Fundamentos Da Teoria de Erros

ii Trabalho dedicado 4 meméria de meu pai Adalberto Felipe Vuolo Embora este Guia fornega um esquema de trabalho para atribuir incerteza, ele nado pode substituir pensamento crttico, honestidade intelectual e habili- dade profissional. A avaliacéo de incerteza néo é uma tarefa de rotina, nem um trabalho puremente matemdtico; depende de conhecimento detalhado da natureza do mensurando e da medicdo. Assim, a qualidade e utilidade da incerteza apresentada para o resultado de uma medigdo dependem, em tltima insténcia, da compreensdo, da andlise critica e da integridade daqueles que contribuiram para atribuir o valor 4 mesma. Tradugio de trecho do “Guide to the Expression of Uncertainty in Measurement” Publicag&io de 1993, em nome das Instituigdes BIPM IEC IFCC ISO IUPAC IUPAP OIMLJOSE HENRIQUE VUOLO Professor Assistente Dontor do Instituto de Fisica da Universidade de Séo Paulo FUNDAMENTOS DA TEORIA DE ERROS 25 edicdo revista e ampliada C EDITORA EDGARD BLUCHER LTDA©1996 José Henrique Vuolo 2 edigtio - 1996 4® reimpressdio ~ 2005 E proibide: a reprodugéa total ou paveial por quaisguer ntelos sem autorieagdo escrita da editora EDITORA EDGARD BLOCHER LTDA Rua Pedrose Alvarenga, 1245 - ej. 22 04531-012 ~ Sao Paulo, SP - Brasit Fax: (0xx11)3079-2707 e-mail: editova@blucher.com br site: www.blucher.com.br Huipresso uo Brasil Printed in Brazit ISBN 85-212-0056-0 FICHA CATALOGRAFICA. Vuolo, José Henrique, 1950- Fundamentos da teoria de eros / José Henrique Vuolo — Siio Paulo: Edgard Biticher, 1996 Bibliografia, ISBN 85-212-0056-0 1, Teoxia dos ervos 1. Titulo. 05-6233 CDD-S11 + indices para catalogo sistematico: 1. Teoria do orros: Mateméticn $11.43Prefaécio da 2a Edicao Este texto foi escrito para ser utilizado em cursos de laboratério de de Fisica Geral para alunos de Pisica e Engenharia, sendo baseado em apostilas e textos isolados que escrevi ao longo dos anos desde 1976. Entretanto, varios tépicos foram acrescentados para dar maior rigor € consisténcia ao conjunto. Assim, acredite que o texto seré util também para estudantes de Iniciagdo Cientifica e Pés-graduacio, no tratamento de dades experimentais. Uma. das dificuldades do assumto ¢ a existéncia de algumas di- vergéncias na nomenclatura ¢ em regras bésicas relativas a incertezas. Felizmente, tem sido realizado um esforgo, em nivel de organizagdes internacionais, no sentido de unificar a nomenclaturae se chegar a um consense quanto a certas regras basicas. Um dos bous resultados desse esforgo 4 a publicac&o de um texto importante no assunto, 0 Guide to the Expression of Uncertainty in Measurement (Referéncia 20}, edi- tado em 1993 em nome de varias organizagées internacionais ( BIPM, IEG, IFCC, ISO, IUPAC, IUPAP e OIML). Esta publicagio serviu de base para modificagdes na nomenclatura desta 2a Hdigéo, em relagao & is Edigio. Além disso, algumas palavras foram modificadas conforme a traducdo patrocinada pelo INMETRO em 1994 (Referéncia 22), do International Vocabulary of Basic and General Terms in Metrology, também publicado em nome das organizag6es citadas. Agradego a Odair G. Martins, pelas Gteis discussdes sobre o assunto. Agradego ao Prof. Vito R. Vanin por apontar falhas de nomenclatura ¢ outras falhas conceituais em apostila preliminar que escrevi, além de outras valiosas sugestées. Agradecgo ac Prof. Giorgio Moscati, pela valiosa colaboragdo em questées relativas & Metrologia. Agradeco ao Prof. Aluisio N. Fagundes pela grande ajuda no uso do computador e de programa ETpX, utilizados na edic&o deste texto. SSo Paulo, Setembro de 1995 THvVuoleIndice Capitule 1 - Probabilidades Distribuigdes para varidvel discreta 1.1, Probabilidade e frequéncia relativa 1.2, Distribuigao de varidvel discreta ... 1.3. Valor médio e desvio padrio . 1.4, Distribuig&o binomial 1.5. Distribuigic de Poisson 1.6. Aplicagdes da distribuig&o de Poisson » Room wH Capitulo 2 - Probabilidades Distribuigdes para varidvel continua 2.1. Varidvel continua ..... 2.2, Fungiio de densidade de probabilidade 2.3. Valor médio e desvio padrao 2.4. Funcdo de Laplace-Gauss 2.5. Histograma .... Capitulo 3 - Distribuicaéo gaussiana 38.1. Valor verdadeiro do mensurando . Al 3.2. Definigéo de erro . 44 3.3. Distribuicdo de Laplace-Gauss . 4B 3.4. Justificativa para a fungao gaussiana . - 46vill Capitulo 4 - Incerteza 4d. 4.2. 4.3. 44, 4.5. Objetivos da teoria dos erros Formas de indiear a incerteza, Intervale de confianga Interpretagao da incerteza padrao Limite de erro 4.5.1, Distribuigiio gaussiana 4.5.2, Outras distribuigées . 4.5.3. Regra pratica .......c0cc0ccccceseeeseeseeeeeeeees Capitulo 5 - Algarismos significativos 5.1. 5.2, 5.3. 5.4. . Algarismos significativos na grandeza 55. 5.6. 5.7. Incerteza padrao experimental Conceito de algarismo significative Algarismos na incerteza padrdo Arredondamento de mimeros .... Formas de indicar a incerteza padréc Grandezas som indicagdo da incerteza 0... 73 Capitulo 6 - Erros sistemdticos e estatisticos 6.1. 6.2. 6.3. 6.4. 6.5. 6.6. 6.7. Valor médio de n resultados Erros estatisticos e sistematicos Erros estat{sticos Erzos sistematicos 6.4.1 Erros sistematicos instrumentais . 6.4.2 Erros sistematicos ambientais .. 6.4.3 Erros sistematicos observacionais 6.4.4 Erros sistematicos tedricos e outros Incertezas sistematicas residuais Erros grosseiros ... . . Incertezas de tipo Ae de tipo B feeb b ee eect eee ee eens 87Capitulo 7 - Valor médio e desvio padrao 7.1. Valor médio verdadeiro . Desvio padrao para n medigées .. . Desvio padrao no valor médio 7.4. Desvio padrao experimental 7.5. Limite de erro estatistico 7.6, A incerteza padrao 7.7. Incerteza sistematica residual 7.8. Incertezas relativas 7.9. Resume Capitulo 8 - Propagagao de incertezas 8.1. Férmula de propagagio de incertezas 8.2. Algumas formulas de propagacio 8.3. Dedug&o da formula de propagacao 8.4. Covaridncia 8.5. Cerrelagao 8.6. Transferéncia de incerteza 8.7, Combinagdo de incertezas tipo Boo... . cc sec ese e eee en eee Capitulo 9 - Instrumentos de medigio 9.1. Leitura de instrumentos 9.2. Incertezas de tipo A e tipo B 9.3. Estimativa da incerteza de tipo B .... 9.4. Erros de calibragio 9.5. Erro instrumental 101 - 107 Lig 115 . 18 . 11 » 122 . 125 127 . 129 . 130 . 130 . 138 Capitulo 10 - Método de maxima verossimilhanga 19.1. Conjunto de pontos experimentais 10.2. Ajuste de fungdo ............---5 1.3. Método de maxima verossitnilhancga 10.4. Qualidade de um ajuste de fungio 4 » 143 . 144 . 146x Capitulo 11 - Método dos mfnimos quadrados 11.1. Dedugio do método . 11.2. Melhor aproximagdo em n medigdes 1L3, Média para n medigdes idénticas Capitulo 12 - Fungao linear nos parametros 12.1. Solugao geral para os parametros 12.2. Inversdo de matrizes 12.3. Incertezas nos pardmetros 12.4, Covariancia dos parametros .... 12.5. Ajuste para incertezas ignais 12.6. Interpretagdo de x” bene eee 12.7. Independéneia entre os parametros . Capitulo 13 - Regressao linear e polinomial 13.1. Ajuste de reta .., 13.1.1. Caso geral 13.1.2. Ajuste de reta para incertezas iguais ........ 13.1.8. Ajuste de reta yzax 22... cece sees 13.1.4. Ajuste de reta y=ax, com incertezas iguais 13.2. Ajuste de polinémio . 18.3. Covarianeia dos pardmetros ..........6s0ceeeeseeces Capitulo 14 - Qualidade de ajuste 14.1, Verossimilhanca no ajuste de funcio 14.2. Barras de incerteza ...... 14.3. Teste de x?-reduzido 14.4. Utilizagdo de x24... 14.5. Incertezas descomhecidas ¢ iguais .......0.....es00 e+ 149 - 152 155, 187 ~ 162 . 163 - 166 - ETL . 172 175 -. 176 _ 1? . 179 180 189 . 193 - 195 - 201xi Apéndice A ~ Probabilidades A.1. Definig&o de probabilidade vee 211 A.2. Lei dos grandes miimeros » 213 A.3. Teorema do limite central » 213 A.4, Teorema de Lindeberg-Feller » 245 Apéndice B - Vocabulario sobre erras B.1. Introdugao 27 B.2. Vocabulério .. Apéndice C - Regras ortodoxas e aleatérias - 227 C.1. Teorias “ortodoxa” e “aleatéria” C.2. Recomendagdes do BIPM sobre incertezas .3. Regras ortodoxas C.A. Discussao sobre as regras Apéndice D Critério de Chauvenet .. » 233 Apéndice E Varidveis correlacionadas (Propagacio de incertezas) ....... 235 Apéndice F Incerteza no desvio padr8o .. 6... cc eee eee cee rear eee e ee 237 Referéncias bibliograficas Indice remissivo ..........060c cc ccceeceeeee trees 241Capitulo 1 Probabilidades Distribuigdes para variavel discreta Resumo Neste capttulo sdo resumidos alguns conceitos bdsicos sobre probabilidades e sabre distribuigdo de probabilidades com varidvel discreta. Em particular, sdo deduzidas as distribuicées binomial e de Poisson, tm- portanies exemplos de distribuicées discretas. 1.1 Probabilidade e frequéncia relativa Processo aleatério 6 qualquer fendmeno que pode ter diferentes resultados finais, quando repetide sob certas condigées predeterminadas. Nem todas as condigdes envolvidas no fendmeno precisar ser predeterminadas. Muitas vezes, 9 que torna o proceso aleatério é justamente o fato de que algumas condigées ndo sio ou n&o podem ser repetidas. Os diferentes resultados finais podem ser defizides como eventas. Mas, os diferentes resultados finais podem também ser arbitrariamente reunidos em grupos, os quais podem ser definidos como eventos. 12 CAPITULO 1. PROBABILIDADES Exemplo 1. Um exempio simples de processo aleatério ocorre ao jogar um dado comum com as maos. O processo pode ter 6 diferentes resultados finais: 1, 2, 3, 4, 5 e¢ 6. Estes @ resultados finais podem ser definides como eventos. Os eventos podem também ser definidos de maneiras diferentes, agrnpando resultados finais, tal como Lou 2 3, 4, 5 ow 6. evento A evento B Se o dado fosse jogado com uma méquina, de tal forma que a posigao e a velocidade iniciais do dado fossem precisamente predeterminadas, poderia ser que o resultado final fosse totalmente repetitive ¢ o fenémeno deixasse de ser aleatério. Quando o dado é jogado com as mos, nem todas as condicées sao repetidas e 6 justamente o que torna o fendmeno aleatério. Por outro lado, existem certos fenédmenos fisicos que s&o aleatérios, mesmo que absolutamente todas as condigdes envolvidas sejam repetidas. Em particular, v4rios fendmenos que ocorrem com dtomos, micleos atémicos @ particulas elementares sio deste tipo. Isto 6, 0 processo é aleatério mesme quando todas as condigées externas sio repetidas. No que segue seré considerado um processo aleatério y do qual pode resultar um niimero finito m de eventos indicados por Be em a am suentos posstveis onde y; indica qualquer um dos eventos. A frequéncia de ocorréncta do evento y; é definida como o nimero de vezes N(y:) que ocorre y; quando o processo y é repetido NV vezes. Resulta desta definigio que Siw) = Nv. (a) =1.1, PROBABILIDADE E FREQUENCIA RELATIVA 3 A frequéncia relativa do evento yj; ¢ definida como N (ue) N Fly) (1.2) Isto é, a frequéncia relativa é a fragdo de eventos y, em relagiio ao niimero total de eventes. Se o processo € repetido indefinidamente (MN —+ co), espera-se que esta fracio se torne um niimero cada vez mais definido’ que 6 a probabilidade de ocorréncia do evento y;. Isto 4, a probabilidade de ocorréncia de evento y; é definida por P(y) = jim Sw fr a PW (3) A Equag&o 1.2 mostra que a probabilidede 6 um mimero de @ 4 1, pois 0s A(yi) SN. Frequentemente, a probabilidade é dada na forma de porcentagem : Py(y.) = 100 Ply.) (probabilidade em porcentagem ). A definigao 1.3 mostra que a frequéncia relativa é sempre uma aproximag&o para a probabilidade de ocorréncia do evento. Esta aproximagio é tanto melhor quanto maior o niimero N de repetigdes do processo. Conforme as Equagdes 1.1 e 1.2, EFw- % Ms N(w) = 1. & ii Assim, resulta om nm LF) = P@ = 1. (14) =i =i Isto é, a soma das probabilidades para todos os eventos possiveis é 1. lEste tipo de convergéncia de F(ys) para um valor bem definido, conforme NN aumenta 6 assegurada pela chamada “Lei dos grandes ntimeros”, resumida no Apéadice A. As diversas definigies de probabilidade também so resumidas neste mesmo Apéndice.4 CAPITULO 1. PROBABILIDADES A propriedade 1.4 permite calcular a probabilidade, quando os eventos sAo equiprovudvezs. Se as probabilidades P; sao iguais, Pla) = PQ) = + = Pi) = = Pn) = P e resulta que SP) = 0d! = pm = iI Assim, 1 p=-. (1.5) m A frequéncia de eventos diferentes y, e y, em N_ repeticées de um mesmo processe 6 a soma das frequéncias de cada um. Assim, resulta que @ probabilidade para os dois eventos (y cu y;) em um miesmo processo é P(y, ow yj) = P(y) + Ply) para i AG (6) Uma propriedade importante se refere a probabilidades para 2 pro- eessos aleatdrios Y e Z independentes entre si”. Se P(y;) 6 a probabilidade do evento y, no processo Ye P(z;) & a probabilidade do evento z; no processo Z , entio pode ser mostrado que a probabilidade de ocorréncia simultanea dos eventos y; ¢ 2; é Ply @ a) = Pu) P(e) (L7) Esta propriedade pode ser demonstrada considerando N repeticdes simultaneas dos processos Y e Z. No processo ¥ , o evento ’y; ocorre N(y) vezes. Considerando apenas os casos em que ocorreu y, no processo Y, somente numa fracio F(z,;) desses casos ocorreu também z; no processo Z, Isto 4, o mimero de vezes que ocorreu y; e z; simultaneamente é N(y.) F(z;). Dividindo por N, obtém-se F(y;) F(z), que no limite para N —> oo resulta na equagio acima. A demonstragio pode ser generalizada para o caso geral. em que ocorrem N repetigdes do processo Y e Af repetigdes do processo Z. Admitindo N < M, basta considerar N repetigdes simultaneas clos dois processos e (Mf — N) Por exemplo, jogar um dado (proceso Y) ¢ uma moeda (processo Z).1.1. PROBABILIDADE E FREQUENCIA RELATIVA 5 repetices isoladas do processo Z. Evidentemente, nas repetigdes isoladas do processo Z, no existem eventos y;, e portanto, as (M — N) repeticdes isoladas do processo Z podem ser simplesmente ignoradas. Assim, vale a mesma demonstragao anterior. Se M < N basta trocar y por z e vale a mesma demonstragao. Em certos casos, 6 possivel calcular as probabilidades para os diferentes resultados de um processo complicada, utilizando somente as Equacdes 1.5, 1.6 e 1.7. Isto ocorre quando € posstvel desmembrar © processo complicado em processos independentes mais simples, nos quais seja possivel identificar resultados equiprovaveis. Exemplo 2. A tabela mostra possiveis resultados de um dado jogado NV vezes, onde “4” € 0 evento de interesse, indicado por yy. N(y4) 6a frequéncia e F(ys) = N(ys)/N € a frequéncia relativa. N 10 = 100 1000 gt 108 10° Nw) | 3 12 163-1698 = 16605 166753 F(ys) | 0,30 0,120 0,163 0,1698 0,1660 0, 16675 Devido a simetria das 6 faces de um dado, o3 6 resultados possiveis podem ser considerados equiprovaveis e a probabilidade de cada resul- tade 6 dada pela Equago 1.5, para (in =6): P(ys) = p = 1/m = 0.166666... ( probabilidade tedrica) . A frequéncia relativa F'(y,) é sempre uma aproximagiio para a probabilidade P (ys) = p, embora esta aproximagdo seja muito ruim nos primeiros casos. Deve ser observade que p= 1/6 = 0,166666... pode ser considerada uma “probabilidade teérica” e nac o valor verdadeiro para a probabilidade. Isto é, 0 dado ou a maneira de jogd-lo podem ser “vi- ciados” e as probabilidades para diferentes resultados podem nao ser exatamente iguais.6 CAPITULO 1. PROBABILIDADES Exemplo 3. Um projétil pequeno é disparade contra uma drea A, na qual existe nm alve de érea S$ (ver Figura 1.1). O problema consiste em calcular a probabilidade de acerto no alvoe menor, se o projétil atinge a drea A totalmente ao acaso. A probabilidade de acerto pede ser calculada. identificando resultados equiprovaveis. Um modo de fazer isto consiste em dividir a drea A em um reticulade de pequenos quadrados de drea As. O numero de quadrados contidos na érea A é aproximadamente me A, As O acerte em cada quadrado é um resultado equiprovavel, sendo a probabilidade dada por 1.5: @ =o A probabilidade P de acerto no alvo menor é, conforme 1.6, a soma das probabilidades de acerto nos n quadrados centidos no alyo menor. Figura 1.1. Um projétil é disparade ae acase contra um alvo maior de drea A, na qual existe um alve menor de drea S.12, DISTRIBUIGAO DE VARIAVEL DISCRETA 7 O niimero de quadrados contidos na drea S é dado aproximadamente por ne ~ As? e assim, Penpes, A Em principio, o resultado acima é aproximado porque nao € posstvel determinar exatamente os nimeros m e 7, devido a uma certa inde- finigéo dos quadrados nas bordas das dreas A e S$. Entretanto, a dificuldade desaparece para As arbitrariamente pequena (As + 0). Neste limite, o resultado acima pode ser considerade exato. 1.2 Distribuigaéo de varidvel discreta No que segue, sao considerados processos aleatérios, para os quais cada resultado pode ser descrito quantitativamente por um ntimero® y Quando os resultados posstveis para y constituem um conjunto bem definido de valores y%, que podem se enumerados, a quantidade y é chamada varidvel discreta. Isto é, uma varidvel discreta y poderd assumir valores que podem ser enumerados em ordem crescente, tal como We a tm - 1m valores possivets Cada um dos possiveis valores y; da varidvel discreta tema uma probabilidade P(y;) de ocorrer num processo simples. O conjunto de m valores P(y;), pata todos os valores possiveis de i, é definido como a distribuigde de probabilidades para a varidvel discreta y. Uma propriedade importante da distribuigao de probabilidades é a Equagéo 1.4, que é chamada condigdo de normalizagda: X Pw) = 1. (18) f=) 3Que pode ser adimensional ov ter uma dimensio fisica,8 CAPITULO I. PROBABILIDADES 1.3 Valor médio e desvio padrao Para N repetigdes de um processo aleatério de varidvel discreta y, 0 valor médio de y 6 definide por 1 ; y= We Yi, (19) onde Yi, ¥2,--:, Ye. +++, ¥y sde os N resultados obtidos para y. Se cada resultado posstvel y; occorreu N(y;) vezes, a soma So¥; pode ser rearranjada como > Ny, . Assim, o valor médio ¥ pode ser reescrito como mn Nw = AY = = ae 1.10 y N (1.10) Arazio N(u)/N éa frequéncia relativa. F (yj). Assim, P= Duk). (1.11) = Conforme N —+ 00, 0 valor médio J deve se aproximar de um valor bern definide’, que é chamado valor médio verdadeiro ov média limite 5. Assim, o valor médio verdadeiro pede ser representado por® w= fim vy (2.2) Por outro lade, quando N —+ oo, a frequéncia relativa F(y:) deve tender & probabilidade P(y,). Assim, a Equacéo 1.11 mostra que o valor médio verdadeiro é dado por B= S uP). (1.13) war) ‘Bsaencialmente, esta é a “Lei dos grandes niimeros”, resumida no Apéndice A. 5Também chamado “esperanga matemética de y", ou “média da distribuigio”. °Bsta ado é uma maneira muito correta de representar o valor médio verdadelro, pois © valor médio “converge” para o valor médio verdadelzo em fermos probe~ bilisticos, ¢ no no sentido de convergéncia de um limite matemético.14. DISTRIBUICAO BINOMIAL 9 Urna vez que o miimero N de repeticées de urn processo aleatério no pode ser infinito, é evidente que o valor médie verdadeiro pp 6 uma quantidade sempre desconhecida, para uma distribuigaés de probabilidades real. A Equagio 1.13 parece sugerir que o valor médio verdadeiro pode ser conhecido exatamente, mas isto no ocorre na pratica, pois os valores das probabilidades P(y;) nunca sio conhecidos exatamente. Uma caracterfstica importante de uma distribuigdo de probabilidades 6 a variéneia, que é definida por m = YS (u-n) Ple). (4.14) O desvio padréo @ da distribuigio de probabilidades é definido como a Taiz quadrada positiva da variancia, isto é, a= t¥eF = +4) Sew Pld i As equagées acima definem valores verdadeiros para a varidncia e para 6 desvio padric. Na pratica, estas quantidades também 8a0 conhecidas exatamente, peis je as probabilidades P(y;) nao sio conhecidos exatamente. 1.4 Distribuigéo binomial A seguir, é considerado um processo aleatério simples, no qual a proba~ bilidade de ocorréncia de um evento A é p. Um problema importante édeterminar a probabilidade FP, (y) para y ocorréncias do resultado A em n repetigées do processo. A distribuicdo de probabilidades P,,(y) que é solucao deste problema échamada distribuigdo binemial, deduzida a seguir. As n repeticdes do processo simples, também podem ser entendidas como um tinico processo constituide de m processos independentes.10 CAPITULO I. PROBABILIDADES Indicande por B a “nado ocorréncia” de A, um exemple de resultado possivel é AAA-AA BBRBRB.-BBB (1.15) ¥ vexes (ny) weses Isto é, o resultado A ocorre nas y primeiras repetigdes do processo endo ocorre nas (n — y) wltimas repeticies. A probabilidade de ocorréncia de A em cada processo simples é p, sendo (i-p) a probabilidade para B. A probabilidade de ocorrer 1.15 é dada pelo produto das probabilidades individuais, conforme a Equagio 1.7: Po = pi(1 ~ py. (1.16) O resultado 1.15 é, na realidade, muito particular. Qualquer troce de A com B em 1.45 também é um resultado com y ocorréncias de A em m repetigoes do preeessa ¢ com probabilidade Fy. © nitmero de resultados possiveis é dado por nl ulin yy? que é 0 mimero de combinagées possiveis de y objetos idénticos em nm posigdes. Isto é, pode ser considerado que os eventos A sao y objetos idénticos que devem ser arranjados em n lugares, sendo os (n - y) lugares restantes “ocupados” por B. O resultado acima também pode ser deduzide como segue. O ntimero total de trocas em 1.15 (A com A, A com B ou B com B) é dado por nl, que é 0 mimero de permutagdes possiveis entre n objetos. Entretanto, para cada permutacdo, existem y! trocas de A com Ae (n—y)}! trocas de B com B que correspondem ao mesmo resultado. Assim, o niimero total de permutagées deve ser dividido pelo niimero total de resultados idénticos para cada permutagio, para se obter o mimero de resultados diferentes possiveis. Assirn, conforme a Equacgao 1.6, a probabilidade total de y ocor- réncias do evento A em n repetigdes do processo é dada pela soma das probabilidades, que é Py vezes o nimero de possibilidades : Pay) = Cap pY(L— py". (1.18) Coy = (1.17)14, DISTRIBUICAO BINOMIAL uw Substituindo 1.17 em 1.18, obtém-se a distribuigdéo binomial: PW) = apr (1.19) aly) = yiin—y)i Py . + A distribuigiio binomial 6 uma distribuigio de probabilidades para a varidvel discreta y, que s6 pode assumir valores inteiros de 0 a n O valor médio verdadeiro z pode ser calculado diretamente a partir da Equagao 1.13, observando que y= (6-1) (quando i=1, um =0) e m=nti Isto e, o indice i pode ser trocado por y, = y na somatéria, mas assu- mindo valores de 0 a n: “3 Vana . (1.20) yl - ~y)! A demonstragao deste resultado é baseada na formula para expamsio do binémio? : . (+p) = Do Gap ge. (1.21) =D Substituindo 1 4° Go e n= (r+1) na express 1.20, obtém-se = w+ . ne “ ed Oly Foes (k= pre (1.22) Substituindo (y-1} por 2, obtém-se cH Lee dag p(r +) {G—p) + pet? = pir +1) = pn. (1.24) 7 que den origem ao adjetivo “binomial” para a distribuiggo binomial. FL pyr (1.23) S i il12 CAPITULO 1. PROBABILIDADES Para @ variancia, pode ser demonstrado® diretamente da definigao 1.14 que of = Sy~H)*P,(y) = np(1~p)- (1.25) y= Em resumo, o valor médio y eo desvio padrao o, para a distribuigéo binomial so dados por a a= api. (028) Usando a expansio binomial 1.21, pode ser diretamente verificada que a distribuicdo binomial satisfaz & condicdo de normalizacio 1.8. Isto é, ee np py =[-p) tpl" =1. Exemplo 4. Um dado é jogado 10 vezes ¢ 0 resultado “4” é considerado como evento A. Em cada jogada, a probabilidade de ocorréncia. doeventa A ¢ p=1/6. A distribuicdo binomial permite caleular a probabilidade Pio (y) dese obter y eventos A em 10 jogadas. Isto é, jogando o dado 10 vezes, o resultado “4” pode ocorrer 10 vezes ou 9 vezes ou 8 vezes e assim por diante, até nenhuma vez. As probabilidades sao dadas por Pol) = aaaca GY QO yi (lO~y Os valores caleulados séo mostrades na Figura 1.2. 5A demonstragdo é mais trabalhosa, mas utiliza artificios semelhantes aos usados na demonstracao acima. Tais artificios sao sugeridos na. Questéo 1.15. DISTRIBUICAO DE POISSON 13 Poly) * Figura 1.2. Disiribuicée binomial para p = 1/6 en = 10, que fornece a probabilidade de obter y resultados “4” em 10 jogadas de um dado. 1.5 Distribuigéo de Poisson A distribuicdo binomial 6 importante do ponto de vista conceitual, mas a expresso 1.19 é incoaveniente quando n >> 1 e p<< 1, devido as dificuldades de calculos. Neste caso, 6 possivel obter uma boa aproximacdo para a distribuicdo binomial que é a distribuigdo de Poisson: we, Fly) = eo (1.27) onde14 CAPITULO 1. PROBABILIDADES Para n >> 1 @ p << 1, as probabilidades dadas pela distribuigao binomial 36 sio significativas para _y << n. Além destas condicées, a distribuicao de Poisson é deduzida usando a chamada aproximagéo de Stirling : L Inn! & ninn — n+ g n2en para 2 >> 1. (1.28) e@ aexpansao de In(1+-) em série de poténcias: es Infi+2) & a2 - ty pera |ej<< 1. (1.29) Caleulando In Pa{y) a partir da expresso 1.19, obtém-se 1 in P,(y) = In a + Inn! —In(n —y)! + ying+ (a ~ y)In(i ~ p). (1.30) Utilizando as aproximagies 1.28 e 1.29, obtém-se i Innl & ninn—n+Zinn+ Sinn, 1 1 ln(rn ~ y)! = nlnn —a+ glnnt 5 in2n—ylon (n-y)nG-p) & -np. Substituindo estas aproximagées na expressio para In P,(y) , obtém-se a distribuigdo de Poisson. Além da maior simplicidade para céleulos, a disiribuigdo de Poisson 1.27 tem outras vantagens, discutidas a seguir. O valor médio je o desvio padrao o, para a distribuigdo de Poisson sic obtidos diretamente de 1.26 para p<< le n>>1: w= np e oS fib = JE. (1.31) O Exemplo 5 mostra que a distribuigao de Poisson 1.27 é uma aproximagao aceitavel para a distribuicgdéo binomial, mesmo para rn = 10 e p = 0,2, caso em que as condigdes nm >> 1 6 p << 1 so apenas razoavelmente satisfeitas. Se estas condigdes fossem muito bem. satisfeitas, 0 acordo seria muito melhor.1.5. DISTRIBUICAO DE POISSON 15 Exemplo 5. Se um projétil ¢ disparado contra um alyo com probabilidade p de acerto (ver Exemplo 3), as probabilidades de y acertos em n disparos sic dadas pela distribuigao binomial 1.19. No caso em que n>>1 e p<< 1, a distribuicio de Poisson 1.27 pode ser utilizada como aproximagéo. A Figura 1.3 mostra as distribuigdes para _n = 10 ep=0,2 P ily) © Binomial para n = 10 p = 0,2 © -+Poisson paran=10 ¢ p= 0,30 0,20 0,10 Figura 1.3. Comparagao entre as distribuigdes binomial e de Poisson. Embora a distribuigao de Poisson seja uma aproximagao para a distribuigiéo binomial, ela apresenta grandes vantagens no caso n >> 1 ep << 1. Uma das vantagens é que ela 4 bem mais simples de ser calculada, sendo uma aproximacao muito boa. Uma outra vantagem 6 © fato que a distribuigdo de Poisson sé depende do parametro y (valor médio), enquanto que a binomial depende de 2 parametros (n e p).16 CAPITULO 1. PROBABILIDADES 4 P, % valu) (A) + Poisson 12,0 F Oo Gaussiana e@ L o|o s e 10,0 |- fe] oO L e e 8,0 oO ° e o ® 60 ° oO e e 4,0 ° @ @ 2,0 i. ° & e 0,0 gt bop 6 4 8 12 16 20 y Figura 1.4. Cormparagao entre a distribuigdo de Poisson 1.27 ¢ 4 aproximagdo gaussiana 1.38 para p = 12. Como pode ser visto, mesmo para valor médio ndo muito alto, a aprorimagéo gaussiana é razodvel.1.5. DISTRIBUICAO DE POISSON Ww Com frequéncia, ocorre que ne p nao sao comhecidos, enquanto que 0 valor médio 7 © y pode ser facilmente determinado. Finalmente, uma terceira vantagem 6 que a distribuigio de Poisson se torna simétrica para grandes valores de ys, Isto 6, se 4 >> 1, entéo y >> 1 para os valores de interesse ¢ pode ser mostrado® que a distribuic&o de Poisson pode ser escrita aproximadamente como onde 6=(y-p) © fw, y>> i. (1.32) A Figura 1.4 mostra a distribuigdo de Poisson para 4. = 12 calculada pela Equagao 1.27 e também pela aproximacio 1.32. Conforme pode ser visto, a aproximacdo é bastante aceitével, mesmo para os valores menores de y ¢ @ distribuigdo é razoavelmente simétrica em relagao ao valor médio p. Para. ys da ordem de algumas dezenas ou maior, a Equagio 1.32 6 uma boa aproximag&o e a distribuigéo de Poisson é bastante simétrica. A distribuigado de Poisson 1,32 pode ser escrita como Lea pee Plu) = gee BCE) (1.33) onde op = Vil. A distribuigao gaussiana de probabilidades é definida por er} cee? GY) = olin ; (234) onde ¢ pode assumir um valor qualquer que é independente de p. Isto constitui uma generalizagio da distribuig&o de Poisson 1.33. A fungéo gaussiana de densidade de probabilidade 6 uma generalizagaio da distribuigdo 1.34, para a qual y é uma varidvel contima. °Q5 edlculos sio sugerides na Questo 2.18 CAPITULO 1. PROBABILIDADES 1.6 Aplicagdes da distribuicao de Poisson A distribuigo de Poisson vale para o caso em que um grande mimero de processos idénticos (m >> 1) € observado", sendo que em cada proceso existe uma probabilidade pequena e bem definida p << 1, de ocorrer wm determinado fenémeno. Nestas condigdes o niimero y de ocorréncias do fenémeno segue uma distribuigéio de Poisson. Isto é, a probabilidade P(y) para y ocorréncias do fenémeno é dada pela distribuicdo de Poisson. O modelo basico acima deserito é aplicavel a muitas situagdes prati- cas, nas quais ocorram grandes populacées de sistemas idénticos. Como exemplos de tais sistemas podem ser mencionados Atomos, nticleos atémicos, particulas elementares, insetos, bactérias, virus, seres huma- nos, animais, insetos, produtos industriais, produtos agricolas, constru- cGes e quaisquer coisas que sejam amostras de grandes populacdes. Se um determinado fendmeno tem uma probabilidade pequena de ocorrer, mas a populagie 6 grande, o ntimero de ocorréncias deve seguir uma distribuicao de Poisson, Um exemplo tipico 6 0 decaimento’! de niclens atomicos radioati- vos. Geralmente, uma amostra radioativa tem um niimero m muito grande de nicleos ativados que podem se desintegrar. Cada niicleo tem um probabilidade definida p de se desintegrar no intervalo de tempo At. O nimero médio de decaimentos neste tempo é p = np. Durante o tempo At, podem ser observados y decaimentos, sendo que as probabilidades para cada y so dadas pela distribuigde de Poisson. Se p € 0 valor médio verdadeiro para o ntimero de eventos, a probabilidade Fy de obter um resultado yp no intervalo un~8(u-8) 19s n processos idénticos so admitides como equivalentes 5 n repetigdes de um mesmo processo, '' Transmutagao nuclear com emissiio de radtagao.16. APLICACOES DA DISTRIBUICAO DE POISSON 19 Pa(5) x 100 (%) a a 0 6 %@ B86 46 be Figura 1.5. Probabilidade P,(5) de que | yo — | sefa menor que 6, para 2 valores diferentes de ye também no limite up —> co. Os valores indicados explicitamente sio para este titimo caso. A Figura 1.5 mostra valores de Fy em fungio de 5 para y = 10, p= 40 e também para yp —> co. O desvio padrao é o = Vf. O resultado yp de uma tnica observagio pode ser entendido como uma medida ov determinagéo experimental do valor médio verdadeiro zB. Para p>>1 e d=, a inequagio 1.35 equivale a [e-wl=|yrul> 1, 0 desvio padrao pode ser calculado aproximadamente como a= fi = Soo (para yy >>> 1) (1.39) Mais exatamente, pode ser mostrado! que, para js >> 1, 0 intervalo definido por 3 3 vin- 3595 ty (1.40) tem aproximadamente 99,7% de probabilidade de ser correto. Assim, 0 erro na aproximagdo 1.39 é desprezivel, no caso ./ji = ie >> 1 Exemplo 6. Uma amostra de material radioativo contém nm niicleos ativos. Cada nicleo tem uma probabilidade definida p, de emitir uma particnla-c durante um intervalo de tempo de 1 minuto. As pat- ticulas-a sio emitidas em diregdes ao acaso. Assim, se um detetor Geiger é colocado a uma determinada distancia da amostra radioativa, cada particula-a tem probabilidade p, de atingir o Geiger. Como a emissSo de particula-a ¢ detegado pelo Geiger s40 precessos independentes, a probabilidade de que uma particula-a seja emitida em 1 rninute e detetada pelo Geiger é 0 produto das probabilidades (p = py po). Se n>>1 e p<<1 a probabilidade de que em 1 minuto sejam detectadas y partfculas-o deve ser dada pela distribuigde de Poisson definida pela Equacao 1.27. No caso em que 0 valor médio = np 6 um mimero muito grande, a distribuicée gaussiana 1.33 pode ser usada como aproximagao para a distribuigdo de Poisson 1.27 1203s cdleulos sio indicados na Questo 3.16, APLICACOES DA DISTRIBUICAO DE POISSON Qt Exemplo 7. A probabilidade de uma peasca contrair uma doenga X no periodo de 1 ano é 107% (wma chance em 100.000). Numa popu- lagiio de 17 milhGes de habitantes, as probabilidades para o mimeros de casos devem ser dadas pela distribuigao de Poisson com valor médio je= 170 com desvio padrio o = V/171 ¥ 13. Uma questao importante & conhecer 0 mimero de casos que podem ocorrer no periodo de 1 ano, em condigdes normais, Os resultados mostrados na Figura 1.5 permitem obter a probabilidade de que ccorram y casos, tais que B-b6> 1, a distribuigdo de Poisson pode ser aproximada como ran Pea) eee BE onde 5 = (yu) ou, como ae B-side Demonstrar a Equagdo 1.32, desprezando termos de ordem (1/1)? no resultado acima e verificando que o termo (6/2~) no é muito relevante : 1 O42 2 eu eS eh, Puy) = Jaan” vine 3. Utilizando a aproximagio VIF a % L+2/2+-+--, mostrar que o desvio padrao @ pode ser escrito como 1 Ve ai Demonstrar que, com confianga de aproximadamente 99,7%, 3 3 Vii - 350 < Vet. o onde 7=p—Y-Capitulo 2 Probabilidades Distribuicdes para varidvel continua Resumo Neste capttulo sdo apresentados os conceitos de distribuigdo de probabilidades para varidvel continua, fungio de densidade de probabilidade e histograma, Alguns exemplos de importantes funcdes de densidade de probabilidade sito apresentados, iais como distribuigdes gaussiana, loreniziana, retangular e triangular, 2.1 Varidvel continua Frequentemente, ocorre que um proceso aleatério y pode resultar em um niimero muitissimo grande de valores possiveis: Me Yas Yi Yaa, Ye M>>ol. (2.2) ee ee M valores possiveis A deserigao das probabilidades P(¥;) ov das frequéncias N(¥;) ou das frequéncias relativas F(Y¥;) para cada valor Y; se torna inconveniente ou mesmo invidvel, devido ao grande nimero de quantidades. Além disso, para determinar experimentalmente N(Y,) ou F(Y;) seria necessério repetir o processo N vezes, com N >> M e isto também pode ser completamente invidvel. 2324 CAPITULO 2. PROBABILIDADES As dificuldades mencionadas podem ser praticamente resolvidas de maneira simples por meio de redefinigio de evento!, a partir de um intervalo com centro em y, e comprimento Ay. Este intervalo pode ser representado por { x; Ay}. Por definigao, acorre o evento yw seo resultado do processo é uma quantidade Y; tal que A w- DBeucns H 22) Os valores de y, € Ay devent ser tais que qualquer valor possfvel Y, std incluide em apenas um intervals. A condig&o de normalizagio, valor médio e desvia padrie sao exatamente iguais ae caso de distribuigdes discretas mais simples, ¢ s30 dados pelas Equag&es 1.8, 1.13 e 1.44. A maior vantagem da definigdo acima é que ela se aplica igualmente bem a varidueis continuas ¢ varidveis discretas. © caso de maior interesse neste texto, é aqnele em que y resulta de um processo de medigéo, nos quais os valores possiveis ¥, sdo discretos. Em outras palavras, a grandeza fisica y pode ser continua, mas os resultados Y; de medidas de y constituem um conjunto discreto de valores. Isto se deve ao fato que os instrumentos de medicgdo 86 podem fornecer leituras com um mimero definido de algarismos. Por exemplo, uma régua comum de 300mm sé admite a leitura do mimero inteiro de milfinetros com estimativa de décimo de milimetro. Portanto, s6 existem 3000 resultados possiveis para leitura nesta régua, mesine que © comprimento a ser medido seja uma grandeza contima. Entendendo por evento, qualquer resultado no intervalo {y; Ay}, 40 importa muito se @ varidvel é continua ou discreta, desde que cada intervalo conterha um nireero muito grande de resultados possiveis- No que segue, serd admitido que a varidvel y 6 uma varidvel continua, mesmo quando é varidvel discreta que pode assumir um pimerg muito grande de valores préximos entre si. Com frequéncia, este caso 6 0 que ocorre medigao de grandezas fisicas, como mostrado no exemplo a segnir. ‘Também podem ser aproximadas como continuas, a8 varidveis tnéetraz, quando os valores inteiros possiveis sio muitissimo grandes. ‘No Capitulo 1, cada resultado numérico possivel é definide como um evento.2.2. FUNCAO DENSIDADE DE PROBABILIDADE 25 Exemplo 1. A diferenca de potencial elétrico nos terminais de umia pilha comum pode ter qualquer valor entre 0 ¢ 1,7 Volts (aproximadamente), dependendo de estado de uso, temperatura ¢ outros fatores. Se a tensio na pilha 6 medida com um multimetro digital de “4 e 1/2 digitos”, podem resuliar as seguintes leituras em Volts: 08,0000; 6.0001: 0,0002; ---; 1,6998; 1,6999; 1.7000: 17000 valores possiveis Come pode ser visto, a grandeza fisica y (tensdo da pilha) pode ser continua, mas o resultado da medida seré um dos 17000 valores possiveis, Isto 6, og resultados do proceso de medicéio constituem um conjunte discreto. Para descrever resultados de muitas medidas (N’ >> 1), pode ser conveniente entender a varidvel como continua, definindo evento a partir de intervalos. Por exemplo, para elaborar o histograma dos resultados para um ¢erto niimero de pilhas, devem ser definidos intervalos convenientes, como 6 discutido na Segdo 2.5, a seguir. 2.2 Fungao densidade de probabilidade Para varidvel continua, cada evento pode ser definide a partir de um intervalo {%; Ay}, comcentroem yw e largura Ay. Assim, pode-se admitir como apreximacio que y pode ter m valores possiveis: we Yr (2.3) m eventos possiveis Cada evento y; pode ocorrer com uma probabilidade P(y,) = AP, . Se Ay € pequeno, as prababilidades dos sein resultados ¥5 no intervalo devem ser aproximadamente iguais (© g). Assim, a probabilidade AP, deve ser aproximadamente pM; , onde M; ¢ 0 nimero de resultados possiveis no intervalo.26 CAP{TULO 2. PROBABILIDADES Por outro lado, em situagées usuais, o ntimero Af, de eventos possiveis num intervalo deve ser proporcional ao comprimento Ay , desde que este intervalo seja muito pequeno. Isto é, a variagéo Ay na varié- vel y deve ser muito pequena, mas suficientemente grande para conter um muimero grande de resultados possiveis. Nestas condigGes, a probabilidade AP, deve ser proporcional a Ay e a quantidade AF, Hy) = Ay {para Ay pequeuo) (2.4) deve ser independente de Ay , e assim, deve depender somente de y;. Em resumo, a quantidade H(y,) pode ser entendida como uma fungdo de y; somente, sendo independente do intervalo Ay. A fungio H(y,) ¢ chamada fungdo densidade de probabilidade on simplesmente, fungéo de probabilidade. Se H(y,) 6 conhecida, a probabilidade de ocorrer um resultado no intervalo pequeno { yi; Ay} é Py.) SAP, & Hu) Ay. (2.5) Quando é possivel considerar o limite Ay + 0, Ay e AP; sao infinitesimais e podem ser indicados por dy e dP, respectivamente. Neste caso, o indice i pode ser omitido, significando que H(y;) pode ser caleulada para qualquer valor de y ¢ a Equac4o 2.5 pode ser escrita como iP = Aly) dy (26) on ap Hy) = (27) Em N repetigdes de um proceso real, a aproximacio experimental para a probabilidade AP, = P(y,) é a frequéncia relativa F(y.) Assi, Hey) = ae (2.8) é uma aproximagéo experimental para a funcao densidade de probahi- lidade, em cada ponto %. Um exemplo importante de fungao densidade de probabilidade é a fungao gaussiana, discutida na Secio 2.4.2.3. VALOR MEDIO E DESVIO PADRAO 27 2.3 Valor médio e desvio padrao ‘A probabilidade P(a,b) de obter umn resultado y no intervalo a Pw) = 2 Aly) Ay. (2.9) Pew >a No limite Ay -» 0, a soma acima é a integral de H(y) entre a e 6, 5 Pad) = f Away. (2.10) A condigéo de normalizagéo 1.8 pode ser escrita como too P(-o0, $00) = f BW)dy = 1. (211) © valor médio verdadeiro y de uma distribuigéa 6 dado pela Equa- co 1.13, que neste caso pode ser escrita como m m we WAR = Dw Alu) Ay. (2.12) ih i=l No limite Ay — 0, esta equacdo pode ser escrita como aa i f yHly) dy. (2.13) co De mansira andloga, pode ser mostrade que a varidncia o”, dada pela expresso 1.14, pode ser escrita como o = [e-Bay O desvio padrao é a raiz quadrada positiva da varidncia (28 CAPITULO 2. PROBABILIDADES , . = 2,4470 | Fu) (ome) oe pointes , be F 300 Grnez 25,0 20,0 & 0,61 Snax 10,0 2,400 2,420 2,440 2,460 2,480 2,500 Figura 2.1. Exemplo de distribuigdo gaussiana.24. FUNGAO DE LAPLACE-GAUSS 29 2.4 Funcao de Laplace-Gauss A funcde gaussiana de densidade de probabilidades ¢ defiaida por enh SEF (2.18) Gy) = ee onde € o 8% duas constantes (parametros)e y é uma variavel continua. Conforme serd demonstrado na sequéncia, js ¢0 valor médio e o é0 desvio padrao. A fungdo gaussiana de densidade de probabilidade também € chamada fungdo de Laplace-Gauss ou ainda, fungao normal de errs, O gréfico da fungdo gaussiana é uma curva em forma de “sino”, como mostra o exemplo na Figura 2.1. A altura maxima Gmae ocorre quando y=, € assim 1 a 2K Gms = Gysh) = A “largura a meia altura” T é definida como a largura do “sino” na metade da altura mdxime. A Equagdo 2.15 pode ser resolvida para obter os ponios yy € y2, paraos quais G(y) = Gmac/2 , resultando theun-oV2Ind @ yw=ptov2in2 A larguraT é dada por Tey-y = 2V2in2 o = 2,35480. (2.16) Pode ser mostrado de 2.15 que, quando a “largura total é 20", a altura da curva 6 0,6065 Gye. Um outro aspecto de interesse é que, teoricamente, a curva gaussiana se extende de —oo a +co, Entretanto, esta curva vai pratica~ mente a zero quando y ete. Assim, na pratica, pode-se dizer que a largura total da gaussiana é aproximadamente 60.30 CAPITULO 2. PROBABILIDADES P(5) x 100 (%) 100 99, 73% 80 95,45 % 68, 27% 60 40 0 o 20 30 so ba & Figura 2.2. Probabilidade P(6) de que|y— | seja menor que 6. A probabilidade P(5) de obter um resultado y tal que (u- 6) w- wae) “ie — [> s et? az, Usando as substituigses u =z, v= ge oP eg dy = ashe dz, a integral pode ser feita por partes (f ude = uv — fudu). Assim, resulta o ta =1 20 2 ig pe ts Gp [Peal Vin Assim, a variancia é Assim, fica demonstrado que, na express4o 2.15, 0s parametros € o sao respectivainente o valor médio e o desvio padrao. Outros exemplos de cdlculo de valor médio e desvio padrao sao apresentados no Exemplo 2 (distribuigdo triangular ¢ retangular) ¢ no Exemplo 3 (distribuigao lorentziana).24. FUNGAQ DE LAPLACE-GAUSS 33 Exemplo 2. A Figura 2.3 mostra distribuigdes gaussiana, triangular e retangular, de mesmo valor médio js e mesmo desvio padréo a. A altura méxima e a largura da base das distribuigdes sfo dadas abaixa. Os eéleulos so indicados nas Questées 1 ¢ 2. No caso da distribuicaa gaussiana, a base no é uma quantidade muito bem definida. Distribuigio Altura Base gaussiona (Vir) x60 triangular (oV6y" wo F490 retangular (o f13) Vid o & 3,50 Hy) e v6)> 0 ¥ Figura 2.3. Comparacdo entre as distribuigdes gaussiana, triangular e retangular, para valor médio (ji) e desvio padrdo (0) iguais.34 CAPITULO 2. PROBABILIDADES Exemplo 3. Distribuigde lorentziana. Um outro exemplo de distribuigio de probabilidades ¢ a distribuigdo loreniziana, também chamada distribuigio de Cauchy. A densidade de probabilidade para. esta, distribuigio é Ao Ta (y - By” © valor médio da distribuigae é yz, wma vez que a fungdo é simétrica em relagdo a yz. Isto também pode ser mostrado diretamente da definigdo 2.13 para o valor médi A condicao de normalizagao 2.11 pode ser demonstrada como segue. +t00 +00 / Hy)dy = \ & ~a Ay) = a dy = — aaa ef. ao By 4 ® Jmoo 1+ 2? onde z= 858). Substituinde z= tg (dz = sec*#d8, 1 + 2° = sec%8), [lei Entretanto, a veridncia o7 nao é finita. Conforme a definigio 2.14: = 1 pte a ee o az f. ay Twom ¥ Lo pro = glo aeEe > Para ver que a integral acima diverge, basta observar que para z+ 00, © integrando 2°/(1+ 27) tende a 1. Mas a divergéncia da integral pode também ser verificada diretamente pela substituigio z = tg@. A lerguro a meia altura (T) pode ser calculada obtendo-se os valores 1 € yg correspondentes metade da altura maxima (Hymox = 1/a): la Kee 1 na@+(y-py 2 ra” Resolvendo a equacao, obtém-se Wae-e e wes eta..24, FUNGAO DE LAPLACE-GAUSS 35 Assim, 9 “largura a meis altura” é dada por T=m-y = 2a. A Figura 2.4 mostra uma comparacio entre uma distribuigdo lorentziana ¢ uma distribuigdo gaussiana de mesma largura FP. Como pode ser observado, a distribuicSo lorentziana cai a zero muito lenta- Trente. A fangao lorentziana é importante na andlise espectral da radiagio cletromagnética. Frequentemente ocorre que a forma da linha espectral tie emissao ou de absorcao é bem descrita por uma lorentziana, tanto na regio dtica, quante para radiacdes nucleares. Aly) i gaussiana lorentziana Y Yo Figura 2.4. Comparagao entre distribuigdes gaussiuna e lorentziana de mesma largura (T ). Ambas as distribuigdes sdo normalizadas.36 CAPITULO 2. PROBABILIDADES Pn) 1 » — Ganssiana cay 100 many p= (245, 12,5) mum o = 19 rm T TTT T_T TT (um) 200 220 240 260 280 ve Figura 2.5. Histograma para dados da Tabela 2.1, com Ay = 10mm. Se < 100mm! 40 © — Gaussiana p= (243, 4st 2,5) mem o=19mm 3,0 2,0 ro Le 0,0 | il . ’ 1 1 T ry (min) 200 220 240 260 280 y Figura 2.6. Histograma correspondente aos dados da Tabela 8.1. Neste caso, a escolha do intervala Ay = 5mm € um pouco inadequada e resudta um histograma bastante “quebrado”.28, HISTOGRAMA a7 2.5 Histograma © histograma ¢ wm tipo de gréfico que permite representar as quantidades N{y;), F(x) ou A(y,) para os resultados obtidos em N repetigdes de um processo. Estas quantidades dependem diretarnente da largura Ay do intervalo utilizado na definicdo do evento. Por isto, o histograma é um pouco diferente de um grafico usual, e os valores de N(y), Fj) on H(y) para cada y, nao sao representados por pontos, mas por barras paralelas ao eixo-y, de comprimento Ay, centradas em y, como mostrado nas Figuras 2.5 e 2.6. Na elaboragéo de um histograma deveriam ser observadas algurmas regras discutidas a seguir. Conforme a Equagée 2.8, a quantidade Flys) = Fo) Mw) (2.24) Ay N Ay é uma sproximagée experimental para a fungéo de densidade de probabilidade, Por isso, na elaborag&o de um histograma a quantidade Hely:) € @ mais conveniente de ser utilizada, porque ela pode ser comparada diretamente com a fungéo de densidade de probabilidade H(y) correspondente ao processo aleatério. Um outro problema envolvide na elaboragio de um histograma é a escolha do intervalo Ay. Evidentemente, Ay deve ser escolhido o menor possivel. Entretanto, diminaindo Ay, diminui também a frequéncia N(y;). Para cada y fixado, existe uma probabilidade definida P, de que ocorra um resultado y no intervalo {y; dy}. Se o utimero de repetigies do processo é muito grande (N >> 1) € se P; 6 uma probabilidade pequena {F; << 1), ent&o a frequéncia N(y:) , para cada y; fixado, deve seguir uma distribuicdio de Poisson®. Quando N(y;) éda ordem de grandeza de 10 ou menor, existe uma. grande incerteza no valor verdadeiro N,(y;) correspondente. Assim, a intervalo Ay deveria ser escolhido de forma que N(yi) seja.no minime iguala 16 para os intervalos préximos do valor médio. 3Ver Segao 1.5 e Figura 1.4 do Capitulo 1.38 CAPITULO 2. PROBABILIDADES Um outro detalhe a ser observade na elaboragdo de um histograma é a escolha dos valores y, , que devem ser os centros dos intervalos. A escotha mais conveniente ¢ considerar intervalos de tal forma que 0 centro do intervelo central seja coincidente com o valor médio obtide para os resultados. Em resumo, um dos valores y; deve ser o valor médio dos resultados. Em geral, a fungao de distribuigie de probabilidade é simétriea, pe- Jos menos aproximadamente. Se o intervalo central coincide com » valor médio, o valor experimental Af,(y;) para cada intervalo corresponde ao valor caleulado H(y,) para a fungdo de probabilidade. Exemplo 4. A distancia foral y de uma lente convergente foi determinada a partir das posigses de um objeto luminoso e da imagera correspondente, formada pela lente. A medig&o é repetida 60 vezes para diferentes pasigdes do objeto. Devido a erros de medica, resulta uma grande flutuacao estabistica nos valores calculados para y. Os 60 resultados Fj sio mostrados na Tabela 2.1. Tabela 2.1. Valores obtidos para y em mm. 204 206 208 210 211 218 219 222 222 223 227 220 230 232 235 235 235 235 237 237 237 287 238 298 239 239 239 239 239 240 240 241 243 244 244 246 246 248 248 249 250 250 253 256 257 257 257 259 259 260 262 265 267 268 269 26 269 273 285 28925. HISTOGRAMA 39 O valor médio é caleulado pela expressao 1.9, sendo N = 60: Y¥; = 243,05 mm, O desvio padrio o da distribuigio de medidas pode sex estimado por meio da expressdo* Os resultados das medigies sia resumidos no histograma da Figura 2.5. As quantidades H,(y;) foram obtidas pela expressio 2.24: . NO) Hen) = Nay? onde N(y,) 6a frequéncia de cada y,, que é 0 mimero de resultados ¥} no intervalo correspondente. Aquantidade H,(y) se compara diretamente com a fungéo de densidade de probabilidade H(y). Admitindo que esta fungao é gaussiana, a expresso exata 2.15 pode ser aproximada por Cy) & eee HOY, oVvin onde 7 ¢ o s&o os valores calculados acima, Evidentemente, trata- se de uma aproximacao de 2.15, pois o valor médio verdadeiro pz eo desvio padr4o verdadeiro nao sio conhecidos. © histograma de Figura 2.6 corresponde a uma escolha um pouco inadequada do comprimento do intervalo (Ay = 5mm), resultando em grande fiutuacio das frequéncias N(y;) e assim, nos valores de H.(y:)- O histograma resuliante é bastante quebrado, mas ainda aceitdvel. Mas, se Ay fosse escolhido menor ainda, o histograma se tornaria incompreensivel. No histograma da Figura 2.5, os ntiimeros de eventos nos 3 intervalos centrais sdo respectivamente 13. 15 6 8. *Bsta expressiio ¢ deduzida no Capitulo 7.40 CAPITULO 2. PROBABILIDADES Questées 4. Uma distribuigao de probabilidades triangular pode-se ser definida por wma fungio de densidade de probabilidade H(y) dada por Hiv) = 0 para [(y-p)|>@ Hy) Hy) 1 Hataly~#) para -a 2 (y~H) 20 1 Hy ly #) para 0 > (y—p) > +a. O grafico desta fungio 6 0 tridngulo mostrado na Figura 2.3. © Mostrar que o valor médio verdadeiro 6 yp. ¢ Usando a. condig&o de normalizagéo 2.11, mostrar que Hy = 1/a. ES y~ ) A) dy = 0/6. * Mostrar que a base e a altura da distribuigio séo dadas por 2 @ Mostrar que Qa = 2fbe e Hy = (0 V6y? 2, Uma distribuigdo de probabilidades retangular pode ser definida por uma fungdo de densidade de probabilidade H(y) dada por Ay) = 0 para [(y-p)[ za Aly) Hy (constante) para —@ > (y—u) > +e. O grafico da funcdo é 0 retangulo mostrado na Figura 2.3. ii © Mostrar que o valor médio verdadeiro én. * Usando a condigao de normalizagdo 2.11, mostrar que Hp = 1/(2a) . @ Mostrar que o? = [42 (y~ 2) Hy) dy — 02/3. © Mostrar que a base © a altura da distribuigao s80 dados por 2a = 230 e Hy = (o VIB).Capitulo 3 Distribuicao gaussiana Resumo Neste capitulo séo diseutidos alguns conceitos bésicos da teoria de erros, tais como valor verdadeiro de um mensurande, erro, distribuigdes de erros e, em particular, a distribuigdo gaussiana para erros. 3.1 Valor verdadeire do mensurando © mensurando! 6 a grandeza a ser determinada nam processo de medig&o. Como regra geral,velor verdadeiro do mensurando é uma quantidade sempre desconhecida, Isto é, mesmo apés a medig&o, o valor verdadeiro do mensurando 86 pode ser conhecido aproximadamente, devido a erros de medigao. Em certos casos, 0 valor verdadeiro do mensurando é conhecido. Por exemplo, pode-se realizar a medigao de um padrdo primdrio ou de uma grandeza exata?, com objetivo de fazer a aferi¢do de um equipamento de medigéo. Numa eventual medigio deste tipo, o mensurando tem valor verdadeiro conhecido. Uma situagéo mais comum ¢ 8 medigao de uma grandeza, cujo valor verdadeiro ja 6 conhecido com boa aproximagao, muito melhor que a possibilitada pelo processo de medigéo em questdo. 10s termos técnicos de metrologia constam do VIM, sigla resumida do “Vocabulario Internacional de termes fundamentais e gerais de Metrologia” (Referéncias 1 ¢ 2). Palavras escalhidas de VIM s&0 dadas no Apéadice B. *Por exemplo, a velocidade da luz no vacuo, discutida no Exemple 1, a seguir. Al42 CAPITULO 3. DISTRIBUIGAO GAUSSIANA Este tipo de medigao ¢ usual para afericdo de eguipamentos ou em experiéncias diddticas, Nestes casos, o valor verdadeiro do mensurando pede ser considerade como aproximadamente conhecido. Entretanto, no formalismo da teoria de erros, 0 valor verdadeiro do mensurando entra como uma quantidade desconhecida. A palavra “mensurande” é aplicével a qualquer tamo da ciéncia & tecnologia. Neste texto, é implicitamente admitido que o mensurando é uma grandeze fisica experimental, entendida come qualquer grandeza fisica, cujo valor sé pode ser conhecido a partir de medicao. Do ponto da vista da teoria de erros, pode set admitido que existe um valor verdadeiro bem definido para toda grandeza fisica experimental, Esta questao é mais complicada do que parece & primeira vista, Ocorre que uma grandeza fisica é sempre definida por meio de um modelo para o fendmeno em consideragio. Uma vez que um mode- io consistente tenha side claramente formulade, pode-se admitir que a grandeza fisica definida pelo modelo tem um valor verdadeiro ber definide. Entretanto, a questdo de validade ou adequagao do modelo adotado é um problema mais complicado, gue ndo se restringe apenas ao Ambito da teoria de erros. Por outro lado, a teoria de erros pode ser de grande ajuda na comparagao entre diferentes modelos. O valor verdadeiro de uma grandeza fisica experimental é, evidentemente, a objetivo final de um processo de medigdo. Por isso, as vezes, é também chamado de valor alvo’. Exemplo 1. Velocidade da luz no vdcuo. Conforme a definigéo dada pela 17a Conferéncia Geral de Pesos ¢ Medidas de 1983, o metro 6 a distancia percorrida pela luz no vacuo num intervalo de tempo igual a 1/299792458 de segundo. Os valores das varias constantes fisicas fundamentais, resultantes de definig&o ou de processos de medigao, si0 apresentados na Referéncia 2. Assim, resulia da definigio do metro que a velocidade da luz uo vaeue 6 exatamente c= 299.792 458 m/s. 3Por exemplo, na Referencia 1.3.1, VALOR VERDADEIRO DO MENSURANDO 43 A velocidade da luz pode ser entendida como um “mensurando” em uma experiéncia diddtica ou para aferigdo de um. equipamento ou processo de medicdo. Numa “medig&o” deste tipo, o mensurando tem valor verdadeiro eonhecido. Tarmbém deve ser obgervado que c néo & grandeza fisica experimental, no sentido da definigdo para grandeza experimental, Exemplo 2. Medida do tamanho de wma bolinha de vidro. O problema parece bastante simples 4 primeira vista, bastando medir 0 didmetro da bolinka com wn paguémetro ou com um micrémetro. En- tretanta, algumas medidas mostrar&o que uma bolinha de vidro comum 6 ovalizada e apresenta outras irregularidades na superficie. Um medelo simples e ébvio para a bolinha é consideré-la uma esfera perfeita cujo didmetro D é a média dos didmetros da bolinha em diferentes diregdes. Uma vez que este modelo tenha sido adotado, pode-se dizer que o diametro D tem um valor verdadeiro bem definide. Este modelo “intuitivo” € satisfatério para a grande maioria dos objetivos. Entretante, se o objetivo da medida é obter a drea da bolinha, entao o melhor procedimento é definir como didmetro D a ratz quedrada da média dos quadrados dos didmetros nas diferentes diregdes. De maneira. andloga, se o objetivo é obter a volume da holinha, o methor procedimento é definir como diémetro D a raiz ettbica da média dos cubos dos didmetros. Mas, estes procedimentos dificilmente so necessdrios na prdtica, exceto se a bolinha apresentar irregularidades ou deformacoes muito grandes. Um outro modelo consiste em descrever a. bolinba de vidro como um elipsdide. Neste caso, o tamanho da bolinha seria dado pelos 3 setni-eixos do elipséide. Este modelo seria capaz de descrever melhor a “ovalizaciio” da bolinha. Entretanto, este modelo é bem mais complicado e dificilmente haveria necessidade de utiliza-lo. Este exemplo mostra que diferentes modelos podem ser formulados. Qual deles é 0 mais adequado é uma questdée que n&o tem resposta imediata, pois depende dos objetivos da medida.44 CAPITULO 3. DISTRIBUICAO GAUSSIANA © exemplo também mostra claramente a necessidade de formular um modelo para o fenémeno fisico que defina perfeitamente a grandeza fisica, mesmo em casos muito simples. No caso da bolinha de vidro, “digmetro” 6 uma palavra sem significado, se n&o existir um modelo definindo o que é didmetro. Se o problema fosse medir o tamanho de um domo ou de um micleo atémico, a necessidade de formular um modelo seria mais evidente. 3.2 Definic&o de erro Se y, & 0 valor verdadeiro de um mensurando e y é 0 resultado de uma medicio, o erre em y é definido por DEY ve. (3.1) Em geral, o valor yerdadeiro y, & desconhecide e resulta, que o erro 7 também é uma quantidade desconhecida. No formalismo da teoria dos erros, 0 erro 7 é considerado uma quantidade desconhecida, que sé pode ser determinada em termos de probabilidades. Por distribuicdo de erros, entende-se a distribuigdo de probabilidades para os valores do erro 7), em um particular precesso de medida de uma grandeza. Assim, a distribuig&o de erros é caracterizada por uma fungao densidade de probabilidade H(n) = H(y ~ yo). Geralmente, o erro 7 em um valor experimental y tem diversas causas*. Isto significa que o erro total 7 pode ser escrito como uma soma de g erros elementares ™, Ms -** + et DH bh to tM. (3.2) Estes erros elementares 7, podem ter diferentes distribuigdes de probabilidades, tais como retangular, triangular, gaussiana e outras, Entretanto, quando 0 erro total 4 resulta de uma superposicao de varios erros elementares independentes, a distribuigao de probabilidades para 7 tende a se tornar gaussiana, como mostrado na Seco 3.4. “Qs diversos tipas de erros siio distntidos no Capitalo 6.3.3, DISTRIBUICAO DE LAPLACE- GAUSS 45 Gy) Yo = t Ay | ee Figura 3.1. Fungdo gaussiana de probabilidades. A probabilidade AP, de obter uma medida y no intervalo Ay é a drea AS. A érea total sob a curva é 1, devido ¢ condigdo de normalizagao 2.11. 3.3. Distribuigio de Laplace - Gauss A distribuicéo de Laplace-Gauss ou distribuigdo gaussiana de erros € definida pela fungao de densidade de probabilidade® dada por 1 Gy) = wee, (3.3) onde = yy &0 valor médio verdadeiro ¢ o é 0 desvio padrio verdadeiro. A probabilidade AP, de obter um resultado y qualquer mum intervalo {y:; Ay} é dada pela Equacdo 2.5 ov 2.6: AP,“ G(y)Ay (ou dP=Gly)dy se Ay=dy>0). (3.4) Assim, a probabilidade de se obter um resultado y na medi¢&o é proporcional a Gfy). A funcio G{y) ¢ a interpretacdo geométrica da probabilidade AP; s80 mostradas na Figura 3.1. 5A definig&o e propriedades da fungao gaussiana séo apresentaclas na Segdo 2.4.46 CAPITULO 3. DISTRIBUIQAO GAUSSIANA 3.4 Justificativa para a funcgdo gaussiana A fungdo gaussiana é amplamente utilizada para descrever erros experimentais. Por isso, é também chamada fungao normal de erros. A distribuicdo gaussiana foi deduzida por K.P. Gauss em 1795. Outra dedugdo foi apresentada por P.S. Laplace em 1912. Por isso, também ¢ chamada de distribuig#o de Gauss-Laplace. As dedugies sio importantes fundamentes matematicos, que ajudam a entender porque as distribuigdes de erro tendem a ser ganssianas. Bntretanto, as dedugées nado demonstram que erros experimentais seguem distribuigdes gaussianas. Na pritica, as hipdteses admitidas nas demonstragées ma- temadticas, s6 sio aproxirgadameute satisfeitas. Verifica-se experimentalmente que, em geral, 0s erros seguem distribuicéo gaussiana com boa aproximacao. Eventualmente, uma distribuig&o de erros pode ser diferente da distribuicio gaussiana. Uma justificativa matemética da funcao ganssiana como distribuigo de erces é encontrada no Teoreme do limite central, em sua forma mais geral®. Numa linguagem bastante simplificada e adaptada ao problema em questdo, este teorema pode ser enunciado como segue. Erros aleatérios independentes th, 1p, <1 @ tly sido admitidos como tendo distribuigdes de probabilidade quaisquer com varidncias finitas e tais que nenhum 1 particular é muito maior que os demais. Nestas condigGes, se 0 erro total € 7 =m +m +--+ 1s entdo, @ distribuigéo de erros para 7 conuerge para uma distribuigée gaussiana, no limite q— oo. Em resumo, se o erro total 1) ¢ a soma de muitos erros elementares mh que tem distribuigdes quaisquer com variancias finitas, a distribuicso de probabilidades para 7 tende a ser gaussiana. Os Exemplos 3 ¢ 4 mostram como a superposigdo de distribuighes de probabilidade converge rapidamente para uma distribuigio gaussiana. O Exemplo 3 mostra que a superposiciio de 2 distribuigdes retangulares resulta numa distribuigdo triangular, © Exemplo 4 mostra que uma superposicao de 3 distribuigdes retangulares resulta numa Uma verso mais geral do Tearema do limite central 6 0 Teorema de Lindeberg- Feller. Uma apresentacio matemética mais formal deste teorema € dada no Apandice A.3.4, JUSTIFICATIVA PARA A FUNCAO GAUSSIANA 47 distribuigdo bastante préxima de uma distribuigdio gaussiana, Os exemplos apresentados sio para distribuigdes discretas, mas as conclusdes valem para distribuigdes conténuas. A superposigio de diversas distribuigdes de erro converge para uma gaussiana, mas existe a condigao de varidncias finitas. Por exemplo, no caso da distribuicdo lorentziana’, a variancia no ¢ finita e, se existirem erros elementares com distribuigSes lorentzianas, a distribuigdo para o erro total 7 nao converge para uma gaussiana. Uma vez que, em qualquer processo de medic&o, sempre existem varias fontes de erro, rio é dificil entender a importancia de fungiio gaussiana para descrever erros experimentais, em geral. Exemplo 3. Superposigdo de 2 distribuicdes retangulares. A Figura 3.2 mostra uma distribuicdo retangular® para uma variével discreta X , que s6 potle ter 5 valores equiprovaveis: -2,-1,0, 1 ¢ 2. Assim, a probabilidade para cada resultado 6 P,(X,) = 1/5 © valor médio p ¢ 0 desvio padrio o sao dados por 1.18 ¢ Lid: : na Sex & A seguir sao consideradas duas varidveis X e Y que tém exatamente a mesma distribuigéo de probabilidades mostrada na Figura 3.2. Definindo a varidvel discreta y como asomade X e Y yo X+Y. 5 =O ¢€ =A py = =i A Tabela 3.3 mostra os resultados y possiveis para a varidvel y. Cada soma na tabela pode ser considerada um resultado equiprovavel. Assim, as probabilidades P2(y:) podem ser calculadas facilmente, a partir da multiplicidade M(y,) de cada resultado y, ¢ do ntimero total N de resultados equiprovaveis: Puy = Moo "Ver Exemplo 3 do Capttulo 2. Ver Exemplo 2 ¢ Questdo 2, do Capitulo 2.48 CAPITULO 3. DISTRIBUIGAO GAUSSIANA 0.1 oF FF ee —o—@ I i [ t | I i I T T 6 -5 -4 -3 -2 -1 0 2 Figura 3.2. Distribuigdo retangular para varidvel discreta X . Tabela 3.1. Resultados posstveis para a soma y, = X; + ¥e. Ay 2 1) xX, =0 | Xe=+1 | Xs = +2 -2 -1 0 =I a t 0 1 2 1 2 3 z 5 £ ‘Tabela 3.2. Multiplicidades M(x) ¢ probabilidades P3(yi) th 40-3 2 O 42 42 43 44 M(t) | 4 2 3 4 5 4 3 2 1 Pa(y,) | 0,04 0,08 0,12 0,16 0,20 0,16 0.12 0,08 0,0434. JUSTIFICATIVA PARA & FUNGAO GAUSSIANA 49 woe = gaussiona @ - Phy) w=0 e o=2 6 5 -4 -3 -2 -1 0 12 3 4 5 67 =F Figura 3.3. Distribuicdo triangular Ho(y) que resulta da superposicdo de duas distribuigbes retangulares iguais. Uma distribuigéo gaussiana com mesmo desvio padréo também ¢ mosirada, para comparagao. A Tabela 3.2 ¢ a Figura 3.2 mostram a distribuigao de probabilidades, Como pode ser visto, a distribuigo que resulta da superposi¢ao das 2 distribuicdes retangulares é uma distribuigao triangular. O valor médio pz é mulo ¢ o desvio padrio a2 da distribuicao pode ser calculado diretamente pela Equacao 1.14, obtendo-se 5 a3 = Y> Palys) (ye — pa)® = 4. isl Lembrando que 9% = oj; = 2, verifica-se que 03 = te +o} = 207, ende ox e€ dy sao os desvios padrdes associados 4s varidveis X ¢ Y . No Capitulo 8 é mostrado que a relagado acima é valida eprorima- damente, para. o caso de soma de varidveis X e Y com distribuicées guaisquer. Neste caso particular, verifica-se que a equacao é exata.50 CAPITULO 3. DISTRIBUICAO GAUSSIANA Tabela 3.3. Valores possiveis de y, e multiplicidades AM (y:) Yi 6 5 -4 3 2 1 0 1 2 8 4 °5 6 Miy)| 1 3 6 10 15 18 19 18 15 10 6 3 7 Exemplo 4. Superposic¢éo de 3 distribuigdes retangulares. A varidvel y é definida, como a soma. =NXN+¥42, onde X, ¥ e Z tem distribuigdes de probabilidades retangulares iguais 4 da Figura 3.2. Os resultados possiveis para a variavel y podem ser obtidos somando-se os valores possiveis de Z (-2,-1,0,1e 2)a cada um dos valores da Tabela 3.1. Assim, obtém-se N = 125 resultados equiprovaveis. A Tabela 3.3 mostra os resultados y,, possiveis e a multiplicidade. Myy,) para cada resultado. As probabilidades P5(y;) sao dadas por AM Pry) = B. O valor médio jig é nulo e a desvio padrao oy da distribuigéo pode ser obtido diretamente, pela Equaciio 1.14: -> Pry) (ye — wa)? = Também neste caso, verifica-se que of = of + 0% + 0} = 307. Isto 6, na soma de varidveis X, ¥ e Z, as varidncias correspondentes devem ser somadas. Conforme sera mostrado no Capitulo 8, esta regra é valida aproximadamente para distribuigdes quaisquer.3.4, JUSTIFICATIVA PARA A FUNGAO GAUSSIANA 51 Hy) oem = gaussian @ - Psy) p=0 6 c= V6 Figura 3.4. Comparocio entre a distribuicde gaussiana ¢ a distribuigio Pi(y) que é a superposicds de 3 distribuicdes retangulares iguais. A distribuigio de probabilidades P,(y,) ¢ mostrada na Figura 3.4. Uma distzibuigéo gaussiana com o mesmo desvio padréo também ¢ mostrada na Figura 3.4, para comparac&o. Como pode ser visto, a superposigao das 3 distribuigdes retangulares se aproxima bastante de uma gaussiana. Os exemplos 4 ¢ 4 mostram que, mesmo no caso de apenas 3 distribuigdes muito diferentes de uma distribuigio gaussiana, a superposicio resulta muito préxima de uma gaussiana. Essencialmente, este € o significado do Teorema do limite central, Mas, deve ser lembrado que a condig&e de varidncia finita 6 importante. Se existirem contribuigdes de distribuigdes com varidncias néo finitas, tais como lorentzianas, & superposig&o0 nao converge para ume gaussiana.52 CAP/TULO 3. DISTRIBUIGAO GAUSSIANA Questoes 1. Uma varidvel X, 86 pode assumir os valores inteiros: X= a, ~(a-1),-+, 0,0, (@-1), a, sendo retangular a distribuigdo de probabilidades, como na Figura 3.2. @ Mostrar que a varidncia é ge a(a+1) (3.5) 3 Nesta e na questao seguinte, sio usadas as relagbes: tk = En +1) @r+1) e @ Mostrar que para a distribuigao similar com varidvel continua: ons. (3.6) Para a >> 1, nao importa muito se a varidvel é continua ou discreta. 2. Uma varidvel X, s6 pode assumir os valores inteiros: Ay = a, — (ay, 0, (2-1), 2, sendo triangular a distribuigdo de probabilidades, como na Figura 3.3 © Mostrar que a probabilidade para cada X, é 1 XxX : P(X) = =(1- 4). 3.7) i) = 20-4 an Mostrar que a variancia é 2 2_ (@’~)) =. 3.8 a 7 (38) @ Mostrar que para a distribuigao similar com varidvel cont{nua: 2 2 @ = 3.9 one (9) Para a >> 1, no importa muito se a varidvel ¢ continua ou discreta.Capitulo 4 Incerteza Resumo Neste capitulo séo apresentados 0 conceito de incerteza, as farmas de indicer a incerteza e, em particular, a incerteza padréio. As posstveis relagées entre incerteza padrdo ¢ limite de erro séo apresentadas. 4.1 Objetivos da teoria de erres Uma grandeza fisica experimental deve ser determinada a partir de medigao e o resultado é sempre uma aproximagao para o valor verdadeiro da grandeza. Os objetivos da teoria de erros consistem em determinar o melhor valor posstvel para a grandeza a partir das medigdes e determinar quante 0 melhor valor obtide pode ser diferente do valor verdadeiro. O melhor valor para a grandeza (mensurando ) deve ser o o mais préxime possivel do valor verdadeiro e também pode também ser chamaclo de melhor estimative ou, simplesmente, valor experimental para a grandeza fisica. A incerteza no melhor valor y pode ser definida como uma indi- cagéo de guanto este methor valor pode diferir do valor verdadeiro do mensurando, em termos de probabilidades. 5354 CAPITULO 4. INCERTEZA Indicando por y, o valor verdadeiro de uma grandeza e por y 0 melhor valor obtido numa medigao ou num conjunto de medigdes, o erroem y 6 definido pela Equacao 3.1: n=Y-W- 41 No formalismo da teoria dos erros, 0 valor verdadeiro yy 6 considerado desconhecido'. Assim, o erro # também ¢ uma guantidade desconhecida, por hipdtese. O melhor valor e a respectiva incerteza 86 podem ser obtidos e interpretados em termes de probabilidades. Se fosse pogsfvel fazer qualquer afirmagdo de cardter mais determintstico sobre o melhor valor y ou sobre o erro 7, 0 valor verdadeire para a grandeza deixaria de ser uma quantidade descenhecida. Os objetivos da teoria de erras podem ser resumidos em: @ Obier o melhor valor para o mensurando a partir dos dados experimentais dispontveis*. Isto significa determinar a melhor aproximagio possivel para o valor verdadeiro, em termos probabilisticos. ® Obier g incerteza no melhor valor obtido, o que significa determinar quanto este melhor valor pode ser diferente do valor verdadeire da grandeza fisica, em termos probabilisticos. 4.2 Formas de indiecar a incerteza A incerteza em um resultado pode ser especificada de diferentes maneiras. As formas mais usuais para indicar incerteza sdo°: ® Incerteza padrao (a), ® Incerteza expandida com confianga P (ka), * Limite de erro (L) e © Erro provavel (A} 1Ver discussdo nas Seqdes 3.1 ¢ 3.2 da Capitulo 3. 7Um princfpio geral para 2 determinagéo do melhor valor de uma grandeza a partir de um conjunto de dados experimentais é discutido na Capitulo 10. 34 nomenclatura utilizada é a da Referéncia 20.4.3. INTERVALO DE CONFIANGA 35 A incerteza padriio* pode ser definida como o desvio padrio da distribuigao de erros*. Esta é a maneira mais usada atualmente, para indicar a incerteza em trabalhos de fisica experimental. A incerteza expandida corm confienga P é um miltiplo da incer teza padrao (ko). Os valores usuais do fator muultiplicativo & sao mostrados na Tabela 4.1, para distribuigéo gaussiana. Q limite de erro (L) 60 valor maximo admissivel para 0 erru®. Esta é a forma mais utilizada em especificagdes técnicas de instrumentos, padres de calibragdio, componentes ou pegas. Por isso, esta forma de incerteza também ¢ importante em fisica experimental. O erro provduel 40 valor A que tem 50% de probabilidade de ser excedido pelo erro 7, em médulo. O “erro provével” era muito usado ne passado e ndo é mais utilizado. Livros e trabalhos de fisica antigos apresentam a incerteza desta maneira. A interpretacdo da incerteza padrao, bem como das outras formas de incerteza, é baseada no conceito de intervalo de confianga, que 4 apresentado a seguir. 4.3 Intervalo de conflanga Néwel de confianga P, coeficiente de confianga P ou, simplesmente, confianca P de uma afirmativa é a probabilidade P de que esta afir- tmativa esteja correta. Considerando a afirmativa “a < 6 < c¢” com confianga P, esta inequacgéo define um intervalo de confianca para @ quantidade b, que pode ser representade por: a 5,6 3,68 8 = 3,69/5,7500 => 5,8 5.6499 = 5,6 /9,47 5 => 9,48 5,650L => 57 [3,325 =» 4,3272 CAPITULO 5. ALGARISMOS SIGNIPICATIVOS 5.6 Formas de indicar a incerteza padrao Uma grandeza experimental deve ser sempre dada com a respective incerteze. De preferéncia, a incerteza, deve ser indicada por meio da incerteza padrao. A incerteza padr3o deve ser dada com 1 on 2 algarismos, conforme as regras apresentadas, ¢ a grandeza deve ser dada cam todas os algarismos significativos ¢ somente com algarismos significativos. Por exemplo, a constante universal de gravitagao’ é escrita como G = ( 667259 + 0,00085 ) x (10-Ym's"*kg™ ea ee grandeza tncertesat onde a incerteza padras o 6 uma quentidade positiva, por definigao, eosinal + € convencional. Somando e subtraindo o da grandeza, se obiém os limites do intervalo de confianga com nivel de contianga P 68%, no caso de distribuigdo gaussiana de erros. Conforme as regras adotadas, o resultado acima também pode ser escrito como G = (6,6726 ch 0,0008) x (LO™U mis kg). Uma grandeza experimental ¢ a respectiva incerteza padrao também podem ser representadas da seguinte maneira: G = 6,67259 (85) x(10-"m¥sky™) SO MF 188) grondeza o ou ainda G@ = 6,6726(8) x (107 ms Pkg"). O inconveniente deste tipo de notagdo é a auséncia de qualquer re- dundancia. Se, numa eventual falha de redagio do texto, um algarismo qualquer na grandeza é omitido, o leitor nado tem nenhuma possibilidade de perceber que ha alguma coisa errada. Ver Exemplo 1 do Capitulo 45.7% GRANDEZA SEM INDICAGAO DA INCERTEZA 13 5.7 Grandeza sem indicacgéo da incerteza Como regra geral, uma grandeza experimental deve ser apresentada com indicagaéo erpitciia da incerteza, Quando, por qualquer motive, isto se tornar inconveniente, a grandeza deve ser escrita conforme a seguinte regra’ ; © limite de erro deve ser no mdsimo 0,5 no ultimo algarismo apresentado, quando néo existir indicagao explicita da incerteza. Isto é, 0 limite de erro deve corresponder so erro maximo de arredondamento na quantidade, de forma que todos 08 algarismos indicados sdo corretos exceto o ultimo, que tem wm limite de erro igual & 0,5. Por exemplo, um valor experimental recente’ para a carga do clé- tron é e = (1,60217733 + 0,00000049) x 107 C. Admitindo o limite de erro é dado pela Equaciio 4.8: L= 8a 0,0000015 x 10°C, com mais de 99% de confianga, o valor verdadeiro para a carga do elétron deve estar entre os valores €; = (¢ — L) ¢ eg = (e+ LZ). e = 16021759 x 10" Ce ey = 1,6021788 x 10°C. Assim, para ter erro m4ximo de 0,5 no ultimo algarismo, a carga do elétron deve ser escrita como e = 1,60218 x 19°C. Conforme a regra mencionada, esta é a maneira correta de escrever o valor experimental da carga do elétron, quando se deseja omitir completamente a indicagdo do incerteza. Como pode ser observado, 3 algarismos significativos devem ser eliminados, neste caso. Sista regra é apresentada na Referéncia 4, Por exempla, na Referéncie 5, a regra € un pouco diferente: o limite de erra deve set no méximo 1, no ditimo algarisme, Valor obtido da Referéacia 2.74 CAPITULO 5, ALGARISMOS SIGNIFICATIVOS Exemplo 3. Os resultados da medida de wna grandeza e respective incerteza padrao s&o inicialmente escrites como y=73,6 4m e ¢=1,23,m Conforme as regras estabelecidas nas Segdes 5.2, 5.3 e 5.4, nos dois casos, © Ultimo algarisme nao é significativo e deve ser eliminado. A seguir serA mostrado que, no exemple acima, os 3. primeiros algarismos s&o significatives, enquanto que o algarismoe 4 néo & significativo. Admitindo que a distribuigéo de erros é gaussiana, a fungao de densidade de probabilidade é dada por 2 ae! 1 Go) = THe © valor verdadeiro y, 6 desconhecide, enquanto y = 73,64m é0 resultado da medida. Assim, a expressdéo acima permite determinar probabilidades para o erro #7, ¢ portanto para o valor verdadeiro yy. A probabilidade P{y,) de que o valor verdadeiro seja yy, 6 pro porcional a Gm). Isto é, Py.) = CG(m), onde C é uma consiante de proporcionalidade. Assim, esta probabilidade pode ser escrita como e onde 7 = (ya) Ply») = CG(n) = poe B® = pye ee brw" onde pp a probabilidade para o particular valor y, = y = 73,64m. As probabilidades para valores y, quaisquer podem ser calculadas numericamente. Nas tabelas apresentadas a seguir, sio mostrades os valores calculados aproximadamente para as probabilidades para os diversos casos possiveis. Probabitidades de que © primeiro algarismo seja 0 valor indicado. ig algarismo 5 6 7 & Probabilidade | 0,00% | 0,16 % 99,84 % 0.00 %5.7. GRANDEZA SEM INDICAGAO DA INCERTEZA 7 Probabilidades de que o segundo algarisme seja o valor indicada. 20 algarismo | 0 | 1 2 3 4 5 6 Probabilidade | 1% | 8% | 21% | 31% | 25% | 11% | 2% Conforme pode ser visto dos valores calculados, quando se escreve y = 73,64m senda ao = 1,23m a probabilidade de que o primeiro algarismo seja 7 6 99,84%. Assim, existe certeza quase absoluta de que o algarismo 7 6 correto. A probabilidade de qne o segundo algarismo seja 3 é 31%. Por- tauto, o algarismo 3 também é significativo, porque tem maior probabilidade ser algarismo correto em relagéo aos demais. Assim, os dois primeiros algarismos (7 ¢3) sio significativos, pois tém uma probabilidade bastante diferenciada dos demais algarismos. Nos caso dos 2 dltimos algarismos, siio calculadas as probabilidades relativas & probabilidade py para y = 73,64. Probabilidades para o terceiro e para o tiltimo algarismo. ve | PQs) Ue P(e) 73,04 | 0,882 po 73,14 | 0,917 po 73,60 | 0,99944 py 78,61 | 0,99969 yo 73,24 | 0,946 po 73,62 | 0,99986 po 73,34 | 0,969 po 73.63 | 0,99997 po 73,44 | 0,986 po 73,64 Po 73,54 | 0,997 pp 73,65 | 0,99997 py 73,641 po 73,66 | 0,09986 pp 73,74 | 0,997 po 73,87 | 0,99969 po 73,84 | 0,986 po 73,68 | 0,99944 po 73,94 | 0,969 po 73,69 | 0,99913 po76 CAPITULO 5. ALGARISMOS SIGNIFICATIVOS Conforme pode ser visto dos resultados, o algarismo 6 tem uma prebabilidade um pouco maior de ser algarismo correto, em relagdo aos outros. Esta probabilidade é cerca de 10% maior em relagio aco 0, por exemplo. Assim, pode-se dizer que o algarismo 6 tem algum significado. Entretanto, para o algarisme 4, a probabilidade de que este algarismo seja um algarismo correto ¢ a mesina que para os demais algarisrnos, para todos 0s efeitos préticos. Assim, o algarismo 4 nao pode ser considerado como algarismo significativo. Em resumo, quando se escreve y = 73,64m,sendo o=1,23m a incerteza padrao, os algarismos 7, 3 ¢ 6 em y podem ser considerados significatives, enquanto que o algarismo 4 nao tem nenhum significado. Assim, 0 resultado final deve ser escrito como y = (73,6 & 1,2)m. Escrever o algarismo 3 na incerteza padrao o 6 supérfiuo, uma vez que o algarismo correspondente em y nao é significativo. Questées 1. A densidade da 4gna” a 0° C' é 0,99987 g/em’. Determinar a ordem de grandeza da incerteza padrio porcentual para este resultado, admitindo que este resultado foi escrito conforme a regra apresentada na Segiio 5.7. 2. Mostrar que, para omitir a incerteza na constanie universal de gra- vitagéo, conforme a regra apresentada na Secao 5.7, esta constante deve ser escrita como G = 6,67 x (10-Umis kg) "Valor obtido na Referéacia 6.Capitulo 6 Erros sistematicos e estatisticos Resumo Neste Capitulo, sido apresentados os conceitos de erros sistemdticos € erros estatisticos (ou aleatérios). Vérios aspectos relacionados séo apresentados tais como 08 conceitos de acurdcia (ou exatidéo) ¢ de precisdo, classificagdo de erros sisteméticos, distincdo entre erros sistemadticos € estattsticos, os conceites de incerteza de tipo A e de tipo B. 6.1 Valor médic de n resultados Se a medicéo de uma deferminada grandeza y € repetida mn vezes, os 7 resultados podem ser diferentes, em geral. Isto é, obtém-se um conjunto de resultados que pode ser representado por Vis Yor Yer tt Unis Bae O valor médio dos n resultados das medigées é definido por peo Btwtwet tthatin _ Leah (62) n R O valor médio #7 é diferente do valor verdadeiro y, , como mostrado na Figura 6.1. Em geral, a incerteza associada ao valor médio é menor que a incerteza em cada um dos resultados 4. W78 CAPITULO 6. ERROS SISTEMATICOS E ESTATISTICOS OO FPO POE BP 08 — OO _ =~ Sy Figura 6.1. Representaedo de n resultados y;. © valor médio 6 9 ¢ Yo Tepresenta o valor verdadeiro. 6.2 Erros estatisticos e sistematicos Geralmente, ocorrem erros de varios tipos numa mesma medicgio. Os diferentes tipos de erros podem ser agrupados em 2 grandes grupos que so 0s erros sistemdticos e os erros estatisticos'. Os erros estatisticos também sao chamados erros aleatérios. Considerando n resultados y% pata um memnsurando, os erros estatisticos e erros sistematicos podem ser distinguidos como segue. « Erro sistemdtico 6 sempre 0 mesmo nos n resultados. Isto 4, quando existe somente erro sistematico, os n resultados y; sHo iguais e a diferenca para o valor verdadeiro y, 6 sempre a mesma. » Ervo estattstico ou erro aleatério 6 um erro tal que os nm resultados y; se distribuem de maneira aleatéria em torno do valor verdadeiro Ye, (na auséncia de erro sistematico ). Conforme o ntimero de repeti- ges da medicdo aumenta indefinidamente (n ~> co), 0 valor médio y se aproxima do valor verdadeiro da grandeza? (y, ). 14 distingao entre erro sistemitico e erro estatistico ¢ um pouco arbitraria, como discutido na Seodo 6.7. 2Uma das hipdteses admitida aqui 6 que o valor médio 6 “bem definido” para n+ 00, conforme a “Lei dos grandes niimeros" (ver Apandice A). A outra hipdtese admitida é que o valor médio corresponde av valor da. grandeza a ser medida. Podem ovorrer casos muito excepcionais, em que a distribuicdo de erros estatisticos ndo é simétrica e o valor médio das medidas ndo corresponde & grandeza.6.2. ERROS ESTATISTICOS E SISTEMATICOS 79 Em geral, numa medigdo, os dois tipos de erro ocorrem simultaneamente. Neste caso, conforme n aumenta, o valor médio dos resultados se aproxima de um valor definido que 6 0 valor médie verdadeiro %, . A diferenga entre 0 valor verdadeiro y, e o valor médic verdadeiro J, é 0 erro sistematico da medic&o. A Figura 6.2 representa resultados de medigdes com erro estatistico, na auséncia de erro sistemdtico. A Figura 6.3 mostra o efeito de erro sistemdtico, na auséncia de erro estatistico. Nas Figuras 6.4 e 6.5, ambos os tipes de erro estéo presentes. A acurdeia ou ezatidao* 6 um conceito qualitative para deserever quanto o resultado de uma medigao é prézimo do valor verdadeiro. Em outros termos, um valor muito acurado (ou muito exato) ¢ um valor tauito préxime do valor verdadeiro, com erro total muito pequeno, A preciséo é um conceito qualitative para caracterizar resultados com erros estatisticos pequenos, com pequena dispersdo em relagac ao valor médio verdadeiro. Em medigées com boa preciso, obtém-se resultados com muitos digitos e bastante repetitives. Entretanto, pode existir erro sistemAtico grande e a acurécia pode ser ruim. Como pode ser visto, para ter boa acuracia (ou exatidao), é neces- s&rio que a precisdo seja boa e, ainda, que os erros sistematicos sejam pequenos, Isto significa que a precisac é uma condig&o necessdria, mas no suficiente, para medigdo com bons resultados. Por exemmplo, um multimetro digital pode indicar uma leitnra estével e bem repetitiva, tal como 187,4V, numa determinada escala. Se a medigdo é repetida com um multimetro analdgico, o resultado pode ser 183V. A “preciséo” do multimetro digital é melhor. Entretanto, pode ocorrer que a acurécia do multimetro analdgico seja equivalente ou até melhor que a do multimetro digital. Por exemplo, se o limite de erro do multimetro analégico.é 1% da leitura e do digital é 2%, a qualidade do resultado obtido con o multimetro analdgico é melhor que a do digital, apesar da preciso deste ultimo. As palavras “acurdcia” on “exatidéo” e€ respectivos adjetivos ca- racterizam a qualidade final de um resultado. A palavra “precisio” e respectivos adjetivos nunca devem ser usadas com este sentido. 3 palavra inglésa “accuracy” é traduzida na Referéncia 22 como “exatiddo”. Neste texto, a palavra “acurécia” é mantida como alternativa.80 CAPITULO 6. ERROS SISTEMATICOS E ESTATISTICOS eee eee be 9 Figura 6.2. Resuliados de medigées, quando existe somente erro estatistico. O valor médio Y se aproxirna de valor verdadeiro y,, conforme o nimero de medicées aumenta. ey — Too re hoy Yo o> ve Figura 6.3. Resultados de medigdes quando existe somente erro sistemdtico. O resultado é sempre o mesmo ( y= 9), mas ndo é o valor verdadeire y,. A precisdo & boa, mas a acurdcia é ruim. a A a i a ll EE ee A i , Ye F Fignra 6.4. Resultados de medigées com preciséo ruim (errs estatisticos grandes }. O erro sistemédtico relatiuamente pequeno, de forma que a acurdcia do valor médio Y pode ser razodvel. m—— T TO 00-0 TRO —B- rr t t Yo y Figura 6.5. Resultados de medigées com precisdo razodvel e acurécia ruim. O valor médio Y se distancia do valor verdadeiro y,.6.3. ERROS ESTATISTICOS 81 6.3 Erros estatisticos Erros estatisticos (ou aleatérios} resultam de variagdes aleatérias no resultado da medi¢io, devide a fatores que ndo podem ser controlados ou que, por qualquer motivo, nado séo controlados. Em geral, estas variagSes se deve somente ao processo de medida, mas em certos casos, as variagdes aleatérias so intrinsecas do préprio menserando. Por exemplo, na medigéo de massa com uma balanga, correntes de ar ou vibragées (fatores aleatérios } podem intreduzir erro estatistico na medicio. Mas, estes erros podem ser reduzidos ou praticamente minados colocando-se a balanca em uma mesa a prova de vibragdes € protegendo-se a balanga em uma caixa de vidro on mesmo em vdeno quando se deseja alta precisio. Se, em certos casos 6 erro estatistico pode ser reduzido ou praticamente eliminado, em outros casos isto n&o é possfvel. Por exemplo, 0 mimero de desintegragées que ocorre em 1 minuto em uma, amostra de material radiativo é uma quantidade que varia aleatoriamente em torno de um valor médio, conforme uma distribuigaio de Poisson’. Se o mensurando € este valor médio, cada, medigio tem erre estatistico in- trinseco, que sé pode ser reduzido repetindo-se muitas vezes a medigao para melhorar a preciséio de valor médio. A expresso “erro praticamente eliminado” significa erro que foi reduzido de forma ase tornar muito menor que os demais erros envolvidos na medigio. Em geral, um erro ngo pode ser eliminado, mas apenas reduzido. Erxos estatisticos podem ser reduzidos, eliminando ou reduzindo os fatores aleatérios que interferem uo processo de medigio. Quando isto no 6 possivel, uma solugio para reduzir os erzos estatisticos consiste em repetir muitas vezes 2 medigio, uma vez que o valor médio de um grande ntimero de resultados tem érto-estatistico menor®, Além disso, este procedimento de repetir medidas permite avaliar a incerteza estatistica no resultado final, a partix da propria flutuacdo estatistica que ocorre nos diferentes resuitados®. “Ver Seeao 1.6 do Capitulo 1. 5 Como é mostrado Capitulo 7, o desvio padréo no valor médio 6/7 vezes menor que 0 desvio padrao dos resultados de n medigoes. SA incerteza estatistica 6 0 “desvio padrdo” no valor médio (ver Seco 7.3).82 CAPITULO 6. ERROS SISTEMATICOS FE ESTATISTICOS 6.4 Erros sistematicos Na auséncia de erro estatistico, o erro sistemético 6 a diferenga entre 0 resultado y da medicao ¢ o valor verdadeiro yy (ms = ¥-~ Yo): Este erro sistematico 6 © mesmo para qualquer resultado, quando a medigéa 6 repetida. Assim, resulta que o efeito de um erro sistemdtica n&o pode ser avaliado simplesmente repetindo medigées. Por isso, a incerteza relativa aos erros sistem: em geral, bem mais dificil de ser avaliada que a incerteza estatistica. Erros sistematicos podem ter causas muito diversas e geralmente se enquadram em um dos tipos definidos a seguir’. 6.4.1 Erros sistemdticos instrumentais Erro sistemdtico instrumental € erro que resulta da calibragao do instrumento de medig&o. Além do erro na calibragae inicial do instrumen- to, deve ser observado que a calibracdo pode se alterar em funcdo de diversos fatores, tais como temperatura, alteragéio das caracteristicas dos materiais e componentes, desgaste de partes méveis e outros. Por exemplo, ma régua comum apresenta erro sistematico que depende da qualidade da régua. No basta que a régua seja fabricada com. calibragéo muito boa. A régua deve também ser construida com bom material, de forma que a calibrag’o nao se altere ao longo do tempo ¢ nao dependa de fatores tais como temperatura, tensdes e outros. Em medigées usuais, os erros sistematicos instrumentais podem ser reduzidos ou praticamente eliminados, por meio de recalibracdo ou no- va aferigio do instrumento de medida e corregao dos resultados. Hn- tretanto, pode ocorrer que isto seja dificil ov dispendioso, na pratica, tornando invidvel qualquer recalibragao ou corregde de resultados. Em certos casos, erros sistematicos podem ser eliminados por meio de procedimentos engenhosos. No Exemplo 1, a seguir, 0 erro sistematico devido a “bragos diferentes” de uma balanga, pode ser eli- minade repetindo a medicdo de massa em pratos invertidos e extraindo a média geoméirica dos resultados. As vezes, técnica semelhante pode ser usada em medicdes elétricas, invertendo instrumentos (Exemplo 2). *Conforme classificagac apresentada na Referéncia 5.64, EPRROS SISTEMATICOS 83. 6.4.2 Erros sistematicos ambientais Erro sistemdtico ambiental € 0 erro devido a efeitos do ambiente sobre a experiéncia. Fatores ambientais como temperatura, presséo, humidade, aceleraco da gravidade, campo magnético terrestre, luz, rufdos eletromagnéticos e outros podem introduzir erro nos resultados de uma medic. Por exemplo, numa experiéncia para medir 0 campo magnético de uma amostra, 0 instrumento de medigao indica o campo magnético total, que é a superposicdio do campo da amostra e do campo magnético local da terra. O resultado de uma simples medigao tem erro sistematico ambiental. Erros sistemdticos ambientais também podem, em geral, ser reduzidos ou praticamente eliminadas se as condigdes ambientais forem bem conhecidas e, de preferéncia, controladas, No exemplo acima, se o campo magnético ambiental no laboratério é conhecido, o erro sistematico ambiental pode ser eliminado, corriginde o resultado final. Se- ria trabalhoso e desnecessdrio eliminar o campo magnético ambiental. Entretanto, alguns fatores ambientais come temperatura, humidade, luminosidade, pressio ¢ outros fatores podem ser controlados, além de serem medidos. Em qualquer processo de medigo, é bea pratica experimental re- gistrar todas as grandezas ambieritais, que possam influir na medigao. Assim, deveriam ser sempre registradas as condigdes do ambiente, tais como temperatura, pressdo, humidade, luminosidade, vibragio, campo magnético, rufdo eletromagnético, radiagio nuclear de fundo e¢ outros fatores, quando possam ter qualquer relagéo com a medigéo. 6.4.3 Erros sistemadticos observacionais Ervo sistemdtico observacional é um erro sistematico devido a pequenas falhas de procedimento ou limitagdes do proprio observador*. Um erro sistematico deste tipo é devido ac efeito de paralaze na leitura de escalas de instrumentos. O erro de paralaxe na leitura de um instrumento analégico 6 devido ao nao alinhamento correto entre o olho %Este erro n&o deve ser confundido com enganos ou erros grosseiros que serio discutidas a seguir.84 CAPITULO 6. ERROS SISTEMATICOS & ESTATISTICOS do observador, o indicador da leitura e a escala do instrumento. Podem resultar, por exemplo, leitnras sempre sistematicamente maiores que as reais, se o instriumento estiver colocado froutalmente ao observador, mas deslocado 4 direita. Disparar ur cronémetro sempre atrasado na medigéo de tempo é ovtro exemplo deste tipo de erro. Erro deste tipo pode ser reduzido seguindo-se cuidadosamente os procedimentos corretos para uso dos instrumentos. Entretanto, mesmo que os procedimentos corretos sejam escrupulosamente seguidos, ainda poderd existir erro sistemético devido as limitagdes humanas. O tempo tipico de reagao do ser humano a um estimulo é da ordem de nm 0,18 (tempo de reagéo humana). (6.2) Assim, um resuitado obtido com cronémetro acionado manualmente pode apresentar erro sistematico desta ordem de grandeza. Analoga- mente, a resolugao tipica do olho humano normal é da ordem de 8, = 0,008° & 0,00014rd (resolugao do olhe humano). (6.3) Isto significa que o olho humano pode distingnir 2 pontos separados de 0,14mm a 1m_ de distancia, Esta resolugio é muito melhor qne a necessdria para realizar leituras mnito precisas em escalas de instrumentos e, em geral, ndo resulta em erro significativo, no caso de procedimento cuidadoso. 6.4.4 Erros sistematicos tedrico e outros Erro teérico 6 erro que resulta do uso de formulas tebricas aproximadas para obtengao dos resultados. Na realizagéo de uma experiéncia, ge- raimente é necessario utilizar um modelo para o fenémeno fisico em questéo. Conforme o modelo adotado, as formulas tedricas podem nao ser suficientemente exatas. Os resultados obtidos por meio destas fOrmulas terao erro que ¢ sistematico, em geral Por exemplo, realiza-se uma medicao da aceleracio da gravidade g por meio de uma experiéncia de queda livre. Quando se despreza a resisténcia do ar, a velocidade v em funcaéo do tempo ¢ é dada per w= gt6.5. INCERTEZAS SISTEMATICAS RESIDUAIS 85 O valor de g que se obtém usando esta formula 6 menor do que o valor que seria obtido usando um modelo que considere o efeito da resisténcia do ar, como mostrado no Exemplo 3. Assim, 0 valor de ¢ abtide pela f6rmula » = gt tem erro sistemAtico tedrico, devido ac uso de um modelo fisico um pouco inadequado. Um outro tipo de erro sistematico comum ¢ 0 erro devido & utili- zagéo de grandezaa fisicas com erros significativos. Por exemplo, numa determinada medigio, é necessdrio conhecer o valor da aceleragdo da gravidade local, que tem um certo erro. Um erro sisterdtico deste tipo ocorreu na famosa experiéncia de Millikan, em 1916, para determinagao da carga do elétrou. O valor encontrado por Millikan era 0,6% menor, porque o valor usado nos cé|culos para a viscosidade do ar era um pouco incorreto. Este erro sistematico foi corrigido 16 anos mais tarde’. Em geral, ecros sistemdticos tedricos ou devidos a erros em constantes podem ser reduzidos ou praticamente eliminados utilizando-se modelos fisicos, formulas e valores para as constantes suficientemente exates para o fendmeno em questo. Entretanto, pode ocorrer que néo sejam disponfveis modelos ¢ formulas mais adequadas ou valores melhores para as contantes. Também pode ocorrer que a precisio e a acurécia das medigSes no sejam suficientemente boas para justificar o uso de um modelo melhor. 6.5 Incertezas sistematicas residuais Em geral, os erros sistemdticos podem ser reduzidos ou podem ser feitas corregées aos resultados finais da medigiio, Na pratica, pode ocorrer que isto seja dispendioso ou complicado ou simplesmente, desnecessdrio em vista dos objetivos da medigio™. Erros sistemdticos de qualquer tipo, que n&o possam ser reduzidos a um valor baixo ou para os quais nao seja possivel fazer corregdes sio chamados erros sistemdticos restduais™. ®°Maiores detalhes sic apresentados na Referéncia 3, por exempio. 1Em particular, isto é frequente em experiéncias didéticas, nas quais o interesse maior nao 6 exatamente o resultado da medig: Relative a “residuo” ou “o que restou” depois de feitas todas as corregbes possfveis. Este tipo de erro é chamado de “erra residual” na ReferSncia 5.8 CAPITULO 6. ERROS SISTEMATICOS B BSTATISTICOS As incertezas correspondentes aos erros sisterndticos residuais podem ser denominadas incertezas sisteméticas residuais. As regras para combinar incertezas sistemdticas residuais com estatisticas so discutidas ne Capitulos ? e no Apéndice C. Tais regras sio um pouco controvertidas. Neste texto, é adotado o ponte de vista de que as incertezas sistemdticas residuais devem ser tratadas como incertezas estatisticas, para efeito de indicar a incerteza padrao no resullade final de uma medigao ™. Conforme a definigéo de erro sistemdtico residual, os erros siste- miaticos teéricos e devidos a constantes fisicas com erros nado deveriam, set incluidos nesta categoria de erros. Isto porque ser sempre possivel fazer corregdes posteriores nos resultados, utilizando melhores modelos, férmulas on valores de constantes mais exates. Por exemplo, o resultado obtido para a carga do elétron na experiéncia de Millikan foi corrigido somente 16 anos mais tarde. 6.6 Erros grosseiros Ervos grosseiros, também chamados erros ilegitimes, n&o sio erros do ponto de vista da teoria de erros. Erros grasseiros so enganos que- podem ocorrer na medigéo ou nos cdlculos. Por exemplo, se para um comprimento y = 47,4mm, o observador fez leitura ou anotou y = 37,4mm, isto constitui um erro grosseire. Quando existir qualquer suspeita de erro grosseiro em alguma leitura. de instrumento, esta leitura deve ser repetida, se possivel, ou eliminada do conjunto de dados. Critérios estatisticos para a rejei¢do de resultados de medigies sio resumides no Apéndice D. Eventualinente, podem ocorrer enganos na medi¢ao ou nos cdlculos. Entretanto, é nadmissivel apresentar resultados que contenham erros grosseiros. Para evitar erros grosseiros, as regras bésicas consistem em repehir medigdes e conferir cutdedosamente os edicules, além de ana- lisar criteriosamente a consisténcia dos resultados experimentais, com base em métodos estatistices ¢ outros métodos. 12% 9 ponto de vista da concepgio “aleatéria”, discutida no Apéndice Ce Re- feréucia 7. Este ponto de vista também é adotado na Referéncia 20.67. INCERTEZAS TIPO A E TIPO B 87 6.7 Incertezas tipo A e tipo B A distingio entre erro sistematico ¢ estatistieo é um pouco arbitrdria’’. Conforme as definigdes apresentadas, o erro estatistico varia de maneira aleatéria quando a medida é repetida, enquanto que o erro sistematico é sempre o mesmo. Assim, nc é dificil ver que a distingao entre os dois tipos de erros depende do universe de medidas considerado. Por exemplo, 0 erro de calibrag&o de um instrumento é um erro considerado sistemdtico, usualmente. Entretanto, quando sao consideradas medigées com instrumentos semelhantes, mas de diferentes marcas € procedéncias, espera-se que os erros de calibrac&o sejam estatisticos™. Analogamente, determinados erros usualmente considerados como estatisticos podem se tornar sistematicos em determinadas condicées. Por exempio, num determinado equipamento, flutuagGes aleatérias da temperatura podem resultar em erro estatistico. Entretanto, pode existir correlag&o entre a flutuag&o da temperatura e a propria experiéncia, resultando em erro sistemético. Em fungao da relativa arbitrariedade nas definigdes de erro estatistico e erro sistemdtico, tem sido recomendado por organizagées internacionais® que as incertezas sejam classificadas apenas como incertezas de tipo A ede tipo B. As incertezas de tipo A so aquelas estimadas por métodos estatisticos, enquanto que as de tipo B_ sio estimadas de outras maneiras. Entretanto, para um determinado processo de medig&o, as incerte- zasde tipo A ou de tipo B se referem aos erros usualmente entendidos come estatisticos ou como sistemAticos residuais, respectivamente. As regras para combinar as incertezas de tipe A com as incertezas de tipe B, ou para combinar as incertezas estatisticas com as incertezas sistemAticas residuais, para se obter a incerteza padrao, sio deduzidas na Segia 7.6. Entretanto, conforme é discutido no Apéndice C, as regras para combinar as incertezas estatisticas com as incertezas sistematicas residuais séo um pouco controvertidas e ndo sfo amplamente aceitas. 8Uma discussio detaihada a respeito ¢ apresentada na Referéncia 7. M4Uma ilustragdo deste fato 6 apresentada no Exemplo 4 do Capitulo 9. 35Ver Apéndice C e Referéncias 7, § e 20, por exemplo.88 CAPITULO 6. ERROS SISTEMATICOS E BSTATISTICOS es Figura 6.6, Desenho esquemdtico de wma balanga simples de pratos. Exemplo 1. Balange simples de pratos A Figura 6.6 mostra o desenho esquemdatico de uma balanga simples de pratos"$ A massa desconhecida m & colocada em um dos pratos, ¢ no outro prato sé0 colocadas massas conhecidas, cuja soma é a massa de referéncia mp. A condigio de equilibrio é indicada pelo fiel da balanga indicando zero na escala afixada na coluna central. O principio de funcionamento da balanga 0 equilibrio de torques em relagio ao eixo de apoio. No equilibrio, mab, = mags, onde 5, by sho as distancias das linhas de agio dos pesos de m e mp @ 9 & a aceleracio da gravidade. ) Apesar da simplicidade, e talvez par isso mesmo, ainda 66 tipo de balanga que permite maior acurdcia e preciso6.7. INCERTEZAS TIPO A E TIPO B 389 A balanga do tipo mostrado é construida de tal forma que os bragos sdo iguais, e assim, mr Isto é, a massa m a ser determinada é igual & massa de referéncia colocada no outro prato. No equilibrio, o fiel da balanga deve estar exatamente na vertical. Assim, é importante ter a coluna central exatamente na vertical, pois nela esta fixada a escala para o fiel. A medida da massa m esid sujeita aos varios tipos de erros estatisticos e sistematicos, como discutido « seguir. Erros estatisticos. » Erro estatistico no ajuste de zero do fiel da balanga. Isto 6, 0 ajuste da massa de referéncia ma para levar o fiel da balanga ao zero nunca € perfeito. * Correntes de ar resultam em forgas diferentes nos pratos. Em geral, estas forcas sio sleatérias e 0 erro resultante é estatistico. ® Atrito no apoio e vibragdes ambientes afetam um pouco a posicéo de equilfbrio do fiel, de maneira aleatéria. « Pequenas oscilagées dos prates provocam forgas adicionais nos pontos de sustentagSo do pratos e, portanto, resultam em erros. Se tais oscilagées sfo aleatérias em um ou outre prato, o erro é estatistico. Em grande parte, os erros mencicnados sao estatisticos e tendem a diminuir no valor médio dos resultados de muitas medigoes. Entretan- to, uma pequena parte do erro pode ser sistemdtica, dependendo do procedimente ¢ outros fatores. Erros sistemadticos e Esto de calibragdo das massas de referéneia, isto 6, erro em mg. Este erro pode ser praticamente eliminado por meio de alerigio suficientemente acurada das massas de referéncia.90 CAPITULO 6. ERROS SISTEMATICOS E ESTATISTICOS e Erro devido a coluna central nao estar exatamente na vertical. Isto equivale a um deslocamento de zero para o fiel da balanga. Como a balanga é constrafda de forma que o equilibrio seja estavel, uma pequena diferenca nas massas m € mp resulta em pequeno deslocamento do fiel. Portanto, se o zero esta deslocado da linha vertical de apoio, isto equivale a erro na massa. Erro no equilibrio inicial da balanga. Antes de realizar a me digdo, deve-se equilibrar muite bem os pratos. Se um dos pratos estd inicialmente mais pesado, isto resultard em erro sistematico nas medi- cées. Uma maneira de reduzir este erro consiste em tornd-lo estatistico, repetindo-se a medigio varias vezes, mas repetindo em cada vez o procedimento para ajuste do equilfbrio inicial. e Erro devido a diferenga nos bragos ); e bz. Uma equagiio mais exata é b: ma, de forma que se b, # by , ha erro sistemdtico quando se considera simplesmente m= mp. Este erro pode ser evitado com o artificio de repetir a medicdo, colocando as massas em pratos invertidos. O novo equilibrio ocorre para massa de referéncia mi e by m= (mk Assim, multiplicando as 2 equacSes para m, obtém-se m= mam, ou m= y/mgm. Isto é, a média geométrica das medidas é independente do erro devido a eventuais diferencas nos comprimentos des bracos. © Erro devido ao empuxo do ar, O ar atmosffrico exerce forca de empuxo de maneira andloga 4 agua. Se os volumes da massa m e da massa Mg sdo diferentes, as forgas de empuxo sao diferentes, resultando em erro sistematico, que pode ser eliminado por meio de correg&o no resultado ou colocando @ balanga em véeuo. Evidentemente, este erro é muito pequeno ¢ s6 é significative em medidas de altissima acurdcia ou para medir massa de materiais de densidade muito baixa,67. INCERTEZAS TIPO A E TIPO B a1 e Erro de paralaxe devido ao cbservader, no caso de procedimento um pouco incorreto ou descuidado. * Exro devido a pequenas oscilagdes dos pratos, se o procedimento para medidas provocar oscilagdes somente num dos pratos. ® Outros erres sistemadticos podem ainda ocorrer. Por exemplo, para determinar a massa de um material ferromagnético, podem existir forgas magnéticas devidas a materiais magnetizados nay proximidades ou devide ao proprio campo magnético ambiental. Os diverses erros sistematicos podem ser reduzidos ou praticamente eliminados por meio de cuidadados experimentais adequados ou corre- Ges nos resultados. Entretanto, sempre existe erro sistematico residual. Uma balanga de alta sensibiidade'’ permite determinar massas com muita preciséo, pois ela é capaz de indicar diferencas de massa muito pequenas. Se esta balanca for adequadamente protegida de correntes de ar e vibragdes, 0 erro estatistico é pequenc. Por outro lade, uma balanga de alta sensibilidade pode ser ruim no que se refere a calibragio das massas de referéncia, igualdade dos bragos e outros fatores que resultam em erros sistematicos. Assim, esta balanga indica a massa m com muitos algarismos e de maneira bastante repetitiva, entretanto, o resultado m pode ter erro sistemético grande. Em resumo, a balanga pode ter alte precisdo e acurdeta rsim. Inversamente, uma balanca poderia apresentar erros sistemdticos muitos pequenos, com massas de referéncia muito bem calibradas e bragos perfeitos. Mas, se esta balanga tem baixa sensibilidade, og resultados das medigGes sio pouco repetitivos e a a precisdo é ruim. Neste caso, o resultado da medig&o nao pode ter boa acuréicia. No caso de uta balanga comercial, acurdcia e precisio sio com- pativeis, em geral. Isto é6, nenhum fabricante vai construir uma balanga de alta precisao e acurdcia ruim, ou uma balanga com erros sistematicos muito pequenos e precisio ruim (baixa sensibilidade). Estas mesmas consideragées valem para outros instrumentos bem projetados. 17A sensibilidade da balanga propotcional ao inverse da menor massa 6 que, se colocada em um dos pratos, o fiel indica desequilfbrio.92 CAPITULO 6. ERROS SISTEMATICOS B BSTATISTICOS Exemplo 2. Medidas elétricas com instrumentos invertidos. ‘Tensdes elétricas Vi ¢ Vz sho medidas simultaneamente usando yol- timetros A e B, em faixas de medigdo semelhantes. Os instrumentos podem ter erros sistematicos de calibrago @ as leituras sio incorretas por fatores multiplicativos desconhecides @ © 8, respectivamente. Se os instrumentos nfo apresentarn desvios de linearidade, os fatores mul- tiplicativoes a e @ sao constantes!®. Numa primeira medic&o, as leituras dos voltimetros A e B sao respectivamente Vig ¢ Vor, € assim, Wo= alia e VW BVap. Repetinde a medigao, com os voltimetros invertidos de posic&o, as leituras sio Vip e V4 © Y= Vie e Vy = ave, Caleulando a rasio V,/¥3 nos dois casos, multiplicando as equagées e extraindo e raiz quadrada, obtém-se Mo Ve Isto é, arazio (V/V2), caiculada como a média geométrica das razbes correspondentes em cada medic&o, 6 independente dos erros de calibragao do tipo mencionado (a e 6 constantes). Agsim, mesmo que 08 fatores multiplicativos @ e { sejam desconhecidos, 9 erro sistemético éeliminado. Se a e 8 niio sio constantes (desvios de linearidade ), os erros ndo podem ser compensado por esta técnica. Além disso, escalas utilizadas néo devem ser alteradas na inversio des instrumentos. Uma situagSo tipica é aquela em que V, 6 a tensao elétrica em um transdutor ou detector, enquanto que a tensio Vp é a tensio em uma resisténcia R. A razdo V,/V2 pode ser obtida independentemente dos exros de calibragée dos voltfmetros (ou canais de oscilosedpic ), desde que nao existam desvios de linearidade relevantes. '8Ver discussio a respeito no Capitulo 9.6.7. INCERTEZAS TIPO A E TIPO B 93 v (m/s) “ 0.10 0.20 0.30 0.40 t(s) Figura 6.7. Resultades para v em funcdo de t. A reta tracejade v= got € ajustada a todos os pontos experimentais, enquanto que a reta continua € ajustada apenas aos pontos iniciais. Exemplo 3. Erro sistemdtico tedrico na medigdo de g. Se existir um pequeno efeito de resisténcia do ar ne movimento de queda livre de uma massa m, em primeira aproximaciio, a expressiio para a velocidade pode ser escrita na formal? vu@gi-at? {para at << g}, onde g é a aceleracdio da gravidade locale « é um coeficiente positive que depende da massa _m, da forma do corpo, da viscosidade do ar, do grau de turbuléncia e de outros fatores. Ver Seg 2.§ da Referéncia 15, por exemplo.94 CAPITULO 6. ERROS SISTEMATICOS E ESTATISTICOS A Figura 6.7 mostra resultados experimentais obtidos para a velocidade » em fingao do tempo ¢. Uma pequena flutuacdo dos pontos experimentais devida aos erros estatisticos. A equagio para ¥ mostra que os pontos experimentais devem seguir uma pardbola com concavidade para baixo, aproximadamente. Um meétodo simples” para obter o valor g para a aceleragao da. gravidade a partir do gréfico é explicado a seguir. Caleulando a derivada de v em telagio a ¢, obtém-se dy o, atm st Isto significa que 0 valor g, pode ser obtido tragando uma reta tangente &curvaem £=0. Isto é,0 valor g é 6 coeficiente angular da reta que se ajusta bem aos pontos iniciais do grafico, que é a reta continua. mostrada na Figura 6.7. Entretanto, quando os dados experimentais sia analisados desprezando a resisténcia do ar, a velocidade é dada por v= got. Neste caso, gg é obtido come o cceficiente angular da reta ajustada a todos os pontas experimentais, que é a reta tracejada na Figura 6.7. Como pode ser visto, resulta um valor gp menor do que g;, que 60 valor mais correto. Em resume, quando se despreza a, resisténcia do ar, existe um erro sistematico n = (9-9). Este é um exemplo de erro sistemdtico tedérico, que pode ocorrer se o observador utiliza um modelo inadequade, no qual a resisténcia do ar é desprezada, Neste exemplo, é relativamente fécil levar em conta a resisténcia do ar, eliminande assim © erro 7. Mas ocorrem situagées bem mais com- plicadas, nas quais nem existe modelos mais elaborados para serem. utilizados, ou existem, mas sao muito complicados. 29Um método mais rigoroso para obter o valor experimental de g consiste em ajustar uma parabola, aos pontos experimentais, conforme o “método dos minimos quadrados”, deserito no Capitulo 13.Capitulo 7 Valor médio e desvio padrao Resumo Neste captiulo sie definides os conceitos mais importantes com relagéo « erros estatisticos, tats como valor médio verdadeiro (ou média limite), desvio padréo de um conjunte de resultados de medigées, estimativa experimental para o desvia padréo ¢ desuio padréo do valor médio. A incerteza padréo é definida o partir desvio padrie no valor médio e da incerteza sistemética residual. 7.1 Valor médio verdadeiro Por medicées em condigées de repetitividade' entende-se medigdes de um mesmo mensurando, repetidas pelo mesmo experimentador, com 03 mesmos instrumentos ¢ nas mesinas condigdes ambientais. Medigdes deste tipo ser&c denominadas “medigGes idénticas” , para simplificar um pouco o texto, Devido a erres estatisticos, os resultados das n medigdes sio diferentes, em geral. Indicando os resultados por Yio Yar --+y Yes cess Uns o valor médio 4 dade por: (7.1) TAlgune termos téenicos de metrologia sZo apresentados no Apéndice B. 9596 CAPITULO 7. VALOR MEDIO E DESVIO PADRAO Figura 7.1. O valor médio % serd tanto mais prézimo de Yn» quanto mator for o niimero de medigdes. Entretanto, y, pode ser bem diferente de Yims, devido a erre sistemdtica. Espera-se que o valor médio 9 se torne tanto mais preciso quanto maior for o miimero 2 de medigdes?. Este valor limite ¢ definido como 0 valor médio verdadeire: Yro = lim J. (7.3) Na pratica, o namero n de medigdes nfo pode ser infinito. Assim, é evidente que 0 valor médio verdadeiro é uma quantidade sempre desconhecida. O valor médio verdadeiro também é chamado média limite, expressao que é consequéncia direta da definigéo acima, Para. um conjunto de medigdes idénticas de um mensuranda, pode existir erro sistemdtico. Por isso, o valor médio verdadeiro yin, nao 60 valor verdadeiro y, da grandeza. A diferenga entre o valor verdadeiro eo valor médio verdadeiro 6 o erro sistemdtico associado ao processo de medigao’. Evidentermente, o valor médio ¥ de um conjunte de n medicdes idénticas é sempre uma aprorimacéo para o valor médio verdadeiro Ymy - Nas discussdes e dedugdes apresentadas a seguir, é admitide qui A melhor estimativa para o valor médio verdadeiro Ymy , que pode ser obtida a partir de n medigées idénticas é a valor médio FZ. *Conforme a “Lei dos grandes mimeros”, apresentada no Apéndice A. SUma vez que o erro sistemdtice é 0 mesmo para todas ag medigées idénticas, este erro se torna uma caracteristica do processo de medigao considerado.7.2. DESVIO PADRAO PARA N MEDICOES 97 Esta é uma afirmagdo quase dbvia, mas que pode ser deduzida a partir de um principic mais geral chamado Método de Mézima Veros- similhanga, O problema. é discutide com mais detalhes no Capitulo 10. A quest&o é mais complicada quando as medicdes ndo sdo idénticas. Neste caso, as incertezas para cada resultado y, podem ser diferentes e, conforme mostrado no Capitulo 11, a média simples nao é a melhor estimativa para Yow 7.2 Desvio padraéo para n medicdes O desvio d; de um resultado y, é definido por dy = Yi Yanv- 7.3) Uma vez que o valor mécdio verdadeiro yn, ¢ desconhecida, é claro que e desvio d; também ¢ desconhecida. Assim, a melhor aproximagio para o desvio é obtida substituindo-se na definigio acima o valor Yny por J. A média dos desvios @ 6 dada por LE SH Yro) Chive 2 ~ tae) 2 2 gq = Ele Uma vex que 7 se aproxima de ym. para grande ntimero de medigées, resulta que a média dos desvios tende a se anular. A waridneia associada ao processo de medicéo € definida por lg % = jim, = x (ue ~ drow (7.4) Isto é, a variancia 6 a médie dos quadredos dos desvios quando o nitmero de medigées tende a infinito. O deswio padréo o, para o processo de medigada é delinido como a raiz quadrada da variancia. As quantidades of e o, sfc os valores verdadeiros da variéncia ¢ do desvie padre asscciades ao particular processe de medicio. Tais quantidades sio desconhecidas, em principio.98 CAPITULO 7. VALOR MEDIO 8 DESVIO PADRAO Para. um conjunto determinado de medigées realizadas, 0 nimero n é bem determinado ¢ finito. Neste caso, a varidnvia de conjunto de medigées 6 definida por P= En tow? (7) oi eo desuio padriio do conjunto de medigdes & o=+vVor A variancia o? 6a média dos quadrades dos desvios, enquatte que o desvio padrao é a raiz quadrada desta média. Por isso, o desvio padrao também é chamado desvie médio quadrético. As definigGes de varidncia e desvio padrao nao tém interesse pratico imediato porque envolvem o valor médio verdadeiro, que é uma quantidade desconhecida. Medida de dispersae é uma quantidade que indica quanto os resultados y% se espalham (ou se dispersam} em relagdo ac valor médio verdadeiro Ymy, por causa de erros estatisticos. O desvio padrio é a quantidade mais utilizada para caracterizar a dispersdo de um comjunto de medigées. O desuio médio é uma outra medida de dispersio definida por ss lui n dm = Zine | , (7.6) isto é, a média dos médulos dos desvios. Entretanto, o desvio médio ndo tem muito interesse pratico. Conforme mostrado no Capitulo 11, a soma dos quadrades des deavios 6 uma quantidade muito mais in- teressante que a soma dos médulos dos desvios, na andlise estatistica de dados experimentais’. Além disso, a presenca de médulo terna a expressdo inconveniente em célculos analitices. A média dos desvios @ tende a se anular conforme o ntimero de medigdes aumenta e assim, esta quantidade nao pode ser utilizada como medida da dispersio. ‘Bim particular, isto ¢ mostrado em um case stmples, discutido no Exemplo 3 do Capitulo 117.3. DESVIO PADRAO DO VALOR MEDIO 99 7.3 Desvio padrao do valor médio Considerando 7 resultados de medicées, o desvio padrao o,, do valor médio ¥ pode ser definido, admitindo que o conjunto de n medigées é repetide & vezes. Podem ser considerados & valores médios correspondentes aos & conjuntos de n medigdes: Bi, Ge, Vay ok. © desuio padréo de valor médie é definido pela Equacao 7.5: 2 om = nn (7.2) onde cada 7 6 uma média de n valores yj para o j-ésimo conjunto de medigées, sendo y:; © é-ésimo resultado do j-ésime conjunte de medigées. Assim, Death yee Substituindo 97 na Equacio 7.7, obtém-se 2 rs,ig 2 Om = EG Ew oo) = EE SS es - tl? = 2 EW ~ tw 1 k R = ie Ly & Wy ~ Yo) fai sep ew) tee = thn Ant pre O segundo termo tende ase anular quando 7 é um uimero grande, po os desvios (us;—Yrw) € (Yicy—Ymv) 840 quantidades que se distribuen aleatoriamente em torno de zero ¢ sio independentes entre si. Isto 6, 0 segundo termo é uma soma de quantidades aleatérias (positivas ou negativas}) e préximas de zero, de forma que a soma deve se anular quando o néimero é muite grande. Assim, 1&1 a (gj ~ Yew P)- (78) om Ee Tle gatWwe CAPITULO 7. VALOR MEDIO E DESVIO PADRAO O termo 1 : =(S¢ (ug ~ Ynw PP] = a (7.9) ne é a varidncia dos resultados para o j-ésimo conjumte de medigées. Se os k& conjuntos de medigdes sdo similares, espera-se que os desvios padrdes sejam aproximadamente iguais. Assia, oP Moh Yo. Sg? & G? (7.10) e rai > Fe ZW Ym)? = (AY fjat Pl (7.12) Como pode ser visto, 0 desuio padrdo do valor médio é fn vezes menor que desvio padréo do conjunto de medicdes, Por exemplo, se o é 6 desvio padrao para um conjunto de 25 medigées, o desvio padrao m do valor médio é o/5, isto é, 5 vezes menor. O desvio padrdo do valor médio de uma grandeza é a incerteza final correspoudente aos erros estatisticos nas medigdes. Na auséneia de erros sistematicos, 0 desvio padréo de walor médio é a incerteza padrdo no resultado final. Quando existem erros sistemsticos, a varidncia a2, dada por 7.12 é a varlancia correspondente aos erres estattsticos somente. Neste caso, a incerteza padrio no resultado final depende também da incerteza sistematica residual. Esta incerteza padric pode ser obtida conforme as regras apresentadas na Segio 7.6 ¢ no Apéndice C.7.4. DESVIO PADRAO EXPERIMENTAL 101 7.4 Desvio padrao experimental Na pratica, a expressio 7.5 para o desvio padrBo do conjunto de medigoes é iniitil, pois o valor médio verdadeiro Yq, 6 desconhecido. Uma vez que o valor médio F é préximo de tn», é possivel deduzir uma expressio mutis itil para o descio padrie, came mostrado a seguir 2) Yaul = SLUG: = HT dp i¢ 2 ey we 2 =D FLO PT Youd DO Yaw) = Lembrando que qualquer quantidade que nao tem indice 2 pode ser colocada em evidéncia em somatéria e observanda que 1s 1 peer T ea: 2 1 i=sn=i, 1 oe] n resulta que o segundo terme na expresso para o* se anula. Assim, e BD 4 oe of = Dy ae)? (7.43) Esta expressdo depende da quantidade desconhecida yy. O segun- ro termo tende a se anular para grandes valores de n., mas pode ser significative para pequesos valores de n. Para tornar a equagéo independente de Ym, , & necessdrio fazer algum tipo de estimativa para (9 - Ym). Uma, boa estimativa é obtida pela substituigéo : (U — Ye)? => omy (74) onde om 60 desvio padréio do valor médio 9. Esta substituigio no significa que ha uma identidade matemAatica entre as quantidades. Apenas significa que é 0 melhor que pode ser feito, uma vez que me & desconhecido. Isto 6, 0 quadrade do desvio (G — Ymy)” € substituide pelo valor médio dos quadrados dos desvios que é a3, , por definigio. O desvio padrao no valor médio 7 é dada pela Equacdo 7.12: o Om =

Fundamentos Da Teoria de Erros

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Fundamentos Da Teoria de Erros

Enviado por

Direitos autorais:

Formatos disponíveis

Você também pode gostar