Aula 5 PDF

FUNDAMENTOS DE PROBABILIDADE E ESTATÍSTICA
SM
X XI PROCESSO θ RESULTADO
MEDIDAS
ESTATÍSTICO DA MEDIÇÃO
A VARIÁVEL (x) é CONTÍNUA  AMOSTRA FINITA e DISCRETA

{ x1 x2 x3 …xN }
Esta amostra será usada para ESTIMAR o RESULTADO DA MEDIÇÃO
O RESULTADO da MEDIÇÃO, calculado pelo Estimador (θ) , será
determinado com ERRO !!!
A quantificação do ERRO será feita usando Fundamentos da Estatística: Função

Densidade de Probabilidade p(x) e os Momentos Estatísticos
 
x  p ( x)  E[ x]   x p( x) dx

ou E[ g ( x)]   g ( x) p ( x) dx

CARACTERÍSTICAS DOS ERROS:

SISTEMÁTICO ou BIAS: a média do estimador é diferente do valor da
variável
ALEATÓRIO ou RANDOM: O valor do estimador apresenta dispersão
em torno do valor médio.
BIAS NULO BIAS E ALEATÓRIO

ALEATÓRIO NÃO NULO NÃO NULOS
CARACTERÍSTICAS DOS ERROS DE UM ESTIMADOR:
Θ é estimador de θ
ERRO MÉDIO QUADRÁTICO: E [ (Θ – θ)2 ] = E [ (Θ – E[Θ])2 ] + E [(E[Θ] - θ)2 ]
E [ (Θ – θ)2 ] = Var [Θ] + b2 [Θ] =
= quadrado do erro Aleatório + quadrado do Bias
ERRO ALEATÓRIO: σ [ Θ ] = [ E [Θ2] –E2 [Θ] ]1/2
ERRO DE BIAS: b [ Θ ] = E[Θ] - θ
O ERRO de BIAS pode ser sempre compensado, ou o ESTIMADOR pode ser

construído com b [Θ ] = 0
Estes ERROS podem ser NORMALIZADOS (dividindo-os por θ)
CARACTERÍSTICAS DOS ERROS DE UM ESTIMADOR:
Θ é estimador de θ
Se b [Θ] ≈ 0 Bias NULO

Se o ERRO aleatório normalizado ε ≤ 0.2 (pequeno) resulta:
p(Θ) é GAUSSIANA, portanto:
• E [Θ] = θ a média do estimador é igual à variável
• σ[Θ] = ε θ o desvio padrão do estimador é proporcional ao erro

FUNÇÕES DE DISTRIBUIÇÃO e DENSIDADE DE PROBABILIDADE:
P( x)  PROB( x  X ) é a função distribuição de probabilidade

se a  b  P (a )  P(b)
P()  0 e P ( )  1
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

EXEMPLOS DE FUNÇÕES DE PROBABILIDADE:
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
EXEMPLOS DE FUNÇÕES DE PROBABILIDADE:

GAUSSIANA:
( 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
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
ALGUNS ESTIMADORES ESTATÍSTICOS BÁSICOS:

(Funções do MATLAB)
- MÍNIMO DA AMOSTRA: min() L = min(u1 u2 u3 ….un)
- MÁXIMO DA AMOSTRA: max() U = max(u1 u2 u3 ….un)
- AMPLITUDE DA AMOSTRA: range() R=U–L
- MEDIANA DA AMOSTRA: median() MD=( un/2-1+un/2+1 )/2 n-par
MD= un/2 n-impar
- MÉDIA DA AMOSTRA: mean() ū = SOMA( ui )/n
- VARIÂNCIA DA AMOSTRA: var() σ2 = SOMA(ui – ū)2 /(n-1)
- DESVIO PADRÃO: std() σ = SQRT(σ2)
- SIMETRIA DA AMOSTRA: skewness() SK = SOMA(ui – ū)3 /(n σ3)
- AGUDEZA DA AMOSTRA: kurtosis() KT = SOMA(ui – ū)4 /(n σ4)
USO DO MATLAB – toolbox de ESTATÍSTICA
disttool: visualizar as fdp disponíveis e a influência dos parâmetros característicos.

xxxpdf e xxxcdf: funções para gerar as fdp e as acumuladas (xxx indica o tipo de
distribuição)
xxxinv: inversa das fdp, sendo xxx o tipo de distribuição. Estas funções são úteis
para o cálculo de intervalos de confiança e testes de hipóteses.
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
USO DO MATLAB – toolbox de ESTATÍSTICA
A probabilidade ACUMULADA:
cf = normcdf (x,0,1);
cf = normcdf (x,0,2);
Seja P = [0.005 0.995]; um vetor de probabilidades entre 0.005 e 0.995, ou

seja um faixa de 99 % de probabilidade
x = norminv (P,0,1); gera o INTERVALO de x com fdp Normal de média 0

e desvio padrão 1, com 99% de probabilidade (CONFIANÇA).
RESULTA: x = [-2.5758 2.5758]

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.
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
HISTOGRAMA - EXEMPLO
Foram realizadas 20 medidas da tensão de escoamento de um aço, resultando:
Se [MPa] (já em ordem crescente):
teste Se teste Se teste Se teste Se teste Se

1 448 5 510 9 539 13 551 17 579
2 471 6 519 10 543 14 554 18 590
3 498 7 530 11 545 15 559 19 600
4 507 8 536 12 546 16 570 20 619
LIMITES: L=448 e U = 619,

RANGE: R = U – L = 171 MEDIANA: MD = 533.5
MÉDIA: mean = 540.7 DESVIO PADRÃO: Std = 41.7
CLASSES: para nk = 5 => Ak = R/5 = 34.2;
ou: nk = 1+log(20)/log(2) = 5.32, logo  Ak = R/nk = 32.13
Organizando as CLASSES:
CLASSE RANGE nok fk=nok/20 fa

1 448 - 482 2 2/20 2/20
2 483 - 516 3 3/20 5/20
3 517 - 551 8 8/20 13/20
4 552 - 585 4 4/20 17/20
5 586 - 620 3 3/20 20/20
Uso do Matlab para criar o HISTOGRAMA:

Criar o vetor das medidas se = [se1 se2 ......se20];
A função hist(se, nk) gera o histograma com as medidas contidas no vetor
se com nk classes.
INFLUÊNCIA DO NÚMERO DE CLASSES
Aumentando nk NÃO melhora o aspecto da distribuição dos dados

INTERVALOS DE CONFIANÇA
Um processo de medição gera VÁRIAS AMOSTRAS para a variável (x):
Cada uma delas permite calcular

estimadores estatísticos para (x).
POR EXEMPLO :
Amostras:  x1 ,  x2  ,  x3 .....  xN 
Médias amostrais:  x1 ,  x2  ,  x3 .....  xN 
Desvios amostrais: s1 , s2  , s3 ..... s N 

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
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?
EXEMPLO: (continuação) Neste caso o valor de σ = 4 é CONHECIDO
  0.95  2  ( z1 )  1   ( z1 )  0.975  Tabela  z1  1.96

z1 1.96 x 4
D   0.784
N 100
Logo a vida média do componente é :
 [500.42 501.98] com 95% de CONFIANÇA
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
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
A média amostral NÃO tem fdp GAUSSIANA, mesmo com N grande.Entretanto:
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
EXEMPLO
Foram realizadas 10 medidas da resistência elétrica de um
componente elétrico resultando: média=10.48 Ω e desvio padrão =
1.36 Ω.
Qual é o intervalo para a média com probabilidade de α = 90%?

(1+ α)/2 = 0.95 , d= N-1 = 9  TABELA ou tinv((1+ α)/2 ,d)
Resulta: t9,0.95 = 1.833
Logo: D = 1.833 x 1.36 / 101/2 = 0.79 Ω
O intervalo será: 9.69 ≤ μ ≤ 11.27 com 90% de confiança

CRITÉRIO DE CHAUVENET
OBJETIVO: Remover da amostra de dados valores que tenham

dispersão em relação à MÉDIA superior a um valor PADRÃO.
Seja a amostra {x} = {x1 x2 x3 ….xN } com média e desvio padrão Sx
Define-se o desvio relativo à média: DR(xi) = | xi - x | /Sx.

Se DR(xi) > DRo  xi é REMOVIDO da amostra,
x e
RECALCULAM-SE os novos valores da Média e do Desvio Padrão amostrais.
Dro é a Taxa PADRÃO de desvio em relação à Média Amostral, determinada

em função do tamanho da amostra (N).
N 2 3 4 5 7 10 15 25 50 100 300 500
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
CRITÉRIO DE CHAUVENET
DRo(n)  2.8751 e0.0003n  1.0038 e 0.0212 n  1.2712 e 0.2674 n

TESTE DE HIPÓTESE: CHI-QUADRADO
OBJETIVO: Verificar a HIPÓTESE feita sobre a FORMA da fdp de uma

variável, a partir de uma amostra finita e discreta (tamanho N).
TÉCNICA: Construir o histograma com (nk) CLASSES e comparar o
número de ocorrências observado com aquele obtido com a fdp
assumida. A variável X2 definida abaixo tem fdp QUI-QUADRADO:
nk
( n  n ) 2
X2  o e k
k 1 nek
no – número de ocorrências na CLASSE k.

ne – número de ocorrências esperado na CLASSE k, para a fdp sob teste.
Usando a fdp Qui-quadrado com n graus de liberdade estatísticos:
com o valor de Xn2  α (confiança) , sendo n = nk – 1 – np
Sendo np – número de parâmetros da fdp testada. (se Normal  np = 2)
TESTE DE HIPÓTESE: CHI-QUADRADO - EXEMPLO
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
CLASSE (Ak) no ne (no – ne)2/ne

X2 = 0.683
2 1.94 0.0018
1 ( -
∞, 9.93)
n=5–3=2
2 (9.93, 10.05) 5 4.83 0.0057
3 (10.05, 10.18) 6 6.82 0.0981
4 (10.18, 10.29) 6 4.64 0.4020

confiança
5 (10.29, ∞) 1 1.52 0.1759 α = 71.07%
TESTE DE HIPÓTESE: CHI-QUADRADO
EXEMPLO: ver páginas 94 e 95 do livro “Randon Data” – Bendat &

Piersol.
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.
se {x} é uma amostra da entrada e {y} uma amostra da saída,

determinar y = f(x), tal que | ymedido – y | seja mínimo.
FUNÇÕES do MATLAB:
p = polyfit (x, y, n); %retorna os coeficientes do polinômio
de grau n ajustado aos dados x.
ya = polyval (p,x); %retorna os valores do polinômio

de coeficientes p em cada x.
y – ya; %calcula diferença entre os valores

ajustados e os medidos.
R = sum ((y – ya)./ya).^2; %calcula o resíduo quadrático de (y) em

relação à função ajustada (ya).
EXEMPLO: Num ensaio de calibração foi medida a saída {y} do SM para

entradas PADRÃO {x}. Neste caso os valores y apresentam incertezas,
porém têm valores crescentes entre Xmin e Xmax, correspondentes
aos limites da faixa de operação do SM.
x = -8.8:0.5:10; %valores de x
y = 2*y + randn (38,1); %saída medida

p = polyfit (x,y,1); %ajuste
ya = polyval (p,x); %saída ajustada
d = (y – ya)./ya; %desvio relativo
GRÁFICOS
plot (x, ya, x,y, ’o’) %superior
stem (x,d) %inferior

EXEMPLO: Com os mesmos dados do exemplo anterior, Uma forma

alternativa é o uso da função regress() do Matlab.
Monta-se uma matriz X = [ones (n,1) x] com a 1a coluna com valores 1 e a
2a coluna com os n valores de x.
[pr ,inter95, resi] = regress (y,X);

RETORNA:
pr – coeficientes do polinômio (α=95 %)
resi – os resíduos do ajuste em cada x
inter95 – o intervalo de confiança de pr
Se y = m x +b, com α = 95 %:
b = -0.312  [ -0.6178 -0.0064 ]
m = 2.011  [ 1.9554 2.0665 ]

REGRESSÃO MÚLTIPLA LINEAR

A saída {y} do SM é devida a várias entradas SIMULTÂNEAS
{x1}, {x2}, ..., {xk}:  y = f (x1,x2, ..., xk).
x1
SM y
xk
OBJETIVO: DETERMINAR A SUPERFÍCIE QUE MELHOR

AJUSTA A RESPOSTA DO SM PARA AS ENTRADAS.
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
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
As SOMATÓRIAS são realizadas para i = 1,…, N (tamanho das amostras)

O coeficiente de correlação global pode ser calculado por:
n  1    b1  yx1  b2  yx2  ......  bk  yxk  

 2
y
r  1  
nk 
 y 
2

 yxk    yi xki    yi   xki 

1
sendo :
N
 y    yi  N   yi 
1
2 2 2
As SOMATÓRIAS são realizadas para i = 1,…, N (tamanho das amostras)

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
CASO A - Os erros de um processo de medição podem estar

distribuídos em cada um dos componentes do Sm: conhecidos o erro
no sensor, o erro no condicionador e o erro no indicador, calcular o
ERRO do resultado da medição feita com o SM.
CASO B - Várias medições de grandezas físicas são combinadas para
derivar o resultado de um experimento: medição do diâmetro d com
incerteza Δd e medição da altura h com incerteza Δh. Calcular a
incerteza ΔV do resultado V obtido com a expressão V = π d2 h/4
Estes dois problemas podem ser formulados considerando:

a) Se a imprecisão de cada componente (ou medida) for
conhecida, como calcular a imprecisão do SM?
b) Se a imprecisão total desejada for especificada, como
determinar os limites das imprecisões de cada componente do SM (ou
de cada medida)?
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
Se Δy for especificado, pode-se estimar o limite para todos os Δxi,

considerando que suas CONTRIBUIÇÕES para o erro da saída são
IDÊNTICAS:
y
xi 
f
n
xi
Conhecidas as médias e desvios padrão das variáveis xi pode-se calcular
o desvio padrão de y, conforme as operações algébricas efetuadas com
as xi:
ADIÇÃO ou SUBTRAÇÃO : Sy  S x1 2  S x 2 2  .....  S xn 2
S x1 2 S x 2 2 S xn 2
M ULTIPLICAÇÃO : Sy  x1 x 2 .... x n  2  .....  2
x12 x2 xn
x x S x1 2 S x 2 2
DIVISÃO y 1 : Sy  1  2
x2 x2 x12 x2
EXPONENCIAÇÃO y  x1k : S  k x1 k 1 S x1
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
2. Calcular y = K R F L / T, conhecendo os intervalos de confiança:

K = 0.000952 (constante)
R = 1202 ±1.00 F = 10.12 ± 0.04 => ΔR = 1.00 e ΔF = 0.04
L = 15.63 ± 0.05 T = 60.00 ± 0.05 => ΔL = 0.05 e ΔT = 0.05
Usando os valores médios : y  3.017

y KFL y KRL y KFL
  0.0025   0.2980   2  0.050
R T F T T T
f
y   xi  0.049  y  3.017  0.049
xi
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 : n4  0.0025  0.2980  0.050
R F T
R  3.000 F  0.025 L  0.039 T  0.150
Comparando com os ERROS do caso anterior, conclui-se:

A medição de R e T  OK (têm requisito de erros < que os existentes)
As medições de F, L  NÂO (melhorar o procedimento para reduzir ΔF e ΔL).

Aula 5 PDF

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Aula 5 PDF

Încărcat de

Drepturi de autor:

Formate disponibile

FUNDAMENTOS DE PROBABILIDADE E ESTATÍSTICA

A VARIÁVEL (x) é CONTÍNUA  AMOSTRA FINITA e DISCRETA

A quantificação do ERRO será feita usando Fundamentos da Estatística: Função

CARACTERÍSTICAS DOS ERROS:

BIAS NULO BIAS E ALEATÓRIO

CARACTERÍSTICAS DOS ERROS DE UM ESTIMADOR:

ERRO MÉDIO QUADRÁTICO: E [ (Θ – θ)2 ] = E [ (Θ – E[Θ])2 ] + E [(E[Θ] - θ)2 ]

E [ (Θ – θ)2 ] = Var [Θ] + b2 [Θ] =

= quadrado do erro Aleatório + quadrado do Bias

ERRO ALEATÓRIO: σ [ Θ ] = [ E [Θ2] –E2 [Θ] ]1/2

ERRO DE BIAS: b [ Θ ] = E[Θ] - θ

O ERRO de BIAS pode ser sempre compensado, ou o ESTIMADOR pode ser

CARACTERÍSTICAS DOS ERROS DE UM ESTIMADOR:

Se b [Θ] ≈ 0 Bias NULO

p(Θ) é GAUSSIANA, portanto:

• E [Θ] = θ a média do estimador é igual à variável

• σ[Θ] = ε θ o desvio padrão do estimador é proporcional ao erro

FUNÇÕES DE DISTRIBUIÇÃO e DENSIDADE DE PROBABILIDADE:

P( x)  PROB( x  X ) é a função distribuição de probabilidade

EXEMPLOS DE FUNÇÕES DE PROBABILIDADE:

EXEMPLOS DE FUNÇÕES DE PROBABILIDADE:

ALGUNS ESTIMADORES ESTATÍSTICOS BÁSICOS:

USO DO MATLAB – toolbox de ESTATÍSTICA

disttool: visualizar as fdp disponíveis e a influência dos parâmetros característicos.

USO DO MATLAB – toolbox de ESTATÍSTICA

Seja P = [0.005 0.995]; um vetor de probabilidades entre 0.005 e 0.995, ou

x = norminv (P,0,1); gera o INTERVALO de x com fdp Normal de média 0

RESULTA: x = [-2.5758 2.5758]

teste Se teste Se teste Se teste Se teste Se

LIMITES: L=448 e U = 619,

CLASSE RANGE nok fk=nok/20 fa

Uso do Matlab para criar o HISTOGRAMA:

Aumentando nk NÃO melhora o aspecto da distribuição dos dados

Cada uma delas permite calcular

Amostras:  x1 ,  x2  ,  x3 .....  xN 

Médias amostrais:  x1 ,  x2  ,  x3 .....  xN 

Desvios amostrais: s1 , s2  , s3 ..... s N 

  0.95  2  ( z1 )  1   ( z1 )  0.975  Tabela  z1  1.96

A média amostral NÃO tem fdp GAUSSIANA, mesmo com N grande.Entretanto:

Qual é o intervalo para a média com probabilidade de α = 90%?

O intervalo será: 9.69 ≤ μ ≤ 11.27 com 90% de confiança

OBJETIVO: Remover da amostra de dados valores que tenham

Define-se o desvio relativo à média: DR(xi) = | xi - x | /Sx.

Dro é a Taxa PADRÃO de desvio em relação à Média Amostral, determinada

N 2 3 4 5 7 10 15 25 50 100 300 500

DRo(n)  2.8751 e0.0003n  1.0038 e 0.0212 n  1.2712 e 0.2674 n

TESTE DE HIPÓTESE: CHI-QUADRADO

OBJETIVO: Verificar a HIPÓTESE feita sobre a FORMA da fdp de uma

no – número de ocorrências na CLASSE k.

TESTE DE HIPÓTESE: CHI-QUADRADO - EXEMPLO

CLASSE (Ak) no ne (no – ne)2/ne

3 (10.05, 10.18) 6 6.82 0.0981

4 (10.18, 10.29) 6 4.64 0.4020

TESTE DE HIPÓTESE: CHI-QUADRADO

EXEMPLO: ver páginas 94 e 95 do livro “Randon Data” – Bendat &

se {x} é uma amostra da entrada e {y} uma amostra da saída,

ya = polyval (p,x); %retorna os valores do polinômio

y – ya; %calcula diferença entre os valores

R = sum ((y – ya)./ya).^2; %calcula o resíduo quadrático de (y) em

EXEMPLO: Num ensaio de calibração foi medida a saída {y} do SM para

y = 2*y + randn (38,1); %saída medida

ya = polyval (p,x); %saída ajustada

d = (y – ya)./ya; %desvio relativo