Um equipamento pode registrar concentração a cada segundo e produzir uma planilha extensa sem acrescentar informação na mesma proporção. Se medições vizinhas ainda descrevem o mesmo pulso de processo, tratá-las como independentes subestima a incerteza da média. Em correntes com metais preciosos, isso pode criar uma falsa impressão de estabilidade exatamente onde há maior interesse econômico em conhecer a variabilidade.
O que a autocorrelação mede
A autocorrelação compara uma série com ela própria em instantes separados por uma defasagem. O manual do NIST a utiliza para investigar dependência temporal e orientar modelos de séries; a formulação apresentada pressupõe observações igualmente espaçadas.
Não basta repetir uma leitura muitas vezes. O intervalo entre leituras precisa ser interpretado diante do tempo de mistura, do transporte da amostra e da dinâmica do processo. Esses tempos são propriedades da instalação, não valores que possam ser presumidos a partir da frequência do arquivo.
Um modelo com memória explícita
Considere um modelo ilustrativo estacionário, com desvio-padrão marginal σ e correlação entre observações separadas por k intervalos igual a ρᵏ. Para a média de N leituras:
Var(média) = σ²/N × [1 + 2 Σ(1 − k/N)ρᵏ], somando k de 1 até N−1.
A expressão é obtida somando as variâncias e todas as covariâncias dos termos da média. Se ρ = 0, desaparecem as covariâncias e retorna a fórmula usual σ²/N. O número efetivo de observações, definido para essa variância da média, é:
N efetivo = N / [1 + 2 Σ(1 − k/N)ρᵏ].
Essa definição não transforma amostras físicas em frações de frascos. Ela compara a precisão da média com a que se obteria de observações independentes no mesmo modelo.
O exemplo de cem pontos com ρ = 0,8
Para N = 100 e ρ = 0,8, o fator entre colchetes é aproximadamente 8,60. O número efetivo cai para 11,63. Se o coeficiente de variação marginal for 10%, o erro-padrão relativo da média será:
| Hipótese | Erro-padrão relativo |
|---|---|
| Cem observações independentes | 1,00% |
| Modelo correlacionado adotado | 2,93% |
A segunda incerteza é quase três vezes a primeira. O problema não é um instrumento necessariamente ruim: é aplicar uma fórmula de independência a uma série com memória.
O que fazer com essa informação
O primeiro passo é conservar timestamps e intervalos. Depois, examinar tendência, mudanças de regime e autocorrelação. Uma série que mistura partida, operação e parada pode não ser estacionária; nesse caso, ajustar um único ρ para todo o período não resolve a estrutura do processo.
Também não é obrigatório descartar leituras para “fabricar independência”. Elas podem ser úteis para detectar transientes. O que precisa mudar é a análise da média e de sua incerteza. O conceito de tamanho efetivo aparece, por exemplo, em ferramentas de análise de cadeias correlacionadas; sua aplicação a uma planta exige um modelo adequado à planta.
Uma decisão operacional melhor
Para um tanque agitado ou um fluxo de resíduo com PGM, mais leituras no mesmo intervalo curto podem ser menos informativas que cobrir ciclos distintos de geração. O planejamento deve separar frequência para monitorar dinâmica de cobertura para estimar a média da campanha.
O resultado útil não é declarar “100 amostras” em um relatório. É demonstrar que a estimativa representa o período, indicar a dependência observada e calcular a precisão com hipóteses compatíveis. Os números deste artigo são um modelo de comparação, não medições de uma instalação CATPRO.
Artigos relacionados
Solicitar avaliação
Use enviar material ou fale pelo WhatsApp 5511986837092. Para uma peça automotiva, consulte o CATPRO Lite.