Resumo Teoria de Erros

29 de abril de 2010

1 Métodos estatı́sticos
Dado um conjunto com os seguintes dados {xi |i = 1 · · · N }
Média aritmética:
N
1 X x1 + x2 + · · · + xN
x= xi =
N i=1 N
com repetição de dados (xi ocorre Fi vezes)
PM
x i Fi
x = Pi=1M
i=1 Fi

Média quadrática:
N
1 X 2
x2 = x
N i=1 i
ou PM
i=1 x2i Fi
x2 = P M
i=1 Fi
Valor eficaz (raiz média quadrática):
p
xrms = x2
Variância (amostra, experimental):
N N
1 X 1 X
σx2 = (δxi )2 = (xi − x)2
N − 1 i=1 N − 1 i=1
N
σx2 = (x2 − x2 )
N −1
Desvio padrão (amostra):
p
σx = σx2
Co-variância:
Para N pares de dados (xi , yi )
N
1 X N
σxy = (xi − x)(yi − y) = (xy − x̄ȳ)
N − 1 i=1 N −1

1
para x e y independentes entre si σxy = 0 (N grande)
Coeficiente de correlação linear de Pearson:
σxy
r= ; (−1 ≤ r ≤ 1)
σx σy

2 Medidas diretas
Medidas de uma mesma grandeza, por um mesmo experimentador e sobre
as mesmas condições, com os mesmos instrumentos.

3 Avaliação de erros associados a incertezas do

tipo A
Incertezas do tipo A são aquelas estimadas por métodos estatı́sticos, en-
quanto que as do tipo B são estimadas de outras maneiras. Uma grandeza pode
ser escrita como (x ± σx ) (para um certo nı́vel de confiança P ).
x − σx ≤ x ≤ x + σx (há 68% de chances de encontrar o valor verdadeiro x no
intervalo).
(x ± 2σx ) (nı́vel de confiança de 95%)
(x ± 3σx ) (nı́vel de confiança de 99,7%)
σx
σx = √
N
Erro relativo:
σx
ε = |x| ou ε% = ε · 100% (expressão usada em outros tipos de erros).

4 Avaliação de erros associados a incertezas do

tipo B
O resultado da leitura de uma medição deve incluir todos os dı́gitos que o
instrumento de medição permite ler diretamente mais um digito que deve ser
estimado pelo observador.
Instrumentos analógicos:
Resolução (limite de erro admissı́vel) (L) valor nominal da menor divisão da
escala do instrumento. σ = L2 (regra geral)
Instrumentos digitais:
Para o último algarismo caso flutue:
Exemplo
V = 1,28{X} V (X flutua entre 1 e 7) logo V = (1,284 ± σ) V
L
Lf = Xmáx +X2
mı́n
(limite erro de flutuação), σf = 3f (para o exemplo σf =
0,001)
Limite do erro instrumental (Li ), caso não seja informado pelo fabricante Li =
1,0 × 10n (n é a ordem do último digito)
Li = a%(leitura)+b dı́gitos (último algarismo), σi = L2i
Para um equipamento com acurácia de 0,8% + 1 digito (no ultimo algarismo)

2
 0,8
Li = ( 100 · 1,284 + 0,001) = 0,01, σi = 0,006
A incerteza final vale q
σ = σi2 + σf2

Para o exemplo V = (1,284 ± 0,006) V

Se uma dada grandeza o valor esperado é representado pela média, então o erro
do tipo B para a média é
σb
σB = √
N

5 Erro padrão, Compatibilidade e discrepância

Erro padrão q
σp = 2 + σ2
σA B

Compatibilidade entre x e xref

|x − xref | < 2σp

Compatibilidade entre x1 e x2
q
|x1 − x2 | < 2σ; σ= σp21 + σp22

6 Algarismos significativos e arredondamento

Algarismos na incerteza padrão:
-A incerteza padrão deve ser dada com 2 algarismos, quando o primeiro alga-
rismo na incerteza for 1 ou 2;
-A incerteza padrão pode ser dada com 1 ou 2 algarismos, quando o primeiro
algarismo na incerteza for 3 ou maior.
Algarismos na estimativa do valor esperado:
-Para o valor esperado pega-se até o ultimo algarismo correspondente ao erro.
Ex.: (73,64 ± 0,25) mm
arredondamento:
-Para um determinado número na forma · · · W,Y XABC · · · , onde ABC · · · são
algarismos não significativos. Usa-se as seguintes regras de arredondamento:
- Se 0, ABC · · · < 0,5 o número fica · · · W,Y X;
- Se 0, ABC · · · > 0,5 o número fica · · · W,Y (X + 1);
- Se 0, ABC · · · = 0,5 o arredondamento é tal que o algarismo X depois do
arredondamento é par.

7 Estimativas e erros em medidas indiretas (pro-

pagação de erros)
w = f (x1 , x2 , x3 , · · · ); w = f (x1 , x2 , x3 , · · · )
 2  2  2
∂w ∂w ∂w
σz2 = 2
σx1 + 2
σx2 + σx23 + · · · +
∂x1 ∂x2 ∂x3

3
         
2 ∂w ∂w 2 ∂w ∂w 2 ∂w ∂w
+ σx1 x2 + σx1 x3 + σx2 x3 + · · ·
N ∂x1 ∂x2 N ∂x1 ∂x3 N ∂x2 ∂x3
As derivadas são calculadas em (x1 , x2 , x3 , · · · ) se as variáveis (x1 , x2 , x3 , · · · )
são independentes entre si
L  2
2
X ∂w
σw = σx2i
i=1
∂xi

8 Método dos mı́nimos quadrados (MMQ)

Para um conjunto de dados (xi , yi ) e para uma função y = f (x, a1 , a2 , · · · , ak )
que descrevem uma certo fenômeno fı́sico, usa-se o método dos mı́nimos qua-
drados para obter os melhores parâmetros (a1 , a2 , · · · , ak ) para a função. No
método dos mı́nimos quadrados deve-se minimizar a função S em relação aos
∂S
parâmetros, ou seja ∂a i
= 0.

N  2
X yi − y(xi )
S=
i=1
σi

Exemplos:
y(x) = ax; σi = σ
s
PN PN
xy xi yi εy (yi − axi )2
a= = Pi=1
N
; σa = p ; εy = i=1
x2 i=1 xi
2
N x2 N −1

y(x) = ax + b; σi = σ
σxy xy − x̄ȳ
a= = ; b = y − ax;
σx x2 − x̄2
s
PN
1 εy p
i=1 [yi − y(xi )]2
σa = √ ; σb = σa x2 ; εy =
σx N N −2
Melhor aproximação em N medições:
Para uma mesma grandeza y cujas medições são realizadas por métodos diferen-
tes, diferentes experimentadores ou diferentes instrumentos, pode-se encontrar
um valor para a grandeza y através dos vários valores de (yi ± σi ) usando-se
para isso o MMQ e representando y por uma constante.
PN N r
i=1 yi pi X 1 1
(y ± σy ); y= ; P = pi pi = 2 ; σy =
P i=1
σi P

Média para N medições idênticas:

Neste caso σi = σ e o resultado anterior se torna
σ
y = y; σy = √
N