Documente Academic
Documente Profesional
Documente Cultură
SM
X XI PROCESSO θ RESULTADO
MEDIDAS
ESTATÍSTICO DA MEDIÇÃO
x p ( x) E[ x] x p( x) dx
ou E[ g ( x)] g ( x) p ( x) dx
FUNDAMENTOS DE PROBABILIDADE E ESTATÍSTICA
Θ é estimador de θ
Θ é estimador de θ
dP( x)
p ( x) é a função densidade de probabilidade
dx
p( x) 0 e p( x)dx 1
x
P( x) p( x)dx
FUNDAMENTOS DE PROBABILIDADE E ESTATÍSTICA
UNIFORME:
=0 para x < a;
= (b - a)-1 para a ≤ x ≤ b
p(x) P(x) = (x - a)/(b – a) para a ≤ x ≤ b;
=0 para x fora
=1 para x > b;
p(x) P(x)
(b – a)-1 1
a b x a b x
FUNDAMENTOS DE PROBABILIDADE E ESTATÍSTICA
( x x )2
1 2 x2
p ( x) e
x 2
x E[ x] E[ ( x x ) ] x x
2 2 2
x p( x) dx x p( x) dx
Normal Reduzida :
2
x x 1 z
z p( z ) e 2
z 0 e z2 1
x 2
p(x)
p(z)
0 μx x
FUNDAMENTOS DE PROBABILIDADE E ESTATÍSTICA
PROPRIEDADES DA PROBABILIDADE:
Considerando uma fdp de média nula:
z1 z1
P[ z z1 ] p( z ) dz ( z )
1 P[ z z1 ]
p ( z ) dz p ( z ) dz 1 ( z1 )
z1
P[ z1 z z1 ] ( z1 ) 1 ( z1 ) 2 ( z1 ) 1
p(z)
-z1 0 z1 z
FUNDAMENTOS DE PROBABILIDADE E ESTATÍSTICA
EXEMPLO:
x = [-3 : 0.1 :3]; %um vetor de dados
mi= mean(x)=0; % média
s=std(x)=1; % desvio padrão
f1 = normpdf (x,mi,s); %gera fdp Normal
plot (x,f1) % gráfico da fdp
FUNDAMENTOS DE PROBABILIDADE E ESTATÍSTICA
A probabilidade ACUMULADA:
cf = normcdf (x,0,1);
cf = normcdf (x,0,2);
HISTOGRAMA
Seja u = { u1 u2 ….uN } uma amostra FINITA e DISCRETA das medidas
obtidas num processo de medição.
O HISTOGRAMA da amostra pode ser construído para ESTIMAR a fdp de u,
de acordo com as seguintes etapas:
1. Ordenar u e determinar a amplitude da amostra ( R ).
2. Agrupar as medidas em k CLASSES (bins) de amplitudes dadas por:
Ak = R/5 nk = R/Ak ou nk = 1 + log(n)/log(2) (Sturges)
3. Determinar o número (nok) de ocorrências das medidas por CLASSE.
4. Calcular a frequência relativa em cada CLASSE: fk = nok/N.
5. Calcular a frequência acumulada fa até cada CLASSE k.
6. Fazer os gráficos: nok x nk, fk x nk, fa x nk.
7. Testar a fdp que melhor se ajusta ao histograma.
FUNDAMENTOS DE PROBABILIDADE E ESTATÍSTICA
HISTOGRAMA
CONSIDERAÇÕES SOBRE O NÚMERO DE CLASSES:
1. Se N <= 20 nk = 5
2. Se 20 < N < 40 número de valores em cada classe > 5
3. Se N > 40 Kendal & Stuart
FUNDAMENTOS DE PROBABILIDADE E ESTATÍSTICA
HISTOGRAMA - EXEMPLO
Foram realizadas 20 medidas da tensão de escoamento de um aço, resultando:
Se [MPa] (já em ordem crescente):
Organizando as CLASSES:
INTERVALOS DE CONFIANÇA
Um processo de medição gera VÁRIAS AMOSTRAS para a variável (x):
INTERVALOS DE CONFIANÇA
QUESTÃO: a MÉDIA das MÉDIAS AMOSTRAIS é um bom estimador da
média de x?
Se x é uma variável COM fdp DESCONHECIDA tal que E[x] = μ e
VAR[x] = σ2 . Colhidas amostras discretas e finitas {x} de tamanho
N, e calculados os estimadores das médias amostrais tem-se:
se N é grande ( N 20) :
2
E[ x ] e VAR[ x ]
N
Como e são ctes x tem fdp GAUSSIANA.
Neste caso : z
x
tem fdp Gaussiana NORMAL.
N
FUNDAMENTOS DE PROBABILIDADE E ESTATÍSTICA
INTERVALOS DE CONFIANÇA
Este fato permite calcular o INTERVALO de x que contém μ com um
determinado nível de probabilidade (CONFIANÇA)
N (x )
P( z1 z z1 ) 2 ( z1 ) 1 como : z
z z
P x x
N N
EXEMPLO:
Um componente elétrico tem duração (vida) cujo valor tem desvio
padrão σ = 4 horas. Montou-se uma amostra com N = 100
componentes que foram ensaiados para determinar suas durações. A
x
média amostral da vida do componente resultou = 501.2 horas.
Qual o intervalo de confiança para a média com α = 95% de
probabilidade?
FUNDAMENTOS DE PROBABILIDADE E ESTATÍSTICA
INTERVALOS DE CONFIANÇA
EXEMPLO: (continuação) Neste caso o valor de σ = 4 é CONHECIDO
Usando o Matlab:
α = 0.95 β = (1+0.95)/2 = 0.975 z1 = norminv (0.975) =1.96
D = z1 σ/N1/2 = 0.784 é o tamanho do DESVIO 500.42 ≤ μ ≤ 501.98
FUNDAMENTOS DE PROBABILIDADE E ESTATÍSTICA
INTERVALOS DE CONFIANÇA
Caso NÃO SE CONHEÇA PREVIAMENTE o valor do desvio padrão, ele
pode ser estimado pela variância amostral:
1 N
S
2 2
x x
N 1 i 1
i
x
t tem fdp t student com d N 1 gdl estatístico.
S
N
S S S
P x t 1 x t 1 sendo : D t 1 o desvio de .
d,
2 N d,
2 N d,
2 N
Logo : dados N e calcula se : t 1
d,
2
St 1
d,
Caso sejam dados e D calcula se : N 2
iterativamente, pois d depende de N
D
FUNDAMENTOS DE PROBABILIDADE E ESTATÍSTICA
INTERVALOS DE CONFIANÇA
EXEMPLO
Foram realizadas 10 medidas da resistência elétrica de um
componente elétrico resultando: média=10.48 Ω e desvio padrão =
1.36 Ω.
DRo 1.15 1.38 1.54 1.65 1.80 1.96 2.13 2.33 2.57 2.81 3.14 3.29
FUNDAMENTOS DE PROBABILIDADE E ESTATÍSTICA
CRITÉRIO DE CHAUVENET
nk
( n n ) 2
X2 o e k
k 1 nek
Verificar se os dados da amostra {x} tem fdp GAUSSIANA (μ, σ np = 2), e determinar
a CONFIANÇA (α) da hipótese.
{x}={10.02 10.2 10.26 10.2 10.22 10.13 9.97 10.12 10.09 9.9 10.05 10.17 10.42 10.21 10.23 10.11 9.98 10.1 10.04 9.81}
N = 20 nk = 5 Ak = 0.122 mx = 10.112 sx = 0.138
Usando a função hist (x,5) no
Usando a função normcdf (limiteSUP, mx, sx) – normcdf (limiteINF, mx, sx) ne
OBSERVAÇÕES:
1. O NÍVEL de CONFIANÇA da variável qui-quadrado pode ser
calculada pela função chi2cfd(X2,d) que fornece a probabilidade
acumulada P(chi2 < X2) = 1 – α
2. A função [h, P, stats] = chi2gof(x) fornece:
- h = 0 => hipótese aceita com 95 % de confiança (=1 rejeitada)
- P: probabilidade ou confiança do resultado
- stats: informações adicionais....
ANÁLISE DE REGRESSÃO
OBJETIVO:
Criar um MODELO matemático (f) que representa a relação entre pelo
menos DOIS CONJUNTOS DE DADOS.
FUNÇÕES do MATLAB:
p = polyfit (x, y, n); %retorna os coeficientes do polinômio
de grau n ajustado aos dados x.
x = -8.8:0.5:10; %valores de x
GRÁFICOS
Se y = m x +b, com α = 95 %:
x1
SM y
xk
METODOLOGIA:
Modelo: y = a + b1 x1 + b2 x2 + …. + bk xk, sendo a, b1, …, bk constantes
Funcional: F2 = [ yi - (a + b1 x1i + b2 x2i + …. + bk xki ]2
Condições de mínimo: Derivadas Parciais de F2 em relação às constantes:
a, b1, …e bk são NULAS (k+1) equações e (k+1) incógnitas
ANÁLISE DE REGRESSÃO
Para amostra {y} com dimensão nx1 e para o conjunto de amostras das
entradas [x] com tamanho nxk, aplicando a CONDIÇÃO de
MINIMIZAÇÃO resulta o sistema LINEAR de equações:
N
x 1i ..... x ki a yi
x1i x x x 1i i
2
1i
..... 1i ki b1 x y
x b x y
2i x x 2i x x 2 2i i
2 i ki
2
2 i 1i x
..... ..... ..... .....
..... ..... ..... .....
xki
x ki 1i x x x
ki 2 i xki k xki yi
2 b
y yi N yi
1
2 2 2
USO DO MATLAB:
A mesma função regress (y,X); é usada para calcular o AJUSTE, os
ERROS, os INTERVALOS de CONFIANÇA e outras informações
estatísticas.
A matriz [ X ] contém na primeira coluna um vetor de valores 1 e nas
demais colunas os vetores das entradas {x1} ....{xk}.
{y} é o vetor da saída.
O comando [b, bint, r, rint, stats] = regress (y, X); retorna:
b – coeficientes a, b1, … bk
bint – intervalos de confiança (95%)para os coeficientes.
r – os resíduos do ajuste
rint – os intervalos de confiança para os coeficientes
stats – informações estatísticas adicionais
Ver no HELP do toolbox de estatística o item MULTIPLE LINEAR REGRESSION
PROPAGAÇÃO DE ERROS
Seja uma grandeza y = f (x1, x2, ...,xn), sendo f uma função conhecida
das n variáveis independentes xi. Os xi podem ser: medidas nas saídas
de diferentes sistemas de medição (caso B) ou dos componentes de
um SM (caso A).
Com os Δxi calcular Δy
Logo: y ± Δy = f (x1 ± Δx1, x2 ± Δx2, …, xn ± Δxn)
Expandindo f em uma série de TAYLOR e considerando Δxi pequeno de
modo que os termos ( Δxi )n ≈ 0, para n ≥ 2, resulta:
f f
f ( xi xi ) f ( xi ) xi yi xi
xi xi
f
O erro ABSOLUTO é yi xi
xi
yi
O erro RELATIVO é
y
PROPAGAÇÃO DE ERROS
EXEMPLOS:
1. Calcular o volume de um cilindro: V = π d2 h/4 conhecendo os
desvios padrão e as médias de cada uma das medidas.
Valores medidos: média dm = 1, desvio padrão Sd = 0.005
média hm = 4, desvio padrão Sh = 0.040
Sv = dm2 hm [2 Sd2 /dm2 + Sh2 /hm2]1/2 =0.049
EXEMPLO 2: (continuação)
Supondo que Δy deve ser igual a ± 0.5%, quais devem ser os limites
para os erros ΔR, ΔF, ΔL e ΔT?
Δy = 0.5% do valor médio de y Δy = 0.015. Claramente este valor é menor que o obtido
anteriormente (0.049). Para verificar qual medida influi neste erro calculam-se os :
y
xi
f
n
xi
y y y
Neste caso : n4 0.0025 0.2980 0.050
R F T
R 3.000 F 0.025 L 0.039 T 0.150