1

ANLISE DE DADOS EXPERIMENTAIS

E AJUSTE DE MODELOS
1. A Natureza dos Problemas Cientficos e da Experimentao
Desde o incio da Histria do Homem, temos sentido a necessidade de entender
o funcionamento do mundo que nos cerca. Essa necessidade de compreenso sempre foi
motivada por questes muito prticas, como por exemplo, entender o comportamento do
tempo, para prever a ocorrncia de chuvas ou de secas, que tm implicaes diretas
sobre a sobrevivncia das comunidades que dependem da agricultura para subsistir.
(Alis, essa uma questo que ainda consome o trabalho dirio de milhares de pessoas
em todo o mundo, o que mostra como o conhecimento sobre certas questes
fundamentais da vida pode se acumular muito lentamente ao longo dos anos.) Como
bem demonstra o exemplo, a necessidade de compreender o mundo, embora algumas
vezes busque apenas satisfazer a curiosidade de alguns curiosos sobre certas questes
que os cercam, quase sempre nasce da vontade de se controlar ou prever um conjunto de
fenmenos naturais, de forma a tornar possvel melhorar, otimizar ou fazer com que a
natureza funcione de forma a nos beneficiar de alguma maneira particular. No exemplo,
todos esses elementos esto presentes, como vemos abaixo:
Problema prtico: necessrio plantar para que se produzam alimentos. Secas
e enxurradas destroem as plantaes, consomem o trabalho e provocam falta de
alimento. Seria bom saber onde e quando secas e enxurradas vo ocorrer, pois assim
poderamos escolher o momento certo para plantar e para armazenar os alimentos.
Questo fundamental: Como funciona o clima?
Finalidade bsica da resposta: Prever o momento adequado para o plantio e
armazenamento de alimentos.
Embora o exemplo proposto seja extremamente simples, ele permite identificar
os elementos fundamentais do problema cientfico:
1- O problema prtico motivador;
2- A necessidade de compreenso do fenmeno;
3- A necessidade de previso.
O problema prtico motivador pode ser compreendido como a chama que agua
a curiosidade do investigador. Qualquer um que j teve a oportunidade de desenvolver e
submeter um projeto a uma agncia de financiamento j teve tambm que preencher um
formulrio onde se pergunta para qu serve o projeto e quais so os objetivos do projeto.
difcil acreditar que algum esteja interessado em um problema sem que haja qualquer
objetivo a ser alcanado ou resposta a ser obtida. (Freqentemente as pessoas discordam
sobre a relevncia dos objetivos a serem alcanados numa investigao, embora eles
nunca estejam ausentes.) O problema prtico constitui a mola fundamental da era
tecnolgica e movimenta milhes de pessoas em todo mundo, com uma infinidade de
pequenos e grandes problemas que precisam ser resolvidos.
Para que o problema possa ser resolvido de forma adequada, necessrio
compreender os fenmenos naturais que geram o problema prtico. Quais so as causas
do fenmeno? Quais so as conseqncias? Como as causas e conseqncias esto
relacionadas? A busca de respostas para essas questes freqentemente denominada
2
de modelagem do fenmeno. As causas e conseqncias so usualmente denominadas
de variveis do problema analisado. A estrutura que relaciona as variveis do problema
denominada de modelo.
Nesse ponto, uma questo fundamental deve ser colocada: a identificao das
variveis de um problema implica necessariamente na observao do fenmeno e na
obteno de dados (atividade emprica), enquanto a construo de uma estrutura que
relaciona as variveis implica necessariamente em um processo abstrato para explicao
e justificativa dos resultados observados (atividade terica). Esse ntimo relacionamento
existente entre as atividades emprica e terica foi compreendido desde o Iluminismo.
(Ainda hoje alguns investigadores continuam insistindo na discusso sem sentido
sobre o que mais importante - investigao experimental ou terica. No entre nessa,
pois experimento sem teoria ou teoria sem experimento no faz sentido!!!!) S podemos
dizer que compreendemos um fenmeno se somos capazes de identificar as variveis
relevantes do problema e se somos capazes de dizer como certos grupos de variveis
influenciam os demais; ou seja, se temos um modelo para o fenmeno. Nessa fase, a
atividade experimental tem como principais objetivos permitir a identificao adequada
das variveis relevantes do problema e a construo do modelo.
Finalmente, atinge-se a fase em que o conhecimento acumulado deve ser
utilizado para resolver o problema proposto. Assim, o modelo deve ser utilizado para
prover as respostas do problema. a etapa de predio. A resposta ento
implementada, visando resolver o problema prtico que originou a investigao. Caso a
resposta predita de fato resolva o problema prtico, dizemos que o modelo desenvolvido
vlido; caso contrrio, a compreenso do fenmeno no foi adequada para resolver o
problema e precisa ser reavaliada. Novamente a teoria e a prtica esto inter-
relacionadas, haja visto que a compreenso terica s ganha importncia se pode ser
aplicada para resolver o problema prtico original. Se isto no possvel, a teoria
construda no tem validade no mundo que nos interessa de fato e tem que ser revista.
Tomando como base a discusso acima, v-se que atravs da experimentao
que os problemas prticos so construdos, que a as variveis relevantes do problema
so identificadas e que o modelo pode ser montado e validado. A prtica terica permite
correlacionar as variveis e fazer previses, que fornecem as respostas para os
problemas prticos originalmente propostos (e outros que porventura venham a serem
propostos).
2. Metodologia Cientfica e Experimentao
As discusses apresentadas anteriormente podem ser colocadas num contexto
mais geral, definindo-se a Metodologia Cientfica de tratar um problema. Este contexto
mais genrico est apresentado resumidamente na Figura 1.
O que a Figura 1 no acentua, no entanto, so os seguintes pontos:
a) A natureza cclica do trabalho cientfico: Como o conhecimento acumulado
sempre utilizado para resolver os mais variados problemas, mesmo aqueles que no
foram originalmente propostos e utilizados para gerar os modelos, os modelos so
continuamente testados. Isso faz com que a abrangncia do modelo aumente
continuamente (desde que as respostas providas sejam de fato teis e confirmadas
experimentalmente) e que ele seja continuamente revisto e melhorado (o que ocorre
sempre que uma resposta obtida seja inadequada e seja negada pela observao
emprica).
3

Figura 1 - Esquema Geral do Mtodo Cientfico.

b) A natureza imparcial do trabalho cientfico: Se um conhecimento cientfico de
fato obtido, ele deve poder ser utilizado por todos para resolver problemas semelhantes.
Desta forma, observaes experimentais devem ser reprodutveis e os mesmos
resultados devem ser obtidos sempre que as mesmas condies forem impostas ao
problema. Se condies similares levam a observaes distintas, no h como
sistematizar o conhecimento, no h como construir modelos e no h como fazer
predies. No h Cincia, portanto. O conhecimento e a metodologia cientficos no
so manifestaes individualizadas nem profisses de f (o que de forma nenhuma
invalida estas manifestaes do esprito humano, como forma de compreender a vida e o
universo). Por isso, o bom investigador sempre reproduz suas observaes, para garantir
que estas so vlidas e representam de fato um fenmeno real que pode ser controlado.
4
c) A natureza limitada do trabalho cientfico: Para que as observaes sejam feitas,
diversas condies devem ser impostas ao sistema experimental investigado, de maneira
que as concluses obtidas s so vlidas no contexto limitado em que as observaes
so feitas. Algumas destas condies so impostas sem mesmo que saibamos disto. Por
exemplo, so clssicos os estudos sobre a natureza ondulatria ou particulada das
radiaes eletromagnticas, particularmente da luz. A depender de como as condies
experimentais so fixadas, conclui-se ou uma coisa ou outra. Hoje, sabe-se que toda
partcula em movimento tem a ela associado um movimento ondulatrio e vice-versa. O
investigador e o ambiente interagem de forma nem sempre bem definida com o
experimento que est sendo realizado e podem interferir nos resultados finais obtidos.
Como no podemos controlar os efeitos que no conhecemos, natural que os
resultados experimentais obtidos em condies semelhantes no sejam exatamente os
mesmos. Por isso, toda a observao experimental est sujeita a flutuaes ou a um
certo grau de incerteza. No possvel obter um resultado experimental 100% correto,
pois no possvel controlar todo o universo para que realizemos o experimento. O
ideal que as flutuaes (ou incertezas ou erro experimental) sejam to pequenas
quanto possvel, indicando um controle bastante efetivo sobre as variveis mais
relevantes para a consecuo dos dados experimentais obtidos.
d) A natureza limitada do modelo: Como toda observao experimental est sujeita a
flutuaes e deve ter seu escopo limitado ao contexto experimental em que foi
executado, no possvel construir modelos perfeitos. Desta forma, nenhum modelo
reflete exatamente a realidade e incertezas tericas devem tambm ser esperadas. Um
modelo bem sucedido aquele que consegue explicar os resultados experimentais com
incertezas compatveis com aquelas observadas experimentalmente. No possvel
descrever a realidade com preciso maior do que aquela permitida pela observao
experimental. Como o modelo utilizado para fazer previses e prover respostas a
perguntas feitas, toda previso e resposta obtida atravs do modelo tambm apresentam
um certo grau de incerteza, que deve ser considerada.
Por tudo o que foi discutido, observa-se que to ou mais importante que a
prpria observao experimental a caracterizao apropriada das incertezas a que tais
observaes esto sujeitas.
3. As Fontes de Erro e o Ideal Determinstico
O homem tem procurado atravs dos tempos as leis que regem o funcionamento
do universo. Segundo o ideal positivista, uma vez conhecidas as leis que regem o
universo seramos capazes de entender todo o passado e todo o futuro, j que o
desenrolar da vida e da histria nada mais seria do que a soluo do complexo sistema
de equaes que representaria estas leis supremas. O destino teria sido ditado quando as
condies iniciais foram fixadas e todo o universo foi colocado em movimento.
Diz-se que um sistema ou processo determinista ou determinstico se,
fazendo-se sempre a mesma pergunta, obtm-se sempre a mesma resposta. Esse o
resultado tpico que se obtm ao se resolver um conjunto de equaes matemticas,
como aquelas que descreveriam o funcionamento do universo. Por exemplo, seja o caso
de um tanque de reao continuamente alimentado por uma corrente de processo
(Figura 2), que flui com vazo (volume/tempo) conhecida e que contm um composto A
numa concentrao tambm conhecida (massa/volume). Suponha ainda que conhecida
a vazo da corrente de retirada (volume/tempo), que contm A numa concentrao C
A

(massa/volume) desconhecida. Sabe-se que A se transforma em um segundo composto
5
B dentro do tanque, fenmeno esse chamado de reao qumica. A velocidade com que
essa transformao ocorre conhecida pelos qumicos e descrita pela relao

A A
R KC V = (1.1)
onde R
A
(massa/tempo) a velocidade da transformao, K (1/tempo) uma constante
caracterstica do sistema e V (volume) o volume ocupado do tanque. Usando a lei
desse pequeno universo que diz que a massa se conserva, possvel dizer que todo o
composto A que entra na alimentao ou sai na corrente de retirada ou vira B. Nesse
caso, possvel escrever as seguintes relaes matemticas, que representam essa lei
do universo:

Figura 2 - O Tanque de Reao Continuamente Agitado.

o Ao A A
q C qC KC V = +
o Ao
A
q C
C
q KV
=
+

Dessa forma, repare que sob as mesmas condies de operao (q
o
, q, C
Ao
, V),
obtm-se sempre o mesmo valor de C
A
. A soluo desse problema, na forma proposta,
est completamente determinada pelas condies da experimentao.
Sabe-se que isso nem sempre verdade. Todos j experimentaram a sensao de
tentar tirar o nmero seis no dado, sem sucesso. Vrios fatores contribuem para que o
resultado de um experimento seja desconhecido, mesmo que a princpio todas as
variveis paream estar bem definidas. o chamado pesadelo determinista. Vejamos
alguns exemplos:
a) O livre arbtrio: Sob condies idnticas o indivduo pode optar por solues
diferentes. Embora esta seja uma questo extremamente complexa, com aspectos
religiosos, filosficos e morais que no pretendemos aprofundar aqui, o fato que a
alma humana bastante complexa e resolve problemas de formas inusitadas e
imprevistas. Por isso a dificuldade de se fazer previses nas reas de Cincias Humanas
e Sociais.
b) A heterogeneidade dos indivduos: Os indivduos de um grupo no so idnticos e
respondem de forma diferente a diferentes impulsos. Dessa forma, a no ser que todos
os elementos do grupo sejam conhecidos com detalhes, previses sobre
comportamentos coletivos so complexos. Isso verdade tanto nas reas de Cincias
Humanas e Sociais quanto nas reas de Cincias Exatas. Isso ocorre, por exemplo,
sempre que se tentam prever as propriedades da gasolina ou outras fraes de petrleo,
que so misturas complexas de um nmero enorme de compostos qumicos distintos.
6
Problemas similares ocorrem durante a anlise de sistemas biolgicos, dado que as
clulas dos organismos que constituem esses sistemas no so necessariamente iguais.
c) A preciso finita dos instrumentos de medidas: Mesmo que fossem conhecidas
todas as leis do universo, ainda assim teramos dificuldades de fazer previses
absolutamente corretas, porque os instrumentos de medida tm capacidade finita de
aferio. No conseguimos nunca observar uma grandeza com todas as infinitas casas
decimais. As medidas reais se aproximam mais do esquema apresentado na Figura 1.3,
onde se observam flutuaes (rudos) por causa da preciso finita do instrumento. Qual
o valor real da medida apresentada no registro da Figura 1.3?


Figura 3 - Registro de uma varivel x com rudo como uma funo do tempo.

d) A medio indireta e a necessidade de calibrao: Muitas vezes necessrio
inferir uma varivel a partir da medida de uma outra varivel. Por exemplo, quando se
mede a temperatura com um termmetro de mercrio, mede-se de fato o volume do
mercrio em um cilindro graduado. Como o volume do mercrio muda com o aumento
da temperatura (como ocorre com todas as demais substncias), relaciona-se o volume
medido com a temperatura do sistema. Isso gera a necessidade de construir uma funo
que relaciona o volume com a temperatura, chamada de modelo de calibrao.
Contudo, como possvel escolher o melhor modelo de calibrao? Como possvel
garantir que o modelo de calibrao permanece vlido em todas as condies de
experimentao? Esses fatos introduzem incertezas adicionais ao processo de medio e
aos valores experimentais medidos.
e) A possvel existncia de falha no processo de medio: Instrumentos so
constitudos por equipamentos e processos; portanto, esto sujeitos a falhas. Por
exemplo, uma rgua plstica pode se deformar quando mal acondicionada em
mochilas e pastas escolares, introduzindo erros e imprecises adicionais no processo de
medida. De forma similar, a existncia de mau contato em um circuito eltrico pode
causar rudo e desvios nas medidas fornecidas por um equipamento. O problema que
esses desvios e deformaes nem sempre so percebidos pelo experimentador.
f) O controle limitado sobre um nmero pequeno de variveis: E um fato adicional
que no conhecemos todas as variveis relevantes para um dado problema com toda a
preciso. Em geral, apenas as variveis mais importantes so levadas em considerao
durante a anlise de um problema real, de forma que flutuaes podem ser esperadas
por conta das variveis no controladas do problema. Por exemplo, ser que todos os
possveis contaminantes da corrente de alimentao so conhecidos? Ser que o
isolamento perfeito e no h nenhuma perda de calor no sistema?
E qual a conseqncia desses fatos? A principal delas que, mesmo quando
conhecemos bastante um sistema, h sempre algum grau de incerteza, algum grau de
variabilidade, algum grau de impreciso. Nunca possvel garantir com certeza absoluta
7
qual o resultado de um determinado experimento. Diferentes equipamentos de
medidas e diferentes experimentadores obtm valores medidos diferentes para uma
mesma varivel medida. Obviamente, alguns sistemas apresentam maior ou menor grau
de impreciso que outros. Parece bvio que uma coisa a preciso obtida quando se
prev o comportamento meteorolgico e outra a preciso obtida quando se prev o
tempo que um objeto que cai do 3

andar de um bloco de apartamentos leva para atingir

o cho. E, portanto, j sentimos aqui a necessidade de caracterizar o grau de
variabilidade existente num sistema experimental qualquer.
De uma forma geral os erros experimentais podem ser classificados como:
- Erros Aleatrios: so as flutuaes que ocorrem devido a pequenas oscilaes,
positivas e negativas, nos valores das variveis controladas ou no controladas,
impreciso dos equipamentos de medida; so flutuaes de carter estatstico e podem
ser descritas por uma distribuio de probabilidade.
- Erros Sistemticos: so desvios que deslocam o valor de uma medida ou no sentido
positivo ou no sentido negativo e ocorrem devido a uma m calibrao dos
equipamentos de medida; estes erros no tm uma caracterstica estatstica.
- Erros Grosseiros: so erros causados por falhas na medio, como o mal
funcionamento de um equipamento ou falha na aquisio da medio; estes erros
tambm no tm uma caracterstica estatstica.
Os Erros Sistemticos e Grosseiros devem ser evitados, j que deslocam os
resultados experimentais dos valores corretos e invalidam toda a base estatstica de
anlise. Como os Erros Aleatrios podem ser descritos por uma distribuio de
probabilidade e so oscilaes que flutuam do sentido positivo para o negativo e vice-
versa, pode ser esperado que estes erros no desloquem o valor observado do valor real.
importante aqui definir dois importantes conceitos estatsticos: exatido e preciso. A
exatido indica como um conjunto de medidas se aproxima do valor real. J a preciso
indica o quanto um conjunto de medidas oscila em torno de um valor mdio. Na Figura
4 apresentada uma ilustrao sobre estes conceitos.

Preciso e Inexato

Impreciso e Exato

Preciso e Exato

Impreciso e Inexato
Figura 4 Ilustrao sobre a preciso e exatido de medidas.
8
A preciso de uma medida est intimamente ligada a reprodutibilidade de um
experimento e, assim, para a sua caracterizao basta a realizao de diversas rplicas
do mesmo experimento. Observe ainda que a preciso de uma medida est associada aos
erros aleatrios. Entretanto, para a caracterizao da exatido de uma medida no
suficiente a realizao de rplicas, sendo necessrio a utilizao de um padro externo,
ou seja, uma outra forma de medida (outro equipamento, por exemplo) para determinar
se a medida exata ou no. Assim, a exatido de uma medida est associada a presena
ou no de erros sistemticos e/ou grosseiros.
4. Caracterizao de uma Medida Experimental
Um conjunto de medidas da varivel x feito, resultando nos resultados
apresentados na Tabela 1.1.
Tabela 1.1 - Conjunto de Medidas Experimentais Obtidas para a Varivel x.
medida 1 2 3 4 5 6 7 8 9 10
x 0.50 0.60 0.50 0.40 0.50 0.50 0.50 0.40 0.50 0.50
Dados os diferentes valores obtidos durante as vrias medidas efetuadas, parece
lcito perguntar: qual o valor "real" de x? A resposta correta para esta pergunta : NO
SEI! Supe-se aqui que todas as medidas foram feitas corretamente e que, portanto,
espelham de forma semelhante o valor de x. No h como adivinhar a princpio qual a
melhor medida ou qual medida representa melhor o conjunto de medidas. Apesar de
tudo isto, ainda assim necessrio definir um valor para x, pois vrios processos de
tomada de deciso podem depender disto. Por exemplo, se x for a medida da quantidade
de um contaminante industrial presente num efluente lanado em um rio, a definio do
valor de x pode resultar numa multa emitida pela Secretaria de Meio Ambiente.
Quando as medidas esto sujeitas a flutuaes, podemos apenas fornecer um
valor que represente o conjunto de medidas de x de forma conveniente. Por exemplo:
- FORMA 1: 0.50 x =
O valor 0.5 o que aparece mais freqentemente no conjunto de medidas. Este
valor usualmente chamado de MODA do conjunto de medidas.
- FORMA 2: 0.50 x =
O valor 0.5 divide o conjunto de dados ao meio, isto metade dos dados maior
ou igual a 0.50 e a outra metade menor ou igual a 0.50. Este valor usualmente
chamado de MEDIANA do conjunto de medidas.
- FORMA 3: ( ) 0.6 7 0.5 2 0.4 10 0.49 x = + + =
Este um valor usado comumente para representar um conjunto de nmeros,
chamado de MDIA ARITMTICA. Este valor uma soma ponderada dos vrios
nmeros que apareceram no conjunto original de dados. A ponderao utilizada a
freqncia com que o nmero aparece no conjunto.
- FORMA 4:
( )
1
7 2 10
0 6 0 5 0 4 0 48697 x . . . . = =
Este um valor usado tambm com freqncia para representar um conjunto de
nmeros, chamado de MDIA GEOMTRICA. Este valor um produto ponderado dos
vrios nmeros que apareceram no conjunto original de dados. A ponderao utilizada
a freqncia com que o nmero aparece no conjunto.
9
Qual destas (ou possivelmente outras) a melhor forma de representar x? Para
responder esta pergunta necessria a introduo do conceito de probabilidade e de
independncia de medies para a anlise das propriedades matemticas de cada forma
de representar o conjunto de valores. (Apesar desta anlise fugir do escopo deste curso,
os alunos interessados devem procurar estas anlises na bibliografia citada
recomendada.). Os resultados destas anlises mostram que somente a mdia aritmtica
pode ser considerada uma Operao Linear. Por exemplo, dado dois conjuntos de
medidas x e y, com mdias
X
e
Y
, a varivel z = x + y tem mdia
Z
=
X
+
Y
. Isto
torna a mdia aritmtica extremamente conveniente do ponto de vista matemtico e, por
isso, usualmente escolhida como melhor maneira de representar um conjunto de
dados. A definio da mdia aritmtica de um conjunto de amostras (Deve ser
observado que formalmente a mdia real
X
e a mdia amostral x no so a mesma
varivel, apesar de estarem intimamente relacionadas):
1
1
N
i
i
x x
N
=
=


Alem de um valor central necessria uma medida do espalhamento dos dados
em torno deste valor. Como no caso da definio de um valor central podem existir
diversas formas, para definir uma medida do espalhamento tambm podem ser definidas
diversas formas. A forma mais adequada a varincia, que a mdia do quadrado das
diferenas entre os valores esperados e a mdia aritmtica. A varincia uma Operao
Linear e, como a mdia aritmtica, tambm tem propriedades matemticas que torna o
seu uso muito conveniente. A definio da varincia de um conjunto de amostras
(Aqui tambm deve ser observado que formalmente a varincia real
2
X
o e a varincia
amostral
2
X
s no so a mesma varivel, apesar de estarem intimamente relacionadas):
( )
2
2
1
1
1
N
X i
i
s x x
N
=
=

A partir do valor da varincia pode ser calculado o desvio padro de um
conjunto de dados, definido como:
( )
2
2
1
1
1
N
X X i
i
s s x x
N
=
= =

Este valor conveniente j que possui a mesma unidade dos valores x
i
e, como
ser visto adiantem, usado para a determinao do intervalo de confiana de uma
mdia. Entretanto, o desvio padro no um operador linear como a varincia, ou seja,
no se pode somar desvios padres de duas medidas para se obter o desvio padro da
soma destas duas medidas.
Em alguns casos, deve ser necessria a comparao dos resultados obtidos por
diferentes tcnicas, por diferentes operadores ou por diferentes processos. Como as
medidas esto sujeitas a desvios, preciso construir intervalos de confiana para
possibilitar o experimentado concluir se uma certa medida significativamente maior
que outra. O intervalo de confiana de um valor mdio pode ser construdo como:
( ) ( ) 1 2 1 2
1 1
X X
N X N
s s
x t x t
N N
o o

+ +

< < +
10
Este equao define um intervalo de confiana onde o valor real da mdia se
encontra com um nvel de confiana igual a o. Para uma varivel qualquer x
i
, o
intervalo de confiana pode ser definido como:
( ) ( ) 1 2 1 2
1 1 N X i N X
x t s x x t s
o o + +

< < +
Nas duas equaes acima,
( ) 1 2
1 N
t
o +

o valor da distribuio t de Student com N-1

graus de liberdade e uma probabilidade de (1+o)/2. O valor de o indica o nvel
confiana (geralmente igual a 0.95).
Em alguns casos no se dispem de diversas medidas de uma varivel que
possibilite o clculo de um valor mdio e de uma varincia. Por exemplo, quando as
dimenses de um tanque so medidas com o auxlio de uma trena (ou algum outro
equipamento de medida apropriado), na maioria dos casos feita somente uma medida.
Mesmo que mais de uma medio seja feita, geralmente os erros aleatrios a que este
processo de medio est sujeito so muito baixos. Nestes casos o intervalo de
confiana de uma medio definido como:
a) quando se usa um equipamento de medio analgico: 2
i
x DE , onde DE a
Diviso de Escala, ou seja, a menor medio que pode ser feita neste equipamento;
b) quando se usa um equipamento de medio digital:
i
x ID , onde ID o incremento
digital do equipamento de medio
5. Propagao de Erros
Em alguns casos no possvel a medio direta de certas variveis e seus
valores devem ser determinados por medidas indiretas. Por exemplo, a determinao da
viscosidade de um lquido em um viscosmetro de Stokes determinada pela seguinte
equao:
( )
( )
2
1
18 1 2.1044
S f
t
g t D
L D D

A
=
+

onde a viscosidade, D o dimetro da esfera em queda no tubo, D
t
o dimetro do
tubo,
S
a densidade da esfera e
f
a densidade do fludo, At o tempo que a esfera
leva para cair uma altura L e g a constante da gravidade.
Considerando um caso geral onde uma certa propriedade z inferida a partir de
medies x e y, usando a seguinte equao:
( ) , z f x y =
onde f uma funo matemtica qualquer. A aproximao linear desta funo (Srie de
Taylor) pode ser escrita como:
( ) ( )
0 0 0
f f
z z x x y y
x y
c c
= + +
c c

ou ainda:
f f
z x y
x y
c c
A = A + A
c c

11
Sendo a definio da varincia o valor esperado do quadrado dos desvios em relao ao
valor mdio, podemos escrever:
{ }
2
2
2 2 2 2
2
Z X Y XY
f f f f
E z z
x y x y
o o o o
| | | | c c c c | |
= A A = + +
| | |
c c c c
\ .
\ . \ .

onde { }
2
X
E x x o = A A , { }
2
Y
E y y o = A A e { }
2
XY
E x y o = A A , sendo este ltimo a
covarincia entre as medies x e y. Se as medidas x e y so independentes
2
0
XY
o = , e
podemos escrever:
2
2
2 2 2
Z X Y
f f
x y
o o o
| | c c | |
= +
| |
c c
\ .
\ .

Observe que aqui fica evidente a caracterstica linear da varincia e por isso, o
seu uso prefervel frente as demais medidas de incerteza. Este resultado pode ser
estendido para uma funo de NV variveis da seguinte forma:
2
2 2
1
i
NV
Z X
i
i
f
x
o o
=
| | c
=
|
c
\ .

Por exemplo, no clculo da viscosidade consideramos que somente as medidas
de tempo At e de comprimento L esto sujeita a desvios (na realidade, todas as variveis
na equao esto sujeitas a desvios, inclusive g, a constante da gravidade). Assim, o
clculo da varincia da viscosidade definido como:
( )
( )
( )
( )
2 2
2 2
2 2 2
2
1 1
18 1 2.1044 18 1 2.1044
S f S f
t L
t t
g D g t D
L D D L D D

o o o
A
| | | |
A
| | = +
| |
+ +
\ . \ .

interessante observar o comportamento da equao acima com o valor das
variveis At e L. Com relao a At o valor da varincia da viscosidade aumenta com o
aumento do tempo. Entretanto, com relao ao valor de L, quanto maior o valor de L,
menor a varincia da viscosidade. Ou seja, so dois comportamentos opostos e deve
ser lembrado que quanto maior o comprimento L, maior o tempo para que a esfera
percorra este caminho. Mas deve ser lembrado que a velocidade V de queda constante,
e a equao pode ser reescrita como:
( )
( )
( )
( )
2 2
2 2
2 2 2
2
1 1
18 1 2.1044 18 1 2.1044
S f S f
t L
t t
g D g t D
L D D L D D

o o o
A
| | | |
A
| | = +
| |
+ +
\ . \ .

Agora a varincia uma funo inversa do comprimento, j que os demais
valores so constantes. Assim, possvel determinar antes da realizao do
experimento, que o mesmo deve ser feito com o maior comprimento L possvel para
minimizar a varincia e, conseqentemente, o erro do valor da viscosidade!
Uma dificuldade que geralmente encontrada na propagao dos erros a
determinao dos valores das varincias
2
t
o
A
e
2
L
o . O comprimento L geralmente
determinado se usando uma rgua, por exemplo, o a sua incerteza definida como a
metade da menor diviso da escala DE. A dificuldade est em se converter este valor em
uma medida de varincia. Uma alternativa considerar que o desvio padro do
comprimento igual a DE/2. De forma anloga, podemos considerar o desvio padro do
12
tempo At igual a ID. Mas observe que no caso da medida de tempo, o erro deve ser
maior, j que difcil acionar e parar o cronmetro no exato instante em que a esfera
passa pelas posies inicial e final. por isso que, sempre que possvel, os
experimentos devem ser repetidos.
6. Ajuste de Modelos
O ajuste dos parmetros consiste em minimizar uma funo objetivo que leva
em conta todos os valores medidos e os respectivos valores calculados pelo modelo. A
funo objetivo mais utilizada a Funo de Mnimos Quadrados, definida como:
( ) ( )
2
1
,
N
e m e
i i i
i
Fobj y y x o
=
=

Observe que esta funo soma o quadrado de cada diferena entre o valor
experimental
e
i
y e o valor do modelo
m
i
y . J o valor do modelo depende do valor do
parmetro o (ou dos parmetros, se tiver mais de 1) e do valor de x, que a varivel
independente, isto , a varivel controlada (por exemplo, o tempo de amostragem, a
temperatura da reao). Por outro lado, y a varivel observada, isto , ela no
controlada, seu valor apenas registrado como funo da varivel independente. Por
exemplo, em um experimento de troca de calor, observamos como a temperatura
(varivel observada) varia ao longo do tempo (varivel controlada). Para a estimao do
parmetro (ou dos parmetros) o so necessrios N conjuntos x y de dados
experimentais, sendo N maior que nmero de parmetros.
Apesar da maioria absoluta dos modelos na rea da engenharia qumica
consistirem de sistemas de equaes algbricas e/ou diferenciais no lineares, em alguns
casos simples os processos podem ser descritos por equaes lineares, o que facilita
muito a sua anlise. A seguir, sero analisados dois casos de modelos lineares, onde
sero desenvolvidas as equaes para o clculo dos valores das estimativas dos
parmetros. Tambm apresentada uma forma de se calcular a incerteza do parmetro.
Em seguida apresentado um caso de estimao de parmetros em um modelo no
linear.
CASO 1: Modelo do tipo y x o =
Neste caso temos um nico parmetro o. Observe que esta reta uma reta que
obrigatoriamente passa pela origem (y = 0 e x = 0). Substituindo a equao do modelo
na funo objetivo temos:
( )
2
1
N
e e
i i
i
Fobj y x o
=
=

O que queremos e encontrar qual o valor de o que faa com que a funo
objetivo seja mnima. Assim, derivamos a funo com relao ao parmetro o e
igualamos o resultado a zero, ou seja:
( )
1
2 0
N
e e e
i i i
i
Fobj
x y x o
o
=
c
= =
c


A equao acima pode ser resolvida de forma nos fornecer o valor de o que
minimiza a funo objetivo:
13
( ) ( )
( )
( ) ( )
( )
2 2
1 1 1 1
0
N N N N
e e e e e e e e e
i i i i i i i i i
i i i i
x y x x y x x y x o o o
= = = =
= = =


( )
( )
( )
2
1 1
N N
e e e
i i i
i i
x x y o
= =
=


( )
( )
( )
2
1 1
N N
e e e
i i i
i i
x x y o
= =
=


( )
( )
( )
1
2
1
N
e e
i i
i
N
e
i
i
x y
x
o
=
=

A ltima equao acima mostra como calcular o valor do parmetro a partir do
conjunto de dados experimentais. Observe que tal expresso s vlida para o modelo
y x o = . O valor da varincia do parmetro pode ser calculado como (o
desenvolvimento desta equao no apresentado por simplicidade):
( )
2 2
2
1
1
N
e
i
i
s
x
o
o
=
=

onde s
2
uma medida do erro experimental, que neste caso pode ser definida como:
2
1
Fobj
s
N
=

J o desvio padro do parmetro igual a
2
o o
o o = . Assim possvel definir
um intervalo de confiana do parmetro como:
( ) 1 2
N NP
t
o
o
o o
+

onde NP o nmero de parmetros, neste caso igual a 1.
CASO 2: Modelo do tipo y x o | = +
Neste caso so dois parmetro o e | que devem ser estimados. Substituindo a
equao do modelo na funo objetivo temos:
( )
2
1
N
e e
i i
i
Fobj y x o |
=
=

O que queremos e encontrar qual os valores de o e | de tal forma que a
funo objetivo seja mnima. Assim, derivamos a funo com relao aos parmetros o
e | e igualamos o resultado a zero, ou seja:
( )
1
2 0
N
e e e
i i i
i
Fobj
x y x o |
o
=
c
= =
c


( )
1
2 0
N
e e
i i
i
Fobj
y x o |
|
=
c
= =
c


14
O sistema de duas equaes acima pode ser resolvido de forma nos fornecer o
valor de o e de | que minimiza a funo objetivo (o desenvolvimento desta soluo no
):
( )
( )
1
1
0
0
N
e e e
i i i
i
N
e e
i i
i
x y x
y x
o |
o |
=
=

( )
( )
( )
2
1
1
0
0
N
e e e e
i i i i
i
N
e e
i i
i
x y x x
y x
o |
o |
=
=

( ) ( ) ( )
( ) ( )
2
1 1 1
1 1 1
1
N N N
e e e e
i i i i
i i i
N N N
e e
i i
i i i
x x x y
x y
o |
o |
= = =
= = =

+ =

+ =

Da segunda equao temos:
( ) ( )
1 1
N N
e e
i i
i i
y x
N
o
|
= =

=


Substituindo na primeira equao:
( )
( ) ( )
( ) ( )
2
1 1
1 1 1
N N
e e
i i N N N
e e e e i i
i i i i
i i i
y x
x x x y
N
o
o
= =
= = =

+ =



( ) ( ) ( ) ( ) ( )
2
2
1 1 1 1 1
N N N N N
e e e e e e
i i i i i i
i i i i i
N x y x x N x y o o
= = = = =
| |
+ =
|
\ .


Isolando o, obtemos:
( ) ( ) ( ) ( ) ( )
2
2
1 1 1 1 1
N N N N N
e e e e e e
i i i i i i
i i i i i
N x x N x y y x o
= = = = =
(
| |
= (
|
\ . (



( ) ( ) ( )
( ) ( )
1 1 1
2
2
1 1
N N N
e e e e
i i i i
i i i
N N
e e
i i
i i
N x y y x
N x x
o
= = =
= =

=
(
| |
(
|
\ . (




O valor de | ento calculado usando o valor obtido de o:
( ) ( )
1 1
N N
e e
i i
i i
y x
N
o
|
= =

=


15
As duas ltimas equaes acima mostram como calcular os valores dos
parmetros o e | partir do conjunto de dados experimentais. Observe que tal expresso
s vlida para o modelo y x o | = + .
O valor da varincia de cada parmetro pode ser calculado como (o
desenvolvimento desta equao no apresentado por simplicidade):
( ) ( )
2 2
2
2
1 1
N N
e e
i i
i i
N
s
N x x
o
o
= =
=
(
| |
(
|
\ . (



( )
( ) ( )
2
2 2 1
2
2
1 1
N
e
i
i
N N
e e
i i
i i
x
s
N x x
|
o
=
= =
=
(
| |
(
|
\ . (

onde s
2
uma medida do erro experimental, que neste caso pode ser definida como:
2
2
Fobj
s
N
=

O desvio padro de cada parmetro igual a
2
o o
o o = e
2
| |
o o = . Assim
possvel definir um intervalo de confiana do parmetro como:
( ) 1 2
N NP
t
o
o
o o
+

( ) 1 2
N NP
t
o
|
| o
+

onde NP o nmero de parmetros, neste caso igual a 2.
CASO 3: Modelo do tipo ( ) exp y x o =
Neste caso so somente um parmetro o deve ser estimado. Substituindo a
equao do modelo na funo objetivo temos:
( ) ( )
2
1
exp
N
e e
i i
i
Fobj y x o
=
=

Como nos casos anteriores, derivamos a funo com relao ao parmetro o e
igualamos o resultado a zero, ou seja:
( ) ( ) ( )
1
2 exp exp 0
N
e e e e
i i i i
i
Fobj
x x y x o o
o
=
c
= =
c


A soluo do problema consiste em encontrar o valor de o que seja a soluo da
equao acima. Entretanto, diferentemente dos dois casos acima, aqui no existe uma
soluo analtica para o problema. necessrio um mtodo numrico para a soluo
deste problema de estimao de parmetros. At mesmo o clculo do erro do parmetro
o fica aproximado, podendo ser calculado como:
16
( ) ( )
2 2
2
2
2
1
1
exp
N
m N
e e
i
i i
i
i
s s
y
x x
o
o
o
o
=
=
= =
| | c

|
c
\ .

Observe que nos modelos lineares, o erro do parmetro independe do valor do
parmetro e que aqui, em um modelo no-linear, o erro do parmetro depende de seu
valor.
Uma alternativa consiste em linearizar a equao do modelo da seguinte forma:
( ) exp y x o = ( ) ln y x o =
e minimizar a seguinte funo objetivo:
( ) ( ) ( ) ( ) ( )
2 2
1 1
ln ln ln
N N
e m e e
i i i i
i i
Fobj y y y x o
= =
= = +


A soluo deste problema pode ser encontrada de forma similar ao procedimento
usado no primeiro caso, chegando a:
( ) ( )
( )
( )
1
2
1
ln
N
e e
i i
i
N
e
i
i
x y
x
o
=
=

=

Entretanto, minimizar a funo objetivo com o modelo no-linear e a funo
objetivo com o modelo linearizado no leva ao mesmo resultado. Isto , minimizar as
diferenas entre os valores medidos e calculados de y no a mesma coisa que
minimizar as diferenas entre os valores medidos e calculados de ln(y). Isto ficar claro
com a soluo do Exerccio 2.

7. Exerccios
1) Considere o modelo usado para o clculo da viscosidade em um viscosmetro
de Stokes:
( )
( )
2
1
18 1 2.1044
S f
t
g t D
L D D

A
=
+

Considere que as seguintes variveis foram medidas com os seguintes
equipamentos:
At cronmetro digital (incremento digital 0.01 s)
D paqumetro (menor diviso de escala 0.1 mm)
L rgua (menor diviso de escala 1 mm)
D
t
rgua (menor diviso de escala 1 mm)
Deduza a equao de propagao de erros considerando as incertezas nas
medies das 4 variveis descritas acima. Discuta sobre como voc faria para
determinar as varincias de medio destas 4 variveis.
17

2) Considere o seguinte conjunto de dados:

x 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
y 1.000 0.403 0.186 0.103 0.062 0.039 0.024 0.015 0.010 0.006 0.004

O modelo matemtico que deve ser ajustado a estes dados :
( ) exp y x o =
a) Linearize a equao do modelo e faa a estimao linear atravs da minimizao das
diferenas entre os valores observados e calculados de ln(y).
b) Faa o ajuste no-linear atravs da minimizao das diferenas entre os valores
observados e calculados de y.
c) Compare os resultados.

OBS: para os ajustes pode ser usado algum software (Excel, Origin ou outro).

7. Bibliografia Recomendada

Himmelblau, D.M. (1970), Process Analysis by Statistical Methods. New York, John
Wiley & Sons.

Schwaab, M., Pinto, J.C. (2007) Anlise de dados Experimentais. 1. Fundamentos de
Estatstica e Estimao de Parmetros. Editora E-Papers, Rio de Janeiro.