Professional Documents
Culture Documents
Sumrio
1
Introduo
Coleta de Dados
Dados Quantitativos
3.1
Distribuio de Freqncias
11
Histograma
17
Medidas de Posio
19
Medidas de Disperso
24
30
A Distribuio Normal
35
51
60
11.1 Estabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
12 Mtodo da ANOVA
75
13 Incerteza de Medio
99
1.
Introduo
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.
3.
Dados Quantitativos
A caracterstica observada assume valores numricos.
3.1.
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
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
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).
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
12
100% = 12%
100
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 =
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.
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
30 a 50
5a7
51 a 100
6 a 11
101 a 250
7 a 13
acima de 250
10 a 20
amplitude
R
=
o
n de classes
c
5.
Histograma
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.
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
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
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.
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
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 :
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
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:
(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
s2 =
174
= 24 s = 24 s = 4, 9
7
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 !!!.
8.
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.
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.
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
Skewness:
b1
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
9.
A 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 .
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
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
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
Quando se tem uma varivel X com distribuio normal com mdia diferente de 0 (zero) e/ou desvio
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.
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
O que procuramos a rea entre Z1 e Z2, como mostram os grficos nas Figuras 11 e 12.
Portanto, fazemos:
0, 8621 0, 0571 = 0, 8050
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.
10.
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.
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):
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.
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
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.
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
11.
11.1.
Estabilidade a quantidade de variao total na tendncia do sistema ao longo do tempo em uma dada
pea ou pea padro.
No de element.
A2
D3
D4
amostra (n)
Grfico das Mdias X
1, 880
3, 267
1, 023
2, 574
LC = Limite Central = X
0, 729
2, 282
0, 577
2, 114
0, 483
2, 004
0, 419
0, 076
1, 924
LC = Limite Central = R
0, 373
0, 136
1, 864
0, 337
0, 184
1, 816
10
0, 308
0, 223
1, 777
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.
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.
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
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
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
LIC
0 0, 001292 = 0
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
LIC
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.
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
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
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
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
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 ...
i = 1, , p Amostra
j = 1, , o Fator1
k = 1, , r Rplica
(1)
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:
(Yi jk Y ... )2
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. )
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
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
SQF1
o
X
= pr
(Y . j. Y ... )2
j=1
SQI = r
p X
o
X
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
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
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
Portanto,
SQT = (p o r 1) S2...
(2)
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
(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
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
k=1
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
k=1
S2i j. =
1 X
( y i j. y ... )2
r 1
k=1
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)
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
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
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
SQI
(2 +r 2I ) (p1)(o1)
SQE
2 p o (r1)
QMI
F((p 1)(o 1); p o (r 1))
QME
e tambm,
SQI
2(p1)(o1) ,
2 + r 2I
SQP
(2 +r 2I +o r 2P ) (p1)
SQI
(2 +r 2I ) (p1)(o1)
QMP
F((p 1); (p 1)(o 1))
QMI
e tambm,
SQI
2(p1)(o1) ,
2
2
+ r I
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
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
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
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 =
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)
r
VP
VT
QMP QMI
or
p
(R&R)2 + (VP)2
amostra
(16)
total
(17)
E(QME ) = 2
E(QMF1 ) = 2 + p r2F1
E(QMP ) = 2 + o r2P
2 = QME
[
2 +
p r2F1 = QMF1
2 [
+ o r2 = QM
P
VE
VF
QMF1 QME
pr
QME
q
(VF1 )2
Fator1
(18)
repetitividade
(19)
reprodutibilidade
(20)
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)
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
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
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
Grau de Liberdade
Pessoa
p1 =1
Tempo
o1 =1
Erro
por p o + 1 = 21
Total
por 1=23
QMPessoa =
SQTempo 0, 000083
=
o1
1
= 0, 000083
QMTempo =
SQErro
0, 012449957
=
por p o + 1
21
= 0, 000592855
QMErro =
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
Pessoa
13.
13.1.
Incerteza de Medio
Erro de Medio
E = RM VV
(25)
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.
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
13.4.2.
onde,
s : desvio padro correspondente s n leituras;
n : nmero de medidas.
13.4.3.
U(padrao)
k
onde,
U(padrao) : Incerteza expandida herdada do padro;
k : coeficiente de sensibilidade.
13.4.4.
u=
base
2a
a
= =
2 3 2 3
3
Exemplo: Resoluo.
u(res) =
Res
2 3
13.4.5.
u=
13.5.
base
2a
a
= =
2 b 2 b
b
Incerteza Combinada
v
t n
X f !2
uc =
u2 (xi )
x
i
i=1
onde,
f
xi
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.
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).