Escolar Documentos
Profissional Documentos
Cultura Documentos
Estatı́stica
Página da disciplina:
https://edisciplinas.usp.br/course/view.php?id=73158
2020
Sumário
1 Incertezas
Representação de uma medida
Estatı́stica
Exemplo
2 Propagação de incertezas
3 Tratamento estatı́stico
Função densidade de probabilidade
Densidade de probabilidade gaussiana
4 Mais um pouco de estatı́stica
O χ2
Exemplos
5 Propagação de incertezas
6 Ajustes de funções e o método dos mı́nimos quadrados
7 Ajustes de funções e o método dos mı́nimos quadrados
8 Testes de compatibilidade
9 Covariância - episódio 1 - Alguns conceitos básicos
10 Covariância - episódio 2 - Mapa de χ2
Equipe Fı́sica Experimental III e IV 2020 2 / 214
Sumário
1 Incertezas
Representação de uma medida
Estatı́stica
Exemplo
2 Propagação de incertezas
3 Tratamento estatı́stico
Função densidade de probabilidade
Densidade de probabilidade gaussiana
4 Mais um pouco de estatı́stica
O χ2
Exemplos
5 Propagação de incertezas
6 Ajustes de funções e o método dos mı́nimos quadrados
7 Ajustes de funções e o método dos mı́nimos quadrados
8 Testes de compatibilidade
9 Covariância - episódio 1 - Alguns conceitos básicos
10 Covariância - episódio 2 - Mapa de χ2
Equipe Fı́sica Experimental III e IV 2020 3 / 214
Incertezas
A verificação e falsificação -
Einstein: “No amount of
experimentation can ever prove
me right; a single experiment
can prove me wrong.”
http://en.wikipedia.org/wiki/Scientific method
http://www.unicamp.br/∼chibeni/textosdidaticos/metodocientifico.pdf
Precisão: Relacionada à
flutuação entre uma medida e
outra
Acurácia: Quão próximo você
está do valor verdadeiro
v0 = 1, 1 m/s
F Valor muito elevado se comparado ao método utilizado para lançar as
bolas
v0 = 1, 1 m/s
F Valor muito elevado se comparado ao método utilizado para lançar as
bolas
I A revisão das hipóteses teóricas não parece resolver a discrepância
x −µ
y=
σ
Definindo Z ∞
1
In = y n exp − y 2 dy
−∞ 2
Definindo Z ∞
1
In = y n exp − y 2 dy
−∞ 2
In = 0 se n for ı́mpar
In
= (n − 1) para n par e n > 1
In−2
Substituindo
In n
h(x − µ)n i = σ
I0
Substituindo
In n
h(x − µ)n i = σ
I0
Exemplo:
I2
(x − µ)2 = σ 2 = (2 − 1)σ 2 = σ 2
I0
Substituindo
In n
h(x − µ)n i = σ
I0
Exemplo:
I2
(x − µ)2 = σ 2 = (2 − 1)σ 2 = σ 2
I0
I4 I4 I2 4
(x − µ)4 = σ 4 = σ = (4 − 1)(2 − 1)σ 4 = 3σ 4
I0 I2 I0
σz2 = (z − µz )2
σz2 = (z − µz )2
σz2 = (z − µz )2
σz2 = (z − µz )2
σz2 = (z − µz )2
*" #2 +
X ∂f
σy2 = (xi − µi )
∂xi
i
*" #2 +
X ∂f
σy2 = (xi − µi )
∂xi
i
*" #2 +
X ∂f
σy2 = (xi − µi )
∂xi
i
X 2
∂f X X ∂f ∂f
σy2 = σi2 + covij
∂xi ∂xi ∂xj
i i j
X ∂f 2 X X ∂f ∂f
σy2 = σi2 + covij
∂xi ∂xi ∂xj
i i j
X ∂f 2 X X ∂f ∂f
σy2 = σi2 + covij
∂xi ∂xi ∂xj
i i j
X ∂f 2 X X ∂f ∂f
σy2 = σi2 + covij
∂xi ∂xi ∂xj
i i j
∂x1
∂x2 ∂f
Γ=
. . . com ∂xi = ∂xi
∂xn
X ∂f 2 X X ∂f ∂f
σy2 = σi2 + covij
∂xi ∂xi ∂xj
i i j
σ12
∂x1
cov12 · · · cov1n
∂x2 ∂f cov21 σ22 ··· cov2n
Γ=
. . . com ∂xi = ∂xi Σ=
.. .. .. ..
. . . .
∂xn covn1 covn2 · · · σn2
X ∂f 2 X X ∂f ∂f
σy2 = σi2 + covij
∂xi ∂xi ∂xj
i i j
σ12
∂x1
cov12 · · · cov1n
∂x2 ∂f cov21 σ22 ··· cov2n
Γ=
. . . com ∂xi = ∂xi Σ=
.. .. .. ..
. . . .
∂xn covn1 covn2 · · · σn2
Substituindo os valores
a = 9, 7 ± 1, 5 m/s2
y = [0] + [1] ∗ x = a + bx
1 2 a2 2 a
σi2max = 2
σa + 4 σb − 2 3 covab
b b b
E é só substituir os valores
Depende da situação
Vamos estudar a covariância em detalhes mais tarde
I Por enquanto vamos nos acostumar com a existência dela e utilizar
quando necessário.
I Sempre que formos utilizar parâmetros de um ajuste para fazer contas,
fiquem atentos à covariância.
1 1 x−µ 2
H(x) = √ e− 2 ( σ )
2πσ
Seja uma grandeza qualquer (x) que possua FDP gaussiana de valor
verdadeiro µ e variância σµ conhecidos.
Seja uma grandeza qualquer (x) que possua FDP gaussiana de valor
verdadeiro µ e variância σµ conhecidos.
Realiza-se um experimento no qual são tomadas ν medidas independentes
desta grandeza e o resultado do experimento é o valor médio dessas medidas
ν
1X
x̄ = xi
ν
i=1
Seja uma grandeza qualquer (x) que possua FDP gaussiana de valor
verdadeiro µ e variância σµ conhecidos.
Realiza-se um experimento no qual são tomadas ν medidas independentes
desta grandeza e o resultado do experimento é o valor médio dessas medidas
ν
1X
x̄ = xi
ν
i=1
Seja uma grandeza qualquer (x) que possua FDP gaussiana de valor
verdadeiro µ e variância σµ conhecidos.
Realiza-se um experimento no qual são tomadas ν medidas independentes
desta grandeza e o resultado do experimento é o valor médio dessas medidas
ν
1X
x̄ = xi
ν
i=1
ν ν
1X 1X 2
σ2 = (xi − µ)2 = yi
ν ν
i=1 i=1
ν ν
xi − µ 2 X 2
X
2
χ = = yi
σµ
i=1 i=1
A FDP do χ2
não é gaussiana
O valor médio da distribuição de χ2 é ν.
Normal ou gaussiana
1 1 y −µ 2
p(y ) = √ e− 2 ( σ )
2πσ
χ2 = 11, 45
ngl = 18
95% CL = 8, 2 < χ2 < 32
χ2 = 0, 45
ngl = 18
95% CL = 8, 2 < χ2 < 32
χ2 = 286
ngl = 18
95% CL = 8, 2 < χ2 < 32
χ2 = 105
ngl = 18
95% CL = 8, 2 < χ2 < 32
Fórmula “geral”
X ∂f 2 X X ∂f ∂f
σy2 = σi2 + covij
∂xi ∂xi ∂xj
i i j
Fórmula “geral”
X ∂f 2 X X ∂f ∂f
σy2 = σi2 + covij
∂xi ∂xi ∂xj
i i j
Fórmula “geral”
X ∂f 2 X X ∂f ∂f
σy2 = σi2 + covij
∂xi ∂xi ∂xj
i i j
n Acirc πR 2 π
= = 2 =
N Aquad L 4
{xi , yi , σi }
E uma função
y = f (x, ~a)
H(yi , µi )
Esta função não pode ser obtida pois não conhecemos o vetor ~a
O método da máxima verossimilhança consiste em encontrar o vetor ~a
de tal forma que L seja máxima
L → ln L
σi 2π
i
σi 2π
2
yi −f (xi ,~
a)
Y 1 − 21
L= √ e σi
i
σi 2π
Então; 2
X 1
1X
yi − f (xi , ~a)
ln L = √ −
σi 2π 2 σi
i i
∂χ2
=0
∂aj
Resolvendo o problema:
X yi − axi 2
2
χ =
σi
i
P xi yi
dχ2 i σ2
i
=0 ⇒ a= P
da xi2
i σ2
i
Resolvendo o
problema
Resolvendo o problema:
Mínimo bem
X yi − axi 2 evidente no Chi2
2
χ =
σi
i
P xi yi
dχ2 i σ2
i
=0 ⇒ a= P
da xi2
i σ2
i
Onde gk (x) pode ser uma função qualquer, desde que não contenha
nenhum parâmetro a ser ajustado
Neste caso o MMQ tem resolução analı́tica fechada
I Ver, por exemplo, Fundamentos da Teoria de Erros, J. H. Vuolo para
fórmula geral
A escolha do intervalo de
medida define quão bem você Parâmetros ajustados
define a região de mı́nimo do χ2 I ω = (2.5 ± 1.7) × 103 rad/s
I No nosso caso, medir somente I ω = (3.72 ± 0.40) × 103 rad/s
o começo da curva (dados I ω = (4.32 ± 0.24) × 103 rad/s
“pretos”) não consegue definir I ω = (4.09 ± 0.14) × 103 rad/s
o valor do parâmetro I ω = (3.87 ± 0.12) × 103 rad/s
I Reflexo na incerteza do I ω = (3.86 ± 0.12) × 103 rad/s
parâmetro ajustado
Intervalo de medida
I Define a forma da curva de χ2
I Define a sensibilidade que temos em definir o valor mı́nimo de χ2 e,
consequentemente o valor do parâmetro ajustado
F Isto afeta também a incerteza no parâmetro
Número de pontos
I Define a incerteza no parâmetro ajustado
A combinação dos dois define a qualidade da sua análise!
Vamos definir
ξ = − ln L
Note o sinal foi mudado, vai ficar óbvio porque
1
ξ = const. + χ2
2
E minimizar esta grandeza é o mesmo que minimizar o χ2 , que é feito
através da resolução de um sistema de equações tal que:
∂χ2
=0
∂aj
X ∂ξ 1 X ∂2ξ 1 X X ∂2ξ
ξ = ξ0 + (aj − āj ) + 2
(aj −āj )2 + (aj −āj )(ak −āk )+. . .
i
∂aj 2 j ∂aj 2 j ∂aj ∂ak
k6=j
| {z }
0 (ponto de mı́nimo)
L = e −ξ
Que resulta em
∂2ξ ∂2ξ
− 21 2
P
j ∂a2 (aj −āj ) − 21
P P
−ξ0 j k6=j ∂aj ∂ak (aj −āj )(ak −āk )
L=e ×e j ×e × ...
∂2ξ ∂2ξ
− 12 2
P
j ∂a2 (aj −āj ) − 12
P P
−ξ0 j k6=j ∂aj ∂ak (aj −āj )(ak −āk )
L∼e × |e {z
j
} × |e {z }
produto de gaussianas termos de covariância entre parâmetros
Por comparação
∂2ξ ∂2ξ
− 12 2
P
j ∂a2 (aj −āj ) − 12
P P
−ξ0 j k6=j ∂aj ∂ak (aj −āj )(ak −āk )
L∼e × |e {z
j
} × |e {z }
produto de gaussianas termos de covariância entre parâmetros
1 1 y −µ 2
H(y , µ) = √ e− 2 ( σ )
2πσ
O que faz com que:
!−1
∂2ξ
σa2j =
∂aj2
Expandir em Taylor
1 ∂ 2 χ2
χ2 = χ2min + 2 ∂a2 (a − ā)2 + . . .
1
= χ2min + σa2
(a − ā)2 + . . .
Ou seja
1
∆χ2 = χ2 − χ2min ∼ (a − ā)2
σa2
De modo que
1
∆χ2 = χ2 − χ2min ∼ (a − ā)2
σa2
Se
ȳ − µ
z=
σȳ
ȳ − µ
z=
σȳ
− n+1
n+1
t2 ( 2 )
Γ
p(t) = n
2
√ 1+
Γ 2 nπ n
Sendo n o número de graus de liberdade da distribuição e Γ a função
Gama
http://en.wikipedia.org/wiki/Student%27s t-distribution
Do gráfico de probabilidade
acumulada fica claro que, o
intervalo de compatibilidade de
t para o mesmo nı́vel de
confiança (por exemplo, 99%)
depende do número de graus de
liberdade da amostra
I Podemos ter |t| < 8, em
alguns casos, para ∼95% de
confiança!
Extrapolações de funções
I Ex: lançamento de uma bolinha em um plano inclinado. Qual altura
máxima ela atinge?
X 2
∂f X X ∂f ∂f
σy2 = σi2 + covij
∂xi ∂xi ∂xj
i i j
Equipe Fı́sica Experimental III e IV 2020 178 / 214
Fórmula geral de propagação de incertezas
X ∂f 2 X X ∂f ∂f
σy2 = σi2 + covij
∂xi ∂xi ∂xj
i i j
X ∂f 2 X X ∂f ∂f
σy2 = σi2 + covij
∂xi ∂xi ∂xj
i i j
X ∂f 2 X X ∂f ∂f
σy2 = σi2 + covij
∂xi ∂xi ∂xj
i i j
∂x1
∂x2 ∂f
Γ=
. . . com ∂xi = ∂xi
∂xn
X ∂f 2 X X ∂f ∂f
σy2 = σi2 + covij
∂xi ∂xi ∂xj
i i j
σ12
∂x1
cov12 · · · cov1n
∂x2 ∂f cov21 σ22 ··· cov2n
Γ=
. . . com ∂xi = ∂xi Σ=
.. .. .. ..
. . . .
∂xn covn1 covn2 · · · σn2
−1 6 ρxy 6 1
cov12
ρ12 = = −0.96
σ1 σ2
1 [1]2
f (x) = [0] + [1]x + [2]x 2 −→ Hmax = [0] −
4 [2]
1 [1]2
Hmax = [0] −
4 [2]
2
σH max
= ΓT ΣΓ
∂0
!
∂Hmax 0.158874 −0.0232467 0.000711744
Γ= ∂1 com ∂i = Σ= −0.0232467 0.00490963 −0.000173525
covxy
ρxy = − 1 6 ρxy 6 1
σx σy
Maximizar a probabilidade da
função descrever os dados =
minimizar o χ2
Maximizar a probabilidade da
função descrever os dados =
minimizar o χ2
cov01 cov12
ρ01 = = 0.02 ρ12 = = −0.96
σ0 σ1 σ1 σ2
Como extrair a covariância ou correlação entre dois parâmetros do
mapa de χ2 ?
" # " #
1 a − µa 2 1 b − µb 2
1
P(a, b) = P(a)P(b) = exp − exp −
2πσa σb 2 σa 2 σb
( " #)
a − µa 2 b − µb 2
1 1
P(a, b) = P(a)P(b) = exp − +
2πσa σb 2 σa σb
( " #)
a − µa 2 b − µb 2
1 1
P(a, b) = P(a)P(b) = exp − +
2πσa σb 2 σa σb
1 1 2
P(a, b) = exp − χ
2πσa σb 2
Limites no mapa de χ2
1σ → χ2 = χ2min + 1
2σ → χ2 = χ2min + 4
Podemos desenhar estas linhas
σa = 1
σb = 2
Contornos em 1 e 2 sigmas
1 1 2
P(a, b) = exp − χ
2πσa σb 2
a, b → A, B
Rotação de um ângulo θ
A cosθ senθ a
=
B −senθ cosθ b
Simplificando a notação
A c s a
=
B −s c b
A = ca + sb
B = −sa + cb
Calculando a covariância
Da definição
σA2 = (A − µA )2 = A2
σA2 = c 2 a2 + s 2 b 2 + 2csab
Similarmente para B
σB2 = s 2 σa2 + c 2 σb2
Comparando ao quadrado de
A = ca + sb e B = −sa + cb
2
σa σb
ρ2AB =1−
σA σB
( " 2 #)
1 1 a 2 b
P(a, b) = exp − + P(A, B) = ?
2πσa σb 2 σa σb
a = cA − sB e b = sA + cB
Substituı́mos em
( " 2 #)
1 1 a 2 b
P(a, b) = exp − +
2πσa σb 2 σa σb
P(a, b) da db = P(A, B) dA dB
( " 2 2 #)
1 1 1 A B 2ρAB
P(A, B) = exp − + −
1 − ρ2
p
2π 1 − ρ2 σA σB 2 σA σB σA σB
Note que, se a correlação for nula (ρ = 0), voltamos à expressão para duas
grandezas independentes
σA = 1 e σB = 2
σA = σB = 1