Relatorio Como Fazer

Guia para Fsica Experimental
Caderno de Laboratrio, Grficos e Erros

Instituto de Fsica, Unicamp
Preparado por
Prof. Dr. Carlos Henrique de Brito Cruz
Prof. Dr. Hugo Luis Fragnito
Estagirio de Capacitao Docente Ivan Ferreira da Costa
Estagirio de Capacitao Docente Bernardo de Assuno Mello
(Verso 1.1, revista por CHBC e HLF em Setembro de 1997)
IFGW, Unicamp
1997
Fsica Experimental: Caderno de Laboratrio, Grficos, Medidas e Erros
Contedo
1 CADERNO DE LABORATRIO
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
1.10
CADERNO DE LABORATRIO
T TULO, DATA E COLABORADORES.
OBJETIVOS DO EXPERIMENTO
ROTEIRO DOS PROCEDIMENTOS
ESQUEMA DO APARATO UTILIZADO
DESCRIO DOS PRINCIPAIS INSTRUMENTOS
DADOS MEDIDOS
CLCULOS
FIGURAS, T ABELAS E EQUAES
RESULTADOS E CONCLUSES
1
2
2
2
2
2
3
3
5
5
2 GRFICOS
2.1
2.2
2.3
ROTEIRO PARA OBTER UM BOM GRFICO

EXEMPLOS
DETERMINAO DOS COEFICIENTES DE UMA RETA
2.3.1
2.3.2
6
6
8
MTODO DOS MNIMOS QUADRADOS 9

MTODO GRFICO 10
3 ERROS: VERSO SIMPLIFICADA

3.1
3.2
13
ERROS ALEATRIOS E SISTEMTICOS

T RATAMENTO ESTATSTICO DE MEDIDAS COM ERROS ALEATRIOS
3.2.1
3.2.2
3.2.3
3.2.4
ESTIMATIVA DO VALOR CORRETO DA GRANDEZA MEDIDA

DISPERSO DAS MEDIDAS E PRECISO DA ESTIMATIVA
ERRO PADRO DA MDIA
ERRO PERCENTUAL OU RELATIVO
3.3
14
14
15
15
PROPAGAO DE ERROS EM CLCULOS

3.3.1
3.3.2
3.4
13
14
15
SOMA E SUBTRAO DE GRANDEZAS AFETADAS POR ERROS 15

MULTIPLICAO E DIVISO DE GRANDEZAS AFETADAS POR ERROS 15
ERROS EM FUNES DE GRANDEZAS AFETADAS POR ERROS
16
4 ERROS: VERSO AVANADA

4.1
DEFINIES BSICAS
4.1.1
4.1.2
4.2
VARIVEIS ALEATRIAS E DENSIDADE DE PROBABILIDADE.

MDIA, VARINCIA E MOMENTOS DE UMA DISTRIBUIO 21
VARIVEIS ESTATISTICAMENTE INDEPENDENTES 22
4.3.2
4.3.3
4.3.4
ESTIMANDO A MDIA 25
ESTIMANDO A VARINCIA 25
PRECISO DOS ESTIMADORES 26
ESTIMADORES
4.4
4.5
COMENTRIOS SOBRE AS FRMULAS DE PROPAGAO DE ERRO

UM EXEMPLO CONCRETO: O ALCANCE DE UM PROJTIL
4.5.1
4.5.2
17
MDIA, DESVIO E ERRO PADRO 17

PROPAGAO DE ERROS 18
4.2.1
4.2.2
4.3
4.6
17
20
23
27
29
HISTOGRAMAS 30
OS RESULTADOS 32
REFERNCIAS
33
1 Caderno de Laboratrio
1.1 Caderno de Laboratrio1
Cada estudante dever manter um Caderno de Laboratrio, no qual anotar os dados,
procedimentos e demais informaes relevantes realizao de cada experincia. No se
trata de um caderno de relatrios. As anotaes devem ser feitas durante a realizao do
experimento para garantir a objetividade e a fidelidade.
No simples definir a priori o que "relevante ao experimento". Uma maneira de avaliar
a relevncia de uma informao imaginar que se voc usar o Caderno daqui a alguns meses
(isto vai acontecer realmente, nas provas, exames e demais experimentos) ou mesmo anos, a
informao contida no Caderno deve lhe permitir repetir a experincia sem dificuldade,
entendendo do anotado no Caderno o que foi feito e quais foram os resultados e as
concluses. Em algumas disciplinas o Caderno poder ser consultado durante as provas, por
isso fundamental que a informao seja concisa e bem organizada.
expressamente proibido realizar cpia de dados do caderno de outros alunos. No caso
de trabalhos em grupo, cada aluno responsvel pelo registro dos dados em seu Caderno.
Ele poder copiar figuras e tabelas de livros e apostilas indicando claramente a fonte. Se o
aluno estiver ausente em algum dia, ele dever realizar o experimento correspondente em
outro dia (verifique o horrio disponvel do laboratrio).
muito desejvel que seja um caderno grande (formato A4) e com folhas quadriculadas
(h um Caderno de Laboratrio do IFGW venda, a preo de custo, nos Laboratrios de
Ensino Bsico ou na Coordenadoria de Servios Tcnicos do Instituto) .
No mnimo, para cada experimento o Caderno de Laboratrio deve sempre conter:
1. Ttulo do experimento, data de realizao e colaboradores;
2. Objetivos do experimento;
3. Roteiro dos procedimentos experimentais;
4. Esquema do aparato utilizado;
5. Descrio dos principais instrumentos;
6. Dados medidos;
7. Clculos;
8. Grficos;
9. Resultados e concluses.
O formato de apresentao destes 9 itens no rgido. O mais indicado usar um
formato seqencial, anotando-se medida que o experimento evolui.
G.L. Squires, "Practical Physics" (Cambridge University Press, 1991), captulo 10, pp. 139146; e D.W. Preston, "Experiments in Physics" (John Wiley & Sons, 1985), pp. 2-3.
1
No Caderno de Laboratrio tambm se anotam as observaes que podem ser teis na

continuao de um experimento, ou lembretes de coisas que voc deve providenciar (do tipo:
"passar na biblioteca para verificar uma referncia", ou "lembrar de zerar o micrmetro antes
de comear a medir" ou ainda: "perguntar ao professor porque a fasca falha s vezes", ...)
1.2 Ttulo, data e colaboradores.

O Ttulo do experimento deve ser anotado no topo das pginas correspondentes ao
experimento. Na primeira pgina de cada experimento deve-se anotar quais os colaboradores
na realizao. A data deve ser anotada no incio e, se for necessrio, a cada dia que se
continue no mesmo experimento. Em alguns casos pode ser til anotar o horrio em que
certas medidas foram feitas.
1.3 Objetivos do experimento

Os objetivos devem ser descritos de forma sucinta e clara. Por exemplo:
Os objetivos desta experincia so:
1- Aprender o uso de instrumentos com vernier (Paqumetro, Micrmetro);
2- Avaliar erros de medidas e como estes se propagam em
expresses
matemticas;
3- Determinar a mdia e o desvio padro de uma srie de medidas.
Para atingir estes objetivos determinaremos a densidade de vrios materiais
medindo a massa e as suas dimenses.
1.4 Roteiro dos procedimentos

Antes da cada experincia fazer um roteiro de procedimentos e escrever as principais
frmulas que sero utilizadas (ex. clculo dos desvios). Prever as dificuldades e as estratgias
para contorn-las. Este roteiro deve vir feito de casa.
1.5 Esquema do aparato utilizado

Em geral feito mo livre e com a identificao de cada componente. Indique o modelo,
principais caractersticas e o nmero de srie (ou qualquer outro identificador) de cada
instrumento utilizado. Identificar os instrumentos e componentes til para poder repetir o
experimento nas mesmas condies.
1.6 Descrio dos principais instrumentos

No precisa ser uma lista nica no incio, pode-se ir descrevendo medida que se os usa.
Por exemplo:
Paqumetro
Mitutoyo, menor diviso do vernier = 0.05 mm.
Micrmetro Starret, menor diviso no tambor = 0.01 mm.

Balana Elmer (modelo
*245, N de srie 9800/76) menor diviso = 0.05 g.
Algumas vezes bom incluir observaes sobre o estado do instrumento, se isto puder
afetar as medidas:
O micrmetro completamente fechado no indicava 0.000 e no fechava sempre na
mesma posio. Fizemos 10 medidas do zero abrindo e fechando novamente e
tomamos uma mdia e o desvio padro. O resultado foi Z ero = (-0.22

0.01)
mm. Todas as medidas efetuadas com este micrmetro foram corrigidas levando
em considerao este fato.
1.7 Dados medidos

Todos os dados medidos devem ser anotados diretamente no Caderno de Laboratrio e
nunca em folhas separadas de rascunho. A anotao em folhas de rascunho causa perda de
tempo, aumenta a possibilidade de erros involuntrios de cpia e cria a tentao para a
"filtragem" de dados (excluso daqueles que no gostamos, ou achamos errados). Todo dado
medido deve ser anotado. Dados considerados esquisitos ou anmalos devem ser
identificados com uma pequena anotao ao lado (como: "Nesta medida algum esbarrou na
mesa e a rgua se deslocou, podendo ter afetado esta medida."). Para correes em caso de
erro na anotao no deve ser usada borracha, mas deve ser passado um risco sobre a
anotao (supostamente) errada, escrevendo-se ao lado a correta. As anotaes de dados
medidos devem sempre incluir o valor da incerteza associada.
1.8 Clculos2
Os procedimentos de clculo devem ser claramente descritos, para permitir a conferncia
e reclculo pelo mesmo caminho. Devem sempre ser considerados apenas os algarismos
significativos nos resultados finais. Por exemplo:
Determinao
da densidade de uma esfera metlica - aparentemente de ao.
Medidas de d (Dimetro) com micrmetro Starret (preciso
0.01
mm), 12
medidas:
Tabela 1.1. Medidas do dimetro da esfera metlica.
medida
10
11
12
d(mm) 15.54 15.52 15.55 15.54 15.57 15.51 15.56 15.51 15.55 15.54 15.53 15.53
G.L. Squires, "Practical Physics" (Cambridge University Press, 1991), captulo 12, pp. 159-
168.
3
Da Tabela 1.1 obtivemos a Tabela 1.2 com as frequncias de cada medida:
Tabela
Frequncia
de
medidas
12
1.2.
ocorrncia
das
em
medies
d (mm)
frequncia
15.54
mdia = 15.5375 mm
15.52
desvio padro = S = 0.018647447 mm
15.55
erro padro da mdia = S/ 12 = 0.00537 mm
15.53
15.51
15.57
15.56
Resultado: d = (15.538
0.005)
(ou d = 15.538 mm
mm
0.03%)
Medida da massa com balana Elmer (preciso nominal 0.05 g):

m = (15.2
0.1)g
Obs.: embora a menor diviso da balana seja 0.05 g, na nossa apreciao ela
continuava em equilbrio para deslocamentos de quase
estimamos a incerteza desta medida como
= 6m/d
Clculo
g/cm
do
= 7.739297489 g/cm
desvio
na
0.1
divises. Por isso,
g .
densidade:
) + (3
m
0.05097
Resultado:
Densidade:
(7.74
0.05)
g/cm
1.9 Figuras, Tabelas e Equaes3

As Figuras e Tabelas devem ser numeradas em sequncia e conter uma pequena
legenda descritiva. A sequncia numrica pode ser reiniciada 1 em cada experimento ou
utilizar uma sequncia dupla (por exemplo, Fig. 2.3 a terceira figura do experimento N 2).
Os grficos, desenhos, esquemas, e fotografias so todas figuras, no h razo para abrir
seqncias diferentes (ou seja, no escreva Grfico 1, e sim Figura 1). Leia na Seo 2 sobre
como devem ser feitos os grficos.
As figuras podem ser feitas em papel especial (por exemplo em papel milimetrado ou
logartmico) ou gerados por um computador e colados (sobre toda a rea, nunca colados em
uma ponta ou grampeadas) no caderno. Evite colar figuras pregveis; se o original for grande,
faa uma cpia reduzida de modo de caber inteira na folha do seu caderno.
No incio de cada experimento geralmente fazemos um resumo da teoria envolvida e
destacamos as equaes mais relevantes. As equaes (pelo menos as mais relevantes)
devem ser numeradas para poder fazer referncia a elas mais adiante, quando confrontamos
as previses do modelo com os resultados experimentais. Defina, imediatamente antes ou
logo aps, os smbolos matemticos novos que aparecem em cada equao.
1.10 Resultados e concluses

So comentrios sobre o que foi feito, qual a confiana nos resultados obtidos, pontos
crticos ou duvidosos do experimento e comparao com modelos tericos.
D.W. Preston, "Experiments in Physics" (John Wiley & Sons, 1985), pp. 21-32; G.L.
Squires, "Practical Physics" (Cambridge University Press, 1991), captulo 11, pp. 147-158; e
C.E. Hennies, W.O.N. Guimares e J.A. Roversi, "Problemas Experimentais em Fsica" 3a
edio, (Editora da Unicamp, 1989), captulo V, pp.168-187.
2 Grficos
2.1 Roteiro para obter um bom grfico
Grficos so uma das principais maneiras de se apresentar e analisar dados em cincia e
tecnologia. Devem ser claros e conter um ttulo, eixos, escalas, unidades e barras de erro. A
lista abaixo de utilidade para que o iniciante no se esquea de alguns quesitos necessrios
para que o grfico seja bem interpretado e efetivamente til.
Escolha a rea do papel com o tamanho adequado (mais ou menos meia pgina do Caderno
de Laboratrio).
Em geral a relao de aspecto (altura / largura) deve ser menor do que 1, pois o grfico ser
de mais fcil leitura (por esta razo que a tela de cinema e a da televiso tem relao de
aspecto menor do que 1).
Desenhe os eixos claramente: a varivel dependente deve estar sempre no eixo vertical (y) e a
varivel independente no eixo horizontal (x).
Marque nos eixos as escalas, escolhendo divises que resultem em fcil leitura de valores
intermedirios (por exemplo, divida de 2 em 2, e no de 7,7 em 7,7).
Se possvel cada um dos eixos deve comear em zero.

Marque abaixo do eixo horizontal e ao lado do eixo
vertical o nome da varivel ali
representada e, entre parnteses, as unidades usadas.
Escreva, na parte superior da rea do grfico, o Ttulo do grfico. Todo grfico deve ter um
ttulo.
Marque cada um dos pontos do grfico cuidadosamente e claramente, escolhendo para isto
um smbolo adequado e de tamanho facilmente visvel (por exemplo, um crculo ou um

quadradinho) com um pontinho no centro. Nunca marque os pontos apenas com um pontinho
do lpis.
Marque claramente as barras de erro em cada ponto. Se o erro for muito pequeno para
aparecer na escala escolhida anote ao lado: "as barras de erro so muito pequenas para
aparecer na figura".
Se desejar, desenhe uma linha suave atravs dos pontos. Se os erros forem
aleatrios,
aproximadamente 1/3 das barras de erro podero ficar fora da linha.
No esquea de numerar e escrever uma legenda breve explicando de que se trata a figura e
fornecendo a informao necessria para que o leitor entenda a figura. Todas as figuras so
numeradas em sequncia. Esquemas, desenhos e grficos so figuras.
2.2 Exemplos
Um grfico bem feito talvez a melhor forma de apresentar os dados experimentais. Tem
muitos parmetros que devem ser escolhidos criteriosamente como a funo a ser
representada, as escalas dos eixos, o tamanho, o smbolo para os pontos experimentais, etc.
A funo que voc vai representar depende do tipo de informao que voc quer transmitir e
como se encaixa esta informao no argumento que voc est seguindo para demonstrar
algo. Por exemplo, se seus dados descrevem o movimento de queda livre de uma partcula,
voc pode representar x(t) se quer mostrar visualmente que o movimento parablico, mas se
quiser determinar a acelerao da gravidade mais conveniente representar x(t2) j que
acelerao pode ser extrada da inclinao desta reta. O guia para as outras escolhas deve
6
ser sempre o conceito de que um grfico uma ajuda visual para a sua argumentao e para
que o leitor entenda rapidamente as evidncias experimentais.
Os grficos so figuras e voc deve escolher o tamanho das figuras de modo que caibam
na folha de papel do seu texto (seja este no seu caderno de laboratrio, relatrio ou artigo),
ocupando no mais que a metade da folha. Isto no um critrio esttico, um critrio de
eficcia da apresentao baseada no fato de que dificilmente algum consegue focalizar os
olhos numa rea maior a uns 30 cm dos seus olhos.
100
teoria
posio, x (cm)
80
experimento
60
40
20
0
0
10
tempo, J (s)
Fig. 2.1. Exemplo de grfico bem feito.
A Figura 2.1 mostra um grfico eficiente para mostrar que, dentro do erro experimental, os
dados seguem um determinado modelo terico.
10 0
10 0
Grfico 1 (RUIM)
Grfico 2 (RUIM)
80
60
60
y (cm)
posio,
N (cm)
80
40
20
40
20
0
0
10
tempo, J (s)
10
t (s)
100
140
Grfico 3 (RUIM)
120
Grfico 4 (RUIM)
80
100
y (cm)
y (cm)
60
80
60
40
40
20
20
0
-1
5.0x1 0
7.8
-1
6.8
4.0x1 0
5.9
-1
4.8
3.0x1 0
3.9
-1
2.0x1 0
1.9
-1
0.8
1.0x1 0
0.1
0.0
t x1/7 0 (s)
t (s)
Fig. 2.2. Exemplos de grficos mal feitos.
Os mesmos dados experimentais da Fig. 2.1 esto representados novamente nos quatro
grficos da Figura 2.2 para ilustrar defeitos tpicos de alunos inexperientes. O tamanho dos
pontos deve ser tal que cada ponto seja bem visvel; nem muito pequeno como no grfico 1
nem exagerado como no grfico 2, onde o tamanho do smbolo maior que a barra de erro
para a maioria dos pontos. No grfico 2, os nmeros das escalas so difceis de ler. No grfico
3 as escalas foram mal escolhidas, desaproveitando a rea; o fator 1/70 e os nmeros das
marcas da escala horizontal dificultam a leitura. No grfico 4 a escala horizontal no deve ser
indicada com os valores individuais dos pontos.
2.3 Determinao dos coeficientes de uma reta

muito freqente em fsica experimental o problema de determinar os estimadores a e b
dos coeficientes e , respectivamente, que melhor representam a relao linear entre duas
variveis aleatrias X e Y:
Y = X + ,
[2.1]
a partir de um conjunto de pares de valores medidos (yi,xi), i = 1,.., N. Este problema

considerado em vrios livros texto (veja por exemplo as refs. 1 e 2) e reproduziremos aqui os
resultados mais importantes. preciso antes observar a validade das frmulas. Os alunos
tendem a utilizar as frmulas de ajuste por mnimos quadrados ou as de regresso linear sem
8
antes verificar se as condies de validade dessas frmulas se aplicam ao seu experimento.

Muitos programas grficos modernos para computadores vm com algoritmos de ajuste linear.
Um software deste tipo muito conveniente mas, antes de utiliz-lo, o aluno deve saber qual
o algoritmo que o programa utiliza para fazer os clculos, pois corre o risco de aplic-lo a uma
situao onde o algoritmo no vlido.
2.3.1 Mtodo dos mnimos quadrados

Este mtodo se baseia em achar os valores de a e b que minimizam a funo
N
f ( a, b ) = yi axi b
i =1
[2.1]
4
e que representa a soma dos desvios quadrticos da relao linear .

Se
1.
os valores xi so medidos sem erro;
2.
todos os yi tem a mesma distribuio (mas, obviamente, com diferente mdia) ;
3.
todos os yi tem o mesmo desvio padro, ,
ento as frmulas da Tabela 2.1 se aplicam. A demonstrao das equaes desta tabela pode
ser vista na ref. 2.
Parmetro
Estimador quando = 0
Estimador quando 0
: coeficiente angular (inclinao)
a = xi yi / xi2
b=0
a = ( xi x ) yi / ( xi x )2
b = y ax
S 2 = ( yi axi )2 / ( N 1)
S 2 = ( yi axi b) 2 / ( N 2)
a = S / xi2
a = S / ( xi x ) 2
b = 0
b = S N1 + x 2
( xi x )
yo = Sxo / xi2
yo = S N1 + o
( xi x ) 2
: coeficiente linear
2: varincia dos yi
a: erro padro do estimador da
inclinao
b: erro padro do estimador do
coeficiente linear
yo: erro padro do estimador de
um ponto da reta para x = xo
( x x )2
Tabela 2.1. Estimadores para o caso dos yi com o mesmo desvio padro ( i = ). As
somatrias indicam soma de i = 1,..., N. As expresses em cada linha esto em
funo de valores definidos nas linhas superiores da tabela.
Com relao condio 1, em Fsica experimental geralmente a varivel x (tempo,

posio, temperatura, etc.) medida com erro e no poderamos em princpio utilizar as
frmulas da Tabela 2.1. Existem frmulas mais exatas para este caso (vide ref. 1) mas na
prtica so pouco utilizadas. Geralmente utilizamos as frmulas da Tabela 2.1 mesmo
sabendo que, em rigor, os valores de a e b obtidos no minimizam estritamente a funo f(a,b).
4
Este mtodo pode ser extendido ao ajuste de polinmios de qualquer ordem (veja a ref.
2).
9
O truque conceptual que utilizamos para justificarmos o procedimento supor que os xi foram
medidos sem erro e atribumos um valor de erro maior para os yi.
O caso em que os yi tm diferentes desvios padres (mas ainda os xi medidos sem erro)
5
se trata como segue: se yi o desvio padro de yi, primeiro se definem pesos normalizados
para cada ponto wi = (1 / yi2 ) / (1 / y 2j ) (de modo que, por exemplo, x = wi xi e y = wi yi ) e
se minimiza a funo f ( a, b ) = wi yi axi b . Os resultados so dados pelas mesmas

frmulas da Tabela 2.1 mas onde, em cada termo de soma, se multiplica por wi . Por exemplo,
S 2 = wi ( yi axi b )2 / ( N 2 ) (que no mais um estimador da varincia, j que i2
diferente para cada yi), a = wi ( xi x ) yi / wi ( xi x )2 , a = S / wi ( xi x )2 , etc.
As frmulas de ajuste de uma lei fsica linear apresentadas na Tabela 2.1 se aplicam a
medies de uma grandeza y realizadas em idnticas condies (por tanto, sobre o mesmo
objeto) exceto pela varivel x. Algumas dessas frmulas no se aplicam se as medidas so
efetuadas em diferentes objetos. Por exemplo, a relao entre peso e altura de pessoas
aproximadamente linear mas no exatamente uma lei fsica e, dado que cada ponto no
grfico corresponde a um objeto diferente, as frmulas da Tabela 2.1 no se aplicam a este
caso (as frmulas correspondentes para estimar os coeficientes da reta e seus desvios podem
ser vistas na ref. 1). Os puristas distinguem este ltimo caso com o termo regresso linear
6
(em ingls linear regression), em vez de ajuste linear (linear fitting), reservada para uma
lei fsica linear.
2.3.2 Mtodo grfico

Descrevemos a seguir um mtodo rpido para estimar os parmetros de uma reta,
aconselhvel quando no dispe de um computador com software adequado para clculos
estatsticos (como, por exemplo, nas provas!). As nicas ferramentas necessrias so um lpis
(ou caneta) e uma rgua (de preferncia transparente).
O mtodo funciona melhor se as escalas do grfico foram escolhidas decentemente, ou
seja com os pontos experimentais relativamente alinhados ao longo de uma diagonal.
O peso normalizado tal que wi = 1.
5
6
Quando no obvia a sua traduo, daremos tambm o nome em ingls entre parnteses
e aspas. Isto pode ser til par o aluno j que a imensa maioria dos livros - e da literatura
cientfica em geral - bem como os softwares modernos de tratamento estatstico de dados
esto nessa lngua.
10
quadrante 1
70
quadrante 2
60
amax
a
amin
50
y
40
quadrante 3
quadrante 4
30
20
10
bmax
bmin
0
0
10
15
20
x
Fig. 2.2. Mtodo grfico para determinar os coeficientes da reta e seus desvios. As
barras de erro so menores que o tamanho do smbolo de cada ponto experimental.
Para ilustrar o mtodo vamos considerar os dados representados na Figura 2.1. Para
simplificar as coisas nos limitaremos ao caso em que todos os pontos tem o mesmo peso.
Siga os passos abaixo.
1. Estime o centro de gravidade dos pontos ( x , y ). As retas vertical e horizontal que passam
por este ponto divide o grfico em quatro quadrantes. No exemplo da figura 1 os dados
esto, aproximadamente, metade no quadrante 3 e metade no quadrante 2.
2. Coloque a ponta do lpis no ponto ( x , y ) e apoie a rgua no lpis.
3. Gire a rgua em torno do ponto ( x , y ) at que 50% dos pontos de cada quadrante estejam
por cima, e 50% por abaixo da rgua. (Note que mais de uma reta satisfazem esta condio
e voc deve escolher uma mdia.) Trace a reta mdia. A equao desta reta ser
y = ax + b .
4. Apoie novamente a rgua no lpis e gire-a em torno do ponto ( x , y ) at deixar,
aproximadamente, 16% dos pontos de cada quadrante abaixo e 84 % acima da rgua. A
equao desta reta y = y + amin ( x x ) . A inclinao desta reta representa a inclinao
mnima, amin, dentro de um desvio padro. Prolongando esta reta at cortar o eixo x = 0, o
ponto de interseo determina bmax.
5. Agora gire a rgua, sempre em torno do ponto ( x , y ), de modo de deixar 16 % dos pontos
de cada quadrante acima e 84 % abaixo. A equao desta reta y = y + amax ( x x ). Esta
reta determina a inclinao mxima, amax, e a sua prolongao at x = 0, bmin.
11
Note que na regio delimitada pelas retas de inclinao mxima e mnima ficam
aproximadamente 68 % dos pontos experimentais, que consistente com o conceito de
desvio padro para uma distribuio normal. Se a sua apreciao foi correta, a reta mdia
(item 3) deve ficar no meio das retas com inclinaes mnima e mxima traadas nos tens 4 e
5. Para determinar os valores de a e b, assim como os erros padres nestes parmetros utilize
as equaes:
a = 21 ( amax + amin ) , b = 21 (bmax + bmin ) ,
a =
1
2 N
| amax amin | e b =
1
2 N
| bmax bmin | .
O mtodo relativamente subjetivo pois depende da sua apreciao mas, com um pouco
de prtica, voc obter excelentes resultados.
Se os pontos tm pesos diferentes, siga o mesmo procedimento descrito mas levando em
considerao os pesos relativos de cada ponto. O peso de cada ponto deve ser
aproximadamente proporcional inversa da barra de erro.
12
3 Erros: verso simplificada

3.1 Erros Aleatrios e Sistemticos
Em cincia e tecnologia, fundamental a realizao de medidas de grandezas fsicas.
Estas grandezas podem ser, por exemplo, comprimentos, intervalos de tempo, voltagem entre
dois pontos, carga eltrica transportada, intensidade luminosa, e muitas outras. Para se
caracterizar o sistema de freios de um automvel, por exemplo, realiza-se uma medida da
distncia percorrida aps o acionamento dos freios quando o carro se movia a uma certa
velocidade. Ao se realizar uma medida, h sempre fontes de erro que a afetam. As fontes de
erro fazem com que toda medida realizada, por mais cuidadosa que seja, esteja afetada por
um erro experimental. Os erros experimentais podem ser classificados em dois grandes
grupos: erros sistemticos e erros aleatrios.
Os erros sistemticos so causados por fontes identificveis, e, em princpio, podem ser
eliminados ou compensados. Erros sistemticos fazem com que as medidas feitas estejam
consistentemente acima ou abaixo do valor real, prejudicando a exatido ("accuracy") da
medida (ver Figura 3.1). Erros sistemticos podem ser causados devido:
ao instrumento que foi utilizado: por exemplo, erros causados em medidas de intervalos
de tempo feitas com um relgio que atrasa;
ao mtodo de observao utilizado: por exemplo, medir o instante de ocorrncia de um
relmpago pelo rudo do trovo associado;
a efeitos ambientais: por exemplo, a medida de freqncia da luz emitida por um laser,
que pode depender ligeiramente da temperatura ambiente;
a simplificaes do modelo terico utilizado: por exemplo, no incluir o efeito da
resistncia do ar numa medida da acelerao da gravidade baseada na medida do
tempo de queda de uma bolinha de ping-pong de uma altura fixa.
Uma das principais tarefas do idealizador ou realizador de medidas identificar e
eliminar o maior nmero possvel de fontes de erro sistemtico.
Os erros aleatrios so flutuaes, para cima ou para baixo, que fazem com que
aproximadamente a metade das medidas realizadas de uma mesma grandeza numa mesma
situao experimental esteja desviada para mais, e a outra metade esteja desviada para
menos. Os erros aleatrios afetam a preciso ("precision") da medida (ver Figura 3.1). Nem
sempre se pode identificar as fontes de erros aleatrios. Algumas fontes tpicas de erros
aleatrios so:
mtodo de observao: erros devidos ao julgamento feito pelo observador ao fazer uma
leitura abaixo da menor diviso de uma escala, como por exemplo, medir o comprimento
de uma folha de papel com uma rgua cuja menor diviso 1 mm com preciso na
medida de 0,5 mm;
flutuaes ambientais: mudanas no previsveis na temperatura, voltagem da linha,
correntes de ar, vibraes (por exemplo causadas por passagem de pessoas perto do
aparato experimental ou veculos nas vizinhanas).
Erros aleatrios podem ser tratados quantitativamente atravs de mtodos estatsticos,

de maneira que seus efeitos na grandeza fsica medida podem ser, em geral, determinados.
13
Baixa preciso
Baixa exatido
Alta preciso
Baixa exatido
Alta preciso
Alta exatido
Figura 3.1. Preciso e exatido em medidas.
3.2 Tratamento estatstico de medidas com erros aleatrios

3.2.1 Estimativa do valor correto da grandeza medida
Como os erros aleatrios tendem a desviar aleatoriamente as medidas feitas, se forem
realizadas muitas medies aproximadamente a metade das medidas feitas estar acima e
metade estar abaixo do valor correto. Por isso, uma boa estimativa para o valor correto da
grandeza ser a mdia aritmtica dos valores medidos:
x=
1 N
xi ,
N i =1
[3.1]
onde xi o resultado da i-sima medida e N o nmero total de medidas feitas.
3.2.2 Disperso das medidas e preciso da estimativa

Ao se realizar vrias medies da mesma grandeza nas mesmas condies, a incidncia
de erros aleatrios faz com que os valores medidos estejam distribudos em torno da mdia.
Quando eles se afastam muito da mdia, a medida pouco precisa e o conjunto de valores
medidos tem alta disperso. Quando o conjunto de medidas feitas est mais concentrado em
torno da mdia diz-se que a preciso da medida alta, e os valores medidos tem uma
distribuio de baixa disperso. Quantitativamente a disperso do conjunto de medidas
realizadas pode ser caracterizada pelo desvio padro do conjunto de medidas, definido como:
x = S =
1 N
( x i x )2 .
N 1 i =1
[3.2]
Conjuntos de medidas com desvio padro baixo so mais precisas do que quando o
desvio padro alto. Adicionalmente, pode-se demonstrar que o desvio padro caracteriza o
intervalo dentro do qual h 68% de probabilidade de ocorrncia de um valor medido. Dito de
outra forma, isto significa que se for feito um conjunto muito grande de medies, 68% delas
estaro dentro do intervalo x S e x + S .
14
3.2.3 Erro padro da mdia

medida que se realiza mais medidas, a compensao dos erros aleatrios entre si vai
melhorando e a mdia do conjunto de medidas, x , vai se tornando uma grandeza mais
precisa. O erro padro da mdia definido como:
x = S m =
S
N
[3.3]
Observe que o erro padro da mdia diminui com a raiz quadrada do nmero N de
medies realizadas. Portanto, realizar mais medidas melhora a determinao do valor mdio
como estimador da grandeza que se deseja conhecer. Entretanto a vantagem no to
grande quanto desejaramos, j que, por exemplo, para reduzir o erro padro da mdia por
um fator 3 necessrio aumentar o nmero de medidas por um fator 9.
3.2.4 Erro percentual ou relativo

o erro que afeta a grandeza medida expresso como porcentagem do valor medido da
grandeza. Portanto, o erro relativo percentual numa medida x com erro absoluto x ser dado
por:
( x )r =
x
100 % .
x
3.3 Propagao de erros em clculos

Geralmente necessrio usar valores medidos e afetados por erros para realizar clculos
a fim de se obter o valor de outras grandezas. necessrio conhecer como o erro na medida
original afeta a grandeza final.
3.3.1 Soma e subtrao de grandezas afetadas por erros

A anlise estatstica rigorosa mostra que ao somarmos ou subtrairmos grandezas
estatisticamente independentes o erro no resultado ser dado pela raiz quadrada da soma dos
quadrados dos erros de cada uma das grandezas. Por exemplo, se tivermos trs grandezas
dadas por: x x , y y e z z , a soma (ou subtrao) delas,
w = x+ y+z
ser afetada por erro de valor
w = ( x )2 + ( y )2 + ( z )2 .
Como aproximao, pode-se usar que, se o erro de uma das grandezas da soma (ou
subtrao) for consideravelmente maior que os das outras, por exemplo, x >> y , z (trs
vezes maior suficiente) o erro do resultado ser dado por este erro: w x .
3.3.2 Multiplicao e diviso de grandezas afetadas por erros

Neste caso, o erro relativo do resultado ser dado pela raiz quadrada da soma dos
quadrados dos erros relativos de cada fator. Por exemplo, se w = x/y teremos:
15
w
=
w
FG x IJ + FG y IJ
H xK H yK
2
3.4 Erros em funes de grandezas afetadas por erros

Frequentemente necessrio estimar qual o erro que afeta uma varivel y que uma
funo de x, y = f(x), quando se conhece o erro x na determinao de x. Quando a funo for
bem comportada nas vizinhanas do ponto de interesse, pode-se estimar o erro y em y de
duas maneiras: pela fora bruta ou com classe.
O mtodo da fora bruta consiste em calcular o valor de y em x + x e em x x ,
obtendo-se:
y + y = f ( x + x )
y y = f ( x x )
de onde se calcula:
y =
| f ( x + x ) f ( x x )|
.
2
O mtodo clssico usa a noo de derivada da funo, e supe que erro x seja
suficientemente pequeno para que possamos escrever:
y =
FG df IJ
H dx K
x .
x= x
16
4 Erros: verso avanada

4.1 Definies bsicas
4.1.1 Mdia, desvio e erro padro
O resultado de uma medio est sujeito a erros aleatrios que fazem com que medidas
em "idnticas condies" dem valores diferentes. Se temos N medidas de uma grandeza
fsica, x1, x2,..., xN definimos a mdia, o desvio padro (standard deviation) e o erro padro
(standard error) desse conjunto de medidas como na Tabela 4.1.
Nome
Smbolo e frmula
xi
mdia
x=
desvio padro
x = S =
erro padro
x = Sm =
1
N
Nome por extenso

mdia aritmtica
1
N 1
( xi x )2
S
N
desvio padro de cada medida

desvio padro da mdia
Tabela 4.1. Definies bsicas. O smbolo de somatria indica a soma de todos os

termos com i = 1,...,N. O nome por extenso se utiliza nos casos em que o nome
indicado na primeira coluna pode gerar confuso.
Note que os nomes definidos na Tabela 4.1 so uma conveno. Alguns autores definem
estas mesmas palavras de outra maneira. Por exemplo, para o desvio padro de cada medida
7
alguns autores utilizam a definio
s=
1
N
( xi x )2 .
[4.1]
Para no aumentar a confuso, indicamos com a letra s (minscula) o desvio padro

calculado com [4.1] e com a letra S (maiscula) o definido na Tabela 4.1. Ns seguiremos a
conveno de reservar o nome de desvio padro para S (ou x), definido como na Tabela 4.1.
Se precisarmos referir-nos ao parmetro s definido como em [4.1], utilizaremos o nome de
desvio padro da amostra.
Outra conveno que seguiremos que o resultado de um conjunto de medies se
expressa como
mdia = x x .
[4.2]
O significado da expresso [4.2] o seguinte: suponha que efetue uma nova srie de
medidas e calcule a mdia aritmtica delas; o resultado ser um valor que cair dentro do
Salvo indicao explcita, em todas as somatrias que escreveremos suporemos que se

somam todos os termos com i = 1,...,N.
17
intervalo definido pela relao [4.2] com aproximadamente 68 % de probabilidade. Outra forma
mais realista de interpretar a relao [4.2] que se realizamos outras 100 sries de N medidas
cada uma e calculamos as 100 mdias aritmticas de cada srie, 68 % delas cairo dentro do
intervalo entre x x e x + x . O nmero 68 % vem da experincia acumulada por geraes
de pesquisadores experimentais e tem tambm sustentao terica, como comentaremos
depois.
Note porm que realizar infinitas medidas impossvel na prtica. O melhor que podemos
fazer estimar qual seria o resultado dessa situao ideal usando a informao provida por
um nmero finito de medidas. Na seo 4.3 veremos os conceitos e formalidades sobre como
fazer estimativas a partir de um conjunto de medidas.
A quantidade x / x se denomina erro relativo da mdia, e 100 x / x o erro percentual
da mdia.
A questo de como expressar o resultado de um experimento, se com o desvio padro
( x x ) ou com o erro padro ( x x ), depende muito do contexto.
Em Cincias Exatas estamos geralmente interessados em determinar uma grandeza
fsica, e a medimos repetidas vezes em idnticas condies. Neste caso o desvio padro
uma indicao da preciso do mtodo experimental, e no da flutuao que a grandeza
medida pode ter. Por exemplo, se medimos a acelerao da gravidade em certo local, g,
indicamos o resultado com g = g g , j que a expresso g = g g indicaria erroneamente
que o verdadeiro valor de g pode variar dentro de uma faixa muito maior que a real.
Em produo industrial, por outro lado, se utiliza o desvio padro para indicar a disperso
de valores com que uma mquina ou processo fabrica um produto. Por exemplo, uma mquina
fabrica esferas com dimetro especificado por d = d d . Outros exemplos, da rea de
Cincias Naturais, onde deve ser utilizado o desvio padro so o tamanho de um certo tipo de
celas e o peso e altura dos habitantes de uma certa regio. Note que nestes trs ltimos
exemplos os objetos medidos so diferentes e expressamos o resultado com o desvio padro
para dar uma idia da disperso de valores da grandeza nos diferentes objetos.
Se realizamos medidas de uma grandeza em objetos diferentes, ento os experimentos
no so realizados em condies idnticas e, em rigor, a teoria de erros de medio exposta
neste captulo no se aplica.
4.1.2 Propagao de erros

Se a partir de uma grandeza medida x, calculamos outra grandeza f que depende de x
segundo uma expresso matemtica f = f (x), usaremos a conveno de expressar o resultado
na forma
mdia de f : f f , onde f = f ( x ) e f =
Aqui
df
x .
dx
[4.3]
df
a derivada da funo f (x) calculada em x = x .
dx
Um caso particular da [4.3], muito freqente na prtica, o de uma funo do tipo

f ( x ) = a x , onde a e so constantes numricas exatas ou com erro desprezvel. Neste caso
o erro relativo em f o erro relativo em x vezes o mdulo do exponente:
18
f
x
=
.
f
x
f ( x ) = a x
Por exemplo, se f ( x ) = / x , temos = 12 e f / f = 21 x / x f = x / 2 x 3/ 2 .

Se a funo depende de duas ou mais variveis medidas e independentes, por exemplo f
= f(x,y), a conveno que
mdia de f : f f ,
onde
f = f (x, y)
e
f =
FG f IJ ( x ) + FG f IJ ( y )
H x K
H y K
2
[4.4]
f
f
e
so as derivadas parciais de f(x,y) em relao a x e y, respectivamente,
x y
calculadas em ( x , y ) .
Aqui
Por exemplo, se medimos o tempo de queda livre de uma partcula, t, e o espao percorrido na
queda, h, podemos calcular a acelerao da gravidade usando g = 2 h / t 2 . Se os valores
mdios medidos so t = (1.20 0.05) s e h = (3.38 0.05) m, ento, usando a [4.4] obtemos g =
9.7 m/s2 e g =
2 2
3 2
e2h / t j + e4ht / t j
= 0.8 m/s2.
Casos particulares da eq. [4.4], muito freqentes na prtica, so os casos de soma e

produto. No caso de soma ou diferena, f(x,y) = x y, os erros quadrticos so aditivos:
f ( x, y ) = x y
( f )2 = ( x )2 + ( y )2 .
No caso de um produto ou quociente, f(x,y) = x y1, os erros relativos quadrticos so

aditivos:
FG f IJ = FG x IJ + FG y IJ
H f K H xK H yK
2
f ( x, y ) = x y
A Tabela 4.2 resume as frmulas de propagao de erros desta seo.
19
Funo
Mdia
Erro padro
df
x
dx
f = f (x)
f = f (x)
f = f ( x , y)
f = f (x , y)
f =
f = ax + by
f = ax + by
f = ( ax )2 + ( by )2
f = ax y
f = ax y
f = f (x / x )2 + (y / y )2
f =
FG f IJ ( x ) + FG f IJ ( y )
H x K
H y K
2
Tabela 4.2. Frmulas de propagao de erros para os casos gerais de funes de

uma e duas variveis e exemplos. No caso geral as derivadas so calculadas no
ponto ( x , y ) = ( x , y ) . Nos exemplos, os coeficientes a,b, e so nmeros exatos
ou com erro desprezvel.
As frmulas apresentadas nas tabelas 4.1 e 4.2 so as ferramentas essenciais que

utilizaremos no primeiro semestre de Fsica Experimental. As sees 4.2 e 4.3 a seguir tem o
propsito de aclarar o significado das grandezas definidas na Tabela 4.1. Em termos
rigorosos, a mdia aritmtica e o quadrado do desvio padro so estimadores da mdia e
varincia, respectivamente, da distribuio de probabilidades que caracteriza a grandeza fsica
medida. A validade das frmulas de propagao de erros da Tabela 4.2 ser discutida na
seo 4.4. As frmulas de propagao de erros so aproximadas e veremos formas mais
precisas de propagar erros em alguns casos particulares. Finalmente, na seo 4.5,
exemplificamos os conceitos mais importantes com um experimento fsico concreto.
4.2 Variveis aleatrias e densidade de probabilidade.

Para um dado mtodo de medida temos controle apenas parcial das condies do
experimento. Medies de uma grandeza fsica X em "idnticas condies" esto sujeitas a
variaes aleatrias sobre as quais no temos controle, dando como resultado valores
medidos diferentes de X. Dizemos que X uma varivel aleatria (random variable).
O resultado de uma medida da varivel aleatria contnua X pode ser representado por
um nmero real x e admitimos que
(1) existe uma probabilidade nica, P{a < X b}, de obter o resultado X em um dado
intervalo do eixo real (a,b), e que
(2) esta probabilidade no depende dos resultados de medidas anteriores.
8
Os processos de medio podem ser considerados processos estocsticos, os quais so

completamente caracterizados por uma funo de densidade de probabilidade (ddp) p(x)
definida como o limite
8
Um processo estocstico (stochastic process) para variveis contnuas satisfazem, alm

das duas condies mencionadas, que a probabilidade de obter X dentro de um intervalo
infinitesimal, P{x X < x+ dx} proporcional ao comprimento do intervalo, dx.
20
P{x < X x + x}
,
x
x0
p ( x ) = lim
[4.5]
onde P{x < X x+x} a probabilidade de achar a varivel aleatria X no intervalo entre x e x +
x. A ddp nos d uma idia de como se distribui a probabilidade no eixo real. Se conhecemos
p(x) podemos dizer com exatido qual a probabilidade de achar X em qualquer intervalo, por
exemplo
P{a < X b} =
z p( x )dx
b
a
[4.6]
Obviamente, a probabilidade de achar X entre - e + 1, de modo que p(x) tem a

seguinte propriedade:
+
p( x )dx
= 1.
[4.7]
O propsito de realizar um grande nmero de observaes o de obter uma boa

estimativa da densidade de probabilidade ou de alguns parmetros que a caracterizem, tais
com a mdia e o desvio padro definidos a seguir.
4.2.1 Mdia, varincia e momentos de uma distribuio

A mdia (mean) da distribuio, ou valor esperado de X, definida como
=< x >=
+
x
p( x )dx .
[4.8]
Se f(x) uma funo real, F = f(X) uma nova varivel aleatria cujo valor mdio sobre a
9
distribuio (average) ou valor esperado
f =< f ( x ) >=
f ( x ) p( x )dx .
[4.9]
A varincia (variance) da distribuio definida como a mdia da funo (x-)2:
2 =< ( x )2 >=
+
(x
)2 p( x )dx .
A raiz quadrada da varincia, ou seja , por definio o desvio padro.

da uma idia da largura da distribuio de probabilidades.
[4.10]
10
Este parmetro
O exemplo de ddp mais importante em erros de medio o de uma distribuio normal

ou gaussiana. Se diz que X segue uma distribuio normal se a sua ddp tem a forma
Note que, para alguns autores na literatura inglesa, mean e average no so

exatamente a mesma coisa.
10
Alguns autores indicam valores esperados com E( ). Por exemplo a mdia = E(x) e a
varincia, tambm denotada com V(x), 2 = E[(x- E(x))2] = V(x). O desvio padro as vezes
denotado com D(x).
21
p( x ) =
1
2
LM
N
OP
Q
exp ( x 2) .
2
[4.11]
Esta funo simtrica em relao a e depende apenas de dois parmetros: e que

coincidem, respectivamente, com a mdia e o desvio padro da distribuio.
No caso de uma distribuio normal, a probabilidade de achar X dentro de 1 desvio
padro em torno da mdia de aproximadamente 68%, j que
P{ x + } =
1
2
LM
N
OP
Q
exp ( x 2) dx 0.683 .
2
[4.12]
Analogamente, a probabilidade de achar X dentro de 2 desvios padres entorno da

mdia de aproximadamente 95%.
Nos processos de medio de uma grandeza macroscpica, o resultado da medida
depende de um nmero muito grande de processos aleatrios independentes microscpicos,
que se somam no resultado final dando o carter aleatrio grandeza macroscpica. Sob
condies bastante gerais se demonstra que a soma de um nmero grande de variveis
aleatrias segue uma distribuio normal, independentemente das distribuies individuais das
variveis. Este resultado da estatstica, chamado teorema central do limite, d fundamento
terico suposio que os cientistas experimentais geralmente fazem de que os resultados de
medidas seguem uma distribuio normal.
Voltando ao caso geral, outros parmetros que caracterizam uma ddp so os momentos.
O momento de ordem n definido como mn = < xn >. O momento de primeira ordem coincide
com a mdia m1 = < x > e o de segunda ordem, m2 = < x2 >, pode ser expresso em termos da
varincia:
11
< x 2 >= 2 + 2 .
[4.13]
O conhecimento dos momentos de todas as ordens permite determinar todas as

propriedades da ddp. Tambm teis so os momentos centrados da distribuio, definidos
como n = <(x - )n>. Obviamente, 1 = 0 e 2 = 2. Se a ddp uma funo simtrica em
relao mdia, ento todos os momentos centrados de ordem impar so nulos. O momento
centrado de terceira ordem, 3, uma medida da assimetria da ddp.
Muitas vezes ajuda pensar que a ddp representa a densidade local de um corpo
inomogneo. A mdia da distribuio se interpreta ento como a posio do centro de massas
e a varincia como o momento de inrcia em relao ao centro de massas.
4.2.2 Variveis estatisticamente independentes

Se X e Y so duas variveis aleatrias, a probabilidade de achar X dentro de um certo
intervalo e Y dentro de um outro intervalo ser descrita em geral por uma funo de densidade
de probabilidade conjunta p(x,y) definida como
11
Note que a mdia de x2 no o quadrado da mdia de x.

22
p( x, y ) =
P{x < X x + x ; y < Y y + y}

.
x y
x0, y0
lim
Cada varivel aleatria tem a sua ddp individual que pode ser obtida integrando a ddp
conjunta sobre a outra varivel:
pX ( x ) =
p( x , y )dy
pY ( y ) =
p( x , y )dx .
As variveis X e Y se dizem estatisticamente independentes se a ddp conjunta o produto

das densidades de probabilidade individuais
p ( x , y ) = p X ( x ) pY ( y ) .
A soma duas variveis aleatrias, X + Y uma nova varivel aleatria cuja mdia e
varincia esto dadas, no caso geral, por
x+ y = x + y
e 2x + y = 2x + 2y + 2( xy x y ) ,
mas se X e Y so independentes, ento

xy =< xy >= x y (se X e Y so independentes) [4.14]
e temos
2x + y = 2x + 2y
(se X e Y so independentes). [4.15]
4.3 Estimadores
Um conjunto de medidas pode ser representado como um conjunto de variveis aleatrias
X1, X2, ..., XN, sendo que todas elas tm a mesma ddp e, portanto, a mesma mdia e varincia:
< xi >= e < ( xi < xi > )2 >= 2 .
[4.16]
importante notar que se as medidas so efetuadas nas mesmas condies, estas

variveis aleatrias so estatisticamente independentes. Isto significa que, por exemplo, da
eq. [4.14],
< xi x j >=< xi >< x j >= 2
(i j ).
[4.17]
Se pudssemos realizar infinitas medidas em condies idnticas, teramos uma

representao completa da ddp com a qual poderamos calcular exatamente a mdia , a
varincia 2 ou outros parmetros da distribuio. O problema que no podemos realizar
infinitas medidas. O melhor que podemos fazer , a partir dos resultados de N medidas,
23
estimar parmetros da ddp, tais como e 2. Dado que s conhecemos os valores de x1,.., xN
medidos, devemos propor frmulas matemticas que contenham apenas estes valores.
Se um parmetro da ddp, um estimador (ou estimativa) a de dado por uma
equao ou frmula
a = a ( x1,.. x N ) .
Por exemplo, a mdia aritmtica, x , definida pela frmula [3.1], um estimador do
parmetro , e S e s so dois estimadores diferentes do parmetro .
Note que todos os valores esperados, indicados com < >, so desconhecidos.
4.3.1.1 Estimadores viciados e no viciados

Existem mais de uma forma de estimar um parmetro e o problema que se nos apresenta
o de decidir se um estimador melhor do que outro e, mais geralmente, o de como qualificar
se um estimador bom ou no.
O primeiro que podemos exigir de um estimador que o valor esperado coincida com o
parmetro que est estimando:
< a > = .
12
Um estimador que satisfaz esta condio se diz no viciado (unbiased) . Se um

estimador viciado (biased), ento no importa quantas medidas sejam realizadas, ele
nunca vai representar exatamente o parmetro que se quer estimar.
A mdia aritmtica um estimador no viciado de j que
< x >= N1
< xi > = .
13
[4.18]
Mas s o critrio de no viciado muitas vezes no basta para decidir entre vrios
estimadores pois pode acontecer que todos eles sejam no viciados. Para exemplificar este
fato, notemos que qualquer um dos valores medidos, xi, pode servir como estimador de e
que todos eles so estimadores no viciados dado que, de acordo com a eq. [4.16], < xi >=
para qualquer i.
Um conceito que ajuda a decidir se um estimador melhor do que outro a preciso,
expressa em termos do desvio padro esperado em relao ao parmetro estimado,
< ( a )2 > . Se o estimador no viciado, esta quantidade coincide com o desvio padro
a = < ( a < a > )2 > . Um estimador mais eficiente ou mais preciso que outro se este desvio
padro menor.
12
Em alguns casos difcil achar um estimador no viciado. Nesses casos podemos exigir
pelo menos que seja assintoticamente no viciado; ou seja que < a > para N .
13
Em todas as somatrias sem ndices supomos que se somam todos os termos com i =
1,...,N.
24
4.3.2 Estimando a mdia

Como j falamos, a mdia aritmtica de uma srie de medidas, x , definida na Tabela 4.1,
um estimador no viciado do parmetro . Para avaliar quo bom como estimador vejamos
qual , teoricamente, o desvio padro esperado (em relao a ). Este desvio , por definio,
x = < ( x ) 2 > = < x 2 > 2 . Mas
14
< x 2 >= 2 +
2
N
[4.19]
e, portanto,
x =
.
N
[4.20]
Este resultado significa que a mdia aritmtica se aproxima ao verdadeiro valor da mdia
com uma preciso que melhora com a raiz quadrada do nmero de medidas. No limite de N
, o desvio padro da mdia aritmtica nulo; o que no nenhum contra-senso pois se
pudssemos fazer infinitas medidas conheceramos exatamente a mdia da distribuio.
importante frisar que < x >= e x = N independentemente da funo de
distribuio dos xi. Embora no sabemos qual a ddp das medidas individuais, a mdia
15
aritmtica, por ser uma soma de variveis aleatrias , uma nova varivel aleatria que
segue, no limite de N grande, uma distribuio normal.
Como mencionamos acima, qualquer um dos valores medidos um estimador no viciado
de ; porm, o desvio padro de xi como estimador de , de acordo com [4.16], , enquanto
que o desvio padro da mdia aritmtica /
N , ou seja
N vezes menor.
Finalmente, um outro argumento em favor da mdia aritmtica como estimador de que

16
a soma dos desvios quadrticos em relao a um valor x arbitrrio, mnima para x = x .
4.3.3 Estimando a varincia

Vejamos agora o problema de estimar o valor esperado do desvio quadrtico da cada
medida individual, ou seja a varincia, 2 da ddp. Na Tabela 4.1 sugerimos S2 como estimador
da varincia. Por outro lado, o quadrado do desvio padro da amostra definido na eq. [4.1]
sugere um estimador aparentemente mais intuitivo pois s2 a mdia aritmtica dos desvios
A eq. [4.19] se demonstra notando que em < x 2 >= i j < xi x j > / N 2 , temos N(N-1)
termos com i j, para os quais (dado que as variveis Xi e Xj so independentes e se aplica a
14
eq. [4.14]) < xi x j >=< xi >< x j >= 2 , e outros N termos com i = j, para os quais (vide eq. [4.13])
< xi xi >=< xi 2 >= 2 + 2 . Assim, < x 2 >= [( N 1) N 2 + N ( 2 + 2 )] / N 2 = 2 + 2 / N .
15
...e em virtude do teorema central do limite,...
Ou seja que a funo f ( x ) = ( xi x )2 , mnima em x = x , j que df / dx = 2 ( xi x ) = 0

x = x.
16
25
quadrticos. Porm, os termos da soma na eq. [4.1] no so independentes. De fato, s2 um

17
estimador viciado da varincia j que o seu valor esperado
< s2 >=
A [4.21] mostra que o valor esperado de S 2 =
( N 1)2
.
N
1
N 1
[4.21]
( xi x )2 = NN1 s2
< S2 > = 2.
[4.22]
Portanto S2 um estimador no viciado da varincia. Este resultado vlido para qualquer

distribuio. Tanto s2 como S2 podem ser utilizados como estimadores da varincia. Se N
grande a diferena pequena, mas em rigor s2 um estimador viciado enquanto que S2 no.
por esta razo que, nos casos de N pequeno, utilizamos S2 (e no s2) para estimar a varincia.
O parmetro s chamado por alguns autores desvio padro da amostra enquanto que S
chamado desvio padro de cada medida e no devem ser confundidos com o desvio padro
da distribuio, , que um valor desconhecido.
Note tambm que, embora S2 um estimador no viciado de 2, S no , em geral, um
18
estimador viciado de , j que, em geral, < S > .
Para determinarmos a preciso de S2 como estimador de 2, precisamos calcular o desvio
padro de S2, S 2 = < ( S 2 2 )2 > . Para uma ddp arbitrria, esta quantidade no pode ser
expressa em termos de (apenas) e . Porm, no caso de uma distribuio normal, se
demonstra que
S 2 = < ( S 2 2 )2 > =
2 2 .
N 1
[4.23]
4.3.4 Preciso dos estimadores

As eqs. [4.20] e [4.23] expressam, respectivamente, os desvios padres esperados de x e
de S2 em termos do desvio padro da ddp, , que desconhecido. Queremos agora estimar
esses desvios padres (ou, mais exatamente, as razes quadradas dos estimadores das
varincias de x e de S2) utilizando apenas dados conhecidos. Isto nos permitir estimar a
preciso com que podemos dizer que x representa a mdia, , e S2 representa a varincia da
distribuio, 2.
Dado que 2x = 2 / N e que S2 um estimador no viciado de 2, podemos estimar 2x
com S2/N. Estimamos portanto o desvio padro da mdia com o assim chamado erro padro,
Isto se demonstra facilmente observando que s2 = ( xi x ) 2 / N = ( xi2 / N ) x 2 . Notando
17
ainda
< xi 2 >= 2 + 2
que
usando
eq.
[4.19],
obtemos
< s >= + ( + / N ) = ( N 1) / N .
2
18
A expresso para <S> no caso de uma distribuio normal pode ser vista na ref. 1.
26
x = Sm = S
N.
[4.24]
Com 68 % de probabilidade, o verdadeiro valor da mdia da distribuio, , est dentro do

intervalo x x . O fato de que x diminui com N justifica o esforo de realizar um nmero
grande de medidas pois melhora a preciso com que conhecemos a mdia.
Do mesmo modo, notando (vide a eq. [4.20]) que para uma distribuio normal
= 2 2 / ( N 1) , estimamos o desvio padro de S (i.e. o desvio padro do desvio padro
de cada medida) com
2S 2
S = S N21
1
4
[4.25]
Com 68 % de probabilidade, o verdadeiro desvio padro da distribuio, , est dentro do

intervalo S S.
Note da eq. [4.25] que com N = 201 medidas, a preciso com que determinamos o desvio
padro de apenas 32% (S/S = 0.32). Para obtermos uma preciso de 1% em S, deveramos
realizar mais de 200 milhes medidas!! por esta razo que os desvios padres e os erros
padres se indicam com um e s um algarismo significativo. Outra consequncia que se
desprende desta impreciso com que se conhece que tanto faz utilizar S ou s para o desvio
padro de uma srie de medidas: a diferena entre S e s sempre menor que S. Mas j que
d na mesma e que, de todos modos os clculos so sempre feitos apertando um boto de
uma calculadora com funes estatsticas, por que no apertar o boto mais correto?
4.4 Comentrios sobre as frmulas de propagao de erro

No caso de uma funo, f = f(x), de uma varivel x que foi medida diretamente, existe mais
de uma maneira de estimar o valor esperado
f =< f ( x ) >
e a varincia de f
2f =< [ f ( x ) f ]2 > .
As frmulas de propagao de erros dadas na Tabela 4.2 nem sempre so bons
estimadores da mdia e devem ser utilizadas com cuidado. Em rigor, ns deveramos calcular
a mdia e o erro padro de uma amostra da varivel aleatria F = f(X) formada por f(x1),
f(x2),...f(xN):
f =
onde S f =
1
N 1
1
N
f ( xi ) , e f =
Sf
N
[ f ( xi ) f ]2 .
As frmulas da Tabela 4.2 do bons estimadores se a relao entre f e x linear. Se a

relao no linear e o desvio padro S = x comparvel mdia x , a estimativa da mdia
27
de f utilizando a expresso f = f ( x ) pode conduzir a erros graves, independentemente do

nmero de medidas (que s melhora a preciso mas no a exatido).
O clculo do erro em f a partir da derivada (Tabela 4.2), por outro lado, pode ser utilizado
com mais segurana, dado que f d apenas uma idia da preciso com que estimamos f e,
como todo erro padro, o valor de f tem associado uma incerteza relativa que da ordem de
(vide eq.[4.25])
2 / ( N 1) . Porm, se a primeira derivada nula, f deve ser estimada de
outro modo.
A validade das frmulas de propagao de erros pode ser entendida se considerarmos a
expanso de Taylor
f ( x ) = f ( ) + f ( )( x ) + 21! f ( )( x )2 +...,
onde as primas indicam derivadas. Podemos ento expressar o valor esperado e a varincia
como
f =< f ( x ) >= f ( ) + 21! f ( ) 2 +...

2f = f ( )2 2 + f ( ) f ( ) < ( x )3 > +...
Assim, podemos interpretar f = f ( x ) como um estimador do primeiro termo da expanso da
mdia e f 2 =| f ( x )|2 x 2 (que da o valor da Tabela 4.2 para o erro padro, f = f / N )
como um estimador do primeiro termo da expanso para a varincia. Por tanto, as frmulas da
Tabela 4.2 so bons estimadores se a expanso de Taylor truncada at termo linear uma
boa aproximao de f(xi).
Vejamos alguns exemplos.
Consideremos a funo no linear f(x) = x2. A Tabela 4.2 nos da f = x 2 , que um
estimador viciado de f =< x 2 > . Segundo a eq. [4.13], < x 2 >= 2 + 2 , pelo que um
estimador no viciado de f x 2 = x 2 + S 2 . Embora a diferena seja pequena se S = x <<| x | ,
deve ser notado que isto no depende da preciso da medida (x ) mas sim da disperso (x).
Aumentando razoavelmente o nmero de medidas podemos diminuir o erro padro x , mas
no diminuir o desvio padro x.
Um exemplo prtico deste problema o clculo da rea transversal de um cilindro
irregular: a rea mdia mais perto de r 2 = r 2 + r 2
i do que de r , embora a diferena

2
de segunda ordem em r. Outro exemplo dentro desta linha o volume de uma esfera de
dimetro d; se a esfera muito irregular, de modo que desvio padro d significativo quando
comparado com o dimetro mdio d , o volume mdio deve ser calculado como V = d 3 / 6 e
no como V = d 3 / 6 . Se a distribuio de dimetros simtrica em relao mdia ento
fcil mostrar que V = d 3 / 6 + d d 2 / 2 . Novamente a diferena pequena somente se
d << d .
28
Voltando funo f(x) = x2, o erro na mdia calculado pela frmula de propagao de
erros da Tabela 4.2 nos da f = 2 x x , que claramente um estimador incorreto para x 0
(ou, em geral, para | x | x ). Uma expresso mais correta pode ser obtida notando que
< x 2 < x2 >
>=
4 2 2 2 4
+
,
N
N
que sugere o estimador f = 2| x | x 1 + x 2 / 2 x 2 , que no se anula para x = 0. Se | x | x ,

a diferena entre este estimador e o indicado na Tabela 4.2 pequena (menor que a incerteza
associada a f , f 4 2 / ( N 1) , para valores razoveis de N).
No caso de um produto de variveis independentes, a funo f ( x , y ) = x y (a rea de um
retngulo, por exemplo) linear em x e y, e, portanto f = x y um estimador no viciado de
<xy> = x y. A varincia do produto, porm, vem dada por 2xy = 2x 2y + 2y 2x + 2x 2y , pelo que
uma frmula de propagao de erros mais correta daquela que se deduz da Tabela 4.2
xy = ( x y )2 + ( y x )2 + ( y x )2 .
4.5 Um exemplo concreto: o alcance de um projtil

Para sermos concretos ilustraremos os conceitos com o exemplo do alcance de um projtil
(Figura 4.1). Neste experimento solta-se um esfera sempre desde o mesmo ponto de uma
rampa e se mede o alcance X que a esfera percorre na horizontal desde o ponto em que
abandona a rampa at atingir o cho. Devido a irregularidades na superfcie da rampa,
irregularidades na esfera, vibraes no laboratrio, correntes de ar, etc., o alcance varia
aleatoriamente de lanamento em lanamento. X ento uma varivel aleatria que, como
resultado de um experimento, pode assumir um valor real x. Medidas repetidas em idnticas
condies de lanamento nos fornecem um conjunto de valores x1,..., xN. Este conjunto uma
amostra ou subconjunto dos infinitos valores que mediramos com infinitos lanamentos. Se
pudssemos realizar infinitos lanamentos, os valores medidos se distribuiriam de acordo com
uma funo de densidade de probabilidade (ddp), acumulando-se entorno de uma mdia
com uma disperso ou desvio padro . Com a amostra finita de lanamentos queremos inferir
algumas caractersticas dessa ddp. Estamos interessados particularmente em obter
estimadores dos verdadeiros valores da mdia e do desvio padro, . Com estes
estimadores poderemos predizer onde cair a esfera num prximo lanamento com certa
probabilidade. Finalmente, gostaramos avaliar a preciso com que esses estimadores se
aproximam dos verdadeiros valores.
29
Figura 4.1. Esquema do experimento de alcance de um projtil.
Antes de realizar as N medidas, os alcances que sero medidos podem ser considerados
como variveis aleatrias independentes, todas com a mesma ddp e portanto com as mesmas
e .
4.5.1 Histogramas
O histograma o primeiro passo para estimarmos a densidade de probabilidade.
Suponhamos que medimos 50 vezes o alcance da esfera utilizando uma rgua milimetrada e
que obtivemos os dados da Tabela 4.3.
i
xi
xi
xi
xi
xi
1
2
3
4
5
6
7
8
9
10
46.2
46.3
46.6
46.3
46.0
46.9
46.2
46.4
46.1
46.5
11
12
13
14
15
16
17
18
19
20
46.7
46.1
46.5
46.7
46.4
46.3
46.3
46.8
46.7
45.9
21
22
23
24
25
26
27
28
29
30
46.2
46.3
46.5
46.6
46.6
46.6
46.3
46.4
46.5
46.4
31
32
33
34
35
36
37
38
39
40
46.1
46.2
46.0
46.6
46.2
46.7
46.4
46.2
46.1
46.4
41
42
43
44
45
46
47
48
49
50
46.3
46.3
46.5
46.0
46.4
46.0
46.3
46.5
46.3
46.4
Tabela 4.3. Dados do alcance da esfera (em cm) para 50 lanamentos.
Contando o nmero de vezes em que obtivemos alcances em intervalos de 1 mm (cada

um destes intervalos chama-se intervalo de classe e indicaremos o comprimento com x, neste
exemplo x = 0.1 cm), poderemos representar os resultados em histogramas como o da Figura
4.2. Nessa figura representamos os resultados dos primeiros 5 lanamentos, dos primeiros 10,
dos primeiros 20 e, finalmente, dos 50 lanamentos registrados na Tabela 4.3.
30
0.4
Frequncia normalizada
N=5
N = 10
0.2
0.2
0.0
0.20
0.0
0.20
0.15
0.15
0.10
0.10
0.05
0.05
10
N = 20
N = 50
Frequncia
0.4
0.00
45.8
46.0
46.2
46.4
46.6
46.8
47.0
Alcance,
0.00
45.8
46.0
46.2
46.4
46.6
46.8
47.0
N (cm)
Figura 4.2. Histogramas para diferentes conjuntos de medidas do alcance.
Note que em cada histograma temos normalizado o nmero de vezes (freqncia) que
cada alcance se repete pelo nmero total de lanamentos em cada conjunto (isto se denomina
um histograma de frequncias normalizadas). Assim, a escala das ordenadas nesses
histogramas do uma idia da probabilidade de que a esfera caia em cada intervalo. Por
exemplo, no intervalo de (46.4 0.05) cm a esfera caiu uma frao de 0.10 vezes nas
primeiras 20 medidas. Porm, quando consideradas as 50 medidas, nesse mesmo intervalo a
esfera caiu uma frao de 0.16 vezes. Intuitivamente, a medida que aumentamos o nmero de
medidas o que determinamos com mais preciso a probabilidade de achar o alcance dentro
de certo intervalo, e admitimos que 0.16 um valor mais aproximado (do que 0.10) do valor
exato mas desconhecido de P{46.35 cm < X 46.45 cm}.
medida que aumentamos N o histograma representa melhor a verdadeira densidade de
probabilidade. Se pudssemos realizar infinitas medidas, o histograma normalizado nos daria
a probabilidade exata de achar o alcance em cada intervalo. Notemos porm que isto no nos
daria ainda a densidade de probabilidade p(x) mas apenas a integral desta funo em cada
intervalo de comprimento x = 0.1 cm, que determinado pela preciso da rgua utilizada.
Para conhecermos p(x) devemos, segundo a definio, no somente fazer infinitas medidas
mas, tambm, fazer as medidas utilizando um instrumento com preciso infinitesimal, de
modo que possamos fazer x 0 .
Afortunadamente, no necessrio conhecer o valor de uma funo em todos os pontos
para caracteriz-la completamente. Basta com conhecer alguns parmetros da funo para
termos uma representao exata da mesma. Por exemplo, se sabemos que a distribuio
normal e conhecemos os valores de e , podemos calcular exatamente p(x) para qualquer x.
Se a distribuio no normal precisaremos tal vez mais parmetros (por exemplo, os
momentos da ddp) mas o conhecimento de e j nos da uma boa idia da ddp.
31
4.5.2 Os resultados
A Tabela 4.4 mostra os resultados em cm da mdia, desvio padro e desvio padro da
mdia desses quatro conjuntos de medidas (calculados utilizando as frmulas da Tabela 4.1).
Na ltima coluna representamos tambm o desvio padro do desvio padro estimado
utilizando a eq. [4.25].
5
10
20
50
46.28
46.35
46.40
46.36
S
0.22
0.26
0.28
0.23
Sm
0.10
0.08
0.06
0.03
0.18
0.18
0.16
0.10
Tabela 4.4. Valores em cm da mdia, desvio padro e erro padro para os conjuntos
de medidas de alcances do projtil correspondentes aos quatro histogramas da fig. 5.2.
Note como aumentando N a mdia e o desvio padro mudam muito pouco, enquanto que
o erro padro, Sm, e S diminuem sistematicamente. Isto ilustra a diferena entre estimadores
de parmetros e estimadores da preciso. x e S so estimadores de parmetros da
distribuio ( e , respectivamente) e portanto no devem se alterar muito aumentando o
nmero de medidas. Por outro lado, Sm e S so estimadores da preciso com que x e S se
aproximam dos respectivos parmetros da ddp ( e ) e, dado que quanto mais medimos
melhor conhecemos a distribuio, Sm e S devem diminuir aumentando N. O erro na mdia
diminui como 1 / N enquanto que o erro no desvio padro diminui como 1 / 4 N 1 .
Quando queremos dar idia da distribuio de valores medidos expressamos o resultado
na forma x x . Neste exemplo,
alcance: (46.4 0.2) cm.

Note que o desvio no especifica a preciso das medidas mas a disperso de valores em
torno da mdia ou erro em uma nica medida. Com x e x (x = S) podemos predizer o
resultados de futuros lanamentos. Podemos apostar por exemplo que nos prximos 10
lanamentos, em 7 deles a esfera cair entre 46.2 e 46.6 cm. Com outras palavras, podemos
dizer que o prximo lanamento cair no intervalo de 46.2 a 46.6 cm com 68 % de
19
probabilidade (intervalo de confiana de 68%) . Se em vez de lanar esferas por uma rampa
lanamos bombas muito caras, vamos querer ter mais certeza da nossa probabilidade de
acertar o alvo e usaremos x 2S para especificar um intervalo com 95 % de confiana.
Quando queremos indicar a preciso com que determinamos a mdia expressamos o
resultado na forma x x . Para expressar corretamente o resultado de uma srie de medidas
deveramos especificar o nmero de medidas e o intervalo de confiana. Por exemplo, o
resultado das 10 medidas poder ser expresso como
19
Em rigor, o intervalo de confiana de 68 % para uma distribuio normal o intervalo

( ), definido a partir dos verdadeiros valores da mdia e desvio padro e no dos valores
estimados ( x S ).
32
alcance mdio: (46.35 0.08) cm
20
(N = 10; 68% de confiana) .
Com esta informao podemos calcular por exemplo o desvio padro

S = 10 0. 08 cm = 0. 2 cm . Na prtica esta forma de expressar os resultados demais extensa.
Muitos cientistas experimentais preferem escrever " x = (46.35 0.08) cm (N = 10)", apelando
conveno de que, salvo indicao explcita, o intervalo de confiana de 68 %. Note que
sempre que se utiliza Sm necessrio indicar N. Uma notao ainda mais curta " x = 46.35
cm, S = 0.2 cm". Esta ltima conveno relativamente independente de N, mas se perde a
informao do nmero de medidas e portanto do esforo e cuidado com que o experimento foi
realizado.
Finalmente, notemos que o erro na mdia indicado Tabela 4.4 para 50 medidas 0.03
cm, que menor que a preciso de nossa rgua (metade da menor diviso, ou 0.05 cm). A
questo de se vlido ou no expressar um resultado com mais preciso que o instrumento
de medida uma discusso mais filosfica do que til. Na prtica, nenhum experimentador vai
realizar mais medidas do que necessrio. Neste exemplo, o bom senso indica que com 20
medidas (x = 0.06 cm) j temos uma preciso satisfatria.
4.6 Referncias
1. J.M. Cameron, "Statistics," in "Fundamental Formulas of Physics," edited by D.H. Menzel,
Vol. 1, ch. 2, Dover, New York, 1960.
2. G.L. Squires, "Practical Physics," 3rd. edition, Cambridge University Press, Cambridge,
1985.
20
Para os puristas, o intervalo de confiana da mdia se determina a partir de parmetros

de uma outra distribuio, a distribuio t de Student, que se aproxima da distribuio normal
para N grande. Os valores corretos esto tabelados para os intervalos de confiana mais
empregados. Este procedimento seguido por exemplo por bilogos, mdicos e qumicos e
quase nunca por fsicos. A diferena pequena e no justifica o trabalho de procurar os
valores corretos em tabelas, dada a grande incerteza com que se estimam S e Sm.
33

Relatorio Como Fazer

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Relatorio Como Fazer

Enviado por

Direitos autorais:

Formatos disponíveis

Guia para Fsica Experimental

Caderno de Laboratrio, Grficos e Erros

Fsica Experimental: Caderno de Laboratrio, Grficos, Medidas e Erros

ROTEIRO PARA OBTER UM BOM GRFICO

MTODO DOS MNIMOS QUADRADOS 9

3 ERROS: VERSO SIMPLIFICADA

ERROS ALEATRIOS E SISTEMTICOS

ESTIMATIVA DO VALOR CORRETO DA GRANDEZA MEDIDA

PROPAGAO DE ERROS EM CLCULOS

SOMA E SUBTRAO DE GRANDEZAS AFETADAS POR ERROS 15

ERROS EM FUNES DE GRANDEZAS AFETADAS POR ERROS

4 ERROS: VERSO AVANADA

VARIVEIS ALEATRIAS E DENSIDADE DE PROBABILIDADE.

COMENTRIOS SOBRE AS FRMULAS DE PROPAGAO DE ERRO

MDIA, DESVIO E ERRO PADRO 17

Fsica Experimental: Caderno de Laboratrio, Grficos, Medidas e Erros

Fsica Experimental: Caderno de Laboratrio, Grficos, Medidas e Erros

No Caderno de Laboratrio tambm se anotam as observaes que podem ser teis na

1.2 Ttulo, data e colaboradores.

1.3 Objetivos do experimento

1.4 Roteiro dos procedimentos

1.5 Esquema do aparato utilizado

1.6 Descrio dos principais instrumentos

Fsica Experimental: Caderno de Laboratrio, Grficos, Medidas e Erros

Mitutoyo, menor diviso do vernier = 0.05 mm.

Micrmetro Starret, menor diviso no tambor = 0.01 mm.

*245, N de srie 9800/76) menor diviso = 0.05 g.

1.7 Dados medidos

da densidade de uma esfera metlica - aparentemente de ao.

Medidas de d (Dimetro) com micrmetro Starret (preciso

Fsica Experimental: Caderno de Laboratrio, Grficos, Medidas e Erros

Da Tabela 1.1 obtivemos a Tabela 1.2 com as frequncias de cada medida:

desvio padro = S = 0.018647447 mm

erro padro da mdia = S/ 12 = 0.00537 mm

Medida da massa com balana Elmer (preciso nominal 0.05 g):

divises. Por isso,

Fsica Experimental: Caderno de Laboratrio, Grficos, Medidas e Erros

1.9 Figuras, Tabelas e Equaes3

1.10 Resultados e concluses

Fsica Experimental: Caderno de Laboratrio, Grficos, Medidas e Erros

Se possvel cada um dos eixos deve comear em zero.

vertical o nome da varivel ali

representada e, entre parnteses, as unidades usadas.

um smbolo adequado e de tamanho facilmente visvel (por exemplo, um crculo ou um

aproximadamente 1/3 das barras de erro podero ficar fora da linha.

Fsica Experimental: Caderno de Laboratrio, Grficos, Medidas e Erros

Fsica Experimental: Caderno de Laboratrio, Grficos, Medidas e Erros

Fig. 2.2. Exemplos de grficos mal feitos.

2.3 Determinao dos coeficientes de uma reta

a partir de um conjunto de pares de valores medidos (yi,xi), i = 1,.., N. Este problema

Fsica Experimental: Caderno de Laboratrio, Grficos, Medidas e Erros

antes verificar se as condies de validade dessas frmulas se aplicam ao seu experimento.

2.3.1 Mtodo dos mnimos quadrados

e que representa a soma dos desvios quadrticos da relao linear .

os valores xi so medidos sem erro;

todos os yi tem a mesma distribuio (mas, obviamente, com diferente mdia) ;

todos os yi tem o mesmo desvio padro, ,

: coeficiente angular (inclinao)

Com relao condio 1, em Fsica experimental geralmente a varivel x (tempo,

Fsica Experimental: Caderno de Laboratrio, Grficos, Medidas e Erros

se minimiza a funo f ( a, b ) = wi yi axi b . Os resultados so dados pelas mesmas

2.3.2 Mtodo grfico

O peso normalizado tal que wi = 1.

Fsica Experimental: Caderno de Laboratrio, Grficos, Medidas e Erros