

Soma Quad

Mdia Quad

Estat. F

P-valor

Tempo

0,000083

0,000083

0,139300

0,712719

Pessoa

0,000933255

0,000933

1,57417

0,223387

Residuals

21

0,012449957

0,000593

Total

23

0,01347

Tabela 12: Tabela de Anlise de Varincia

Aqui, temos que P-Valor dado por:


Tempo

P(F1; 21 > 0, 139) = 0, 712719

Pessoa

P(F1; 21 > 1, 574) = 0, 223387

First Prev Next Last Go Back Full Screen Close Quit

Portanto, temos que a estimativa da variabilidade com dois fatores :


2 = QME = 0, 000593
Considerando que os fatores no so significativo, temos que os componentes de varincia so desprezveis.

First Prev Next Last Go Back Full Screen Close Quit

13.
13.1.

Incerteza de Medio
Erro de Medio
E = RM VV

(25)

VV: Verdadeiro Valor indeterminado


RM: Resultado da Medio
E: Erro de Medio indeterminado
Obs: O Erro de Medio (E) est entre (; +)

First Prev Next Last Go Back Full Screen Close Quit

Incerteza: ( Equipamento de Medio );


RR: ( Sistema de Medio ).
First Prev Next Last Go Back Full Screen Close Quit

No confundir com erro!

13.2.

Tipos de Erros

Aleatrios;
Sistemticos;
Grosseiros.

13.3.

Incerteza de Medio

Parmetro associado ao resultado de uma medio, que caracteriza a disperso dos valores que
podem ser fundamentalmente atribudos a um mensurando (ISO GUM ver. 1995) .
A expresso de um resultado de medio encontra-se incompleta caso esta no se apresente com a
declarao da Incerteza de medio associada. A incerteza de um resultado define uma faixa de valores
em torno da mdia das medies, dentro da qual o valor verdadeiro do mensurando se encontra com
nvel de confiana estabelecido.
RESULTADO = MDIA (das medidas) - ERRO SISTEMTICO IM (Incerteza)
First Prev Next Last Go Back Full Screen Close Quit

13.4.

Tipos de Incertezas de Medio

Por recomendaes do INC-1 (1981) [ISO GUM ver.95] os componentes da incerteza foram divididos em dois grupos de acordo com o mtodo utilizado para estimar seus valores numricos:
Tipo A - Aquelas que so avaliadas por mtodos estatsticos
Tipo B - Aquelas que so avaliadas por outros mtodos
Estas categorias aplicam-se somente a incerteza e no so substitutos das palavras "aleatrios"e "sistemticos".
13.4.1.

Equao de medio
y = f (x1 , x2 , ..., x j )
y

leitura
x1 , x2 , ..., x j : f ontes de incerteza

Exemplo: Para medirmos o volume, podemos utilizar o seguinte mtodo:


Massa
Densidade
onde a grandeza volume obtida atravs das grandezas massa e densidade .
Vol =

First Prev Next Last Go Back Full Screen Close Quit

13.4.2.

Avaliao da Fonte de Incerteza tipo A


s
uA =
n

onde,
s : desvio padro correspondente s n leituras;
n : nmero de medidas.
13.4.3.

Avaliao da Incerteza tipo B : Herdada


uherd =

U(padrao)
k

onde,
U(padrao) : Incerteza expandida herdada do padro;
k : coeficiente de sensibilidade.

First Prev Next Last Go Back Full Screen Close Quit

13.4.4.

Avaliao da Incerteza tipo B : Limites de variao

u=

base
2a
a
= =
2 3 2 3
3

Exemplo: Resoluo.
u(res) =

Res

2 3

First Prev Next Last Go Back Full Screen Close Quit

13.4.5.

Avaliao da Incerteza tipo B : Limites de variao (triangular)

u=

13.5.

base
2a
a
= =
2 b 2 b
b

Incerteza Combinada

A expresso para se determinar esta incerteza padro combinada apresentada por:


First Prev Next Last Go Back Full Screen Close Quit

v
t n
X f !2
uc =
u2 (xi )
x
i
i=1
onde,
f
xi

: Representa a derivada parcial da equao de medio em relao xi , ou seja, o coeficiente de

sensibilidade;
u(xi ) : Incerteza padro da i-sima fonte de incerteza.
Se f (x) = x1 x2 . . . x j for linear temos:
uc =

13.6.

q
u2 (x1 ) + u2 (x2 ) + . . . + u2 (x j )

Incerteza Expandida
U = k uc

A norma ISO GUM ver. 95 recomenda a utilizao da equao de Welch-Satterwaite para calcular os
graus de liberdade, baseado nos graus de liberdade de cada fonte de incerteza.
First Prev Next Last Go Back Full Screen Close Quit

e f f

uc
=
uA


4

onde,
A : representa os graus de liberdade do tipo A
k : tabela t-student com e f f graus de liberdade e 95% de confiana.
Para contribuies da incerteza tipo A, consideramos como graus de liberdade o nmero de leitura
menus 1 vezes o nmero de pontos de calibrao. Para os graus de liberdade referente a contribuies
da incerteza tipo B, vamos considerar i igual a infinito.

13.7.

Comprovao Metrolgica - Equipamento de Medio

Determinar o erro mximo permissvel.


EMP =

menor tolerancia medida


J

com J = (5; 15]

First Prev Next Last Go Back Full Screen Close Quit

Critrio:
maxi {| Ti | +U(i)} EMP

(26)

A comprovao metrolgica no caso em que o EMP funo das leituras discutido abaixo.

EMP

(a + b leitura)
First Prev Next Last Go Back Full Screen Close Quit

a = 0, 01
b = 0, 01

Critrio: T_i + U(i) EMP(i), para todo ponto de calibrao. (i, representa o ponto de calibrao).

First Prev Next Last Go Back Full Screen Close Quit