Escolar Documentos
Profissional Documentos
Cultura Documentos
Capítulo IX
Figura 9.1 – Recta que melhor se ajusta aos pontos experimentais, no caso de (a) os pontos (xi,yi) não
terem erros experimentais; (b) terem erros experimentais.
Uma vez que neste capítulo damos como garantido que x e y estão linearmente
relacionadas, então o problema é precisamente encontrar a recta y = A + Bx que melhor se
ajusta aos resultados experimentais, ou seja, encontrar as melhores estimativas para as
constantes A e B com base nos dados (x1,y1), ..., (xN,yN). Esta questão pode ser abordada
graficamente e pode também ser tratada analiticamente, como faremos, aplicando o princípio
da máxima probabilidade. Neste caso, o método analítico para encontrar a recta que melhor
se ajusta a uma série de dados experimentais é designado por regressão linear ou ajuste dos
mínimos quadrados.
1
TP6 – Análise da radiação emitida por uma lâmpada de incandescência.
Uma vez que a medida de yi segue uma distribuição Normal centrada no seu verdadeiro valor
e com largura σy, a probabilidade de obter o valor yi, de facto observado, é:
( yi −Yi )2 ( yi − A− Bxi )2
1 − 1 −
Prob A,B ( yi ) ∝
2 σ2y 2 σ 2y
e = e . (9.1)
σy σy
χ2 =
N
( yi − A − Bxi )2 . (9.3)
i =1 σ 2y
∂χ 2 − 2 N
= ( yi − A − Bxi ) = 0 ,
∂A σ 2y i =1
(9.4)
2
Admita, para exemplificar, que os pares de grandezas (xi,yi) são os pares de valores (comprimento do pêndulo
(l), período de oscilação (T)) necessários para a determinação da aceleração da gravidade (TP1). Se considerar
apenas um par (li,Ti), lembre-se que mediu 5 vezes o mesmo comprimento do fio e 5x10 vezes o mesmo
período. Se os tivesse medido um número incontável de vezes obteria uma distribuição Gaussiana tanto para li
como para Ti. Ora esta observação é também verdadeira para os outros 4 pares de valores (li,Ti) que
determinou no mesmo trabalho.
3
Esta aproximação é razoável em muitas realizações experimentais.
∂χ 2 − 2 N
= xi ( yi − A − Bxi ) = 0 ,
∂B σ 2y i =1
(9.5)
AN + B xi = yi , (9.6)
A xi + B xi2 = xi yi . (9.7)
O sistema formado pelas equações 9.6 e 9.7, por vezes designadas por equações normais,
pode ser resolvido de modo a fornecer a estimativa dos mínimos quadrados para as constantes
A e B:
x y −x x y
2
i i i i i
A= i i i i
(9.8)
Δ
e
N xi yi − xi yi
B= i i i
, (9.9)
Δ
onde
2
Δ = N x − xi .
2
i (9.10)
i i
Apesar disso, é possível fazermos uma estimativa da incerteza σy a partir dos próprios
pares de valores (xi,yi) medidos. Na verdade, segundo o princípio da máxima probabilidade, a
melhor estimativa para o parâmetro σy é aquela que maximiza a probabilidade dada pela
equação 9.2 e, portanto, minimiza o expoente 9.3. Então, diferenciando 9.3 relativamente a σy
e igualando a derivada a zero, obtém-se
1
(y − A − Bxi ) .
2
σy = i (9.11)
N i
4
Usando novamente o exemplo da nota de rodapé nº 2, nesse trabalho prático (TP1) obtiveram-se N = 5 pares
diferentes das grandezas (comprimento do pêndulo (l), período de oscilação (T)).
1
σy =
N −2 i
( yi − A − Bxi )2 . (9.12)
Na verdade, este factor N–2 é uma reminiscência do factor N–1 que aparece no desvio
padrão de N medidas de uma mesma quantidade, por exemplo, x. Nesse caso, para
calcularmos σx tivemos primeiro que determinar o valor médio x . Uma vez que este cálculo
relaciona os N valores medidos que eram, à partida, independentes (diz-se que, à partida,
existiam N graus de liberdade), passam a haver apenas N–1 valores independentes. Podemos
assim dizer que, tendo calculado x , já só restam N–1 graus de liberdade.
No presente caso fizeram-se também N pares de medidas. Logo, à partida, existiam N
graus de liberdade. Contudo, para se calcular σy, foi necessário determinar previamente as
duas quantidades, A e B, a partir dos N pares de valores. Restam, então, N–2 graus de
liberdade.
x 2
i
σA = σy i
(9.13)
Δ
5
De facto, se considerarmos a eq. 9.3, vimos que esta função é mínima para os valores de A e B obtidos pelas
fórmulas 9.8 e 9.9.
e que
N
σB = σ y , (9.14)
Δ
No caso particular de uma recta que passa na origem, ou seja, de y = Bx , as equações 9.9,
9.12 e 9.14 simplificam-se, dando:
i xi yi
B= , (9.15)
xi2 i
1
σy =
N −1 i
( yi − Bxi )2 (9.16)
e
σy
σB = . (9.17)
xi2
i
1
wi = .
σi2
χ 2 = wi ( yi − A − Bxi )
2
(9.18)
w x w y −w x w x y
2
i i i i i i i i i
A= i i i i
(9.19)
Δ
e
w w x y −w x w y
i i i i i i i i
B= i i i i
, (9.20)
Δ
onde
2
Δ = wi w x − wi xi .
2
i i (9.21)
i i i
9.4.3. Incertezas em xi e yi
dy
Δy (equivalente ) ≈ Δx .
dx
dy
σ y (equivalente ) = σx .
dx
yi
(xi,yi)
em xi
Figura 9.2 – O ponto experimental (xi,yi) está desviado da recta devido ao erro Δx em xi.
2
6 dy 1 2 d y dy
y = yi + ( x − xi ) + ( x − xi ) 2
+ ... ; Δy ≈ Δx
dx 2! dy dx
Este resultado é verdadeiro qualquer que seja a curva y(x) mas é particularmente simples se se
tratar de uma linha recta uma vez que, neste caso, dy/dx corresponde ao declive da recta, ou
seja, à constante B. Assim, para uma recta:
σ y (equivalente ) = Bσ x . (9.24)
Podemos agora estender este argumento ao caso em que ambas as medidas xi e yi têm
incertezas. A incerteza em x é equivalente à incerteza em y dada por 9.24. Além disso, y
também está sujeito à sua própria incerteza, σy. Estas duas incertezas são independentes e os
seus quadrados devem ser adicionados da forma conhecida para erros independentes e
aleatórios. Assim, o problema original com incertezas em x e y pode ser substituído por um
problema equivalente no qual apenas y tem incerteza dada por:
(
σ y (equivalente ) = σ 2y + Bσ 2x . ) (9.25)
Se as incertezas σx forem iguais entre si e as incertezas σy forem também iguais entre si,
então as incertezas resultantes da eq. 9.25 são também iguais e podemos usar as fórmulas 9.8
a 9.14. Se, pelo contrário, as incertezas em x e/ou em y não são iguais, a eq. 9.25 continua
válida mas teremos que usar o método dos mínimos quadrados pesados (equações 9.19 a
9.23).
Como vimos, no caso do ajuste de uma recta aos pontos experimentais, o facto de
existirem incertezas em ambas as grandezas x e y altera pouco a situação mais simples, de
incertezas apenas nas medidas de y.
y = A + Bx + Cx 2 .8 (9.26)
Como anteriormente, suponhamos que temos uma série de medidas (xi,yi), i = 1, …, N, com
os xi sem incertezas e os yi igualmente incertos. Para cada xi, o correspondente verdadeiro
valor de yi é dado pela eq. 9.26, onde A, B e C são ainda desconhecidos. Considerando que os
yi seguem distribuições normais, centradas no verdadeiro valor correspondente e com a
7
Na prática, os pontos não ficam exactamente sobre a recta e os dois problemas equivalentes não dão
exactamente a mesma solução para A e B. Contudo, as rectas concordam dentro das incertezas dadas pelas
definições 9.13 e 9.14.
8
Um exemplo bem conhecido é o da equação do espaço percorrido por um corpo em queda livre: y = y + v t − 1 gt 2
0 0
2
Prob(y1 ,..., y N ) ∝ e − χ
2
2
, (9.27)
onde
χ =
2
N
(y − A − Bx − Cx )
i i
2 2
i
. (9.28)
i =1 σ 2y
AN + B xi + C xi2 = yi
i i i
A xi + B x + C x = xi yi 2
i
3
i (9.29)
i i i i
(xi , yi ) → (xi , zi ) ,
fazendo primeiro
ln y = ln A + Bx
e depois
z = ln A + Bx . (9.31)
O método dos mínimos quadrados dá-nos a melhor estimativa para as constantes ln A (de
onde extraímos A) e B. Repare-se que mesmo quando as incertezas em y são iguais, as
incertezas em z não o são, uma vez que:
dz σy
σz = σy = .
dy y
Em rigor, deveríamos usar, portanto, o método dos mínimos quadrados pesados. Na prática,
muitas vezes a dispersão das incertezas em z não é grande e torna-se razoável assumir
incertezas iguais em z, aplicando então o método normal.
9
Em princípio, um método semelhante pode ser aplicado a qualquer função f(x) que dependa de parâmetros
desconhecidos A, B, etc. Embora alguns casos possam ser complexos, são sempre resolúveis aqueles que
correspondam a funções que dependem linearmente dos parâmetros A, B, etc, como é o caso, por exemplo, de
y = Asinx + Bcosx.
Regressão Múltipla
z = A + Bx + Cy (9.32)
e admitamos, para simplificar, que numa série de medidas (xi, yi, zi), com i = 1, …, N, os xi e
yi são exactos e os zi têm associadas iguais incertezas. Aplicando o princípio da máxima
probabilidade, como anteriormente, concluímos que as constantes A, B e C podem ser
determinadas a partir do sistema de equações:
AN + B xi + C yi = zi
i i i
A xi + B xi2 + C xi yi = xi zi (9.33)
i i i i
A yi + B xi yi + C yi2 = yi zi .
i i i i