Testes de Aderencia

Universidade de Brasília
Departamento de Engenharia Mecânica

Programa de Pós-Graduação em Ciências Mecânicas
Programa de Pós-Graduação em Integridade Estrutural
Testes e Adequação de Dados à Distribuições de Probabilidade Específicas
Confiabilidade Estrutural
Professor
Jorge Luiz A. Ferreira
Introdução
Vamos analisar a seguinte situação:
Após ensaiar um lote de lâmpadas incandecente e outro de lampadas fluorecente com o objetivo
de avaliar o tempo de falha, os engenheiros da empresa estão interessados em identificar a
distribuição de probabilidade que melhor representa o comportamento de falha destes
dispositivos.
Tipo de Lâmpada Horas de Uso Até Falhar

Incandecente (1) 976 898 1020 1102 1096 1139 825 981 1088 913
Fluorecente (2) 10271 9710 9939 9729 10423 10001 10853 9845 9448 9398
Como Executar tal Tarefa ?

Lampada
Medidas Resumo
(1) (2)
Média 1004 9962
Desvio Padrão 103 449
C.V. 10.3% 4.5%
Algumas Técnicas
Existem Diversas Técnicas Disponíveis, Dentre as Quais Podem
ser Citadas:
Procedimento Heurísticos*: Testes de Adequação (Aderência)
•Comparação de Histogramas • Teste de Chi-Quadrados;

(Freqüências);
• Teste de Kolgorov-Smirnov;
•Análise Gráfica
• Teste de Anderson-Darling;
• Diagrama Q-Q
• Teste de Filliben
• Diagrama P-P
* Define-se procedimento heurístico como um método de aproximação das soluções dos

problemas, que não segue um percurso claro mas se baseia na intuição e nas circunstâncias.
Algumas Técnicas Heurísticas
Comparação de Histogramas (Freqüências)
Representam-se graficamente, utilizando a mesma escala, a função

densidade de probabilidade que supomos estar correta, e um histograma
dos dados. Existe coincidência entre os Gráficos ?
Dificuldades no uso:
300
Exige uma Quantidade de

Dados Experimentais Muito
200
100
Elevada (Consistência do Histograma)
Std. Dev = 1,03
Mean = -,01
0 N = 2000,00
-3 - - - - 0, ,5 1, 1 2 2 3
,0 2,5 2,0 1,5 1,0 -,50 00 0 00 ,50 ,00 ,50 ,00
0 0 0 0 0
DADOS
Análise Gráfica – Diagrama Q-Q ( Quantil - Quantil )
A construção do gráfico Q-Q baseia-se na hipótese que, após a ordenação

crescente dos dados, a i-ésima observação da amostra, Xi, pode ser
assumida como uma estimativa do quantil da distribuição, ou seja:
Identificação da
A B C D E F G H I J
Amostra de Lampada
Vida [Horas] 976 898 1020 1102 1096 1139 825 981 1088 913
Ordenação dos Dados
Identificação da
G B J A H C I E D F
Amostra de Lampada
Vida [Horas] 825 898 913 976 981 1020 1088 1096 1102 1139
Freqüência Observada 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%

Assim, tal estimativa do quantil pode ser usada na comparação da
probabilidade acumulada, Prob(Xi ≥ x), associada a uma Função de
distribuição de probabilidade específica (modelo), F(Xi) , ou seja:
xqi  F 1
Qi 
Onde F-1 é a função inversa da função de distribuição modelo, xqi é o valor
previsto para quantil associado à i-ésima freqüência acumulada observada
experimentalmente, identificada por Qi Construção da
Identificação da
Amostra de Lampada
G B J A H C I E D F F.O. não foi
Vida [Horas] 825 898 913 976 981 1020 1088 1096 1102 1139 Justa !!
 Diferença  20,5%
?
x qi 871.1 916.7 949.5 977.6 1004 1030 1058 1091 1136 #NÚM!
Diferença (%) 5.6% 2.1% 4.0% 0.2% 2.3% 1.0% 2.7% 0.5% 3.1% #NÚM!
Para corrigir o efeito da observação amostral sobre o comportamento da

cauda várias fórmulas diferentes têm sido usados. Tipicamente, para a
determinação dos quantis é utilizada a seguinte fórmula: é i/ (n + 1):
i onde i é a posição do i-ésimo dado observado após a ordenação da

Qi  amostra e n é o tamanho da amostra
N 1
Identificação da
G B J A H C I E D F
Amostra de Lampada
Vida [Horas] 825 898 913 976 981 1020 1088 1096 1102 1139
 Diferença  19,5% x qi 865.6 909.7 941.2 967.7 992 1016 1040 1066 1098 1142.04
Diferença (%) 4.9% 1.3% 3.1% 0.9% 1.1% 0.4% 4.4% 2.7% 0.4% 0.3%
Na literatura são citadas outras metodologias para a estimativa do valor do

quantil. As expressões em geral têm a forma (i - k) / (n+1-2∙k) para algum
valor de k na faixa de 0 - 1/2, que dá um intervalo entre i / (n + 1) e (i -
1/2)/n
Outras Fórmula que podem ser Utilizadas:
 i  0,3  i 1 3  i  0,4  i  0,567

 n  0,4 n 1 3  n  0,2  n  0,134

Qi   Qi   Qi   Qi  
 i  0,3175  i  0,375  i  0,44  i 1
 n  0,365  n  0,25  n  0,12  n  1
Estimativa do Quantil Q para cada fórmula:

100%
90%
80%
70%
Quantil
60%
50%
40%
30%
20%
10%
0%
0 2 4 6 8 10
Posição do Dado
a b c d e f g h

Normal Q-Q Plot of VAR00001
1200
Estimativa do Quantil Q para cada fórmula: 1100
1,200
Expected Normal Value

1000
a b 900
1,100 800
800 900 1000 1100 120
Observed Value

c d
Previsão
1200
1,000 1100

1000
900 e f 1200
900
1100 800
800 900 1000 1100 120
Observed Value
1000
800
800 900 1000 1100 1200
g
900
Experimento 800
800 900 1000 1100 1200
Observed Value
Diferença Percentual Gerada Por cada Metodologia de Estimativa do

Quantil:
4,5%
4,0%
a
3,5%
b
Diferença (%)
3,0%
c
2,5%
d
2,0%
e
1,5%
f
1,0%
g
0,5%
0,0%
1 2 3 4 5 6 7 8 9 10
Posição do Dado Experimental
Como Avaliar se os Dados se Ajustam Bem à Função de Distribuição de

Probabilidade Modelo ?
Uma Possibilidade é Usar o Coeficiente de Explicação !!!!
1200 1200
1150 1150
1100 1100
Valor Esperado
Valor Esperado
1050 1050
1000 1000
950 950
900 900
850 850
800 800
800 900 1000 1100 1200 800 900 1000 1100 1200
Média: 1004 y = 0.9982x Média: 1000
Valor Observado Valor Observado y = 0.9982x
Desvio Padrão: 113 R² = 0.9104 Desvio Padrão: 200 R² = 0.9104
Análise Gráfica – Diagrama Q-Q ( Quantil-Quantil )

Assim, usando o exemplo será possível apresentar os seguintes resultados
Identificação da Amostra
G B J A H C I E D F
de Lampada
Vida [Horas] 825 898 913 976 981 1020 1088 1096 1102 1139
Frequencia Observada 6.7% 16.3% 26.0% 35.6% 45.2% 54.8% 64.4% 74.0% 83.7% 93.3%
Qxi 4.2% 15.3% 19.0% 39.4% 41.3% 56.2% 79.2% 81.3% 82.9% 90.4%
1.00
0.80
Quantil Esperado
0.60
0.40
0.20
0.00
0.00 0.20 0.40 0.60 0.80 1.00
Média: 1003,8 y = 1.0301x
Quantil Observado
Desvio Padrão: 103,5 R² = 0.9625
Análise Gráfica – Diagrama P-P ( Probabilidade - Probabilidade )
A idéia básica na construção do gráfico P-P é similar a que foi proposta

para a construção do gráfico Q-Q. A diferença básica entre ambos é que
no gráfico Q-Q são plotados os quantiles, enquanto no gráfico P-P são
plotadas as freqüências ou probabilidades associadas aos xi, ou seja:
Qxi  F  xi  Onde F é a função de distribuição a ser testada

(modelo), xi é o valor previsto para o i-ésimo
dado experimental, e Qxi é o valor previsto pelo
Função de distribuição modelo.
Testes de Adequação ou de Aderência
Teste de Chi-Quadrados (c2) Karl Pearson

1895 - †1980
A idéia é comparar as freqüências observadas com as freqüências
esperadas. Assim, considerando:
• Uma tabela contendo as K (K>2) classes e as, Ok
respectivas, freqüências O1, ..., Ok (  k 1, , K Oi  N ),
observadas em um processo de amostragem.
• As probabilidades associadas a distribuição modelo, Ek
associadas às k classes, tal que p1 = p01; ... ; pk = p0k Distribuição de
Freqüências
• As freqüências esperadas: E1; ...; EK , Ek = N∙p0k, tal Hipotético
que:

k 1, , K
Ek  N
k-ésima Classe Histograma
Teste de Chi-Quadrados (c2)
A partir destas considerações pode-se admitir duas situações possíveis :
Situação A : As probabilidades observadas e modelo são estatisticamente iguais, ou

seja: p1 = p01 , p2 = p02, pK = p0K
Tal situação será admitida como Hipótese de Nulidade – H0
Situação B : Existe pelo menos em uma das classes a probabilidade observada é

estatisticamente diferente da probabilidade modelo.
Já esta situação será admitida como Hipótese Alternativa – H1

Com a intenção de construir uma metodologia para avaliar se a

admissibilidade da situação 1, será proposta a seguinte estatística:
 Ok  N  pk   Ok  Ek 
2 2
c 2   k 1
K

Ok Ok
Estatística esta, formada pelas realizações Ok, associadas as k classes e pelos seus
respectivos valores esperados de ocorrência de um evento na k-ésima, rk, Ek = E[rk],
os quais, se a hipótese nula for verdadeira, são iguais a Npk.
Assim, a estatística c2 expressará a soma das diferenças quadráticas entre as

realizações das variáveis aleatórias rk e suas respectivas médias populacionais.
Quando N tende para o infinito, a estatística c2, tal como expressa pela
equação anterior, segue uma distribuição de Qui-Quadrado, com n = (r-1)
graus de liberdade, ou seja:
r 3 x
 Assim, para grandes valores de N, pode-se,
e
 
2 2
x x
lim P c  x H 0  
2
r 2
dx portanto, empregar esse resultado para
N  0
 r2 testar a hipótese nula H0 de que as
2 2  
 2  freqüências relativas esperadas de rk
sejam dadas por N∙pk, com pk calculadas pela
distribuição de probabilidades proposta.
Um valor elevado da estatística de teste revela grandes diferenças entre as freqüências
observadas e esperadas, sendo um indicador da pouca aderência da distribuição especificada,
sob H0, à amostra.

Tabela de c2
Importante:
• A distribuição limite da estatística de teste não depende de pk, contido em H0.
• Na prática, o teste de aderência do c2 fornece resultados satisfatórios para N >

50 e para N∙pk ≥ 5, com k =1, 2, ... , K.
• Se as probabilidades associadas ao modelo, pk , forem calculadas a partir de uma

distribuição de P parâmetros, estimados pelas observações amostrais, perde-se P
graus de liberdade adicionais. Em outras palavras, o parâmetro n, da distribuição da
estatística de teste c2, será n = (K – P - 1).
Teste de Chi-Quadrados (c2) - Exemplo

Considere um conjunto testes realizados em motores
monocilíndricos com um certo tipo de combustível. O número
de detonações foi gravado durante 30 minutos. Dez destes
motores foram testados e os resultados são apresentados a
seguir. Avaliar, a um nível de significância de 95%, se os dados
amostrais podem ser descritos por uma distribuição de
Poisson?
Resultados dos Ensaios de Detonação
Número de Detonações
Número de Vezes que o
Número de Detonações
Solução:
Evento Ocorreu durante
Núm Médio de Detonação por
por Minuto Durante o Ensaio
o Ensaio
0 134 0 Minutos: 0,72 (216/(10*30))
1 123 123
Se x representar a ocorrência de
2 37 74
3 5 15
4 1 4
detonações em um intervalo de
5 0 0
6 0 0 tempo, o parâmetro da distribuição,
Total 300 216
l, será igual a 0,72

Implementação do Teste
nx
E  N P  x  N e n
x!
Número de Vezes que o Evento Ocorreu durante o Ensaio Classes, K 4
Número de Detonações Previsto com Base na
O  E 2 Parâmetros Estimados, P 1
Observado na Amostra (O) E Graus de Liberdade, n  KP1
por Minuto Distribuição de Poisson (E) 2
0 150 145 0,172
1 100 105 0,238
2 36 39 0,231
>3 14 11 0,818
Soma 300 300 1,459
c21a,n 5,99
Função Inv.Qui do Excel
Conclusão: Considerando que c2 < c21-a,n, a decisão é a de não rejeitar a hipótese de

nulidade, H0, ou seja admitir que os dados observados podem ser descritos por uma
distribuição de Poisson com média igual a 0,72
Teste de Kolmogorov-Smirnov Smirnov, V. I. Kolmogorov, A., N.

1887 - †1974 1903 - †1987
Dados
Amostrais (X) Posição Dados Amostrais P(x<X)
O teste de aderência de 7.87

(i)
1
(X)
5.10
Observado Modelo
0.048 0.051
7.04
Kolmogorov-Smirnov (KS) é um 14.99
2
3
6.33
6.38
0.095
0.143
0.110
0.114
9.38
teste não paramétrico, cuja
4 6.95 0.190 0.155
9.87 5 7.04 0.238 0.162
Ordenar
9.87 6 7.54 0.286 0.206
estatística de teste tem como 11.11
14.40
7
8
7.87
9.38
0.333
0.381
0.239
0.418
base a diferença máxima entre as e Tratar

10.14 9 9.43 0.429 0.424
11.40 10 9.87 0.476 0.483
funções de probabilidades
6.38 11 9.87 0.524 0.483
9.43 12 10.14 0.571 0.518
5.10 13 10.94 0.619 0.623
acumuladas, empírica e teórica 12.65 14 11.11 0.667 0.644
6.95 15 11.40 0.714 0.680
(modelo), de variáveis aleatórias 6.33 Frequencia 16 11.77 0.762 0.723
7.54 17 12.34 0.810 0.782
i  0.3
contínuas. 12.34
11.77
Qi 
N  0.4
18
19
12.65
14.40
0.857
0.905
0.812
0.929
10.94 20 14.99 0.952 0.952

1887 - †1974 1903 - †1987
O teste de aderência de
Kolmogorov-Smirnov (KS) é um 1.000
teste não paramétrico, cuja

0.900
Distribuição Acumulada
0.800
estatística de teste tem como 0.700

0.600
base a diferença máxima entre as 0.500

Observado
0.400
funções de probabilidades
Modelo
0.300
D
acumuladas, empírica e teórica
0.200
0.100
(modelo), de variáveis aleatórias 0.000

0.00 2.00 4.00 6.00 8.00 10.00 12.00 14.00 16.00
contínuas.
Variável Aleatória

1887 - †1974 1903 - †1987
Considere que X represente uma variável aleatória contínua, de cuja

população extraiu-se a amostra {X1, X2, ... , XN}. A hipótese nula a ser
testada é H0: P(X < x) =FX(x), onde FX(x) é suposta conhecida, ou seja, seus
parâmetros não são estimados a partir da amostra. Para implementar o
teste KS, inicialmente, classifique os elementos da amostra {X1,X2, ... , XN}
em ordem crescente, de modo a constituir a seqüência {x(1), x(2), ... , x(m) , ...
x(N)}, na qual 1 ≤ m ≤ N denota a ordem de classificação. Para cada elemento
x(m), a distribuição empírica FN(x(m)) é calculada pela proporção de valores
amostrais que não excedam x(m), ou seja, FN = Quantil.
Teste de Kolmogorov-Smirnov
Em seguida, calcule as probabilidades teóricas, segundo FX(x), tendo como
argumento os valores x(m). A estatística do teste KS é dada por

DN  sup FX  xm   FN  xm   F xm  

N
m 1
N
  xm   FN  x m  
m
D  sup FX  xm   F

N

N N
Assim, DN corresponderá à maior diferença entre as probabilidades
empírica e teórica (central, a direita ou a esquerda).
Se a hipótese de nulidade, H0, for verdadeira quando N , a estatística

DN irá tender a zero. Por outro lado, se N é um valor finito, a estatística DN
deverá ser da ordem de grandeza de 1
N
e, portanto, a quantidade DN N não
irá tender a zero, mesmo para valores muito elevados de N. Smirnov (1948)
determinou a distribuição limite da variável aleatória DN N, a qual, sob a
premissa de veracidade da hipótese H0, é expressa por:
  2k 12  2 
 
2  
lim P
x 
 
N  DN  z 
z
e
k 1
 8 z 2 
Valores críticos da estatística DN,a do teste de aderência KS
Importante:
A construção da estatística do teste KS parte da premissa que FX(x) é
completamente conhecida e, portanto, que seus parâmetros são
especificados e, portanto, não são estimados a partir da amostra.
Entretanto, quando as estimativas dos parâmetros são obtidas dos
elementos da amostra, simulações de Monte Carlo demonstram que o teste
KS é conservador quanto à magnitude do erro do tipo I, podendo ocorrer
rejeições indevidas da hipótese nula. Com o objetivo de corrigir tal
situação, Crutcher (1975) apresenta novas tabelas de valores críticos da
estatística DN,a para amostras de tamanhos variáveis, considerando, sob H0,
as distribuições exponencial, gama, normal e Gumbel.
Exemplo: Avaliar se os dados amostrais (A) são N(10,3), a = 95%
Dado P(x<X) DN
Posição
Amostra Amostral Amostral
(i) Modelo Esquerda Direita
10.32 (x) Esquerda Direita
8.84 1 4.96 0.046449 0.00 0.05 0.046 0.004
12.27 2 7.62 0.213965 0.05 0.10 0.164 0.114
7.95 3 7.95 0.246925 0.10 0.15 0.147 0.097
7.62 4 8.41 0.298105 0.15 0.20 0.148 0.098
5 8.84 0.34901 0.20 0.25 0.149 0.099
12.18
6 9.01 0.370372 0.25 0.30 0.120 0.070
9.67 7 9.04 0.374554 0.30 0.35 0.075 0.025
11.77 8 9.65 0.453505 0.35 0.40 0.104 0.054
8.41 9 9.67 0.45558 0.40 0.45 0.056 0.006
12.67 10 10.32 0.542588 0.45 0.50 0.093 0.043
14.42 11 11.77 0.722373 0.50 0.55 0.222 0.172
12 11.98 0.744957 0.55 0.60 0.195 0.145
14.43
13 12.18 0.766686 0.60 0.65 0.167 0.117
9.01 14 12.27 0.775598 0.65 0.70 0.126 0.076
11.98 15 12.67 0.813043 0.70 0.75 0.113 0.063
16.11 16 12.86 0.829951 0.75 0.80 0.080 0.030
9.04 17 13.53 0.880154 0.80 0.85 0.080 0.030 Conclusão: Considerando que D20 < D20, 95%, a decisão
13.53 18 14.42 0.929838 0.85 0.90 0.080 0.030
12.86 19 14.43 0.930235 0.90 0.95 0.030 0.020 é a de não se rejeitar a hipótese de nulidade, H0, ou
seja admitir que os dados observados podem ser
20 16.11 0.979125 0.95 1.00 0.029 0.021
9.65
Máximo 0.222 0.172
4.96 Máximo 0.222
descritos por uma distribuição de N(10,3).

Testes de Aderencia

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Testes de Aderencia

Caricato da

Copyright:

Formati disponibili

Universidade de Brasília

Departamento de Engenharia Mecânica

Tipo de Lâmpada Horas de Uso Até Falhar

Como Executar tal Tarefa ?

•Comparação de Histogramas • Teste de Chi-Quadrados;

* Define-se procedimento heurístico como um método de aproximação das soluções dos

Algumas Técnicas Heurísticas

Comparação de Histogramas (Freqüências)

Representam-se graficamente, utilizando a mesma escala, a função

Exige uma Quantidade de

Algumas Técnicas Heurísticas

Análise Gráfica – Diagrama Q-Q ( Quantil - Quantil )

A construção do gráfico Q-Q baseia-se na hipótese que, após a ordenação

Ordenação dos Dados

Algumas Técnicas Heurísticas

Algumas Técnicas Heurísticas

Análise Gráfica – Diagrama Q-Q ( Quantil - Quantil )

Para corrigir o efeito da observação amostral sobre o comportamento da

i onde i é a posição do i-ésimo dado observado após a ordenação da

Algumas Técnicas Heurísticas

Análise Gráfica – Diagrama Q-Q ( Quantil - Quantil )

Na literatura são citadas outras metodologias para a estimativa do valor do

 i  0,3  i 1 3  i  0,4  i  0,567

Algumas Técnicas Heurísticas

Análise Gráfica – Diagrama Q-Q ( Quantil - Quantil )

Estimativa do Quantil Q para cada fórmula:

Algumas Técnicas Heurísticas

Análise Gráfica – Diagrama Q-Q ( Quantil - Quantil )

Estimativa do Quantil Q para cada fórmula: 1100

Expected Normal Value

Normal Q-Q Plot of VAR00001

Expected Normal Value

Algumas Técnicas Heurísticas

Análise Gráfica – Diagrama Q-Q ( Quantil - Quantil )

Diferença Percentual Gerada Por cada Metodologia de Estimativa do

Algumas Técnicas Heurísticas

Análise Gráfica – Diagrama Q-Q ( Quantil - Quantil )

Como Avaliar se os Dados se Ajustam Bem à Função de Distribuição de

Algumas Técnicas Heurísticas

Análise Gráfica – Diagrama Q-Q ( Quantil-Quantil )

Algumas Técnicas Heurísticas

Análise Gráfica – Diagrama P-P ( Probabilidade - Probabilidade )

A idéia básica na construção do gráfico P-P é similar a que foi proposta

Qxi  F  xi  Onde F é a função de distribuição a ser testada

Testes de Adequação ou de Aderência

Teste de Chi-Quadrados (c2) Karl Pearson

Testes de Adequação ou de Aderência

Teste de Chi-Quadrados (c2)

A partir destas considerações pode-se admitir duas situações possíveis :

Situação A : As probabilidades observadas e modelo são estatisticamente iguais, ou

Tal situação será admitida como Hipótese de Nulidade – H0

Situação B : Existe pelo menos em uma das classes a probabilidade observada é

Já esta situação será admitida como Hipótese Alternativa – H1

Testes de Adequação ou de Aderência

Teste de Chi-Quadrados (c2)

Com a intenção de construir uma metodologia para avaliar se a

Assim, a estatística c2 expressará a soma das diferenças quadráticas entre as

Testes de Adequação ou de Aderência

Teste de Chi-Quadrados (c2)

Testes de Adequação ou de Aderência

Teste de Chi-Quadrados (c2)

Testes de Adequação ou de Aderência

Teste de Chi-Quadrados (c2)

• Na prática, o teste de aderência do c2 fornece resultados satisfatórios para N >