Professional Documents
Culture Documents
Capítulo 2
Medidas e incertezas II
Índice
2.1 Introdução
2.2 Erros sistemáticos e erros aleatórios
2.3 Acurácia e precisão
2.4 Média e desvio padrão
2.5 Distribuição gaussiana de probabilidades
2.6 Incerteza instrumental e incerteza da média
2.7 Confecção de gráficos e histogramas
2.8 Bibliografia
2.1 – Introdução
1
2.2 – Erros sistemáticos e erros aleatórios
Os termos acurácia e precisão servem para caracterizar uma medida no que diz respeito a
distinguir erros sistemáticos de erros aleatórios. Se uma medida apresenta pequenos erros
2
sistemáticos, ela é dita de grande acurácia ou
(A) (B)
exatidão, ou seja, o valor medido ou a média dos
valores medidos está próxima do valor adotado ou
ideal. A medida da acurácia de um experimento só
é possível através da comparação entre medidas
provenientes de experimentos realizados de forma
independente, assim como, preferencialmente,
utilizando outros observadores e métodos.
Por outro lado, se os erros aleatórios são
(C) (D)
pequenos, a medida é considerada de grande
precisão ou reproducibilidade, ou ainda,
pequena incerteza. É necessário considerarmos
simultaneamente acurácia e precisão quando da
análise de nossos resultados experimentais. Não
há valor científico em um resultado muito preciso,
se este não é acurado. Por outro lado, um
resultado não pode ser considerado acurado se a
precisão não for boa. Na figura 1 mostramos um exemplo considerando o experimento de
lançamento de dardos em um alvo. Consideramos o alvo (menor círculo central) como sendo o valor
adotado ou ideal de uma certa medida e cada um dos dardos como sendo o resultado de uma dada
medida. O grau de acurácia e precisão na maioria
Fig.1. Distribuição de dardos (pontos) em torno do alvo
dos casos só são estabelecidos após um número (menor círculo central representando o valor ideal adotado)
razoável de realizações do experimento. Vamos para um conjunto de lançamentos nas seguintes condições:
agora ver um exemplo de representação dos (A) baixa precisão e acurácia; (B) alta precisão e acurácia;
(C) alta precisão e baixa acurácia; (D) baixa precisão e boa
conceitos de precisão e acurácia para uma dada acurácia para o valor médio.
grandeza:
Uma medida da velocidade da luz no vácuo resultou no valor c = (3,0 ± 0,2) 105 km/s. A medida é
acurada, todavia a precisão do experimento é pequena causando variações muito grandes no valor
de c, que pode se encontrar entre 2,8 105 km/s e 3,2 105 km/s. Da mesma forma, se a velocidade
for medida como sendo c = (2,99776 ± 0,00004) 105 km/s, apesar da grande precisão alcançada, o
valor adotado para a velocidade da luz difere de 16 km/s em relação ao valor medido estando
inclusive fora do intervalo de precisão .
3
2.4.1 – Média ou valor esperado
1 N x x2 x3 ... xN
VE ( x) x
N i 1
xi 1
N
( 2.1)
Lembramos mais uma vez que consideraremos o valor ideal ou adotado para uma dada grandeza em
questão como sendo o resultado da eq. (2.1) quando N tende a infinito.
Podemos utilizar esta definição para obter alguma propriedades importantes do cálculo de
VE. Considerando x e y um conjunto de N medidas cada de uma mesma grandeza física
(2.2)
(2.3)
Podemos desenvolver esta expressão e obter um formato mais simples que será útil para os cálculos
com dados experimentais. Expandindo o termo quadrático na eq. (2.4) temos
(2.5)
4
na qual utilizamos a definição de média, eq. (2.1), no segundo termo e a relação , no
terceiro termo. Finalmente
(2.6)
Na eq. (2.6) somamos todos os quadrados dod valores medidos e realizamos uma única subtração do
quadrado pelo valor médio calculado via eq. (2.1). Isso é certamente mais simples que subtrair os
elementos termo a termo como na eq. (2.4).
Agora, através da definição da variância eq. (2.4), podemos obter as seguintes propriedades
importantes: considerando dois conjuntos de variáveis aleatórias, x e y, da mesma grandeza física e
sendo estes conjuntos independentes, ou seja, cujas medidas feitas no conjunto da variável x não
afetam em nada as medidas feita no conjunto da variável y:
(2.7)
(2.8)
Esses resultados são mais simples de verificar utilizando a eq. (2.6) e aplicando a condição de que as
variáveis são independentes e aleatórias. Senão vejamos
= ( )
(2.9)
(2.10)
O último termo da eq. (2.9) foi batizado em 2.10 com o nome de covariância. Pode-se verificar
experimentalmente que para o caso de variáveis independentes e aleatórias a covariância será nula.
Neste caso particular teremos
(2.11)
2 (2.12)
O desvio padrão quantifica desvios do resultado de uma medida com respeito ao valor médio de
todas as medidas realizadas. Definimos então que o valor de uma dada medida deve estar próxima do
valor ideal ou adotado dentro do intervalo .
No item anterior definimos que, para um experimento no qual as váriaveis medidas são
independentes e aleatórias, o resultado de uma única medida está próximo do valor ideal dentro do
intervalo . Porém, falta avaliar quão próximo do valor ideal está o resultado da média de um
conjunto N de medidas. Digamos agora que N medidas foram feitas para uma dada grandeza e dessas
medidas calculou-se a média. Quão próximo está a média do valor ideal, ou seja, qual é o desvio
padrão da média?
5
Bem, o erro introduzido em x provém dos desvios aleatórios de cada uma das medidas xi , que se
propagaram no cálculo do valor médio. A incerteza da média, associado ao valor médio de um
conjunto de N medidas, vale
(2.12)
onde considerando todas as medidas independentes. Além disso, os desvios padrões para cada uma
das variáveis é o mesmo, logo
(2.13)
(2.14)
Sendo assim, o valor médio de um conjunto de N medidas estará próximo do valor ideal dentro do
intervalo .
A distribuição de probabilidades de Gauss, que é descrita pela função contínua acima, tem
como valor médio e desvio padrão ( é na verdade o valor médio para N infinito e, no caso da
distribuição Gaussiana, é também o valor mais provável da distribuição). Como a distribuição é
contínua e, em conseqüência das imposições geradas pelas limitações experimentais, os valores
medidos são discretos, é necessário definir o intervalo correspondente a um dado valor discreto x . A
probabilidade para que uma dada medida, feita aleatoriamente, pertença a um intervalo de x 2
em torno de x é
x x 2
Px, x PG x, , dx (2.16)
x x 2
6
x 2
lim PG x, , dx 1 ( 2.17)
x x 2
Suponhamos que queremos medir a largura de uma placa de metal com uma trena
milimetrada, como as que estão à disposição no laboratório. A medida é repetida, digamos, 20 vezes,
e a cada vez encontra-se o mesmo resultado: L = 12,7 cm. Assim, o valor médio deste conjunto de
medidas vale 12,7 cm. O desvio padrão é nulo e a incerteza da média média 0 cm.
Estatisticamente, isto nos diz que a largura da placa é exatamente 12,700000000... cm, sem haver
possibilidade alguma de erro! Pega-se agora este mesmo corpo e mede-se a sua largura com um
instrumento de maior resolução, tal qual um paquímetro, obtendo-se o resultado L = 12,739 cm.
Repete-se então esta medida por 20 vezes e o valor lido no instrumento é L = 12,751 cm. Chega-se
então a uma distribuição de valores em torno do valor médio x = 12,746 cm, com = 0,036 cm e
média = 0,008 cm.
Por que se observa uma distribuição de largura não-nula com um instrumento de maior
resolução e, conseqüentemente, uma incerteza da média diferente de zero, enquanto que, com a trena
milimetrada, não se observa dispersão alguma? Parece claro que a dispersão, decorrente de
irregularidades na largura da placa, é pequena demais para ser observada com a trena. Isto invalida
qualquer processo estatístico para análise dos dados, já que a dispersão não pode ser observada.
7
Assim, se a incerteza no processo de medida for dada por e a largura de uma distribuição
de medidas for caracterizada por , tem-se que
a) Se incerteza da medida = média
b) Se incerteza da medida = .
Muitas vezes é aconselhável introduzir propositalmente uma fonte de erros aleatórios no
experimento para produzir uma dispersão maior do que a incerteza instrumental. Com este artifício,
pode-se obter um valor médio mais próximo do valor esperado x e uma incerteza estatística média
tão pequena quanto se desejar, bastando, para isto, repetir o experimento um número muito grande de
vezes. Entretanto, embora não pareça, não é muito fácil produzir-se uma fonte verdadeiramente
aleatória de ruído, devendo-se ter muito cuidado em relação a este ponto.
Existe, ainda, um problema: se a incerteza da medida decorrer do processo de calibração
do instrumento (o que significa erro sistemático), não é possível reduzir o erro no valor esperado
para algo inferior a , já que, como vimos, nenhum processo estatístico é capaz de remover um erro
sistemático. Por isto, é importante conhecer a origem da incerteza instrumental, o que, na maioria
dos casos, não é algo evidente. Parte desta incerteza decorre de erros aleatórios do instrumento. Por
exemplo, seja uma régua de 1 m com irregularidades nas marcações dos traços milimetrados.
Alterando-se, cada vez, o zero da medida (o ponto na régua a partir do qual iniciamos a comparação
do comprimento do objeto a ser medido com o número de traços da régua), este erro assume caráter
aleatório, podendo, como vimos, ser corrigido por uma análise estatística. Se, no entanto, o tamanho
da régua não corresponder ao padrão de comprimento, caso, por exemplo, a distância entre a marca
de 0 m e 1 m medir 1,01 m, há um erro sistemático de 1% que está embutido em todas as medidas.
Este erro não será corrigido por nenhum processo de medida, a menos que seja conhecido.
O procedimento recomendado em qualquer processo de medida é primeiro calibrar o
equipamento. A incerteza S (erro sistemático) que existir, neste processo, é o erro limite, o qual
não pode ser eliminado estatisticamente. Em seguida, inicia-se a tomada de medidas. É possível que
o procedimento experimental, incluindo-se o uso do equipamento e o método de medida, introduza
novos erros como, por exemplo, erro na leitura da escala de uma régua, no acionamento do
cronômetro etc. Estes erros de natureza aleatória ( A ) aumentam as incertezas nas medidas, mas
podem ser tratados estatisticamente. Se a incerteza, na leitura do instrumento, for maior do que estes
dois tipos de erros ( S e A ), todas as medidas serão idênticas e não será possível reduzir a
incerteza a um valor inferior a . Contudo, aumentando os erros aleatórios, de forma que
A S , pode-se estimar o valor da grandeza medida com uma incerteza inferior a ,
bastando, para isto, realizar um grande número de medidas (lembrar: média
2
2 n ).
2.7 Gráficos
a) Em um espaço livre, na parte superior da folha, escreva o título do gráfico de forma clara
e completa;
8
b) No eixo horizontal (abscissa) é lançada a variável independente, isto é, a variável cujo os
valores são escolhidos pelo experimentador; no eixo vertical (ordenada) é lançada a
variável dependente, isto é, aquela obtida em função da primeira;
c) Escreva o nome (letra maiúscula) ou inicial da grandeza em cada eixo e, entre parênteses,
coloque a unidade correspondente;
e) A escala deve ser simples e de fácil leitura dos pontos. Adotam-se múltiplos ou
submúltiplos de números inteiros (0,1; 0,2; 0,3;.;1; 2; 3..; 10, 20, 30...). Quando se
trabalha com números muito grandes ou pequenos, use notação científica. A escala pode
ser simplificada lançando as potências de 10 juntamente com a unidade sobre os eixos;
f) A escala pode ser escolhida por razões teóricas. Por exemplo, se os dados experimentais
precisam ser comparados com uma teoria governada por uma equação do tipo y= kx, esta
prevê a passagem pela origem, logo o gráfico deve apresentar esse ponto mesmo que os
dados experimentais sejam inacessíveis;
h) Após a colocação dos pontos no gráfico, não escreva nos eixos os valores relativos a
cada ponto, a não ser que estes coincidam com os da divisão adotada na escala;
i) Para o caso de grafar uma curva para ajuste dos pontos experimentais, esta deve ser suave
e contínua. A curva de ajuste não precisa tocar nenhum ponto experimental
especificamente e sim ajustar o conjunto inteiro. Ela deve ter a forma especificada pela lei
física, quando houver, adotada para o ajuste.
2.7.1 - Histograma
9
Fig. 3 exemplo de um histograma no qual o eixo vertical indica a frequência de ocorrências de uma dada
grandeza e no eixo horizontal a faixa de valores dessa mesma grandeza.
Fig. 4 Ajuste de um histograma (conjunto discreto de medidas) utilizando uma função gaussiana (função
contínua) . Na figura, SD (standard deviation) significa desvio padrão.
10
2.7.2 - Uso do papel milimetrado
Geralmente, uma folha de papel milimetrado tem 280 mm no eixo vertical, e 180 mm no eixo horizontal,
então, podemos usá-la nesta posição (“retrato”) ou em outra posição, invertendo os eixos (“paisagem”).
Deve ser escolhida uma destas duas possibilidades: “retrato” ou “paisagem”, de modo a otimizar a
construção do gráfico visando ocupar o melhor possível a folha. Entretanto, “ocupar o melhor possível a
folha” não significa necessariamente que se deve usar a escala que preenche todo o papel. Na prática,
deve-se escolher uma escala que facilite a leitura dos pontos experimentais, ou qualquer outro ponto
representado no gráfico.
11