Calculo Incerteza Medicao

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

13.7 Comprovao Metrolgica - Equipamento de Medio . . . . . . . . . . . . . . . . . . . . 107
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.
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?
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
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.
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
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
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
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
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.
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
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) :
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.
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:
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.
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
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.
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.
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
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 !
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:
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
Tabela 5: Clculo do Desvio Padro
s2 =
174
= 24 s = 24 s = 4, 9
7
Portanto o desvio padro 4, 9.
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.
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.
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
(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
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.
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 .
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
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.
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
maior do que 4,00 0,003%. Veja o grfico na Figura 5
Figura 5: rea sob a curva normal
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
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.
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
A rea para valores maiores do que 1,58 0,0571 ou 5,71%.
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.
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.
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.
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
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.
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.
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
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
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
2, 574 0, 001292 = 0, 003325
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
4, 200486 + 1, 023 0, 001292 = 4, 201807
LIC
4, 200486 1, 023 0, 001292 = 4, 199165
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 ...
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)
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:
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
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
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)
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;

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
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
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
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
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.
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


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 }.
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

F0 =
SQP
(2 +r 2I +p r 2F1 ) (o1)
SQI
(2 +r 2I ) (p1)(o1)
QMF1
F((o 1); (p 1)(o 1))
QMI
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 }.
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:
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

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)
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)
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 :
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
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
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 =
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
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.
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 (; +)
Incerteza: ( Equipamento de Medio );

RR: ( Sistema de Medio ).
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)
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 =
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.
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
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:

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.
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]
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)
a = 0, 01
b = 0, 01
Critrio: T_i + U(i) EMP(i), para todo ponto de calibrao. (i, representa o ponto de calibrao).

Calculo Incerteza Medicao

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Calculo Incerteza Medicao

Uploaded by

Copyright:

Available Formats

Clculo de Incerteza de Medio

Estatcamp Consultoria Estatstica e em Qualidade

First Prev Next Last Go Back Full Screen Close Quit

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

Outras Estatsticas Descritivas

First Prev Next Last Go Back Full Screen Close Quit

10 Teorema do Limite Central

11 Estudos de MSA: Varivel

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

First Prev Next Last Go Back Full Screen Close Quit

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

First Prev Next Last Go Back Full Screen Close Quit

A variabilidade est presente em todo lugar.

Etapas para a aplicao de tcnicas estatstica:

First Prev Next Last Go Back Full Screen Close Quit

Planejando a Coleta de Dados - Amostragem

First Prev Next Last Go Back Full Screen Close Quit

Onde acessar estes dados?

Figura 1: Classificao dos Dados

First Prev Next Last Go Back Full Screen Close Quit

Dados Quantitativos Discretos

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

First Prev Next Last Go Back Full Screen Close Quit

First Prev Next Last Go Back Full Screen Close Quit

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

Tabela 2: Freqncia absoluta

First Prev Next Last Go Back Full Screen Close Quit

First Prev Next Last Go Back Full Screen Close Quit

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

First Prev Next Last Go Back Full Screen Close Quit

0, 021 + (0, 017)

First Prev Next Last Go Back Full Screen Close Quit

Tabela 3: Distribuio de freqncias

First Prev Next Last Go Back Full Screen Close Quit

Algumas indicaes na construo da distribuio de freqncias so:

First Prev Next Last Go Back Full Screen Close Quit

Tamanho da Amostra (n)

Nmero de Classes (c)

Tabela 4: Nmero de classes

Determinao do tamanho da classe ou intervalo (L):

onde R= maior valor da amostra menos o menor valor da amostra.

First Prev Next Last Go Back Full Screen Close Quit

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

First Prev Next Last Go Back Full Screen Close Quit

Figura 2: Histograma dos desvios

First Prev Next Last Go Back Full Screen Close Quit

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

A mdia das 5 leitura x= 2, 45.

First Prev Next Last Go Back Full Screen Close Quit

Notao : A mediana ser denotada por x.

First Prev Next Last Go Back Full Screen Close Quit

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.

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

First Prev Next Last Go Back Full Screen Close Quit

Tabela 5: Clculo do Desvio Padro

Portanto o desvio padro 4, 9.

First Prev Next Last Go Back Full Screen Close Quit

First Prev Next Last Go Back Full Screen Close Quit

Outras Estatsticas Descritivas