Escolar Documentos
Profissional Documentos
Cultura Documentos
TEORIA DE ERROS
MEDIDAS E GRFICOS
Prof. Carlos R. A. Lima
NDICE
CAPTULO 1 - PRINCPIOS BSICOS DA ESTATSTICA -------------------------------------------------------------------------------- 03
1.1- Introduo ---------------------------------------------------------------------------------------------------------------------------- 03
1.2- Apresentao de resultados ---------------------------------------------------------------------------------------------------- 03
1.3- Anlise das mdias ---------------------------------------------------------------------------------------------------------------- 04
1.3.1- A mediana ------------------------------------------------------------------------------------------------------------------------- 05
1.3.2- O modo ----------------------------------------------------------------------------------------------------------------------------- 05
1.3.3- A mdia harmnica ------------------------------------------------------------------------------------------------------------- 05
1.3.4- A mdia geomtrica ------------------------------------------------------------------------------------------------------------ 05
1.3.5- A mdia aritmtica -------------------------------------------------------------------------------------------------------------- 06
1.4- Anlise da disperso -------------------------------------------------------------------------------------------------------------- 06
1.4.1- O desvio mdio ------------------------------------------------------------------------------------------------------------------ 06
1.4.2 - O desvio padro ---------------------------------------------------------------------------------------------------------------- 06
1.5- Curvas tericas de distribuio estatstica ---------------------------------------------------------------------------------- 07
CAPTULO 2 - A DISTRIBUIO NORMAL OU GAUSSIANA --------------------------------------------------------------------------- 09
2.1- Introduo ---------------------------------------------------------------------------------------------------------------------------- 09
2.2- A disperso e a distribuio normal ------------------------------------------------------------------------------------------ 10
2.3- Intervalos de Confiana ---------------------------------------------------------------------------------------------------------- 12
CAPTULO 3 - DISTRIBUIO ESTATSTICA DE STUDENT --------------------------------------------------------------------------- 14
CAPTULO 4 - MEDIDAS E ERROS -------------------------------------------------------------------------------------------------------17
4.1 - Grandezas Fsicas e Padres de Medida ------------------------------------------------------------------------------------17
4.2- Classificao dos Erros ------------------------------------------------------------------------------------------------------------18
4.3- Algarismos Significativos ----------------------------------------------------------------------------------------------------------18
4.4- Propagao de Erros ---------------------------------------------------------------------------------------------------------------20
CAPTULO 5 - CONSTRUO DE ESCALAS E GRFICOS ---------------------------------------------------------------------------- 23
5.1- Introduo -----------------------------------------------------------------------------------------------------------------------------23
5.1- Escala Linear -------------------------------------------------------------------------------------------------------------------------23
5.2- Escala Logartmica -----------------------------------------------------------------------------------------------------------------24
5.3- Papeis monolog e loglog ----------------------------------------------------------------------------------------------------------25
5.4- Grficos --------------------------------------------------------------------------------------------------------------------------------27
5.4.1- Introduo --------------------------------------------------------------------------------------------------------------------------27
5.4.2- Construo de grficos----------------------------------------------------------------------------------------------------------27
5.4.3- Relaes lineares-----------------------------------------------------------------------------------------------------------------29
5.4.3.1- Mtodo Grfico -----------------------------------------------------------------------------------------------------------------29
5.4.3.2- Mtodo dos Mnimos Quadrados ------------------------------------------------------------------------------------------29
5.4.4- Grficos de Funes No- Lineares -----------------------------------------------------------------------------------------31
5.4.4.1- Funes Polinomiais ----------------------------------------------------------------------------------------------------------32
5.4.4.2- Funes Exponenciais -------------------------------------------------------------------------------------------------------33
5.4.4.3- Uso de papis loglog para linearizar funes polinomiais-----------------------------------------------------------34
5.4.4.4- Uso de papis monolog para linearizar funes exponenciais-----------------------------------------------------36
REFERNCIAS --------------------------------------------------------------------------------------------------------------------------------37
Preciso e inexato
Preciso e exato
Impreciso e exato
Impreciso inexato
Fig. 1.1- Possveis pontos atingidos em um alvo ilustrando a diferena entre preciso e exatido
O aspecto importante que se deve enfatizar aqui que se pode ter uma amostra de grande preciso, mas no
necessariamente de grande exatido. Essa condio peculiar pode ocorrer, por exemplo, quando um bom
experimentador utiliza instrumentos que estejam descalibrados.
1.2- Apresentao de resultados
possvel perceber que amostras retiradas de uma determinada populao devem seguir uma determinada
distribuio. Seja, por exemplo, uma amostra contendo um conjunto de dados representados pelas idades de
32 pessoas de uma determinada cidade, organizadas em ordem crescente de magnitude como mostra a Tab.
1.1(a). Nota-se que algumas pessoas podem ter a mesma idade e o que se busca a mdia de idades que
compe essa amostra. Pode-se construir uma distribuio de freqncia com os dados dessa amostra
separando-os em sete diferentes subgrupos. As freqncias de dados em cada subgrupo podem ser
distribudas como mostra a Tab. 1.1(b).
32
37
41
43
43
48
50
51
51
53
55
57
57
60
61
63
64
64
68
69
69
71
75
75
76
77
78
82
88
88
91
94
Subgrupos
30-39
40-49
50-59
60-69
70-79
80-89
90-100
Freqncia
II
IIII
IIIIIII
IIIIIIII
IIIIII
III
II
(a)
Total
2
4
7
8
6
3
2
(b)
Tab. 1.1- (a) Tabela de idades das pessoas consultadas, e (b) Distribuio de freqncias de idades em sete
subgrupos.
10
10
Freqncia
Freqncia
A vantagem da distribuio de freqncia sobre a tabela de dados na exposio de uma tendncia clara a um
certo valor central. Essa tendncia pode ser melhor apresentada numa forma grfica denominada de
histograma como mostra a Fig. 1.2 (a). As informaes apresentadas no histograma, juntamente com a tabela
de distribuio de freqncias, podem ser transcritas numa outra forma grfica denominada de polgono de
freqncias como mostra a Fig. 1.2 (b). Em ambos os grficos nota-se claramente uma tendncia central para
determinados valores da tabela de dados.
0
0
20
40
60
Idades
(a)
80
100
0
0
20
40
60
80
100
Idades
(b)
Fig. 1.2- (a) Histograma das idades das pessoas e, (b) Polgono de freqncias.
Os dados podem ser ainda plotados na forma de um diagrama de freqncias relativas. Nesse caso, as
freqncias que aparecem nas abscissas do histograma, ou no polgono de freqncias, devem ser divididas
pelo nmero total de dados, que no caso 32. A escala vertical passa a ser a ocorrncia relativa, ou percentual
do total.
1.3- Anlise das mdias
Existem vrias formas de se escrever um valor mdio de um grupo de dados que compe uma amostra, sendo
que, as mais importantes [01] so: A mediana, o modo, a mdia harmnica, a mdia geomtrica e a mdia
aritmtica. A inteno, de qualquer uma dessas definies, gerar um valor representativo associado a todos
os dados de uma determinada amostra.
1.3.1- A mediana, um valor central entre os dados que compe a amostra. Metade dos dados est acima
desse valor e a outra abaixo, no sendo necessariamente, o meio caminho entre o maior e o menor valor. Seja,
por exemplo, os salrios anuais em dlares, de cinco professores de uma determinada Universidade Brasileira,
mostrados na Tab. 1.2.
Professor
Salrio (US$)
1
10000,00
2
11000,00
3
12000,00
4
12500,00
5
25000,00
xH
(1.1)
1 x
i 1
onde xi so os valores de cada um dos dados da amostra e n o nmero total desses dados.
1.3.4- A mdia geomtrica, utilizada para medidas que crescem como uma progresso geomtrica, ou
crescem proporcionalmente a um determinado valor. Essas estimativas so representativas quando seguem a
seguinte equao:
xG
x
i 1
n x1 x2 ......xn
(1.2)
Seja, por exemplo, o crescimento anual da populao de uma pequena cidade do interior do Estado de Minas
Gerais, como mostra a Tab. 1.3.
ano
1998
1999
2000
2001
2002
populao
29894
31422
32527
33349
34681
crescimento
1528
1105
822
1332
1,0511
1,0352
1,0253
1,0399
Tab.1.3- Dados de crescimento populacional de uma pequena cidade do interior do Estado de Minas Gerais.
De acordo com a eq. (1.2), a taxa mdia de crescimento da pequena cidade, ser:
1.3.5- A mdia aritmtica, a mais utilizada para a determinao de valores mdios e, obtida simplesmente
da razo entre a soma dos valores e o nmero total n de todos os dados de uma amostra, isto
n
i 1
(1.3)
Sempre que o nmero de dados da amostra tiver um tamanho relativamente grande, a utilizao da mdia
aritmtica ser mais indicada para obteno de mdias representativas.
1.4- Anlise da disperso
O grau de confiabilidade, ou preciso, de uma amostra, pode ser estimado utilizando-se a definio de
disperso. A disperso uma medida das flutuaes de todos os dados de uma amostra em torno do valor
mdio. As formas mais importantes de se representar a disperso de uma amostra so feitas por meio das
06definies de desvio mdio e desvio padro [01].
1.4.1- O desvio mdio
mdio, isto
x ,
x
i 1
(1.4)
importante que o valor absoluto x i x seja utilizado, pois, se assim no fosse, ter-se-ia:
x x x
i
nx
x x 0
n
(1.5)
Por se pouco representativo das verdadeiras flutuaes que, em geral, ocorrem nas amostras tpicas, o desvio
mdio raramente utilizado para a estimativa de um resultado estatstico.
1.4.2 - O desvio padro x , a raiz mdia quadrtica, ou RMS (Root Mean Square), das flutuaes de cada
dado da amostra em relao ao valor mdio, isto ,
*
x*
x
i 1
(1.6)
O desvio padro tem uma melhor representatividade das verdadeiras flutuaes que, em geral, ocorrem nas
amostras tpicas e, por causa disso, mais freqentemente utilizado em clculos estatsticos.
importante notar, que:
n
uma vez que,
nx 2 e
x
x
n
2
i
2 xi x x 2
n
x
n
2
i
2 x xi
x
n
x
n
2
i
x2
x*
2
i
x2
2
1
1
n xi2 n 2 x 2
n xi2 xi
n
n
(1.7)
x
uma vez que, x i .
n
1,0
1,0
0,6
0,4
0,6
0,4
0,2
0,2
0,0
0,0
0
10
1,0
10
1,0
0,8
N=
Intervalo=0,0
0,8
N=100
Intervalo=0,1
0,6
Freqncia
Freqncia
N=20
Intervalo=0,5
0,8
N=2
Intervalo=1
Freqncia
Freqncia
0,8
0,4
0,2
0,6
0,4
0,2
0,0
0
10
0,0
0
10
Fig. 1.3- Efeito do aumento do nmero de dados de uma amostra sobre a morfologia do histograma
correspondente.
A funo de distribuio terica tem a vantagem de poder ser tratada analiticamente. Essa funo identifica a
populao de todos os dados possveis (mas no os valores verdadeiros) e, a partir do conhecimento de suas
propriedades, obtm-se informaes sobre a credibilidade de todo o processo de medida. Na verdade, uma
amostra finita, associada a uma determinada populao , em geral, suficiente para se chegar s propriedades
da funo de distribuio correspondente.
No existem muitas funes matemticas que se comportam morfologicamente como a funo de distribuio
mostrada na ltima seqncia da Fig. 1.3. Dentre as poucas funes considerveis, podem ser destacadas as
distribuies, Binomial, Poisson e Gaussiana ou normal [01] .
A distribuio Binomial, utilizada em situaes em que se disponha somente de eventos binrios. Por
exemplo, determinao do nmero de moedas que do cara ou coroa, quando algumas delas so jogadas para
cima um certo nmero de vezes.
A distribuio de Poisson, utilizada em situaes em que os eventos so independentes e que cada um
deles no influencia os outros. Por exemplo, determinao do nmero de automveis que passam por um
determinado ponto de uma avenida por unidade de tempo em diferentes momentos do dia.
A distribuio Gaussiana ou Normal, a distribuio que inspirou os resultados de disperso discutidos na
seo 1.4, vlidos para sistemas genricos de uma nica populao e que, por isso, vale a pena considera-la
com mais detalhes, como se faz no Captulo 2.
1
y
e
2
onde, ymx 1
, z
x 2
2 2
2
1
e 2 ymx e z 2
2
(2.1)
, y a
ymx
ymx e 1 2
(a)
ymx
ymx e
1 2
z
-4
-2
68,27%
A Tab. 2.1 mostra a percentagem da rea total
abaixo da curva normal para diferentes valores de
z , positivos ou negativos, a partir da origem
( z 0 ).
95,45%
99,73%
(b)
z
Frao Percentual
de rea
0,0
0,5
1,0
1,5
2,0
2,5
3,0
3,5
0,00% 19,15% 34,13% 43,32% 47,72% 49,38% 49,86% 49,98%
Tab. 2.1- Percentagem da rea total abaixo da curva normal para diferentes valores z ou
origem z 0 .
z a partir da
A utilizao da Tab. 2.1 pode ser ilustrado com um exemplo de uma populao normal de mdia
150 unid. e desvio padro 10 unid. . Para se determinar a proporo de observaes entre
x1 135 unid. e x2 175 unid. , obtm-se primeiro, os valores correspondentes da varivel z , isto ,
z1
z2
135 150
15
1,5
10
10
175 150
25
2,5
10
10
De acordo com a Tab. 2.1, entre z 1,5 e z 0 , tem-se uma frao percentual da rea total abaixo da
curva normal de 43,32% e, entre z 0 e z 2,5 , tem-se uma frao de 49,38% dessa mesma rea.
Assim, a frao total no intervalo entre z 1,5 e z 2,5 43,32% 49,38% 92,70% . Em outras
palavras, 92,70% da rea da distribuio normal cai dentro do intervalo entre x 135 unid. e 175 unid. .
2.2- A disperso e a distribuio normal
Como mencionado anteriormente, a anlise das propriedades de uma populao requer estimativas de
razovel assumir que as melhores estimativas para esses parmetros so: valor mdio x e desvio mdio
x* , dados nas eqs. 2.3 e 2.6, respectivamente. De fato, x a melhor estimativa para , no entanto, x*
no a melhor estimativa para . Na verdade, a melhor estimativa de , :
n
x*
A quantidade
n
x*
n 1
i 1
(2.2)
n 1
n
denominada de fator de correo de Bessel que pode ser obtida comparando valores
n 1
Uma justificativa da representatividade da correo de Bessel para a populao, pode ser verificada quando se
utiliza uma amostra composta apenas por uma nica medida, por exemplo, x1 5,0 unid. . Nesse caso, o
valor mdio x 5,0 unid. e o desvio padro
x
*
x* , :
x1 x
1
5,0 5,0
1
10
Populao
Pai
1
0
x
x*
1 1
0
*
Amostra 1
x * x*
Amostra 2
Amostra 3
Distribuio
das amostragens
x ,
x .
obtida em termos do
(2.3)
O conceito de distribuio de amostragens correto para grandes ou pequenas amostras, desde que a
populao pai seja do tipo Gaussiana. O erro padro x de uma distribuio de amostragens pode ser utilizado
para se encontrar o nmero de observaes necessrias para gerar uma mdia com determinado grau de
confiana.
11
Erro Padro
0
0
10
20
30
40
Nota-se que o erro padro cai lentamente com o aumento de n . Assim, aumentar o valor de n no uma
forma apropriada de melhorar o grau de confiana de um resultado experimental. Para alcanar esse objetivo,
comum optar pelo uso de instrumentos de maior preciso. No processo de execuo de um grande nmero de
medidas com um determinado instrumento, observaes repetidas podem ocorrer com maior freqncia. Nesse
caso, os erros aleatrios sero menores do que a escala mais fina de leitura do instrumento de medida. A
repetio de uma medida uma conseqncia da limitao da preciso do instrumento de medida, associada a
sua sensibilidade.
2.3- Intervalos de Confiana
A credibilidade de um determinado processo de medida est vinculada a um denominado intervalo de
confiana que pode ser estimado por tcnicas padres de estatstica [01] . Um intervalo de confiana, para uma
determinada amostra estatstica, pode ser estimado calculando-se a probabilidade de que, um certo intervalo
x x sobre a mdia x da amostra, inclua a mdia da populao, como ilustra a Fig. 2.4.
n.
12
Para uma medida particular, no se sabe os valores dos parmetros e . O que se procura, na verdade,
encontrar uma estimativa das magnitudes desses parmetros a partir de informaes extradas de uma
distribuio de amostragens. Como a distribuio de amostragens tem uma morfologia Gaussiana, como na
Fig. 2.1(b), pode-se afirmar que a mdia para a populao tem uma probabilidade de 99,73% de estar
dentro do intervalo de confiana x 3 x x 3
x z
(2.4)
onde z pode ser obtido de tabelas construdas a partir de forma padro da distribuio normal para diferentes
nveis de probabilidade ou, nveis de confiana como so conhecidos. Utiliza-se tambm o termo nveis de
significncia, para a diferena percentual entre 100% e o nvel de confiana. A Tab. 2.2 mostra alguns
valores tpicos de z juntamente com os respectivos nveis de confiana e significncia.
z
Nvel de Confiana (%)
Nvel de Significncia(%)
3,30
99,90
0,10
3,00
99,73
0,27
2,00
95,45
4,55
1,96
95,00
5,00
1,65
90,00
10,00
1,00
68,27
31,73
Tab. 2.2- Valores tpicos de z juntamente com os respectivos nveis de confiana e significncia.
Para se perceber o efeito do nvel de confiana, ou significncia, considere o exemplo de uma amostra que
representa um conjunto de medidas, com as seguintes caractersticas:
x 12
Nvel de Significncia
31,73%
4,55%
0,27%
Grandeza G
345 2 unid.
345 4 unid.
345 6 unid.
Tab. 2.3- Nveis de confiana e significncia para uma amostra com n 36 ; x 345 unid. e
12 unid. .
A eq. (2.4) pode ser utilizada para estimar o tamanho n necessrio de uma amostra para gerar uma mdia x
de credibilidade especificada. Por exemplo, suponha que se deseja estabelecer um intervalo de confiana
x 5 unid. , de cada lado em torno da mdia x , com nvel de significncia de 5% para a mdia da
populao, quando se utiliza um instrumento de preciso correspondente a 12 unid. Para se obter o
tamanho n da amostra necessrio para que isso ocorra, deve-se notar da Tab. 2.2 que, z 1,96 para o nvel
de significncia de 5% . Assim, da eq. (2.4), tem-se:
5 1,96
12
n 4,7 n 22
n
Em outras palavras, para uma amostra contendo, pelo menos, 22 unidades tm-se 95% de chance de que a
mdia da populao caia dentro de um intervalo de 5 unidades de cada um dos lados, em torno da mdia
x , da referida amostra.
13
calcular o erro padro da distribuio de amostragens das mdias x das amostras por
lo para estimar o intervalo de confiana por meio do parmetro x z
, adota-se:
n e, ento, utiliz-
[01]
x t
x
t
n
*
x
i 1
(3.1)
n n 1
onde t representa um fator que corrige as distores promovidas pelas amostras de poucas medidas. Se
essas amostras so obtidas de uma populao de distribuio normal, cujo valor mdio , o fator t deve ser
tal que
caia, pelo menos, nos extremos do intervalo x x como ilustra a Fig. 3.1(a). Segundo essa figura,
x
x*
t2
f t Y0 1
n 1
n 2
t2
Y0 1
(3.2)
(3.3)
onde Y0 uma constante que tem uma dependncia com n de modo que a rea abaixo da curva f t t
seja unitria, e n 1 denominado grau de liberdade da distribuio estatstica. A Fig. 3.1(b) mostra o
perfil da distribuio de Student, ou distribuio t como tambm chamada, para vrios valores de . Notase que a distribuio t de Student aproxima-se da distribuio normal, isto da funo parametrizada por z , a
medida que aumenta.
Seja o exemplo de medidas de uma certa entidade com as seguintes caractersticas: n 26
x 345 unid. e x 15 unid. Para um nvel de confiana de 90%, de acordo com a Tab. 3.1, t 1,71
para n 1 25 , assim:
*
1,71 15
5,03 unid.
26
Com esse exemplo, pode-se dizer que existe uma probabilidade de 90% para que a mdia
da populao
14
0,5
(Dist. Normal)
0,4
f(t)
0,3
5
1
0,2
0,1
0,0
-5
-4
-3
-2
-1
t
(b)
(a)
Fig. 3.1- (a) Condio limiar para determinao do fator t e, (b) Distribuies t para vrios valores de .
A Tab. 3.1 mostra valores de t para diferentes valores de graus de liberdade e de nveis de confiana [01] .
1
2
3
4
5
10
15
20
25
30
60
120
t0 ,99
t0 ,95
t0 ,90
t0 ,60
t0 ,50
t0 ,40
63,66
9,92
5,84
4,60
4,03
3,17
2,95
2,84
2,79
2,75
2,66
2,62
2,58
12,71
4,30
3,18
2,78
2,57
2,23
2,13
2,09
2,06
2,04
2,00
1,98
1,96
6,31
2,92
2,35
2,13
2,02
1,81
1,75
1,72
1,71
1,70
1,67
1,66
1,65
1,376
1,061
0,978
0,941
0,920
0,879
0,866
0,860
0,856
0,854
0,848
0,845
0,842
1,000
0,816
0,765
0,741
0,727
0,700
0,691
0,687
0,684
0,683
0,679
0,677
0,674
0,727
0,617
0,584
0,569
0,559
0,542
0,536
0,533
0,531
0,530
0,527
0,526
0,524
A eq.(3.1) pode ser utilizada tambm para estimar o tamanho n da amostra necessrio para gerar uma mdia
x com uma credibilidade especificada. No exemplo anterior onde x* 15 unid. , pode-se perguntar, por
exemplo, qual seria o nmero mnimo de dados n , para que a mdia da populao caia dentro de um
intervalo x x , para x 12 unid. , com um nvel de confiana de 99% . Nesse caso, a eq. (3.1), fornece
x
12
t * n
n 0,8 n .
x
15
15
A Tab. 3.2 mostra valores de t para alguns valores de n , calculados por essa equao e obtidos diretamente
da distribuio de Student, como da Tab. 3.1, para um nvel de confiana de 99% .
t calculado
10
11
12
13
14
3,170
3,110
3,060
3,010
2,980
2,530
2,653
2,771
2,884
2,993
Tab. 3.2- Valores de t tabelados para um nvel de confiana de 99% e calculados para x 15
x 12 unid. .
*
unid. e
Em outras palavras, so necessrias pelo menos 14 medidas para que um instrumento de medida, de preciso
estimado de x 15
*
16
grandezas
Fundamentais
Nome
comprimento
massa
tempo
grandezas
Derivadas
dimenso
L
M
T
unidade
smbolo
kg
s
kg
s
Velocidade
L T
Acelerao
L T
m s
Fora
M L T 2
kg m s 2
Newton N
Trabalho
M L2 T 2
N m
Joule J
Potncia
M L T
J s
Watt W
m s
m s
m s
Tab. 4.1- Grandezas fundamentais e derivadas com suas dimenses, unidades e smbolos no Sistema
Internacional de medidas (SI).
Mltiplo
18
10
1015
1012
109
106
103
102
101
101
102
103
106
109
1012
1015
1018
Prefxo
ato
Smbolo
a
fento
pico
nano
micro
mili
centi
deci
deca
da
hecto
kilo
mega
giga
tera
peta
exa
17
indireta a que resulta da aplicao de uma equao matemtica que relaciona a grandeza a ser medida com
outras diretamente mensurveis. Por exemplo, pode-se medir a velocidade v de um carro por meio das
medidas diretas da distncia percorrida x e do intervalo de tempo t , uma vez que v x t .
4.2- Classificao dos Erros
Por mais criteriosa que seja uma medio e por mais preciso que seja o instrumento, no possvel realizar
uma medida exata. Em outras palavras, existe sempre uma incerteza quando se compara uma medida de uma
dada grandeza fsica com sua unidade. De acordo com sua natureza, os erros so classificados [03, 04], como:
sistemtico, grosseiros e acidentais.
Os Erros Sistemticos so provocados por fontes associadas a instrumentao ou ao mtodo de medida
utilizado, e, em princpio, podem ser eliminados ou compensados. Esses erros fazem com que as medidas
estejam sistematicamente acima ou abaixo do valor verdadeiro. Como exemplo de erros sistemticos, pode-se
citar a utilizao de uma rgua graduada numa temperatura de 30 C , mas que foi calibrada a 20
dilatao de sua escala resultar num erro sistemtico em todas as medidas.
0
C.A
Os Erros Grosseiros ocorrem devido a impercia ou distrao do operador. Como exemplos pode ser citados,
uma escolha errada de escalas, erros de clculo, etc.. Esses erros podem ser reduzidos por meio da repetio
cuidadosa das medies.
Os Erros acidentais ocorrem devido a causas diversas e imprevisveis difceis de serem eliminadas. Esses
erros podem ter vrias origens, tais como em relao aos prprios instrumentos de medida, onde pequenas
flutuaes das condies ambientais (temperatura, presso, umidade, etc) afetam os resultados experimentais,
ou em fatores associados ao operador sujeitos as variaes, tais como, viso e audio.
Pode-se dizer que uma medida ter exatido quando os erros sistemticos forem desprezveis e uma medida
ter preciso quando esse for o caso para os erros acidentais.
4.3- Algarismos Significativos
A medida de uma grandeza fsica sempre aproximada, por mais experiente que seja o operador e por mais
preciso que seja o aparelho utilizado. Esta limitao reflete-se no nmero de algarismos que se pode utilizar
para representar uma medida. O procedimento padro a utilizao de algarismos que se tem certeza de
estarem corretos, admitindo-se geralmente o uso de apenas um algarismo duvidoso. Esses algarismos so
denominados de algarismos significativos e a sua quantidade estar diretamente relacionada preciso da
medida. Por exemplo, pode-se dizer que o comprimento assinalado na escala graduada em centmetros da Fig.
4.1 de 4,8 cm . O algarismo 4 correto, porem o algarismo 8 duvidoso. Podia-se ter lido tambm
4,7 cm ou 4,9 cm . O erro que se comete de 0,1 cm e o valor da medida deve ser apresentado como
4,8 0,1 cm . Note que o erro deve afetar somente o algarismo duvidoso da medida.
cm
5
10
Posio da medida
18
algarismos que se referem aos centsimos e milsimos de centmetros. Nesse caso, a maneira correta de
apresentar o erro seria simplesmente x 0,4 cm . No caso da mdia, o algarismo 9 exato, no entanto, o
algarismo 5 duvidoso pois este afetado pelo erro, e, consequentemente, os algarismos 4, 2 e 3 tambm so
duvidosos. Esses algarismos, resultante de um clculo, podem ser utilizados para fazer o devido
arredondamento. Com esse procedimento, a forma recomendada de apresentar a medida referida,
9,5 0,4 cm .
Durante um processo de medida experimental, importante ficar atento as seguintes regras associadas aos
algarismos significativos:
1- Zeros esquerda do primeiro algarismo significativo diferente de zero no so algarismos
significativos. Por exemplo, tanto 25,3 cm como 0,253 m tem a mesma medida e tem 3 algarismos
significativos. Similarmente, pode-se dizer que 2 0,2 10 0,02 10
32 3,2 10 0,32 10
todos
tm
2
algarismos
3
4
0,000531 0,531 10 5,31 10 todos tm 3 algarismos significativos.
2
significativos,
cm tem 3
Para que uma medida seja apresentada com um nmero de algarismos significativos apropriado, muitas vezes
necessrio se fazer um arredondamento do resultado. O arredondamento pode ser feito de diversas
maneiras, porm h uma norma nacional (ABNT NBR 5891:1977) e uma internacional (ISO 31-0:1992, Anexo
B). O arredondamento, de acordo com essas normas, segue as seguintes regras:
a) O ltimo algarismo de um nmero deve sempre ser mantido caso o algarismo descartado seja inferior a cinco
(Exemplo: 423,0012 423,001 ).
b) O ltimo algarismo de um nmero deve sempre ser acrescido de uma unidade caso o algarismo descartado
seja superior a cinco (Exemplo: 245,6 246 ).
c) No caso do algarismo descartado ser igual a cinco, se aps o cinco descartado existirem quaisquer outros
algarismos diferentes de zero, o ltimo algarismo retido ser acrescido de uma unidade (Exemplo:
2,0502 2,1 ).
d) No caso do algarismo descartado ser igual a cinco, se aps o cinco descartado s existirem zeros ou no
existir outro algarismo, o ltimo algarismo retido ser acrescido de uma unidade somente se for impar
(Exemplos: 4,3500 4,4 ; 1,25 1,2 ).
Uma boa sugesto que o arredondamento s se faz uma vez, ou seja, no se deve fazer o arredondamento
do arredondamento. Evite olhar o ltimo algarismo para arredondar o penltimo, em seguida o antepenltimo e
assim por diante at chegar onde se quer. Faa o arredondamento numa nica observao de um algarismo.
Para executar operaes matemticas com algarismos significativos, deve-se primeiro transformar todas as
parcelas para a mesma unidade e seguir as regras abaixo:
1- No caso de soma ou subtrao, o resultado deve ser apresentado somente com um algarismo duvidoso e o
nmero de algarismos significativos vai depender do tamanho dos algarismos duvidosos de cada parcela da
19
operao. Por exemplo, a adio entre as medidas 4,3 cm com 3,37 cm , realizadas com uma escala
graduada em centmetros e outra em milmetro, deve ser executada como segue:
1
4,3 xx cm
3,37 x cm
7 ,7 xx cm
O procedimento adotado na operao acima, utilizando x aps o ltimo algarismo significativo, um artifcio
para representar algarismos desconhecidos, e a adio de um algarismo conhecido com um desconhecido
dar um algarismo desconhecido. A adio de x com 7 ser um algarismo desconhecido que poder ser
maior do que 10 , portanto, haver a possibilidade de um vai um e o segundo algarismo do resultado dever
ser acrescido de uma unidade e ser duvidoso.
Um resultado 4,3 cm 3,37 cm 7,67 cm estaria incorreto do ponto de vista de algarismos significativos,
uma vez que, isso relataria a utilizao de instrumentos de preciso de milmetros quando, na verdade, um dos
instrumentos tinha preciso apenas de centmetros. Deve-se ficar claro que uma operao matemtica no
pode alterar a preciso de uma medida, uma vez que isso no alteraria a preciso do instrumento com o qual
ela foi efetuada.
Outros exemplos interessantes de soma e subtrao com algarismos significativos so os que se seguem:
1
4,041x
0,0498 x
98,00 x
102 ,09 xxx
20,00 x
0,1x
19 ,9 xx
15,421x
0,0003 x
15 ,421xx
2- No caso de multiplicao e diviso, o resultado deve ser apresentado com um nmero de algarismos
significativo igual ao da parcela que tiver o menor nmero de algarismos significativos. Essas operaes podem
ser efetuadas utilizando-se o mesmo artifcio adotado na soma e subtrao, como se pode notar com os
exemplos que se seguem:
8 ,348 x
3,1x
xxxxx
8348 x
25044 x
25 ,8xxxxx
109, xxxx
7,998
13,6
7998 x
30 xxxx
23994 x
7 xxxxx
47988 x
3 xxxxx
20
Normalmente devem-se utilizar valores medidos e afetados por erros para se fazer clculos e encontrar os
valores de outras grandezas indiretas. Nesses casos, importante conhecer como o erro nas medidas diretas
afeta a grandeza final [03, 04]. Suponha que uma quantidade V seja calculada como funo de outras
quantidades x , y , de forma que V V x , y . Suponha que x , y tenham sido determinados n vezes, de
modo, que:
V1 V x1 , y1 , V2 V x2 , y2 , ...., Vi V xi , yi , ...., Vn V xn , yn
Admitindo que o valor mais provvel de V x , y seja V x , y , onde x e y so, respectivamente, os
valores mdios de x e
(4.1)
Esse desvio de Vi pode ser determinado por meio do clculo diferencial, como:
Vi
onde x i xi x , yi yi y . Como
V
V
xi
yi
x
y
i 1
(4.2)
Vi
i 1
V xi , yi
i 1
ou,
V x ,y
i 1
nV x , y
0
n
V V x,y
(4.3)
Vi
n n 1
2
xi
2
2
yi
V i 1
V i 1
V
x n n 1 y n n 1
x
2
xi yi
V i 0
y n n 1
ou ainda
2
V
2
2
V
V V
V
y 2 xy
x y
x
x
x y
y
2
(4.4)
onde
21
xy
n
1
xi yi
n n 1 x y i 1
(4.5)
denominado de coeficiente de correlao [04], cujo valor depende do tipo de erro que se comete. Quando os
desvios em x e em y so independentes, o somatrio presente na eq. (4.5) anula-se resultando em xy 0 .
Isso pode ocorrer, por exemplo, na determinao da velocidade de um corpo por meio de medidas de tempos e
distncias. Se a medida da distncia for menor que a verdadeira, isso no implica, necessariamente, que a
medida do tempo tambm o seja, uma vez que elas foram feitas com instrumentos diferentes. Nesses casos, a
eq. (4.4), torna-se:
2
V
2
2
V
V
y
x
x
y
2
(4.6)
Os erros independentes so mais freqentes do que os correlacionados, quando uma correlao conhecida,
ou suspeitada, entretanto, deve-se calcular xy utilizando-se a eq.(4.5).
A generalizao da eq. (4.6) funes de mais de duas variveis imediata. Se a quantidade V for calculada
V
2
2
2
V
V
V
y
x
z ....
x
z
y
2
(4.7)
Do ponto de vista prtico, para os casos em que a quantidade V V x , y , quando se sabe as quantidades
Operao
Adio
Subtrao
Multiplicao
Diviso
Relao
x x y y x y x y
x x y y x y x y
x x y y x y x y y x
x x x 1 x y y x
y y y y 2
22
L
gx
(5.1)
O valor de
1 cm
1
10 m cm unid. 1 , 0,5 , 0,4 , ou, 0,2 10 m cm unid.
m
a 10 unid. a
ou, escrevendo
1
a e m n , obtm-se M a 10 n cm unid. , com
a
1
a 1, 5, 4, ou 2
a
(5.2)
Os fatores de escala menores que 1 foram multiplicados por 10 que, por sua vez, foram absorvidas pela
n
potncia de dez 10 . A Fig. 5.1 mostra o exemplo de uma escala linear, onde
23
2 cm
3
Energia (J)
O papel milimetrado o tipo de escala mais freqentemente utilizada para representar a relao funcional
entre duas grandezas. Nesse tipo de escala pode-se utilizar 1 milmetro como passo mnimo.
10 n a 10 n 1 ), onde n um nmero inteiro. A Fig. 5.2 mostra como se constri uma escala
n
n
n 1
logartmica na base 10 . Nessa escala, um ponto x 10 , marcado numa dcada entre 10 e 10 .
consecutivas (
Fig. 5.2- Segmento de reta orientado utilizado para construir uma escala logartmica na base 10.
10 n 1 da escala logartmica. Na escala logartmica a razo entre essas distncias e as diferenas dos
logartmos dos pontos correspondentes invariante, isto ,
L10
Lx
n
log10 log10
log x 10 n log10 n
n 1
L10
Lx
n 1
10 log x log10 n log10 n
log
n
10
L10
Lx
log10 log x
ou
log x
Lx
L10
(5.3)
24
A Eq.5.3 permite determinar o logaritmo de qualquer nmero x na base 10 a partir da escala construda.
Similarmente, numa base natural e 2,781.... ,ou mesmo, numa base a qualquer tem-se, respectivamente:
ln x
Lx
Le
log a x
Lx
La
(5.4)
importante mencionar que a origem de uma escala logartmica no precisa iniciar em 10 1 mas deve
iniciar numa potncia de 10 conveniente. Alm disso, como no existe logaritmo de nmeros negativos ou
nulos, esses no podem ser utilizados para construir uma escala logartmica.
0
25
log 2
L2
9, 0 mm
0,30
L10 30,0 mm
L1,48
L10
5 mm
2 1,83
30,0 mm
Os papeis logartmicos podem apresentar diferentes tamanhos, mas, como existe uma mesma correspondncia
entre logaritmos e comprimentos, encontram-se, em todos os casos, os mesmos resultados acima.
5.4- Grficos
5.4.1- Introduo
Um grfico uma curva que mostra a relao entre duas variveis medidas. Quando, em um fenmeno fsico,
duas grandezas esto relacionadas entre si o grfico d uma idia clara de como a variao de uma das
quantidades afeta a outra. Assim, um grfico bem feito pode ser a melhor forma de apresentar os dados
26
experimentais. Podemos dizer que um grfico um instrumento inventado para enxergar coisas que os nossos
olhos s vezes no podem alcanar. Ao realizarmos uma medida sugere-se colocar num grfico todos os
pontos experimentais e traar curvas que se ajustem o mais aproximadamente possvel a esses pontos. A
forma dessas curvas pode auxiliar o experimentador a verificar a existncia de leis fsicas ou lev-lo a sugerir
outras leis no previamente conhecidas.
comum buscar uma funo que descreva apropriadamente a dependncia entre duas grandezas medidas no
laboratrio. Algumas das curvas mais comuns so: linha reta, funes polinomiais, raiz quadrada, funo
exponencial, senos, cossenos, etc.
27
A Fig.5.5 mostra um exemplo de dados experimentais cuja dependncia caracterizada por uma reta. Os
pontos quadrados representam os dados experimentais e sua disperso devida aos erros cometidos durante
a experincia. A linha reta contnua representa a curva que melhor descreve a dependncia linear da grandeza
x com a grandeza y .
n 10 ,
e sua
utilizao requer uma boa dose de bom senso. O mtodo se baseia numa estimativa dos parmetros de uma
reta que melhor se ajusta sobre aos n pontos experimentais, a partir do centro de gravidade x , y desses
b g
1 n
xi
n i 1
1 n
yi
n i 1
(5.6)
28
y , respectivamente.
Uma reta horizontal e uma vertical que passa por este ponto no grfico, definem quatro quadrantes como se v
no exemplo da Fig. 5.6. Neste exemplo, aproximadamente, metade dos pontos experimentais est no terceiro
quadrante e metade no segundo. Para se estimar a reta que melhor se ajusta aos pontos experimentais,
coloca-se a ponta de um lpis sobre o ponto
torno do ponto
x, y
quadrante e a mesma quantidade abaixo no segundo quadrante. A reta traada nessas condies tem uma
inclinao mxima amx com certo desvio padro e o prolongamento dessa reta intercepta o eixo y ,
determinando o coeficiente linear bmin .
1
amx amin
2
1
bmx bmin
2
(5.7)
1
2 n
amx amin
1
2 n
bmx bmin
Caso os pontos experimentais tenham diferentes ponderaes de erros, pode-se seguir o mesmo
procedimento, porm, deve-se levar em conta os pesos relativo de cada ponto. Esses pesos so,
aproximadamente, iguais s inversas das barras de erro de cada ponto.
29
1 n
1 n
2
calculado 2
y
yi axi b
i
i
n i 1
n i 1
f a, b
b minimizem a diferena entre os valores yi medidos e os valores yicalculado xi calculados por essa equao
[16][17]
. Em outras palavras, o que se quer , encontrar valores a e b que satisfaam as condies
f a, b
f a, b 0 , ou
a
b
1 n
2 n
2
f a, b
y
ax
b
yi axi b xi 0
i
i
n a i 1
n i 1
a
1 n
2 n
2
f a, b
y
ax
b
yi axi b 0
i i n
n b i 1
b
i 1
ou ainda
n
yi xi a xi2 b xi 0
i 1
i 1
b nb .
i 1
i 1
yi a xi nb 0
i 1
i 1
n xi yi xi yi
i 1
i 1
n x
2
i
i 1
i 1
F I
G x J
H K
n
i 1
i 1
i 1
xi2 yi xi yi xi
n
n x
2
i
i 1
i 1
F I
G x J
H K
n
i 1
2
(5.8)
i 1
Dividindo, ambos, numerador e denominador, da primeira eq. (5.8) por n e, em seguida, fazendo algumas
manipulaes algbricas, obtm-se:
n
xi yi
i 1
n
1 n
x
i yi
n i 1 i 1
x xi
n i 1
i 1
n
2
i
xi yi x yi
i 1
i 1
2
1
x xi xi
n i 1 n i 1
i 1
n
2
i
xi yi xyi
i 1
i 1
1 n
x
x
n
i
n xi
n i 1
i 1
i 1
n
2
i
30
xi yi xyi
i 1
2
i
i 1
i 1
n
2 xi xi nx 2
i 1
n i 1
n
xi yi xyi
i 1
x
i 1
2
i
i 1
2 x xi x 2
i 1
i 1
i 1
i 1
xi yi xyi
x
n
i 1
2
i
2 xi x x 2
ou,
n
x x y
i 1
n
x x
i 1
(5.9)
2
Dividindo, ambos, numerador e denominador, da segunda eq. (5.8) por n e, em seguida, fazendo algumas
manipulaes algbricas, obtm-se:
2
n
n
n
n x yi n xi yi xi n x yi n xi yi xi yi xi yi xi
i 1
i 1
i 1
i 1 i 1 i 1
i 1
i 1
b i 1 i 1
i 1 i 1
2
2
n
n
n
n
2
2
n n xi xi
n n xi xi
i 1
i 1
i 1
i 1
n
2
i
2
i
ou,
n
n
n
n
x
y
x
y
i i
i
i
n
1 n
i 1
i 1
i 1
1 x y ax
b yi
i
2
n
n i 1
n n i 1
2
n xi xi
i 1
i 1
(5.10)
onde utilizou-se a expresso do coeficiente angular dada na eq. (5.8). As disperses dos coeficientes angular
a e linear b podem ser estimadas a partir da definio de erro padro, discutido no Captulo 2. Isso se faz de
forma criteriosa na Referncia [05] e, o resultado, :
S
n
x x
i 1
b S
x2
n
x x
i 1
(5.11)
2
onde,
S2
1 n
2
yi axi b
n 2 i 1
(5.12)
padro . Isso, em princpio, poderia significar uma sria limitao para a utilizao do mtodo. Entretanto, na
prtica, a varivel dependente x , geralmente pode ser adotada como um dado de referncia cujo erro
regulado por um instrumento de preciso e, a varivel independente y como o parmetro estatstico do
processo de medida. As medidas das posies s de um corpo que se move uniformemente em funo do
31
tempo t um exemplo clssico dessa condio. Nesse caso particular, possvel gerar tabelas onde se
disponha diferentes valores si das posies medidas em funo de intervalos de tempo t predefinidos, como
se v nos exemplos da Fig. 5.7.
s1 m
t s
s2 m
t s
s3 m
t s
s10
0, 00
s20
0, 00
s30
0, 00
s11
1, 00
s21
1, 00
s31
1, 00
s12
2, 00
s22
2, 00
s32
2, 00
s13
3, 00
s23
3, 00
s33
3, 00
Fig. 5.7- Exemplo de valores si das posies medidas em funo de intervalos de tempo
t 1, 00 s
predefinidos.
Desde que os intervalos de tempo nas tabelas sejam gerados por um cronmetro de preciso e que cada uma
dessas tabelas apresenta as variveis estatsticas si com uma mesma distribuio, o mtodo dos mnimos
quadrados poder fornecer uma boa estimativa da relao linear entre as grandezas s e t .
Quando se coleta uma amostra de medidas e se constri um grfico para represent-la, freqentemente
depara-se com funes no lineares. Muitas vezes, essas funes so difceis de serem identificadas com
preciso ou, at mesmo, desconhecidas. Relaes no lineares do tipo 1 / x ou 1 / x podem ser facilmente
confundidas num grfico. Essas dificuldades desaparecem com as funes lineares, pois estas tm
identificaes confiveis. Assim, desejvel lanar os dados de uma amostra num grfico de tal forma que se
obtenha uma dependncia linear. Esse procedimento, denominado de linearizao de grficos, tem como
base a tcnica de mudana de varivel. A linearizao de funes no lineares pode ser efetuada tanto com
escalas lineares ou com escalas logartmicas [03,04]. Grande parte dos fenmenos cientficos investigados na
natureza tem comportamento no linear do tipo polinomial ou exponencial. Na seqncia, ser visto o
comportamento dessas funes, bem como, os mtodos utilizados para lineariza-las com uma simples escala
linear e com as escalas especiais logartmicas.
y kx m
(5.13)
onde k e m so constantes. Aplicando a funo logaritmo a ambos os lados da eq. (5.13), obtm-se:
Y B AX
(5.14)
32
Fig. 5.8- Linearizao de uma funo polinomial na escala linear em um papel milimetrado.
A reta indicada na Fig.5.8 a reta que melhor se ajusta aos pontos marcados no grfico. Como mostrado nessa
mesma figura, os valores dos coeficientes angular A e linear B , podem ser obtidos diretamente da reta
ajustada, como:
A
e
Y log y2 log y1
X log x2 log x1
(5.15)
Os coeficientes A e B poderiam ser obtidos tambm, a partir dos pontos marcados no grfico, utilizando o
mtodo dos mnimos quadrados ou mtodo grfico.
A partir dos valores obtidos de A e B , pode-se determinar a constante k , atravs da relao
expoente m do polinmio diretamente de m A .
k 10 B e o
y ke mx
(5.16)
onde k , m e e 2,781... so constantes. Aplicando a funo logaritmo a ambos os lados da eq. (5.16),
obtm-se:
ou
33
Y B AX
onde,
(5.17)
funo, dada na Eq. (5.17), numa escala linear como, por exemplo, em um papel milimetrado e obter os valores
de A e B diretamente a partir do grfico. Por exemplo, os pontos marcados no grfico da Fig.5.9, so
resultantes do clculo do logartmo dos dados y de uma determinada experincia cujo comportamento
y f x do tipo exponencial.
Fig. 5.9- Linearizao de uma funo exponencial na escala linear em um papel milimetrado.
Novamente, a reta indicada na Fig.5.9 a reta que melhor se ajusta aos pontos marcados no grfico. Como
mostrado nessa mesma figura, os valores dos coeficientes angular A e linear B , podem ser obtidos
diretamente da reta ajustada, como:
A
e
Y log y2 log y1
x2 x1
X
(5.18)
Como antes, os coeficientes A e B poderiam ser obtidos tambm, a partir dos pontos marcados no grfico,
utilizando o mtodo dos mnimos quadrados ou mtodo grfico.
A partir dos valores obtidos de A e B , pode-se determinar a constante k , por meio da relao
expoente m do polinmio diretamente de m A log e .
k 10 B e o
X log x e
Y log y , so ambas logartmicas. Isso significa que quando se constri um grfico dos pares ordenados
x , y diretamente num papel loglog, tem-se como resultado uma reta. Deve-se concluir que o papel loglog
apropriado para linearizar funes do tipo polinomiais. Por exemplo, os pontos marcados no papel loglog da
34
k
Substituindo os pontos
x1 , y1 1,7 , 15
y1 kx1m ,ou:
y1
x1m
(5.19)
m A
3,0
log 5,2 log1,7 0,70 0,23
15
3,1 . Portanto,
1,7 3 ,1
35
x,y
diretamente num papel monolog, tem-se como resultado uma reta. Deve-se concluir
que o papel monolog apropriado para linearizar funes do tipo exponenciais. Por exemplo, os pontos
marcados no papel monolog da Fig. 5.11, so resultantes dos dados x e y de uma determinada experincia
cujo comportamento y f x acredita-se ser do tipo exponencial.
Como antes, a reta indicada na Fig.5.10 a reta que melhor se ajusta aos pontos marcados no grfico e o valor
do coeficiente angular A pode ser obtido diretamente da reta ajustada, escolhendo-se nela dois pontos
arbitrrios
x1 , y1
x2 , y2 ,
diretamente de m A log e .
Pelo mesmo motivo mencionado anteriormente, o valor da constante k pode ser calculado escolhendo-se um
ponto arbitrrio x1 , y1 na reta ajustada. Nesse caso, obtm-se
k
Substituindo os pontos
x1 , y1 0,8 , 35
y1 ke mx1 , ou
y1
e mx1
(5.20)
1,41
2,05 0,80
1,25
36
1,41
A
REFERNCIAS
[01] Gordon M. Bragg, Principles of Experimentation and Measurement, Prentice Hall, inc., Englewood[
[02] David H. Loyd, Physics Laboratory Manual , Secound Edition, Saunders College Publishing , (1997).
[03] M. J. V. Bell, Roteiros Laboratrio de Fsica I , Dep. De Fsica, ICE, UFJF, (2002).
[04] Roberto A. Stempniak, Alguns Aspectos da Fsica da Luz , Escola de Inverno de 11 a 17 de julho de
1999, ITA, So Jos dos Campos SP.
[05] G. L. Squires, Practical Physics , 3rd. edition, Cambridge University Press, Cambridge, 1985.
37