Baixe o app para aproveitar ainda mais
Prévia do material em texto
Introdução à Análise de Dados nas medidas de grandezas físicas • www.chem.wits.ac.za/chem201/ • http://uregina.ca/~peresnep/ • www.ph.ed.ac.uk/~td/P3lab/Analysis/ • Notas baseadas nos apontamentos ‘Análise de Dados’ do Prof. Dr. Nuno Ayres de Campos PRECISÃO e EXACTIDÃO PRECISÃOPRECISÃO – Reprodutibilidade dos resultados EXACTIDÃOEXACTIDÃO – Proximidade do valor médio relativamente ao «verdadeiro» valor grande precisão grande exactidão grande precisão pequena exactidão pequena precisão pequena exactidão ERROS DE OBSERVAÇÃO ERROS DE OBSERVAÇÃO SISTEMÁTICOSSISTEMÁTICOS • Reprodutíveis, quando se realiza a mesma experiência nas mesmas condições • Se detectados, podem ser corrigidos • Têm sempre o mesmo sinal algébrico ExemplosExemplos • equipamento defeituoso (e.g., mola permanentemente deformada) • sistema de medida mal calibrado (e.g., o factor de conversão de uma tensão numa medida está errado) • esquecimento da correcção da tara de uma balança ERROS DE OBSERVAÇÃO ERROS DE OBSERVAÇÃO ALEATÓRIOS OU ACIDENTAISALEATÓRIOS OU ACIDENTAIS • São diferentes (independentes) em cada realização da experiência • Tanto podem ser positivos como negativos • Não são susceptíveis de correcção • Podem ser sujeitos a um tratamento estatístico ExemplosExemplos • flutuações aleatórias no equipamento electrónico • erros na estimativa da divisão da escala mais próxima do valor a medir • atrasos ou antecipações na utilização de um cronómetro Estatística de base Dada uma série de N medições (amostra) da grandeza física x, podemos definir : • Média da amostra: • Desvio da leitura i: • Desvio padrão da amostra: • Variância da amostra: å = = N i ixN x 1 1 xxd ii -= ( ) 1 1 2 - - = å = N xx s N i i ( ) 1 1 2 2 - - = å = N xx s N i i Com frequência, e devido aos erros aleatórios inerentes, Com frequência, e devido aos erros aleatórios inerentes, um conjunto de N leituras da variável x numa dada um conjunto de N leituras da variável x numa dada experiência apresenta uma distribuição Gaussiana: experiência apresenta uma distribuição Gaussiana: • Calcule-se o valor médio do conjunto das N leituras • Verifique-se se os desvios das várias leituras relativamente à média seguem uma distribuição de probabilidades Gaussiana (curva em forma de sino centrada no valor médio Em muitos casos de experiências, os resultados Em muitos casos de experiências, os resultados distribuemdistribuem--se de acordo com uma curva suave ideal se de acordo com uma curva suave ideal chamada GAUSSIANA ou CURVA DE DISTRIBUIÇÃO chamada GAUSSIANA ou CURVA DE DISTRIBUIÇÃO NORMALNORMAL Caracterizada por: Valor médio Valor médio –– ``xx corresponde ao centro da distribuição Desvio padrão Desvio padrão –– ss mede o ‘espalhamento’ da distribuição População de dados Para um conjunto infinito (hipotético) de dados, N N →→ ∞∞ `x x →→ µµ e s s →→ σσ média da população desvio padrão da população O resultado é tanto mais preciso quanto menor o desvio padrão. No entanto… uma grande precisão não implica uma grande exactidão… Os resultados experimentais exprimem- se normalmente na forma: média ± desvio padrão sx _ ± A incerteza associada à determinação da média decresce com N1/ 22 /2)(xe 2 1y σμπσ --= Equação da curva Gaussiana: πσ 2 1 = factor de normalização Fica garantido que a área abaixo da curva é igual a 1 Probabilidade de medir um valor num certo intervalo de variação [x1, x2] = área situada entre a curva e o segmento x1x2 . Intervalo Percentagem de observações µ ± 1σ 68.3 µ ± 2σ 95.5 µ ± 3σ 99.7 O desvio padrão mede a largura da curva Gaussiana. (quanto maior σ, mais larga a curva) No caso de uma só medição experimental No caso da medição directa de uma grandeza física numa montagem experimental simples, como a medição do comprimento de um objecto com uma régua, da temperatura de um gás com um termómetro, da massa de um corpo com uma balança, um só valor experimental será suficiente. Basta para isso que os erros sistemáticos tenham sido eliminados e a leitura da escala do instrumento tenha sido feita com cuidado. Nesse caso, o erro associado será o erro devido à precisão (finita) do instrumento. No caso da régua ou do termómetro de mercúrio, essa precisão é limitada pelo espaçamento entre as marcas mais próximas da escala. No caso de um termómetro digital ou de uma balança, essa precisão é fornecida com as características do instrumento. Tipicamente, o erro da medição de um valor numa escala como a da régua ou do termómetro de mercúrio é igual a ½ da subdivisão mais pequena da escala. É esse valor que se utiliza como desvio padrão associado ao valor medido. Como exemplo, se se mediu um comprimento de 1,003 m com uma régua que tem como subdivisão mais pequena o intervalo de 1 mm, o resultado a apresentar é 1,003 ± 0,0005 m. Propagação de erros Suponhamos que se pretende determinar uma quantidade Z, a partir da medida directa das grandezas A, B, C,…, com as quais se relaciona através de Z = f(A,B,C,…). Se os erros associados a A, B, C, ... forem independentes (não houver correlação entre eles) então: • melhor estimativa para Z é : • melhor estimativa para o erro em Z é : ,...),,( CBAfZ = ( ) ( ) ( ) ( ) ...2222 +÷ ø ö ç è æ ¶ ¶ +÷ ø ö ç è æ ¶ ¶ +÷ ø ö ç è æ ¶ ¶ = C A B A A A Z sC Zs B Zs A Zs iii 2 2 2 Ajuste de uma recta a dados experimentais (regressão linear) Ajuste de um modelo linear aos dados: ordenada na origem declive resíduo iii bxay e++= εi = yi - ŷi y xxi yi ŷi bxay ii +=ˆ valor previsto Pressupostos de uma regressão linear 1. A relação funcional entre as variáveis x e y é linear. 2. Os erros associados à medição de x são desprezáveis. 3. Se fizermos várias observações de y para cada valor de x, obtemos uma distribuição normal dos desvios. y xxi 2σi barra de erro A probabilidade do verdadeiro valor da grandeza y para o correspondente valor xi da grandeza x estar dentro do intervalo definido pela barra de erro é de 68%. = ŷ, valor previsto ε ε = erro residual = y i , valor observado valor previsto bxay ii +=ˆ • Os «melhores» valores para os coeficientes a e b são tais que • Método dos Mínimos Quadrados: o critério para definir «a melhor» recta é que seja mínima a soma dos quadrados dos desvios entre os dados yi e os correspondentes pontos da recta, i,.e., ŷi ( )[ ] 2 1 å = +-= N i ii baxyD 0 0 = ¶ ¶ = ¶ ¶ b D a D Caso mais simples: Os desvios padrão σi(yi) são todos iguais Seja Após alguma álgebra chegamos a yNNiiii yyy e yx ssssss ====<< )()()()()( 2211 K ( ) ( ) ( ) ( ) ( )22 22 22 22 2 22 22 2 22 2 1 å å å å å å å å å å å å å å å å å -- - = - = - = - - = - - = baxy N xxN N xxN x xxN yxxyx b xxN yxyxN a iiy ii ya ii i yb ii iiiii ii iiii s ss ss Teste diagnóstico para a regressão linear Distribuição dos resíduos no caso do modelo linear ser o mais adequado para traduzir a dependência funcional y=f(x) x ε 0 Distribuição dos resíduos no caso de um modelo não linear traduzir melhor a dependência funcional y=f(x) (exemplos) x ε 0 x ε 0 Algarismos significativos e arredondamentos Um observador deve apresentar o seu resultado com o número de algarismos significativos apropriados à incerteza no valor obtido. Não faz sentido apresentar algarismos significativos para lá do algarismo em que se espera que ocorra o erro, como por exemplo no caso x = 2,36 ± 0,1. O resultado deve antes apresentar-se x = 2,4 ± 0,1. É prática corrente trabalhar-se com mais algarismos significativos nos cálculos intermédios e fazer os arredondamentos necessários apenas no resultado final.
Compartilhar