Você está na página 1de 14

Universidade Federal de Pernambuco

Departamento de F sica CCEN F sica Experimental 1

Apostila 3: M etodos gr acos

Resumo O gr aco e uma ferramenta poderosa para descobrir como quantidades medidas se relacionam umas com as outras. Ao se variar controladamente uma quantidade e se medir outra, queremos determinar se existe alguma fun c ao que conecte ambas. A fun c ao pode advir de algum modelo te orico, ou ser at e mesmo completamente determinada pelo experimento. Revisamos aqui algumas t ecnicas para determinar a melhor rela c ao funcional entre quantidades medidas.

Sum ario
1 Rela c ao linear 1.1 1.2 O lado human stico da reta Encontrando retas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 2 3 4 4 5 6 6 7 9 11 12 14

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2 Escala logar tmica 2.1 2.2 Lei de pot encia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Exponencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3 Ajuste linear por m nimos quadrados 3.1 3.2 3.3 3.4 Desvio quadr atico m edio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . M nimos quadrados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Qualidade do ajuste linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Propaga ca o de incerteza entre eixos . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4 Pap eis monolog e dilog 4.1 Interpretando gr acos log . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

F sica Experimental 1

Rela c ao linear

As rela co es mais simples que podem existir entre duas quantidades medidas s ao, por um lado, a proporcionalidade e, por outro, um desvio constante. Juntando essas duas possibilidades, obtemos uma rela c ao linear, representada num gr aco pela gura geom etrica da reta. Sua express ao funcional e da forma y = A x + B, (1) em que x e y s ao as quantidades medidas e A e B s ao constantes que dependem do fen omeno f sico sob investiga ca o, chamadas respectivamente de coeciente angular e coeciente linear da reta. A ideia das t ecnicas de ajuste linear aos dados experimentais e encontrar os coecientes A e B que melhor representem a rela ca o entre as grandezas x e y dentro da incerteza, bem como os intervalos de conan ca desses coecientes.

1.1

O lado human stico da reta

Por ser a mais simples poss vel, encontrar uma rela ca o linear entre duas quantidades medidas eo sonho de todo bom experimentador. Mas por que a reta? Simplesmente porque, por algum motivo obscuro, nossa cogni ca o est a bem preparada para analisar visualmente retas. Esse pode parecer um argumento fraco a ouvidos n ao treinados, mas a verdade e que e extremamente perspicaz. Pois em u ltima inst ancia e sempre um ser humano que analisa o sentido dos dados, e portanto as ferramentas que permitem embasar conclus oes sobre rela co es entre grandezas experimentais devem estar adaptadas a nosso uso. E a reta e uma das fun co es mais f aceis de se julgar visualmente1 . Com a exce ca o de contextos muito espec cos (embora important ssimos), n ao somos bons em julgar a qualidade de curvas. Se voc e n ao acredita nisso, fa ca um pequeno exerc cio de convencimento analisando a Fig. 1. N ao vale fazer conta nem vale pensar, estamos falando aqui da identica c ao visual da forma geom etrica! Voc e pensa para identicar uma arvore? E a mesma coisa. Aponte a curva x3 . Dif cil? Vamos para algo mais f acil ent ao, ache a par abola x2 . Ainda dif cil? Bem, encontre a exponencial. Ooops, tamb em n ao conseguiu? A hip erbole, ent ao... Pois e, curvaturas s ao todas mais ou menos parecidas, n ao e mesmo? Ache agora a reta. Voc e deve t e-la encontrado facilmente. Se voc e n ao a encontrou, procure desenvolver melhor seu lado human stico (ou estudar mais...). Mas nem todas as rela co es entre observ aveis f sicos s ao lineares, como bem sabemos. Fun co es polinomiais, exponenciais, harm onicas (senos e cossenos) e mesmo sem nome especial podem reO c rculo, que tem que ver com fun c oes harm onicas, tamb em e uma gura geom etrica facilmente reconhec vel por seres humanos. Por isso tamb em existem ferramentas para analisar se a rela c ao entre dados fornece c rculos ou desvios de c rculos, nas guras de Lissajous.
1

M etodos gr acos

Figura 1: No gr aco acima, existem dois polin omios (de segunda e de terceira ordem), uma exponencial, uma hip erbole e uma reta. Quais voc e consegue identicar visualmente? presentar a rela ca o procurada. Atualmente, existem ferramentas num ericas que permitem ajustar facilmente dados experimentais a qualquer fun ca o. O que ocorre e que alguns ajustes ser ao f aceis de interpretar sicamente e outros, nem tanto. Mas neste curso estamos interessados em criar intui ca o sobre como julgar fatos, e n ao em taxonomia de ferramentas num ericas. E como e dif cil julgar a qualidade de qualquer ajuste que n ao seja uma reta para seres que s o conseguem identicar retas, vamos sempre buscar encontrar retas onde nenhuma pessoa sem treinamento as veria.

1.2

Encontrando retas

Bons experimentadores n ao esperam que retas caiam do c eu. Se as retas n ao aparecem por bem, eles for cam seu aparecimento por mal. Podemos dizer que buscaremos endireitar curvas sempre que poss vel (algo que Niemeyer jamais aprendeu a fazer). A forma mais simples de se endireitar curvas e mudar de vari aveis (i.e., curvamos o papel). Voc e viu um exemplo disso na experi encia do p endulo simples. Segundo o modelo te orico, o per odo do p endulo e esperado variar com a raiz quadrada de seu comprimento, da forma 2 1 = L2 . g Claramente, a rela ca o entre as quantidades medidas e L n ao e linear. Mas se mudarmos para as vari aveis = y e L 2 = x, constru mos uma rela ca o linear da forma y = A x + B, 2 em que A = e B = 0. g (3) 3
1

(2)

F sica Experimental 1

Assim, vericar a rela ca o linear entre x e y e o mesmo que checar a lei de pot encia entre e L. Mas como saber qual e a mudan ca de vari aveis correta que transforma a rela ca o desconhecida entre duas quantidades numa reta? Em princ pio, essa resposta e dada por um modelo te orico, como no exemplo acima. Achar a reta procurada nesse caso valida o modelo. Na aus encia de modelo, poder amos tentar adivinhar a transforma ca o correta por inspe ca o visual da curva experimental. Como voc e viu na gura 1, isso e bem dif cil, e acaba virando na pr atica um m etodo de tentativa e erro. Embora o mesmo seja perfeitamente aplic avel, existem formas melhores de se descobrir a depend encia procurada, em especial quando se trata de depend encias tipo exponencial ou lei de pot encia com expoentes reais.

2
2.1

Escala logar tmica


Lei de pot encia

Existe uma troca de vari aveis especial que favorece um tipo de rela ca o chamada lei de pot encia, dada por uma fun ca o da forma y = x , (4) em que e s ao n umeros reais. Note que essa express ao inclui o caso particular da Eq. (2), com omios e seus inversos. = 1/2 e = 2/ g , assim como mon Se tomarmos o logaritmo da express ao acima2 , obtemos diretamente log y = log x + log , (5)

em que utilizamos as propriedades log(rs) = log r + log s e log(rs ) = s log r, v alidas para quaisquer n umeros reais r e s. Portanto, a troca de vari aveis X = log x Y = log y (6)

Essa troca de vari aveis transforma a lei de pot encia das quantidades medidas numa rela c ao linear para seus logaritmos. A pot encia que relaciona as vari aveis se torna o coeciente angular A da reta, e a constante multiplicativa , seu coeciente linear B .
2

nos permite escrever a lei de pot encia da Eq. (4) como A = , Y = A X + B, em que B = log .

(7)

Trabalharemos sempre com logaritmos na base 10, por causa da conven c ao utilizada nos pap eis log.

M etodos gr acos

Isso permite novamente utilizar inspe c ao visual para investigar se a rela ca o entre as quantidades medidas e bem descrita por uma lei de pot encia.

Figura 2: Curvas da gura 1 com a mudan ca de vari aveis da Eq. (6). Voc e consegue dizer agora quais curvas da gura 1 s ao leis de pot encia? Quanto valem seus expoentes?

2.2

Exponencial

Outra rela ca o muito encontrada na natureza e dada pela fun ca o exponencial, y = e x , (8)

em que e s ao constantes reais representando respectivamente a escala t pica de varia ca o da exponencial e o valor inicial da fun ca o (valor de y em x = 0). Assim, possui a dimens ao inversa de x, enquanto possui a mesma dimens ao de y . Tomando o logaritmo da equa ca o acima, obtemos a rela ca o log y = ( log e) x + log , (9)

que transforma a exponencial numa rela c ao linear na nova vari avel.

que tamb em pode ser entendida como uma rela ca o linear entre as vari aveis x e Y = log y . Nesse caso, obtemos para a reta a express ao A = log e, (10) Y = A x + B, em que B = log , Nesse caso, a constante da exponencial se torna proporcional ao coeciente angular A da reta, enquanto o valor inicial d a origem a seu coeciente linear B . 5

F sica Experimental 1

Figura 3: Curvas da gura 1 nas vari aveis x e Y = log y da Eq. (9). Voc e consegue agora identicar a exponencial da gura 1? Quanto vale sua constante de decaimento?

Ajuste linear por m nimos quadrados

M etodos de ajuste buscam em geral determinar a melhor fun ca o matem atica a descrever a rela ca o entre dados experimentais. O uso desses m etodos come ca pela hip otese b asica de que existe uma rela ca o cont nua e un voca entre dados de uma grandeza e dados da outra, ainda que apenas numa regi ao restrita de par ametros. Os dados experimentais s ao amostras dessa fun ca o ideal. Quanto maior o n umero de dados e maior o intervalo dispon vel, melhor a reconstru ca o dessa rela ca o. Para determinarmos a melhor fun ca o, precisamos primeiro denir melhor. A ideia de melhor passa pela deni ca o de um quanticador de qualidade. Al em disso, precisamos escolher j a de in cio a forma aproximada da fun ca o. Trataremos nesta se ca o apenas de fun co es lineares, ou seja, retas. Como vimos, o ajuste de retas permite ajustar tamb em leis de pot encia e exponenciais, por troca de vari aveis.

3.1

Desvio quadr atico m edio

Dados s ao conjuntos de pares ordenados de medidas {xn , yn }, com n = 1, 2, . . . N . Queremos encontrar a reta y (x) = A x + B, (11)

que melhor se ajuste aos dados obtidos (note que x e y podem ter sido obtidos por alguma substitui ca o de vari aveis, caso em que podem ser dados e.g. pelos logaritmos de valores medidos). 6

M etodos gr acos

Para tanto, precisamos nos resignar primeiro ao fato de que a rela c ao linear observada em qualquer experimento n ao e uma rela c ao perfeita, e que portanto e quase imposs vel encontrar uma reta que passe por todos os dados de um conjunto com mais de dois pontos. Isso ocorre porque medidas possuem utua co es e incertezas, existindo uma dispers ao natural nos valores obtidos: pragmaticamente, a melhor reta ser a sempre aquela que erra menos. Precisamos nesse cen ario realista denir o que signica errar menos. Precisamos de uma quantidade que nos forne ca o desvio da reta com rela ca o ao conjunto de dados, e nos contentar em minimizar esse desvio. A reta a minimiz a-lo ser a a melhor reta poss vel (ou menos ruim, para os pessimistas) dentro do conjunto de dados dispon vel. Para cada medida n, esse desvio e quanticado pelo res duo yn , denido como yn = yn y (xn ). O res duo nos fornece o qu ao distante uma reta escolhida passa de cada dado yn . No entanto, o res duo yn pode ser tanto positivo quanto negativo, e portanto n ao possui m nimo. Precisamos ent ao encontrar a reta que minimize os tamanhos dos res duos de todas as medidas ao mesmo tempo. Uma forma de denir uma quantidade positiva simples, que seja suave (ao contr ario da fun ca o m odulo) e que possua signicado mais profundo em distribui co es de probabilidade e tomar o quadrado de yn . Denimos, assim, o res duo quadr atico pela express ao (yn )2 = [yn y (xn )]2 . (13) (12)

Para avaliarmos a qualidade da reta com rela ca o a todos os dados, somamos os res duos quadr aticos para obter sua vari ancia, denotada como y , da forma
N 2 y = (y )2 = n=1

[yn y (xn )]2 . N

(14)

Segundo a Eq. (11), no ponto xn a reta com par ametros quaisquer A e B possui valor y (xn ) = Axn + B . Com essa substitui ca o, a equa ca o acima se torna
N 2 y

=
n=1

(yn Axn B )2 . N

(15)

Em outras palavras, a quantidade a ser minimizada e a vari ancia das dist ancias yn entre yn medido e o valor y (xn ) da reta no ponto xn correspondente.

3.2

M nimos quadrados

O processo de minimiza ca o que buscamos implica que pequenas varia co es na posi ca o da reta no gr aco n ao devem mudar em primeira ordem a vari ancia dos res duos. 7

F sica Experimental 1

Mas a posi ca o da reta e fun ca o dos coecientes A e B que queremos determinar. Reinterpretando a Eq. (15) como uma fun ca o de vari aveis A e B , para deixar a reta solta, na forma
2 y = f ( A , B ) ,

(16)

queremos encontrar os valores A = A e B = B para os quais f e m nima, ou seja, f (A, B ) = min(f ). Varia ca o nula em primeira ordem signica derivadas parciais primeiras nulas nessas duas vari aveis. Portanto, queremos encontrar o ponto (A, B ) que satisfa ca ` as condi co es f A =0
A =A

f B

= 0.
B =B

(17)

A primeira condi ca o nos fornece, com o aux lio da Eq. (15), f = A 2 (Axn + B yn )xn = 0 N = A
n

x2 n+B
n

xn

xn yn = 0.
n

(18)

De maneira an aloga, a segunda condi ca o fornece f = B 2 (Axn + B yn ) = 0 N = A


n

xn + B
n

yn = 0.
n

(19)

Para encontrar A e B , precisamos apenas resolver o sistema de equa co es acima. Para facilitar a nota ca o, denimos constantes, dependentes apenas de valores medidos, como s x2 =
n

x2 n,

sx =
n

xn ,

sy =
n

yn ,

sxy =
n

xn yn .

(20)

Notando que

A solu ca o e facilmente encontrada como A= N sxy sx sy , B=

1 = N , o sistema de equa co es se torna sx2 A + sx B = sxy . s A + NB = s x y sx2 sy sx sxy , em que = N sx2 s2 x.

(21)

(22)

Algo n ao muito elucidativo, e verdade, mas simples de calcular3 . Suas incertezas se escrevem em termos da incerteza de medida (igual para todas as medidas), como A = 1 , B = s x2 . (23)

O mesmo racioc nio pode ser utilizado para ajustar aos dados um polin omio qualquer.
A express ao se torna mais simples nas vari aveis Sxx = n (xn x )2 , Syy = n (yn y )2 e Sxy = x )(yn y ). Veja http://mathworld.wolfram.com/LeastSquaresFitting.html.
3 n (x n

M etodos gr acos

Ajuste linear em dados com incerteza inomog enea Nem sempre a incerteza de todos os dados e a mesma. Na situa ca o em que ela varia entre medidas, e preciso pesar o res duo com o inverso da incerteza do valor medido. Esse procedimento visa aumentar no ajuste a contribui ca o relativa de dados mais precisos. Nesse caso, os coecientes da reta s ao calculados pelas rela co es s sxy sx sy , A= em que s = =

sx2 sy sx sxy B= ,

(24)

n s sx2

1 , 2 n

sx2 =
n

x2 n , 2 n

sx =
n

xn , 2 n

sy =
n

yn , 2 n

sxy =
n

xn yn , 2 n (25)

sx 2 .

As incertezas em A e B s ao A = s e B = sx2 . (26)

Essas express oes se reduzem ` as Eqs. (22) e (23) para incertezas iguais (verique!).

3.3

Qualidade do ajuste linear

Existem ferramentas de an alise mais precisas do que a inspe ca o visual para se julgar a qualidade de um ajuste. Se a rela ca o correta entre as duas quantidades medidas for de fato linear, e de se esperar que os dados utuem aleatoriamente em torno da melhor reta ajustada. Por argumentos estat sticos, esperamos obter uma grande parte dos dados nas imedia co es da reta, uma pequena parte um pouco distante, e uma pequen ssima parte muito distante. Voc e j a sabe aonde isso vai: se a utua ca o for aleat oria, a distribui ca o de res duos deve seguir uma gaussiana. Al em disso, se o ajuste for de boa qualidade, a escala dos res duos (ou seja, aquilo que determina se o ponto est a perto ou longe da reta ajustada) deve ser compat vel com a incerteza dos dados. A gura 4 ilustra o ajuste de reta a um conjunto de mil dados. Conforme vemos ` a esquerda, os dados utuam aleatoriamente em torno da reta, mostrando se tratar visualmente de um bom ajuste. O gr aco central da gura mostra os res duos como fun ca o de xn . Esse gr aco e obtido simplesmente subtraindo-se o valor medido yn do valor assumido pela reta no ponto xn , isto e, yn = yn y (xn ) [Eq. (12)]. Os res duos utuam aleatoriamente em torno do valor nulo, fornecendo-nos um indicador quantitativo da qualidade do ajuste. 9

F sica Experimental 1

Figura 4: Esquerda: conjunto de dados (pontos) com melhor reta ajustada (linha cont nua). Centro: res duos. Direita: histograma dos res duos. Isso ca mais claro na curva ` a direita, na qual vemos o histograma dos res duos. Para um bom ajuste, essa curva deve ser uma gaussiana centrada no zero e com desvio padr ao aproximadamente igual a ` incerteza t pica de medida de cada ponto. De forma geral, a incerteza de medida deve ser compat vel com a utua c ao dos dados em torno da fun c ao ajustada : o histograma dos res duos deve reetir a incerteza. Assim, no exemplo da Fig. 4, contendo mil medidas, podemos esperar com maior probabilidade que 683 26 delas (i.e. 68,2% 2,6%) estejam a uma dist ancia menor que 1 da reta ajustada, 955 31 (ou 95,5% 3,1%) a uma dist ancia menor que 2 , e que apenas 3 2 (0,3% 0,2%) delas estejam a uma dist ancia maior que 3 .

Figura 5: Esquerda: incerteza experimental subestimada. Centro: incerteza compat vel com ajuste. Direita: incerteza superestimada. A gura 5 ilustra um caso de ajuste linear a dez pontos experimentais. A diferen ca entre os tr es gr acos e o valor adotado para a incerteza experimental, nesse caso tomada como a mesma para todos os dados. O gr aco ` a esquerda mostra a situa ca o em que a incerteza e muito menor que a dispers ao das medidas em torno da reta ajustada. Apenas tr es medidas se encontram a menos de 1 da reta (i.e. 30%, n umero ligeiramente abaixo dos esperados 68% 24%), e pelo menos tr es medidas se encontram a mais de 3 de dist ancia, um n umero (30%) claramente exagerado (existem tantos pontos pr oximos da reta quanto longe, em unidades de !). A reta de ajuste indica incerteza subestimada. 10

M etodos gr acos

No meio, vemos a situa ca o equilibrada em que as dist ancias dos pontos experimentais ` a reta, retativas a , s ao compat veis com a estat stica gaussiana. Metade dos dados toca a reta dentro da incerteza, e nenhum se encontra a mais de 3 de dist ancia (o que e esperado para 10 dados). Esse e um exemplo de um bom ajuste de dados com incerteza apropriada. Mais ` a direita, nada menos do que todos os pontos experimentais tocam a reta dentro do intervalo de 1 . Esse caso corresponde ` a incerteza superestimada, pois a dispers ao do conjunto de dados e perceptivelmente menor que a incerteza de cada dado. Nesse caso, de forma equivalente, e correto dizer que a melhor reta deve estar mal determinada (note que os pontos extremos s ao compat veis entre si dentro de apenas 2 !). A tend encia do conjunto de fato indica uma rela ca o linear, mas seria desej avel nesse caso obterem-se mais dados experimentais (e mais distantes).

3.4

Propaga c ao de incerteza entre eixos

comum que n E ao apenas a quantidade medida yn , mas tamb em xn , possuam incerteza de medida. Nesse caso, e preciso considerar essa fonte de erro na an alise gr aca do ajuste. A forma mais simples de lidar com a incerteza em xn e propag a-la para yn utilizando o pr oprio ajuste linear como estimador. A ideia e quanticar o quanto a incerteza em xn , conforme projetada pela reta de ajuste, inuencia yn .

Figura 6: Propaga ca o de incerteza de xn para yn utilizando a reta ajustada. De acordo com a gura 6, a incerteza y correspondente ` a proje ca o de x e dada por y = x sin = x tan . cos (27)

Como tan e a derivada da reta ajustada y (x), segue que y = x dy . dx (28)

Se as fontes de incerteza em xn e yn s ao independentes, podemos comp o-las conforme a prescri ca o 11

F sica Experimental 1

usual para obter a incerteza total y,T em yn como y,T = =


2 + 2 y y

2+ y x

dy dx

(29)

Essa express ao vale para qualquer fun ca o de ajuste (desde que a incerteza seja muito menor que a escala de varia ca o da fun ca o no ponto a que ela se refere). Para o caso da reta, obtemos y,T =
2 + A2 2 . y x

(30)

A incerteza total y,T e aquela a ser utilizada no gr aco de xn versus yn em vez de y . Caso a incerteza varie muito entre dados diferentes, e preciso utilizar a rela ca o acima para cada ponto experimental.

Pap eis monolog e dilog

Para transformar leis de pot encia e exponenciais em rela co es lineares, zemos at e aqui as trocas de vari aveis tomando explicitamente os logaritmos dos valores medidos para represent a-los num gr aco comum, i.e. com eixos graduados em escala linear. De forma totalmente equivalente, e poss vel j a preparar o eixo do gr aco em escala logar tmica e representar os valores de medida nos pontos apropriados conforme indicados pelos eixos, sem a como deformar a superf necessidade de se realizar v arios c alculos tediosos. E cie do papel! Com essa ideia de facilitar a convers ao, foram criados os pap eis dilog (ou log-log) e monolog, que possuem eixos graduados em escala logar tmica na base 10. Basta ler os r otulos dos eixos e representar o ponto experimental no valor correspondente. Por assim dizer, o eixo tira o logaritmo para voc e de forma a representar o ponto no local correto do papel. ` esquerda, A gura 7 ilustra tr es poss veis representa co es gr acas de uma fun ca o exponencial. A a fun ca o e representada num gr aco com escalas lineares, i.e. x versus y . No gr aco do meio, zemos a convers ao da Eq. (10) explicitamente, calculando Y = log y e colocando seu valor no mesmo tipo de gr aco linear do exemplo anterior. Representamos, portanto, x versus Y em escalas lineares. ` direita, utilizamos um papel monolog na representa A ca o da mesma fun ca o exponencial. Em vez de realizar contas tediosas, lemos diretamente nas escalas dos eixos os valores correspondentes a x e y , e assim representamos novamente x versus y , por em dessa ver com um dos eixos com escala alterada por constru c ao pelo logaritmo. 12

M etodos gr acos

Figura 7: Esquerda: fun ca o exponencial representada em gr aco comum, com eixos em escala linear. Centro: mesma fun ca o no mesmo tipo de gr aco com a transforma ca o da Eq. (9). Direita: fun ca o exponencial representada em gr aco monolog.

Figura 8: Esquerda: par abola representada em gr aco comum, com eixos lineares. Centro: mesma fun ca o com a transforma ca o da Eq. (6). Direita: representa ca o em gr aco dilog.

O mesmo vale para o papel dilog (Fig. 8), em que ambos os eixos s ao graduados em escala logar tmica. Note como o espa camento entre pontos varia com a forma de se escalonar os eixos, se linear ou logar tmica. Isso ocorre por causa da propriedade do logaritmo de que a multiplica c ao do valor por uma constante implica na soma de uma constante a seu logaritmo. Essa propriedade especial permite representar de forma compacta no gr aco grandes varia c oes (ordens de grandeza) das quantidades medidas. No gr aco linear, o espa camento entre pontos corresponde diretamente ` a diferen ca entre valores medidos. J a no gr aco com escala log, o mesmo peda co de papel e ocupado por cada d ecada, isto e, valores de 1 a 10 ocupam a mesma area do papel que valores entre 10 e 100, e assim por diante. Para se obter separa co es iguais entre pontos medidos no papel log, e preciso realizar medidas a intervalos obtidos pela multiplica c ao por uma constante. Por exemplo, um gr aco log com espa camento uniforme entre pontos seria obtido medindo-se y para x com valores escolhidos como na sequ encia x0 , 2x0 , 4x0 etc, desde que y e x estejam relacionadas por uma lei de pot encia (gr aco dilog) ou fun ca o exponencial (monolog). 13

F sica Experimental 1

4.1

Interpretando gr acos log

A escala logar tmica do gr aco log nos impede de empregar uma r egua para medir diretamente preciso nesse caso fazer do gr aco diferen cas de valores (uma vez que o papel foi deformado). E sempre uso da escala dos eixos, bastando ler o valor de cada ponto na escala. Da mesma forma, o procedimento para determinar os par ametros da reta ajustada visualmente precisa passar pela convers ao fornecida pela escala. Em gr acos monolog, o coeciente linear da reta e extra do estendendo-a at e o eixo x = 0 e lendo-se diretamente o valor de interse ca o na escala. O coeciente B e o logaritmo desse n umero, como vimos. Em gr acos dilog, o mesmo procedimento e realizado para o eixo x = 1. Para o coeciente angular, o melhor e escolher dois pontos distantes em que a reta encontre a interse c ao entre linhas verticais e horizontais da grade logar tmica. Para esses pontos e poss vel ler facilmente seus valores x e y na escala. O coeciente angular e calculado da forma usual, com o cuidado de utilizar o logaritmo do valor lido quando necess ario.

Quest oes sobre o material did atico devem ser endere cadas no momento ao Prof. Alessandro S. Villar, no e-mail villar@df.ufpe.br.

14