Baixe o app para aproveitar ainda mais
Prévia do material em texto
1 Laboratório de Física I Prática 2: Ajuste de Curvas – Método dos Mínimos Quadrados Após a realização de medidas experimentais queremos estabelecer relações entre grandezas Físicas medidas. O procedimento mais adequado para isso é confeccionar gráficos, como foi feito na aula passada, para podermos visualizar melhor as dependências existentes e verificar se uma grandeza y varia com ax n , ou y = a e nx , etc... Por exemplo, na Figura ao lado vemos que y varia proporcionalmente com 1/x n , entretanto a relação correta não é possível ser encontrada apenas visualizando o gráfico. Precisamos ou fazer um ajuste da função y = a x -n + b aos pontos obtidos experimentalmente para encontrarmos os valores de a, b e n ou linearizar o gráfico para encontrar esses valores (como também foi feito na aula passada). Porém, os valores encontrados podem não ser os melhores, pois o ajuste foi realizado apenas “visualmente”. Dessa forma, a melhor solução pode ser encontrada através dos ajustes da curva linearizada à função adequada. Em casos complexos, em vez de linearizar a curva, lineariza-se a função (preparem-se para aprender a série de Taylor) e se usam os próprios pontos observados para o ajuste. Em qualquer caso, o método de mínimos quadrados é definido com o objetivo de estabelecer o melhor ajuste entre os pontos observados e a curva que fornece os valores mais prováveis para os coeficientes da função. Uma dúvida comum é: se a equação a ser ajustada é uma reta, não bastaria medir dois pontos para se encontrar os coeficientes a e b? Não. Dois pontos iriam permitir encontrar valores exatos para a e b. Porém, é muito provável que esses valores sejam muito imprecisos, já que as medidas contém erros aleatórios. E o desvio padrão, como vimos na primeira aula, teria um intervalo de confiabilidade extremamente alto. Se realizamos várias medidas e fizermos o ajuste por mínimos-quadrados, teremos valores y x 2 mais precisos. Com isso, se for necessário realizar extrapolações para pontos longe da região utilizada em nossas medidas, teremos resultados mais confiáveis. Por exemplo, na Figura abaixo, extrapolar a função para x = 15 dará um valor de y muito diferente em cada curva. Figura 1. Duas retas cujo critério para traçá-las foi apenas visual. Assim, na maioria das situações nos defrontamos com sistemas onde o número de equações (m) que representam as observações (bm) é diferente do número (n) de parâmetros (pn). Seja o sistema a11 p1 + a12 p2+ . . . + a1n pn = b1 a21 p1 + a22 p2 + . . . + a2n pn = b2 .... ... ... [1] am1 p1 + am2 p2 +. . . + amn pn = bm onde aij e bi são fornecidos. Se m<n, não existe solução para o sistema. Se m=n o sistema será resolvido exatamente, mas a solução não dá qualquer evidência da precisão, nem de bj e nem de pj derivadas delas. Se m>n a situação é sobredeterminada e não se pode, geralmente, satisfazer a todas as equações exatamente. Essa é, normalmente, a situação 3 experimental que enfrentamos e desejamos. Nesse caso, devemos definir a solução que melhor satisfaz o sistema em questão. Um dos métodos utilizados para isso é o Método dos Mínimos Quadrados (Whittaker e Robinson, 1937) que define a melhor solução como aquela que minimiza a função ΕΕΕΕ dada pela soma do quadrado da diferença (dj) entre o valor observado e o calculado para a função, ou seja dj = aj1 p1 + . . . + ajn pn - bj [2] e d = 2 j m 1=j ∑Ε [3] quando todas as funções em [2] são lineares, independentes e de igual credibilidade. Pode ser, entretanto, que uma dessas equações tenham um desvio (dk) duas vezes maior, por exemplo, que o de outra (di); o valor correspondente de dk 2 sendo 4 vezes maior que di 2 , de forma que é necessário dividir o valor de dk 2 por 4 antes de adicioná-lo em ΕΕΕΕ, para se obter uma função mais apropriada. A função minimização (ΕΕΕΕ), portanto, deve ser d w = Ε 2 jj m 1j= ∑ [4] onde o peso wj é proporcional ao recíproco do quadrado do erro encontrado na jª equação (em termos estatísticos, o recíproco da variância da jª equação). E estará em um mínimo com relação a cada parâmetro pi quando 0 = p i ∂ Ε∂ [5] o que fornecerá uma equação, chamada normal, para cada parâmetro pi. Entretanto, como já dissemos, esse método se aplica quando as funções são lineares, e normalmente em trabalhos de laboratório não é este o caso. Dessa forma, as equações que representam as observações devem ser linearizadas em série de Taylor e, nos cálculos, devemos considerar apenas os termos até a primeira ordem. Ou, nos casos mais simples, pode-se linearizar a função aplicando logaritmos, como na aula passada. Para os casos mais simples, onde a função já é linear, o procedimento abaixo deve ser realizado. Nesses casos, o ajuste leva o nome de regressão linear e já está definido em 4 praticamente todos os programas gráficos ou planilhas como Excel, ou a planilha do software livre libre office, que é muito bom e é recomendado pela Unesp. Ajuste de Curvas Se um número de medidas é realizado para a mesma quantidade física e essas medidas são sujeitas a erros aleatórios, então, a teoria do método dos mínimos- quadrados enuncia que “o valor mais provável da quantidade medida (no caso, da função que descreve a Lei Física) é a que minimiza a soma dos quadrados dos erros ( ”. Vamos supor que os vários pontos tenham coordenadas (x1,y1), (x2,y2),..., (xn,yn) e sabe- se que x e y estão relacionados por uma equação linear, tal que: y(x) = a + bx [6] Então, o problema torna-se encontrar os coeficientes a e b que definem a reta. Neste caso, geralmente a reta não irá passar por qualquer dos pontos, desde que eles estão sujeitos a erros aleatórios. Portanto, cada ponto tem um “erro” que é dado pelo desvio da linha reta dada pela equação [6], como se pode ver na Figura 2. Figura 2. Erros correspondentes cada ponto (segmentos pontilhados vermelhos). Para a segunda medida está indicado o (y2 - y2obs = ∆y). y = a + bx 5 Para o primeiro ponto (x1,y1) temos x = x1 => y1c = a + bx1, onde y1c é o valor calculado para o y1 na posição x1. Logo o erro para esse ponto é dado por: e1 = (a + bx1) – y1obs, onde y1obs é o valor observado para a primeira medida. do mesmo modo encontra-se o erro para os outros pontos: e2 = (a + bx2) – y2obs e3 = (a + bx3) – y3obs, ....... ......... ........... en = (a + bxn) – yn obs, Como o objetivo do método de mínimos-quadrados é minimizar a soma do quadrado dos erros, então fazemos: ������ � �� 0 Então: ∑ �������� � � �� � � �� � � � ��� � ���� �⋯� � � ��� � ���� =0 [7] e para encontrar os valores de a e b deriva-se a equação em relação a cada um dos coeficientes. Neste caso, fazemos as derivadas em relação a a e b, e iguala-se a zero. �∑ �������� � 0 � � ∑ �������� �� 0 Portanto: 6 �∑ �������� � 2� � �� � � � � 2� � ��� � ��� � ⋯� 2� � ��� � ��� 0 de onde se tira: � � �∑ ��� � ∑ �� 0� [8] e de �∑ �������� �� 0 Tem-se: ∑ ��� � �∑ ���� � ∑ ���� 0� [9] As equações [8] e [9] são as equações normais e podem ser escritas também como: ∑ y�� na � b∑ x�� [10a] ∑ x�y�� a∑ x�� � b∑ x��� [10b] Resolvendo para a e b temos: ( )∑ ∑ ∑ ∑ ∑∑ − − = 22 2 ... xxn yxxxy a [11a] ( )∑ ∑ ∑ ∑ ∑ − − = 22 .. xxn yxyxn b [11b] O coeficiente de determinação - R2 (Lê-se R quadrado) – descreve a qualidade do ajuste aos dados observados. Quanto mais próximo de 1, melhor. Mais próximo de zero indica que a regressão não se ajusta bem aos dados. R� 1 � !"## !$%$ [12] onde SSerr é a soma do quadrado dos erros e SQtot é a soma total dos quadrados. SQ()( ∑ �y� � y*���[13] e SQ+,, ∑ �y� � y-��� [14] onde 7 y* .∑ y�.�� [15] e yc é o valor de y calculado pela equação encontrada. Experimento do dia: A tabela abaixo mostra a posição de um objeto em função do tempo. Neste caso, o objeto se desloca sem aceleração (movimento retilíneo uniforme). Então, sabemos que a posição é descrita por y(t) = yo + vot, que é a equação de uma reta. ⇒ Encontre os valores de yo e vo traçando uma reta pelo método visual. ⇒ Encontre os valores de yo e vo utilizando o método dos mínimos quadrados. eixo-x: tempo(s) eixo-y: posição (m) 1,00 4,00 2,00 5,00 3,00 8,00 4,00 13,0 5,00 16,0 6,00 17,0 A Tabela abaixo irá ajudá-lo a preparar os dados para as equações: (x) (t/s) y (posição/m) x.y x2 yc (y - yc) 2 �� � �*�� 1,00 4,00 2,00 5,00 3,00 8,00 4,00 13,0 5,00 16,0 6,00 17,0 Σx Σy Σx.y Σx2 Σ(y - yc) 2 ��� � �*�� �* _________ Substitua os valores encontrados na Tabela acima nas equações [11] para encontrar a reta mais provável que representa essas medidas e o R 2 . y(x) = _____ + ______ x R 2 = __________
Compartilhar