Escolar Documentos
Profissional Documentos
Cultura Documentos
Medidas e Erros PDF
Medidas e Erros PDF
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)
IFGW, Unicamp
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
6
6
8
13
3.3
14
14
15
15
3.4
13
14
15
16
DEFINIES BSICAS
4.1.1
4.1.2
4.2
4.3.2
4.3.3
4.3.4
ESTIMANDO A MDIA 25
ESTIMANDO A VARINCIA 25
PRECISO DOS ESTIMADORES 26
ESTIMADORES
4.4
4.5
17
4.2.1
4.2.2
4.3
4.6
17
20
23
27
29
HISTOGRAMAS 30
OS RESULTADOS 32
REFERNCIAS
33
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
expresses
matemticas;
3- Determinar a mdia e o desvio padro de uma srie de medidas.
Para atingir estes objetivos determinaremos a densidade de vrios materiais
medindo a massa e as suas dimenses.
Paqumetro
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 da densidade de uma esfera metlica - aparentemente de ao.
Medidas de d (Dimetro) com micrmetro Starret (preciso
0.01
mm), 12
medidas:
Tabela 1.1. Medidas do dimetro da esfera metlica.
medida
10
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. 159-
168.
3
Tabela
Frequncia
de
medidas
12
1.2.
ocorrncia
das
em
medies
d (mm)
frequncia
15.54
mdia = 15.5375 mm
15.52
15.55
15.53
15.51
15.57
15.56
Resultado: d = (15.538
0.005)
(ou d = 15.538 mm
mm
0.03%)
0.1)g
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
= 6m/d
Clculo
g/cm
do
= 7.739297489 g/cm
desvio
na
0.1
g.
densidade:
2
)
+ (3
m
2
)
D
0.05097
Resultado:
Densidade:
(7.74
0.05)
g/cm
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
de mais fcil leitura (por esta razo que a tela de cinema e a da televiso tem relao de
aspecto menor do que 1).
Desenhe os eixos claramente: a varivel dependente deve estar sempre no eixo vertical (y) e a
varivel independente no eixo horizontal (x).
Marque nos eixos as escalas, escolhendo divises que resultem em fcil leitura de valores
intermedirios (por exemplo, divida de 2 em 2, e no de 7,7 em 7,7).
Escreva, na parte superior da rea do grfico, o Ttulo do grfico. Todo grfico deve ter um
ttulo.
Marque cada um dos pontos do grfico cuidadosamente e claramente, escolhendo para isto
Marque claramente as barras de erro em cada ponto. Se o erro for muito pequeno para
aparecer na escala escolhida anote ao lado: "as barras de erro so muito pequenas para
aparecer na figura".
Se desejar, desenhe uma linha suave atravs dos pontos. Se os erros forem
aleatrios,
No esquea de numerar e escrever uma legenda breve explicando de que se trata a figura e
fornecendo a informao necessria para que o leitor entenda a figura. Todas as figuras so
numeradas em sequncia. Esquemas, desenhos e grficos so figuras.
2.2 Exemplos
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
posio, x (cm)
80
experimento
60
40
20
0
0
10
tempo, t (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
Grfico 1 (RUIM)
Grfico 2 (RUIM)
80
60
60
y (cm)
posio,
x (cm)
80
40
20
40
20
0
0
10
tempo, t (s)
10
t (s)
100
140
Grfico 3 (RUIM)
120
Grfico 4 (RUIM)
80
100
y (cm)
y (cm)
60
80
60
40
40
20
20
0
-1
5.0x1 0
7.8
-1
6.8
4.0x1 0
5.9
-1
4.8
3.0x1 0
3.9
-1
2.0x1 0
1.9
-1
0.8
1.0x1 0
0.1
0.0
t x1/7 0 (s)
t (s)
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.
[2.1]
f ( a, b ) = yi axi b
i =1
[2.1]
4
2.
3.
ento as frmulas da Tabela 2.1 se aplicam. A demonstrao das equaes desta tabela pode
ser vista na ref. 2.
Parmetro
Estimador quando = 0
Estimador quando 0
a = xi yi / xi2
b=0
a = ( xi x ) yi / ( xi x )2
b = y ax
S 2 = ( yi axi )2 / ( N 1)
S 2 = ( yi axi b) 2 / ( N 2)
a = S / xi2
a = S / ( xi x ) 2
b = 0
b = S N1 + x 2
( xi x )
yo = Sxo / xi2
yo = S N1 + o
( xi x ) 2
: 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
( 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.
Este mtodo pode ser extendido ao ajuste de polinmios de qualquer ordem (veja a ref.
2).
9
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 2j ) (de modo que, por exemplo, x = wi xi e y = wi yi ) e
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
quadrante 1
70
quadrante 2
60
amax
a
amin
50
y
40
quadrante 3
quadrante 4
30
20
10
bmax
bmin
0
0
10
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:
a = 21 ( amax + amin ) , b = 21 (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
Baixa preciso
Baixa exatido
Alta preciso
Baixa exatido
Alta preciso
Alta exatido
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
Nome
Smbolo e frmula
xi
mdia
x=
desvio padro
x = S =
erro padro
x = Sm =
1
N
1
N 1
( xi x )2
S
N
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]
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
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
df
x .
dx
[4.3]
df
a derivada da funo f (x) calculada em x = x .
dx
18
f
x
=
.
f
x
f ( x ) = a x
f = f (x, y)
e
f =
FG f IJ ( x ) + FG f IJ ( y )
H x K
H y K
2
[4.4]
f
f
e
so as derivadas parciais de f(x,y) em relao a x e y, respectivamente,
x y
calculadas em ( x , y ) .
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 =
2 2
3 2
e2h / t j + e4ht / t j
= 0.8 m/s2.
( f )2 = ( x )2 + ( y )2 .
FG f IJ = FG x IJ + FG y IJ
H f K H xK H yK
2
f ( x, y ) = x y
19
Funo
Mdia
Erro padro
df
x
dx
f = f (x)
f = f (x)
f = f ( x , y)
f = f (x , y)
f =
f = ax + by
f = ax + by
f = ( ax )2 + ( by )2
f = ax y
f = ax y
f = f (x / x )2 + (y / y )2
f =
FG f IJ ( x ) + FG f IJ ( y )
H x K
H y K
2
P{x < X x + x}
,
x
x0
p ( x ) = lim
[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]
= 1.
[4.7]
=< x >=
+
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 ) >=
f ( x ) p( x )dx .
[4.9]
2 =< ( x )2 >=
+
(x
)2 p( x )dx .
[4.10]
10
Este parmetro
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
p( x ) =
1
2
LM
N
OP
Q
exp ( x 2) .
2
[4.11]
P{ x + } =
1
2
LM
N
OP
Q
exp ( x 2) dx 0.683 .
2
[4.12]
11
< x 2 >= 2 + 2 .
[4.13]
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 ) =
p( x , y )dy
pY ( y ) =
p( x , y )dx .
e 2x + y = 2x + 2y + 2( xy x y ) ,
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]
(i j ).
[4.17]
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 > = .
12
< xi > = .
13
[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.
12
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 .
13
Em todas as somatrias sem ndices supomos que se somam todos os termos com i =
1,...,N.
24
14
< x 2 >= 2 +
2
N
[4.19]
e, portanto,
x =
.
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
15
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 /
N , ou seja
N vezes menor.
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
25
( N 1)2
.
N
1
N 1
[4.21]
( xi x )2 = NN1 s2
< S2 > = 2.
[4.22]
2 2 .
N 1
[4.23]
17
ainda
< xi 2 >= 2 + 2
que
usando
eq.
[4.19],
obtemos
< s >= + ( + / N ) = ( N 1) / N .
2
18
A expresso para <S> no caso de uma distribuio normal pode ser vista na ref. 1.
26
x = Sm = S
N.
[4.24]
2S 2
S = S N21
1
4
[4.25]
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 1
1
N
f ( xi ) , e f =
Sf
N
[ f ( xi ) f ]2 .
outro modo.
A validade das frmulas de propagao de erros pode ser entendida se considerarmos a
expanso de Taylor
f ( x ) = f ( ) + f ( )( x ) + 21! f ( )( x )2 +...,
onde as primas indicam derivadas. Podemos ento expressar o valor esperado e a varincia
como
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
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
xi
xi
xi
xi
xi
1
2
3
4
5
6
7
8
9
10
46.2
46.3
46.6
46.3
46.0
46.9
46.2
46.4
46.1
46.5
11
12
13
14
15
16
17
18
19
20
46.7
46.1
46.5
46.7
46.4
46.3
46.3
46.8
46.7
45.9
21
22
23
24
25
26
27
28
29
30
46.2
46.3
46.5
46.6
46.6
46.6
46.3
46.4
46.5
46.4
31
32
33
34
35
36
37
38
39
40
46.1
46.2
46.0
46.6
46.2
46.7
46.4
46.2
46.1
46.4
41
42
43
44
45
46
47
48
49
50
46.3
46.3
46.5
46.0
46.4
46.0
46.3
46.5
46.3
46.4
30
0.4
Frequncia normalizada
N=5
N = 10
0.2
0.2
0.0
0.20
0.0
0.20
0.15
0.15
0.10
0.10
0.05
0.05
10
N = 20
N = 50
Frequncia
0.4
0.00
45.8
46.0
46.2
46.4
46.6
46.8
47.0
Alcance,
0.00
45.8
46.0
46.2
46.4
46.6
46.8
47.0
x (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.
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].
5
10
20
50
46.28
46.35
46.40
46.36
S
0.22
0.26
0.28
0.23
Sm
0.10
0.08
0.06
0.03
0.18
0.18
0.16
0.10
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
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.
20