Escolar Documentos
Profissional Documentos
Cultura Documentos
Preparado por Prof. Dr. Carlos Henrique de Brito Cruz Prof. Dr. Hugo Luis Fragnito Estagirio de Capacitao Docente Ivan Ferreira da Costa Estagirio de Capacitao Docente Bernardo de Assuno Mello
(Verso 1.1, revista por CHBC e HLF em Setembro de 1997)
Contedo
1 CADERNO DE LABORATRIO
1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 1.10 CADERNO DE LABORATRIO T TULO, DATA E COLABORADORES. OBJETIVOS DO EXPERIMENTO ROTEIRO DOS PROCEDIMENTOS ESQUEMA DO APARATO UTILIZADO DESCRIO DOS PRINCIPAIS INSTRUMENTOS DADOS MEDIDOS CLCULOS FIGURAS, T ABELAS E EQUAES RESULTADOS E CONCLUSES 1 2 2 2 2 2 3 3 5 5
2 GRFICOS
2.1 2.2 2.3
2.3.1 2.3.2
6
ROTEIRO PARA OBTER UM BOM GRFICO EXEMPLOS DETERMINAO DOS COEFICIENTES DE UMA RETA
MTODO DOS MNIMOS QUADRADOS 9 MTODO GRFICO 10
6 6 8
13
13 14
3.3
3.3.1 3.3.2
15 16
3.4
17
DEFINIES BSICAS
MDIA, DESVIO E ERRO PADRO 17 PROPAGAO DE ERROS 18
17 20 23
4.2
4.2.1 4.2.2
4.3
4.3.2 4.3.3 4.3.4
ESTIMADORES
ESTIMANDO A MDIA 25 ESTIMANDO A VARINCIA 25 PRECISO DOS ESTIMADORES 26
4.4 4.5
4.5.1 4.5.2
27 29 33
4.6
REFERNCIAS
1 Caderno de Laboratrio
1.1 Caderno de Laboratrio1
Cada estudante dever manter um Caderno de Laboratrio, no qual anotar os dados, procedimentos e demais informaes relevantes realizao de cada experincia. No se trata de um caderno de relatrios. As anotaes devem ser feitas durante a realizao do experimento para garantir a objetividade e a fidelidade. No simples definir a priori o que "relevante ao experimento". Uma maneira de avaliar a relevncia de uma informao imaginar que se voc usar o Caderno daqui a alguns meses (isto vai acontecer realmente, nas provas, exames e demais experimentos) ou mesmo anos, a informao contida no Caderno deve lhe permitir repetir a experincia sem dificuldade, entendendo do anotado no Caderno o que foi feito e quais foram os resultados e as concluses. Em algumas disciplinas o Caderno poder ser consultado durante as provas, por isso fundamental que a informao seja concisa e bem organizada. expressamente proibido realizar cpia de dados do caderno de outros alunos. No caso de trabalhos em grupo, cada aluno responsvel pelo registro dos dados em seu Caderno. Ele poder copiar figuras e tabelas de livros e apostilas indicando claramente a fonte. Se o aluno estiver ausente em algum dia, ele dever realizar o experimento correspondente em outro dia (verifique o horrio disponvel do laboratrio). muito desejvel que seja um caderno grande (formato A4) e com folhas quadriculadas (h um Caderno de Laboratrio do IFGW venda, a preo de custo, nos Laboratrios de Ensino Bsico ou na Coordenadoria de Servios Tcnicos do Instituto) . No mnimo, para cada experimento o Caderno de Laboratrio deve sempre conter: 1. Ttulo do experimento, data de realizao e colaboradores; 2. Objetivos do experimento; 3. Roteiro dos procedimentos experimentais; 4. Esquema do aparato utilizado; 5. Descrio dos principais instrumentos; 6. Dados medidos; 7. Clculos; 8. Grficos; 9. Resultados e concluses. O formato de apresentao destes 9 itens no rgido. O mais indicado usar um formato seqencial, anotando-se medida que o experimento evolui.
G.L. Squires, "Practical Physics" (Cambridge University Press, 1991), captulo 10, pp. 139146; e D.W. Preston, "Experiments in Physics" (John Wiley & Sons, 1985), pp. 2-3. 1
No Caderno de Laboratrio tambm se anotam as observaes que podem ser teis na continuao de um experimento, ou lembretes de coisas que voc deve providenciar (do tipo: "passar na biblioteca para verificar uma referncia", ou "lembrar de zerar o micrmetro antes de comear a medir" ou ainda: "perguntar ao professor porque a fasca falha s vezes", ...)
Paqumetro
Micrmetro Starret, menor diviso no tambor = 0.01 mm. Balana Elmer (modelo
Algumas vezes bom incluir observaes sobre o estado do instrumento, se isto puder afetar as medidas:
O micrmetro completamente fechado no indicava 0.000 e no fechava sempre na mesma posio. Fizemos 10 medidas do zero abrindo e fechando novamente e tomamos uma mdia e o desvio padro. O resultado foi Z ero = (-0.22
0.01)
mm. Todas as medidas efetuadas com este micrmetro foram corrigidas levando em considerao este fato.
1.8 Clculos2
Os procedimentos de clculo devem ser claramente descritos, para permitir a conferncia e reclculo pelo mesmo caminho. Devem sempre ser considerados apenas os algarismos significativos nos resultados finais. Por exemplo:
Determinao
Medidas de d (Dimetro) com micrmetro Starret (preciso medidas: Tabela 1.1. Medidas do dimetro da esfera metlica. medida
1 2 3 4 5 6 7 8 9 10
0.01
mm), 12
11
12
d(mm) 15.54 15.52 15.55 15.54 15.57 15.51 15.56 15.51 15.55 15.54 15.53 15.53
G.L. Squires, "Practical Physics" (Cambridge University Press, 1991), captulo 12, pp. 1593
168.
1.2.
Frequncia medidas em
de 12
das
d (mm)
15.54
frequncia
3 1 2 2 2 1 1
Resultado: d = (15.538
0.005)
mm
15.57 15.56
(ou d = 15.538 mm
0.03%)
Medida da massa com balana Elmer (preciso nominal 0.05 g): m = (15.2
0.1)g 2
divises. Por isso,
Obs.: embora a menor diviso da balana seja 0.05 g, na nossa apreciao ela continuava em equilbrio para deslocamentos de quase estimamos a incerteza desta medida como
0.1
g .
= 6m/d do
Clculo g/cm
desvio
) + (3 m
g/cm
0.05097
Resultado: Densidade:
(7.74
0.05)
D.W. Preston, "Experiments in Physics" (John Wiley & Sons, 1985), pp. 21-32; G.L. Squires, "Practical Physics" (Cambridge University Press, 1991), captulo 11, pp. 147-158; e C.E. Hennies, W.O.N. Guimares e J.A. Roversi, "Problemas Experimentais em Fsica" 3a edio, (Editora da Unicamp, 1989), captulo V, pp.168-187.
2 Grficos
2.1 Roteiro para obter um bom grfico
Grficos so uma das principais maneiras de se apresentar e analisar dados em cincia e tecnologia. Devem ser claros e conter um ttulo, eixos, escalas, unidades e barras de erro. A lista abaixo de utilidade para que o iniciante no se esquea de alguns quesitos necessrios para que o grfico seja bem interpretado e efetivamente til.
Escolha a rea do papel com o tamanho adequado (mais ou menos meia pgina do Caderno
de Laboratrio).
Em geral a relao de aspecto (altura / largura) deve ser menor do que 1, pois o grfico ser Desenhe os eixos claramente: a varivel dependente deve estar sempre no eixo vertical (y) e a
varivel independente no eixo horizontal (x). de mais fcil leitura (por esta razo que a tela de cinema e a da televiso tem relao de aspecto menor do que 1).
Marque nos eixos as escalas, escolhendo divises que resultem em fcil leitura de valores Se possvel cada um dos eixos deve comear em zero. Marque abaixo do eixo horizontal e ao lado do eixo
representada e, entre parnteses, as unidades usadas. ttulo. intermedirios (por exemplo, divida de 2 em 2, e no de 7,7 em 7,7). vertical o nome da varivel ali
Escreva, na parte superior da rea do grfico, o Ttulo do grfico. Todo grfico deve ter um Marque cada um dos pontos do grfico cuidadosamente e claramente, escolhendo para isto
um smbolo adequado e de tamanho facilmente visvel (por exemplo, um crculo ou um quadradinho) com um pontinho no centro. Nunca marque os pontos apenas com um pontinho do lpis.
Marque claramente as barras de erro em cada ponto. Se o erro for muito pequeno para Se desejar, desenhe uma linha suave atravs dos pontos. Se os erros forem
aproximadamente 1/3 das barras de erro podero ficar fora da linha. aparecer na escala escolhida anote ao lado: "as barras de erro so muito pequenas para aparecer na figura". aleatrios,
No esquea de numerar e escrever uma legenda breve explicando de que se trata a figura e
2.2 Exemplos
fornecendo a informao necessria para que o leitor entenda a figura. Todas as figuras so numeradas em sequncia. Esquemas, desenhos e grficos so figuras.
Um grfico bem feito talvez a melhor forma de apresentar os dados experimentais. Tem muitos parmetros que devem ser escolhidos criteriosamente como a funo a ser representada, as escalas dos eixos, o tamanho, o smbolo para os pontos experimentais, etc. A funo que voc vai representar depende do tipo de informao que voc quer transmitir e como se encaixa esta informao no argumento que voc est seguindo para demonstrar algo. Por exemplo, se seus dados descrevem o movimento de queda livre de uma partcula, voc pode representar x(t) se quer mostrar visualmente que o movimento parablico, mas se quiser determinar a acelerao da gravidade mais conveniente representar x(t2) j que acelerao pode ser extrada da inclinao desta reta. O guia para as outras escolhas deve 6
ser sempre o conceito de que um grfico uma ajuda visual para a sua argumentao e para que o leitor entenda rapidamente as evidncias experimentais. Os grficos so figuras e voc deve escolher o tamanho das figuras de modo que caibam na folha de papel do seu texto (seja este no seu caderno de laboratrio, relatrio ou artigo), ocupando no mais que a metade da folha. Isto no um critrio esttico, um critrio de eficcia da apresentao baseada no fato de que dificilmente algum consegue focalizar os olhos numa rea maior a uns 30 cm dos seus olhos.
100
teoria 80 experimento
posio, x (cm)
60
40
20
0 0 2 4 6 8 10
tempo, J (s)
Fig. 2.1. Exemplo de grfico bem feito.
A Figura 2.1 mostra um grfico eficiente para mostrar que, dentro do erro experimental, os dados seguem um determinado modelo terico.
10 0
10 0
80
Gr fico 1 (RUIM )
80
Gr fico 2 (RUIM )
N (cm)
60
60
posio,
40
y (cm)
0 2 4 6 8 10
40
20
20
0 0 2 4 6 8 10
tempo, J (s)
140
100
t (s)
120
Gr fico 3 (RUIM )
80
Gr fico 4 (RUIM )
100 60
y (cm)
80
y (cm)
60
40
40 20 20
0
0.1 0.8 1.9 3.9 4.8 5.9 6.8 7.8
0.0
1.0x1 0
-1
2.0x1 0
-1
3.0x1 0
-1
4.0x1 0
-1
5.0x1 0
-1
3 9
Os mesmos dados experimentais da Fig. 2.1 esto representados novamente nos quatro grficos da Figura 2.2 para ilustrar defeitos tpicos de alunos inexperientes. O tamanho dos pontos deve ser tal que cada ponto seja bem visvel; nem muito pequeno como no grfico 1 nem exagerado como no grfico 2, onde o tamanho do smbolo maior que a barra de erro para a maioria dos pontos. No grfico 2, os nmeros das escalas so difceis de ler. No grfico 3 as escalas foram mal escolhidas, desaproveitando a rea; o fator 1/70 e os nmeros das marcas da escala horizontal dificultam a leitura. No grfico 4 a escala horizontal no deve ser indicada com os valores individuais dos pontos.
a partir de um conjunto de pares de valores medidos (yi,xi), i = 1,.., N. Este problema considerado em vrios livros texto (veja por exemplo as refs. 1 e 2) e reproduziremos aqui os resultados mais importantes. preciso antes observar a validade das frmulas. Os alunos tendem a utilizar as frmulas de ajuste por mnimos quadrados ou as de regresso linear sem 8
antes verificar se as condies de validade dessas frmulas se aplicam ao seu experimento. Muitos programas grficos modernos para computadores vm com algoritmos de ajuste linear. Um software deste tipo muito conveniente mas, antes de utiliz-lo, o aluno deve saber qual o algoritmo que o programa utiliza para fazer os clculos, pois corre o risco de aplic-lo a uma situao onde o algoritmo no vlido.
f ( a, b ) = yi axi b
i =1
[2.1]
4
e que representa a soma dos desvios quadrticos da relao linear . Se 1. 2. 3. os valores xi so medidos sem erro; todos os yi tem a mesma distribuio (mas, obviamente, com diferente mdia) ; todos os yi tem o mesmo desvio padro, ,
ento as frmulas da Tabela 2.1 se aplicam. A demonstrao das equaes desta tabela pode ser vista na ref. 2. Parmetro : coeficiente angular (inclinao) : coeficiente linear 2: varincia dos yi a: erro padro do estimador da inclinao b: erro padro do estimador do coeficiente linear yo: erro padro do estimador de um ponto da reta para x = xo Estimador quando = 0 a = xi yi / xi2 b=0 S 2 = ( yi axi )2 / ( N 1) a = S / xi2 b = 0 yo = Sxo / xi2 Estimador quando 0 a = ( xi x ) yi / ( xi x )2 b = y ax S 2 = ( yi axi b) 2 / ( N 2) a = S / ( xi x ) 2
1 b = S N + x 2 ( xi x )
2
1 yo = S N + o ( xi x ) 2
( x x )2
Tabela 2.1. Estimadores para o caso dos yi com o mesmo desvio padro ( i = ). As somatrias indicam soma de i = 1,..., N. As expresses em cada linha esto em funo de valores definidos nas linhas superiores da tabela.
Com relao condio 1, em Fsica experimental geralmente a varivel x (tempo, posio, temperatura, etc.) medida com erro e no poderamos em princpio utilizar as frmulas da Tabela 2.1. Existem frmulas mais exatas para este caso (vide ref. 1) mas na prtica so pouco utilizadas. Geralmente utilizamos as frmulas da Tabela 2.1 mesmo sabendo que, em rigor, os valores de a e b obtidos no minimizam estritamente a funo f(a,b).
4
Este mtodo pode ser extendido ao ajuste de polinmios de qualquer ordem (veja a ref. 9
2).
O truque conceptual que utilizamos para justificarmos o procedimento supor que os xi foram medidos sem erro e atribumos um valor de erro maior para os yi. O caso em que os yi tm diferentes desvios padres (mas ainda os xi medidos sem erro) 5 se trata como segue: se yi o desvio padro de yi, primeiro se definem pesos normalizados para cada ponto wi = (1 / yi2 ) / (1 / y 2 ) (de modo que, por exemplo, x = wi xi e y = wi yi ) e j se minimiza a funo f ( a, b ) = wi yi axi b . Os resultados so dados pelas mesmas frmulas da Tabela 2.1 mas onde, em cada termo de soma, se multiplica por wi . Por exemplo, S 2 = wi ( yi axi b )2 / ( N 2 ) (que no mais um estimador da varincia, j que i2 diferente para cada yi), a = wi ( xi x ) yi / wi ( xi x )2 , a = S / wi ( xi x )2 , etc. As frmulas de ajuste de uma lei fsica linear apresentadas na Tabela 2.1 se aplicam a medies de uma grandeza y realizadas em idnticas condies (por tanto, sobre o mesmo objeto) exceto pela varivel x. Algumas dessas frmulas no se aplicam se as medidas so efetuadas em diferentes objetos. Por exemplo, a relao entre peso e altura de pessoas aproximadamente linear mas no exatamente uma lei fsica e, dado que cada ponto no grfico corresponde a um objeto diferente, as frmulas da Tabela 2.1 no se aplicam a este caso (as frmulas correspondentes para estimar os coeficientes da reta e seus desvios podem ser vistas na ref. 1). Os puristas distinguem este ltimo caso com o termo regresso linear 6 (em ingls linear regression), em vez de ajuste linear (linear fitting), reservada para uma lei fsica linear.
5 6
Quando no obvia a sua traduo, daremos tambm o nome em ingls entre parnteses e aspas. Isto pode ser til par o aluno j que a imensa maioria dos livros - e da literatura cientfica em geral - bem como os softwares modernos de tratamento estatstico de dados esto nessa lngua. 10
70
quadrante 1
quadrante 2
60
50
y
40 quadrante 3 quadrante 4
amax a amin
30
20
10
b
0
bmax bmin
5 10
x
15 20
x
Fig. 2.2. Mtodo grfico para determinar os coeficientes da reta e seus desvios. As barras de erro so menores que o tamanho do smbolo de cada ponto experimental.
Para ilustrar o mtodo vamos considerar os dados representados na Figura 2.1. Para simplificar as coisas nos limitaremos ao caso em que todos os pontos tem o mesmo peso. Siga os passos abaixo. 1. Estime o centro de gravidade dos pontos ( x , y ). As retas vertical e horizontal que passam por este ponto divide o grfico em quatro quadrantes. No exemplo da figura 1 os dados esto, aproximadamente, metade no quadrante 3 e metade no quadrante 2. 2. Coloque a ponta do lpis no ponto ( x , y ) e apoie a rgua no lpis. 3. Gire a rgua em torno do ponto ( x , y ) at que 50% dos pontos de cada quadrante estejam por cima, e 50% por abaixo da rgua. (Note que mais de uma reta satisfazem esta condio e voc deve escolher uma mdia.) Trace a reta mdia. A equao desta reta ser y = ax + b . 4. Apoie novamente a rgua no lpis e gire-a em torno do ponto ( x , y ) at deixar, aproximadamente, 16% dos pontos de cada quadrante abaixo e 84 % acima da rgua. A equao desta reta y = y + amin ( x x ) . A inclinao desta reta representa a inclinao mnima, amin, dentro de um desvio padro. Prolongando esta reta at cortar o eixo x = 0, o ponto de interseo determina bmax. 5. Agora gire a rgua, sempre em torno do ponto ( x , y ), de modo de deixar 16 % dos pontos de cada quadrante acima e 84 % abaixo. A equao desta reta y = y + amax ( x x ). Esta reta determina a inclinao mxima, amax, e a sua prolongao at x = 0, bmin. 11
Note que na regio delimitada pelas retas de inclinao mxima e mnima ficam aproximadamente 68 % dos pontos experimentais, que consistente com o conceito de desvio padro para uma distribuio normal. Se a sua apreciao foi correta, a reta mdia (item 3) deve ficar no meio das retas com inclinaes mnima e mxima traadas nos tens 4 e 5. Para determinar os valores de a e b, assim como os erros padres nestes parmetros utilize as equaes:
1 1 a = 2 ( amax + amin ) , b = 2 (bmax + bmin ) ,
a =
1 2 N
| amax amin | e b =
1 2 N
| bmax bmin | .
O mtodo relativamente subjetivo pois depende da sua apreciao mas, com um pouco de prtica, voc obter excelentes resultados. Se os pontos tm pesos diferentes, siga o mesmo procedimento descrito mas levando em considerao os pesos relativos de cada ponto. O peso de cada ponto deve ser aproximadamente proporcional inversa da barra de erro.
12
Erros aleatrios podem ser tratados quantitativamente atravs de mtodos estatsticos, de maneira que seus efeitos na grandeza fsica medida podem ser, em geral, determinados. 13
x=
1 N xi , N i =1
[3.1]
x = S =
1 N ( x i x )2 . N 1 i =1
[3.2]
Conjuntos de medidas com desvio padro baixo so mais precisas do que quando o desvio padro alto. Adicionalmente, pode-se demonstrar que o desvio padro caracteriza o intervalo dentro do qual h 68% de probabilidade de ocorrncia de um valor medido. Dito de outra forma, isto significa que se for feito um conjunto muito grande de medies, 68% delas estaro dentro do intervalo x S e x + S . 14
x = S m =
S N
[3.3]
Observe que o erro padro da mdia diminui com a raiz quadrada do nmero N de medies realizadas. Portanto, realizar mais medidas melhora a determinao do valor mdio como estimador da grandeza que se deseja conhecer. Entretanto a vantagem no to grande quanto desejaramos, j que, por exemplo, para reduzir o erro padro da mdia por um fator 3 necessrio aumentar o nmero de medidas por um fator 9.
( x )r =
x 100 % . x
w = x+ y+z
ser afetada por erro de valor
w = ( x )2 + ( y )2 + ( z )2 .
Como aproximao, pode-se usar que, se o erro de uma das grandezas da soma (ou subtrao) for consideravelmente maior que os das outras, por exemplo, x >> y , z (trs vezes maior suficiente) o erro do resultado ser dado por este erro: w x .
w = w
FG x IJ + FG y IJ H xK H yK
2
y + y = f ( x + x ) y y = f ( x x )
de onde se calcula:
y =
| f ( x + x ) f ( x x )| . 2
O mtodo clssico usa a noo de derivada da funo, e supe que erro x seja suficientemente pequeno para que possamos escrever:
y =
FG df IJ H dx K
x .
x= x
16
Smbolo e frmula
1 N
xi
1 N 1
x = S = x = Sm =
( xi x )2
S N
Tabela 4.1. Definies bsicas. O smbolo de somatria indica a soma de todos os termos com i = 1,...,N. O nome por extenso se utiliza nos casos em que o nome indicado na primeira coluna pode gerar confuso.
Note que os nomes definidos na Tabela 4.1 so uma conveno. Alguns autores definem estas mesmas palavras de outra maneira. Por exemplo, para o desvio padro de cada medida 7 alguns autores utilizam a definio s=
1 N
( xi x )2 .
[4.1]
Para no aumentar a confuso, indicamos com a letra s (minscula) o desvio padro calculado com [4.1] e com a letra S (maiscula) o definido na Tabela 4.1. Ns seguiremos a conveno de reservar o nome de desvio padro para S (ou x), definido como na Tabela 4.1. Se precisarmos referir-nos ao parmetro s definido como em [4.1], utilizaremos o nome de desvio padro da amostra. Outra conveno que seguiremos que o resultado de um conjunto de medies se expressa como
mdia = x x .
[4.2]
O significado da expresso [4.2] o seguinte: suponha que efetue uma nova srie de medidas e calcule a mdia aritmtica delas; o resultado ser um valor que cair dentro do
Salvo indicao explcita, em todas as somatrias que escreveremos suporemos que se somam todos os termos com i = 1,...,N. 17
intervalo definido pela relao [4.2] com aproximadamente 68 % de probabilidade. Outra forma mais realista de interpretar a relao [4.2] que se realizamos outras 100 sries de N medidas cada uma e calculamos as 100 mdias aritmticas de cada srie, 68 % delas cairo dentro do intervalo entre x x e x + x . O nmero 68 % vem da experincia acumulada por geraes de pesquisadores experimentais e tem tambm sustentao terica, como comentaremos depois. Note porm que realizar infinitas medidas impossvel na prtica. O melhor que podemos fazer estimar qual seria o resultado dessa situao ideal usando a informao provida por um nmero finito de medidas. Na seo 4.3 veremos os conceitos e formalidades sobre como fazer estimativas a partir de um conjunto de medidas. A quantidade x / x se denomina erro relativo da mdia, e 100 x / x o erro percentual da mdia. A questo de como expressar o resultado de um experimento, se com o desvio padro ( x x ) ou com o erro padro ( x x ), depende muito do contexto. Em Cincias Exatas estamos geralmente interessados em determinar uma grandeza fsica, e a medimos repetidas vezes em idnticas condies. Neste caso o desvio padro uma indicao da preciso do mtodo experimental, e no da flutuao que a grandeza medida pode ter. Por exemplo, se medimos a acelerao da gravidade em certo local, g, indicamos o resultado com g = g g , j que a expresso g = g g indicaria erroneamente que o verdadeiro valor de g pode variar dentro de uma faixa muito maior que a real. Em produo industrial, por outro lado, se utiliza o desvio padro para indicar a disperso de valores com que uma mquina ou processo fabrica um produto. Por exemplo, uma mquina fabrica esferas com dimetro especificado por d = d d . Outros exemplos, da rea de Cincias Naturais, onde deve ser utilizado o desvio padro so o tamanho de um certo tipo de celas e o peso e altura dos habitantes de uma certa regio. Note que nestes trs ltimos exemplos os objetos medidos so diferentes e expressamos o resultado com o desvio padro para dar uma idia da disperso de valores da grandeza nos diferentes objetos. Se realizamos medidas de uma grandeza em objetos diferentes, ento os experimentos no so realizados em condies idnticas e, em rigor, a teoria de erros de medio exposta neste captulo no se aplica.
Aqui
Um caso particular da [4.3], muito freqente na prtica, o de uma funo do tipo f ( x ) = a x , onde a e so constantes numricas exatas ou com erro desprezvel. Neste caso o erro relativo em f o erro relativo em x vezes o mdulo do exponente:
18
f ( x ) = a x
f x = . f x
Se a funo depende de duas ou mais variveis medidas e independentes, por exemplo f = f(x,y), a conveno que mdia de f : f f , onde
f = f (x, y)
e
f =
FG f IJ ( x ) + FG f IJ ( y ) H x K H y K
2 2 2
[4.4]
Aqui
Por exemplo, se medimos o tempo de queda livre de uma partcula, t, e o espao percorrido na queda, h, podemos calcular a acelerao da gravidade usando g = 2 h / t 2 . Se os valores mdios medidos so t = (1.20 0.05) s e h = (3.38 0.05) m, ento, usando a [4.4] obtemos g = 9.7 m/s2 e g =
e2h / t j + e4ht / t j
2 2
3 2
= 0.8 m/s2.
Casos particulares da eq. [4.4], muito freqentes na prtica, so os casos de soma e produto. No caso de soma ou diferena, f(x,y) = x y, os erros quadrticos so aditivos: f ( x, y ) = x y ( f )2 = ( x )2 + ( y )2 .
f ( x, y ) = x y
FG f IJ = FG x IJ + FG y IJ H f K H xK H yK
2 2
19
Funo f = f (x)
Mdia f = f (x) f = df x dx
Erro padro
f = f ( x , y)
f = f (x , y)
f =
FG f IJ ( x ) + FG f IJ ( y ) H x K H y K
2 2 2
f = ax + by f = ax y
f = ax + by f = ax y
f = ( ax )2 + ( by )2 f = f (x / x )2 + (y / y )2
Tabela 4.2. Frmulas de propagao de erros para os casos gerais de funes de uma e duas variveis e exemplos. No caso geral as derivadas so calculadas no ponto ( x , y ) = ( x , y ) . Nos exemplos, os coeficientes a,b, e so nmeros exatos ou com erro desprezvel.
As frmulas apresentadas nas tabelas 4.1 e 4.2 so as ferramentas essenciais que utilizaremos no primeiro semestre de Fsica Experimental. As sees 4.2 e 4.3 a seguir tem o propsito de aclarar o significado das grandezas definidas na Tabela 4.1. Em termos rigorosos, a mdia aritmtica e o quadrado do desvio padro so estimadores da mdia e varincia, respectivamente, da distribuio de probabilidades que caracteriza a grandeza fsica medida. A validade das frmulas de propagao de erros da Tabela 4.2 ser discutida na seo 4.4. As frmulas de propagao de erros so aproximadas e veremos formas mais precisas de propagar erros em alguns casos particulares. Finalmente, na seo 4.5, exemplificamos os conceitos mais importantes com um experimento fsico concreto.
Um processo estocstico (stochastic process) para variveis contnuas satisfazem, alm das duas condies mencionadas, que a probabilidade de obter X dentro de um intervalo infinitesimal, P{x X < x+ dx} proporcional ao comprimento do intervalo, dx. 20
p ( x ) = lim
P{x < X x + x} , x x0
[4.5]
onde P{x < X x+x} a probabilidade de achar a varivel aleatria X no intervalo entre x e x + x. A ddp nos d uma idia de como se distribui a probabilidade no eixo real. Se conhecemos p(x) podemos dizer com exatido qual a probabilidade de achar X em qualquer intervalo, por exemplo
P{a < X b} =
z p( x )dx
b a
[4.6]
Obviamente, a probabilidade de achar X entre - e + 1, de modo que p(x) tem a seguinte propriedade:
+ p( x )dx
= 1.
[4.7]
O propsito de realizar um grande nmero de observaes o de obter uma boa estimativa da densidade de probabilidade ou de alguns parmetros que a caracterizem, tais com a mdia e o desvio padro definidos a seguir.
=< x >=
p( x )dx .
[4.8]
Se f(x) uma funo real, F = f(X) uma nova varivel aleatria cujo valor mdio sobre a 9 distribuio (average) ou valor esperado
f =< f ( x ) >=
z z
f ( x ) p( x )dx .
[4.9]
2 =< ( x )2 >=
+ (x
)2 p( x )dx .
10
A raiz quadrada da varincia, ou seja , por definio o desvio padro. da uma idia da largura da distribuio de probabilidades.
O exemplo de ddp mais importante em erros de medio o de uma distribuio normal ou gaussiana. Se diz que X segue uma distribuio normal se a sua ddp tem a forma
Note que, para alguns autores na literatura inglesa, mean e average no so exatamente a mesma coisa. Alguns autores indicam valores esperados com E( ). Por exemplo a mdia = E(x) e a varincia, tambm denotada com V(x), 2 = E[(x- E(x))2] = V(x). O desvio padro as vezes denotado com D(x). 21
10
p( x ) =
1 2
exp ( x 2) .
2
LM N
OP Q
[4.11]
Esta funo simtrica em relao a e depende apenas de dois parmetros: e que coincidem, respectivamente, com a mdia e o desvio padro da distribuio. No caso de uma distribuio normal, a probabilidade de achar X dentro de 1 desvio padro em torno da mdia de aproximadamente 68%, j que
P{ x + } =
1 2
exp ( x 2) dx 0.683 .
2
LM N
OP Q
[4.12]
Analogamente, a probabilidade de achar X dentro de 2 desvios padres entorno da mdia de aproximadamente 95%. Nos processos de medio de uma grandeza macroscpica, o resultado da medida depende de um nmero muito grande de processos aleatrios independentes microscpicos, que se somam no resultado final dando o carter aleatrio grandeza macroscpica. Sob condies bastante gerais se demonstra que a soma de um nmero grande de variveis aleatrias segue uma distribuio normal, independentemente das distribuies individuais das variveis. Este resultado da estatstica, chamado teorema central do limite, d fundamento terico suposio que os cientistas experimentais geralmente fazem de que os resultados de medidas seguem uma distribuio normal. Voltando ao caso geral, outros parmetros que caracterizam uma ddp so os momentos. O momento de ordem n definido como mn = < xn >. O momento de primeira ordem coincide com a mdia m1 = < x > e o de segunda ordem, m2 = < x2 >, pode ser expresso em termos da varincia:
11
< x 2 >= 2 + 2 .
[4.13]
O conhecimento dos momentos de todas as ordens permite determinar todas as propriedades da ddp. Tambm teis so os momentos centrados da distribuio, definidos como n = <(x - )n>. Obviamente, 1 = 0 e 2 = 2. Se a ddp uma funo simtrica em relao mdia, ento todos os momentos centrados de ordem impar so nulos. O momento centrado de terceira ordem, 3, uma medida da assimetria da ddp. Muitas vezes ajuda pensar que a ddp representa a densidade local de um corpo inomogneo. A mdia da distribuio se interpreta ento como a posio do centro de massas e a varincia como o momento de inrcia em relao ao centro de massas.
11
p( x, y ) =
Cada varivel aleatria tem a sua ddp individual que pode ser obtida integrando a ddp conjunta sobre a outra varivel:
pX ( x ) =
e
z z
p( x , y )dy
pY ( y ) =
p( x , y )dx .
As variveis X e Y se dizem estatisticamente independentes se a ddp conjunta o produto das densidades de probabilidade individuais p ( x , y ) = p X ( x ) pY ( y ) . A soma duas variveis aleatrias, X + Y uma nova varivel aleatria cuja mdia e varincia esto dadas, no caso geral, por x+ y = x + y e 2 + y = 2 + 2 + 2( xy x y ) , x x y
mas se X e Y so independentes, ento xy =< xy >= x y (se X e Y so independentes) [4.14] e temos 2 + y = 2 + 2 x x y (se X e Y so independentes). [4.15]
4.3 Estimadores
Um conjunto de medidas pode ser representado como um conjunto de variveis aleatrias X1, X2, ..., XN, sendo que todas elas tm a mesma ddp e, portanto, a mesma mdia e varincia:
[4.16]
importante notar que se as medidas so efetuadas nas mesmas condies, estas variveis aleatrias so estatisticamente independentes. Isto significa que, por exemplo, da eq. [4.14], < xi x j >=< xi >< x j >= 2 (i j ). [4.17]
Se pudssemos realizar infinitas medidas em condies idnticas, teramos uma representao completa da ddp com a qual poderamos calcular exatamente a mdia , a varincia 2 ou outros parmetros da distribuio. O problema que no podemos realizar infinitas medidas. O melhor que podemos fazer , a partir dos resultados de N medidas, 23
estimar parmetros da ddp, tais como e 2. Dado que s conhecemos os valores de x1,.., xN medidos, devemos propor frmulas matemticas que contenham apenas estes valores. Se um parmetro da ddp, um estimador (ou estimativa) a de dado por uma equao ou frmula
a = a ( x1,.. x N ) .
Por exemplo, a mdia aritmtica, x , definida pela frmula [3.1], um estimador do parmetro , e S e s so dois estimadores diferentes do parmetro . Note que todos os valores esperados, indicados com < >, so desconhecidos.
< a > = .
Um estimador que satisfaz esta condio se diz no viciado (unbiased) . Se um estimador viciado (biased), ento no importa quantas medidas sejam realizadas, ele nunca vai representar exatamente o parmetro que se quer estimar. A mdia aritmtica um estimador no viciado de j que
1 < x >= N
13 12
< xi > = .
[4.18]
Mas s o critrio de no viciado muitas vezes no basta para decidir entre vrios estimadores pois pode acontecer que todos eles sejam no viciados. Para exemplificar este fato, notemos que qualquer um dos valores medidos, xi, pode servir como estimador de e que todos eles so estimadores no viciados dado que, de acordo com a eq. [4.16], < xi >= para qualquer i. Um conceito que ajuda a decidir se um estimador melhor do que outro a preciso, expressa em termos do desvio padro esperado em relao ao parmetro estimado, < ( a )2 > . Se o estimador no viciado, esta quantidade coincide com o desvio padro a = < ( a < a > )2 > . Um estimador mais eficiente ou mais preciso que outro se este desvio padro menor.
Em alguns casos difcil achar um estimador no viciado. Nesses casos podemos exigir pelo menos que seja assintoticamente no viciado; ou seja que < a > para N . Em todas as somatrias sem ndices supomos que se somam todos os termos com i = 1,...,N. 24
13
12
2 N
[4.19]
. N
[4.20]
Este resultado significa que a mdia aritmtica se aproxima ao verdadeiro valor da mdia com uma preciso que melhora com a raiz quadrada do nmero de medidas. No limite de N , o desvio padro da mdia aritmtica nulo; o que no nenhum contra-senso pois se pudssemos fazer infinitas medidas conheceramos exatamente a mdia da distribuio. importante frisar que < x >= e x = N independentemente da funo de distribuio dos xi. Embora no sabemos qual a ddp das medidas individuais, a mdia aritmtica, por ser uma soma de variveis aleatrias , uma nova varivel aleatria que segue, no limite de N grande, uma distribuio normal. Como mencionamos acima, qualquer um dos valores medidos um estimador no viciado de ; porm, o desvio padro de xi como estimador de , de acordo com [4.16], , enquanto que o desvio padro da mdia aritmtica /
15
N , ou seja
N vezes menor.
Finalmente, um outro argumento em favor da mdia aritmtica como estimador de que 16 a soma dos desvios quadrticos em relao a um valor x arbitrrio, mnima para x = x .
A eq. [4.19] se demonstra notando que em < x 2 >= i j < xi x j > / N 2 , temos N(N-1) termos com i j, para os quais (dado que as variveis Xi e Xj so independentes e se aplica a
14
eq. [4.14]) < xi x j >=< xi >< x j >= 2 , e outros N termos com i = j, para os quais (vide eq. [4.13]) < xi xi >=< xi 2 >= 2 + 2 . Assim, < x 2 >= [( N 1) N 2 + N ( 2 + 2 )] / N 2 = 2 + 2 / N .
15 16
quadrticos. Porm, os termos da soma na eq. [4.1] no so independentes. De fato, s2 um 17 estimador viciado da varincia j que o seu valor esperado < s2 >= A [4.21] mostra que o valor esperado de S 2 = ( N 1)2 . N
1 N 1
[4.21] [4.22]
( xi x )2 = NN1 s2
< S2 > = 2.
Portanto S2 um estimador no viciado da varincia. Este resultado vlido para qualquer distribuio. Tanto s2 como S2 podem ser utilizados como estimadores da varincia. Se N grande a diferena pequena, mas em rigor s2 um estimador viciado enquanto que S2 no. por esta razo que, nos casos de N pequeno, utilizamos S2 (e no s2) para estimar a varincia. O parmetro s chamado por alguns autores desvio padro da amostra enquanto que S chamado desvio padro de cada medida e no devem ser confundidos com o desvio padro da distribuio, , que um valor desconhecido. Note tambm que, embora S2 um estimador no viciado de 2, S no , em geral, um 18 estimador viciado de , j que, em geral, < S > . Para determinarmos a preciso de S2 como estimador de 2, precisamos calcular o desvio padro de S2, S 2 = < ( S 2 2 )2 > . Para uma ddp arbitrria, esta quantidade no pode ser expressa em termos de (apenas) e . Porm, no caso de uma distribuio normal, se demonstra que S 2 = < ( S 2 2 )2 > =
2 2 . N 1
[4.23]
17
ainda
2
18
< xi 2 >= 2 + 2
2 2
usando
eq.
[4.19],
obtemos
< s >= + ( + / N ) = ( N 1) / N . A expresso para <S> no caso de uma distribuio normal pode ser vista na ref. 1. 26
x = Sm = S
N.
[4.24]
Com 68 % de probabilidade, o verdadeiro valor da mdia da distribuio, , est dentro do intervalo x x . O fato de que x diminui com N justifica o esforo de realizar um nmero grande de medidas pois melhora a preciso com que conhecemos a mdia. Do mesmo modo, notando (vide a eq. [4.20]) que para uma distribuio normal = 2 2 / ( N 1) , estimamos o desvio padro de S (i.e. o desvio padro do desvio padro de cada medida) com
2 2 S
S = S N21
1 4
[4.25]
Com 68 % de probabilidade, o verdadeiro desvio padro da distribuio, , est dentro do intervalo S S. Note da eq. [4.25] que com N = 201 medidas, a preciso com que determinamos o desvio padro de apenas 32% (S/S = 0.32). Para obtermos uma preciso de 1% em S, deveramos realizar mais de 200 milhes medidas!! por esta razo que os desvios padres e os erros padres se indicam com um e s um algarismo significativo. Outra consequncia que se desprende desta impreciso com que se conhece que tanto faz utilizar S ou s para o desvio padro de uma srie de medidas: a diferena entre S e s sempre menor que S. Mas j que d na mesma e que, de todos modos os clculos so sempre feitos apertando um boto de uma calculadora com funes estatsticas, por que no apertar o boto mais correto?
f =< f ( x ) >
e a varincia de f
2f =< [ f ( x ) f ]2 > .
As frmulas de propagao de erros dadas na Tabela 4.2 nem sempre so bons estimadores da mdia e devem ser utilizadas com cuidado. Em rigor, ns deveramos calcular a mdia e o erro padro de uma amostra da varivel aleatria F = f(X) formada por f(x1), f(x2),...f(xN):
f =
onde S f =
1 N
f ( xi ) , e f =
Sf N
1 N 1
[ f ( xi ) f ]2 .
As frmulas da Tabela 4.2 do bons estimadores se a relao entre f e x linear. Se a relao no linear e o desvio padro S = x comparvel mdia x , a estimativa da mdia 27
de f utilizando a expresso f = f ( x ) pode conduzir a erros graves, independentemente do nmero de medidas (que s melhora a preciso mas no a exatido). O clculo do erro em f a partir da derivada (Tabela 4.2), por outro lado, pode ser utilizado com mais segurana, dado que f d apenas uma idia da preciso com que estimamos f e, como todo erro padro, o valor de f tem associado uma incerteza relativa que da ordem de (vide eq.[4.25]) outro modo. A validade das frmulas de propagao de erros pode ser entendida se considerarmos a expanso de Taylor
1 f ( x ) = f ( ) + f ( )( x ) + 2! f ( )( x )2 +...,
4
onde as primas indicam derivadas. Podemos ento expressar o valor esperado e a varincia como
1 f =< f ( x ) >= f ( ) + 2! f ( ) 2 +...
de segunda ordem em r. Outro exemplo dentro desta linha o volume de uma esfera de dimetro d; se a esfera muito irregular, de modo que desvio padro d significativo quando comparado com o dimetro mdio d , o volume mdio deve ser calculado como V = d 3 / 6 e no como V = d 3 / 6 . Se a distribuio de dimetros simtrica em relao mdia ento fcil mostrar que V = d 3 / 6 + d d 2 / 2 . Novamente a diferena pequena somente se d << d .
28
Voltando funo f(x) = x2, o erro na mdia calculado pela frmula de propagao de erros da Tabela 4.2 nos da f = 2 x x , que claramente um estimador incorreto para x 0 (ou, em geral, para | x | x ). Uma expresso mais correta pode ser obtida notando que
>=
4 2 2 2 4 + , N N
que sugere o estimador f = 2| x | x 1 + x 2 / 2 x 2 , que no se anula para x = 0. Se | x | x , a diferena entre este estimador e o indicado na Tabela 4.2 pequena (menor que a incerteza associada a f , f 4 2 / ( N 1) , para valores razoveis de N). No caso de um produto de variveis independentes, a funo f ( x , y ) = x y (a rea de um retngulo, por exemplo) linear em x e y, e, portanto f = x y um estimador no viciado de <xy> = x y. A varincia do produto, porm, vem dada por 2 = 2 2 + 2 2 + 2 2 , pelo que xy x y y x x y uma frmula de propagao de erros mais correta daquela que se deduz da Tabela 4.2 xy = ( x y )2 + ( y x )2 + ( y x )2 .
amostra ou subconjunto dos infinitos valores que mediramos com infinitos lanamentos. Se pudssemos realizar infinitos lanamentos, os valores medidos se distribuiriam de acordo com uma funo de densidade de probabilidade (ddp), acumulando-se entorno de uma mdia com uma disperso ou desvio padro . Com a amostra finita de lanamentos queremos inferir algumas caractersticas dessa ddp. Estamos interessados particularmente em obter estimadores dos verdadeiros valores da mdia e do desvio padro, . Com estes estimadores poderemos predizer onde cair a esfera num prximo lanamento com certa probabilidade. Finalmente, gostaramos avaliar a preciso com que esses estimadores se aproximam dos verdadeiros valores.
29
Antes de realizar as N medidas, os alcances que sero medidos podem ser considerados como variveis aleatrias independentes, todas com a mesma ddp e portanto com as mesmas e .
4.5.1 Histogramas
O histograma o primeiro passo para estimarmos a densidade de probabilidade. Suponhamos que medimos 50 vezes o alcance da esfera utilizando uma rgua milimetrada e que obtivemos os dados da Tabela 4.3. i 1 2 3 4 5 6 7 8 9 10 xi 46.2 46.3 46.6 46.3 46.0 46.9 46.2 46.4 46.1 46.5 i 11 12 13 14 15 16 17 18 19 20 xi 46.7 46.1 46.5 46.7 46.4 46.3 46.3 46.8 46.7 45.9 i 21 22 23 24 25 26 27 28 29 30 xi 46.2 46.3 46.5 46.6 46.6 46.6 46.3 46.4 46.5 46.4 i 31 32 33 34 35 36 37 38 39 40 xi 46.1 46.2 46.0 46.6 46.2 46.7 46.4 46.2 46.1 46.4 i 41 42 43 44 45 46 47 48 49 50 xi 46.3 46.3 46.5 46.0 46.4 46.0 46.3 46.5 46.3 46.4
Contando o nmero de vezes em que obtivemos alcances em intervalos de 1 mm (cada um destes intervalos chama-se intervalo de classe e indicaremos o comprimento com x, neste exemplo x = 0.1 cm), poderemos representar os resultados em histogramas como o da Figura 4.2. Nessa figura representamos os resultados dos primeiros 5 lanamentos, dos primeiros 10, dos primeiros 20 e, finalmente, dos 50 lanamentos registrados na Tabela 4.3.
30
0.4
0.4
N=5
Frequncia normalizada
0.2 1 0.2
N = 10
2
0.0
0.0
0.20
0.20
10
N = 20
0.15 3 0.15 0.10 2 0.10
N = 50
0.05
0.05 2
0 47.0
0 47.0
Alcance,
N (cm)
Note que em cada histograma temos normalizado o nmero de vezes (freqncia) que cada alcance se repete pelo nmero total de lanamentos em cada conjunto (isto se denomina um histograma de frequncias normalizadas). Assim, a escala das ordenadas nesses histogramas do uma idia da probabilidade de que a esfera caia em cada intervalo. Por exemplo, no intervalo de (46.4 0.05) cm a esfera caiu uma frao de 0.10 vezes nas primeiras 20 medidas. Porm, quando consideradas as 50 medidas, nesse mesmo intervalo a esfera caiu uma frao de 0.16 vezes. Intuitivamente, a medida que aumentamos o nmero de medidas o que determinamos com mais preciso a probabilidade de achar o alcance dentro de certo intervalo, e admitimos que 0.16 um valor mais aproximado (do que 0.10) do valor exato mas desconhecido de P{46.35 cm < X 46.45 cm}. medida que aumentamos N o histograma representa melhor a verdadeira densidade de probabilidade. Se pudssemos realizar infinitas medidas, o histograma normalizado nos daria a probabilidade exata de achar o alcance em cada intervalo. Notemos porm que isto no nos daria ainda a densidade de probabilidade p(x) mas apenas a integral desta funo em cada intervalo de comprimento x = 0.1 cm, que determinado pela preciso da rgua utilizada. Para conhecermos p(x) devemos, segundo a definio, no somente fazer infinitas medidas mas, tambm, fazer as medidas utilizando um instrumento com preciso infinitesimal, de modo que possamos fazer x 0 . Afortunadamente, no necessrio conhecer o valor de uma funo em todos os pontos para caracteriz-la completamente. Basta com conhecer alguns parmetros da funo para termos uma representao exata da mesma. Por exemplo, se sabemos que a distribuio normal e conhecemos os valores de e , podemos calcular exatamente p(x) para qualquer x. Se a distribuio no normal precisaremos tal vez mais parmetros (por exemplo, os momentos da ddp) mas o conhecimento de e j nos da uma boa idia da ddp.
Frequncia
31
4.5.2 Os resultados
A Tabela 4.4 mostra os resultados em cm da mdia, desvio padro e desvio padro da mdia desses quatro conjuntos de medidas (calculados utilizando as frmulas da Tabela 4.1). Na ltima coluna representamos tambm o desvio padro do desvio padro estimado utilizando a eq. [4.25].
N 5 10 20 50
x
46.28 46.35 46.40 46.36
Tabela 4.4. Valores em cm da mdia, desvio padro e erro padro para os conjuntos de medidas de alcances do projtil correspondentes aos quatro histogramas da fig. 5.2.
Note como aumentando N a mdia e o desvio padro mudam muito pouco, enquanto que o erro padro, Sm, e S diminuem sistematicamente. Isto ilustra a diferena entre estimadores de parmetros e estimadores da preciso. x e S so estimadores de parmetros da distribuio ( e , respectivamente) e portanto no devem se alterar muito aumentando o nmero de medidas. Por outro lado, Sm e S so estimadores da preciso com que x e S se aproximam dos respectivos parmetros da ddp ( e ) e, dado que quanto mais medimos melhor conhecemos a distribuio, Sm e S devem diminuir aumentando N. O erro na mdia diminui como 1 / N enquanto que o erro no desvio padro diminui como 1 / 4 N 1 . Quando queremos dar idia da distribuio de valores medidos expressamos o resultado na forma x x . Neste exemplo,
20
Com esta informao podemos calcular por exemplo o desvio padro S = 10 0. 08 cm = 0. 2 cm . Na prtica esta forma de expressar os resultados demais extensa. Muitos cientistas experimentais preferem escrever " x = (46.35 0.08) cm (N = 10)", apelando conveno de que, salvo indicao explcita, o intervalo de confiana de 68 %. Note que sempre que se utiliza Sm necessrio indicar N. Uma notao ainda mais curta " x = 46.35 cm, S = 0.2 cm". Esta ltima conveno relativamente independente de N, mas se perde a informao do nmero de medidas e portanto do esforo e cuidado com que o experimento foi realizado. Finalmente, notemos que o erro na mdia indicado Tabela 4.4 para 50 medidas 0.03 cm, que menor que a preciso de nossa rgua (metade da menor diviso, ou 0.05 cm). A questo de se vlido ou no expressar um resultado com mais preciso que o instrumento de medida uma discusso mais filosfica do que til. Na prtica, nenhum experimentador vai realizar mais medidas do que necessrio. Neste exemplo, o bom senso indica que com 20 medidas (x = 0.06 cm) j temos uma preciso satisfatria.
4.6 Referncias
1. J.M. Cameron, "Statistics," in "Fundamental Formulas of Physics," edited by D.H. Menzel, Vol. 1, ch. 2, Dover, New York, 1960. 2. G.L. Squires, "Practical Physics," 3rd. edition, Cambridge University Press, Cambridge, 1985.
Para os puristas, o intervalo de confiana da mdia se determina a partir de parmetros de uma outra distribuio, a distribuio t de Student, que se aproxima da distribuio normal para N grande. Os valores corretos esto tabelados para os intervalos de confiana mais empregados. Este procedimento seguido por exemplo por bilogos, mdicos e qumicos e quase nunca por fsicos. A diferena pequena e no justifica o trabalho de procurar os valores corretos em tabelas, dada a grande incerteza com que se estimam S e Sm. 33
20