Escolar Documentos
Profissional Documentos
Cultura Documentos
Experimental
Incertezas experimentais podem ser reveladas, repetindo-se as medidas que são chamadas de
erros aleatórios. Aqueles que não podem ser revelado desta forma são chamados sistemáticos.
Para ilustrar esta distinção, vejamos alguns exemplos. Suponha que em primeiro lugar
medimos o tempo de uma revolução constante de um rotor. Uma fonte de erro será nosso
tempo de reação em Iniciar e parar o relógio. Se nosso tempo de reação sempre for
exatamente o mesmo, estes dois atrasos serão cancelados. Na prática, no entanto, nosso
tempo de reação deve variar. Podemos atrasar mais na partida e então subestimar o tempo de
uma revolução; ou podemos atrasar mais na parada e então superestimar o tempo. Uma vez
que qualquer possibilidade é igualmente provável, o sinal do efeito é aleatório. Se pudermos
repetir a medida várias vezes, vamos às vezes superestimar e às vezes subestimar. Assim,
nosso tempo de reação variável será mostrado como uma variação das respostas encontradas.
Analisando a propagação nos resultados estatisticamente, podemos obter uma estimativa
muito confiável deste tipo de erro.
Por outro lado, se o tempo de resposta na marcação final está sendo executado lentamente,
em seguida, todos os nossos tempos serão subestimados e nenhuma quantidade de repetição
(com o mesmo cronometro) irá revelar esta fonte de erro. Esse tipo de erro é chamado
sistemático, porque ele sempre coloca nosso resultado na mesma direção. (Se a resposta no
cronometro marca de forma lenta, sempre subestimamos; se o cronometro marca de forma
rápida, sempre superestimamos). Erros sistemáticos não podem ser descobertos pelo tipo de
análise estatística descrita aqui.
Como um segundo exemplo dos erros aleatório versus sistemáticos, suponha que temos que
medir algum comprimento bem definido com uma régua. Uma fonte de incerteza será a
necessidade para interpolar entre as marcas de escala. E esta incerteza é provavelmente
aleatória. (Quando a interpolação, nós provavelmente sejamos prováveis a superestimar a
subestimar). Mas há também a possibilidade de que nossa régua tenha distorção; e esta fonte
de incerteza provavelmente seria sistemática. (Se a régua dilatou-se, subestimamos sempre; se
ela encolheu, nós sempre superestimamos).
Figura 4.1. Erros aleatórios e sistemáticos na prática de tiro ao alvo, (a) porque todos os tiros
chegaram perto um do outro, nós podemos dizer os erros aleatórios são pequenos. Porque a
distribuição de tiros é no centro do alvo, os erros sistemáticos também são pequenos, (b) erros
aleatórios são ainda pequenos, mas os sistemáticos são muito maiores — os tiros são
"sistematicamente" fora do centro para direita, (c) aqui, os erros aleatórios são grandes, mas
os sistemáticos são pequenos — os tiros estão amplamente espalhados, mas não
sistematicamente fora do centro, (d) aqui, ambos aleatório e erros de sistemáticos são
grandes.
Para se ter uma idéia melhor na diferença entre erros aleatórios e sistemáticos, considere a
analogia mostrada na Figura 4. 1. Aqui o "experimento" é uma série de tiros disparados em um
alvo. "medidas precisas" são tiros que chegam próximo ao centro. Erros aleatórios são
causados por alguma coisa que faz com que os tiros cheguem em pontos diferentes
aleatoriamente. Por exemplo, o atirador pode ter uma mão instável, ou condições
atmosféricas flutuantes entre o atirador e o destino podem distorcer a visualização do destino
de forma aleatória. Erros sistemáticos surgirem se nada faz os tiros chegar fora do centro em
uma direção "sistemática", por exemplo, se a mira da arma está desalinhada. Observe na
Embora a Figura 4.1 seja uma excelente ilustração dos efeitos dos erros aleatórios e
sistemáticos, é, no entanto, enganosa num aspecto importante.
Figura 4.2. A mesma experiência como na Figura 4.1 redesenhado sem mostrar a posição do
destino. Esta situação corresponde de perto a experiências mais reais, em que não
conhecemos o verdadeiro valor da quantidade a ser medido. Aqui, pode ainda avaliar o
facilmente o erro aleatório, mas não se pode dizer nada sobre os sistemáticos.
Porque cada uma das quatro imagens mostra a posição do destino, que nós podemos saber
rapidamente se um tiro especial foi preciso ou não. Em particular, a diferença entre as duas
imagens superiores é imediatamente evidente. Os tiros na imagem à esquerda do conjunto em
torno do centro do destino, considerando que aqueles na imagem a direita do conjunto em
torno de um ponto bem fora do centro; claramente, portanto, o responsável pela imagem da
esquerda tinha pouco erro sistemático, mas o da imagem da direita tinha muito mais. Saber
que a posição do destino na Figura 4.1 corresponde, em um laboratório a medida, para
conhecer o verdadeiro valor da quantidade medida, na maioria das medidas reais, não se sabe
este valor verdadeiro. (Se soubéssemos o verdadeiro valor, não nos incomodaria medi-la.)
Para melhorar a analogia da Figura 4.1 com experiências mais reais, precisamos redesenhá-lo
sem os anéis que mostram a posição do destino, como na Figura 4. 2. Nessas fotos, identificar
os erros aleatórios é ainda fácil. (As imagens de dois primeiros ainda, obviamente, têm erros
aleatórios menores do que os dois piores). Para determinar que marcas tenham erros
sistemáticos maiores, no entanto, é impossível baseado apenas na Figura 4.2. Esta situação é
exatamente o que prevalece em experiências mais reais. Examinando a distribuição dos
valores medidos, podemos facilmente avaliar os erros aleatórios, mas não obter nenhuma
orientação sobre os erros sistemáticos.
Análise estatística de incertezas aleatórias Página 5
Suponha que temos de medir algumas quantidades x, e podemos ter identificado todas as
fontes de erro sistemático e reduzir a um nível insignificante. Como todas as demais fontes de
incerteza são aleatórias, deve ser capaz de detectá-los, repetindo a medição várias vezes. Nós
podemos, por exemplo, fazer a medição cinco vezes e encontrar os resultados
A primeira pergunta que abordamos é esta: tendo em conta os valores cinco medidos (4.1), o
que nós tomamos para nosso melhor xmelhor de estimativa da quantidade ? Razoavelmente,
nossa melhor estimativa parece ser a média ou significa dos cinco valores encontrados para x,
e no capítulo 5, vai provar que esta escolha é normalmente a melhor. Assim,
Mais geralmente, suponha que nós fazemos N medidas da quantidade x (tudo usando o
mesmo equipamento e procedimentos) e encontrar os N valores de
Uma vez mais o melhor valor estimado para x, é a média dos x1, ..., xN. Isto é,
xmelhor = (4.4)
sendo
= xi/N (4.5)
O conceito de média ou média é quase certamente familiar para a maioria dos leitores. Nosso
próximo conceito, desvio-padrão, é provavelmente menos conhecido. O desvio-padrão das
medidas x1..., xN é uma estimativa da incerteza média da medidas х1,..., xN e é determinada do
seguinte modo.
Dado que a média é nossa melhor estimativa da quantidade x, é natural que se considere a
diferença xi - = di. Esta diferença, muitas vezes chamada de desvio (ou residual) do xi de ,
nos diz quanto o x-enésimo da medida difere da média . Se os desvios di = xi — são todos
muito pequenos, nossas medidas estão todas próximas uns dos outros e presumivelmente
muito precisas. Se alguns dos desvios são grandes, nossas medidas, obviamente, não estão
precisas.
Certificar-se que você entendeu a idéia do desvio, vamos calcular os desvios para o conjunto
de cinco medidas na tabela (4.1). Observe que os desvios não são (é claro) do mesmo
tamanho; di é pequeno se o xi da enésima medida passa a ser perto de x, mas di é grande se xi
é longe de x. Percebe-se também que alguns dos di são positivos e alguns negativos porque
algumas do xi são mais elevados do que a média , e alguns são obrigados a ser menor.
Para estimar a confiabilidade média das medidas x1,...,x5 naturalmente tente a média os
desvios di. Infelizmente, o quadro 4.1 mostra, a média dos desvios é zero. Na verdade, esta
média será zero para qualquer conjunto de medidas xi..., xN porque a definição da média x
garante que di = xi — , as vezes, é positivo e as vezes negativo, desta forma d é zero.
Obviamente, então, a média dos desvios não é uma maneira útil de caracterizar a
confiabilidade das medidas x1, ...,xN.
A melhor maneira de evitar esse incomodo é conciliar todos os desvios, que criará um
conjunto de números positivos, e a média, destes números. Se, em seguida, tomamos a raiz
quadrada do resultado, obtemos uma quantidade com as mesmas unidades de x
propriamente. Esse número é chamado o desvio-padrão de x1,..., xN e é denotado por x:
(4.6)
Com esta definição, o desvio padrão pode ser descrito como raiz média quadrática ‘root mean
square’ (ou RMS) desvio das medidas de x1,...,xN. Ele revela-se uma maneira útil de caracterizar
a confiabilidade das medidas. [Como discutiremos em breve, a definição (4.6), às vezes, é
modificado, substituindo o denominador N por (N — 1).]
Somando os números di2 na quarta coluna da tabela 4.2 e dividindo por 5, obtemos a
quantidade x2 (muitas vezes chamado a variância das medidas),
(4.8)
(4.9)
a nova definição "melhor" é obviamente um pouco maior do que em (4.6) e que corrige uma
tendência em (4.6) esclarecendo tendências nas medidas x1,..., xN, especialmente se o número
de medidas N é pequeno. Esta tendência pode ser entendida por considerar o caso extremo (e
absurdo) que N = 1 (ou seja, podemos fazer apenas uma medida). Aqui, a média é igual a xi
uma leitura e um desvio automaticamente é zero. Portanto, a definição de (4.6) resulta no
absurdo resultado que x= 0. Por outro lado, a definição (4.9) resulta em 0/0. Ou seja, com
definição (4.9), x é indefinido, que corretamente reflete nossa total ignorância da incerteza
após apenas uma medição. A definição (4.6), às vezes, é chamado o desvio padrão da
população e (4.9) o desvio padrão da amostra.
com esta opção, você pode estar 68% confiante de que a medida está dentro de x da resposta
correta.
Para ilustrar a aplicação dessas idéias, suponha que temos uma caixa de molas semelhantes e
medimos a constante k. Medimos as constantes das molas pendurando uma massa e
observando a extensão resultante ou, talvez melhor, suspendendo uma massa de cada mola e
medindo o tempo de oscilação. Qualquer método que escolhermos, precisa-se saber k e a
incerteza de k para cada mola, mas seria irremediavelmente demorado repetir nossas
medidas muitas vezes para cada mola. Em vez disso podemos raciocinar da seguinte maneira:
se medirmos к pela na primeira várias vezes (digamos, 5 ou 10), então a média dessas medidas
deve dar uma boa estimativa de k da primeira mola. Mais importante agora, o desvio-padrão
que x dessas medidas de 5 ou 10 proporcionam uma estimativa da incerteza em nosso
método de medição k. Nossas molas são razoavelmente semelhantes e podemos usar o
mesmo método para medir cada uma, podemos razoavelmente esperar a mesma incerteza em
cada medida. Assim, para cada mola subseqüente, precisamos fazer apenas uma medida e
imediatamente podemos afirmar que a incerteza k é o desvio padrão k medido da primeira
mola, com uma confiança de 68% que nossa resposta está dentro do k do valor correto.
Para ilustrar essas idéias numericamente, podemos imaginar fazendo 10 medidas na primeira
mola e obter os seguintes valores medidos de k (em Newtons/metro):
(4.10)
(4.11)
(4.12)
Se x1,..., xN, são os resultados das N medidas da mesma quantidade x, então, como vimos,
nossa melhor estimativa da quantidade x é a média . Também vimos que o desvio-padrão x
(4.14)
(Outros nomes comuns são erro padrão e erro padrão da média). Assim, com base nos N
valores medidos x1,..., xN, podemos afirmar a nossa resposta final para o valor de x como
(4.15)
(4.16)
e nossa resposta final, com base nas 10 medidas, seria que a mola tem
Quando você dá uma resposta como esta, você deve dizer claramente o que os números são
— ou seja, a média e o desvio-padrão da média — para que seus leitores possam julgar seu
significado por si mesmo.
Infelizmente, o fator N1/2 cresce muito lentamente com o aumento de N. Por exemplo, se
quisermos melhorar nossa precisão por um fator de 10 simplesmente aumentando o número
de medidas N, teremos de aumentar N por um fator de 100 — um crescimento assustador,
para dizer o mínimo! Além disso, no momento estão negligenciados erros sistemáticos, e estas
não são reduzidas pelo aumento do número de medidas. Assim, na prática, se você quer
aumentar sua precisão sensivelmente, você provavelmente fará melhor para melhorar sua
técnica do que ao confiar apenas no aumento do número de medições.
Em algumas seções anteriores, tomamos como garantia que todos os erros sistemáticos foram
reduzidos a um nível insignificante antes do início de medidas. Aqui, tomamos novamente a
possibilidade desagradável de erros sistemáticos apreciáveis. No exemplo abordado aqui,
podemos ter m medida com um equilíbrio consistentemente alta ou baixa ou nosso
cronometro pode ser consistentemente rápido ou lento. Nenhum destes erros sistemáticos vai
aparecer na comparação das nossas respostas diferentes para a primavera constante k. Como
resultado, o desvio-padrão da média pode ser considerado como o kaleat a componente
aleatória de incerteza k, mas certamente não é a incerteza total k. O nosso problema é
decidir como estimar a ksis componente sistemática e, em seguida, como combinar kaleat e
ksis para dar a incerteza completa k.
Nenhuma simples teoria nos diz o que fazer sobre erros sistemáticos. Na verdade, a única
teoria de erros sistemáticos é que devem ser identificados e reduzidos até que sejam muito
menos do que a precisão necessária. No entanto, em um laboratório de ensino, muitas vezes
este objetivo não é atingido. Os alunos muitas vezes não comparam um medidor contra um
melhor para corrigi-lo. Por este motivo, alguns laboratórios de ensino estabelecem uma regra
que, na ausência de informações mais específicas, metros devem ser considerados como
tendo alguma incerteza sistemática definida. Por exemplo, a decisão pode ser que todos os
cronômetros têm até 0,5% de incerteza sistemática, todas as balanças até 1%, todos os
voltímetros e amperímetros acima de 3% e assim por diante em seguida, localize o
componente sistemático de k por propagação de erros; a única questão é se combinar os
erros em quadratura ou diretamente. Porque os erros em m e t são certamente independentes
e algum cancelamento é possível, portanto, utilizando a soma quadrática é razoável; esta
escolha resulta em
(4.18)
(4.19)
Agora que temos as estimativas para ambas as incertezas aleatórias e sistemáticas em k, têm
que decidir a nossa conclusão final para a constante k da mola com sua incerteza total. Porque
o método para a combinação de kaleat e ksis não é completamente claro, muitos cientistas
deixam os dois componentes separados e declaram uma resposta final sob a forma
(os quais devem provavelmente ser arredondados para uma casa decimal). Como alternativa,
um caso pode ser feito que kaleat e ksis devem ser combinados em quadratura, nesse caso
poderíamos indicar uma única e incerteza total
A expressão (4.21) para k realmente não pode ser justificada com rigor. Nem o significado da
resposta é claro, por exemplo, provavelmente não pode reivindicar 68% de confiança que a
verdadeira resposta se encontra no intervalo k±k. Entretanto, a expressão, pelo menos,
oferece uma estimativa razoável de nossa incerteza total, dado que nossos equipamentos têm
incertezas sistemáticas que não se pode eliminar. Em particular, há um aspecto importante na
qual a resposta (4.21) é realista e instrutivo. Vimos na seção 4.4 que o desvio-padrão da média
aproxima-se de zero com o aumento do número de medidas N. Este resultado sugere que,
se você tiver paciência para fazer um enorme número de medidas, você pode reduzir a
incerteza indefinidamente sem a necessidade de melhorar o seu equipamento ou técnica.
Agora podemos ver que esta sugestão está incorreta. Incrementar N pode reduzir a kaleat=
indefinidamente. Mas qualquer equipamento tem alguma incerteza sistemática, que não
seja reduzido como podemos aumentar N (4.21), vemos claramente que pouco é adquirido
com uma maior redução dos kaleat, uma vez que kaleat é menor que ksis . Em particular, k
total nunca pode ser menor que ksis. Este fato simplesmente confirma o que já foi
mencionado, que, na prática, uma grande redução da incerteza requer melhorias técnicas ou
equipamentos para reduzir os erros aleatórios e sistemáticos em cada medida.
com incertezas
encontra-se agora fora do intervalo medido, 9.97 ± 0,04. (Mais especificamente, a discrepância
é 0.17, que é quatro vezes a incerteza). Este resultado definitivamente não é satisfatório e é
necessária uma análise mais aprofundada.
A primeira coisa a verificar é a possibilidade que você cometeu um erro de cálculo gmelhor ou
uma das incertezas galeat e gsis. Se você pode convencer que todos os seus cálculos estavam
corretos, a próxima possibilidade é que o valor aceito está errado. No caso de g = 9,80 m/s 2
esta possibilidade é bastante improvável, mas é perfeitamente possível para a abundância de
outros casos. Por exemplo, suponha que você estava medindo a densidade do ar; porque isto é
fortemente dependente da temperatura e pressão, você poderia facilmente ter pesquisado o
valor aceito errado para este parâmetro.
Depois de eliminar estas suspeições, resta apenas uma possibilidade: você deve ter esquecido
algum erro sistemático para que seu valor de gsis é muito pequeno. Idealmente, você deve
tentar encontrar o culpado, mas essa pesquisa pode ser difícil por causa das inúmeras
possibilidades:
(1) talvez um de seus metros tinha erros sistemáticos maiores do que você tinha imaginado
para calcular gsis. Você pode investigar esta possibilidade, determinando quão grande um
erro sistemático no seu cronometro(ou voltímetro ou qualquer outro) seria necessária para
levar em conta a discrepância. Se o erro necessário não é excessivamente grande, você tem
uma possível explicação de sua dificuldade.
(2) outra possível causa do erro sistemático é que você usou um valor incorreto para algum
parâmetro necessário em seus cálculos. Um exemplo célebre disso foi medida famosa de
Millikan da carga do elétron. Millikan dependia da viscosidade do ar, para o qual ele usou um
valor 0,4% que foi muito pequeno. Esta discrepância causou a todos os seus valores da carga
do elétron 0,6% menor, um erro que não foi notado por quase 20 anos. Este tipo de erro, por
vezes, surge em um laboratório de ensino quando um aluno usa um valor que tem muito
poucos algarismos significativos. Por exemplo, suponha que você faz um experimento com
prótons e você espera ter uma precisão melhor do que 1%. Se você tomar a massa do próton
para 1.7 X 10-27 kg (em vez do mais exato 1,67 X 10-27 kg), você vai introduzir um erro
sistemático de 2%, que quase certamente irá frustrar sua esperança para resultados de 1%.
(3) muito mais difícil para analisar é a possibilidade de uma falha no projeto do experimento.
Por exemplo, se você tinha medido g, soltando um objeto de uma grande altura, a resistência
do ar poderia introduzir um erro sistemático apreciável. [Nota, como sempre, que esse erro
não representaria o grande valor de g em (4.22) porque a resistência do ar poderia causar uma
Análise estatística de incertezas aleatórias Página 14
Obviamente, rastrear a origem dos erros sistemáticos é difícil e desafiou os melhores esforços
de muitos grandes cientistas. Com toda a probabilidade, seus instrutores não vão punir você
demasiado severamente se você não conseguir fazê-lo. No entanto, eles esperam uma
discussão inteligente sobre o problema e, pelo menos, uma admissão honesta que parece ter
sido erros sistemáticos que você era incapaz de identificar.