OTAVIANO A. M. HELENE Professor Associado do Instituto de Fisica da Universidade de Sa0 Paulo VITO R. VANIN Professor Doutor do Instituto de Fisica dda Universidade de Sto Paulo Tratamento Estatistico de Dados em Fisica Experimental “vy EDITORA EDGARD BLUCHER LIDA.81.1017 cpp -s30.0182 530.0724 © 1981 Editora Edgard Bliicher Ltda. 2 edigao, 1991 E probida a reproducao total ou parcial ‘Dor quaisquer meios sem autorizagao prévia da editora EDITORA EDGARD BLOCHER LTDA. (01060 - CAIXA POSTAL $450 END. TELEGRAFICO: BLUCHERLIVRO ‘SAO PAULO - SP - BRASIL Impress no Bra Printed in Bra Prefacio Este livro é destinado a todos que precisam tratar est seus dados em aplicagdes cientificas ou tecnoldgicas. Seu conte Uhido em fungdo dos problemas enfrentados freqiientemente pelos autores no tratamento de seus dados experimentais. Nao é, porém, um texto exaus- tivo — casos mais dificels e, provavelmente, menos comuns, necessitardo de mais estudo. Esperamos que este texto sina de base para esse estudo ‘mais profundo. 0 texto originowse de cursos dados a bolsistas de iniciagdo cienti- fica em fisica experimental e cursos extras de laboratério para alunos de 2 ano em Fisica, Uma ampliagdo do texto foi feita quando ministramos No texto é utilizado céleilo equivalente a um curso de 19 ano de graduagéo ¢ suposto alguma pritica em tomada de dados experimentais, @ qual pode ser adquirida nos laborutorios de Fisica Geral de 1° ano, 10 encorajar a introdugdo de um melhor tra- trabalhos experimentais ¢ medidas em gera. A infravestrutura existente no Instituto de Fisica da USP para a publi- ‘cagdo intema de textos diditicos contribuiu muito para a elaborapdo deste livro, Os autores agradecem a Maria de Lourdes Conceigdo e a Vera M. V. Prado pela datilografia dos originais.Contetido @) Leitura de dados . 4) Independéncia dos dados EXERCICIOS . . CAPITULO II — Fungo Densidade de Probabilidade a) Histogramas 'b) Fungo densidade de probal lensidade de probabilidade outios parimerros da funcZo densidade de uigd0 Binomial e DistribuigZo de Poisson 4) Distsibuigio binomial Média e desvio padrio para a distribuigHo binomial ©) Exemplo com histogramas. 4) Distribuigéo de Poisson. €) Exemplos com a distribuigo de Poisson EXERCICIOS CAPITULO IV ~ Distribug 4) Fungo densidade de probabilidade normal ‘b) Uma deducdo da normal . ¢) Um significado para ssvio padrio 4) Desvio padrio da méd ¢) A distribui¢do normal como caso limite de outras distribuigdes - 1) Propagagio de erros . EXERCICIOSCAPITULO V — Principio da maxima probabilidade 1) Principio da maxima probabilidade ) Método do minimo quadrado . . ) Ajuste de polinémios 4) Exemplo de aplicagio do método do minimo quadrado «) FungGes nfo lineares nos parimetros , EXERCICIOS oe CAPITULO VI ~ Testes de si ribuigo de qui-quadrado (x2) . 2) Teste de x? ¢) De novo a média e 0 desvio padrio EXERCICIOS. APENDICES ‘A — Média de duas medidas . .. B — Propagacao de erro-fungo nao Bio etl Independent D ~ Covariincia E— Teste de qui-quadrado. F — 0 desvio padrio do desvio padrao CAPITULO ] Introdugao Na Fisica, em todas as outras ciéncias experimentais ¢ em trabalhos de aplica envolvidos com resultados de medidas. Essas medidas se apresentam normalmente sob a forma de nimeros que fexpressam 0 valor de determinadas grandezas e o que esperamos deles é que confirmem ou ndo uma teoria ou que sejam dteis para o desenvolvi- mento de um trabalho tecnolbgico. ‘Ao fazermos uma medida verificamos, porém, que nfo obtemos o resultado de forma tao dicta. Algumas vezes a medida esté sujeita a erros que, freqientemente, nao podemos eliminar, pois slo inerentes ao proprio pprocesto de medida. Como podemos, entio, ainda, a grandeza que medimos ¢ de cariter essencialmente estatistico, ou seja, ela ngo tem um valor verdadeiro mas pode assumir diversos valores. © que devemos fazer neste caso? Nés estudaremos aqui ambos os casos, pois eles acontecem freqiente mente em Fisica Experimental. No primeiro caso, aquele em que a gran- o resultado da medida le ser obtida do expe- 0 possivel pode ser, por exemplo, ‘um valor numérico que acreditamos estar no mais afastado do valor verda- deiro da grandeza do que uma certa quantidade, com determinada pro- babilidade. a) Origem e tipos de erros comum separarse os errs em duas categoria: eros sitematios ticos. A primeira destas associamos a idéia e 0 conceito de 0 de precito 0 relacionados a equipamentos incoretamente (0 uso de um procedimento incoreto pelo expe Fimentador ou a uma falha conceitual2 TRATAMENTO ESTATISTICO DE DADOS EM FISICA EXPERIMENTAL temiticos devem ser eliminados (ou reduzidos a0 minimo) lor. Devemos assim observar se 0s instrumentos esto corté- tamente ajustados © calibrados e se os estamos usando da forma corret. Por exemplo, devemos “ 3 aparelhos, ligilos na fonte de tensio cor reta, usar as escalas de leitura convenientes, verificar se nfo apresentam ne- hum defeito, lado para no cometerfalhas concei iveis. Por exemplo, se vooé deseja me didmetro de uma barra de Cédmio usada em um reator, perfetamente rica, © fzee o experimento a temperatura ambiente, o resultado rimetro da barra nas condigBes de operagio do reat tomar o exemplo mais claro, suponha que voce obteve D = 533mm a ura ambiente € 0 1 12-4 500°C. Como 0 eoefciente de o linear do Cd 6 ~3 X 10"*/°C, o didmetro da barra em operagio 1 +3 X 10"* X 475)mm = $4,1 mm, portanto diferente mer wedida depende da tensio da rede elétrica 4 qual ele esta ligado esta oscila em tomo de um valor médio em intervalos de tempo muito ‘maiores que o tempo de duragdo do experimento, de tal forma que te- rnhamos zerado 0 equipamento em uma condigdo e 0 estejamos usando em jas elas provocando variagdes de ‘obedecem leis mateméticas bem ‘permite tirar conclusOes a partir de 'b) Algarismos significativos Quando medimos a massa de um corpo e dizemos que € 0,5 kg, ndo ie ela seja exatamente 0,5000 ... kg, mas que el 3000 ... ke do que de 0,4000 ...ke ou de 0,6000 ‘estamos dizendo que a massa medida esté Em outras pala 0.4500... kg e 0, kg. ‘Da mesma forma se dizemos que a massa é 0,50 kg, estamos dizendo que est entre 0.49500. kg € 0,50500 .. ka. ss Invooucto 3 Convencionamos que o valor experimental assim apresentado tem incerteza de meia unidade na Ultima casa. ot “i O caiterio usual de arredondamento de nimeros preserva essa propri- dade de inerteza de mea unidade na Gltima casa. Por exemplo, suponha que a representagdo. com tes algarismos sgnficativos do v frandezaseja 0,753, Isto significa que seu valor etd en Um primeiro arredondamento dana 0,75, ou compativel com o valor da grandeza com txés , entlo, que o intervalo sempre, aquele defi. por um nimero Quando fazemos operagdes com mimer no resultado final. Na multiplieacao € di diferentes de algatismos, o resultado final deve ser escrito com um alga- rismo significativo a menos do que a parcela com a menor quantidade de ivos ou, no maximo, com a mesma quantidade que esta. Por exem- , vamos estudar © produto de 5,7 por 4987. O primeiro nimero repre- senta uma quantidade entre 5,65 e 5,75 e o segundo entre 4986,5 ¢ 498755. Os limites para os produtos sdo: 5,65 X 4986,5 = 28173,725 5,75 X 4987/5 = 28678,125. © produto dos nimeros apresentados ¢ 5,7 X 4987 = 28425,9. Para que © resultado apresentado esteja de acordo com nosso critério de represen- ago dos nimeros, ele deve englobar os extremos do produto. Isso serd consepuido se representarmoe 0 resultado apenas com dob sgaxnos Hank ficativos: 5,7 X 4987 = 28 - 10°, 0 valor 28 - 10° representa uma quantidade entre 27500 e 28500 (exatos), Em soma e subtragdo as parcelas devem ser arredondadas para ter @ ‘mesma quantidade de casas decimais que tem a parcela com menor mimero, de algarismos signi ©) Leitura de dados Se medirmos © tamanho de uma folha de papel usando uma régua comum, milimetrada, le casa podemos representar 0 resultado? Com © olho bem treinado ou com o auxilio de uma lupa e se os tragos de mar- ros da régua forem suflcientemente estreitos, cago. dos4 TRATAMENTO ESTATISTICO DE DADOS EM FISICA EXPERIMENTAL Poderemos avaliar até décimos de milimetro, Este procedimento, mui vezts sugerido, pode nfo ser vido. Se uma répua € graduada em ral tetios ¢ porque o material com que ¢ feito pode dar, por condigtes de uso, ou devido a flutuagdes no’ procesto de producio em grande excala, variagBes do comprimento total ‘compariveis com a sua menor divisi0, Ou entio, o préprio processo de fabricagdo pode nio ser seguro, dando variagdes também comparaveis com a menor disGo. Nestes casos, por @ avaliar décimos de milimetros (ou fragées menores) é irrea- tado apresentado nio estaia de acordo com a nossa convengs0 180 dos dados. Por outro lado, anedondando até o milimetro pr6ximo, para estarmos de acordo com a nossa representagio € dentro da exatidéo do instrumento, podemos estar perdendo informagao. Um meio termo entre os dois extremos descritos acima, por exemplo, avaliar até um tergo ou metade da menor divisto, pode ser © mals conve: usos. No entanto,subdividindo @ milimetro em duss ou da convengfo para representagdo dos dados € ‘quando apresentamos 0 resultado, ara medidas de distancia com uma régua pode ser estendida para outros instrumentos, Assim podemos representar 0 valor abtido com uma precisfo correspondente até 4 metade da menor divisio, a representagio do resultado, este proce: Como exemplo, na medida da voltagem da rede elétrica com um voltimetro vocé obtém a leitura 112,5V. Se vooé escreve o resultado assim — tensfo de rede T = 112,5 V, ‘pela nossa convengio voc estaria dizendo que a tenslo esté entre 0s valores 11245 ¢ 112,55 ¥ tensio de rede esté no intervalo lov, 115 ¥ ‘muito maior que aquele definido pelo mimero 112.5, pela convengdo usual. ‘Uma representacio pritica que voc pode usar € T = 1125 (25) jeses representa a largura do intervalo de con- conde © numero entre par casa. Outra maneira frequente de se repre- fianga, em unidades da sentar o mesmo resultado é 112,5 £25. Em diltima andlise a quantidade de algarismos representados deve estar de acordo com a acuricia dos instrumentos usados O principio que usamos ara 0 critério de representar dados com algarismos até a metade da menor divisio € 0 de que se o fabricante pudesse garantir a acurdcia até intervalos ‘menores, ele marcaria esse intervalo ou adaptaria 20 apatelho instrumentos ccapazes de permitietais leituras (como o nénio do paquimetro, por exemplo), 4) Independéncia dos dados Quando queremos observagdo para term: cada observagao. No entanto, dari uma idéia do erro ex pendente de todas as out ‘A palavra independente usada no parigrafo anterior tem um significado muito rigoroso. Para que em uma medida os dados sejam independentes & necessério que a obtengdo de determinado valor nio interfira em nada na fengdo de qualquer outro. Para que haja uma inde completa ‘entre as virias observagGes € necessirio que cada dado dir uma grandeza repetimos algumas vezes a diferenca entre os virios dados obtidos nos apenas se cada observagdo for inde- ppossamos imaginar diferente de todos os outros dados. Por exemplo, a fie brrica que produz os aparelhos do tipo usado pode os produzir com erros e 10s na escala ¢ isto faz com que cada um dos aparelhos apresente um erro sis emit das as experiéncias que usem um di relho apresentardo ertados. E, ;0 elemento envolvido na medida que vel a variagdo de todas as condigdes externas da medida cada vez que vamos obter um novo dado. abe assim ao experimentador identificar 0 procedimento que deve ser usado , para todos os efi ‘bem menor que o erro est ‘Veja que estamos \do uma nomenclatura: o resultado de uma observagio da grandeza é um dado, uma medida € 0 conjunto de dados de uma medida serd o valor que melhor representa, dda grandeza que esté sendo estudada, €) Variagio da grandeza e erros estatisticos Em alguns casos a variagdo da grandeza & pequena comparada com icos que cometemos por causa de nossas condigdes experi- ‘mentais, Nestes casos podemos dizer que a grandeza tem um valor verdadeiro. TEm outros casos a variagdo da grandeza é bastante grande quando comparada com a fade do. arranjo experimental. Por exemplo, s© medirmos com um mi 4 espessura de uma folha de papel nés per- cebemos variagdes de lugar para lugar. Neste caso nosso instrumento 6 sen- sivel is variagdes da grandeza “espessura da folha de papel”6 TRATAMENTO ESTATISTICO DE DADOS EM FISICA EXPERIMENTAL Nos casos em que a variagZo da grandeza é bem maior que a sensibi- lidade do arranjo experimental, a diferenca entre dois dados obtidos nao é cos, mas sim 4 propria variagZo da grandeza. Nestes casos, frequentemente, estamos interessados no comportamento estatistico dda grandeza que estd sendo estudada; é isso que procuramos descobrir com a experiéncia Embora hajam duas causas diferentes para variagoes dos dados durante icos usados podem ser os mesmos. Algumas vezes a variaefo da grandeza e 0s erros esti tidos so da mesma ordem de grandeza e 6 necessério um tratamento dos dados que leve isso em conta, EXERCICIOS 1) Uma folha retangular de papel foi medida obtendo-se os valores 28m X 3,5 cm. 4) Faca um desenho dessa folha e represente as incertezas nas dimensbes. ) Bscreva a rea total da folha, ©) As incertezas nas medidas dos lados da folha podem ser representadas ‘geometricamente, bem como a incerteza na drea total. Faga isso. 2) Discuta 0 problem de slgarismos sgiiativos no produto de mais que jos termos. 3) Arranje diversas réguas milimetradas. Com elas, meea uma fotha de pa- pel e faca uma tabela dos dados obtidos. Interprete esses dados e discuta até que casa voo8 poderi represents. 4) Duas pessoas mediram a aceleragdo da gravidade em um local ¢ obti- veram os seguintes dados (em mjs*): Obs. 1 Obs. 2 9.75 837 © que voce pode dizer sobre a existéncia de erros estatisticos nas duas, ‘medidas feitas? E sobre erros sistemticos? CAPITULO Il Fungao densidade de probabilidade [Neste capitulo nés vamos estabelecer um principio: 0 de que existe ‘uma fungdo que governa a probabilidade de obtermos determinados valores nna observagio de uma grandeza. A existéncia dessa fung3o nos permite tum desenvolvimento mais preciso da andlise de dados experimentais, a) Histogramas ‘Uma maneira comum de representarmos uma colegio de dados obti- dos em uma medida é por um histograma, A Fig. I-1 mostra trés histogramas ‘construidos com dados obtidos @ partir de observagdes da massa de um corpo. Cada um dos histogramas foi feito com 20 dados. Quais as seme- Os dados representados nos 1 mesmo valor, da ordem de 106. ymo os dados esto dados parecem Ge cbnerenoet da mecea grndezs nas secnas cndlges (0ote que & 6 Gala desta gua frente das eal do Fig Il). Este histograms € Serhante aquls de Fig Il quanto fo dado MARR e quanto 20 vaor'em tomo do cul A ifeenga est na maior epulaiade ns Poderos ae Aigoes, aja gual 2 eats focna geal que aquees at te tives poutos dados haveré ma gran Com 0 aumento. do numero de dads,uma dminuig dessa ineguladad8 TRATAMENTO ESTATISTICO DE DADOS EM FISICA EXPERIMENTAL Podemos dizer que os histogramas tentam imitar uma determinada forma © conseguem isso tanto melhor quanto maior for o niimero de dados usados. __, Antes de seguirmos adiante vamos examinar 0 conceito de probabi- lidade. Em cada histograma da Fig. I estd indicada a fragio de dados ue obtivemos com valores acima de 10 g. Elas ndo so iguais nos trés casos ‘mas so proximas. Na Fig. II também estd indicada essa fragdo, que tam- bbém € proxima daquelas da Fig. I-1. Parece, entdo, que, sempre que repe- tirmos essa medida, aproximadamente 50% dos dados estarfo acima do valor 10. s nm 210 ogg : = ‘ a 2 1 ° . 3 je nim > 10) 959 % ef 3 ie ° im > 10 AO) os 2S 6 7 8 6 10 111293 1495 161718 mil jo2s0 gE ow, 0.160 0. ‘mero de dor O58 0.055 0,008 0020 meade ‘+ Darras indicam a fragao. de dod Podemos ento avaliar em $0% a probal 4 fragio de dados que cairam em cada um dos Podemos também acteditar que, repetindo a medi ‘cada intervalo seré proxima a fragdo de dados in ‘Vamos, a partir dessa discussio, probabilidade: a probabilidade de qu ‘numa observacio de uma grandeza é igual a relagdo entre 0 ném vezes que obtivemos esse resultado dividido pelo niimero total de dados, quando este é suficientemente grande (tende a infinito). Em linguagem © que governa um histograma (ou a colegio de dados que the deu origem) é a probabilidade de um dado estar em um determinado intervalo. lade de um dado obtido estar em um deter- com um pouco mais de cuidado, Na Fig. I 5 observacdes, 6 observagdes ¢ $ observagées, no 1°, 29 ¢ 39 histogramas, respectivamenie. No interval 5], 0, 0'e 1 observagio, nos 3 histo: framas. A essa variagio no niimero de dados em um intervalo do histograma10 TRATAMENTO ESTATISTICO DE DADOS EM FISICA EXPERIMENTAL joa. Veja que a0 falarmos em existir uma certa lado num intervalo do histograma estamos espe- = algo que & probabilistico, como 0 con- randeza ¢ que no pode dar origem a histo- {gramas exatamente predeterminados, (Qs dados que deram origem ao histograma da Fig. Il2 aparecem na ‘Com esses mesmos dados vamos construir mais dois histograms (0, separando os dados em intervalos de 1g mas entre valores de gramas (¢ ndo inteiros, como na Fig. IL-2) e o segundo em los de 0,50 g. Esses histogramas aparecem na Fig. Il-3. Embora cons ‘tnufdos com os mesmos dados a forma destes dois dltimos desenhos ¢ dife- rente da do desenho da Fig. I-2. Entdo devemos tomar cuidado quando Aafirmamos que os histogramas obtidos em uma experiéncia tentam imitar eterminada forma; esta depende também de como 0s dados sio histogra- ‘mados ou melhor, de como dividimos a abscissa para co No entanto, note que os dados apresentados nas Figs. inalteradas duas propriedades: continuam centrados em toro do mesmo valor ¢ espalhados de uma maneira parecida. [As discussdes feitas nesta sego nos permitem dizer que hi de nadas propriedades da distribuigo dos dados obtidos em uma medida que ‘io caracteristicas da propria medida (ou seja, do objeto da medida ¢ do arranjo experimental usado). Veremos na segdo seguinte que essas proprie- dades podem ser representadas por uma undo. dor para @ conrrugio dos histo 974 741 1073 811 1090 1081 938 1008 9.41 870 33847 1021 1015 924 oat 925 994 9.09 ‘Fungo densdede de probabiidede 1 Beaeg|eg ‘nomero de dadoe 25 35 45 55 65 75 AS 85 imero de dador Sree a #6 Pom) dos com 08 mesmos dados que deram origem 'b) Fungio densidade de probabilidade ‘A fungdo que governa a distribuiefo de dados em uma experiénci € chamada fungi densidade de ps ade. ap A fungdo densidade de probabilidade (ou, alternativamente, dist buigéo) que govema uma medida como aquela que deu o: a Tab, 1-1 € uma fungio continua. Seu signi 2 POG, Xa) = | FOndx, u fonde F(X) € a fungio densidade de probabilidade © PUy, X3) € a probe bilidade que um dado qualquer obtido durante a medida pertenga ao inter- valo [X,, X,]. Nesta expresso X representa a grandeza que esta senc les PF presenta a grandeza que esta sendo12. TRATAMENTO ESTATISTICO DE DADOS EM FISICA EXPERIMENTAL iar quantos dados esto entre os lade pelo total de dados (se este icientemente grande para que flutuagSes estatisticas tenham pouco efeito) nds ot tegral de F(X) entre os pontos X; ¢ Xa, dada na equagio II. E dessa forma que podemos conhecer F(X), a fungio ‘que governa a medida (Os dados apresentados nas figuras ¢ tabela da seedo anterior fo ‘obtides artificialmente. Nés criamos uma fungio densidade de probal dade e com téenicas numéricas simulamos as experiéncias (note que isto ‘go invalida nenhuma das propriedades discutidas). Sabemos portanto qual 1 distribuigo que govema a medida, Isso nos permite fazer a Fig. IL-4, ‘onde aparece a funcdo densidade de probabilidade © um histograma feito ‘com dados obtidos a partir da experigncia simulada, Em cada um dos intervalos do histograma da Fig. 114 esti indicada 1 fragfo de dados esperada para esse intervalo, obtida a partir da e« a frago de dados que efetivamente caiu 1d. Observe que ambas si para cada pros dessa forma que os dados de uma ramos que 24,7% do total de dados estejam entre 10 ge estejam entre 11g € 12g. Ou ainda que 24,7% + 1 10e 12g, 1% estejam entre Fim) Pe 02s “ 020 i a 3 B50) g 8 Oy 2 2 | 25 Eo gs jaigla| \82 228 x0 10 g 3 Pyalslale|\\S 8 88 0.08 oA | |s| Ps 0 1.2.3 48 6 7 BB 1011 1213 1415 16 17 mig) Figure 114 — A curva continun, uj ecala ex inca no exo 8 dit, € a fungio dace. O histograma, escalaesquerda, ¢ 0 mesmo 2 Endo indicades va figura a¢ fapses oo dados esperadat fe paréntees, @ frapo do dados no mesmo Funcdo densidode de probabiidede 13 ‘A forma da fungdo densidade de probat ‘medida e das condigSes experimentais. A mesma grandeza medida em outras condigGes (outros instrumentos, outras téenicas, etc.) é governada por uma outra fungio densidade de probabilidade, Evidentemente a forma do histo- fgrama depende no apenas da distribuicdo que governa a medida mas tam- ‘bém da forma que agrupamos os dados para construir o Embora tenhamos nos preocupado apenas com distribuigdes co hhé medidas que s40 governadas por distribuigdes discretas. Neste caso a fungdo é definida apenas para determinados valores e a forma equivalente da equacto Ill é lade depende da grandeza POX, Xay—5 Xn) = FOG) + Fa) +. + Fn), onde F(X) é a fungio probabilidade © P(X, Xz, .« Xn) 6 a probabilidade que um dado qualquer obtido durante a medida seja Xy, X3, .. ou Xp. ©) Propriedades da fungio densidade de probabilidade Nés vamos nos restringir, até o fin distribuigoes continuas. Veremos no capi quando estudaremos as distribuigdes bin ‘Ao observarmos uma grandeza, a chance de obtermos qualquer valor € seja, alum resultado nés obteremos. Isso deve impo fungGo densidade de probabilidade. A equac dade de obte: ssa probabilidade sobre todos os Hidade de obter qualquer valor, port Y Pat, X2) = ‘onde a soma ¢ feita sobre intervalos que is apenas uma vez. Como a funedo esta iltima expresso em termos da fungao de fron-av1 wa ‘onde 0 intervalo de integragJo abrange todos os valores possiveis dos resul- tados obtidos (0 conjunto de todos os valores possiveis de serem obtidos na observagio de uma grandeza € chamado espago amostral) A fungdo densidade de probabilidade, por ter o significado de densi- dade, como ¢ visto na equag! nio pode ser negativa e, portanto, FO) > 0 ara qualquer valor de X.14 TRATAMENTO ESTATISTICO DE DADOS EM FISICA EXPERIMENTAL 4) Média e desvio padrio Quando em uma medida obtemos vérios dados para o valor de uma sgrandeza, ¢ freqiente usarmos a média como o nimero que melhor repre: senta essa grandeza: (ra) onde Xj sfo 0s virios dados obtidos, NV é a quantidade desses dados ¢ X © valor médio. (A razio pela qual acreditamos que o valor médio repre: senta melhor o valor verdadeiro de uma grandeza seri discutida mais adiante.) Os varios dados X; obtidos devem obedecer a uma fungio densidade de probabilidade F(X). A que parimetro de F(X) esté relacionado X? responder isso vamos fazer algumas contas. A chance de um dado experi- ‘mental estar em um intervalo de largura AX em tomo de X é dado por AP = F(X) - AX, conde usamos a equagfo I-1 e aproximamos a integral considerando AX equeno. A quantidade de dados esperada nesse intervalo é: AN = NV. aP = N-F(O)- AX. Com este timo resultado podemos escrever X da equagio II de outra forma, aproximada, em termos de F(X), Yak D xen. Fay. ax, conde esta soma 6 sobre todos os intervalos AX’ possives, Levando a0 limite esta altima equagio (NV + 2 e AX -+ 0), temos: Fo Xo [x Fay eas, ais) conde a integral é feita sobre todo o intervalo para 0 qual F(X) é definido. © valor Xo tem um significado muito importante endo devemos confundi-lo com X. Xo é 0 valor verdadeiro da média dessa grandeza. O valor dado pela equagio 11-3 é apenas uma estimativa de Xo da equacdo Il-4, Em uma medida estamos interessados nio apenas no valor verdadeiro da ‘média de uma grandeza ibém no erro que podemos estar cometendo. Como jé foi discutido na seedo I, podemos ter uma nogo do erro cometido observando como os dados obtides diferem uns dos outros. Quando a gran- deza nfo tem um valor verdadeiro a diferenca entre os virios dados obtidos € devida a variagbes da grandeza. O desvio padrdo que vamos definir em seguida € uma informagio importante (mesmo quando a grandeza varia, embora, neste caso, nfo esteja associada a erros). O erro c Quando 0 arranjo experimen ximos uns dos outros, média. Quando a palhados, dando Podemos ter uma medida da lar mesmo, da dispersio dos dado ‘08 dados agrupados dois a dot amas estreitos em tomo da dda experiéncia € ruim, os dados devem estar es- a do histograma ou, 0 que é 0 procurando uma média das Fe ished Ge ton 2 rs ea one eT ROT rai eee ae dea a fae tcc tains cara) eee Cee eee ae nee See eee aaa Bene €/N, sendo Na quantidade @- ya a como uma medida do quadrado da dispersio dos dados. Podemos simplificar esta dltima expressio lembrando que dy = Xi ~ Xj = ~~ Oy - Hed - dy onde definimos a=%-%. Com esse resultado obtemos @- L@-ayr 7 SG eg} - wap 7 “NW-D sagy[Ed EF? ra 4]16 TRATAMENTO ESTATISTICO DE DADOS EM FISICA EXPERIMENTAL da chave & nulo, Os dois variam independentemeni ima equagdo ndo ¢ relevante para uma ferimos trabalhar com 0°, ) para exprimic a disperséo dos dados de uma medida, Usamos também a Taiz quadrada deo, o = V/o, para medica precsfo da nossa media, De art Geta ES pure, hogan naexpinto U4 do Xp, um dos parimetros da fungio densiade de probabldads que governa & tals Paced 0 Froam pra! oP Geico Tocas pssst Ta aoe elias! dolraisica Be Jor x0 - F009 -ax. (us) valor de a? da expressio II-5, obtido de uma medida, é uma aproximagio pYoPN(0 duis) patito 4] densa] par oa\m Vo? (o)(@sGaida} ean Fitz ‘ctimatva do, derio padraa ‘Quando a gtandeza tem um valor verdad preciso noses experiencia, Quando se Gintero (on 6 a vathaca rlaionads A forma corn que = renders vara Got tormo da mld ) Valor mais provivel e outros parimetros da funcio densidade de probabilidade As fungSes densidade de probabil rmétricas. Um exempl uum gis que obedece Como a temperatura estd relacionada com a energia cinética das mo- Iéoulas, a medida desta é uma medida da velocidade quadrética média, F(p)dv ‘Funcko densiade de probabiidede 7 ‘A média dos quadrados ¢ diferente do quadrado da média srooa | ‘que € outro par igo. Na Fig. valores de Ymg ¢ valor mais provivel & aquele que, em medidas experimentais, espe- ramos obter maior nimero de vezes. Ele corresponde ao ponto maximo da Fungo densidade de probabilidade. Quando a fungdo é simétrica o valor ‘mais provivel coincide, em alguns casos, com 0 valor médio. ‘Na Fig. IIS é indicada a velocidade mais provivel das moléculas do gis. Fw Uunidade arbitra ° Xp X04ma 1000 tm) — FungSo densidade ot oe oxiginio a OC. mais provivel, da velocidade mécia vo, € ct fea medi, Ye s definir uma fungdo probabilidade diferente daquela da equa- Por exemplo, Posy, x2) = FLEA) PO, x2) = FCs) ow ainda PO, x2) = Flas),18 _TRATAMENTO ESTATISTICO DE DADOS EM FISICA EXPERIMENTAL Que razdes vooé vé para naquela equago endo uma dess 2) Deduza a expresso Ul-6, Sugestdo: parta da expressio para NV ew, Use © mesmo raciocinio usado para a dedueio da na folha de papel usando varias réguas milimetradas (10 ou 1 a até meio milimetro, Faga um histograma calcule a ¢ mat esvio padtlo a partir dos dados obtidos. Como esse desvio se compara com a menor divisio das réguas? 4) Prove que: ear sear ee A wx) 0 = (Xo ~ (Xo) (note que usamos uma barra sobre o simbolo para represe tiva de um valor a partir de dados experimentais ¢ um gio associado a grandeza repre- para representar o parimetro da dist sentada). lade que um dado em uma medida caia no intervalo A de uma € Py. A probsbilidade de que caia no intervalo B € Ps alos Ae B ndo tem nenhum ponto em comum, I a probabilidade que um dado caia no intervalo A ou no in: RB ‘s probabilidade que um dado nao cala nem em A nem em BY ual a probabilidade que numa medida com dois dados 0 primeiro ja em A e o segundo em B? E que o primeico esteja em B ¢ 0 segundo em A? 6) Separe os dados da Tab. II-1 em grupos de dez dados cada. Conte quan- (or dados existem no intervalo [8, 9[ em cada um desses grupos. Faga ‘de mtimero de grupos em funefo do numero de dados cado desse histograma. \dade importante em fisica nuclear FQ = 4e™ 1 & 0 tempo e Xa constante de decaimento. Calcule o valor médio onde det CAPITULO il Distribuigao binomial e distribuigdo de Poisson que sfo uti Dizer que a variivel ¢ uuma observacio no pode junto disere tribuigdes Itado dé ‘mas se restringe a um con- 0s exemplos. Distribuigdo binomial Nesta segdo vam tnalisando 0 caso da con: wedida chegar a u dade que governa a observagio a € a probabi mncer a0 intervalo [xg, xpl: Temos, entdo, apen: lade de um dado x; pei dois eventos possi20 TRATAMENTO ESTATISTICO DE DADOS EM FISICA EXPERIMENTAL — 0 dado pertencer a¢ to tipo 1 = 0 dado ndo pertencer a0 intervalo [xg, xp{, com probabilidade q (evento tipo 2). ‘Como si0 eventos exclusivos e os ptqel [Até agora temos pensado em um tinico dado. Quando temos um con: junto de N dados, podemos contar o nimero de eventos do chamar de n. E imediato que o niimero de eventos do tipo 2 & m = N- n A varidvel discreta da distribuieao binomial, €-n — um inteiro entre 0. N. A formula que procuramos para a distribuicao bine entio, uma formula que nos dé a probabilidade de obter n even tipo I num conjunto de N dados se a probabilidade de obtengio do even- to tipo 1, numa tnica tentativa, € p. Ve p serio os rivel, € usaremos como simbolo da fungdo de probabilidade Py, pln). intervalo [xg, xp{, com probabilidade p (even- (exaustives), Qual ¢ a probabilidade de dois dados obtidos pertencerem ao inter: valo [g, xg{? Vamos descobrir isso imaginando muitas medidas com dois, dados cada uma, De todas as medidas, uma fragio p delas tem o primeiro dado no intervalo (xg, xp[; vamos separar estas. Como o segundo dado ¢ independente do primeiro, dessas medi ramos, apenas tem o segundo dado no intervalo , do total de medidas feitas uma fracdo p « p tem os dois. dados no intervalo. Podemos, entdo, dizer que a probabilidade de numa medida obtermos os dois dados neste intervalo € p Pr,p(2) = p? E em uma medida com N dados, qual a chance de que todos estejam em (xg, xs[? Fazendo 0 mesmo raciocinio do pardgrafo anterior, conclui- remos que essa probabilidade ¢ 0 produto da probabilidade de que © pri- meiro dado pertenga a0 intervalo (xq, xpl, pela de que 0 segundo dado pertenga a0 mesmo intervalo, e assim por diante: Pyp() = PoP -p = PY Devemos ressaltar que isso s6 é vilido se os dados sfo independentes, ou seja, 0 fato de termos obtido um dado pertencente 20 interv alterard’ a probabilidade de obtermos qualquer outro dado nesse in os N~ 1 primeiros dados dessa me i0 pertenca? O mesmo Distibuicbo binomial « destrbuicko de Poisson — 24 No entanto, Py, p(N - 1) no & pY-'q mas sim a probabilidade de que dos N dados, ‘in (a uum) nio esteja rvalo [x1, xl. Preci- samos somar a probabilidade de que todos estejam nesse interval menos imo com a probabilidade de que todos estejam no intervalo menos © fimo e assim por diante, ou seja, Py.p(t) = PPD =a +P oP G°P +P edu PoP +q:Pm PoP O valor de cada uma das linhas € Wotg © como existem 1 linhas, temos Py,p(N = 1) = N+ pt og. Vamos agora a pergunta a que queriamos chegar: Qual a probabili dade de n dados da nossa medida pertencerem ao intervalo (xg, xp{ © 08 restantes nio pertencerem? A resposta ¢ Py.p(t) = PP PoP “4 Pep ..P-a-P-4 linhas. Assim obtemos Pol = ary Esta ¢ a fungdo de probabildade para dois eventos mutuamente excl sivos ¢ exaustivos. E chamada distsibuigdo binomial porque, para cada valor de mela € um termo de expansfo do bindmio N @taW= (ut) prgh-n a2)| } 22 TRATAMENTO ESTATISTICO DE DADOS EM FISICA EXPERIMENTAL 1e-m seja igual a 6 € 0,016, igual idade que 7 seja 0. O valor de m mais provavel é 3, com proba 0,31. Observe que a funcdo, neste caso em que p = q = 05, __ A condigio jizago para a fungdo de proba andloga 4 equagio IL-2, é satisfeita, pois, se p + q = 1 pela equagdo IIl-2 03 valor més. b) Média e desvio padrio para a distribuigio binomial Podemos calcular 0 numero médio de eventos de determinado tipo ue esperamos encontrar .dida com NV dados. Na segd0 anterior os eventos possiveis eram estar e ngo estar em determinado intervalo do histo: {grama. Nesta secJo vamos usar a nomenclatura genérica, pensando em dois eventos exclusivos exaustivos. Se p € a probabilidade de um evento obtido ser do tipo 1 entio Pr) = way € a probabilidade que em N observag6es obtenhamos n eventos deste tipo, Distbuicbo binamiel e destbuicso de Poisson 23 [Adsptando a expresso I-4, ilida par uma distibugfo continua, temo = ya rng € a méia de eventos do tipo 1 ¢ extérelaconado com o némero total de datos Ne com a probabildade de numa medida com um ‘nico even fo ests ser do tipo 1, p. Vamos deixar apenas indicado 0 caminho para talcular nee dear para fazer explitamente os cleus no caso deo Fazendo na expresfo IIF3 28 mudangas de varves NeN-1 obtemos facilmente my = NP, (4) Outro parimetro importante de uma distribuigéo & a varincia, que ‘para a distribuigdo binomial € (andloga a expressfo IL-6, trocandose a in- fopral pela somatéria) = (em) GN pan. : BY le me) a nyt (urs) Desenvolvendo 0 quadrado podemos separar 0 lado direito desta equagio fem trés termos. 0 primeiro ¢ Le ya eran = De, a média dos quadrados de n. 0 segundo é ime Son yg wan = an, © 0 terceiro pare von 0 LW = M9. mint Pe Podemos reesrever a varinia na forma ob = 8p mi aus) (Esta é uma expressdo geral para a varidncia quando calculada a partir da fungio de probabilidade. Veja 0 exercicio 1-4.) Nis i sabemos 0 valor de my em termos de Ne p. Para calcula (ro devemos fazer as mesmas mudangas de varidveis indicada para 0 flo de ny x 1 (p= pie eae24 TRATAMEWTO ESTATISTICO DE DADOS EM FISICA EXPERIMENTAL (Note que o termo com m = 0 na primeira somatéria é nulo), Fazendo (+1 _ n+ Gt ra Wt Drew + yet medida com N' dados e portanto igual 4 N’-p = (NV - I)p. O segundo termo € 1. Assim, %)y = N-plW = 1)-p +1) 16, com ny dado por EveeaCie = 19-4 = pea © desvio padrso para a distribuigdo binomial ¢ 09 = V0. ( Voltando a equagio 4 obtemos ©) Exemplo com histogramas Vamos voltar 20 caso de flutuagio de dados num interval de un. histograma que comegamos discutindo na segZ0 se 1 chance de um dado pertencer a0 interval ento esperamos Ia. Nos descobrimos que + Xp{ do histograma é p, ng =N-p lo quando fazemos uma medida com N dados. O des: a a quantidade de dados nesse intervalo é 2 = Vinod. s significados de ay ¢ mo sfo claros. Esperamos que no intervalo (xg, xol caiam, em média, mp dados. No entanto, como cait ou no no intervalo € estatistico, no precisamos ter obrigatoriamente mg dados Ii. Se realizarmos diversas medidas com N dados, 0 nimero destes no intervalo (xg, xp{ Va lard em tomo de ng com um desvio padrio igual a 09 ‘Agora podemos entender de onde vem a imegularidade dos vitios histogramas apresent 6 histogra os da Fig. Portanto, em média ‘nimero de arupos Distibuicbe binomial e destnbuicéo de Poisson jodos nas mesmas condigdes) a probabilidade de que » da ao intervalo & dada pela binomial Pro Assim, dos 20 grupos de 10 dados cada, obtidos da Tab: I ‘que 20+ Pro, rvalo [8, 9[. Esta tltima expressio esta dese- of ee 54 ulo Il. Podemos dda Fig. 12, feito com 200 dados, parece ser ‘com 20 dados. O desvio padrio re jor quanto maior for o nt 10s dados parecem mais regul s que aqueles com poucos dados ‘bom exemplo de flutuagio e flo do histograma. Se vocé sep: pegando cada linha como um grupo, deve foi simulada — e ¢ p = 0, ‘em um grupo de 10 pertengam26 —_TRATAMENTO ESTATISTICO DE DADOS EM FISICA EXPERIMENTAL Considerando a distribuiggo binomial com N = 10 ¢ p = 0,161, temos ng = N-p = 100,161 = 1,61 0 = Vitog = VIGIC = Isso significa que em cada medida com 10 dados espera 1,61 dados no intervalo [8, 9[, com um desvio padrio de 1,16. Pelos dados da Tab. II-1, ou do histograma da Fig. III-2, podemos de terminar experimentalmente os valores de if € 0, aproximagdes de Mo € do. Para m temos (Eq. 11-3) fab Dna dh 32 = 160 em média, 5 com 10 dados cada, e nj a quantidade de ‘cada experiéncia). O ‘valor experimental de (WV! € 0 miimero de experién: dados no intervalo [8, 9{ 0? é dado pela equasio IL-5, ped Prat of = ty Dew - my = 099, = Va € 099. Os valores experimentais 7 e 0 slo aproximagoes ara mo € 06. Podemos obt. m resultado relacionado com a construeao de histogramas que é muito usado por pessoas que trabalham com histogramas no aqueles obtidos com mi Je que um dado pertenga valo, & pequeno, uma vez que hé muitos despreziveis. Sep € pequeno, entdo q=l-p=1 © podemos escrever 0 = Vnog = a diferenga entre m, a quantidade de dados que cairam em fe mp 6 da ordem de ap, Assim, podemos escrever 0 = Vn 9) no radicando da ordem de 0p. Esta ultima aproximaglo for n, sendo o erro relativo em og da oF sendo.o erro cometi € tanto melhor quanto m: dem de IV n. los de trabalho para terval ico caso a que ela se apl bug binomial é importante fto.estudo da orientagio de spins em amostras e em muitos outros casos. A construgo de histogramas foi usada apenas porque este & um exemplo comum pariaqueles que trabelham ica expe- imental, Distioviedo binomial» destibuicbo de Poisson 27 4) Distribuigsio de igd0 de Poisson & 0 caso extremo da distribuigdo binomial te pequena de dois tipos) é muito gran Esse caso corresponde ao da desintegragio nicleo tem uma probabilidade muito pequena de se des tervalo de tempo pequeno Ar, mas Usaremos esse exemplo da fisica nuclear para desenvo para a distribuigao de Poisson. fem que cada egrar em um in- er uma formula excitado se de-excitar num intervalo At -as do proprio nicleo. Apenas dois even- tos podem ocorrer: 0 micleo se desintegra, com probabilidade p, ou nao se desintegra, com probabilidade q = 1 - p. Chamaremos esses eventos de desintegragao e niio desintegragdo, respectivamente Se temos um conjunto de N nticleos excitados e como a desinte- gragio de um micleo nao inte idade de desintegragao do Outro (ou seja, os eventos sio independentes);a-distribuigao do numero de nicleos que se deexcitam no-tempo Ar € binomial, valendo a for- = re nym ent ~ Py \, her um intervalo Ar muito pequeno, de Forma que p também seja muito pequeno, e usar o fato de que trabalhamos semipie com N muito-grande neste exemplo de fisica nuclear, A média do niimero de esintegragces. ¢ (Formula HI-4) © ap BW p= SKN ‘onde a ¢ finite, ‘Vamos reeserever os tenes, davinngsa Ue probabil do a hipotese Sie desde que a binomial se concent ect a m2 Podemos aproximar \ = MW -1) Wh). fade binomial usan Mt w Trocando p por a/N e passando ao\limnit® pita N > ©, 0 termo (1 - p)-" fica Non ye = tn a28 TRATAMENTO ESTATISTICO DE DADOS EM FISICA EXPERIMENTAL Assim, nesse limite de N+ 22, p +0 ¢ a 2 de forma coerente, € de esperar que a fungio de probabilidade da formula I-10 esteja nor. talizada, E facil ver que ia desde que a somatéria entre parénteses é a expansio dee em série de poténcias valor médio também ndo pode ter mudado, e & ny =a (ue) que também pode ser calculado diretamente da fungio de probabilidade de Poisson me Snhets ¥ Goyette yet ‘A varidncia também pode ser deduzida da formula para a binomial (18) que dé b= neq=a-¢ =, desde que, sendo p = 0, q = 1. O desvio padrio fica 0 = Va. A Fig. III-3 compara a binomial com N = 10, p = 0,2 com a Poisson ‘com a = Np = 2. Estas duas fung6es s4o aproximadamente iguais, uma vez ‘que as aproximapves usadas nesta se¢i0 sio satiseitas (NV grande © p pe- 4queno). No entanto hi uma diferenga essencial para n > N, uma vez que 4 fungio de probabilidade binomial ndo ¢ definida para esses valores en- quanto a fungio de probabilidade de Poisson 6. Distibuicko binomial « destrbvicdo de Poisson — 29 + Pogo) 034 Pain) 02 ie atta oc an ENT Figura 113 — Dietribuiggo binomial 4) com MW = 10 € p = 0.2 ¢ distibuipko de Poitton com = 2 (8) €) Exemplos com a distribuigio de Poisson ‘Um caso importante de aplicagio da distribuigdo de Poisson ¢ 0 de: ‘aimento de uma fonte radioativa. Vamos estudar, por exemplo, como ocorre © decaimento de uma amostra de U*. A probabilidade que um ndcleo de U™ se desintegre (emitindo uma particula alfa) por unidade de tempo € aproximadamente 49 10°" s°!. (Esse valor € uma caract nicleo U, dependendo apenas de suas propr deles pode decair, desde nenhum at alam dada exatamente pela fungio de P = 49-107. No entanto, freqi ‘com uma quantidade muito grande de niicleos. Neste caso estamos em uma ‘condicio na qual a distribuigZo de Poisson é uma boa aproximagdo da distr- buicdo binomial: p + 0 © N > o,30 TRATAMENTO ESTATISTICO DE DAD0S EM FISICA EXPERIMENTAL Em 0,30 mg de **U temos 7,6 X 10"? étomos. Neste caso a=N-p=37 € a Poisson ’ Pya(n) = — ar 44 a probabilidade de que, em 1's, m micleos se de-excitem. A Tab. I aos valores P3.»(n) para'n entre 0 ¢ 19, Podemos observar nessa tabela {que embora o valor médio seja 3,7 desintegragdes em Is, € mais provivel acontecerem, em 1's, trés do que quatro desintegracdes. ‘A Tab. IIF-1 indica o valor de 2,5% para a probabilidade de em 1s ‘do observarmos nenhum decaimento na amostra com 7,6 X 10'7 nicleos de U*; de 9,1% para observarmos um inico decaimento; de 17% para dois decaimentos ¢ assim por diante. O mii segundo, ¢ 3,7. Isso quer dizer que se tivermos, por exempl tras com 7,6 - 10°” itomos cada, esperaremos que ~250 d sentem nenhuma desintegrasio em I's; ~910 delas apresentem um Gnico decaimento; ~1700 apresentem dois decaimentos e assim por diante. Se fizermos uma média do nimero de decaimentos em 1's dessas 10* amostras, esperaremos encontrar o valor 3,7. ‘Se a0 invés de pensarmos em 10* amostras com 7,6 - 10%” étomos de U™ observadas em 1's, pensarmos em uma tnica amostra observada jervalos de 1.3, esperaremos encontrar o mesmo resultado? itomos de U™, ao terminar o primeiro inter valo de 1's, pode haver menos atomos de U™, pois alguns deles have decaido. A jo de Poisson que descreve a probabilidade de que segundo intervalo tem o valor médio @ dado por noha eontiso em cael fo tol construlda assim © 09247235 onoaze2 | 1 0p914770 0,001 1020 2 01692326 0,000 339 8 a (0,000 096 7 } 4 0,900 025 6 5,142 8689 0,000 006 3 6 0988 1025 (0,000 001 5 7 046 568.5 0,000 000 3 8 0921 sa79 0,000 000 + 9 0,000 000 0 Distribvico binomial © destibuicdo de Poisson 31 onde n, € a quantidade de desintegragoes havidas no primeito intervalo, No entanto, como m ¢ um nimero provavelmente pequeno, a diferenca relativa entre 7,610"? - m, © 7,6 10" pode ser desprezivel e o valor de a permanece’praticamente inalterado ¢ mesmo no altimo dos 10* inter valos a variacao de a € desprezivel. P,(n) permanece, por um bom tem luma 6tima aproximagio para a probabilidade de ocorrer n desintegracy fem 1's nessa amos Veja que a afirmagdo feita acima de que , & um nimero provavel mente pequeno pode ser quantificada. Usando a Tab. III-1 podemos calcular que a probabilidade de acontecerem pelo menos 17 desintegragdes € menor que 10-*. Essa probabilidade Pa >17)= ¥ Pyxln) pode ser calculada da tabela usando o fato de a fungio de probabilidade E Pat) =1 Assim, calculamos Pn > IT)=1 = Palo) <10°* usando apenas os dados da Tab. H-1 EXERCICIOS 1) A Fig. IF4 da o valor de 0,069 para a probabilidade que um dado per- tenga a0 intervalo [7, 8{ na medida correspondente a Tab. II-1 2) A partir desse valor escreva a probabilidade de que em uma medida com 20 dados, n_estejam no ») Caleule funggo densidade de probabi » 8{ existe, em cada uma dessas razoivel? Se tivéssemos 10 medidas, cada uma delas com 1 dado no32 TRATAMENTO ESTATISTICO DE DADOS EM FISICA EXPERIMENTAL 2) Qual a probabilidade de, a0 jogarmos dez dados, todos apresentarem a face 6 para cima? Qual a quantidade média de nimeros 6 esp jogo de 10 dados? Faga um grifico representando a probabilidade de ocorrerem n vezes o numero 6 em funcio de 7. AAs respostas seriam diferentes se a0 invés de ser uma tinica jogada de 10 dados fossem dez jogadas de um i 3) Qual a probabilidade de entre 20 pessoas, haver pelo menos uma coinci- déncia de aniversirio? (Resposta — 41% — Veja Feller, segdo I13.)* ned 5) Prove que Pa(n + 1) = 6) A Tab. IIL1 apresenta os valores'de Ps,r(n), correspondente 2 probabi lidade de ocorter n desintegragdes de niicleos de U*, em I's, para uma amostra na qual a média é 3,7. Para um tempo de 2s, 0 nimero médio de desintegragdes dessa mesma amostra ¢ 7,4, Faca uma tabela de P; Compare sua tabela com a IIl-1. Como vooé interpreta o fato de ‘menos provavel haver duas desintegragdes em 2's do que em I's? Como voo# relacionaria P,,s(n) com Ps,x(n'), para n’ 0, mas o produto Ne? 6 fini Qual é 0 desvio do valor real da grandeza quando das N fontes de ferros n derem e1to para mais ¢ as restantes N-n derem erro para menos? 0 desvio, que chamaremos de y, sera y= ne +(N ~n)(-0) = Qn = Ne a probabilidade do erro ser y? Ou seja, qual a probat dobtermos 1 eventos do tipo erro para mais quando observamos N' lidade € dada pela fungio de prob: lade’ de um erro elementar ser positivo é igual a de avsy Como as probabilidades do erro ser para mais e do erro ser para menos foram supostas iguais e como nfo existe outro evento possivel, entio ambas fs pobabidnies deve er us «Nous hpi exc a ponb lidade de qualquer uma das NV fontes de erro no produzir erro em qualquer uma das observagées, Na Tab. IV-1 estio relacionadas as probabilidades do erro ser y com (05 niimeros de erros elementares para mais ou para menos que causim 0 erro y. O que queremos obter é a fungao densidade de probabilidade para 0 e110, Gy), € nio a fungio IV-S, que dé a probabilidade den das.N fontes de erro ser para mais. Para isso, passamos a Fungo IV-5 ao limite em que N > @ € € » 0. Neste processo, pretendemos preservar duas grandezas que ji estdo determinadas pelas hipSteses: a média e 0 desvio padrio do erro. ‘A média do nimero de erros elementares para mais pode ser calculada a partir da formula 40 IV=4, constatamos que 0 er0 » é, 1, como esperdvamos da hipOtese 3 © desvio padrdo do nimero de erros ee 2 partir da formula ILS, = VN-pd-p) =X res pode ser avaliado36 TRATAMEWTO ESTATISTICO DE DADOS EM FISICA EXPERIMENTAL Tabela IV-1 ~ Relagdo ontre as componentes elementares de erro © 0 erro resultante, com sua probebildade de corer Probabilidade para mais | pare mene " ° Ne Net 1 w-2e w-2 2 w-ae a Non (2n-me ° " ne Estamos interessados, entretanto, no desvio padrio de y, ¢ queremos ‘que seja 0 desvio padrao equivalente a esse on, s6 que medido nas unidades de y. Podemos observar que ye sio relacionados por um fator de escala, 2c, um deslocamento, Ne, constante. O deslocamento Ne, por ser constante, nfo interfere na largura da fungio de probabilidade, ou seja, nfo & respon sivel pelo desvio padrio de y. O fator de escala deve, porém, ser levado fem conta. Assim 0 = op -2e = YN. 2¢ = Ve onde simbolizamos 0 desvio padrio de y por oo. Se 0s erros a que se referem a hipotese 1 slo finitos, a funcdo densidade de probabilidade de y tem uma certa largura, ou seja, um certo desvio padrio que é finite, Endo, a restigfo que deve ser feta na passagem a0 limite da fungdo de probabilidade IV-5 6 manter finito Ne?apesar de N>wee~0, Nao passaremos a0 limite a expresso IV-S diretamente, mas sim a Telagio AP/Ay, calculando AP como a variagdo da probabilidade entre obtermos n+ erros para mais ¢ m eros para mais. © Ay correspondente ser4, entdo, 2¢, segundo a relagdo IV-4. Entio AP _ P(n + 1) = PCa) Distibuicto normal — 37 Usando 2 relagdo IV-5 na car acima, obtém-se apt 2n=1 yeh) ST Se temos um niimero muito grande de fontes de erros, podemos esperar sempre que existam muitos erros para mais, bem como para menos. Assim, na Gltima relagdo obtida, desprezamos 1 em face a.m ou mesmo aN - 2n. Simplificamos, portanto, ). Fazendo essa mu Observe que N - 2n € ~y/e (use a formula danga, ¢ rearranjando a formula, obtemos aPliy Poet Rearranjando a formula IV-4, podemos caleular n em fungo de N © .y. Substituindo na expresso acima 0, PO < ym) = PO <0) + PO SY < ym) =4+ 1Umic) (IVS) desde que, como a fungo normal ¢ par ¢ normalizada, [con = ie Gody = 4 [ coray =t Usando a propriedade da fungdo normal ser par, podemos calcular Pa0: Pa ym) = 1 PO < Ym) onde usando a relagio IV-8 para P(y < ym), obtemos PO > ym) =~ 10/0). Um caso particular que nos interessa calcular é P(-09 (Pugh ~ cap. 8) lidode binomial © a distibuicso ‘Veja equacso WV.16.46 rRATAMewTo ESTATISTICO DE DADOS EM FISICA EXPERIMENTAL AA Fig. 1V-2 ilustra essa aproximagio, ‘Um caso mais importante em que podemos usar a distribuigdo como aproximagio de outra distribuicdo ocorre quando estudamos a buigdo de uma fungio cuja varidvel obedece a distribuigio normal. Para ilustrar isso suponha uma medida para determinar o volume de uma esfera, a partir da determinagio do raio. Suponha que a funcio densidade de pro: babilidade que governa a medida do raio seja normal, centrada em ro e com largura oo. E facil ver que a distribuieao do volume nao sera normal. De uma amostra muito grande de esferas, esperamos que metade delas tenha um rio maior que ro metade, menor. Portanto, metade das esferas terio um volume maior que Vero) = fan © metade delas, menor. No entanto 0 volume médio nfo ser V(ra) esferas com raio maior que ro empurrardo a média para valores mais 2 lar esse problema de ‘2 uma fungio densidade de probabilidade F(x), que di obedeceré uma funcio g( bbuigdo normal e g(x) é Figura 1V.2 — Comparagso ent istribuigso normal. Veja equaedo Distibuigdo nommei 47 Vamos chamar a distribuigio de g(x) de H(@). H(g) & uma fungio densidade de probabilidade e podemos escrever He) - bg = SMe O9) onde NV é a quantidade total de dados e AN(@,g + Ag) a quantidade de dados entre g ¢ g + Ag. A aproximagio é tanto melhor quanto maior for Ne menor Ag. No entanto, + Ag] contéma mesma quar dade de dados que 0 ii tervalo Ag, de variagio da fungio g = g(x), c Essa correspondéncia é expressa em termos matemiticos pela equacio ag adtas Podemos escrever entio ANG, g + Ag) = AN(x, x + Ay), Mas, como x obedece a distribuigio F(x), temos x + Ax) = N+ FQ) |Axl Ag vos independentemente dos sinais de Ag e Ax.) Portanto, ANG, 8 + Og) 2 N+P) OE Substituindo este resultado na equagio IV-18 ¢ levando ao limite Ag + 0, temos Fo) HG) = v.19) lel Este resultado s6 6 vélido nos casos em que no existam dois valores diferentes de x, para os quais F(x) nfo seja nulo, que levem ao mesmo valor de g. Essa condigio é vilida, a0 menos aproximadamente, com grande frequéncia, Um caso importante em que essa condigdo no é valida é quando (x) = 2°, existindo dois valores de x que levam ao mesmo valor de g. Neste eas0 teremos Ho?) = FQ + FC) av20)4B TRATAMENTO ESTATISTICO DE DADOS EM FISICA EXPERIMENTAL Fungo densidade de probabilidade i para o volume, FIV), relacionadss pela eu £2000; dp = 400 {8} ro ~ 2000; 0p ~ 200. ‘que se g(x) ¢ uma fungio linear em x e a idade de x € uma gaussiana, entio a fungao ambém € uma gaussiana, Este nna seefo seguinte para a dedugdo da expressio de pro- Distrbuicso normal — 49 £) Propagasio de erros Considere a situagio em que dessjamos conhecer a massa de uma csfera de cobre ¢ 86 temos posibilidade de medic 0 diimetro da esfera Obtemas entao D, que é a melhor estimativa do realDo, e podemos {p, que é a melhor estimativa para o desvio padrio verdadero. calcula a massa fazendo M=p-V=p-ZD?; onde p € a densidade do cobre. ‘A questio € saber qual o melhor valor da massa e o seu desvio padrao. Na segdo anterior jé discutimos como é alterada a fungio densidade de probabilidade para a fungio de uma varidvel. Vamos aqui espe discussio para calcular o melhor valor e o desvio padrao. Se foram efetuadas N’ observagbes da grandeza x, (x1, 2)... 4), podemos calcular g para cada um desses valores, = £(3i). ‘A média dos NV valores g; é F=f L - HL ele. avn Se g(x) é uma fungdo suave nas vizinhangas do valor médio de x, ¥, podemos cexpandir g(x,) em série de Taylor em tomo de ¥. Podemos escrever 8(xi) = 8) + ae) S 1 dy xP oh Gs] cies. Substituindo g (x)) desta equago na IV-21 teremos e-}[Dews | Dea lee Pde Bee]. wan Reparando que a somatoria de (x; ~ x) ¢ nula, pela definigio da média, e relacionando a somatéria de (xj - ¥)* com o desvio padrio de x (equagé0 1-5) temos gree lee 13 ? ide ° (wv23)—— 50 TRATAMENTO ESTATISTICO DE DADOS EM FISICA EXPERIMENTAL ceiro termo da equagio IV-22 bem como os de ordem despreziveis. Quando isso acontece obtemos o resultado usado ) e=8@). Precisamos porém ter em mente as condigOes para que essa aproxima- go ieja valida. Caso essas condigdes nao sejam obedecidas, & introduzir corregdes de ordem mais alta, tal como na equaco ‘que nos casos que esas corregdes so necessérias estamos lidando com s0es diffceis. no sentido que as distribuigses de x © g(x) nio pode do mesmo tipo. Procisamos agora calcular o desvio padrao da série de valores gs, jos 1V-22 e 1V-24, para ca donde poderemos calcular 0 desvio padrio da média de g, oe VN = © que dé ou, entdo, a - (4) a. vas) E importante notar que este resultado 36 6 vilido quando ¢ vilida a aproximagdo (x) em tomo de ¥. O desvio padrio da média de g pode ser obi ima equagio dividindo ambos os lados por VN, 80 da média, of Assim a equagio vale Oy € Gy, com para os desvis padrdo to para os desvios padrio dasér média, og € oy Distroviese normal — BA igdo de x € a normal entio a probabilidade de B- op < 80 <8 + 6 de 68%, desde que usemos no lugar de ox da equagio 1V-25 o valor verdadeiro do desvio padrdo da média de x. Note que sem necessitarmos de fungio densi- dade de probabilidade da variivel x. Esse cilculo poderia ter sido feito vusando-a [Nesse caso, relacionare 6 da distribuigo de x, diretamente g com os parimetros verda- ai fo= (= [eG Hae, ‘onde os simbolos () sto usados para indicar 0 valor médio da variével entre eles © H(g) & a distribuigao de g. Usando a transformagio da equacao 1V-19, = | e@ Fear. Podemos de novo expand g(x) em tomo do valor verdadelr xo, obiendo (e)= | [260 +96 0+ ix, = (ele)? + BE Cx ~ x9) + ELE (= xe)? + = BCG) + GE C= 0) te (Oe - Ho? dg 2 = 800) #0 + 7 0 onde usamos os resultados (x = x9) = (2) = x0 = x0 - x0 = 0, = constante,52 TRATAMENTO ESTATISTICO DE DADOS EM FISICA EXPERIMENTAL Em geral, porém, no temos nem xp nem op. Por isso usamos ts) =e +128 2+ quase idéntica & equagio 1V-23. Podemos usar ssas mesmas regras para calcular a média e © desvio padrdo de uma grandeza que & fungdo de muitas variéveis Suponha que a grandeza g seja fungio das varidveis x1, 2, ...%n, das quais medimos a média e © desvio padrio, Podemos escrever ={f. fecua, Hn) °F Xap. emda dts dn © expandir g em série de Taylor em tomo dos valores verdadeiros das variéveis e calcular as integrais, de maneira anéloga a0 célculo com uma varidvel. Obtemos, em primeira’ aproximacio, yay Xn) = BG, 2! =a e onde x? repr a grandeza x; © eélculo da variéncia apresentard uma novidade, por isso a faremos com detalhes. A variincia deg é O% = ((g - Ce)? = (Ue = (35, x9, Expandindo g em série de Taylor em tomo dos val € usando como notagdo ‘ a) av26) obtemos a =. ie fea}. tipos de termos: os termos em (xj ~ x?) y= x). Assim, Bfetuando a soma, aparecero d © 0s cruzados do tipo (xj ~ 53 ‘onde ofp € a varidncia na medida de xy. Se as varidvess xy ¢ xy forem independentes. Gy xf =0 © 4 equagdo para of se redur a “2 Ga Desde que ndo temos os valores verdadeiros x? © da varincia 0, temos v.27) Existem casos importantes, porém, em que as variéveis xj ¢ xj nfo Ho independentes. Como exemplo desses casos, de valores interpolados de uma fungdo, no exercicio V-2 no Apéndice D. Se xj ex) no sio independentes, definimos como covariincia de x; ¢ x) © valor médio (Gay ~ xP) (xy - xP) = cow. A variincia de x; = luzindo essa notasdo, a formula ge oy GS (Wavy 3 HE ones j numa soma em i> j, para evitar ter ia. mesma covariincia, ‘que incluir duas vezes na somat54 TRATAMENTO ESTATISTICO DE DADOS EM FISICA EXPERIMENTAL Veja que a formula IV-28 pode ser escrita de forma mais compacta E ae cov (si, 5) tante observar que os resultados 1V-26 e IV.28 s6 sto vilidos quando é ‘8 aproximacdo linear de g em fungdo das varidveis x,, x2, xy... em tomo dos valores médios ou dos valores verdadeiros. Quando is60 no ocorre as expressdes IV-26 e IV-28 nio slo vilidas. Para 0 caso de uma variével a nio-validade das equacdes IV-25 para a propagacio de ¢ IV-24 para o cileulo do valor médio estd associada ao fato de ge x sm fungdes densidade de probabilidade da mesma forma. Este caso é jo no Apéndice B. EXERCICIOS 1) Determine Px 209 (a barra ficando para a média dos dados em uma medida) obtemos: pee ea) : = GE a a)> = GE xP P42. FE (4 — 4) >= OF — onde usamos 1 1 SE ex) = Ex cr =F =e nN N valor médio de a pode ser caleulado como = <(e— x)» 0 valor quadratico médio da diferenga entre a média e o valor real ja * foi calculado na segao IV-d, ele é 0 desvio padrio da média, = ‘© que nos permite obter finalmente = tio de nossa estimativa da formula V- ‘0 que resulta na formula usual Para corrigir esse desvio sister la por N/(N que é, portanto, a desvi ) Método do minimo quadrado ‘Vamos ao seguinte problema: nds medimos varias vezes a massa © © volume de quantidades diferentes de um liquido para determinar sua dé sidade, obtendo uma colegao de valores {mm, vj}. Como determinar a de ‘dade? Claro que podemos dividir cada massa m; pelo correspondente valor62 —_TRATAMENTO ESTATISTICO DE DADOS EM FISICA EXPERIMENTAL vj, obtendo uma colegio de valores para a densidade e a partir dai obtemos © valor mais provivel para a densidade. Mas nfo vamos ‘Vamos fazer um grifico m Xv € colocarmos os pontos experimentais obti- dos. Esperamos que os pontos estejam alinhados em uma reta, ou préximo na segdo anterior, determinar qual a reta que daria origem a esses pontos com maior probabilidade? ‘Vamos tentar descobrir essa reta mais provével. Vamos supor, apenas por comodidade, que as medidas de volume ndo estejam sujeitas a erros. Examinemos agora 0 ponto correspondente a 1j. Isto corresponde a uma amostra de volume exatamente ¥j cuja massa deter Para um pi ular reta na figura, = pj. Quando medimos experimentalmente essa massa, jade de obtermos 0 valor m;? qual a probat Como fizemos na sego anterior, essa lade € proporci lade que governa a distri- Princiio da maxims provabiidede 63 Duigdo dos dados experimentais de massa para esse volume vj. Se essa dis- ‘tribuigfo € normal, temos se a densidade € p, € propor = prt _ (ma ~ pra P-e 78 he y mucone elem) Estamos agora num ponto andlogo ao da segio anterior. P ¢ propor? cional & probabilidade que tenhamos medido massas m; correspondentes aos volumes ¥j quando a densidade ¢ p. Usando o principio da maxima proba- bilidade devemos procurar o valor de p para o qual P é maxima. E fécil ver nesta tltima expresso que P é mixima quando a+ ypu v6 € minimo. Dai 0 nome minimo quadrado a0 método usado para ajuste de fungses. Se O € minimo, entéo |. 5 -fm=pur 9 lpr oe essa sltima equagio obtemos pu pet 7) ze (© desvio padrio em p & devido aos desvios padrdo nas medidas de massa, Fazendo a propagagdo de erros na maneira usual, obtemos any RP 4 Sop ws) retTRATAMENTO ESTATISTICO DE DADOS EM FISICA EXPERIMENTAL iguns comentirios sobre estes resultados. Primeiro, nés ssar pela origem quando 105 40s nossos dados. experimentais uma fungo do tipo m = py. Isso pode nio ser bom em al- femiético, fazendo com que cada dado Jo de um valor fixo, provocaria um deixasse de passar pela origem. Um erro sistemiitico deste tipo pode ser obtido se a balanca ndo est correta- tarada ou se esquecemos de descontar a massa do recipiente que Ajustando uma fungdo do tipo m = py ndo percebe- dtico e 0 resultado obtido para a densidade também ‘Temos um segundo comentério que deve ser fei determinado a densidade de uma forma um pouco di ‘bj = mil vj para cada ponto e determinado o valor médio desses p,..Fazendo isso obter’amos pet 5 Pow OT E claro que p assim obtido ¢ diferente (a menos de casos especiais ou de ‘de Pda equ-eio V-7. No entanto, podemos acreditar, sem precisar apelar para 0 prinefpio da méxima probabilidade, que 9 nio deve ser 0 melhor valor para a densidade do material. Como n6s forgamos a reta a Ja origem, é facil ver que pontos bem distantes da origem definem inclinagio do que pontos préximos da origem. E justo entio peso a esses pontos quando calculamos a média das densidades. do, devemos dar peso maior aos pontes que aqueles com menor desio padrio, E razoivel ‘que € 0 valor mais provivel de p, dado pela equago V-7, ©) Ajuste de polinomios Na seco anter mentais a partir do pr Princiio da maxims probabiidede 65 ‘Neste caso temos uma colegdo de dados {y;, x;}, i= 1,N, que supomos obedecer a uma relagdo do tipo Y= ay ax + agx? +... tagx" ws) 08 a, que tornem maxima a proba- J. Analogamente ao que Nemes equacdo V-6). $Y i = ay~ aaj = = aX"? OSD ars peer aes Nosso problema é determinar os par bilidade de termos obtido 0 con) na sego anterior devemos mit Estamos supondo que 0s valores x; no sejam sujeitos a erro e o; & 0 desvio padrlo para yy, if ara determinar os parimetros aj que tornem minimo Q, devemos impor que 20 -o,j= n By OFA Now 0s valores mais, sendo a derivada caleulada para 0 ponto dj proviveis para os parimetros da fungéo V- icar a notagdo, Omitiremos ese til nos valores mas provéveis nosed sequem. Dessa forma obtemos n equasbes relacionando os n parametros a. Estas equagées s80 do tipo F Cremer nae) oo a a66 —_TRATAMENTO ESTATISTICO DE DADOS EM FISICA EXPERIMENTAL Principio da maxims provabitdede GT ‘escrevemos dessa forma essas n equagies porque assim poderemos Conseguimos, assim, escrever a equaglo V-15 na forma recursos da dlgebra matricial para resolver o sistema. Chamando a u Nee a esquerda dessa ltima equagio de D, a primeira matric (quadrada) de Sy, ca Te Cem ANG TERS sda onc (ora iroe os PM cee Hee Ory -quagio pode ser escrita na forma mm D=Mea ( com exte timo resultado, esrever 4 varinela do parimetro ¢, finalment,o& coeficientes yao dados pela equagdo acids Oqeareahy. 14a frm ae % a=M"-D (V-12) A N[a . conde M-! & a matric inversa de M. @= yy or Para determinar 0 desvio padrdo nos parimetros ajutados precisamos Glin fazer algumas contas magantes. Vamos comeyélasescrevendo os elementos das matrizes M, De a explicitamente: Ce ed aera a cena ‘Vamos fazer uma troca na ordem das somat6rias ¢ escrever . feta -5 +E for a 2 Og 2 ena} (v-16) ti Udo 8 expo. antic nd ar ange ea b (v3) onde ¢ a quantidade de dados (xj, »))€m a quantidade de pardmetros 0 desvio padrio no parimetro ay € obtido a partir da férmula de propagagio de erros: y wan 4-3 Gaya. w.14) en Mas como Me M~! so matrizes inversas temos Nesta equacdo ox é 0 desvio padrio do parimetro ag ¢ ag 0 desvio padrio de ye. Usundo a forma explicta de ay da equagto V-13-, temos rac enees, ea fas caltriay ete diac I hiais cull uma vez que MT" nio depende de ye. Utilizando a equagéo V-13- temos oh =F be ge ap XN xe! ae : fa eo LE ye finalmente, 2 of = Oy vas)68 TRATAMENTO ESTATISTICO DE DADOS EM FISICA EXPERIMENTAL fo invetsamente proporci tanto os elementos da matriz M"! 'sfo ditetamente proporcionais Podemos concluit, entdo, pela equagdo V-18, que quanto maiores os des. ios das medidas de y, maiores serio os desvios dos parimetros ay, como era de se esperar Vocé pode verficar facilmente que as expressdes V-7 e V.8 para ¢ 02, no exemplo da determinagio da densidade de um material, sf0 casos parficulares das equagdes mais gerais V-i2 e V-18 com a = 0, a; = py a= = dy = 0. iz M- € chamada matriz das covariincias. Os elementos da © significado dado na equagio V-18, Os elementos fora da dia- ‘gonal sio as covariincias entre os parimetros respectivos. Assim, (M~)y € a covariincia entre a; € aj, cov(ay, aj) da expressio IV-28, 4) Exemplo de aplicagio do método do mfnimo quadrado Vamos ilustrar 0 método do minimo quadrado fazendo um exemplo. Para determinar a vscosidade de um meio podemos determinar a velocidade de queda de um corpo, por exemplo, uma esfera, nesse meio. Sob a a¢d0 como a forga gravitacional, a velocidade do corpo it do momento que ele & largado do repouso, até tuma velocidade constante. Essa velocidade cons- forea que age sobre 0 corpo, e inversamente propor- sional a viscosidade do meio. O coeficiente de proporcionalidade depende 4a forma do corpo 'Nosso. problema comeca neste ponto. Vamos supor que 0 corpo ji tenha atingido uma velocidede t¥o proxima daquela velocidade limite 0 instante que comegamos a observar-he o movimento, de tal forma que para todos os efeitos podemos considera essa velocidade como constante, Neste instante comegamos a registrar a posigio do corpo, de segundo em se- dez segundos, por exemplo, usando uma méquina fotog yma fonte de luz estroboscépica. Os dados assim obtidos ‘Como supomos que 0 corpo cal com veloc rina, devemos ajustat 20s pontos ex Neste caso estamos supondo x = 0 no instante ¢ = 0, Se houver um erro sistematico, por exemplo, associado ao sistema que dispara a fonte de luz estroboscépica, podemos conseguir a velocidade ajustada também com um erro sistemitico, Por conveniéneia, vamos ajustar aos pontos experimentais luma funggo que nos permita perceber se hi ou no um erro sistematico deste tipo, ou seja, x= xe tt Princioio da maxima provabiisede 6 Os dados do tempo despres Na tabela esto i perimentas aprecem. na Tab, V-1. Suponde 0 deo vamos considerar apenas 0 desvio padrio da posigio, as as trineas (t,x, 01) Tobela V-1 = Dados experimentais de posigo em funeS0 do tempo para um abjeto ‘que se move com velocidade supostamente constant 444,448 2538,222 17674,222 Nosso problema ¢ construir a equagdo V-10 com ay = x9, a3 =» 1; no lugar de x; ¢ x; no lugar yj, que é 538,222 17674,22 444444 2444 4d 248444470 TRATAMENTO ESTATISTICO DE DADOS EM FISICA EXPERIMENTAL © proximo passo agora é cal onde 4 é 0 determinante da matriz M. Fazendo as contas temos et = (199500 10°? -1,5000 - 10°? +107 2.7273. 10-4 Pela equagao V-12 podemos agora calcular os parimetros xp e », fazendo a=M".D x0 _ ((1,0500- 107? ee oa 0,14 rm) \-1,5000- 10° 2,7273- 10~ ee 1,013 A reta ajustada pelo método do minimo quadrado é (Fig. V-3) = O,ldem + 1013 + Qs eros em x» ¢ ¥ sio obtidos a partir dos elementos da diagonal da matriz M-' (equagdo V-18). Podemos entio escrever Xo = (0,14 * 0,10)em ¥ = (1,013 + 0017)cm/s significado do desvio padrio em cada um dos parimetsos € que hi 68% de chance do valor verdadeiro desse parimetro est © valor caleulado menos o desvio padrio, e 0 valor calculado mais 0 des- Vio padrao, quando o valor do desvio padrio das medidas de x tem esse isso vale para cada um dos parimettos, indepen- no € verdade que ambos os parimetros es- los com 68% de probabilidade. © parimetro x9 fot usado com a justficativa de que um Iiitico poderia fazer com que em f = 0a posic#o ndo fosse xo, de um problema de sincronizagio do disparador da fonte de lz cépica. O x9 obtido pelo ajuste foi 0,14 + 0,10. A partir desse valor po- demos dizer se houve ou ndo um erro sistematico desse tipo? Pode ser que Xp ajustado seja diferente de zero apenas por causa de flutuagbes estatisticas, Principio da maxims probabiisede — 71. ‘Com que probabilidade isso aconteceria? Para responder essa pergunta, vamos ‘maginar que 0 valor verdadeiro de x9 seja 2210, com um desvio padrao 0,10. E facil determinar a probabilidade que sendo em média zero, obtenhamos ‘ou mais apenas devido a flutuagdo estatistica. Se a distribuigd0 P(x > 0,14 quando 0 = 0,10) = I. — de. Fazendo|uma mudanga de varivel,x' = elo, com o = 0,10 tos Usando a Tab. chance de obtermos faz-nos suspeitar de zero de fato. No cay de anilise VI discutiremos com mais detalhes este tipo tem) tT 2 3 4 Figura V.9 ~ Aos pontos experimentais pelo método do ads onto exper SMM el coheed etic72 TRATAMENTO ESTATISTICO DE DADOS EM FISICA EXPERIMENTAL 0 Ieitor pode reclamar aqui que usamos uma quantidade excessiva de algarismos significativos para representar os elementos das matrizes Me D, achando estar este procedimento em desacordo com o discutido no capi tulo I. No entanto, o que estamos fazendo é usando um método matemé- 0 que diga qual a reta que melhor se ajusta aos nossos pontos experi- assumindo como exatos os valores destes pontos. Assim, a qi de algarismos usada & justificada. Além de justificada ¢ necessiria ia vez que freqlentemente os valores que desejamos determinar s40 cal- culados por diferencas entre nimeros de algumas ordens de grandeza maiores que esses prdprios valores. ¢) Fungdes nio lineares nos parimetros © método do minimo quadrado discutido na segio c é aplicdvel pat qualquer fungio linear nos parimetros e nfo obrigatoriamente para nomics. No caso discutido as variéveis eram x e y, em equagdes do tipo say tax tage? + No entanto o método continua valido para um caso mais geral de fungoes lineares nos parametros mas com mais do que duas varidveis, como wea, tax tay + conde x, y,... € w Sio as variveis determinadas experimentalmente ¢ a1, 4,, 08 parametros. Por analogia & equayio V-10 terlamos uF a ‘onde oj sio os desvios padrio em w,, ¢ assumimos que os desvios padrio so despreziveis. Tanto neste caso como naquele da segd0 ¢ ‘ equagOes sio lineares nos parimetros, no aparecendo termos do tipo a}, aj ete ve Freqientemente encontramos casos em que as fungies nfo sio neares mos parimetros, aparecendo termos como a} ou a; aj etc. Nes ‘equagdes que obtivemos na segio ¢, determinados a partic da i 2Q_ poy Princisio de méxime probabildede 73 ppara os valores dos parimetros que maximizam a probabilidade de ter sido grado aquele conjunto de dados experimentais, nfo seriam também lineares. nos parimetros e nio poderiamos escrever algo como a equagio V-10. Podemos, por exemplo, esperar uma relago entre as varidveis do tipo yaat bx +abx?, (v.20) e/a partir de dados experimentais xj, yj, queremos determinar os para- ‘metros a e b. Um bom procedimento nestes casos é linearizar os parimetros 4 serem ajustados fazendo ay + ba by + 5b (va) be conde ap © bo sio valores inicias que escolhemos 5a e 5B a8 corregbes nesses Valores iniciis. Sul jo V-21 em V-20 temos Y= dy + Dox + dobox? + (1 + box? \ba + (x + dox?)5b + 6a5bx? Neste caso, como dg € bp sio conhecidos, podemos redefinir as varidveis fazendo Y= y ~ dq ~ box ~ dgdox™ w= 1+ box? (v2) Xa x tag, A equagio anterior ficaria entéo yl = Bax! + 5b +x" + Ba bbx?, sendo 0 desvio padrio em y" igual a0 desvio padrio em y. Se os valores, escolhidos dp e bo sio proximos dos valores que maximizam a pro- \de de ter sido obtido esse conjunto de dados, podemos desprezar a+ 5b e reescrever esta iltima equagdo na forma y' = bax! + 66x". 23) ‘Assim, a equagdo passou a ser linear nos parimettos a serem ajustados € podemos usar 0 método do minimo quadrado como ele foi do. ‘Ajustados os pardmetros 64 ¢ 6b, 0s novos parimetros a’ eb” serio dados por a = a9 + ba Bt = by + 5b, Podemos agora recomecar © processo com estes novos valores para do € bos fe procedimento até que as variagOes determinadas ba © 6b sejam suficientemente pequenas para 0 nosso propést cer quando 82 ¢ 6 forem menores que os desvios ps ‘Vamos ilustrar este método. A Tab, V-2 apreser ‘tos que devem obedecer a relagdo V-20. Para linearizar essa equago devemos cescolher valores iniciais para a e b, Podemos fazer isso ajustando uma pard-TRATAMENTO ESTATISTICO DE DADOS EM FISICA EXPERIMENTAL Wolo no liner y = 9 + bx + abx?. Os valores ap = 04 foram excolhidot como valores inicils dos pardmetros. itergdo nor dé # = 0.496 e b = 2020 com 0, = 0,009 y 087 027 002 oa1 098 oaeerorl 3 06 1 ° 3 oo oy = 01 =o Obtemos assim os valores 18100 3120 bola por t1és dos cinco pontos da tabela. Escolhendo o primeiro, 0 terceiro € 0 quinto ponto temos y= 042 + 203x + 1,027 Usaremos entio ap = 0,4 € by = 2,0 como estimativas de a ¢ b e calcula: uarta e quinta colunas da tabela correspondem aos va- aleulados pelas equagbes V-22 com esses valores iniciais A equacdo andloga a V-19, com os dados da Tab. V-2, fica 3120 ba 1544 8b a = 0,009 25 = 0.032 ag = 0,009 05 = 0,032, Podemos com esses novos valores de a e D recomegar 0 processo, ¢ re- pettlo sucessivamente. E frequente imporse critérios para esse processo de io baseado em comparagBes entre os desvios padrio nos parimetros variagBes nos parimetros ou entre essas variagdes € 0s proprios Princoio da maxime probebiidede mos o melhor valor para a grandeza medida. Mostre, usando 0 prinefpio da maxima probabilidade, que thor valor que podemos usar para a grandeza, considerando-se os jos das duas medidas. Ve} 2) Determine a posigZo e 0 desvio padro desta, n © exemplo da Tab. V-1. (Nao esqueca a covari 3) Vocé pode tomar nula a covarincia entre os pardmetios ajustados, no exemplo da Tab. V-1, fazendo uma translago dos 1). Fa ‘mine o§ novos parimetros ajustados. Determine agora a posigio no mes- ‘mo instante do exercicio ant fique que esses valores sfo iguais aos obtidos no exercicio 2 4) Determine a e b da equagio jor e 0 desvio padrio ne 4 partir do conhecimento dos dados experimentais x, ¥j, 0; dados abalxo. Avalie a probabilidade de que @ seja nulo. 5) Ajuste os parimetros A eX da do dos casos em que a fungio no linear nos parimetros76 —_TRATAMENTO ESTATISTICO DE DADOS EM FISICA EXPERIMENTAL 6) Ajuste a mesma fangfo do exerecio anterior 208 mesmos dados expe ments, usando oarifici de Topiritmar de ambos os lados da equa, Compare 0s resultados obtidos em ambos os exercicios. e [Antes de especificar esses limites de integracdo, vamos escrever 3 ‘mente 0 integrando, Eta integral dupa pode sr ntrpeta 2] ¢ 2} sejam positivos © 23 + 24 > 2 e 24, Essa regido estd contida, portant AA integral pode ser reescrita como Pa ata como a integral na repo em ae de um plano cujos eixos no primro quadrant, apenas, nah |e ta ae 2 Jfeteeb? aera. Podemos interpretar esta dupla integral como sendo a integral num plano 24. 24, sobre todos 0s pontos 21 ¢ 22 do primeiro quadrante tal que 2} + 23 > X2. Dessa forma o elemento de integragio dz, dz, é um ele- mento de superficie do plano, Fazendo uma transformagio para coorde- nadas polares, definidas pelas equagdes 21 = Xcos0 23 = Xsen onde X e 8 so as novas variéveis, temos dry dz, = XdXd0. NNo entanto, nds estamos quetendo interar sobre todos os pontos em. que 2] e Hf posam variar, com a condigao que #] 4+ 21 > X3, Se 20 invés de fizermos a integral sobre todo o plano, integrar apenas no 1° quadr festaremos obtendo 4 vezes a integral que queriamos nas varidveis 2} © 2380 TRATAMENTO ESTATISTICO DE DADOS EM FISICA EXPERIMENTAL rodemos fazer a integral no plano todo e dividir por 4 esse valor. 0 X varia de Xp até o € 0 de Oa 2x. Escrevendo a integral de P,(G3) nesse novo sistema de coordenadas temos P03) = zh fae eX xaxdo = eel? equagdo da a probabilidade de que X? seja maior ou igual a um iada fungio densidade de probabilidade de X’ POD = | 0A esta sltima expresséo 6 fécil obter, derivando os dois lados em relagdo a X3, F,00) z Para determinar « fungdo densidade de probabilidade de X? para uma medida com trés dados vamos proceder de forma andloga. Neste caso a pro- Dabilidade que X? seja maior ou igual a X2 é s fff ) FER) FUER) de} deh deh, sendo 0s limites de integragao ave ashe bob > xd Escrevendo explicitamente as fungdes densidade de probabilidade para os 2, temos nox = [ff a 8d, des dey Como fizemos anteriormente vamos considerar dz, dz,dz, como um ele- ‘mento de volume no espaco ¢ fazer a mudanga de varidveis 2, = Xsen 0, send, 22 = Xsen 9, cos 25 = X05 By sendo entio +3 d2y = X? sen 8, dO, d0, dX. De fe er a IRN a apap nats Seaaceaa ete a ere eee eres ae ee coarsest ns coaek aad nea | onde 422 & sen ,d0, 40, Vamos agora construir a fungdo densidade de prob: I quando temos NV dados. Formalmente podemos esctever para a probabili- dade que X? exceda um determinado valor X2 = [J [repaen.reqpactart de, sendo os limites de integracio tals que edhe tt > tas de FE), Pl aitat Substituindo as formas o fp eBali2 (ale 102 N dey day «dy ny Podemos agora fazer uma mudangs de varidveis andloga 8 que fizemos nos casos com dois ¢ tr6s dados, definindo novas varveis X, 01, 635 ~-Oy-1 tais que ack ae th, X sen 0; sem 03 .. en Oy Sem Oy X sen 9, sen Os ..sen By. 0080-1 25 =X send, sens... 608 ON—> zy-1 = Xsen8, cos 03 iy = X e080, Esta mudanga de variével faz com que