Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Anlise da Incerteza
Uma Introduo ao Estudo das Incertezas nas
Medies de Engenharia
Prefcio
O presente trabalho foi escrito como suporte de um curso ministrado a engenheiros e tcnicos
ligados, de algum modo, medio de alguma grandeza fsica. Ele uma continuao natural do curso
de Metrologia Industrial, que enfoca os aspectos tcnicos, fsicos e matemticos da incerteza da
medio de uma grandeza fsica. Ele apresenta mtodos e aplicaes para clculo da incerteza na
medio.
Na primeira parte, h cinco captulos tratando dos seguintes assuntos:
1. Descrio Preliminar da Anlise da Incerteza
2. Como Reportar e Usar Incertezas
3. Propagao das Incertezas
4. Anlise Estatstica das Incertezas Aleatrias
5. Distribuio Normal ou de Gauss
Na segunda parte do trabalho, quando se tem um maior aprofundamento terico e uma maior
exigncia de matemtica, so apresentados sete captulos:
6. Rejeio de Dados
7. Mdias Ponderadas
8. Mtodo dos Mnimos Quadrados
9. Covarincia e Correlao
10. Distribuio Binomial
11. Distribuio de Poisson
12. Teste do Qui Quadrado para uma Distribuio
H ainda quatro apndices, apresentando tabelas de probabilidades,
1. Apndice A: Integral do Erro Normal, I
2. Apndice B: Integral do Erro Normal, II
3. Apndice C: Probabilidades para Coeficientes de Correlao
4. Apndice D: Probabilidades para Qui Quadrado
H, em separado, um outro trabalho com problemas propostos sobre cada captulo, com trs
diferentes graus de dificuldade e trabalho.
O trabalho dever ser revisto logo, quando sero melhorados os desenhos, editadas figuras
melhores e eliminados os inmeros e pequenos erros aleatrios de datilografia e alguns eventuais
erros sistemticos.
Sugestes e crticas destrutivas so benvindas ao endereo do autor: Rua Carmen Miranda 52, A
903, CEP 41810-670, Fone 55 71 3452-4286 e Celular 55 71 9979 9955, Skype Marcotek27 ou
e-mail: marcotek@uol.com.br
Marco Antnio Ribeiro
Salvador, BA, vero 2002
Autor
Marco Antnio Ribeiro nasceu em Arax, MG, no dia 27 de maio de 1943, s 7:00 horas A.M..
Formou-se pelo Instituto Tecnolgico de Aeronutica (ITA), em Engenharia Eletrnica, em 1969.
Foi professor de Matemtica, no Instituto de Matemtica da Universidade Federal da Bahia (UFBA)
(1974-1975), professor de Eletrnica na Escola Politcnica da UFBA (1976-1977), professor de
Instrumentao e Controle de Processo no Centro de Educao Tecnolgica da Bahia (CENTEC)
(1978-1985) e professor convidado de Instrumentao e Controle de Processo nos cursos da Petrobrs
(desde 1978).
Foi gerente regional Norte Nordeste da Foxboro (1973-1986). J fez vrios cursos de
especializao em instrumentao e controle na Foxboro Co., em Foxboro, MA, Houston (TX) e na
Foxboro Argentina, Buenos Aires.
Possui dezenas de artigos publicados em revistas nacionais e anais de congressos e seminrios;
ganhador do 2o prmio Bristol-Babcock, no Congresso do IBP, Salvador, BA, 1979.
Desde agosto de 1987 diretor da Tek Treinamento & Consultoria Ltda, firma dedicada
instrumentao, controle de processo, medio de vazo, aplicao de instrumentos eltricos em reas
classificadas, Implantao de normas ISO 9000 e integrao de sistemas digitais.
Suas caractersticas metrolgicas so:
altura: (1,70 01) m;
peso correspondente massa de (76 2) kg;
cor dos olhos: castanhos (cor subjetiva, no do arco ris)., cor dos cabelos (sobreviventes):
originalmente negros, se tornando brancos;
tamanho do p: 40 (aplicvel no Brasil, adimensional).
Gosta de xadrez, corrida, fotografia, msica de Beethoven, leitura, trabalho, curtir os filhos e a vida.
Corre, todos os dias, cerca de (10 2) km e joga xadrez relmpago (5 min para cada jogador) todos os
fins de semana. provavelmente o melhor jogador de xadrez entre os corredores e o melhor corredor
entre os jogadores de xadrez, o que no nenhuma vantagem.
Contedo
Parte 1
1. Introduo
11
1
1.1. Introduo
1
1.2. Erro ou incerteza
1
1.3. Inevitabilidade da incerteza
1
1.4. Importncia de se conhecer as incertezas
1.5. Estimativa da incerteza e escalas
3
1.6. Incerteza em medies repetidas
4
2. Expresso da Incerteza
2.1. Introduo
6
2.2. Melhor estimativa incerteza
6
2.3. Algarismos significativos
7
2.4. Discrepncia
8
2.5. Comparao dos valores medido e aceito
2.6. Comparao de dois nmeros medidos10
2.7. Verificando relaes com grficos 12
2.8. Incertezas relativas
15
2.9. Algarismo significativo e incerteza relativa
2.10. Multiplicao de duas medies 16
Definies e Equaes do Cap. 2
Formas para expressar incertezas
Discrepncia
Incerteza Relativa
3. Propagao da Incerteza
16
18
18
18
18
19
3.1. Introduo
19
3.2. Incertezas nas medies diretas
19
3.3. Regra da raiz quadrada para uma contagem
3.4. Somas e diferenas; produtos e quocientes
3.5. Dois casos especiais importantes
23
3.6. Incertezas independentes na soma 25
3.7. Mais acerca de incertezas independentes
3.8. Funes arbitrrias de uma varivel 28
3.9. Propagao passo a passo
30
3.10. Exemplos
31
3.11. Frmula geral para propagao da incerteza
Definies e Equaes do Captulo 3
38
Regra da raiz quadrada para contagem
38
Regras para propagao da incerteza
38
Somas e diferenas
38
Produtos e quocientes
38
Quantidade medida vezes nmero exato 38
Incerteza na potncia
38
Incerteza em uma funo de uma varivel38
Frmula geral para propagao da incerteza 38
20
21
27
34
4. Incertezas Aleatrias
39
4.1. Introduo
39
4.2. Incertezas aleatrias e sistemticas 39
4.3. Mdia e desvio padro
41
4.4. Desvio padro como incerteza em uma medio isolada
4.5. Desvio padro da mdia
45
4.6. Incertezas sistemticas
47
Principais Definies e Equaes do Captulo 4
Mdia
50
Desvio padro
Desvio padro da mdia
50
50
5. Distribuio de Gauss
50
51
5.1. Introduo
51
5.2. Histogramas e distribuies
51
5.3. Distribuies limites
54
5.4. Distribuio normal
56
5.5. Desvio padro como limite de confiana de 68% 59
5.6. Justificativa da mdia como melhor estimativa 60
5.7. Justificativa da soma quadrtica
62
5.8. Desvio padro da mdia
65
5.9. Aceitao de um resultado medido 67
Principais Definies e Equaes do Captulo 5
Distribuies limites
70
Distribuio normal ou de Gauss
70
Estimando X e de N valores medidos 70
Aceitao de um resultado medido
71
Parte 2
72
6. Rejeio de Dados
73
6.1. Introduo
6.2. Problema da rejeio de dados
6.3. Critrio de Chauvenet
6.4. Discusso
70
73
73
74
75
76
77
77
77
77
79
80
44
8. Mnimos Quadrados
81
8.1. Introduo
81
8.2. Dados que devem se adequar reta 81
8.3. Clculo das constantes A e B
82
8.4. Incertezas nas medies de y
84
8.5. Incertezas nas constantes A e B
85
8.6. Exemplo: Medio do zero absoluto com um termmetro de gs a volume constante 86
8.7. Encaixe dos mnimos quadrados em outras curvas
88
Principais Definies e Equaes do Captulo 8
91
Linha reta atravs da origem (y = Bx); pesos iguais 91
Encaixe ponderado para uma linha reta, y = A + Bx 91
Outras curvas
92
9. Covarincia e Correlao
93
9.1. Introduo
93
9.2. Reviso de propagao da incerteza 93
9.3. Covarincia na propagao da incerteza 94
9.4. Coeficiente de correlao linear
97
9.5. Significado quantitativo de r
99
9.6. Exemplos
101
Principais Definies e Equaes do Captulo 9
Covarincia
102
Coeficiente de correlao
102
10. Distribuio Binomial
102
103
10.1. Introduo
103
10.2. Distribuies
103
10.3. Probabilidade no lanamento de dados 103
10.4. Definio da distribuio binomial104
10.5. Propriedades da distribuio binomial 106
10.6. Distribuio de Gauss para incertezas aleatrias 107
10.7. Aplicaes e teste de hiptese
108
Principais Definies e Equaes do Captulo 10
112
Distribuio Binomial
112
Aproximao gaussiana para a distribuio binomial 112
11. Distribuio de Poisson
113
11.1. Introduo
113
11.2. Definio da distribuio de Poisson113
11.3. Propriedades da distribuio de Poisson
11.4. Aplicaes
117
11.5. Subtraindo um background
118
115
120
121
12.1. Introduo
121
12.2. Introduo ao Qui Quadrado
121
12.3. Definio geral do Qui Quadrado 123
12.4. Graus de liberdade e 2 reduzido 126
12.5. Probabilidades para qui quadrado 127
12.6. Exemplos
130
Principais Definies e Equaes do Captulo 12.
Definio de qui quadrado
133
Graus de liberdade e qui quadrado reduzido 133
Probabilidades para qui quadrado.
133
Apndice A
134
134
Apndice B
136
136
Apndice C
138
140
10
133
138
Parte 1
1. Descrio Preliminar da Anlise da Incerteza
2. Como Reportar e Usar Incertezas
3. Propagao das Incertezas
4. Anlise Estatstica das Incertezas Aleatrias
5. Distribuio Normal
A Parte 1 introduz as idias bsicas da anlise da
incerteza como elas so necessrias em um curso tpico de
Clculo de Incerteza na indstria. Os primeiros dois captulos
descrevem
1. o que anlise da incerteza
2. porque ela importante
3. como ela pode ser usada nos relatrios de uma oficina
de instrumentao
O Captulo 3 descreve a propagao da incerteza, desde
que as incertezas nas medies originais se propagam atravs
de clculos para causar incertezas nos resultados finais
reportados. Captulos 4 e 5 introduzem os mtodos estatsticos
atravs dos quais as incertezas aleatrias podem ser
calculadas.
11
1. Introduo
Esta medio grosseira tem certamente uma
grande incerteza. Se pressionado, o carpinteiro
poderia expressar a incerteza admitindo que a
altura poderia estar entre 200 e 220 cm. Se
fosse exigida uma medio mais exata, o
carpinteiro usaria uma fita mtrica e poderia
achar a altura de 211,6 cm. Esta medio
certamente mais exata e confivel que a
primeira estimada, mas mesmo assim ela
possui ainda uma incerteza, pois impossvel
para o carpinteiro saber se a altura
exatamente 211,600 ou 211,601 cm, por
exemplo.
Esta incerteza residual pode ter vrias
fontes, algumas das quais sero discutidas
neste trabalho. Algumas causas podem ser
facilmente eliminadas, se o carpinteiro tomar
alguns cuidados normais e especiais. Por
exemplo, alguns cuidados que eliminariam as
incertezas seriam:
1. usar uma fita mtrica de boa qualidade
2. fazer a medio em local de boa
iluminao para que no haja engano
3. fazer a medio com cuidado, sem
enrolar a fita, colocando as
extremidades nos pontos corretos
H porm outras fontes de incertezas que
so inerentes ao processo de medio e nunca
podem ser eliminadas inteiramente. Por
exemplo, se o carpinteiro usar uma fita mtrica
graduada de um em um centmetro,
provavelmente os pontos extremos da medio
no coincidiro exatamente com a marcao
da fita e o carpinteiro deve estimar onde a
extremidade cai entre duas marcaes. Mesmo
se a extremidade do comprimento medido cair
em cima da marcao, a marcao possui uma
determinada espessura de alguns milmetros.
Em qualquer caso, o carpinteiro deve estimar
onde a extremidade da porta cai em relao s
marcaes da fita e isto causa alguma
incerteza na medio.
Usando-se uma fita com melhor qualidade
e com maior nmero de marcaes, por
exemplo de um em um milmetro, o problema
se repete. Em vez de ter uma incerteza de
frao de centmetro, tem-se agora uma
incerteza de frao de milmetro. Se o
carpinteiro tiver uma obsesso em determinar a
altura da porta com a maior preciso
tecnicamente possvel, ele poderia usar um
interfermetro a laser (que poderia custar o
preo do apartamento onde se quer colocar a
porta). Mas mesmo com esta sofisticada
1.1. Introduo
A anlise da incerteza o estudo e clculo
da incerteza na medio. A experincia mostra
que nenhuma medio, mesmo aquela feita
com o maior cuidado possvel ou com o melhor
instrumento possvel, pode ser completamente
livre de incertezas. Como a estrutura e
aplicao da cincia dependem das medies,
a habilidade de avaliar estas incertezas e
mant-las em um valor mnimo muito
importante.
Este primeiro captulo descreve algumas
medies simples que ilustram a ocorrncia
inevitvel de incertezas experimentais e mostra
a importncia de se conhecer os valores destas
incertezas. O captulo descreve como o
tamanho das incertezas experimentais pode
ser estimado de modo realista, s vezes por
meio de mtodos simples.
Introduo
parafernlia de medio, o resultado final ainda
teria incerteza, agora da ordem de 10-6 m.
Mesmo que o carpinteiro consiga agora medir a
altura da porta com uma preciso fantstica,
ele ainda no sabe a altura exata da porta.
Quando o carpinteiro se esfora para
conseguir preciso maior, ele ainda encontra
um importante problema de medio. Ele logo
saber que a altura da porta diferente em
pontos diferentes. Mesmo se ele considera
apenas um ponto, a altura ir variar com a
temperatura e umidade relativa do ambiente. A
altura depende da sujeira e poeira depositada
no ponto de medio. Resumindo, o carpinteiro
conclui que no existe a coisa chamada de
altura da porta. Este tipo de problema
chamado de problema de definio: a altura
da porta no uma quantidade bem definida.
A experincia do carpinteiro ilustra um
ponto verdadeiro: nenhuma quantidade fsica
(comprimento, tempo, massa, temperatura,
presso, corrente eltrica, por exemplo) pode
ser medida com certeza completa. Com
cuidado, pode-se diminuir algumas incertezas e
eliminar outras incertezas, de modo que a
incerteza resultante final seja extremamente
pequena porm, eliminar todas as incertezas
impossvel. Neste trabalho, sero vistas as
incertezas que podem ser eliminadas ou
diminudas e as que so inevitveis e
intrnsecas medio.
Felizmente, nem toda incerteza
importante ou de interesse prtico. Por
exemplo, quando se diz que a distncia entre a
casa e a escola de aproximadamente 2
quilmetros, se esta distncia significa algo
entre 1,5 e 2,5 km ou algo entre 1,99 ou 2,01
km geralmente no tem nenhuma importncia
prtica. Outras vezes, as incertezas so
importantes, porm, mesmo nestes casos ela
pode ter valores aceitveis. Quando o
carpinteiro instala a porta, ele deve conhecer
sua altura com uma incerteza de alguns
milmetros. Esta pequena incerteza pode ser
administrada e a porta instalada sem problema.
Se a incerteza for muito grande, o trabalho
para instalar a porta ser muito maior,
quebrando tijolos e cimento para aumentar o
espao ou colocando tijolos e cimento para
diminuir o espao. E assim que o carpinteiro
instala corretamente a porta, seu interesse pela
incerteza da altura da porta acaba totalmente.
Introduo
15,5 g/cm3 est longe desta faixa. Como as
medies so feitas para se permitir uma
concluso, as incertezas experimentais no
podem ser muito grandes. Porm, as
incertezas no precisam ser extremamente
pequenas. Neste aspecto, este exemplo
tpico de muitas medies cientficas, para os
quais as incertezas devem ser razoavelmente
pequenas mas no precisam ser extremamente
pequenas.
Densidade
3
(g/cm )
17
16
Ouro
a
1 medio
15
14
2 medio
Liga
13
Introduo
2,3 s
2,4 s
2,5 s
2,4 s
Introduo
pode-se ento comear a ter uma estimativa
mais realista.
2. Expresso da Incerteza
1. a melhor estimativa do observador para
a quantidade medida o nmero
xestimado.
2. o observador est confiante que a
quantidade medida caia em algum
ponto entre xestimado - x e xestimado + x
O nmero x chamado de incerteza, erro,
margem de erro, tolerncia, desvio da medio
de x. Por convenincia, o nmero x sempre
positivo, de modo que xestimado - x sempre o
menor valor provvel da quantidade medida e
xestimado + x sempre o maior.
O significado da faixa xestimado - x a
xestimado + x foi deixado vago de propsito, mas
ele pode ser tornado mais preciso. Em uma
medio simples, como a da altura da porta,
pode se dizer com absoluta certeza que uma
faixa xestimado- x a xestimado + x inclui a
quantidade medida. Porm em muitas
medies industriais e cientficas esta
afirmao difcil de ser feita e garantida. Em
particular, para estar absolutamente certo que
a quantidade medida cai entre xestimado - x e
xestimado + x, deve-se escolher um valor to
grande para x que ele se torna intil. Para
evitar esta situao, pode-se s vezes escolher
um valor para x que se possa estabelecer
com uma certa percentagem de confiana que
a quantidade real caia dentro da faixa xestimado
x. Por exemplo, as pesquisas de votos
prximas s eleies geralmente estabelecem
que determinado candidato A tem 60% dos
votos do eleitorado, com uma margem de
3%, com limites de confiana de 95%. Isto
significa que o Instituto de Pesquisa est 95%
confiante que a percentagem de votos para o
candidato A est entre 57 e 63%. Depois das
eleies, pode-se esperar a resposta correta
para estar dentro das margens estabelecidas
de erro 95% do tempo e fora destas margens
somente 5% do tempo.
No se pode estabelecer uma percentagem
de confiana nas margens de erro at que se
entenda as leis estatsticas que governam o
processo da medio. Este assunto ser
tratado adiante. Por enquanto, basta definir a
incerteza x de modo que se esteja
razoavelmente certo que a quantidade medida
caia dentro do intervalo xestimado - x e xestimado +
x.
2.1. Introduo
Aps a leitura do Captulo 1, tem-se alguma
idia da importncia das incertezas
experimentais e como elas aparecem. Deve-se
tambm entender como as incertezas podem
ser estimadas em algumas poucas situaes
simples. Neste captulo, vai-se aprender
algumas regras e notaes bsicas da anlise
da incerteza e estudar exemplos de seu uso
em medies tpicas da indstria e laboratrio.
O objetivo familiarizar-se com o vocabulrio
bsico da anlise da incerteza e seu uso no
laboratrio e na oficina de instrumentao.
(2.1)
(2.2)
(2.3)
Expresso da Incerteza
proporcional muito grande de modo que
razovel reter dois algarismos significativos
para expressar x = 0,14. O mesmo argumento
poderia ser usado se o primeiro nmero for 2,
porm a reduo no to grande (metade da
reduo se o algarismo fosse 1).
Assim que a incerteza na medio
estimada, os algarismos significativos do valor
medido devem ser considerados.
Uma expresso como
Resposta:
(a) 110 2 mm
(b) Entre 3,98 a 4,02 A
(2.8)
(2.4)
78,43 0,04
(2.5)
78,4 0,4
Regra para expressar incertezas
Se a incerteza fosse de 4, a expresso
ficaria
78 4
Finalmente, se a incerteza fosse de 40,
seria
80 40
Para reduzir incertezas causadas pelo
arredondamento, quaisquer nmeros usados
nos clculos intermedirios devem
normalmente reter, no mnimo, um algarismo a
mais do que o finalmente justificado. No final
dos clculos, faz o ltimo arredondamento para
eliminar o algarismo extra insignificante.
Expresso da Incerteza
A incerteza em qualquer quantidade
medida tem a mesma dimenso que a
quantidade medida em si. Assim, escrevendo
as unidades (m/s2, g/cm3, A, V, oC ) aps o
resultado e a incerteza mais claro e mais
econmico.
Exemplo
(2.10)
Mais especificamente, cada uma das duas
medies consiste da melhor estimativa e uma
incerteza e a discrepncia definida como a
diferena entre as duas estimativas. Por
exemplo, se dois instrumentistas medem a
mesma resistncia como:
Instrumentista A: 15 2
Instrumentista B: 25 4
ou
densidade medida = (8,23 0,05) g/cm3
Respostas:
(a) 8,12 0,03 m/s
(b) (3,123 4 0,000 2) x 104 m ou 31 234 2 m
(c) (5,68 0,03) x 10-7 kg
2.4. Discrepncia
Expresso da Incerteza
No h nenhuma razo para duvidar que ambas as
medies so corretas, embora tenham incertezas muito
grandes.
Resistncia
()
40
40
30
B = 25 4
discrepncia = 10
20
D = 26 9
30
discrepncia = 10
20
A = 15 2
10
10
0
(a)
A = 16 8
(2.12)
comparada com o
valor aceito = 331 m/s
(b)
(2.13)
Expresso da Incerteza
provavelmente cai (1,50 a 1,62) e por isso,
estes momentos so consistentes com a
conservao dos momento. Se, ao contrrio,
as duas faixas provveis no forem
suficientemente prximas para haver
superposio, as medies so inconsistentes
com a lei da conservao do momento e deve
se procurar os erros nas medies ou clculos
ou erros sistemticos do mtodo usado (por
exemplo, gravidade ou atrito) que fazem as
medies se afastarem entre si.
conveniente repetir os pares de medies
(antes e depois) vrias vezes e fazer uma
tabela para a comparao direta dos
resultados. As incertezas geralmente diferem
um pouco de uma medio para outra e por
isso pode-se padronizar uma nica incerteza
para a medio anterior (p) e posterior (q)
como p = 0,03 e q = 0,06 kg.m/s.
(2.14)
(2.15)
Momento final q
(q 0,03)
1,56
3,12
2,05
p medido = pestimado p
q medido = qestimado q
10
Expresso da Incerteza
Os nmeros pestimado e qestimado so as
melhores estimativas para p e q (por exemplo,
a mdia de vrias medies). Assim, a melhor
estimativa para a diferena (p q) (pestimado qestimado). Para encontrar a incerteza desta
diferena, deve-se tomar os maiores e
menores valores provveis de (p q). O maior
valor provvel para (p q) resulta de maior
valor de p (pestimado + p) menos o menor valor
de q (qestimado - q). Do mesmo modo, o menor
valor provvel para (p q) resulta do menor
valor de p (pestimado - p) menos o maior valor de
q.( qestimado + q). Assim, o maior valor provvel
da diferena vale:
p q (kg.m/s)
-0,20
-0,10
-0,10
-0,20
Incerteza na Diferena
(Regra provisria)
Se duas quantidades x e y so medidas
com incertezas de x e y e se os valores
medidos x e y so usados para se calcular a
diferena q = x y, a incerteza em q a soma
das incertezas em x e y:
x x + y
Momento p
(p 0,03)
1,49
3,10
2,16
Momento q
(q 0,03)
1,56
3,12
2,05
Diferena
[(p - q) 0,09]
-0,07
-0,02
0,11
(2.18)
11
Expresso da Incerteza
Esta regra provisria (pessimista) ser
substituda posteriormente por outra regra
melhorada (otimista) onde a incerteza da soma
ser dada pela raiz quadrada da soma dos
quadrados das incertezas.
Tambm se pode considerar que h mais
de um modo de tratar a composio de
incertezas, quando se faz a soma ou subtrao
de vrias incertezas individuais. Os dois mais
usados so:
1. A incerteza da soma ou subtrao de
duas ou mais incertezas igual soma
aritmtica das incertezas individuais.
2. A incerteza da soma ou subtrao de
duas ou mais incertezas igual raiz
quadrada da soma dos quadrados das
incertezas individuais.
Quando se usa a regra da soma aritmtica:
1. mais fcil de entender
2. na maioria dos casos, ela mais
conservativa (maior) que a outra
3. em alguns casos a diferena entre as
duas pequena.
A regra provisria sobre a incerteza da
diferena entre duas medies a primeira de
uma srie de regras para a propagao da
incerteza. Para calcular a diferena entre duas
medies em termos das quantidades
individuais, necessrio conhecer como as
incertezas individuais se propagam para causar
a incerteza na diferena.
mg g
= m
k
k
(2.19)
Resposta: 43 5 g
Carga m, g
m (exata)
200
300
400
500
600
700
800
12
Extenso x, cm
x 0,3
1,1
1,5
1,9
2,8
3,4
3,5
4,6
Expresso da Incerteza
900
5,4
y = A x2
(2.20)
13
Expresso da Incerteza
5
x (cm)
0
0
500
1000
m (g)
(a)
5
x (cm)
500
m (g)
1000
(b)
(a)
x
(b)
(c)
5
x (cm)
m (g)
500
1000
(c)
Fig. 2.5. Grficos da extenso x da mola contra carga m.
(a) Os dados da Tab. 2.3 sem barras de incertezas.
(b) Os mesmos dados com barras de incertezas com
as incertezas em x. As incertezas em m so assumidas
desprezveis em relao s incertezas em x. Estes dados
so considerados consistentes com a proporcionalidade
esperada de x e m.
(c) Um diferente conjunto de dados, que so
inconsistentes com x sendo proporcional a m.
14
Expresso da Incerteza
qualidade de uma medio, qualquer que seja
o tamanho da quantidade medida. Ela
tambm chamada de preciso da medio.
Incertezas relativas de 10% so
usualmente caractersticas de medies
grosseiras. Esta incerteza ocorre quando se
mede um comprimento de 10 cm e h uma
incerteza de 1 cm ou quando se mede uma
distncia de 10 km com incerteza de 1 km.
Incertezas relativas da ordem de 1 a 2% so
caractersticas de medies razoavelmente
cuidadosas e so a melhor esperana de um
instrumentista em medies industriais ou de
um metrologista em seu laboratrio. Incertezas
relativas da ordem de 0,1 a 0,2% so muito
difceis de serem conseguidas e so raras em
medies industriais.
Obviamente esta classificao superficial.
Algumas medies simples podem ser feitas
com incertezas de aproximadamente 0,1%. Um
bom paqumetro pode medir distncias com
aproximadamente 0,1%, um bom cronmetro
pode medir o perodo de uma hora com uma
incerteza aproximada de um segundo ou
0,03%. Porm, a maioria das medies das
variveis de processo (temperatura, vazo,
nvel, presso e anlise) possuem medies
com incertezas tpicas de 1 a 10%. Grande
incerteza relativa no significa
necessariamente que a medio seja intil.
Mesmo na histria da Fsica e Qumica, muitas
incertezas experimentais so da ordem de
10%.
Outro aspecto relacionado com o valor da
incerteza o custo para obter pequenas
incertezas. Quanto menor a incerteza, maior
o custo do instrumento de medio e maiores
so os cuidados requeridos para fazer as
medies.
incerteza relativa =
x
x estimado
(2.21)
(2.22)
Probleminha rpido 2.4.
Converter as incertezas absolutas nas
seguintes medies em relativas ou
percentuais.
(a) 55 2 oC
(b) 20 2 oC
(c) Uma massa vale m = 4,58 kg 2%.
Reescrever a expresso com incerteza
absoluta.
(Como as incertezas devem ser dadas com
um algarismo significativo, fazer os clculos de
cabea, sem usar calculadora ou lpis e papel).
1 cm
= 0,02
50 cm
Resposta:
(a) 55 oC 4%
(b) 20 oC 10%
(c) (4,58 0,09) kg
15
Expresso da Incerteza
Infelizmente, esta correlao somente
aproximada. Por exemplo, a afirmao x = 10,
com dois algarismos significativos, significa
v = 10 1 ou 10 10%
No outro extremo, w = 99 (tambm com
dois algarismos significativos) significa:
w = 99 1 ou 99 1%
Portanto, a incerteza relativa associada
com dois algarismos significativos pode variar
de 1 a 10%, dependendo do primeiro dgito do
nmero considerado.
A correspondncia aproximada entre
algarismos significativos e incertezas relativas
pode ser resumida como mostrado na Tab. 2.4.
Tab. 2.4. Correspondncia aproximada entre
algarismos significativos e incertezas relativas
Nmero de
algarismos
significativos
1
2
3
4
aproximadamente
10 e 100%
1 e 10%
0,1 e 1%
0,01 e 0,1%
50%
5%
0,5%
0,05%
x = 21
y = 0,21
ambos com as precises certificadas de dois
algarismos significativos. De acordo com a
conveno recm adotada, estes valores
significam
x = 21 1
y = 0,21 0,01
Embora os dois nmeros tenham ambos
dois algarismos significativos, eles tem
incertezas absolutas muito diferentes, porm
com mesma incerteza relativa de 5%:
x
valor medido de x = x estimado 1
x estimado
x y 1
0,1
=
=
=
= 0,05 = 5%
x
y 21 0,21
(2.23)
3%
3
100
16
Expresso da Incerteza
0,3
i
=
= 0,03 = 3%
iestimado 9,1
R
R medido = Restimado 1
R estimado
(2.24)
i
i medido = iestimado 1
iestimado
v =
(2.25)
v
v estimado
R estimado iestimado
(2.26)
Incerteza no Produto
(Regra provisria)
v
valor de v = v estimado 1
v estimado
+
q estimado
x estimado
y estimado
(2.28)
Como a regra da incerteza na soma, esta
regra tambm provisria, pois posteriormente
ela ser substituda por uma regra mais
precisa.
Duas outras caractersticas devem ser
realadas nesta regra:
1. as incertezas relativas em x e y devem
ser pequenas, de modo que o seu
produto seja desprezvel. Esta
exigncia geralmente verdade na
maioria das aplicaes prticas.
Quando as incertezas forem grandes, a
regra no se aplica.
2. mesmo quando x e y tiverem
dimenses diferentes, a regra se aplica
R = 0,53 0,01
e
i = 9,1 0,3 A
a melhor estimativa para v = Ri
vestimado = 0,53 x 9,1 A = 4,82 V
Para calcular a incerteza de v, calculam-se
as incertezas relativas de R e de i:
R
0,01
=
= 0,02 = 2%
R estimado 0,53
17
Expresso da Incerteza
pois as incertezas relativas so
adimensionais.
Em instrumentao, freqente a
multiplicao de dois nmeros obtidos de
medies e a regra proposta para achar a
incerteza no produto ser uma ferramenta
importante na anlise da incerteza. Para o
momento, o principal objetivo enfatizar que a
incerteza em qualquer produto q = xy
expressa mais facilmente em termos da soma
das incertezas relativas.
Incerteza Relativa
Se x medido na forma padro
xestimado x, a incerteza relativa
incerteza relativa =
x
x estimado
Discrepncia
A discrepncia entre dois valores medidos
da mesma quantidade fsica :
18
3. Propagao da Incerteza
problemas na propagao da incerteza podem
ser resolvidos usando-se apenas trs regras
simples. Uma nica regra, mais completa e
complicada, tambm ser apresentada para
cobrir todos os casos e da qual as trs regras
simples so derivadas.
Este captulo longo, porm seu
comprimento simplesmente reflete sua grande
importncia. A propagao da incerteza uma
tcnica que ser usada repetidamente na
Instrumentao, Laboratrio de Metrologia e
Laboratrio Qumico.
3.1. Introduo
Muitas quantidades fsicas no podem ser
medidas diretamente, em um nica medio,
mas so encontradas em dois passos:
1. so medidas uma ou mais quantidades
que podem ser encontradas
diretamente
2. os valores medidos destas quantidades
so usados para calcular a quantidade
de interesse.
Por exemplo, para achar a rea de um
retngulo:
1. medem-se o comprimento L e a altura
H
2. calcula-se a rea A = LH
Outro exemplo, para achar a vazo
volumtrica de um fluido passando por uma
tubulao:
1. medem-se o volume acumulado em um
intervalo de tempo, V, e o intervalo de
tempo.
2. calcula-se a vazo volumtrica F = V/t.
Muitos outros exemplos poderiam ser
apresentados para mostrar que a maioria das
medies prticas envolve estes dois passos
distintos de medies diretas seguidas por
clculos.
Quando a medio envolve estes dois
passos, a estimativa das incertezas tambm
envolve dois passos:
1. so estimadas as incertezas individuais
das quantidades medidas diretamente
2. determina-se como as incertezas se
propagam atravs dos clculos para
produzir uma incerteza no resultado
final.
Esta propagao das incertezas o
principal objetivo deste captulo.
J foram vistos exemplos e apresentadas
regras provisrias relacionados com a
propagao da incerteza, quando so feitas as
medidas e depois elas so combinadas em
uma subtrao ou em um produto.
Antes de se tratar da propagao das
incertezas, ser discutida rapidamente a
estimativa de incertezas em quantidades
medidas diretamente. Alguns mtodos j
vistos sero revistos, melhorados e outros
novos mtodos sero apresentados para
estimar a incerteza nas medies diretas.
Finalmente ser vista a propagao das
incertezas. Ser visto que quase todos os
19
Propagao da Incerteza
Superficialmente, fazer a leitura de um
medidor digital muito mais fcil do que fazer a
interpolao da leitura em escala analgica. A
no ser que o medidor esteja com defeito, o
display digital apresenta somente algarismos
significativos. Por isso, comum se afirmar que
o nmero de algarismos significativos em um
display digital exatamente o nmero de
dgitos apresentados. Porm, nem sempre o
significado exato de algarismos significativos
claro. Assim, o display de um voltmetro digital
igual a 93 mV significa 93 1 mV, no mnimo.
H catlogos de instrumentos que definem
exatamente qual a incerteza do display.
possvel se ter incertezas de 5 ou 10 dgitos.
A incerteza da medio envolve outras
fontes, como mtodo, operador, condies
ambientais, alm do sistema de medio em si.
Por exemplo, se um metrologista usa um
cronmetro digital para medir um intervalo de
tempo e obtm um resultado de 8,01
segundos, razovel supor que o tempo vale
t = 8,01 0,01 s
(3.1)
(3.2)
t = 8,2 0,2 s
20
Propagao da Incerteza
(3.2)
xestimado + yestimado + (x + y)
e o menor valor provvel
xestimado + yestimado - (x + y)
Ento, a melhor estimativa para q = x + y
qestimado = xestimado + yestimado
e a sua incerteza
q x + y
(3.3)
Resposta:
(a) 33 6 contagens ou 33 contagens 18%
(b) 907 30 contagens ou 907 contagens 3%
(c) 33 18% e 907 3%. Em grandes contagens a
incerteza percentual fica muito menor,
compensando a desvantagem de demorar a
contagem.
q = x + y + ...+ z + u + v + ... + w
Somas e diferenas
No Captulo 2 foi discutido o que acontece
quando se medem duas quantidades x e y e se
calcula sua soma, x + y ou sua diferena x - y.
Para estimar a incerteza na soma ou diferena,
devia-se apenas decidir acerca do maior e
21
Propagao da Incerteza
e ler, a partir de agora ser abreviado e
simplificado, escrevendo-se simplesmente
incerteza relativa em x = x
M = M1 m1 + M2 m2
= (540 72 + 940 97) g = 1 311 g
valor de x = xestimado (1 + x/ x )
O valor de q = x/y pode ser escrito:
M M1 + m1 + M2 + m2
valor de q = x estimado 1 x / x
y estimado 1 y / y
= 10 + 1 + 20 + 1 g = 32 g
Assim, o resultado final, arredondado
massa total do lquido = 1 310 + 30 g
(1 + a)
(1 b)
Produtos e Quocientes
J foi discutido como a incerteza se
propaga no produto q = xy de duas
quantidades medidas. Foi visto que, desde que
as incertezas relativas individuais fossem
pequenas, a incerteza relativa no produto a
soma das incertezas relativas individuais. Alm
de rever esta regra, aqui ser discutido o caso
do quociente q = x/y. Ser visto que a incerteza
relativa no quociente tambm ser igual
soma das incertezas relativas individuais,
exatamente como no produto.
Como as incertezas nos produtos e
quocientes so melhor expressas em termos
de incertezas relativas, uma notao
simplificada para a incerteza relativa til.
De novo, a medio de uma quantidade x
:
valor medido de x = xestimado x
(3.6)
tem-se
(1 + a)
(1 + a)(1 + b) = 1 + a + b + ab
(1 b)
x estimado
y estimado
e a incerteza relativa
(3.5)
q x y
+
q
x
y
x
x estimado
(3.7)
22
Propagao da Incerteza
Incerteza nos Produtos e Quocientes
(Regra provisria)
Probleminha rpido 3.2.
Seja a medio de trs quantidades x, y e z:
x = 8,0 0,2
y = 5,0 0,1
z = 4,0 0,1
Expressar as incertezas dadas como
percentagens e depois calcular q = xy/z com
sua incerteza q, como dado pela regra
provisria.
x y ... z
u v ... w
Resposta:
x/x = 2,5%
y/y = 2%
2,5%
q = 10 7% ou 10 0,7 (tambm 10 1)
z u
q x y
w
+
+ ... +
+ ... +
q
x
y
z
u
w
z/z =
Exemplo
Em topografia, s vezes um comprimento
inacessvel (altura de um edifcio)
determinado pela medio de outros trs
comprimentos acessveis. Tem-se
L=
L1L 2
L3
q = Bx
L1 = 200 2 m
L2 = 5,5 0,1 m
L3 = 10,0 0,4 m
c = x d.
A melhor estimativa de L
L estimado =
200 5,5
m = 110 m
10,0
t = T/500
De acordo com a regra provisria, a
incerteza relativa em q = Bx a soma das
incertezas relativas em B e em x. Como B = 0,
tem-se
L1/L1 = 2/200 = 1%
L2/L2 = 0,1/5,5 = 2%
L3/L3 = 0,4/10 = 4%
de modo que a incerteza final de L/L vale 7%
e o resultado final expresso como
L = 110 m 7% ou (110 8) m
q x
q
x
23
Propagao da Incerteza
de x. Multiplicando-se ambos os termos por q ,
chega-se a
Incerteza na Potncia
Se uma quantidade x medida com
incerteza x e o valor medido usada para
computar a potncia
q = B x
q = xn
q = B x
(3.9)
t = 1,6 0,1 s
h = 13,9 0,1 m
Como
h=
d = 5,0 0,1 cm
1 2 tem-se
2h
gt
g= 2
2
t
g=
2 13,9 m
= 10,9 m / s2
1,6 1,6 s2
Potncias
O outro caso especial se refere ao clculo
da potncia de alguma quantidade medida. Por
exemplo, pode-se medir a velocidade v de um
corpo de massa m e ento achar a sua energia
cintica, mv2 , atravs de v2. Como v2 o
produto de v por v, segue que a incerteza
relativa em v2 duas vezes a incerteza relativa
de v.
0,1
h
=
= 0,7%
h 13,9
t 0,1
=
= 6,3%
t 1,6
24
Propagao da Incerteza
3. Do mesmo, o menor valor provvel
para q era
xestimado + yestimado - x - y
(3.12)
q x + y
Para verificar que esta frmula
provavelmente superestima q, considere-se
como o valor real de q poderia ser igual ao
maior valor provvel. Obviamente, isto ocorre
se x foi subestimado pelo valor total de x e y
foi subestimado pelo valor total de y, que um
evento pouco provvel. Se x e y so medidos
independentemente e as suas incertezas so
naturalmente aleatrias, tem-se uma chance de
50% de subestimar x acompanhado de
superestimar y ou vice versa. Claramente, a
probabilidade de se subestimar tanto x como y
pelos valores totais de x e y relativamente
pequena. Deste modo, o valor q x + y
ultrapassa a incerteza provvel.
Qual a melhor estimativa de q? A
resposta depende precisamente o que
significam as incertezas (isto , o que significa
a afirmao que q est provavelmente em
algum ponto entre qestimado + q e qestimado q).
A resposta tambm depende das leis
estatsticas que governam as incertezas na
medio. Posteriormente, ser vista a
distribuio normal ou de Gauss, que descreve
o comportamento das medies sujeitas s
incertezas aleatrias. As leis mostram que se
as medies de x e y so feitas
independentemente e ambas so governadas
pela distribuio normal, ento a incerteza em
q = x + y dada por
q = (x ) 2 + (y ) 2
(3.13)
25
Propagao da Incerteza
incerteza sistemtica e portanto no so
independentes.
Posteriormente, ser mostrado que a
incerteza na soma q = x + y, com medies
aleatrias ou no aleatrias, certamente no
maior que a soma x + y:
a2 + b2
q x + y
(3.15)
q x + y
(3.14)
Muitas vezes, as incertezas calculadas com
a soma aritmtica ou com a raiz quadrada da
soma dos quadrados so muito parecidas. Por
exemplo, sejam x e y comprimentos medidos
com incertezas x = y = 2 mm. Se as
incertezas forem independentes e aleatrias, a
incerteza na soma ser a raiz quadrada da
soma dos quadrados:
percebe-se que:
1. A expresso da raiz quadrada
sempre menor que a expresso da
soma aritmtica (isto pode ser
facilmente visto considerando um
tringulo retngulo com os catetos
iguais a x e y e onde cada lado
sempre menor que a soma dos outros
x 2 + y 2 < x + y.
2. A expresso da raiz quadrada reflete a
possibilidade que uma superestimativa
de x ser cancelada por uma
subestimativa de y ou vice versa.
Porm, h medies onde este
cancelamento no possvel.
Seja por exemplo, a soma de dois
comprimentos x e y medidos com uma mesma
rgua metlica, q = x + y. Suponha-se que a
principal fonte de incerteza seja o medo que a
rgua tenha sido projetada para uso em
temperatura diferente que a real. Se a
temperatura da medio no conhecida ou se
no se tem um padro de comprimento para
calibrao da rgua, ento a medio possui
uma incerteza sistemtica, para menos ou para
mais. Esta incerteza pode ser facilmente
determinada (desde que se conhea o
coeficiente de expanso termal da rgua
metlica e as temperaturas de referncia e
real). O ponto, porm, que a medio estar
sempre superestimando ambos x e y ou
sempre subestimando x e y e nunca haver um
cancelamento, que justifique a soma em
quadratura de x e y para computar a incerteza
na soma q = x + y. Em outras palavras, as
medies de x e y tem uma componente de
dois, tem-se
(x )2 + (y )2 = 4 + 4 mm = 2,8 mm 3 mm
26
Propagao da Incerteza
Se as incertezas em x, y, ... z, u, ...w, so
conhecidamente independentes e aleatrias,
ento, a incerteza no valor computado de q a
raiz quadrada da soma dos quadrados das
incertezas individuais:
V1 = 130 6 mL
V2 = 65 4 mL
q =
( x ) 2 + ... + ( z ) 2 + ( u )2 + ...( w )2
(3.16)
Em qualquer caso, q nunca
maior que a soma aritmtica,
q x + y + ...+ z + u + v + ... + w
(3.17)
Resposta:
(a) V = 195 7 mL ou 195 mL 4%
(b) V = 195 10 mL ou 195 mL 5%
q=
3.7. Mais acerca de incertezas
independentes
x y ... z
u v ... w
q
x
z
u
w
= ( )2 + ...( )2 + ( )2 + ... + ( )2
q
x
z
u
w
(3.18)
Em qualquer caso, a incerteza relativa
nunca maior que a soma aritmtica,
q x y
w
z u
+
+ ... +
+ ... +
q
x
y
z
u
w
(3.19)
Note se que ainda no foi justificado o uso
da raiz quadrada da soma dos quadrados para
incertezas aleatrias e independentes. Foi
apenas sugerido que, quando as vrias
incertezas forem independentes e aleatrias,
h uma grande probabilidade de haver
cancelamentos de incertezas e que a incerteza
resultante sempre menor que a obtida com a
soma aritmtica das incertezas originais. A raiz
quadrada da soma dos quadrados tem esta
propriedade. A justificativa ser feita no Cap. 5.
Os limites sero provados no Cap. 9.
27
Propagao da Incerteza
desprezveis) e a incerteza em t significativa
( predominante). Tem-se:
e t
e
t
ou
e=
mgh
Vit
e m h V i t
=
+
+
+ +
e
m
h
V
i
t
= (1 + 1 + 1 + 1 + 5)% = 9%
Se h confiana que todas as incertezas
sejam independentes e aleatrias, pode-se
computar a incerteza resultante como a raiz
quadrada da soma dos quadrados:
e
m 2 h 2 V 2 i 2 t 2
= (
) +( ) +( ) +( ) +( )
e
m
h
V
i
t
Resposta:
28
Propagao da Incerteza
como clculos trigonomtricos ou raiz
quadrada e por isso necessrio saber como
as incertezas se propagam nestes casos.
Como exemplo, seja a medio de vazo
com placa de orifcio, onde a presso
diferencial gerada pela placa e medida pelo
transmissor proporcional ao quadrado da
vazo. Para se calcular a vazo, deve-se
extrair a raiz quadrada desta presso
diferencial medida.
Um modo simples de visualizar o clculo
desenhar um grfico de q(x), como na Fig. 3.2.
A melhor estimativa de q(x) qestimado =
q(xestimado) e os valores xestimado e qestimado so
mostrados ligados por linha cheia.
Para decidir qual a incerteza q,
empregado o argumento usual. O valor mais
provvel de x xestimado x. Usando o grfico,
pode-se encontrar imediatamente o maior valor
provvel de q, que mostrado como qmax. Do
mesmo modo, procede-se com o menor valor
provvel, como mostrado. Se a incerteza x
pequena (o que geralmente acontece), ento o
trecho da curva envolvido nesta construo
aproximadamente linear e qmax e qmin esto
igualmente espaados em torno de qestimado . A
incerteza q pode deduzida do grfico e podese expressar o valor de q na forma padro
qestimado q.
dq
u
dx
dq
x
dx
(3.21)
dq
x
dx
(3.22)
q(x)
qmax
qestimado
qmin
q(x + u) q(x) =
q
q
xestimado + x
q =
xestimado
dq
x
dx
(3.23)
29
Propagao da Incerteza
isto , a incerteza relativa em q = xn |n| vezes
a incerteza relativa de x. Para o caso particular
= 20 3o
(cos) =
d
= |sen | (radiano)
q 1 x
=
q 2 x
(3.24)
Incerteza na Potncia
Se a quantidades x medida com incerteza
x e usada para calcular a potncia q(x) = xn,
onde n um nmero fixo e conhecido) ento a
incerteza relativa em q |n| vezes a incerteza
relativa em x, ou seja
q
x
=n
q
x
Resposta: q = e3 e3 x 0,1 = 20 2
100 6. Calcular q =
(3.26)
dq
x = nx n1 x
dx
q
x
=n
q
x
30
Propagao da Incerteza
q = x(y z sen u)
q = y x (sen y)
Esta funo a diferena de dois termos: y
e (x sen y), porm estes dois termos no so
independentes, pois y aparece em ambos.
Assim, para achar a incerteza no resultado,
deve-se somar aritmeticamente as incertezas e
no usar a raiz quadrada da soma dos
quadrados. Em algumas aplicaes, este
tratamento pode resultar em incertezas
maiores que as verdadeiras. Para evitar esta
superestimativa da incerteza ser desenvolvido
outro mtodo
x = 200 2
y = 50 2
z = 40 2
3.10. Exemplos
Sero apresentados, agora e aqui, trs
exemplos do tipo de clculo encontrado em
laboratrio. Nenhum dos exemplos
complicado; de fato, poucos problemas reais
so mais complicados que estes exemplos.
(200 1%)
(50 4%)
(40 5%)
Resposta:
1. (y z) = 10 3 = 10 30% (Usado o
algoritmo da soma em quadratura)
2. x/(y-z) = 20 (1% + 30%) = 20 6
g=
4 2L
T2
31
Propagao da Incerteza
2. incerteza do quociente dos senos
ou seja,
g
L T
= + 2
g
L T
n
sen i sen r
=
+
n
sen i sen r
L = 92,95 + 0,01 cm
T = 1,936 0,004 s
Ar
Vidro
gestimado =
4 (92,95 cm)
= 979 cm/s 2
(1,936 s)2
2
L
= 0,1%
L
T
= 0,2%
T
resulta em
sen =
d sen
ou seja
sen = cos (em radianos)
g
= (0,1)2 + (0,2)2 % = 0,4%
g
A incerteza relativa
g = 0,004 x 979 cm/s2 = 4 cm/s2
sen
= cot (rad)
sen
O resultado final :
g = 979 4 cm/s2
sen i = n sen r
onde n o ndice de refrao do vidro. Assim,
medindo-se os ngulos i e r, pode-se
determinar o ndice de refrao n, como
n=
sen i
sen r
32
Propagao da Incerteza
Tab. 3.1. Caminho para determinar ndice de refrao
i (grau)
1o
r (grau)
1o
sen i
sen r
20
40
13
23,5
0,342
0,643
0,225
0,399
1,52
1,61
sen i
| sen i |
5%
2%
sen r
| sen r |
8%
4%
n
n
9%
5%
fotoclula 1
L
L
fotoclula 2
v 22 v 12
2s
ou
L2 1 1
a = 2 2
2s t 2 t 1
L2
= 0,125 cm 2%
2s
(3.35)
L2
= 0,125 cm
2s
A incerteza relativa neste fator :
2
L s
2 +
L s
33
Propagao da Incerteza
Fazendo a subtrao e combinando as
incertezas em raiz quadrada da soma dos
quadrados, tem-se
1 1
= 698 64 s - 2 = 698 s - 2 9%
t 22 t 12
(3.36)
Finalmente, a acelerao a obtida pelo
produto destes dois fatores e a sua incerteza
obtida pela raiz quadrada da soma dos
quadrados das respectivas incertezas relativas.
Tem-se
q=
(3.38)
x+y
x+z
(3.37)
q = xy - xz
pode ser reescrita como
q = x(y z)
Neste caso, a primeira expresso no pode
ter a incerteza calculada por etapas, porm, a
segunda expresso pode ter a incerteza
calculada por etapas, sem problema nenhum.
34
Propagao da Incerteza
Sejam duas quantidades x e y, que so
medidas para calcular a funo q(x, y). Esta
funo pode ser to simples como q = x + y ou
to complicada como q = (xy3 senxy)
Para uma funo q(x) de uma nica
varivel x, argumentou que a melhor
estimativa para x o nmero xestimado e por isso
a melhor estimativa para q(x) q(xestimado).
Depois, argumentou-se que os valores
provveis extremos (ou seja, o maior e o
menor) de x so xestimado x e que os valores
extremos correspondentes de q so portanto
q(xestimado x)
q
q
q( x estimado , y estimado )
x +
y
y
x
dq
u
dx
q(x, y) = x + y
(3.40)
Tem-se
q q
=
=1
x y
e portanto
q = x + y
(3.46)
Tem-se
q
=y
x
e
q
=x
y
Ento
q= yx + xy
(3.43)
(3.39)
q
q
x +
y
x
y
q
q
u+
v (3.42)
x
y
35
Propagao da Incerteza
Incerteza em funo de muitas variveis
q = x2y xy2
Sejam as quantidades
x, y, ..., z medidas com incerteza x, y, ..., z,
e usadas para calcular a funo q(x,y,...,z). Se
as incertezas so aleatrias e independentes,
ento a incerteza q dada por
2
q
q
q = x + ... + z
x
z
(3.47)
A melhor estimativa de q
q = 2,02 x 3,0 2,0 x 3,02 = 6,0
q
q
x + ... +
z
x
z
Para determinar q
1. Acha-se a incerteza qx , incerteza em q
devida apenas a x
(3.48)
q x =
q
x (se y = ...= z = 0)
x
q
x
x
(3.50)
(3.49)
q
y
y
(3.51)
(3.52)
36
Propagao da Incerteza
desprezvel quando comparada com 0,8 e
quando ambas so somadas em quadratura.
Resumindo:
1. Quando possvel aplicar o processo
de etapas, ele usualmente mais
simples que a regra (3.47) ou (3.48).
Ele se aplica quando as incertezas
forem aleatrias e independentes.
2. Se a funo q(x, y, ..., z) envolve uma
varivel mais de uma vez, pode haver
cancelamento de incertezas e o
processo por etapas pode dar resultado
muito maior que o razoavelmente
esperado e neste caso recomenda-se
usar a regra (3.47) ou (3.48) em uma
nica etapa.
37
Propagao da Incerteza
Definies e Equaes
do Captulo 3
x = |B| x
Se so observadas ocorrncias de um
evento que acontece aleatoriamente mas com
uma taxa definida mdia e contado um
nmero de ocorrncias durante um tempo T,
a estimativa para o nmero mdio verdadeiro
nmero mdio de eventos no tempo T =
ou de modo equivalente,
q x
q
x
[Ver (3.2)]
[Ver (3.9)]
Incerteza na potncia
Se n um nmero exato e
q = xn , ento
q
x
=n
q
x
[Ver (3.26)]
Somas e diferenas
Se
q = x + y + ... + z (u + v + ... + w)
ento
q = (x )2 + ... + (z)2 + (u)2 + ...( w )2
[Ver (3.16)]
desde que todas as incertezas sejam
independentes e aleatrias e sempre
q = q(xestimado + x) q(xestimado)
q x + y + ...+ z + u + v + ... + w
[Ver (3.17)]
Produtos e quocientes
Se
q=
x y ... z , ento
u v ... w
q
q
q = x + ... + z [Ver (3.47)]
x
z
q
x
z
u
w
= ( )2 + ...( )2 + ( )2 + ... + ( )2
q
x
z
u
w
[Ver (3.18)]
desde que todas as incertezas sejam
independentes e aleatrias. E sempre
q x y
z u
w
+
+ ... +
+ ... +
q
x
y
z
u
w
[Ver (3.19)]
Apostilas\Incerteza
38
JRTaylor2.doc
4. Incertezas Aleatrias
fazendo vrias medies diferentes de L e
medindo o perodo correspondente de cada
um. Neste modo, chega-se a vrios valores de
g. Para achar a incerteza nestes valores de g,
pode se proceder de dois modos:
1. pode-se estimar realisticamente as
incertezas nas medies de L e T e
ver como as incertezas se propagam
para achar a incerteza em g.
2. obtidos vrios valores de g, pode-se
analis-los estatisticamente, em
particular seu desvio padro ser uma
boa medio de sua incerteza.
Infelizmente, na realidade no se tem uma
escolha de como achar a incerteza. Se a
incerteza pode ser encontrada por estes dois
modos, na realidade se usam os dois modos
para verificar se os dois resultados so
consistentes, entre si, dando a mesma
resposta.
4.1. Introduo
O melhor modo para aumentar a confiabilidade de
uma medio repeti-la vrias vezes e analisar os
diferentes valores obtidos. Neste captulo, sero vistos os
mtodos para analisar as medies feitas deste modo.
39
(a)
Aleatria: pequena
Sistemtica: pequena
(c)
Aleatria: grande
Sistemtica: pequena
(b)
Aleatria: pequena
Sistemtica: grande
(d)
Aleatria: grande
Sistemtica: grande
40
(a)
Aleatria: pequena
Sistemtica: ?
(c)
Aleatria: grande
Sistemtica: ?
(b)
Aleatria: pequena
Sistemtica: ?
(d)
Aleatria: grande
Sistemtica: ?
41
72
72
73
71
(4.1)
71 + 72 + 72 + 73 + 71
= 718
,
5
(4.2)
Medies
i
1
2
3
4
5
(4.3)
mdia, x =
x=
x1 + x 2 +...+ xN
N
xi
N
(4.4)
(4.5)
x i = x i = x i = x1 + x 2 +...+ xN
i =1
Desvio
di = xi - x
-0,8
0,2
0,2
1,2
-0,8
di = 0,0
1
359
= 718
,
xi =
N
5
onde
x=
Valor medido
xi
71
72
72
73
71
xi = 359
42
1 N
1 N
( di )2 =
( xi x)2
N i=1
N i=1
(4.6)
de aproximadamente 0,7.
Infelizmente, o desvio padro tem uma
outra definio alternativa. H argumentos
tericos para substituir a fator N da eq. 4.6 por
(N 1)e definir o desvio padro x de x1, x2,...,
xN como
x =
Desvio
di = xi - x
-0,8
0,2
0,2
1,2
-0,8
di = 0,0
Quadrado do
desvio, di2
0,64
0,04
0,04
1,44
0,4
2
d
i = 2,80
x = 359 / 5 = 718
,
(4.8)
72
72
73
1 N
( x i x )2
N 1 i =1
(4.9)
1 N
(di )2 =
N 1 i =1
71
43
21
24
25
22
Encontrar o tempo mdio e o desvio
padro, usando a frmula com N - 1.
Resp.:
x = x
Para entender a noo de desvio padro,
deve-se ser capaz de calcul-lo para casos
simples como o do probleminha rpido 4.1. A
maioria das calculadoras cientficas possui uma
funo embutida para fazer automaticamente
os clculos (da mdia, desvio padro). Por
exemplo, na calculadora HP 20S, a operao
muito simples:
1. Limpar os dados da memria de
Estatstica acionando a tecla CLS,
amarelo (canto inferior direito, 1a tecla)
2. Entrar com dados, teclando o valor da
medio e apertando a tecla + (canto
direito, superior, 1a tecla direita)
3. Assim que a tecla + acionada,
aparece no visor da primeira o nmero
de ordem do dado, 1o, 2o, , no
4. Depois de entrados todos os dados,
a. teclar Amarelo, ex (para a mdia,
x)
b. teclar Amarelo LN (para o desvio
padro, sx)
5. Quando for entrar com outro conjunto
de dados, deve-se resetar os dados,
mesmo que a mquina tenha sido
desligada (teclar Amarelo CL)
A calculadora HP 20S usa a frmula com
N-1 para calcular o desvio padro.
44
(4.15)
(4.11)
k = 85,7 N/m
e desvio padro de
k
10
2
= 0,7 N/m
3
(4.16)
(4.13)
N no
(4.17)
(4.14)
N
Outros nomes comuns so erro padro,
incerteza padro, erro padro da mdia.
Assim, baseado em N valores medidos, x1,
x2,..., xN , pode-se estabelecer que o resultado
final para o valor de x como
valor de x = xestimado x
onde
xestimado = x
45
15
17
18
14
16
Encontrar a melhor estimativa para o tempo
e o desvio padro da mdia.
Resp.:
24,2
0,02
0,006
50,368
0,024
0,008
24
46
m
k
0,513
1,24
13,17
0,581
1,33
12,97
0,634
1,36
etc.
0,691
1,44
0,752
1,50
0,834
1,59
0,901
1,65
0,950
1,69
(4.21)
47
4 2m
k=
T2
k sist
m sist Tsist
=
+ 2
k
T
m
(4.22)
(4.23)
Portanto,
(4.24)
(4.26)
0,06 2 + 0,18 2
Finalmente
k = 13,16 0,19 N/m (ou 13,2 0,2 N/m)
A combinao da incerteza aleatria com a
sistemtica atravs da soma quadrtica no
pode ser rigorosamente justificada. Nem o
significado do resultado claro; por exemplo,
no se pode dizer com 68% de confiana que o
resultado final cai dentro da faixa kestimado k.
[A afirmativa de que o resultado final de x caia
dentro da faixa xestimado x, com 68% de
confiana, vlido somente para incertezas
aleatrias, que se distribuem conforme a
com incertezas
48
(4.27)
g = 0,04
e o resultado final vale:
g = 9,97 0,04 m/s2
que est muito distante do valor aceito
g = 9,80 m/s2
A discrepncia de 0,17, que 4 x 0,04.
Assim, o resultado 9,97 0,04 m/s2 no
satisfatrio e deve haver anlise adicional.
A primeira coisa a verificar a possibilidade
de ter havido um erro grosseiro no clculo de
gestimado ou nas incertezas galea e gsist. Se h
convico de que as medies e clculos esto
corretos, a prxima possibilidade que o valor
aceito esteja incorreto. No caso de g = 9,80
m/s2 isto improvvel, mas pode ser possvel
em muitas outras aplicaes. Por exemplo, a
densidade do ar depende muito da presso e
temperatura consideradas e por isso possvel
e provvel haver confuso com estes
parmetros.
Uma vez tenham sido eliminadas todas as
suspeitas, resta somente uma possibilidade:
deve ter sido omitida alguma incerteza
sistemtica, de modo que a incerteza total
calculada est muito pequena. Idealmente,
deve-se tentar achar o culpado, mas esta
procura pode ser difcil, pelos seguintes
motivos:
1. Talvez um dos instrumentos tenha uma
incerteza sistemtica maior do que a
calculada. Pode-se investigar esta
possibilidade determinando qual o
tamanho da incerteza sistemtica no
instrumento necessrio para provocar a
grande discrepncia encontrada. Se a
incerteza necessria razoavelmente
pequena, tem-se uma explicao
possvel do problema.
2. Outra possvel causa de incerteza
sistemtica o uso de um valor errado
para algum parmetro necessrio no
clculo. Este tipo de engano
geralmente acontece em laboratrio
quando o metrologista usa um valor
com muito poucos algarismos
significativos (ou seja, com grande erro
de arredondamento). Por exemplo, em
uma experincia que se quer uma
preciso de 1% e se usa a constante
1,7 x 10-27 kg, em vez de
1,67 x 10-27 kg, h um erro de
49
[Ver (4.14]
[Ver (4.26)]
Mdia
A melhor estimativa para x, baseado nestas
medies, sua mdia
x=
xi
N
[Ver (4.5)]
Desvio padro
A incerteza mdia das medies individuais
x1, x2, ..., xN, dada pela desvio padro:
x =
1 N
( x i x)2
N 1 i=1
[Ver (4.9)]
x = x
e com esta escolha, pode se estar 68%
confiante que qualquer uma medio de x ir
cair dentro x do resultado correto.
Apostilas\Incerteza
50
JRTaylor2.doc
5. Distribuio de Gauss
5.1. Introduo
Este captulo continua com a discusso da
anlise estatstica de medies repetidas. O
captulo 4 introduziu as idias importantes de
mdia, desvio padro e desvio padro da
mdia e foram vistos seus significados e alguns
de seus usos.
O primeiro problema que aparece, ao se
discutir as medies repetidas, achar o modo
de manipular e apresentar os valores obtidos.
Um modo conveniente usar uma distribuio
ou histograma, como descrito em 5.2. A seo
5.3 introduz a noo de distribuio limite, a
distribuio de resultados que seriam obtidos
se o nmero de medies se tornasse
infinitamente grande. Na seo 5.4, definida
a distribuio normal ou distribuio de Gauss,
que a distribuio limite de resultados para
qualquer medio sujeita a muitas pequenas
incertezas aleatrias.
Assim que as propriedades matemticas da
distribuio normal sejam entendidas, pode-se
provar facilmente vrios resultados
importantes. A seo 5.5 fornece a prova que,
com antecipado no Captulo 4, cerca de 68%
de todas as medies (todas de uma mesma
quantidade e usando o mesmo procedimento)
devem cair dentro de um desvio padro do
valor verdadeiro. A seo 5.6 prova o
resultado, usado no Captulo 1, que se so
feitas N medies x1, x2, ..., xN da mesma
quantidade x, ento a melhor estimativa xestimado
baseado nestes valores a mdia x = x i / N .
A seo 5.7 justifica o uso da soma quadrtica
quando as incertezas que se propagam so
aleatrias e independentes. Na seo 5.8
prova-se que a incerteza da mdia, quando
usada como a melhor estimativa do resultado
de x, dada pelo desvio padro da mdia,
xi
ni
23
1
24
3
25
2
26
3
27
0
28
1
51
23 + 24 + 24 + 24 + 25 + ... + 28
= 25
10
0
0
1
2
2
7
3
4
4
7
= 2,7
(5.3)
Tambm pode-se fazer assim:
x=
23 + ( 24 3) + ( 25 2) + (26 3) + 28
= 25
10
ou de um modo genrico:
x=
x in i
i
(5.4)
ni
N
Fi =
(5.6)
xF
i i
(5.7)
=N
(5.5)
F = 1
i
(5.8)
I
0
R
1
B
2
MB
3
L
4
52
Fi
0,3
0,2
0,1
0
22
xi
23
24
25
26
27
28
23,9
25,1
25,2
23,9
24,6
23,5
22,7
25,4
(5.9)
x
n
2223
1
2324
3
2425
1
2526
4
2627
1
2728
0
53
Resposta
N=1000
0,2
0,1
0
22
23
24 25
26
27
28
xi
Fi
0,4
0,3
N=100
0,2
0,1
0
0,4
0,3
22
23
24 25
26
27
28
xi
(a)
(b)
Fig. 5.5. Uma distribuio limite f(x).
(a) Aps muitas medies, a frao que cai entre x
e x + dx a rea f(x)dx da faixa estreita.
(b) A frao que cai entre x = a e x = b a rea
hachuriada.
54
(5.11)
importante entender o significado das
duas expresses eq (5.10) e eq. (5.11). Ambas
dizem qual a frao de medies esperada
cair em algum intervalo aps um grande
nmero de medies. Outro modo muito til
dizer que f(x)dx a probabilidade que uma
nica medio de x d um resultado entre x e x
+ dx.
f(x)dx = probabilidade que qualquer
uma nica medio de x d um
resultado entre x e x + dx.
(5.12)
b
f ( x )dx diz a
3
2
1
0
0
22
23
24
25
26
27
Fig. 5.6. Duas distribuies limites, uma para uma
medio muito precisa (linha contnua) e outra para
medio pouco precisa (linha pontilhada)
f ( x)dx = 1
(5.13)
x=
xF
i i
(5.14)
x=
xf ( x )dx
(5.15)
55
2x =
( x x) f ( x)dx
2
(5.16)
pequeno
valor verdadeiro de x
/ 2 2
(5.17)
56
f ( x)dx =
Ne
( x X )2 / 2 2
dx
(5.21)
= N e y
/ 2 2
(5.22)
dy
= N e z
/2
(5.23)
dz
z2 / 2
dz = 2
(5.24)
f ( x)dx = N
e ( x X
) / 2 2
(5.18)
f ( x)dx = 1
(5.19)
1
2
/ 2
(5.20)
57
x=
xG
X,
( x )dx
1
2
xe
( x X )2 / 2 2
dx
y 2 / 2 2
2
2
ye
dy
X
e y / 2 dy
+
(5.28)
Resposta
x=
xG
X,
( x )dx
(5.26)
(5.27)
(5.29)
2x =
(x x) G
2
X,
( x )dx
(5.30)
58
(5.31)
Prob (dentro ) =
e
2
z2 / 2
dz
(5.34)
e
2
z2 / 2
dz
(5.35)
f ( x)dx
a
Prob (dentro ) =
X,
( x )dx
(5.32)
1
2
X+
( x X )2 / 2 2
dx
(5.33)
59
0,25
0,5
0,75
1,0
1,25
1,50
2,0
P(%)
20
38
55
68
79
87
95,4
Resp.:
(a) entre 7 e 13: 87% (corresponde a 1,5 )
(b) menor que 7 e maior que 13: 13%
1
2
e ( x1 X )
/ 2 2
dx 1
1 ( x1 X ) 2 / 2 2
e
(5.36)
60
1 ( x 2 X )2 / 2 2
e
e do mesmo modo,
Prob(x2) =
Prob(xN) =
1 ( x N X )2 / 2 2
e
(5.37)
(5.38)
1 (xi X )2 / 22
e
(5.39)
N
ProbX,(x1,...,xN)
1 (xi X )2 / 22
e
N
(5.40)
( x i X) 2 / 2
i=1
( x X) = 0
i
i =1
ou
melhor estimativa para X =
(5.42)
1
N
( x X)
i =1
(5.43)
O valor verdadeiro X desconhecido.
Assim, na prtica, substitui-se X na (5.43) pela
melhor estimativa de X, que a mdia. Esta
substituio fornece a estimativa:
61
1 N
(x i x) 2
N i=1
(5.44)
1 N
( x i X)2
N 1 i =1
(5.45)
Agora hora de se fazer algumas revises:
Se as medies de x so sujeitas somente
a incertezas aleatrias, sua distribuio limite
a funo de Gauss, GX,(x) centrada no valor
verdadeiro X e com largura . A largura o
limite de confiana de 68%, em que h uma
probabilidade que qualquer medio ir cair
dentro uma distncia do valor verdadeiro X.
Na prtica, nem X e nem conhecido. Em
vez disso, conhecem-se os N valores medidos
x1, x2, ..., xN, onde N to grande quanto a
pacincia e o tempo o permitirem. Baseandose nestes N valores medidos, a melhor
estimativa do valor verdadeiro X tem sido
mostrado ser a mdia x = xi/N e a melhor
estimativa para a largura o desvio padro
de x1, x2, ..., xN, como definido em (5.45).
Duas questes adicionais aparecem:
1. Qual a incerteza em x como uma
estimativa do valor verdadeiro de X?
Esta questo ser discutida na seo
5.7, onde a incerteza em x ser
mostrada ser o desvio padro da
mdia, como definido no captulo 4.
(a) q = 6 3 C e x =
(b) q dq = 3 C e q + dq = 9 C
62
q=x+A
(5.47)
/ 2 2x
(5.48)
e [( q A ) X )
/ 2 2x
e [ q ( X + A )]
/ 2 2x
(5.49)
q = Bx
onde B um nmero fixo (como B = 2 ou
B = ). Se as medies de x so normalmente
distribudas, ento, raciocinando como antes,
conclui-se que:
probabilidade de obter valor q = probabilidade
de obter x = q/B
2
q
exp X / 2 2x
largura x
(a)
medida
largura x
(b)
calculada
= exp[ (q BX )2 / 2B 2 2x ]
(5.50)
largura x
(a)
medida
largura x
(b)
calculada
63
y2
Prob(y) exp 2
2 y
x
(b)
x 2 y 2 ( x + y )2 (Bx + Ay )2
+
=
+
A B
A +B
AB( A + B)
( x + y )2
+ z2
A +B
(5.51)
(5.54)
(5.55)
2
2
2( x + y ) 2
(c)
(5.53)
(a)
(5.52)
(5.56)
2
2
2
2( x + y )
(5.57)
Finalmente, o que se quer a
probabilidade de obter um determinado valor
de x + y, independente do valor de z. Esta
probabilidade obtida, somando ou melhor,
integrando (5.57) sobre todos os valores
possveis de z, ou seja:
Prob (x + y) =
Pr ob( x + y, z)dz
(5.58)
64
2 e se tem
( x + y )2
Prob(x + y) exp
2
2
2( x + y )
(5.59)
(5.60)
2x + 2y . O terceiro
2x + 2y .
q q
q = x + y
x y
(5.62)
Se os desvios padro x e x so
identificados como as incertezas em x e y, o
resultado (5.62) precisamente a regra (3.47)
para a propagao de incertezas aleatrias,
para o caso quando q uma funo de apenas
duas variveis, q(x,y). Quando q depende de
muitas variveis, q(x,y,...,z), o argumento
anterior pode ser estendido imediatamente
para estabelecer a regra geral (3.47) para
funes de muitas variveis. Como as regras
do Captulo 3 relacionadas com a propagao
de incertezas aleatrias podem ser derivadas
de (3.47), todas elas so agora justificadas.
x
N
(5.63)
65
x1 + x 2 + ... + x N
N
(5.64)
x
x
x =
x1 +
x 2 + ... +
xN
x
1
2
x
x
x
1
=
= ... =
=
x1 x 2
x N N
1
1
x = x + ... + x
N
2x
= x
2
N
N
(5.66)
(5.65)
Como x1, x2, ..., xN, so todas medies da
mesma quantidade x, suas larguras so iguais
entre si e a x,
x1 = x2 = ... = xN = x
V-se tambm de (5.64) que todas as
derivadas parciais em (5.65) so iguais:
66
largura
largura
67
x estimado x esperado
(5.67)
(5.68)
68
69
f ( x)dx
f ( x )dx = 1
[Ver (5.13)]
1 N
( x i X)2
N 1 i =1
x=
xf ( x)dx
[Ver (5.15)]
incerteza em x =
Se medies de x so sujeitas a muitas
pequenas incertezas aleatrias mas a
incertezas sistemticas desprezveis, sua
distribuio limite ser a distribuio normal ou
de Gauss:
G X, ( x ) =
e( x X )
/ 2
[Ver (5.66)]
[Ver (5.25)]
1
2(N 1)
Ver [(5.46)]
onde
X = valor verdadeiro de x
= centro da distribuio
= valor mdio aps muitas medies
e
= parmetro largura da distribuio
= desvio padro aps muitas medies
A probabilidade uma medio isolada cair
dentro de t desvios padro de X
Prob (dentro t) =
e
2
z2 / 2
dz
(5.35)
70
x estimado x esperado
Apostilas\Incerteza
JRTaylor2.doc
71
Parte 2
6. Rejeio de Dados
7. Mdias Ponderadas
8. Ajustando aos Mnimos Quadrados
9. Covarincia e Correlao
10. Distribuio Binomial
11. Distribuio de Poisson
12. Teste do Chi-Quadrado para uma Distribuio
Depois de lido e entendido o Captulo 5, est se preparado
para, com surpreendentemente pouca dificuldade, estudar
vrios tpicos mais complicados. Os captulos da Parte 2
apresentam sete destes tpicos, alguns dos quais so
aplicaes da teoria estatstica j desenvolvida e outros so
extenses adicionais desta teoria. Todos so importantes e
devem ser vistos agora ou no futuro. Eles foram arranjados de
modo independente de modo que podem ser estudados de
uma nica vez ou parceladamente.
72
6. Rejeio de Dados
6.1. Introduo
Este captulo discute a questo
desconfortvel de descartar ou no uma
medio que parece duvidosa ou que aparenta
ser um engano. Este tpico controverso;
alguns metrologistas argumentam que
descartar uma medio, justamente porque ela
parece no razovel nunca justificado. De
qualquer modo, h um teste simples que, no
mnimo, pode ser aplicado, quando se defronta
com esta situao. O teste chamado de teste
de Chauvenet e uma bonita aplicao das
idias estatsticas desenvolvidas nos captulos
4 e 5.
3,8
3,5
3,9
3,4
3,9
1,8
(6.1)
73
Rejeio de Dados
6.3. Critrio de Chauvenet
Sejam novamente as seis medies
3,8
3,5
3,9
3,4
3,9
1,8
(6.2)
x = 0,8 s
(6.3)
t susp =
x susp x
x
(6.4)
74
Rejeio de Dados
x = 5,1
6.4. Discusso
A diferena entre o valor suspeito xsusp = 58
e a mdia x = 45,8 12,2 que corresponde a
2,4 desvios padro, isto :
x susp x
58 45,8
= 2,4
x
5,1
Referindo tabela no Apndice A, v-se
que a probabilidade que uma medio difira da
mdia x por 2,4 x ou mais, 98,4%. Ento,
t susp =
e
V = 2 V
Na hora de escrever o relatrio, entre as 20
medies foi encontrado o valor suspeito de 56
V.
(a) Qual a probabilidade desta medio
se desviar de V ?
(b) Se decidido usar o critrio de
Chauvenet , o valor deve ser rejeitado?
(c)
Resp.: 98,76% ento Prob = 0,0124 x 20 = 0,25 e por isso deve
ser rejeitado.
75
Rejeio de Dados
usando se os dados remanescentes. O valor
resultante de x ser muito menor que o valor
original e com o novo x, algumas medies
podem tambm cair fora pelo critrio de
Chauvenet .Porm, h consenso que o critrio
de Chauvenet no deve ser aplicado uma
segunda vez usando os valores recalculados
de x e x.
x susp x
x
76
7. Mdias Ponderadas
7.1. Introduo
Este captulo trata do problema de
combinar duas ou mais medies separadas
e independentes de uma nica quantidade
fsica. Ser visto que a melhor estimativa
desta quantidade, baseando-se em vrias
medies, uma mdia ponderada destas
medies.
(7.1)
Instrumentista B : x = xB B
(7.2)
ProbX(xB)
1 ( xB X )2 / 2B2
e
(7.4)
B
2
1
e / 2
A B
(7.5)
77
x X xB X
+
2 = A
A B
(7.6)
A B
1
1
2 + 2
B
A
(7.7)
wA =
1
1
e wB = 2
2A
B
(7.8)
Combinando-se os resultados,
determinar:
(a) os respectivos pesos?
(b) mdia ponderada obtida e sua
incerteza?
Resposta:
(a) 4 e 1
(b) 10,4 0,4
w x
w
i
(7.10)
(7.9)
Se as duas medies originais so
igualmente incertezas (A + B) e assim
wA = wB , ento este resultado se reduz
mdia aritmtica (xA + xB)/2. Em geral,
wi =
1
i2
(7.11)
para i = 1, 2, ..., N.
78
pond =
(7.12)
i
i =
(7.13)
i
R=
(1 11) + (1 12) + ( 91 10 )
= 11,42
1 + 1 + 91
7.4. Um exemplo
Foram feitas trs medies da mesma
resistncia, obtendo-se os seguintes
resultados:
1:
2:
3:
11 1
12 1
10 3
w2 = 1
w3 = 1/9
79
w x
w
i
[Ver (7.10)]
1
i2
A incerteza em xpond
1
pond =
wi
[Ver (7.12)]
Apostilas\Incerteza
JRTaylor1.doc
80
8. Mnimos Quadrados
Quando se faz uma srie de medies do
tipo descrito, pode-se fazer duas perguntas:
8.1. Introduo
A discusso da anlise estatstica dos
dados at agora foi focalizada exclusivamente
na medio repetida de uma nica quantidade,
no porque a anlise de muitas medies de
uma quantidade seja um problema mais
interessante, mas porque este problema
simples deve ser bem entendido antes de
qualquer discusso adicional. Agora, h base
para se discutir o primeiro problema, mais
importante e geral.
(a)
(b)
(8.1)
81
Mnimos Quadrados
dados e os dados experimentais com suas
barras de incerteza. Ento, julga-se
visualmente se a linha passa suficientemente
prxima de todas as barras de incerteza. Se as
incertezas no so conhecidas com confiana,
deve-se julgar como os pontos de adequam
linha reta, examinando a distribuio dos
pontos em si. Esta questo ser tratada no
Captulo 9.
(8.2)
1 ( y i A Bx i )2 / 2 2y
e
y
(8.3)
1 X2 / 2
e
Ny
(8.4)
i=1
( y i A Bx i )2
2y
(8.5)
(8.6)
2 2 N
= 2 x i ( y i A Bx i ) = 0
B
y i =1
(8.7)
(8.8)
e
A
+B
2
i
x y
i
(8.9)
x y x xy
(8.10)
B=
N xy x y
(8.11)
82
Mnimos Quadrados
= N x 2
( x )
(8.12)
mi
yi
Li
D = N m2 (m)2
= 5 x 220 302 = 200
Depois, de (8.10), acha-se a constante A:
m L m mL
2
A=
A=
L = A + Bm
(8.13)
B=
B=
Medio
i
x
carga, mi
y
comprimento, Li
1
2
3
4
5
2
4
6
8
10
42,0
48,4
51,3
56,3
58,6
N=5
mi=30
Li=30
mi
4
16
36
64
100
mi =220
2
5 1622 30 256,6
= 2,06 cm/kg
200
N mL m L
L A (53,2 39,0)cm
=
= 6,9 kg
B
2,06 cm/kg
miLi
84
194
308
450
586
miLi=1,622
83
Mnimos Quadrados
comprimento (cm)
60
50
40
massa (kg)
2
10
6
4
2
x
1
1
( yi A Bx i )2
N
(8.14)
1
( yi A Bx i )2
N2
(8.15)
84
Mnimos Quadrados
confiabilidade das medies. Agora, como
ambos os pontos caem exatamente na
melhor curva, os dois termos da soma em
(8.14) e (8.15) so zero. Assim, a frmula
(8.14) com N = 2 no denominador daria a
resposta absurda de y = 0 enquanto que
(8.15) com (N 2) no denominador d
y = 0/0, indicando corretamente que y
indeterminado aps somente duas
medies.
A presena do fator (N 2) em (8.15)
reminiscncia do (N 1) que apareceu na
estimativa do desvio padro de N medies de
uma quantidade x, na eq. (5.45). L, tinha-se N
medies de x1, x2, ..., xN de uma quantidade x.
Antes de calcular x, usavam-se os N dados
para achar a mdia x . Em um certo sentido,
esta computao deixava somente (N 1)
valores medidos independentes, de modo que
se dizia que, tendo computado x , tem-se
apenas (N 1) graus de liberdade. Aqui, temse N medies mas antes de calcular y, devese computar as duas quantidades A e B. Tendo
feito isto, tem-se apenas (N 2) graus de
liberdade restados. Em geral, define-se o
nmero de graus de liberdade em qualquer
estagio em um clculo estatstico como o
nmero de medies independentes menos o
nmero de parmetros calculados destas
medies. Agora pode-se mostrar que o
nmero de graus de liberdade, no o nmero
de medies, o que deve aparecer no
denominados de frmulas com (8.15) e (5.45).
Este fato explica por que (8.15) contem o fator
(N 2) e (5.45) o fator (N 1).
(8.16)
e
B = y
= N x 2
(8.12)
y(equiv ) =
dy
x
dx
(8.18)
y (equiv ) =
(8.17)
( x )
dy
x
dx
(8.19)
85
Mnimos Quadrados
reta, porque a inclinao dy/dx a constante B.
Assim para uma linha reta
y (equiv) = B x
(8.20)
erro equivalente em y
(x, y)
y = dx/dy x
erro x em x
x
y (equiv) = 2y + (B x )2
(8.21)
(8.22)
ou
T A = BP
onde T A a temperatura absoluta. Tem-se
que a temperatura absoluta proporcional
presso, com o volume constante.
Aqui, a constante A a temperatura em
que a presso P cairia para zero (se antes o
gs no condensar em um lquido). Esta
temperatura chamada de zero absoluto da
temperatura e tem o valor aceito de
A = -273,15 oC
A constante B depende da natureza do gs,
sua massa e seu volume. Pela medio de
uma srie de valores para T e P, pode-se achar
as melhores estimativas para as constantes A
e B. Em particular, o valor de A d o zero
absoluto de temperatura.
Um conjunto de cinco medies de P e T
obtido, como mostrado nas primeiras trs
colunas da Tab. 8.2. A medio de P
considerada sem incerteza e a de T tem
incerteza constante, de cerca de alguns graus.
Assumindo que os pontos formem uma linha
reta do tipo (8.22), deve-se calcular a melhor
estimativa para a constante A (o zero absoluto)
e sua incerteza. Que concluses se pode tirar?
Tudo que tem que fazer aqui usar as
frmulas (8.10) e (8.16), com xi substitudo por
Pi e yi por Ti, para calcular todas as
quantidades de interesse. preciso calcular as
somas P, P2, T e PT. Muitas calculadoras
86
Mnimos Quadrados
podem calcular automaticamente estas contas,
mas mesmo sem tais mquinas, pode-se
facilmente manipular estes clculos, se os
dados forem organizados de modo
conveniente. Da Tab. 8.2, pode-se calcular
P = 425
P2 = 37,125
T = 260
T =
1
(Ti A BPi )2 = 6,7
N2
PT = 25 810
A = T
(oC)
de um gs
Presso
Temperatura
Pi
Ti
65
-20
-22,2
75
17
14,9
85
42
52,0
95
94
89,1
105
127
126,2
A + BPi
P T P PT
2
= -263,35
e
B=
N PT P T
= 18
Medio
A=
= 3,71
T (oC)
100
0
-100
20
40
60
80
100
P (mm Hg)
-200
-300
87
Mnimos Quadrados
Fig. 8.4. Grfico da temperatura T vs presso para um
gs, a volume constante. As barras de incerteza
estendem um desvio padro, x, em cada lado das cinco
pontos experimentais e a reta o encaixe dos mnimos
quadrados. O zero absoluto de temperatura foi
encontrado atravs da extrapolao da reta at seu ponto
de interseo no eixo de T.
i =1
(8.23)
(8.24)
/2
(8.25)
onde agora
2 =
( y i A Bx i Cx i2 )2
2y
(8.26)
(8.27)
(8.28)
88
Mnimos Quadrados
Para esta funo e, de fato, para qualquer
funo que seja linear nos parmetros A, B, ...,
as equaes normais que determinam as
melhores estimativas para A, B, ... so
simultaneamente equaes lineares, que
podem sempre ser resolvidas.
Funes exponenciais
Uma das funes mais importantes na
engenharia a funo exponencial
y=Ae
Bx
(8.29)
N = N0e-t/
(8.31)
(8.30)
Tempo ti (dia)
Populao Ni
zi = ln Ni
153 000
11,94
137 000
11,83
128
11,76
(8.33)
89
Mnimos Quadrados
coluna de Tab. 8.3. Usando estes nmeros,
faz-se o encaixe dos mnimos quadrados para
a linha reta (8.33) e acham-se as melhores
estimativas para os coeficientes ln N0 e (-1/):
ln N0 = 11,93
(-1/) = -0,089 dia-1
O segundo dos coeficientes implica na
melhor estimativa para a vida mdia
= 11,2 dias
O mtodo descrito atrativamente simples,
especialmente quando se dispe de uma
calculadora com a funo de regresso linear e
freqentemente usado. Mesmo assim, o
mtodo no parece muito lgico. A derivao
do encaixe dos mnimos quadrados para uma
linha reta y = A + Bx foi baseada na hiptese
que os valores medidos y1, y2, ..., yN tinham
incertezas iguais. Aqui, est se fazendo o
encaixe dos mnimos quadrados usando a
varivel z = ln y. Agora, se os valores medidos
yi so igualmente incertos, ento os valores zi =
ln yi no o so. De fato, da propagao de
incerteza se sabe que:
x =
dz
y
dy
(8.34)
z = A + Bx + Cy
(8.35)
(8.36)
Ay + Bxy + Cy2 = yz
As equaes podem ser resolvidas para A,
B e C para dar o melhor encaixe para a relao
(8.35). Este mtodo chamado de regresso
mltipla, mltipla porque h mais de duas
variveis.
90
Mnimos Quadrados
Linha reta atravs da origem (y = Bx);
pesos iguais
x y x xy
B=
xy
x
2
y =
e a incerteza em B
y
B =
A=
[Ver (8.10)]
e
B=
N xy x y
[Ver (8.11)]
onde o denominador :
= N x 2
( x )
[Ver (8.12)]
A=
wx wy wx wxy
B=
w wxy wx wy
1
( yi A Bx i )2
N2
B = y
[Ver (8.15)]
onde
= w wx 2 ( wx )2
As incertezas em A e B so:
A = y
[Ver (8.16)]
[Ver (8.17)]
91
Mnimos Quadrados
As incertezas em A e B so:
A =
wx
e
B =
Outras curvas
Se y esperado ser um polinmio em x,
como
y = A + Bx + Cx2 + ... + Hxn
ento um mtodo exatamente analogo ao
encaixe dos mnimos quadrados pode ser
usado, embora as equaes sejam muito
complexas se n grande. Curvas da forma
y = Af(x) + Bg(x) + ... + Hk(x)
onde f(x), g(x), ..., k(x) so funes conhecidas,
podem tambm ser manipuladas do mesmo
modo.
Se y esperado ser dado pela funo
exponencial,
y = AeBx
ento se pode linearizar o problema, usando a
varivel auxiliar z = ln(y), que satisfaz a
seguinte relao linear:
z = ln (y) = ln (A) + Bx
[Ver (8.31)]
Apostilas\Incerteza
JRTaylor7.doc
92
9. Covarincia e Correlao
para a incerteza no valor calculado de q(x, y)
a soma quadrtica.
9.1. Introduo
Este captulo introduz o importante
conceito de covarincia. Como este conceito
aparece naturalmente na propagao de
incerteza, a seo 9.1 comea com uma
rpida reviso de propagao da incerteza.
Esta reviso estabelece o estagio da seo
9.2, que define a covarincia e discute sua
funo na propagao da incerteza. Depois,
a seo 9.3 usa a covarincia para definir os
coeficientes de correlao linear para um
conjunto de pontos medidos (x1, y1), ..., (xN,
yN). Este coeficiente, chamado de r, fornece
uma medida de como os pontos encaixam
em uma linha reta da forma y = A + Bx; seu
uso descrito nas sees 9.4 e 9.5.
q
q
x +
y
y
x
(9.1)
q q
q = x + y
x y
(9.2)
q q
q = x + y
x y
(9.3)
Se as medies de x so normalmente
distribudas, ento no limite em que N
grande, a definio (9.4) equivalente a
93
Covarincia e Correlao
definio x como o parmetro largura que
aparece na funo de Gauss
2
2
1
e ( x X ) / 2x
x 2
que governa as medies de x. Como agora
se considera a possibilidade que as
incertezas em x possam ser no
normalmente distribudas, esta segunda
definio no mais vlida. Pode-se e ser
ainda definido x por (9.4). Se a distribuio
de incertezas normal ou no, esta definio
de x d uma medida razovel das incertezas
aleatrias na medio de x. (Como no
Captulo, foi suposto que todas as incertezas
sistemticas foram identificadas e reduzidas
a um nvel desprezvel, de modo que todas
as incertezas residuais so aleatrias).
A ambigidade permanece tanto quando
se usa a definio (9.4) de x ou a definio
melhorada com o fator N no denominador
substitudo por (N 1). Felizmente, a
discusso que se segue se aplica a qualquer
definio, desde que se continue consistente
na aplicao com uma ou outra. Por
convenincia, ser usada a definio (9.4),
com N no denominador, neste captulo.
qi = q(xi, yi)
(9.5)
q=
1
N
i =1
q( x, y) + x ( x x) + y ( y y)
i
i =1
q
q
(xi x) +
( yi y)
x
y
q( x, y ) +
q = q( x, y )
(9.6)
1
(qi q)2
N
2q =
q
1
q
( xi x) +
( y i y )
N x
y
q 1
=
x N
+2
q 1
( x i x )2 +
y N
(y y)
i
q q 1
( xi x)( yi y)
x y N
94
Covarincia e Correlao
Os dois primeiros termos de (9.7) so
aqueles que aparecem na definio dos
desvios padro x e y. A soma final uma
novidade. chamada a covarincia de x e y
e denotada como
xy =
1
N
( x x)( y y)
i
(9.8)
i =1
q
q q
q
2q = 2x + 2y + 2
xy
x y
x
y
(9.9)
q
q
2q = 2x + 2y
x
y
de x e y so dependentes, a covarincia xy
no necessariamente zero. Por exemplo,
fcil imaginar a situao em que uma
superestimativa de x ser sempre
acompanhada por uma superestimativa de y
e vice versa. Os nmeros (xi - x ) e (yi - y )
sempre tero o mesmo sinal (ambos
positivos ou ambos negativos) e seu produto
ser sempre positivo. Como todos os termos
na soma (9.8) so positivos, xy ser positivo
(e no zero), mesmo no limite com infinitas
medies. Do modo contrrio, pode-se ter
situaes em que uma superestimativa de x
sempre acompanhada de uma subestimativa
de y e vice versa e neste caso, os nmeros
(xi - x ) e (yi - y ) sempre tero sinal opostos
(um positivo e outro negativo) e xy ser
sempre negativo. Este caso ilustrado no
exemplo abaixo.
Quando a covarincia xy no zero
(mesmo no limite de infinitas medies), diz
se que as incertezas em x e y esto
correlacionadas. Neste caso, a incerteza q
em q(x, y) como dada em (9.9) no a
mesma quando se usa a frmula (9.10) para
incertezas independentes e aleatrias.
Exemplo: Dois ngulos com uma
covarincia negativa
Foram feitas cinco medies dos mesmos
dois ngulos e e encontrados os
resultados nas trs primeiras colunas da Tab.
9.1.
Tab. 9.1. Cinco medies de dois ngulos e
Medida
35
50
-2
-4
31
55
-2
-6
33
51
-1
32
53
-1
-1
34
51
-1
-1
( )( - )
95
Covarincia e Correlao
(incorretamente) que as incertezas em
e sejam independentes e que q
foi dado por (9.10).
As mdias so achadas facilmente:
= 33
= 52
1
1
( )( ) = ( 12) = 2,4
N
5
Medio
25
33
27
34
29
38
96
Covarincia e Correlao
Usando a frmula (9.9), pode-se derivar
um limite superior de q que sempre vlido.
fcil provar que a covarincia xy satisfaz a
chamada desigualdade de Schwarz
xy x y
(9.11)
q
q q
q
xy
2x + 2y + 2
x
y
x y
2
q
q
q
y
= x +
y
x
ou seja,
q
q
q
x +
y
x
y
(9.12)
q
q
x +
y
x
y
(9.13)
97
Covarincia e Correlao
complicada do que uma simples reta y = A +
Bx. Por exemplo, h muitas leis fsicas que
levam a relaes da forma y = A + Bx + Cx2.
Mesmo assim, nesta seo a discusso ser
restrita ao problema mais simples de decidir
se um dado conjunto de pontos suporta a
hiptese de uma relao linear y = A + Bx.
A extenso em que um conjunto de
pontos (x1, y1), ...., (xN, yN) sustenta uma
relao linear entre x e y medida por um
coeficiente de correlao linear ou
simplesmente coeficiente de correlao,
r=
xy
(9.14)
xy
( x x)( y y)
(x x) (y y)
i
(9.15)
y i y = B( x i x )
para cada i. Inserindo este resultado em
(9.15), acha-se que
(x x)
(x x) B (x x)
2
r=
B
= 1
B
(9.16)
Ou seja, se os pontos (x1, y1), ..., (xN, yN)
caem perfeitamente em uma linha, ento r =
1 e seu sinal determinado pela inclinao
da reta: r = 1 para B positivo e r = -1 para B
negativo. Se a linha for horizontal B = 0 e
(9.16) d 0/0, que uma indeterminao.
Felizmente, este caso especial no
importante, na prtica, porque ele
corresponde a y ser um constante,
independente de x. Mesmo quando as
variveis x e y realmente so linearmente
correlacionados, no se espera que os
pontos experimentais caiam todos
exatamente em uma linha. Assim, no se
espera que r seja exatamente 1. Na pratica,
espera-se um valor de r que seja prximo de
1, quando se acredita que x e y sejam
linearmente correlacionados.
Suponha-se, por outro lado, que no h
relao entre as variveis x e y. Qualquer
que seja o valor de yi, cada xi teria a mesma
probabilidade de estar acima ou abaixo de x .
Assim, os termos na soma
(x
x )( y i y )
98
Covarincia e Correlao
de correlao para estes 10 pares de notas
r = 0,8. O professor conclui que este valor
razoavelmente prximo de 1 e ento pode
anunciar aos alunos que, por causa das
notas do dever de casa e dos exame
mostrarem boa correlao, importante fazer
o dever de casa.
Tab. 9.3. Notas dos estudantes
Estudante
i
Nota casa
xi
Nota exame
yi
1
2
3
4
5
6
7
8
9
10
90
60
45
100
15
23
52
30
71
88
90
71
65
100
45
60
75
85
100
80
Resp.: r = 0,94
99
Covarincia e Correlao
ro\N
10
20
50
100
100
100
100
100
0,1
94
85
78
67
49
0,2
87
70
58
40
16
0,3
81
56
40
20
0,4
74
43
25
0.4
0,5
67
31
14
0,6
59
21
0,5
0,7
51
12
0,1
0,8
41
0,5
0,9
29
100
Covarincia e Correlao
9.6. Exemplos
Sejam trs pares de valores (xi, yi)
medidos e encontrado um coeficiente de
correlao de 0,7 (ou 0,7). Este valor
sustenta a hiptese que x e y so
linearmente relacionados?
Referindo-se Tab. 9.4, v se que se as
variveis x e y so completamente no
correlatas, a probabilidade 51% de obter |r|
0,7, quando N = 3. Em outras palavras,
inteiramente possvel que x e y sejam no
correlatos, de modo que no se tem
evidencia confivel de correlao. De fato,
com apenas trs medies, obter evidencia
de uma correlao seria muito difcil. Mesmo
um coeficiente observado to grande quanto
0,9 insuficiente, pois a probabilidade de
29% de obter |r| 0,9, de trs medies de
variveis no correlatas.
Se achada uma correlao de 0,7 de
seis medies, a situao um pouco
melhor, mas ainda no suficientemente boa.
Com N = 6, a probabilidade de achar |r| 0,7
de variveis no correlatas 12%. Esta
probabilidade no suficientemente pequeno
para excluir a possibilidade que x e y sejam
no correlatos.
Por outro lado, se achada uma
correlao de r = 0,7 com 20 medies, temse uma forte evidncia de uma correlao,
porque quando
N = 20 a probabilidade de se ter |r| 0,7 de
duas variveis no correlatas de somente
0,1%. Por qualquer padro, isto muito
pouco provvel e pode-se com confiana
dizer que uma correlao indicada. Em
particular, a correlao pode ser chamada
altamente significativa porque a probabilidade
associada menor que 1%.
101
Covarincia e Correlao
xy =
1
N
( x x)( y y)
i
[Ver (9.8)]
i =1
q
q q
q
xy
= 2x + 2y + 2
x y
x
y
2
q
[Ver (9.9)]
Se as incertezas em x e y so
independentes, ento xy = 0 e esta equao
se reduz frmula usual para a propagao
da incerteza. Se as incertezas so
independentes ou no, a desigualdade de
Schwarz (9.11) estabelece o limite superior:
q
q
y
x +
y
x
[Ver (9.12)]
Coeficiente de correlao
Dadas N medies (x1, y1), ..., (xN, yN) de
duas variveis x e y, define-se o coeficiente
de correlao r como
r=
xy
xy
( x x)( y y)
(x x) (y y)
i
[Ver (9.15)]
x y Nx y
( x Nx )( y Ny
i
2
i
2
i
)
Apostilas\Incerteza
JRTaylor8.doc
102
Distribuio Binomial
10.2. Distribuies
O Captulo 5 introduziu a idia de
distribuio, funo que descreve a proporo
de vezes que uma medio repetida fornece
cada um de seus vrios possveis resultados.
Por exemplo, pode-se fazer N medies do
perodo T de um pndulo e achar a distribuio
dos vrios valores medidos de T ou se pode
medir as alturas h de N baianos e achar a
distribuio das vrias alturas medidas.
Depois se introduziu a noo de
distribuio limite, a distribuio que seria
obtida no limite em que o nmero de medies
N se tornasse muito grande. A distribuio
limite pode ser vista como mostrando a
probabilidade que uma medio assuma
qualquer um dos valores possveis: a
probabilidade que uma medio do perodo
fornea qualquer valor particular T; a
probabilidade que um baiano (escolhido
aleatoriamente) tenha uma particular altura de
1,70 m. Por isso, a distribuio limite tambm
chamada de distribuio probabilidade.
Uma das muito possveis distribuies
limites, a nica que j foi discutida, a
distribuio normal ou de Gauss, que descreve
a distribuio de resultados para qualquer
medio sujeita a muitas fontes de incertezas
que so todas aleatrias e pequenas. Como
tal, a distribuio de Gauss a mais importante
de todas as distribuies limites para o
metrologista. Mesmo assim, vrias outras
distribuies tem grande importncia prtica ou
terica e sero apresentadas duas agora.
Este captulo descreve a distribuio
binomial, que de grande importncia prtica
para o metrologista. Sua simplicidade a torna
uma introduo excelente para muitas
propriedades de distribuies e ela
teoricamente importante, porque se pode
derivar dela a de Gauss.
1
1
Prob (3 azes em 3 dados) = =
216
6
= 0,005 = 0,5%
O clculo da probabilidade para dois dados
( = 2) um pouco mais difcil porque se pode
obter dois azes em trs dados de vrios
modos:
1. A, A e no A (1o e 2o lanamentos)
2. A, no A e A (1o e 3o lanamentos)
3. no A, A e A (2o e 3o lanamentos)
Seja a probabilidade de obter dois azes em
qualquer ordem definida, por exemplo,
(A, A e no ). A probabilidade para o primeiro
dado dar s 1/6 e para o segundo dar s
tambm 1/6 mas a probabilidade para o
terceiro no dar s de 5/6. Assim, a
probabilidade para dois azes nesta ordem
determinada de
2
1
5
Prob (A, A, no A) =
6
6
103
Distribuio Binomial
= 0,069 = 2,3%
A probabilidade para dois azes em
qualquer outra ordem definida a mesma.
Finalmente, h trs ordens diferentes para se
obter dois azes.
Prob (2 azes em 3 lanamentos) =
2
1
5
= 3 =
6
6
(10.1)
= 0,069 = 6,9%
Do mesmo modo, obtm-se as
probabilidades para se obter um s em trs
lanamentos
Prob (1 s em 3 lanamentos) =
2
1 5
3 =
6 6
= 0,347 = 34,7%
e para sair nenhum s em 3 lanamentos:
3
5
Prob (0 s em 3 lanamentos) = =
6
n(n 1)...(n + 1) n
p q
1 2 ...
(10.2)
= 0,579 = 57,9%
As concluses numricas podem ser
resumidas desenhando a distribuio
probabilidade para o nmero de azes obtido
quando jogando trs dados, como na Fig. 10.1.
Esta distribuio um exemplo da distribuio
binomial.
57,9%
50%
(10.3)
34,7%
=
6,9%
n!
! (n )!
(10.4)
0,5%
0%
104
Distribuio Binomial
[Por conveno, 0! = 1 e n =1.]
0
p q
(10.5)
=0
Distribuio binomial
1
Prob (0 caras em 4 jogadas) = 1 =
2
n
= p qn
= 0,0625 = 6,25%
(10.6)
37,5%
25,0%
(10.7)
25,0%
6,25%
6,25%
0%
0
1 5
3
6 6
50%
105
Distribuio Binomial
n,p
( )
(10.8)
=0
Bn,p( ) GX,(x)
(10.9)
(10.10)
(10.11)
(n grande)
(10.12)
com
X = np e = np(1 p)
A eq. (10.12) considerada a aproximao
da gaussiana para a distribuio binomial
No ser provado aqui, mas sua verdade
claramente ilustrada na Fig. 10.3, que mostra
como a distribuio binomial para p = e para
trs valores sucessivamente grandes de n (n =
3, 12 e 48). Superposta em cada distribuio
binomial est a distribuio gaussiana com a
mesma mdia e mesmo desvio padro. Com
apenas trs testes, a distribuio binomial
muito diferente da correspondente distribuio
gaussiana. Em particular, a distribuio
binomial nitidamente assimtrica, enquanto a
distribuio gaussiana perfeitamente
simtrica em relao a sua mdia. Porm, para
n = 12, a assimetria da distribuio binomial
muito menos pronunciada e as duas
distribuies esto muito prximas entre si.
Com n = 48, a diferena entre a binomial e a
correspondente distribuio gaussiana
106
Distribuio Binomial
mnima e na prtica as duas podem ser
consideradas iguais.
36! 1
23!13! 2
36
(10.15)
107
Distribuio Binomial
independentes de incerteza aleatria (efeitos
de paralaxe, tempos de reao, condies
ambientais, operador). Para simplificar a
discusso, admite-se que todas estas fontes
produzam incertezas aleatrias do mesmo
tamanho fixo . Isto , cada fonte de incerteza
empurra o resultado para cima ou para baixo
por e estas duas probabilidades ocorrem com
igual probabilidade p = .Por exemplo, se o
valor verdadeiro X e se h apenas uma fonte
de incerteza, os resultados possveis so
x=X
x=X+
(a)
(b)
(c)
Fig. 10.5. Distribuio de medies sujeitas a n incertezas
aleatrias de tamanho e, para n = 1, 2 e 32. As
curvas continuas superpostas sobre (b) e (c) so as
108
Distribuio Binomial
2. onde se coloca a linha divisria? Se os
skis tratados ganharam 9 das 10
corridas, este resultado conclusivo?
Se fossem 8 corridas? Ou 7?
Precisamente estas questes aparecem
em vrios testes estatsticos similares. Se se
quer testar a eficcia de um fertilizante, se
poderia organizar corridas entre plantas
tratadas e no tratadas. Para prever que
candidato vai ganhar a eleio, pode-se
escolher uma amostra aleatria de eleitores e
provocar corridas entre os candidatos com os
participantes da amostra. Tambm, pode-se
testar a ao de remdio entre vrios
pacientes.
Para responder as questes, deve se
decidir mais precisamente o que se espera dos
testes. Na terminologia aceita, deve-se
formular uma hiptese estatstica. No exemplo
da graxa do ski, a hiptese mais simples a
hiptese nula, que a nova graxa realmente no
faz diferena. Fazendo esta hiptese, pode-se
calcular a probabilidade dos vrios resultados
possveis do teste e ento julgar a significncia
de um resultado particular.
Suponha-se que a hiptese tomada que a
graxa do ski no faz diferena. Em qualquer
uma corrida, os skis tratados e no tratados
devem ter a mesma probabilidade de ganhar,
ou seja, a probabilidade para um ski tratado
ganhar
p = . A probabilidade que os skis tratados
ganham das 10 corridas ento a
probabilidade binomial:
Prob( vitrias em 10 corridas) = B10, ()
10
10!
1
! (10 )! 2
(10.18)
109
Distribuio Binomial
np, no h evidncia contra a hiptese. (Se os
skis engraxados ganham cinco de dez corridas,
no h evidncia que a graxa faa qualquer
diferena). Se apreciavelmente maior que
np, calcula-se a probabilidade (dada uma
hiptese) de obter ou mais sucessos. Se esta
probabilidade menor que o nvel de
significncia escolhido (por exemplo, 5% ou
1%), argumenta-se que o nmero observado
inaceitavelmente improvvel (se a hiptese
correta) e assim a hiptese deve ser rejeitada.
Do mesmo modo, se o nmero de sucessos
apreciavelmente menor que np, pode-se
argumentar similarmente, exceto que se pode
calcular a probabilidade de obter ou menos
sucessos.
Como esperado, este procedimento no
fornece uma simples resposta que a hiptese
certamente verdade ou certamente falsa. Mas,
ele d uma medida quantitativa de quo
razovel o resultado, sob o ponto de vista da
hiptese, de modo que se pode escolher um
objetivo, porm arbitrrio, critrio para rejeio
da hiptese. Quando um tcnico estabelece
concluses baseadas em seu modo de pensar,
ele deve estabelecer claramente o critrio
usado e a probabilidade calculada, de modo
que os leitores possam julgar, por eles, se as
concluses so razoveis ou no.
Pesquisa eleitoral
Como um segundo exemplo, seja uma
eleio entre dois candidatos, A e B. Suponha
que o candidato A reivindica que uma pesquisa
extensiva estabeleceu que ele favorito por
60% do eleitorado e suponha que o candidato
B queira verificar este resultado (na esperana
de mostrar que o candidato A tem muito menos
votos que 60%).
Aqui, a hiptese estatstica seria que 60%
dos eleitores so favorveis a A, de modo que
a probabilidade que um eleitor aleatoriamente
selecionado seja a favor de A seria p = 0,6.
Reconhecendo que no se pode contar cada
voto individual, seleciona-se uma amostra
aleatria de 600 e pergunta-se sua preferncia.
Se 60% realmente so a favor de A, o nmero
esperado na amostra em favor de A np = 600
x 0,6 = 360. Se, na realidade, houve 330 votos
para A, pode-se duvidar significativamente da
hiptese que 60% so a favor de A?
Para responder esta questo, nota-se que,
de acordo com a hiptese, a probabilidade que
eleitores sejam a favor de A a probabilidade
binomial
(10.21)
110
Distribuio Binomial
qualquer direo, a mais ou a menos), deve-se
usar a probabilidade de duas extremidades. Na
prtica, a escolha de qual probabilidade usar
usualmente fcil. Em qualquer caso, o tcnico
sempre precisa estabelecer claramente a
probabilidade e nvel de significncia escolhido
e o valor calculado da probabilidade. Com esta
informao, os leitores podem julgar a
significncia dos resultados por eles mesmos.
(a)
(b)
Fig. 10.6. (a) A probabilidade de uma extremidade de dar
um resultado de 30 ou mais abaixo da mdia.
(b) A probabilidade de duas extremidades de dar um
resultado que difira da mdia de 30 ou mias em
qualquer direo. (No em escala)
111
Distribuio Binomial
[Ver (10.12)]
onde
X = np
e
[Ver (10.6)]
= np(1 p)
[Ver (10.13)]
n
n!
=
! (n )!
[Ver (10.9)]
e o desvio padro de
= np(1 p)
]Ver (10.10)]
112
Distribuio de Poisson
P ( ) = e
(11.2)
113
Distribuio de Poisson
Significncia de como contagem mdia
esperada
A distribuio de Poisson (11.2) no ser
derivada aqui, mas simplesmente ser
afirmado que ela a distribuio apropriada
para o tipo de experimento com contagem
envolvida. Para estabelecer a significncia do
parmetro em (11.2), tem-se somente de
P ( ) = e
=0
=0
(11.3)
!
( 1)!
(11.4)
=1
2 3
+
+ ... = e
2! 3!
(11.5)
(11.6)
3
!
Em particular, a probabilidade de se
observar exatamente trs partculas de
Prob (3 partculas) = P3(3) = e 3
33
= 0,22 = 22%
3!
Probabilidade, %
15
22
22
17
= 19%
114
Distribuio de Poisson
11.3. Propriedades da distribuio de
Poisson
P3()
20%
=3
10%
1 2
6 7
3 4
Desvio padro
A distribuio de Poisson P() d a
probabilidade de se obter o resultado em
um experimento em que os eventos so
contados aleatoriamente mas h uma taxa
mdia definida. Foi visto que o parmetro
precisamente a contagem mdia esperada
, A prxima questo que aparece
naturalmente : qual o desvio padro das
contagens quando o experimento repetido
muitas vezes? O desvio padro de qualquer
distribuio (aps um nmero grande de
testes) justo a raiz quadrada do desvio da
mdia. Isto d
2 = ( )2
ou
2 = 2 ( )2
(11.7)
50%
=0,75
(11.8)
0%
0
115
Distribuio de Poisson
Exemplo: Mais decaimento radioativo
Uma amostra de trio monitorada por
30 minutos e so contadas 49 partculas alfa.
Qual o resultado para o nmero de
partculas emitidas em 30 minutos? Qual o
resultado para a taxa de emisso, R, em
partculas por minuto?
De acordo com (11.9), o resultado para o
nmero de partculas emitidas em 30 minutos
49 =
49 7
= 1,6 0,2 part/min (11.10)
30
116
Distribuio de Poisson
fato, pode-se provar que, quando
, a
distribuio de Poisson se torna
progressivamente mais parecida com o sino
e se aproxima da distribuio de Gauss com
a mesma mdia e desvio padro. Ou seja,
P ( ) G X, ( )
(quando grande)
(11.11)
onde
X=
e
=
(64)72
72!
(11.12)
=17,4%
que uma boa aproximao, para quase
qualquer padro.
11.4. Aplicaes
Como j foi enfatizado, a distribuio de
Poisson descreve a distribuio de resultados
em uma experincia com contagem, em que
eventos aleatrios so contados, porm h
uma taxa mdia definida. Os dois exemplos
clssicos incluem a desintegrao de ncleos
radioativos e a contagem de chegada de
raios csmicos.
Outro exemplo muito importante um
experimento para estudar uma distribuio
limite esperada, como as distribuies de
Gauss, Poisson e binomial. Uma distribuio
limite diz como muito eventos de um tipo
particular so esperados quando um
experimento repetido muitas vezes. (Por
exemplo, a distribuio de Gauss GX,(x) diz
como muitas medies de x so esperadas
cair em qualquer intervalo de
x = a at x = b.) Na prtica, o nmero
observado raramente igual ao nmero
esperado. Em vez disso, ele flutua de acordo
com a distribuio de Poisson. Em particular,
se o nmero esperado de eventos de algum
tipo n, o nmero observado pode ser
esperado diferir de n por um nmero da
ordem de n .
Em muitas situaes, razovel esperar
que os nmeros sejam distribudos de acordo
com a distribuio de Poisson. O nmero de
ovos postos em uma hora na granja e o
nmero de nascimentos em um dia em um
117
Distribuio de Poisson
hospital ambos devem seguir a distribuio
de Poisson, no mnimo, aproximadamente.
Para testar esta hiptese, deve-se registrar o
nmero considerado vrias vezes. Aps
colocar no grfico a distribuio resultante,
pode-se compar-la com a distribuio de
Poisson para ver como elas se aproximam.
Para um teste quantitativo, pode-se usar o
teste do 2 (qui quadrado), mostrado no
Captulo 12.
Exemplo: Contagem de raios csmicos
Como outro exemplo da distribuio de
Poisson, seja um experimento com raios
csmicos. Estes raios so criados como
partculas carregadas, como prtons ou
partculas alfa, que entram na atmosfera da
Terra do espao. Muitas destas partculas
primrias colidem com tomos na atmosfera
e criam partculas secundrias, com mesons
e positrons. Algumas destas partculas (tanto
primrias como secundrias) viajam de
algum modo para o nvel do cho e podem
ser detectadas (com um contador Geiger, por
exemplo) em laboratrio. No problema
seguinte, explora-se o fato que o nmero de
raios csmicos incidindo em uma dada rea
em um dado tempo deve seguir a distribuio
de Poisson.
Mede-se o nmero de raios csmicos
incidindo no contador Geiger em um minuto,
vrias vezes, e cuidadosamente obtm-se,
em mdia, 9 partculas por minuto, com
incerteza desprezvel. Para verificar esta
afirmao, conta-se novamente quantas
partculas chegam em um minuto e obtm-se
o resultado 12. Os dois resultados, 9 e 12,
so consistentes? Faz-se uma terceira
contagem do nmero de partculas que
chegam em dez minutos. Da primeira
medio, seria esperado obter 90, mas na
realidade se obteve 120. Este valores so
tambm consistentes?
Seja a segunda contagem. Se a primeira
medio estiver correta, a contagem mdia
esperada 9. Como a distribuio das
contagens deve seguir a distribuio de
118
Distribuio de Poisson
um total de tot eventos (fonte mais rudo) no
tempo Ttot e ento rudo eventos de pano de
fundo em um tempo Truido. Obviamente, no
basta simplesmente subtrair rudo do tot,
porque eles se referem a intervalos de tempo
diferentes. Ao invs, deve se primeiro
calcular as taxas,
R tot =
tot
Ttot
e
R rudo =
rudo
Trudo
e
Rrudo =
rudo 95 10
=
= 32 3 cont/min
Trudo
3
total 2540 50
=
= 254 5 cont/min
Ttotal
10
119
Distribuio de Poisson
Definies e Equaes do Captulo
11
Distribuio de Poisson
A distribuio de Poisson descreve
experimentos em que se contam eventos que
ocorrem de modo aleatrio mas em uma taxa
mdia definida. Quando se tem uma
contagem para um tempo escolhido T, a
probabilidade de observar eventos dada
por :
P ( ) = e
[Ver (11.2)]
[Ver 11.8)]
[Ver (11.11)]
onde
X=
Subtraindo o rudo
Os eventos produzidos por uma fonte
sujeita a interferncias indesejveis de rudos
podem ser contados em trs etapas de um
procedimento:
Conta-se o nmero total total (fonte
1.
mais rudo), em um tempo Ttotal e
calcula se a taxa total Rtotal = total/Ttotal
Remove-se a fonte e conta-se o
2.
nmero de eventos devidos ao rudo
em um tempo Truido e calcula se a taxa
do rudo Rruido = ruido/Trudo.
3. Calcula-se a taxa de eventos da fonte
com o a diferena Rfonte = Rtotal Rruido.
4. Calculam-se as incertezas nos
nmeros total e rudo atravs da regra
Apostilas\Incerteza
JRTaylor8.doc
120
Teste do Qui-Quadrado
(x x)
i
39
= 46,8 cm
(12.2)
772
771
681
722
688
653
757
733
742
739
780
709
676
760
748
672
687
766
645
678
748
689
810
805
778
764
753
709
675
698
770
754
830
725
710
738
638
787
712
Observaes
Ok
x<X
(ou x 683,3
X x <x < X
10
X<x<x+
16
X+<x
121
Teste do Qui-Quadrado
Sero discutidos, mais tarde, os critrios
para escolher os intervalos. Em particular, eles
devem ser escolhidos de modo que todos os
intervalos contenham vrios valores medidos
de x. Em geral, o nmero de intervalos
denotado por n; neste exemplo n = 4.
Tendo dividido a faixa de possveis valores
medidos em intervalos, pode-se agora formular
a questo mais precisamente. Primeiro, podese contar o nmero de medies que caem em
cada intervalo k. (Se uma medio cai
exatamente no limite entre dois intervalos,
pode-se atribuir a metade de uma medio
para cada intervalo.) Este nmero denotado
por Ok (onde O significa nmero observado).
Para os dados do exemplo dado, O1 , O2, O3 e
O4 so mostrados na ltima coluna da Tab.
12.2. Depois, assumindo as medies
distribudas normalmente, com X e como
estimado, calcula-se o nmero esperado Ek de
medies em cada intervalo k. Deve-se decidir
quo bem os nmeros observados Ok se
comparam com os nmeros esperados Ek.
Probabilidade
Probk
1
2
3
4
(12.3)
16%
34%
34%
16%
Nmero
esperado, Ek
Nmero
observado, Ok
6,4
13,6
13,6
6,4
8
10
16
6
Ek . Os dois nmeros a
Ek .
(12.4)
122
Teste do Qui-Quadrado
normalmente distribudas, natural elevar ao
quadrado o nmero (12.4) para cada k e ento
somar todos os intervalos k = 1, 2, .., n (aqui, n
= 4). Este procedimento define um nmero
chamado 2 (qui quadrado)
2 =
(O k E k ) 2
Ek
k =1
n
(12.5)
(2 da ordem de n ou menos), as
distribuies observadas e esperadas
concordam entre si, to bem quanto seria
esperado. Em outras palavras, se 2 da
ordem de n, no se tem razo para duvidar que
as medies so distribudas como esperado.
Por outro lado, se
2 >> n
(2 muito maior do o nmero de intervalos),
os nmeros observados e esperados so muito
diferentes entre si e h boa razo para
suspeitar que as medies no so
governadas pela distribuio esperada.
No exemplo, os nmeros observados e
esperados nos quatro intervalos e suas
diferenas so mostrados na Tab. 12.4 e um
simples clculo com eles d
2 =
(O k E k ) 2
Ek
k =1
4
= 1,80
(12.6)
1
2
Nmero
Nmero
observado, Ok esperado, Ek
8
10
6,4
13,6
Diferena
Ok - Ek
1,6
-3,6
3
4
16
6
13,6
6,4
2,4
-0,4
30
entre t e ( t + t):
37
14
123
Teste do Qui-Quadrado
medies no ko intervalo. Finalmente, calculase o 2 exatamente como em 12.5:
(O k E k ) 2
=
Ek
k =1
n
(12.7)
1
( x X) 2 + 2
f ( x)dx
a
a k +1
ak
(12.8)
f ( x )dx
(12.9)
(12.10)
124
Teste do Qui-Quadrado
cinco ocorrncias requeridas em cada
intervalo, se se quer usar o teste do qui
quadrado. Esta dificuldade facilmente
remediada agrupando os resultados
= 3, 4 e 5 em um nico intervalo. Este
agrupamento resulta em quatro intervalos,
k = 1, 2, 3, 4, que so mostrado com seus
correspondentes nmeros esperados Ek, nas
ultimas duas colunas da Tab. 12.5.
Tab. 12.5. Ocorrncia esperada de azes ( = 0, 1, 2, ...,
5) aps se lanar cinco dados 200 vezes
Resultado
Ocorrncias
esperadas
Intervalo
nmero k
Nmero
esperado Ek
Zero
80,4
80,4
Um
80,4
80,4
Dois
32,2
32,2
Trs
6,4
Quatro
0,6
Cinco
0,03
Outras formas do 2
A notao 2 tem sido usada antes, em
(7.6) e (8.5) e ela poderia tambm ter sido
usada para a soma dos quadrados em (5.41).
Em todos estes casos, 2 uma soma de
quadrados com a forma geral:
valor observado - valor esperado
=
desvio padro
1
(12.11)
Em todos os casos, 2 um indicador da
concordncia entre os valores observados e
esperados de alguma varivel. Se a
concordncia boa, 2 da ordem de n; se
pobre, 2 ser muito maior que n.
Infelizmente, pode se usar 2 para testar
esta concordncia se so conhecidos os
valores esperados e o desvio padro e portanto
se pode calcular (12.11). Talvez a situao
mais comum em que estes valores so
conhecimentos com preciso suficiente o tipo
de teste discutido neste captulo, chamado, o
teste de uma distribuio, em que Ek dado
n
E k . De
=
2
y i f(x i )
125
Teste do Qui-Quadrado
12.4. Graus de liberdade e 2 reduzido
Tem se argumentado que se pode testar a
concordncia entre uma distribuio observada
e uma esperada pela computao de 2 e
comparando-o com o nmero de intervalos
usados na coleta dos dados. Um procedimento
pouco melhor, porm, comparar 2 , no com
o nmero n de intervalos, mas com o nmero
de graus de liberdade, denotado d. O noo de
graus de liberdade foi mencionada rapidamente
na seo 8.3 e deve se agora discuti-la com
mais detalhes.
Em geral, o nmero de graus de liberdade
d em um clculo estatstico definido como o
nmero de dados observados menos o nmero
de parmetros computados dos dados e
usados no clculo. Para os problemas
considerados neste captulo, os dados
observados so os nmeros de observaes
Ok nos n intervalos,
k = 1, 2, ..., n. Assim, o nmero de dados
observados justo n, o nmero de intervalos.
Portanto, nestes problemas considerados aqui
d=nc
onde n o nmero de intervalos e c, o nmero
de parmetros que so necessrios para se
calcular os nmeros esperados Ek, a partir dos
dados. O nmero c geralmente chamado de
nmeros de restries (constraint), como ser
explicado rapidamente.
O nmero de restries c varia de acordo
com o problema considerado. Seja primeiro o
experimento de lanamento de dados da
Seo 12.2. Se so lanados cinco dados e
testada a hiptese de os dados serem
honestos, a distribuio esperada de nmeros
de azes a distribuio binomial B5,1/6(), onde
= 0, 1, ..., 5. o nmero de azes em qualquer
um lanamento. Ambos os parmetros nesta
funo o nmero de dados (5) e a
probabilidade de sair um s (1/6) so
conhecidas a priori e no precisam ser
calculadas dos dados. Quando se calcula o
nmero esperado de ocorrncias de qualquer
particular, deve-se multiplicar a probabilidade
binomial pelo nmero total de lanamentos N
(no exemplo, N = 200). Este parmetro
depende dos dados. Especificamente, N justo
a soma dos nmeros Ok,
N=
(12.13)
(12.12)
k =1
126
Teste do Qui-Quadrado
escolhido
n 4.
Os exemplos considerados aqui sempre
tero, no mnimo, uma restrio (a saber, a
restrio
N = Ok, envolvendo o nmero total de
medies) e pode haver uma ou duas a mais.
Assim, o nmero de graus de liberdade, d,
varia de n 1 a n 3 (nos exemplos
mostrados). Quando n grande, a diferena
entre n e d pouco importante, mas quando n
pequeno (como geralmente , infelizmente),
h uma grande diferena.
Armado com esta noo de grau de
liberdade, pode se agora fazer um teste de qui
quadrado mais preciso. Pode ser mostrado
(embora no seja feito aqui), que o valor
esperado de 2 precisamente d, o nmero de
graus de liberdade,
(valor mdio esperado de 2) = d
(12.14)
Esta equao importante no signfica que
realmente se espera encontrar 2 = d aps
qualquer srie de medies. Ao invs, ele
significa que se possvel repetir o
experimento um nmero infinito de vezes e
computar 2 cada vez, a mdia destes valores
de 2 ser d. Mesmo assim, mesmo aps
apenas um conjunto de medies, uma
comparao de 2 com d um indicador da
concordncia. Em particular, se a distribuio
esperada era a distribuio correta, 2 seria
pouco provavelmente muito maior que d. Em
outras palavras, se encontrado 2 >> d, pode
se garantir que a distribuio esperada muito
pouco provvel de ser correta.
No se provou o resultado (12.14), mas
pode se ver que alguns aspectos do resultado
so razoveis. Por exemplo, como d = n c,
pode se reescrever (12.14) como
(valor mdio esperado de 2) = n c
(12.15)
Ou seja, para qualquer dado n, o valor
esperado de 2 ser tanto menor quanto maior
for c (isto , se so calculados mais parmetros
dos dados). Este resultado esperado. No
exemplo da seo (12.1), os dados foram
usados para calcular o centro X e a largura
da distribuio esperada. GX,(x).
Naturalmente, como X e so escolhidos para
encaixar os dados, seria esperado achar uma
concordncia algo melhor entre as distribuies
observada e esperada, pois, estas duas
restries extras devem reduzir o valor de 2.
= 2/d
(12.16)
= 1,6.
127
Teste do Qui-Quadrado
Para responder esta questo, comea-se
supondo que as medies eram governadas
pela distribuio esperada (de Gauss, neste
exemplo). Com esta hiptese, calcula-se a
o2
(onde o
Prob ( o2 )
(12.18)
2
Prob (
o)
< 5%
Prob ( o2 ) < 1%
e rejeitar a distribuio esperada em um nvel
de significncia de 1%.
Qualquer que seja a escolha do limite para
rejeio, o nvel escolhido deve ser
estabelecido. Talvez mesmo mais importante,
deve-se estabelecer a probabilidade Prob
2
128
Teste do Qui-Quadrado
o2 observado. Cada clula na tabela mostra a
2
Prob10( 2) = 3%
Assim, se obtido um qui quadrado
reduzido de 2 em um experimento com 10
graus de liberdade, pode-se concluir que as
observaes diferem significativamente da
distribuio esperada e deve se rejeitar a
distribuio esperada em um nvel de
significncia de 5% (embora no em 1%).
As probabilidades na segunda coluna da
2
129
Teste do Qui-Quadrado
2
Tab. 12.6. A probabilidade percentagem Probd( o2 ) de obter um valor de maior ou igual a qualquer valor particular
o2 , assumindo que as medies correspondentes so governadas pela distribuio esperada. Espaos em branco
indicam probabilidades menores que 0,05%. Para uma tabela mais completa, ver Apndice D.
o2
0,25
0,5
0,75
1,0
1,25
1,5
1,75
100
62
48
39
32
26
22
19
16
100
78
61
47
37
29
22
17
14
0,7
0,2
100
86
68
52
39
29
21
15
11
0,7
0,2
100
5
100
94
78
59
42
28
19
12
0,1
10
100
99
89
68
44
25
13
0,1
15
100
100
94
73
45
23
10
que
pode ser to grande quanto 4 antes
que a discordncia se torne significativa (nvel
5%). Com 2 graus de liberdade, o limite
correspondente
o2 = 3; para d = 5, mais perto de 2
( o2 = 2,2, de fato).
Armado com as probabilidades da Tab. 12.6 (e
Apndice D), pode se agora atribuir uma
significncia quantitativa para o valor de o2
obtido em qualquer experimento particular.
12.6. Exemplos
Outro exemplo com distribuio de Gauss
O exemplo da seo 12.1 envolveu uma
medio para a qual os resultados foram
esperados ser normalmente distribudos. A
distribuio de Gauss ou normal to comum
que ser considerado outro exemplo com ela.
Seja um antroplogo interessado na altura dos
nativos de uma ilha. Ele suspeita que as alturas
dos homens sejam normalmente distribudas e
mede as alturas de uma amostra de 200
homens. Usando estas medies, ele calcula a
mdia e o desvio padro e usa estes nmeros
como melhores estimativas para o centro X e a
largura x da distribuio normal esperada
GX,(x). Ele agora escolhe oito intervalos, como
mostrado na Tab. 12.7 e agrupa suas
observaes, com os resultados mostrados na
terceira coluna.
130
Teste do Qui-Quadrado
Tab. 12.7. Medies das alturas de 200 homens adultos
Intervalo
k
Nmero
observado
Nmero
esperado
14
13,4
entre X-1,5 e X
29
18,3
entre X - e X 0,5
30
30,0
entre X - 0,5 e X
27
38,3
entre X e X + 0,5
28
38,3
entre X + 0,5 e X +
31
30,0
entre X + e X + 1,5
28
18,3
13
13,4
Resultados nos
intervalos
1
2
3
4
Zero s
1 s
2 azes
3, 4 ou 5
azes
Nmero
esperado, Ek
80,4
80,4
32,2
7,0
Nmero
observado, Ok
60
88
39
13
1 4 (O k E k ) 2
= 4,16
3 k =1
Ek
1
d
i =1
(O k E k ) 2
= 3,5
Ek
131
Teste do Qui-Quadrado
Tab. 12.9. Nmeros de raios csmicos observados em
100 intervalos separados de 1 minuto.
Contagens,
por min.
Ocorrncias
Zero
Um
Duas
Trs
Quatro
Cinco
Seis
Sete
Oito ou +
7
17
29
20
16
8
1
2
0
Total
100
Intervalo
k
Observaes,
Ok
Esperado,
Ek
1
2
3
4
5
7
17
29
20
16
7,5
19,4
25,2
21,7
14,1
11
12,1
1
d
i =1
prximo de = 1, Se os resultados so
realmente governados pela distribuio
esperada e se as sries de medies so
repetidas muitas vezes, deve se esperar muitos
2
(O k E k ) 2
= 0,35
Ek
132
Teste do Qui-Quadrado
o2 muito maior que 1, tem-se razo para
duvidar da distribuio em que se esperava
basear os valores esperados Ek. Da tabela do
Apndice D, pode-se achar a probabilidade
desvio padro
[Ver (12.11)]
Probd( o2 )
(O k E k ) 2
Ek
k =1
n
[Ver (12.7)]
= 2/d
[Ver (12.16)]
Apostilas\Incerteza
JRTaylor8.doc
133
Apndice A
Integral do Erro Normal I
1
2
e( x X )
/ 2 2
onde
X o valor verdadeiro de X
o desvio padro
b
A integral da funo distribuio normal, a G X, ( x )dx chamada de integral do
erro normal e a probabilidade que uma medio caia entre x = a e x = b,
Pr ob(a x b) =
a G X, ( x )dx
X t G X, ( x )dx =
t z2 / 2
e
2 t
dz
A probabilidade de uma medio fora do mesmo intervalo pode ser achada pela
subtrao
Prob(fora t) = 100% - Prob(dentro t)
134
X + t
135
Apndice B
Integral do Erro Normal, II
X + t
G X, ( x )dx
t z2 / 2
e
2 0
dz
= Q(2) Q(1).
Do mesmo modo,
Pr ob( X 2 x X + )
= (Q2) + Q(1).
136
X + t
funo de t.
137
Apndice C
Probabilidades para Coeficientes de Correlao
A extenso em que N pontos (x1, y1), ..., (xN, yN) encaixam em uma linha reta
indicado pelo coeficiente de correlao linear
r=
xy
xy
( x x)( y y)
(x x) (y y)
i
Pr ob N ( r ro ) =
2[(N 1) / 2]
(1 r
ro
[(N 2) / 2]
2 (N 4 ) / 2
dr
138
139
Apndice D
Probabilidades para Qui Quadrado (2)
Se uma srie de medies agrupada em intervalos k =1, 2, ..., n, chama-se de Ok, o nmero
de medies observadas no intervalo k. O nmero esperado (na base de alguma distribuio
assumida ou esperada) no intervalo k chamado de Ek. A extenso em que as observaes se
encaixam na distribuio assumida indicada pelo qui quadrado reduzido,
1
=
d
2
i =1
(O k E k ) 2
Ek
1. Se
o2
o2
denotando o
to grande quanto o
o2
observado, se as
o2
Por exemplo, obteve-se um qui quadrado reduzido, de 2,6 ( o = 2,6) no experimento com
2
seis graus de liberdade (d = 6). De acordo com a Tab. D, a probabilidade de se obter o 2,6
1,6%, se as medies forem governadas pela distribuio assumida. Assim, ao nvel de 5% (mas
no ao nvel de 1%), pode rejeitar a distribuio assumidade.
2
140
2
o2 ) de se obter um valor de o2
d/2
d 1 x 2 / 2
2
x e
dx
(d / 2) o
141
Referncias Bibliogrficas
01. Almeida, G. Sistema Internacional de Unidades (SI), Lisboa, Platano, 1988.
02. Arnold, K.L., Guia Gerencial para a ISO 9000, Rio de Janeiro, Editora Campus, 1995.
03. Anthony, D.M., Engineering Metrology, Oxford, Pergamon, 1986.
04. AT & T Technologies, Statistical Quality Control Handbook, Charlotte, Delmar, 1984.
05. Banks, J., Principles of Quality Control, New York, John Wiley, 1989.
06. Barney, G.C., Intelligent Instrumentation, 2a. ed., Longon, Prentice Hall, 1988.
07. Benedict, R.P., Fundamentals of Temperature, Pressure and Flow Measurements, 2a. ed.,
New York, John Wiley, 1977.
08. Bentley, J.P., Principles of Measurement Systems, 2a. ed., Singapore, Longman, 1983.
09. Berkov, V., Metrologie Industrielle, Moscow, MIR, 1983.
10. Besterfield, D.H., Quality Controle, 4a. ed., Englewood Cliffs, Prentice-Hall, 1994.
11. Cheremisinoff, N.P. & Cheremisinoff, P.N., Unit Conversions and Formulas, Ann Arbor,
Butterworth, 1980.
12. Connell, B., Process Instrumentation Applications Manual, New York, McGraw-Hill, 1996.
13.Coyne, G.S., Laboratory Handbook of Materials, Equipment, & Technique, Englewood Cliffs,
Prentice-Hall, 1992.
14. Cox, D.R., Planning of Experiments, Singapore, John Wiley, 1958.
15. Dally, J.W., Riley, W.F. & McConnell, K.G., Instrumentation for Engineering Measurements,
2a. ed., Singapore, John Wiley, 1993.
16. Dieck, R.H., Measurement Uncertainty - Methods and Applications, Research Triangle Park,
ISA, 1992.
17. Dieter, G.E., Engineering Design, 2a. ed., Singapore, McGraw-Hill, 1991.
18. Doebelin, E.0., Engineering Experimentation, Singapore, McGraw-Hill, 1995.
19. Doebelin, E.0., Measurement systems, 4a. ed., Singapore, McGraw-Hill, 1990.
20. Figliola, R.S. & Beasley, D.E., Theory and Design for Mechanical Measurements, 2a. ed.,
Singapore, John Wiley, 1995.
21. Fleming, M.C. & Nellis, J.G., Essence of Statistics for Business, Hertfordshire, Prentice Hall,
1991.
22. Fluke, Calibration: Philosophy in Pratice, Everett, Fluke, 1994
23. Friesth, E.R., Metrication for Manufacturing, New York, Industrial Press, 1978.
24. Gibbings, J.C., Systematic Experiment, Cambridge, Cambridge University Press, 1986.
25. Grant, E.L. & Leavenworth, R.S., Statistical Quality Control, 6a. ed., Singapore, McGraw-Hill,
1977.
26. Halpern S., Assurance Sciences - Introduction to Quality Control & Reliability, Englewood
Cliffs, Prentice-Hall, 1978.
27. Hamburg, M. & Young, P., Statistical Analysis for Decision Making, 6a. ed., Orlando, Dryden,
1994.
28. Hicks, C.R., Fundamental Concepts in Design of Experiments, 3a. ed., New York, Holt,
Rinehart and Winston, 1982.
29. Hoel, P.G., Elementary Statistics, 4a. ed., Singapore, John Wiley, 1976.
30. Holman, J.P., Experimental Methods for Engineers, 6a. ed., Singapore, McGraw-Hill, 1994.
31 Hutchins, G.B., Introduction to Quality - Control, Assurance and Management, New York,
Macmilan, 1991.
32. Hutchins, G.B., ISO 9000 - Um Guia Completo, So Paulo, Makron, 1994.
33. Jones, B.E., Instrumentation, Measurement, and Feedback, London, McGraw-Hill, 1977.
34. Jones, L.D. & Chin, A.F., Electronic Instruments and Measurements, 2a. ed., Englewood Cliffs,
Prentice-Hall, 1991.
35. Juran, J.M. & Gryna, F.M., Quality Planning and Analysis, 3a. ed., Singapore, McGraw-Hill,
1993.
36. Kalvelagen, E. & Tijms, H.C., Exploring Operations Research & Statistcs , Englewood Cliffs,
Prentice-Hall, 1990.
37. Karim, G.A. & Hamilton, A.B., Metrication, Boston, IHRDC, 1981.
38. Kateman, G.A. & Pijpers, F. W., Quality Control in Analytical Chemistry, New York, John
Wiley, 1981.
39. Kume, H., Metodos Estatisticos para Melhoria da Qualidade, So Paulo, Editora Gente, 1993.
142
40. MacLean, G.E., Documenting Quality for ISO 9000 and Other Industry Standards, Milwaukee,
ASQC Press, 1993.
41. Mayne, R. & Margolis, S., Introduction to Engineering, New York, McGraw-Hill, 1982.
42. Meloun, M., et alt., Chemometrics for Analytical Chemistry, Chichester, Ellis Horwood, 1992.
43. Mitra, A., Fundamentals of Quality Control and Improvement, New York, Macmilan, 1993.
44. Montgomery, D.C. & Runger, G.C., Applied Statistics and Probability for Engineers, New York,
John Wiley, 1994.
45. Morris, A. S., Principles of Measurement and Instrumentation, Wiltshire, Prentice Hall, 1993.
46. Nachtigal, C.L., Instrumentation & Control, New York, John Wiley, 1990
47. Nakra, B.C. & Chaudhry, K.K., Instrumentation Measurement and Analysis, New Delhi, Tata
McGraw-Hill, 1985.
48. Noltingk, B.E. (editor), Instrumentation - Reference Book, 2a. ed., Surrey, ButterworthsHeinemann, 1995.
49. Ott, E.R. & Schilling, E.G., Process Quality Control, 2a. ed., New York, Mc-Graw-Hill, 1990.
50. Phadke, M.S., Quality Engineering Using Robust Design, Englewood Cliffs, Prentice-Hall,
1989.
51. Pedde, L.D., Foote, W.E. et alt., Metric Manual, Denver, US Government Printing Office, 1978.
52. Pennella, C.R., Managing the Metrology System, Milwaukee, ASQC Quality Press, 1992.
53. Pyzdek, T. & Berger, R.W., Quality Engineering Handbook, New York, Marcel Dekker, 1992.
54. Ray, M.S., Engineering Experimentation, Cambridge, McGraw-Hill, 1992.
55. Rothery, B., ISO 9000, So Paulo, Makron, 1993.
56. Rowbotham, G.E., Engineering and Industrial Graphics Handbook, New York, McGraw-Hill
Book, 1982.
57. Santos Jr., M.J. & Irigoyen, E.R.C., Metrologia Dimensional, Porto Alegre, EUFRGS, 1985.
58. Souto, F.C.R., Viso da Normalizao, Rio de Janeiro, Qualitymark, 1991.
59. Sydenham, P.H., Measuring Instruments: Tools of Knowledge and Control, London, Peter
Peregrinus, 1979.
60. Taylor, J.R., Quality Control Systems, Singapore, McGraw-Hill, 1989.
61. Taylor, J.R., Error Analysis, 2a ed., Sausalito, University Science Books, 1997.
62. Waeny, J.C., Controle Total da Qualidade Metrolgica, So Paulo, Makron, 1992.
143