Você está na página 1de 14

1

Universidade Federal de Pernambuco


Centro de Cincias Exatas e da Natureza
Departamento de Fsica
Fsica Experimental 1 1Semestre 2011

Captulo 2
Medidas e incertezas II



ndice

2.1 Introduo
2.2 Erros sistemticos e erros aleatrios
2.3 Acurcia e preciso
2.4 Mdia e desvio padro
2.5 Distribuio gaussiana de probabilidades
2.6 Incerteza instrumental x Incerteza da mdia
2.7 Propagao de incertezas em medidas indiretas com incertezas aleatrias
2.8 Confeco de grficos e histogramas
2.9 Bibliografia






2.1 Introduo

Segundo os preceitos do mtodo cientfico, um resultado experimental tanto melhor quanto
puder ser repetido e confirmado vrias vezes, de preferncia por experimentadores diferentes.
Uma das razes por trs deste preceito a impossibilidade de se conhecer, a priori, os tipos
de erros experimentais, assim como suas magnitudes, que esto associados realizao de uma
determinada experincia. Nos experimentos realizados na prtica 1, o procedimento de medida era
bem controlado. Por exemplo, medir os lados de uma mesa um procedimento simples e
reprodutvel. Dessa forma, a incerteza na medida realizada torna-se realmente aquela dada pela
resoluo do instrumento usado sendo assim suficiente uma nica medida para aferir os dados
corretamente. Todavia, existem casos em que a maneira de realizar o experimento introduz erros que
no esto associados incerteza do equipamento. Os erros experimentais podem ser classificados em
trs categorias: erros grosseiros, erros sistemticos e erros aleatrios. Algumas categorias de erros
ainda apresentam subcategorias. Eles so decorrentes de falhas humanas, como leitura errada de um
instrumento de medida, erro de clculo, utilizao inadequada de um dado instrumento ou tcnica de
medio e at mesmo da total falta de noo a respeito daquilo de que se necessita medir.
Afortunadamente, as fontes destes erros podem ser facilmente identificadas, pois os resultados
decorrentes destoam dos demais, o que leva possibilidade de correo do erro.
Os erros grosseiros, tambm denominados ilegtimos, podem ser corrigidos refazendo-se os
experimentos e/ou as operaes erradas, agora de forma correta. As outras duas categorias de erro
so as mais freqentes e requerem um estudo cuidadoso das condies sobre as quais o experimento
realizado, para que possam ser detectados e corrigidos.
2
2.2 Erros sistemticos e erros aleatrios

2.2.1 Erros sistemticos

Os erros sistemticos esto associados a um determinado instrumento e/ou tcnica de medida
empregados. Eles so difceis de ser detectados, e a melhor forma de investigar se ocorreu erro
sistemtico em um dado experimento procurar obter este mesmo resultado usando outros
equipamentos e tcnicas de medida, ou at mesmo outros experimentadores. Conforme a idia que o
nome nos d, estes erros aparecem sistematicamente e, por conseguinte, no podem ser postos em
evidncia atravs da simples repetio de uma medida.
Alguns erros sistemticos so extremamente comuns, sendo praxe adotarem-se alguns
procedimentos antes de iniciar um experimento. Por exemplo, no zerar um instrumento antes de
iniciar o experimento levar a erros sistemticos ao longo das medidas. Consideremos a medida da
massa de um corpo, com uma balana digital. Se a indicao da balana, quando nenhum corpo
estiver sobre ela, no for zero, digamos 3,7 g, o valor medido para a massa do corpo ser acrescido
de 3,7 g. Se esta mesma balana for utilizada para a medida da massa de outros corpos, usando a
mesma tcnica de medida, todos os valores obtidos estaro sistematicamente acrescidos de um erro
de 3,7 g. A maneira de se eliminar este tipo de erro sistemtico , ento, sempre zerar a balana antes
de qualquer processo de medida.
Outro tipo de erro sistemtico, muito comum, provm da descalibrao do instrumento de
medida. Se estivermos interessados na medida das temperaturas do ponto de fuso e de ebulio da
gua, nas CNTP (Condies Normais de Temperatura e Presso), e o termmetro usado nos
indicasse 0C e 110C respectivamente, sinal de que ele est descalibrado. Se este termmetro for
utilizado em outros experimentos para medida de temperaturas, todos os valores obtidos estaro
sistematicamente, errados. A maneira de eliminar este erro seria definir uma curva de calibrao, que
leva em considerao que, ao se ler 110C, na verdade l-se 100C.
Os erros sistemticos em trabalhos experimentais so frequentemente mais relevantes do que
os erros aleatrios. No h um princpio geral que nos diga como evit-los, e somente a vivncia do
experimentador pode lev-lo a desconfiar da ocorrncia deste tipo de erros.

2.2.2 Erros aleatrios

Os erros aleatrios so produzidos por variaes imprevisveis e incontrolveis na situao
experimental. Estas podem ser causadas apenas pelo observador, que pode introduzir um erro na
leitura do instrumento de medida ou na sua manipulao, ou por causas externas, como vibraes
mecnicas, oscilaes na amplitude da tenso da rede eltrica ou a prpria oscilao do parmetro a
ser medido. Contrariamente ao que ocorre com os erros sistemticos, os erros aleatrios no so
reprodutveis, apresentando igual probabilidade de aumentar ou reduzir o valor da grandeza fsica
medida. Observa-se que estes erros so distribudos segundo uma lei emprica relativamente simples,
desse modo torna-se possvel o uso de mtodos estatsticos para trat-los e minimiz-los.
Um exemplo simples de erro aleatrio decorre do reflexo humano. Ao tentar-se medir o
intervalo de tempo em que ocorre um dado fenmeno com um cronmetro acionado manualmente,
uma pessoa introduz um erro aleatrio ao ligar e desligar o cronmetro. Este erro ora para mais,
ora para menos. A maneira de eliminar este erro seria repetir o experimento vrias vezes e aplicar o
tratamento estatstico adequado aos resultados, o que estudaremos mais adiante, neste captulo.





3
(A) (B)
(C) (D)
Fig.1. Distribuio de dardos (pontos) em torno do alvo
(menor crculo central representando o valor ideal adotado)
para um conjunto de lanamentos nas seguintes condies:
(A) baixa preciso e acurcia; (B) alta preciso e acurcia;
(C) alta preciso e baixa acurcia; (D) baixa preciso e boa
acurcia para o valor mdio.
2.3 Acurcia e preciso

A diferena entre os termos acurcia e
preciso serve para caracterizar uma medida no
que diz respeito a erros sistemticos e erros
aleatrios. Se uma medida apresenta pequenos
erros sistemticos, ela dita de grande acurcia
ou exatido, ou seja, o valor medido ou a mdia
dos valores medidos est prxima do valor adotado ou
ideal. A medida da acurcia de um experimento s
possvel atravs da comparao entre medidas
provenientes de experimentos realizados de forma
independente, assim como, preferencialmente,
utilizando outros observadores e mtodos.
Por outro lado, se os erros aleatrios so
pequenos, a medida considerada de grande
preciso ou reproducibilidade, ou ainda, pequena
incerteza. necessrio considerarmos
simultaneamente acurcia e preciso quando
analisamos nossos resultados experimentais. No
h valor cientfico em um resultado muito preciso,
se este no acurado. Por outro lado, um resultado
no pode ser considerado acurado se a preciso no
for boa. Na figura 1, mostramos um exemplo considerando o experimento de lanamento de dardos
em um alvo. Consideramos o alvo (menor crculo central) como sendo o valor adotado ou ideal de
uma certa medida e cada um dos dardos como sendo o resultado de uma dada medida. O grau de
acurcia e preciso na maioria dos casos s so estabelecidos aps um nmero razovel de
realizaes do experimento. Vamos agora ver um exemplo de representao dos conceitos de
preciso e acurcia para uma dada grandeza.
Considere que a medida da velocidade da luz no vcuo resultou no valor c = (3,0 0,2) 10
5
km/s.
Assim, podemos concluir que a medida acurada, todavia a preciso do experimento pequena
causando variaes muito grandes no valor de c, especificamente, entre 2,8 10
5
km/s e 3,2 10
5

km/s. Da mesma forma, se a velocidade for medida como sendo c = (2,99776 0,00004) 10
5
km/s,
apesar da grande preciso alcanada, o valor adotado para a velocidade da luz difere de 16 km/s em
relao ao valor medido estando inclusive fora do intervalo de preciso .

2.4 Mdia e desvio padro

Ao trabalharmos com resultados de vrias medies em condies de repetitividade,
dispomos de procedimentos estatsticos para resumir e consolidar as informaes obtidas. No caso de
erros aleatrios j mencionados acima, esse tipo de tratamento mostra-se eficaz para identificar e/ou
reduzir as incertezas associadas ao processo de medida. Por exemplo, quando medimos vrias vezes
o tempo de queda para um objeto de uma mesma altura, obtemos um conjunto de medidas cujos
valores normalmente diferem entre si. Nestas condies, qual o melhor valor que representa o
tempo de queda do corpo? Qual a incerteza associada a este valor?
Para responder estas perguntas, poderamos fazer como em nossa primeira prtica e, em
princpio, usar apenas uma medida e associar a esta medida a menor diviso da escala, ou seja, a
resoluo do instrumento de medida, caso estejamos utilizando um cronmetro. Porm, a incerteza
associada ao instrumento cronmetro no cobre as incertezas ou erros associados a sua operao
4
(reao ou reflexo do operador etc). Como ento incluir fatores de natureza aleatria no processo de
medida?

2.4.1 Mdia ou valor esperado

Considerando uma determinada grandeza fsica X: se o resultado de uma medida

dessa
grandeza possuir uma incerteza proveniente do processo de medida, na qual existe a chance de se
obter em uma dada medida um valor acima do valor ideal

da mesmas forma que


pode-se obter um valor menor

ambos dentro de um certo intervalo finito de


possibilidades, a essa varivel de incerteza na medida damos o nome de varivel aleatria. A
varivel aleatria aquela cujo valor est associado uma certa probabilidade de ocorrncia. Apesar
da varivel aleatria ser um conceito probabilstico, reforamos que o valor ideal da medida


pode em alguns casos ser obtido atravs de equaes determinsticas. Por exemplo, a partir das leis
de Newton podemos determinar que o tempo de queda, t, de um corpo sob o efeito da gravidade, g,
para uma altura conhecida H,

. Contudo, apesar da possibilidade de calcular o tempo de


queda atravs dessa equao, geralmente o processo de medida dessa grandeza tem associado uma
incerteza intrnseca, e est introduz o carter probabilstico. Existem vrios tipos de distribuies de
probabilidades para variveis aleatrias, porm estaremos, neste curso, concentrando esforos nas
distribuies do tipo gaussiana.
Para iniciar nossos estudos, consideremos a situao na qual realizamos a mdia de uma srie
de medidas do tipo descrito no incio desta seo, ou seja, ao somarmos todos os valores medidos


e divid-los pelo nmero total, N, de medidas, seremos capazes de reduzir a contribuio das
variaes , restando-nos um resultado bem prximo de

. Se forem realizadas N medidas de


X, designadas por
N
x x x , , ,
2 1
, o valor mdio, ou valor esperado (VE), deste conjunto de medidas
por definio

.
... 1
) (
3 2 1
1
N
x x x x
x
N
x x VE
N
N
i
i
+ + + +
= = =

=
( 2.1)
A partir daqui consideraremos o valor ideal ou adotado

para uma grandeza fsica


qualquer. Este valor ideal ser o resultado da eq. (2.1) quando N , ou seja

.
Dessa forma, nossa primeira concluso : a distribuio de probabilidades para nosso conjunto
de medidas deve garantir que a expresso (2.1) seja finita para o regime . Existem
inmeros casos em que o valor mdio ou esperado de uma grandeza no existe, mas estes no sero
tratados aqui.
Podemos utilizar a definio dada na eq. (2.1) para obter algumas propriedades importantes
do clculo de VE. Considerando agora x e y um conjunto de N medidas cada de uma mesma grandeza
fsica

(2.2)

Considerando k uma constante qualquer temos que

(2.3)

2.4.2 Varincia e desvio-padro.

Dado um conjunto de medidas e considerando as variaes destas como sendo aleatrias,
espera-se que o resultado livre dessas incertezas, o valor esperado, seja aquele obtido do clculo da
5
mdia de muitas dessas medidas. Gostaramos de saber quo prximo uma nova medida realizada
estar do seu valor ideal ( O valor ideal aquele obtido da eq. (2.1) para N ). Esta estimativa
dada pelo desvio padro, .
Considerando que a mdia, x , ou valor esperado, VE, uma medida de localizao, o desvio
padro , o parmetro que caracteriza a disperso das medidas em torno do valor mdio. Essa
grandeza expressa a qualidade das medies. Podemos, por exemplo, ter conjuntos de medidas que
possuem o mesmo valor mdio, mas com desvios padres diferentes. Considere, como exemplo, a
utilizao da distribuio de renda ou de alimentos em alguns pases como parmetros para avaliar a
qualidade de vida. Nestes casos, valores mdios podem gerar avaliaes equivocadas.
A varincia, ou desvio quadrtico mdio,
2
o , definido por
( ) .
1
1
) (
1
2 2
(

=

=
N
i
i
x x
N
x o (2.4)

Essa definio estabelecida na verdade para o caso N e suporemos que a eq. (2.4) seja finita
nesse limite. Podemos desenvolver esta expresso e obter um formato mais simples que ser til para
os clculos com dados experimentais. Expandindo o termo quadrtico na eq. (2.4), temos

(2.5)

na qual utilizamos a definio de mdia, eq. (2.1), no segundo termo e a relao

, no
terceiro termo. Finalmente

(2.6)

Na eq. (2.6) somamos todos os quadrados dos valores medidos e realizamos uma nica subtrao do
quadrado pelo valor mdio calculado via eq. (2.1). Isso certamente mais simples que subtrair os
elementos termo a termo como na eq. (2.4). Certamente, os dados experimentais no contm um
nmero infinito de medidas e estaremos considerando aqui que N seja um nmero grande o
suficiente para obter-se um bom valor aproximado tanto para a mdia quanto para a varincia.
Agora, atravs da definio da varincia, dada pela eq. (2.4), podemos obter as seguintes
propriedades importantes: considerando dois conjuntos de variveis aleatrias, x e y, da mesma
grandeza fsica e sendo estes conjuntos independentes, ou seja, cujas medidas feitas no conjunto da
varivel x no afetam a distribuio de probabilidades das incertezas para as medidas feitas no
conjunto da varivel y, podemos escrever

(2.7)

(2.8)

Esses resultados so mais simples de verificar utilizando a eq. (2.6) e aplicando a condio de que as
variveis aleatrias sejam independentes. Seno vejamos

(2.9)

(2.10)

6
O ltimo termo da eq. (2.9) foi batizado na eq. (2.10) com o nome de covarincia. Pode-se verificar
experimentalmente que para o caso de variveis aleatrias independentes a covarincia ser nula.



Neste caso particular teremos

(2.11)

O desvio padro, , finalmente definido pela raiz quadrada da varincia:

2
o o =

(2.12)

O desvio padro quantifica a disperso do resultado de uma medida com respeito ao valor mdio de
todas as medidas realizadas. Definimos ento que o valor de uma dada medida deve estar prximo do
valor ideal ou adotado dentro do intervalo , ou seja, a representao de uma medida da
grandeza X dada por

(2.13)

2.4.3 Desvio padro da mdia

No item anterior definimos que, para um experimento no qual as vriaveis medidas so
independentes e aleatrias, o resultado de uma nica medida est prximo do valor ideal dentro do
intervalo . Porm, falta avaliar quo prximo do valor ideal est o resultado da mdia de um
conjunto N de medidas. Digamos agora que N medidas foram feitas para uma dada grandeza, e
dessas medidas, calculou-se a mdia. Quo prximo est a mdia do valor ideal, ou seja, qual o
desvio padro da mdia?
O erro introduzido em x provm dos desvios aleatrios de cada uma das medidas
i
x , que se
propagaram no clculo do valor mdio. A incerteza da mdia associado ao valor mdio de um
conjunto de N medidas, vale

, (2.14)

na qual consideramos todas as medidas como sendo independentes. Alm disso, os desvios padres
para cada uma das variveis o mesmo, logo

. (2.15)

O desvio padro da mdia

ser

. (2.16)

Sendo assim, o valor mdio de um conjunto de N medidas estar prximo do valor ideal dentro do
intervalo

. A representao de uma medida utilizando o valor da mdia dada por



. (2.17)

7
Fig. 2 Densidade de probabilidade P
G
de um dado
conjunto de medidas em funo de seus respectivos
valores para o caso de uma distribuio gaussiana. X
0

denota o valor mdio definido na eq. (2.1). O valor da
largura da distribuio a meia-altura de 2.
Fica claro a partir da eq. (2.17) que quando temos , que o valor ideal por definio na
ausncia de qualquer incerteza. Este resultado no um resultado geral. O mesmo vlido somente
para distribuies de probabilidades cujas medidas sejam independentes e, alm disso,
possuam mdia e desvio padro bem definidos. Um exemplo desse tipo de distribuio ser visto a
seguir.

2.5 Distribuio Gaussiana

A distribuio Gaussiana ou distribuio normal de incertezas descreve de forma bem
razovel resultados experimentais nos quais as grandezas medidas so dispostas de forma aleatria e
independente dentro de um intervalo finito de resultados possveis. Se cada medida em um dado
experimento possuir uma incerteza do tipo varivel aleatria, ou seja, uma incerteza que possui uma
distribuio de probabilidade associada, e essa distribuio, alm de independente da distribuio de
incertezas da medida anterior ou seguinte, possuir mdia e desvio-padro bem definidos: podemos
representar o resultado do conjunto de medidas, ou sua frequncia de ocorrncias, de uma forma
analtica extremamente simples dada por
( ) | | 2
2
2
1
) , , (
o
t o
o

=
x
G
e x P (2.18)
que ser to prxima da distribuio real de ocorrncias quanto maior for o nmero N de medidas. A
distribuio de probabilidades de Gauss, ) , , ( o x P
G
, que descrita pela funo contnua dada pela
eq. (2.18), tem como valor mdio e desvio padro o ( na verdade o valor mdio para N
infinito e, no caso da distribuio Gaussiana, tambm o valor mais provvel da distribuio).
Como a distribuio contnua e, em consequncia das imposies geradas pelas limitaes
experimentais, os valores medidos so discretos, necessrio definir o intervalo correspondente a um
dado valor discreto x . A probabilidade para que uma dada medida, feita aleatoriamente, pertena a
um intervalo de 2 x A em torno de x
( ) ( ) . , , ,
2
2
dx x P x x P
x x
x x
G
}
A +
A
= A o (2.19)
Para x A pequeno, podemos fazer a aproximao ( ) ( ) x x P x x P
G
A = A o , , , . Como a probabilidade de
se obter qualquer valor de x, i.e. x (-; +), 1, a rea total sob a curva definida pela funo
Gaussiana dada por

( ) . 1 , , lim
2
2
=
}
A +
A A
dx x P
x
x
G
x

o

( 2.20)

A probabilidade de a medida
i
x ocorrer no
intervalo x A ser igual a 1 (100% de chance)
quando x A tender a infinito. Entretanto, se
aceitarmos uma probabilidade menor do que
100%, possvel definir uma largura da
distribuio para a qual a probabilidade de
ocorrncia da medida x seja bastante
significativa. Um valor comumente adotado o
prprio desvio padro o . A probabilidade integral
para o = Ax de cerca de 68%, o que significa que
aproximadamente 2/3 de todas as medidas ocorrem
8
no intervalo de mais ou menos um desvio padro em torno da mdia (valor adotado). Assim, se
for atribuda medida x uma incerteza de o , h uma probabilidade de 68% de que o valor mais
provvel esteja dentro deste intervalo.
A largura o pode ser usada para caracterizar a curva Gaussiana. Outros valores possveis
so o 2 , que inclui 95% das medidas, ou a largura plena meia altura I (s vezes denotada pela
sigla FWHM, do ingls full width at half maximum), que um dos parmetros que caracterizam
uma distribuio. No caso da distribuio Gaussiana, o 177 , 1 2 = I e o intervalo | | 2 , 2 I + I
abrange cerca de 76% das medidas. Neste curso, adotaremos o desvio padro o para caracterizar a
incerteza de uma nica medida e no caso da mdia de um conjunto N de medidas, o valor procurado
tem uma probabilidade de 68% de estar no intervalo
m
x o .
Finalmente frisamos que a distribuio gaussiana uma distribuio especial, bem definida,
com apenas dois parmetros: a mdia e o desvio-padro. Desse modo, qualquer grandeza fsica cujo
processo de medida possa ser reconhecido como uma distribuio gaussiana est completamente
caracterizada por esses dois parmetros. Existem claro grandezas cuja distribuio de incertezas na
medida no gaussiana e por conseguinte necessitam de mais parmetros, alm dos dois citados
acima, para serem completamente caracterizadas. Esse tipo de distribuio no ser discutido no
curso de Fsica experimental 1.

2.6 Incerteza instrumental incerteza da mdia

Suponhamos que queremos medir a largura de uma placa de metal com uma trena
milimetrada, como as que esto disposio no laboratrio. A medida repetida, digamos, 20 vezes,
e a cada vez encontra-se o mesmo resultado: L = 12,7 cm. Assim, o valor mdio deste conjunto de
medidas vale = x 12,7 cm. O desvio padro nulo e a incerteza da mdia 0 =
mdia
o cm.
Estatisticamente, isto nos diz que a largura da placa exatamente 12,700000000... cm, sem haver
possibilidade alguma de erro! Pega-se agora este mesmo corpo e mede-se a sua largura com um
instrumento de maior resoluo, tal qual um paqumetro, obtendo-se o resultado L = 12,739 cm.
Repete-se ento esta medida por 20 vezes e o valor lido no instrumento L = 12,751 cm. Chega-se
ento a uma distribuio de valores em torno do valor mdio x = 12,746 cm, com o = 0,036 cm e
mdia
o = 0,008 cm.
Por que observa-se uma distribuio de largura no-nula com um instrumento de maior
resoluo e, consequentemente, uma incerteza da mdia diferente de zero, enquanto que, com a trena
milimetrada, no se observa disperso alguma? Parece claro que a disperso, decorrente de
irregularidades na largura da placa, pequena demais para ser observada com a trena. Isto invalida
qualquer processo estatstico para anlise dos dados, j que a disperso no pode ser observada.
Assim, se a incerteza no processo de medida for dada por A e a largura de uma distribuio
de medidas for caracterizada por o , tem-se que
a) Se < A o incerteza da medida =
mdia
o
b) Se > A o incerteza da medida = A.
Muitas vezes aconselhvel introduzir propositalmente uma fonte de erros aleatrios no
experimento para produzir uma disperso maior do que a incerteza instrumental. Com este artifcio,
pode-se obter um valor mdio mais prximo do valor esperado x e uma incerteza estatstica
mdia
o
to pequena quanto se desejar, bastando, para isto, repetir o experimento um nmero muito grande de
vezes. Entretanto, embora no parea, no fcil produzir uma fonte verdadeiramente aleatria de
rudo, devendo-se ter muito cuidado em relao a este ponto.
Existe ainda um problema: se a incerteza da medida, A, decorrer do processo de calibrao
do instrumento (o que significa erro sistemtico), no possvel reduzir o erro no valor esperado
9
para algo inferior a A, j que, como vimos, nenhum processo estatstico capaz de remover um erro
sistemtico. Por isto, importante conhecer a origem da incerteza instrumental, o que, na maioria
dos casos, no algo evidente. Parte desta incerteza decorre de erros aleatrios do instrumento. Por
exemplo, seja uma rgua de 1 m com irregularidades nas marcaes dos traos milimetrados.
Alterando-se, cada vez, o zero da medida (o ponto na rgua a partir do qual iniciamos a comparao
do comprimento do objeto a ser medido com o nmero de traos da rgua), este erro assume carter
aleatrio, podendo, como vimos, ser corrigido por uma anlise estatstica. Se, no entanto, o tamanho
da rgua no corresponder ao padro de comprimento, por exemplo, a distncia entre a marca de 0 m
e 1 m medir 1,01 m, h um erro sistemtico de 1% que est embutido em todas as medidas. Este erro
no ser corrigido por nenhum processo de medida, a menos que seja conhecido.
O procedimento recomendado em qualquer processo de medida primeiro calibrar o
equipamento. A incerteza
S
A (erro sistemtico) que existir, neste processo, o erro limite, o qual
no pode ser eliminado estatisticamente. Em seguida, inicia-se a tomada de medidas. possvel que
o procedimento experimental, incluindo-se o uso do equipamento e o mtodo de medida, introduza
novos erros como, por exemplo, erro na leitura da escala de uma rgua, no acionamento do
cronmetro etc. Estes erros de natureza aleatria (
A
A ) aumentam as incertezas nas medidas, mas
podem ser tratados estatisticamente. Se a incerteza, na leitura do instrumento, for maior do que estes
dois tipos de erros (
S
A > A e
A
A > A ), todas as medidas sero idnticas e no ser possvel reduzir a
incerteza a um valor inferior a A. Contudo, aumentando os erros aleatrios, de forma que
S A
A > A > A > o , pode-se estimar o valor da grandeza medida com uma incerteza inferior a A,
bastando, para isto, realizar um grande nmero de medidas (lembrar: n
mdia
2 2
o o = ).

2.7 Propagao de incertezas em medidas indiretas com incertezas aleatrias

Vimos no captulo 1 que para clculos envolvendo medidas cujas incertezas dependem
somente da resoluo do instrumento de medida temos a seguinte expresso

, (2.21)

na qual conhecida a funo e as incertezas dos instrumentos de medida, temos a incerteza propagada.
Porm, neste captulo introduzimos um novo tipo de incerteza associado ao processo de medida: as
incertezas aleatrias. Vamos agora tratar o caso de propagao de incertezas sob condies nas quais
supomos a incerteza proveniente dos erros aleatrios sendo maior que a do instrumento de medida.
Como aprendemos ao longo das sees anteriores, devemos realizar mdias sobre os valores
obtidos para uma certa grandeza de interesse buscando minimizar o efeito da aleatoriedade na
medida. Levando esse efeito em considerao devemos utilizar a mdia de cada incerteza, por
exemplo

, e substitu-la no valor da incerteza . Porm fcil notar que as mdias das incertezas
para um nmero muito grande de medidas so nulas

. Consequentemente a eq.
(2.21) tambm se anula. Dessa forma, vamos procurar variaes para o prximo termo no nulo da
variao da funo, no caso


Para ser mais conciso, mas sem perda de generalidade, vamos considerar apenas duas
variveis nesta funo. Assim elevando a eq. (2.21) ao quadrado temos

(2.22)

10
Agora faremos a operao de mdia nessa grandeza utilizando a condio de que as mdias em cada
uma das variveis x e y so nulas como j considerado e, alm disso, essas variveis so
independentes. Assim teremos

. (2.23)

A relao de covarincia (ver eq. 2.9 e 2.10) implica

o que garante a eliminao


do ltimo termo na eq. (2.22). Alm disso a definio de varincia da mdia (ver eq. 2.15) tambm
foi usada



, pois o termo incluindo a mdia nulo.
Finalmente a nova incerteza propagada para o caso de duas ou mais grandezas fsicas X e Y
cuja medida feita de forma a introduzir incertezas aleatrias dada pela expresso da eq. (2.23)
composta das derivadas parciais da funo com relao aos parmetros medidos e suas respectivas
varincias da mdia.

2.8 Confeco de grficos e histogramas

O objetivo do grfico transmitir informao de forma simples e direta.
Abaixo seguem algumas regras para a confeco dos grficos experimentais. Ateno: a
correta observao de todas essas regras de grande importncia para garantir a clareza dos
dados apresentados e ser levada em considerao na correo de todos os grficos
confeccionados por voc e sua equipe nas provas e relatrios.

a) Em um espao livre, na parte superior da folha, escreva o ttulo do grfico de forma clara
e completa;

b) No eixo horizontal (abscissa) lanada a varivel independente, isto , a varivel cujo os
valores so escolhidos pelo experimentador; no eixo vertical (ordenada) lanada a
varivel dependente, isto , aquela obtida em funo da primeira;

c) Escreva o nome (letra maiscula) ou inicial da grandeza em cada eixo e, entre parnteses,
coloque a unidade correspondente;

d) Devese colocar convenientemente os pontos experimentais dentro do espao disponvel
para o grfico, mediante escolha de uma escala adequada;

e) A escala deve ser simples e de fcil leitura dos pontos. Adotam-se mltiplos ou
submltiplos de nmeros inteiros (0,1; 0,2; 0,3;.;1; 2; 3..; 10, 20, 30...). Quando se
trabalha com nmeros muito grandes ou pequenos, use notao cientfica. A escala pode
ser simplificada lanando as potncias de 10 juntamente com a unidade sobre os eixos;

f) A escala pode ser escolhida por razes tericas. Por exemplo, se os dados experimentais
precisam ser comparados com uma teoria governada por uma equao do tipo y= kx, esta
prev a passagem pela origem, logo o grfico deve apresentar esse ponto mesmo que os
dados experimentais sejam inacessveis;

g) Os pontos experimentais devem ser marcados no grfico usando smbolos ;

h) Aps a colocao dos pontos no grfico, no escreva nos eixos os valores relativos a
cada ponto, a no ser que estes coincidam com os da diviso adotada na escala;
11

i) Para o caso de grafar uma curva para ajuste dos pontos experimentais, esta deve ser suave
e contnua. A curva de ajuste no precisa tocar nenhum ponto experimental
especificamente e sim ajustar o conjunto inteiro. Ela deve ter a forma especificada pela lei
fsica, quando houver, adotada para o ajuste.

2.8.1 - Histograma

Neste tipo de grfico representaremos a grandeza medida no eixo x dividido em intervalos de
igual comprimento que chamaremos de celas. No eixo y, representaremos frequncia absoluta, fa, ou
seja, o nmero de medidas que ocorreram no intervalo definido pela cela.
O histograma um grfico composto por retngulos justapostos em que a base de cada um
deles corresponde cela e a sua altura respectiva freqncia. Quando o nmero de dados aumenta
indefinidamente e a cela tende a zero, a distribuio de freqncia se torna uma distribuio de
densidade de probabilidades. A construo de histogramas tem carter preliminar em qualquer
estudo e um importante indicador da distribuio de dados.




Fig. 3 Exemplo de um histograma no qual o eixo vertical indica a frequncia de ocorrncias de uma dada
grandeza e no eixo horizontal a faixa de valores dessa mesma grandeza.


O Histograma uma forma de indicar se uma dada sequncia de medidas aproxima-se de
uma funo normal ou gaussiana. Uma vez que o histograma apresenta-se com a forma prxima de
uma funo gaussiana, isto , com um nico mximo e com largura da distribuio finita, as tcnicas
discutidas para erros aleatrios em termos do clculo da mdia e do desvio padro podem ser usadas.
A figura 4 mostra o ajuste de um histograma utilizando uma funo gaussiana. Essa qualidade do
ajuste a assinatura do carter aleatrio do conjunto de medidas.
12

Fig. 4 Ajuste de um histograma (conjunto discreto de medidas) utilizando uma funo gaussiana (funo
contnua) . Na figura, SD (standard deviation) significa desvio padro.

Para a construo do histograma, divida os resultados obtidos em N grupos com intervalos,
, iguais diferena entre o maior e o menor valor obtido dividido por N. O valor de N limitado
pelo instrumento de medida. Conveciona-se escolher um intervalo que no seja menor do que
duas vezes a preciso do instrumento utilizado.
Em seguida, conta-se quantos resultados pertencem a cada intervalo, tomando o cuidado de
no incluir na contagem, para um dado grupo os resultados, iguais ao limite superior do intervalo. O
resultado dessa contagem denominado Frequncia Absoluta dos valores obtidos. Constri-se ento
o grfico de barras da freqncia absoluta em funo dos limites superior e inferior dos intervalos,
acrescentando dois intervalos com freqncia nula, um antes do limite inferior e outro aps o limite
superior. O grfico assim obtido o que denominamos de Histograma.

Exemplo: Suponha as seguintes notas de relatrios
Tabela de notas de relatrios
2,65 2,55 1,70
1,70 1,75 1,45
0,45 2,30 1,08
1,39 2,30 1,70
1,38 2,13 1,73
1,23 2,00 2,13
1,53 1,40 1,70

A preciso = 0,01
Devemos ter ento =

2 0,02. Por haver poucas notas na tabela,


deve-se escolher um bem maior que 0,02. Dessa forma evita-se os buracos no histograma. Por
outro lado, deve-se tambm tomar cuidado para no reduzir demais o acesso aos detalhes da
distribuio caso um muito grande seja utilizado. Para a quantidade de medidas que temos, um
histograma com 5 a 6 faixas (celas) est razovel. Para um histograma com 6 celas temos = 0,4.
13
Visto que N, n de celas, =

6

Intervalos Frequncia absoluta
0,05 0,45 0
0,45 0,85 1
0,85 1,25 2
1,25 1,65 5
1,65 2,05 7
2,05 2,45 4
2,45 2,85 2
2,85 3,25 0

Obs: O smbolo indica que o intervalo fechado esquerda e aberto direita.



Queremos agora saber se o nosso histograma obedece, pelo menos aproximadamente, uma
distribuio gaussiana.
Temos que:
= 1,726190476 (mdia)

= 0,516792765 (desvio padro da medida)

= 0,5

= 0,5 > 0,01 = (incerteza do instrumento)


Logo:
X =
x
(desvio padro da mdia)

x
=


x
= 0,112773426
x
= 0,1
Com isso temos:
X = 1,7 0,1

14
Para que a distribuio seja gaussiana, devemos ter 68% das notas dentro de uma faixa
limitada por

em torno da mdia, ou seja, 68% das notas entre 1,2 e 2,2. No exemplo acima,
temos aproximadamente 71% das medidas dentro do intervalo, o que caracteriza uma distribuio
aproximadamente Normal ou Gaussiana.

2.8.2 - Uso do papel milimetrado

Determinao das escalas e da posio do papel.

Geralmente, uma folha de papel milimetrado tem 280 mm no eixo vertical, e 180 mm no eixo horizontal,
ento, podemos us-la nesta posio (retrato) ou em outra posio, invertendo os eixos (paisagem).
Deve ser escolhida uma destas duas possibilidades: retrato ou paisagem, de modo a otimizar a
construo do grfico visando ocupar o melhor possvel a folha. Entretanto, ocupar o melhor possvel a
folha no significa necessariamente que se deve usar a escala que preenche todo o papel. Na prtica,
deve-se escolher uma escala que facilite a leitura dos pontos experimentais, ou qualquer outro ponto
representado no grfico.