Apostila Física Experimental 1

Curso introdutório de
Fundamentos da Física Experimental
Um guia para as atividades de laboratório
Elaborado por:
Marcia Muller
José Luís Fabris
Novembro de 2008
Fundamentos da Física Experimental Márcia Muller e José Luís Fabris
Prefácio
A idéia original que será abordada neste texto é a de que, por meio de uma Disciplina de
Fundamentos da Física Experimental, sejam desenvolvidas elementos e habilidades da
metodologia científica que possam ser empregados nas mais diversas áreas do
conhecimento. Não se trata de realizar experimentos complexos, mas sim por meio de
montagens simples, criar uma metodologia que possa auxiliar nos problemas
enfrentados no cotidiano quer do professor, do pesquisador ou mesmo da pessoa.
Abordaremos nas páginas seguintes questões relacionadas com a resolução de

problemas, desde a identificação do problema em si, passando pelo estabelecimento das
possíveis técnicas para sua solução, finalizando com a análise dos resultados obtidos e
sua conclusão geral.
Para o desenvolvimento da Disciplina, optamos por um encaminhamento um tanto

diferente dos habitualmente encontrados nos cursos de Métodos de Física Experimental.
A idéia é não fazer uma abordagem dos diversos conteúdos necessários ao curso na
forma de itens fragmentados, mas sim de forma integrada ao longo de todo o trabalho.
Assim, por exemplo, o funcionamento dos instrumentos de medição será abordado à
medida que estes se tornarem necessários. Também procuramos não nos estender
demais abordando diversos instrumentos, mas sim fornecer as bases para compreensão e
extensão do que há de fundamental nestes instrumentos a outros que porventura possam
ser necessários. Os conceitos estatísticos (erro, valor médio, desvio padrão...)
necessários ao tratamento de dados experimentais também serão apresentados segundo a
mesma filosofia. No tocante a questão de gráficos, uma importante ferramenta na área
experimental, procuramos fazer uma abordagem inicial que possibilite a elaboração de
um gráfico otimizado sem softwares especializados. Numa segunda etapa, os recursos
computacionais serão então explorados permitindo um incremento na qualidade dos
resultados obtidos.
Ao concluir esta Disciplina, você deverá estar apto a satisfazer as demandas diversas
não apenas deste Curso de Licenciatura em Física, mas também deverá estar mais
preparado para o desempenho de suas futuras atuações profissionais.
Universidade Tecnológica Federal do Paraná – UTFPR -Departamento de Física 2

Índice
Capítulo 1 - Discussão geral introdutória.....................................................
1.1 - A metodologia científica na Física Experimental..........................................
Capítulo 2 - Medidas e seus erros.............................................................
2.1 - Classificação dos erros................................................................................
2.2 - Tratamentos estatísticos de medidas com erros aleatórios
2.3 - Tratamento de medidas com erros sistemáticos
2.4 - Incerteza padrão e indicação do valor medido
2.5 - Algarismos significativos
2.6 - Arredondamentos
Capítulo 3 - Propagação de incertezas
3.1 - Algumas fórmulas de propagação
3.2 - Estimativas de erros
Capítulo 4 - Gráficos
4.1 - Construção gráfica
4.2 - Ajuste de reta
4.3 - Método da “mão livre”
4.4 - Método dos mínimos quadrados
4.5 - Gráficos em computador
Capítulo 5 - Histogramas
Capítulo 6 - As distribuições Binomial, de Poisson e Gaussiana

Índice de tabelas e figuras

Tabela 1 - Espessura de uma moeda de um real, medida com um paquímetro com
resolução de 0.02 mm.
Tabela 2 - Espessura de uma moeda de um real, medida com um paquímetro com
resolução de 0.02 mm.
Tabela 3 - Frequência de aparição do valor da espessura de uma moeda de um real, ao
longo de 8 medições.
Tabela 4 - Exemplos de arredondamentos de números.
Tabela 5 - Dimensões do corpo de prova empregados, medidos com paquímetro de
resolução de ..... mm.
Tabela 6 - Idade em meses de diversas crianças e os correspondentes dados de altura.
Tabela 7 - Dados obtidos para período do pêndulo em função do comprimento do

mesmo, e valores de período elevado ao quadrado.
Tabela 8 - Valores obtidos yi (distância focal da lente) em mm

Tabela 9 - Tabela para construção do histograma com oito intervalos, obtida a partir dos
dados da tabela 8. O símbolo “├─ “ indica intervalo fechado à esquerda; note que o
valor inicial do primeiro intervalo foi ajustado para englobar o valor mais baixo de yi.
Figura 1 - Boa exatidão (“accuracy”) e precisão ruim.
Figura 2 - Boa precisão e exatidão (“accuracy”) ruim.
Figura 3 - Paquímetro com nônio de 20 divisões.

Figura 4 - Paquímetro simples com nônio de 10 divisões.
Figura 8 - Leitura de uma régua milimetrada.
Figura 9 - Leitura de um paquímetro.
Figura 10 - Deslocamento em função do tempo para um móvel em MRU: (a) símbolos
muito pequenos, sem legendas, sem barras de erros; (b) grandezas sem unidade, má
ocupação do espaço, sem barras de erros; (c) má ocupação do espaço, linha irregular
conectando os pontos; (d) diagramação adequada.
Figura 11 - Reta ajustada aos pontos experimentais do deslocamento em função do
tempo para um móvel em MRU.

Figura 12 - Gráfico representando dados de medições feitas em condições de

reprodutibilidade. A cada ponto experimental está associada uma incerteza estatística
diferente.
Figura 13 - Gráfico representando dados de medições feitas em condições de

repetitividade.
Figura 14 - Tela inicial do programa OriginTM.
Figura 15 - Tela do programa OriginTM com a planilha de dados preenchida.
Figura 16 - Tela de salvamento de dados do programa OriginTM .
Figura 17 - Tela de salvamento de dados do programa OriginTM devidamente preenchida

e com o local de salvamento definido.
Figura 18 - Planilha de dados salvos.
Figura 19 - Planilha de dados com a inclusão de uma coluna adicional.
Figura 20 - Tela que permite inserir dados automaticamente numa coluna.
Figura 21 - Preenchimento da tela que permite inserir dados automaticamente numa

coluna.
Figura 22 - Tela que permite nomear uma coluna de dados.
Figura 23 - Tela da planilha de dados com o nome escolhido para cada coluna.
Figura 24 - Inserindo uma coluna de erros na planilha de dados.
Figura 25 - Planilha de dados com as colunas de erros.
Figura 26 - Planilha de dados com as colunas de erros preenchidas.
Figura 27 - Selecionando as colunas que serão plotadas.
Figura 28 - Gráfico plotado com os dados fornecidos ao programa.
Figura 29 - Procedimento ajustar de uma reta aos dados plotados.
Figura 30 - Tela final mostrando o gráfico ajustado e os erros respectivos.
Figura 31 - Histograma com oito intervalos para os valores medidos da distância focal
da lente.

Figura 32 - Distribuição gaussiana de probabilidades, mostrando o valor médio medido

e o desvio padrão experimental, bem como a relação entre a probabilidade e a área sob a
curva.

Capítulo 1 - Discussão geral introdutória

Este capítulo faz uma abordagem sobre a metodologia que deve ser empregada quando
se realiza um trabalho experimental seja ele, uma simples experiência desenvolvida em
sala de aula, ou um trabalho de pesquisa. Serão apresentadas no transcorrer do capítulo
as formas adequadas de documentar as atividades e os resultados obtidos. As
informações aqui obtidas deverão ser aplicadas na disciplina e futuramente nas
atividades profissionais.
1.1 - A metodologia científica na Física Experimental
A primeira questão que deve se considerada aqui diz respeito à documentação detalhada
de todas as atividades desenvolvidas durante o período letivo. A melhor maneira de se
providenciar tal documentação é por meio do emprego de um caderno de laboratório.
Neste caderno, todas as atividades pertinentes deverão ser anotadas, seguindo o
esquema cronológico da Disciplina. Este caderno poderá ser utilizado como fonte de
consulta individual durante as avaliações, e será ele próprio um dos instrumentos que
permitirá a verificação do desempenho do aluno.
A cada dia, sugere-se a utilização da seguinte sequência de anotações:
Data, Experimento, Equipe
Anote o dia em que o experimento foi realizado, o nome do experimento, e os nomes

dos participantes da equipe encarregada da execução das atividades.
Objetivos
Aqui, de forma sucinta e numerada, deverão ser estabelecidos os objetivos gerais do

experimento. A clara definição destes objetivos permitirá o planejamento e
desenvolvimento de toda a experiência. Os objetivos não devem ser muito extensos nem
em número demasiado, de forma a não dispersar a atenção em atividades e detalhes
desnecessários. Esta parte é de suma importância para o sucesso do experimento, e a ela
deve ser dada a devida atenção.
Materiais e Métodos
Uma vez que se tenha definido o que se deseja com dado experimento, deve-se traçar
um plano de atividades que permita alcançar os objetivos previamente estabelecidos.
Podem compor este item a teoria necessária para a realização do experimento, os

equipamentos e materiais empregados no seu desenvolvimento com respectivos

diagramas das montagens e descrição das características técnicas dos instrumentos,
bem como a descrição dos procedimentos empregados na realização dos experimentos.
Resultados Experimentais
Nesta etapa devem ser apresentados os resultados das medições realizadas durante todo
o transcorrer do experimento. Não se deve apagar ou descartar dados suspeitos de
estarem incorretos; isto pode resultar em dificuldades para a realização de análises
posteriores. Não esqueça que muitos resultados importantes nas mais diversas áreas do
conhecimento humano surgiram de “erros” em experimentos!
Duas importantes ferramentas que podem ser empregadas aqui são as tabelas e gráficos.
Estes são tão importantes que serão discutidos em detalhes mais adiante.
Discussões e Conclusões
Finalmente, tudo que você realizou no experimento deve agora ser considerado. A
interpretação dos dados aponta para alguma característica ou lei? O que se pode
aprender do que foi experimentado? Evite conclusões e discussões que nada somam
como por exemplo “a teoria se verifica na prática” ou “o experimento foi válido”!
Você deve ser capaz de não apenas aprender com sua prática, mas também possibilitar
as outras pessoas compreender o que foi feito, concordar ou discordar das conclusões e
seguir seus passos para refazer o mesmo experimento, eventualmente com uma nova
abordagem ou metodologia.
Tabelas
As tabelas podem ser utilizadas para agrupar séries de dados coletados em

experimentos, bem como resultados de análises estatísticas aplicadas a estes dados.
Deve-se tomar o cuidado para dar um nome a cada tabela, com uma legenda para
facilitar sua compreensão. Esta legenda é normalmente apresentada na parte superior da
tabela. Se for o caso, na tabela deve-se indicar também a unidade da grandeza que está
sendo analisada. Veja exemplos abaixo, onde constam os dados de 8 medições do
diâmetro de uma moeda, realizada com um paquímetro com resolução de 0.02 mm.

Tabela 1 - Espessura de uma moeda de um real, medida com um paquímetro com resolução de 0.02 mm.
Medida Espessura (mm)

1 1.82
2 1.84
3 1.86
4 1.84
5 1.88
6 1.82
7 1.82
8 1.80
Outros formatos de tabela com os mesmos dados podem ser utilizados, dependendo do
espaço disponível para apresentação ou a finalidade a que se destina.
Tabela 2: Espessura de uma moeda de um real, medida com um paquímetro com resolução de 0.02 mm.
Medida no. 1 2 3 4 5 6 7 8
Espessura (mm) 1.82 1.84 1.86 1.84 1.88 1.82 1.82 1.80
Tabela 3 - Frequência de aparição do valor da espessura de uma moeda de um real, ao longo de 8

medições.
Espessura (mm) Frequência
1.80 1
1.82 3
1.84 2
1.86 1
1.88 1
Total 8

Capítulo 2 – Medidas e seus erros

Sempre que realizamos um experimento para medir alguma grandeza o valor medido
deve vir acompanhado de uma unidade, que pode ser expressa no Sistema Internacional
de Unidades de Medida (SI), e do erro correspondente. Independentemente da forma
como a medida é realizada, por mais cuidadoso que seja o processo de medição, o
resultado obtido sempre estará sujeito a um erro experimental.
2.1 - Classificação dos erros
Os erros experimentais podem ser classificados como erros sistemáticos ou erros

aleatórios também chamados de erros estatísticos.
Erros sistemáticos são aqueles gerados por fontes identificáveis e, portanto podem ser
eliminados ou compensados. Os erros sistemáticos numa medida experimental podem
ser resultantes de uma limitação imposta pelos equipamentos usados, de variações de
parâmetros externos que influenciam a grandeza que está sendo medida, bem como da
metodologia empregada pelo operador e de aproximações e simplificações realizadas
para por em prática o experimento. Portanto, o erro sistemático é sempre o mesmo nos n
resultados, ou seja, os resultados são todos desviados para a mesma direção com relação
ao valor real.
Como exemplo, erros sistemáticos podem ser introduzidos em uma medida: pelo uso de
um equipamento descalibrado ou defeituoso (termômetro, cronômetro, paquímetro,
multímetro...), pela variação da temperatura ambiente que afeta uma medida
espectroscópica, pelo posicionamento angular do observador ao visualizar a escala do
equipamento (erro de paralaxe), ou ainda desconsiderando a resistência do ar na medida
da aceleração da gravidade baseada no tempo de queda de um corpo.
Logo, quando o experimento é idealizado deve-se tentar identificar e eliminar o maior

número possível de fontes de erros sistemáticos. A solução está, portanto, no adequado
planejamento do experimento. Os erros sistemáticos fazem com que as medidas feitas
estejam acima ou abaixo do valor real, prejudicando a exatidão ("accuracy") da medida
(ver figura 1).

Figura 1 - Exatidão (“accuracy”) ruim e precisão boa.

Na prática, pode ocorrer que seja dispendioso ou complicado, ou simplesmente
desnecessário reduzir ou corrigir os erros sistemáticos (por exemplo, em experiências
didáticas, onde o maior interesse não é exatamente o resultado final da medição). Neste
caso, os erros sistemáticos não corrigidos ou minimizados são chamados de erros
sistemáticos residuais. Neste texto, adotamos o ponto de vista de que as incertezas
sistemáticas residuais devem ser consideradas como incertezas estatísticas, para
efeito de expressar a incerteza final no resultado de uma medição.
Os erros aleatórios, por sua vez, são provocados por fatores imprevisíveis e causam
flutuações no valor medido mesmo quando a medição é repetida usando os mesmos
equipamentos e empregando a mesma metodologia. É importante salientar que estes
erros ocorrem mesmo numa experiência bem planejada. Os erros aleatórios afetam a
precisão ("precision") da medida (ver figura 2).
Figura 2 – Precisão ruim e exatidão (“accuracy”) boa.

É importante salientar que nem sempre se pode identificar as fontes de erros aleatórios.

Erros aleatórios podem ser introduzidos por flutuações nas condições ambientais:
mudanças não previsíveis na temperatura, voltagem da linha, correntes de ar, vibrações.
Por exemplo, por correntes de ar ou vibrações numa medida de massa usando uma
balança, causadas por passagem de pessoas perto do aparato experimental ou veículos
nas vizinhanças.
Os erros aleatórios podem ser minimizados reduzindo os fatores aleatórios que
interferem no processo de medição. Outra solução para reduzir estes erros consiste na
repetição do experimento, sob as mesmas condições, várias vezes seguida de um
tratamento estatístico dos resultados.
Existem também os erros grosseiros causados por enganos e que, portanto, não podem
ser considerados erros do ponto de vista da teoria de erros. Não é admissível apresentar
resultados que contenham erros grosseiros. Quando houver suspeita da ocorrência de
um erro grosseiro em uma medida esta deve ser repetida, se possível, ou eliminada do
conjunto de dados.
Concluindo, o erro é inerente ao processo de medição e nunca é completamente

eliminado, porém podemos minimizá-lo. Costuma-se dizer que “Não existe medida sem
erro”.
2.2 - Tratamentos estatísticos de medidas com erros aleatórios
Os erros sistemáticos desviam os valores medidos do valor real de uma mesma

quantidade, enquanto que os erros aleatórios produzem uma flutuação dos resultados em
torno do valor real da grandeza e portanto uma distribuição simétrica de erros. Assim, se
as medidas forem realizadas cuidadosamente e com planejamento, sob as mesmas
condições e mantendo a mesma metodologia, buscando desta maneira sempre
minimizar os erros sistemáticos, uma boa estimativa do valor real da grandeza medida é
fornecida pela média aritmética dos valores medidos. Sendo assim, o valor mais
provável da grandeza será:
N
yi
y=∑ (1)
i =1 N
Onde yi é o valor obtido na i-ésima medida, e N é o número total de medidas realizadas.
O valor médio é diferente do valor verdadeiro porém a incerteza associada com o valor
médio é menor que a incerteza para cada um dos valores yi.

Ao se realizar várias medições da mesma grandeza nas mesmas condições, a incidência

de erros aleatórios faz com que os valores medidos estejam distribuídos em torno da
média. Espera-se que o valor médio se torne tanto mais preciso quanto maior for o
número de medidas.
Para uma série de medidas a dispersão, que indica quanto os resultados se espalham em
relação ao valor médio por causa dos erros aleatórios, pode ser calculada a partir do
desvio médio quadrático ou desvio padrão obtido a partir dos resultados experimentais.
Suponha que foram realizadas N medidas de uma grandeza y, que forneceram os

valores y1, y2, y3, ... yN para a grandeza.
Para cada medida calcula-se o desvio com relação ao valor médio:
di = yi − y (2)
A melhor estimativa experimental para o desvio padrão σ (desvio padrão experimental)

será:
1 N
σ≅ ∑ ( yi − y )2 (3)
N − 1 i =1
Ou ainda:
1 N 2 N
σ≅ ∑
N − 1 i =1
yi −
N −1
y2 (4)
A segunda equação é mais fácil de ser resolvida, pois só é necessário calcular o

somatório de yi2 no lugar do somatório de ( yi − y ) .
2
Se fossem realizados k conjuntos de n medições da grandeza , cada conjunto forneceria

um valor médio. Sendo assim, teríamos k valores médios para a grandeza. Estes valores
médios apresentam uma dispersão em torno do valor médio verdadeiro que é fornecida
pelo desvio padrão do valor médio σm.
σm ≅
1 k
∑
k j =1
( y j − ymv )
2
(5)
A melhor estimativa para o desvio padrão do valor médio é:
σ
σm = (6)
N

O desvio padrão do valor médio de uma grandeza é a incerteza final correspondente

aos erros estatísticos nas medições.
Esta estimativa leva em conta a dispersão causada pelos erros estatísticos, contudo,
ainda restam os eventuais erros sistemáticos que devem ser determinados para que o
resultado possa ser corrigido.
2.3 - Tratamento de medidas com erros sistemáticos
O desvio associado aos erros sistemáticos é bem mais difícil de ser avaliado e não existe
nenhum método padrão bem estabelecido para fazer isto. Portanto neste caso o bom
senso do operador é fundamental uma vez que, por mais bem elaborada que seja a
experiência, sempre haverá um erro sistemático residual. Geralmente o limite de erro Lr
é estimado verificando o manual fornecido pelo fabricante dos equipamentos
empregados. Uma relação que pode ser usada para estimar o erro sistemático residual é
apresentada a seguir:
Lr
σr ≅ (7)
2
Esta relação pode ser empregada no caso de uma distribuição gaussiana de erros e um
limite de erro com aproximadamente 95% de confiança.
2.4 - Incerteza padrão e indicação do valor medido
As incertezas estatística e sistemática podem ser combinadas pela expressão a seguir

fornecendo a incerteza padrão σp:
σ p2 = σ m2 + σ r2 (8)
Assim, o valor da grandeza medida é expresso como:
y = y ±σ p (9)
Quando não existem informações suficientes dos equipamentos o limite de erro Lr pode
ser estimado como sendo a menor divisão ou menor leitura fornecida pelo instrumento.
Por exemplo, se uma régua é usada como instrumento de medida o erro estimado com
base na menor divisão da régua será 1 mm.

Exercício 1: A distância focal de uma lente foi medida N=10 vezes usando uma régua
milimetrada. Foram obtidos os seguintes valores em mm: 204,1; 205,3; 208,0; 207,5;
206,3; 205,5; 207,2; 204,8; 208,2; 207,1
Calcular o valor médio y , o desvio padrão experimental σ, o desvio padrão do valor

médio σm, o desvio padrão do erro sistemático σr, a incerteza padrão σp e expressar o
valor médio corretamente.
Paquímetro como instrumento de medição
O paquímetro é um instrumento capaz de medir distâncias com frações de décimos ou

centésimos de milímetros ou polegadas. Isto é possível graças a uma escala adicional
que desliza sobre a régua principal chamada de nônio ou vernier.
medida de diâmetro interno

medida de profundidade
trava
régua
nônio
medida de diâmetro externo
Figura 3 - Paquímetro com nônio de 20 divisões.
Utilizando os bicos, as orelhas ou a haste de medição adequadamente, o instrumento

pode realizar medidas de dimensões externa, interna e profundidade. Existem diferentes
tipos de paquímetros, porém todos apresentam características de funcionamento
semelhantes. O nônio tem n divisões que correspondem a (N-1) divisões da régua
principal. Esta relação pode ser encontrada facilmente quando o nônio é posicionado
sobre a régua de tal forma que a posição dos zeros das duas escalas coincidam.
Suponha, por exemplo, que o nônio tenha 10 divisões que correspondem a 9 divisões da
régua principal. Usando regra de três simples encontramos que uma divisão do nônio
corresponde a 9/10 de divisão da régua ou, que a primeira divisão do nônio é 1/10 mais
curta que a da régua principal.
Assim, se a primeira divisão da régua corresponde a 1 mm, a primeira divisão do nônio

corresponderá a 0,9 mm. Consequentemente, quando os zeros das duas escalas

coincidem, a distância entre o 1 da escala principal e o 1 do nônio é de 0,1 mm, entre o

2 da escala principal e o 2 do nônio é de 0,2 mm e assim por diante. Isso permite que se
meça exatamente até 0,1 mm (a resolução do instrumento), pois a diferença entre a
menor divisão da régua e a menor divisão do nônio é de 0,1 mm.
Quando um objeto é posicionado entre os bicos de medição, a medida L da dimensão do

objeto corresponde a distância entre o zero da régua e o zero do nônio. O valor de L será
o valor expresso em milímetros correspondente ao número de divisões da régua antes do
zero do nônio, somado a fração da menor divisão da régua que falta para o zero do
nônio. Esta fração é obtida encontrando a divisão do nônio que coincide com a da régua
principal e multiplicando pela resolução ou seja, pelo menor valor que pode ser medido.
Exercício 2: Em um paquímetro o nônio tem 10 divisões que correspondem a 9 divisões

da régua principal, sendo que a menor divisão da régua principal corresponde a 1 mm.
Qual é a resolução do instrumento? Quando é realizada uma dada medida o nônio
desliza sobre a régua obtendo-se a leitura da figura abaixo. Qual o valor medido para a
dimensão deste objeto?
a) b)
Figura 4 - Paquímetros simples com nônio de 10 divisões.

Exercício 3: Em um paquímetro, o nônio está dividido em 20 partes, sendo que quando
os zeros da régua principal e do nônio são coincidentes, a 20a divisão do nônio coincide
com a marca de 19 mm da régua principal. Qual será a precisão deste paquímetro?
Exercício 4: Qual a resolução do paquímetro da figura abaixo? Qual a leitura feita no

instrumento?

2.5 - Algarismos significativos
Algarismo significativo em um número pode ser entendido como sendo aquele que
sozinho tem algum significado quando o número é escrito na forma decimal. Portanto,
os zeros a esquerda do primeiro número diferente de zero são algarismos não
significativos.
O número de casas decimais que devem ser apresentadas num resultado experimental é
determinado pela incerteza padrão neste resultado. Não existe uma regra bem definida
para estabelecer o número de dígitos da incerteza padrão, porém podem ser adotadas
algumas regras:
• A incerteza padrão deve ser dada com 2 algarismos quando o primeiro algarismo
na incerteza for 1 ou 2.
• A incerteza padrão deve ser dada com 1 ou 2 algarismos quando o primeiro

algarismo na incerteza for 3 ou maior.
• A incerteza maior do que 99 deve ser escrita usando notação científica ou

trocando as unidades.
A rigor não há problema em escrever a incerteza padrão com mais de 2 algarismos

significativos. No entanto tem-se que analisar se é possível determinar a incerteza com
tal exatidão.
Exemplos: Se o valor calculado da incerteza padrão for 0,132 m, a forma mais adequada
para indicar esta incerteza será 0,13 m ou 13 cm. Se por outro lado a incerteza calculada
for 3,49 cm, ela pode ser indicada como 3,5 cm ou 3 cm. Porém, usando a regra, uma
incerteza calculada levemente diferente da anterior, 3,51 cm por exemplo, pode ser
escrita como 3,5 cm ou 4 cm. Assim, os valores próximos, 3,49 e 3,51, seriam
arredondados para 3 ou 4 que são valores bem diferentes. Este problema desaparece se a
incerteza é indicada com 2 algarismos significativos. Uma incerteza de 800 m deve ser
escrita com notação científica como 8,0 x 102 m ou 8 x 102 m e a incerteza calculada de
0,09623 cm, como 0,096 cm ou 0,10 cm.
Não se deve usar mais do que dois algarismos significativos para expressar a incerteza,
uma vez que é muito difícil de se obter a incerteza com tal precisão.

2.6 - Arredondamentos
Nos exemplos acima ocorreram alguns arrendondamentos após se truncar o resultado. A

necessidade de realizar arredondamentos ocorre frequentemente uma vez que o
resultado obtido após operações realizadas com 2 ou mais quantidades devem ser
escritos com o mesmo número de algarismos significativos. O arredondamento também
deve ser empregado para eliminar algarismos significativos excedentes. Supondo que a
quantidade precisa ser arredondada num dado algarismo X. Por exemplo, a grandeza
...W, YXABC... . O arredondamento deve seguir as seguintes regras:
• Se após o algarismo X tem-se um conjunto ABC entre 000 e 499, este conjunto
deve ser simplesmente eliminado (é o arredondamento para baixo).
• Se após o algarismo X tem-se um conjunto ABC entre 500 e 999, este conjunto
deve ser eliminado e o algarismo X deve ter o seu valor aumentado de 1 (é o
arredondamento para cima).
• No caso X500000..., o arredondamento deve ser tal que o algarismo X seja par
depois do arredondamento.
Tabela 4 - Exemplos de arredondamentos de números.
2,42 2,4
3,789 3,79
4,4499 4,4
5,4500 5,4
5,5500 5,6
Experimento 1: Elabore no seu caderno de laboratório uma descrição do experimento

de acordo com o roteiro a seguir:
Data:______________________
Experimento: Medida das Dimensões de Corpos de Prova Utilizando o Paquímetro
Equipe:_____________________________________________________________
Objetivos:

• Empregar corretamente o paquímetro para determinação das dimensões de

corpos de prova
• Determinar os erros aleatórios e sistemáticos envolvidos no experimento
• Expressar os valores medidos e suas incertezas padrão
Materiais e Métodos:
• Teoria: Serão utilizados os conceitos estatísticos de valor médio, desvio padrão

experimental σ, desvio padrão do valor médio σm, o desvio padrão do erro
sistemático σr e incerteza padrão σp.
• Equipamentos e materiais: Paquímetro com resolução de ..... mm, corpo de

prova com forma ......, feito de .... e com dimensões a serem determinadas.
• Procedimentos empregados: Para cada dimensão do corpo de prova, foram

realizadas 10 medições com o paquímetro.
Resultados experimentais:
Os resultados das medições para cada uma das dimensões do corpo de prova estão
apresentados na tabela 1.
Tabela 5 - Dimensões do corpo de prova empregados, medidos com paquímetro de resolução de ..... mm.
medida Dimensão 1 (mm) Dimensão 2 (mm) .....
10

Cálculos: Com os dados da tabela 1, foram encontradas as grandezas estatísticas

associadas, para cada dimensão medida. (Apresentar os resultados e expressar os
valores medidos com as respectivas incertezas padrão.)
Discussões e Conclusões:
Comente os resultados, compare os valores obtidos e as incertezas padrão, discuta

possíveis fontes de erro, indique o que poderia ser feito para reduzir as incertezas....

Capítulo 3 - Propagação de incertezas

A propagação de incertezas ocorre quando uma grandeza é obtida indiretamente a partir
de valores obtidos experimentalmente para outras grandezas. Como cada valor
experimental possui uma incerteza padrão, estas incertezas irão se propagar para a
grandeza indireta. E o valor da grandeza será expresso como:
w ±σw (10)
Onde w é a grandeza obtida indiretamente e σw é a incerteza propagada.
3.1 - Algumas fórmulas de propagação
As relações que permitem calcular a incerteza propagada para alguns casos comuns são
mostradas a seguir.
a) Se a grandeza é obtida pela soma ou subtração:
w = x ± y ± z ± ... (11)
A incerteza propagada é calculada como:
σ w = σ x2 + σ y2 + σ z2 + ... (12)
Onde σ x ,σ y ,e σ z são as incertezas padrão associadas com cada uma das grandezas
medidas diretamente.
b) Se a grandeza é obtida por uma relação linear:
w = ax + b (13)
Onde a e b são constantes, a incerteza propagada será dada por:
σ w = aσ x (14)
c) Se a grandeza é obtida pelo produto ou por uma razão:
x
w = xy ou w = (15)
y
Nestes casos a incerteza propagada será:
2
σ  σ 
2
σ w = w  x  +  y  (16)
 x   y 
d) Se a grandeza é obtida pelo produto de grandezas elevadas a certas potências p e q:

w = x p yq (17)
A incerteza propagada será:
2 2
 σx   σy 
σw = w  p  +  q 
 (18)
 x   y 
Nota: Todas as expressões apresentadas aqui podem ser encontradas a partir da equação geral
2 2 2
 ∂w   ∂w   ∂w 
σ w2 =   σ x2 +   σ y2 +   σ z2 + K
 ∂x   ∂y   ∂z 
3.2 - Estimativas de erros
Existem algumas regras gerais para efetuar a leitura de instrumentos de medição e fazer
as estimativas das incertezas correspondentes. Alguns exemplos serão discutidos a
seguir.
Como regra geral, quando é realizada uma medida com um determinado instrumento de
medição, o valor medido deve ser representado com todos os dígitos que o instrumento
permite ler diretamente, mais um dígito que deve ser estimado pelo observador. O ideal
é medir várias vezes a grandeza calcular a média e o desvio padrão para determinar a
incerteza estatística. Entretanto, quando somente uma medida é realizada, existe a
possibilidade de estimar a incerteza estatística a partir do limite do erro estatístico.
O limite de erro estatístico é definido como:
Le = 3σ e (19)
O limite de erro estatístico possibilita o estabelecimento de um intervalo de confiança

com 99,7% de possibilidade de acerto, quando os erros estatísticos seguem uma
distribuição gaussiana.
Podemos citar como exemplo uma medida realizada com uma régua graduada em
milímetros. O valor medido deve incluir a fração de milímetro que pode ser estimada
pelo observador. Considere a leitura indicada na régua da figura 8.

Figura 8 - Leitura de uma régua milimetrada.
A medida indicada diretamente pela régua é 11 milímetros e a fração de milímetro pode

ser estimada como 0,3 mm. Assim, o resultado de medição e 11,3 mm. O erro de
medida pode ser considerado aleatório, e se diferentes pessoas realizarem a leitura da
régua os resultados podem flutuar provavelmente entre 11,0 mm e 11,6 mm. Pode
parecer grande esta flutuação, mas não se deve esquecer que também existe um erro
associado com o ajuste do zero da régua.
Assim, podemos estimar o limite de erro aleatório ou estatístico como (11,6 -

11,0)mm/2= 0,3 mm e desta forma obter a incerteza estatística:
Le
σe = ≈ 0,1 mm (20)
3
Existe ainda o erro limite de calibração Lr (que corresponde a um erro sistemático),

representado pela menor divisão da escala, no caso Lr =1 mm. A incerteza sistemática
associada será (ver eq. 7):
Lr
σr = ≅ 0,5 mm (21)
2
A incerteza padrão é obtida conforme a equação 8:
σ p = σ e2 + σ r2 ≅ 0,5 mm (22)
E o resultado da medição pode ser escrito como:
y = (11,3 ± 0,5)mm (23)
Neste caso a incerteza estatística é desprezível em comparação com a incerteza

sistemática representada pelo limite de calibração e a incerteza padrão pode ser
representada pela metade da menor divisão ou menor leitura fornecida pelo
equipamento. No entanto, podem existir situações nas quais os erros aleatórios são
comparáveis ou até maiores do que os erros de calibração. Nestes casos adotar a metade

da menor divisão como incerteza, resulta em incertezas subestimadas. Na medição de

um comprimento com uma régua existem várias fontes de erros como variações na
graduação original da escala, variações na graduação devido a efeitos térmicos ou
deformações, erro de leitura associado com paralaxe ou avaliação da fração, erro de
posicionamento e alinhamento do objeto, etc.
Quando um paquímetro é utilizado, pode acontecer a situação de nenhuma marca do

nônio coincidir exatamente com uma marca da régua. Portanto, deve ser estimado o
algarismo seguinte. Por exemplo, considere a situação da figura 9.
Figura 9 - Leitura de um paquímetro
Duas marcas do nônio se aproximam de marcas da régua. Verificamos que a primeira

está mais próxima da marca da régua do que a segunda, logo podemos estimar o
próximo algarismo como 1, 2, 3, 4 ou 5. E a leitura pode ser admitida como ...,...3 mm.
O limite de erro estatístico na avaliação do último dígito é menor ou igual a 4 e portanto
a incerteza associada será:
Le
σe = ≤ 0,013 mm (24)
3
O limite de erro de calibração, que é a menor leitura do paquímetro, será 0,1 mm no

caso de um paquímetro com nônio de 10 divisões e fornece uma incerteza:
Lr
σr = ≅ 0,05 mm (25)
2
Assim, a incerteza padrão será:
σ p = σ e2 + σ r2 ≅ 0,05 mm (26)
No caso de um cronômetro digital disparado e parado manualmente o limite de erro

estatístico pode ser estimado lembrando que existe um erro associado ao início e final
da cronometragem devido ao operador.

Pode-se admitir o limite de erro estatístico como sendo de 0,5 s e o desvio padrão:
Le
σe = = 0,17 s (27)
3
A menor leitura do cronômetro é 0,01 s e, portanto, o desvio associado que corresponde

ao erro de calibração (ou sistemático) é de 0,005 s.
Este caso é um exemplo aonde a incerteza estatística é bem maior que a incerteza de
calibração do instrumento.
Quando nas medidas é empregado um equipamento digital é possível estimar o último

dígito da leitura por meio das flutuações observadas neste dígito. É óbvio que para isto é
de suma importância escolher uma escala adequada para a medição. Por exemplo,
usando um multímetro digital a medição indicou 1,34 _ V. O último dígito oscilou entre
1 e 5, e portanto podemos estimar o último dígito como sendo 3. O limite de erro
estatístico neste caso será estimado como 0,003 V, e o desvio padrão correspondente
como 0,001 V.
Experimento 2: Usando os resultados obtidos no experimento 1 e seguindo um roteiro

semelhante, calcular o volume do corpo de prova (paralelepípedo) e expressar o
resultado com a incerteza propagada.
2 2 2
σ  σ  σ 
V = x . y. z , σ V = V  x  +  y  +  z  , V = V ± σV
 x   y   z 
Experimento 3: Pêndulo simples: Usar um pêndulo simples com pequenas oscilações

para calcular a aceleração da gravidade local (com propagação de erros) sem gráficos.
Para um valor de L, medir diversos T.
Elaborar o roteiro para realização do experimento, anexar teoria e avaliar corretamente

todas as fontes de erro envolvidas. A propagação de erros em g é dada por:
2 2
 σ L   2σ T 
σg = g   + 
 L   T 

Capítulo 4 - Gráficos
A apresentação de resultados de experiências e medições em formato gráfico pode ser
considerada um capítulo em separado na física experimental, tamanha a diversidade de
opções e a quantidade de dados que podem ser extraídos deles. No entanto, algumas
normas gerais devem ser observadas logo de início para que se possa tirar o máximo
proveito dos gráficos.
4.1 - Construção gráfica
Deve-se tomar o cuidado para dar um nome a cada gráfico, com uma legenda para
facilitar sua compreensão. Esta legenda é normalmente apresentada na parte inferior do
gráfico.
Os gráficos devem conter nos seus eixos o nome da grandeza que está sendo mostrada e
sua respectiva unidade. Os números que vão indicar a escala de valores da grandeza sob
consideração devem ser de tamanho adequado, sem um número excessivo de casas
decimais. Eventualmente pode-se indicar a existência de um fator multiplicador comum
a todos os valores na própria legenda do eixo. Para a marcação de cada dado deve ser
escolhido um símbolo de tamanho adequado, sobre o qual também devem ser
apresentadas as respectivas barras de erro de cada medida (tenha em mente que
nenhuma medição é isenta de erro!). Se aos dados experimentais for ajustada uma curva
que siga uma lei física ou apenas uma linha para facilitar a visualização, isto deve ser
claramente dito (use legendas para identificar cada caso). Também se deve tomar o
devido cuidado para que os pontos experimentais do gráfico não fiquem acumulados em
apenas uma região; todo o espaço disponível deve ser utilizado, o que facilita não só a
interpretação como a obtenção de valores.
A seguir são mostrados alguns gráficos, indicando o que deve ser buscado para uma boa
diagramação.

30
(b)
30
(a) 25
25
20
20
15
espaço
15
10
10
5
5
0
0
0 5 10 15 20 25 30
0 2 4 6 8 10 tempo
(c) 25 (d)
30
pontos experimentais
ajuste linear
25 20
deslocamento (m) x(t) = -2.70 m + 2.71 t
20
deslocamento (m)
15
15
10
10
5 5
0 0
-5
-4 -2 0 2 4 6 8 10 12 0 2 4 6 8 10
tempo (s) tempo (s)
Figura 10 - Deslocamento em função do tempo para um móvel em MRU: (a) símbolos muito pequenos,
sem legendas, sem barras de erros; (b) grandezas sem unidade, má ocupação do espaço, sem barras de
erros; (c) má ocupação do espaço, linha irregular conectando os pontos; (d) diagramação adequada.
4.2 - Ajuste de reta
Um problema frequentemente encontrado no tratamento de resultados experimentais é o

ajuste dos dados. O procedimento de ajustar uma função a um conjunto de dados
experimentais é conhecido como regressão. O problema pode ser formulado da seguinte
maneira:
Duas grandezas x e y são relacionadas pela expressão analítica abaixo:
y = f ( x, a, b,...) (28)
Onde f é uma função conhecida e a,b,... são parâmetros desconhecidos.

Experimentalmente são determinados os pares de valores ( xi , yi ) para i = 1,2,..., N e
se quer determinar os parâmetros a,b,... de tal maneira que a curva y = f ( x, a, b,...)

melhor se aproxime dos valores experimentais.

Quando a relação analítica entre x e y é linear, uma reta é ajustada ao conjunto de dados
experimentais e a regressão é dita linear. Neste caso a expressão analítica que relaciona
x com y é:
y = ax + b (29)
Para efetuar o ajuste dos dados experimentais a função dada pela equação 29 é preciso
encontrar os parâmetros desta reta de maneira que ela se aproxime o máximo possível
dos pontos experimentais ( xi , yi ) .
Vamos discutir dois métodos que podem ser empregados para resolver este problema:
• O método da “mão livre”
• O método dos mínimos quadrados
Ambos tratam de adaptar ao conjunto de pontos experimentais a reta que mais se

aproxime de todos eles ao mesmo tempo.
4.3 - Método da “mão livre”
O método da “mão livre” utiliza o bom senso do observador já que ele mesmo terá que
ajustar a melhor reta a partir da observação visual do conjunto de pontos ( xi , yi ) .
Utilizando uma régua transparente posicionada sobre o gráfico contendo todos os
pontos experimentais, o observador pode escolher a reta que passa pelo meio da
distribuição dos pontos. Este procedimento tenta garantir que a distância entre a reta e
os pontos experimentais seja minimizada. Obviamente o método fornece resultados
aproximados uma vez que a escolha da melhor reta é subjetiva e depende muito da
prática e bom senso do observador.
Uma vez ajustada a melhor reta aos dados experimentais, pode-se determinar os valores
das constantes a e b que correspondem aos coeficientes angular e linear da reta,
respectivamente.
a=
( yi − ys )
(xi − xs ) (30)
b = yc
Onde ys , yi , xs , xi são pontos pertencentes a reta escolhida, e yc corresponde a leitura no

gráfico onde a mesma intercepta o eixo y.

(20,210)
yi 210
180
DESLOCAMENTO (m)
(210-60)=150
150
120
90
ys 60
(5,60) (20-5)=15
30
yc
0
0 5 10 15 20
xs TEMPO (s) xi
COEF. ANGULAR: a=150/15=10 m/s
Figura 11 - Reta ajustada aos pontos experimentais do deslocamento em função do tempo para um móvel
em MRU.
Exercício 5: Foram efetuadas as medidas das alturas de várias crianças com idades
diferentes e os dados obtidos são apresentados na tabela abaixo. Estime o erro
estatístico para a medida de altura realizada usando uma escala milimetrada. Suponha
insignificante o erro na idade em meses (as crianças são medidas exatamente no dia em
que fazem o aniversário mensal). Encontre a melhor reta que se ajusta aos dados
experimentais e a expressão obtida de correlação entre idade e altura.
Tabela 6 - Idade em meses de diversas crianças e os correspondentes dados de altura.
Idade 18 19 20 21 22 23 24 25 26 27 28 29
(meses)
Altura 76,1 77 78,1 78,2 78,8 79,7 79,9 81,1 81,2 81,8 82,8 83,5
(cm)
Faça um gráfico das alturas (eixo y) contra as idades (eixo x). Ajuste uma reta usando o
método da “mão livre” e a partir do gráfico encontre os coeficientes linear e angular da
reta. Expresse os resultados encontrados na forma da equação de uma reta.
Experimento 4: Determinação da aceleração da gravidade utilizando um pêndulo

simples (sem propagação de erros) com gráfico. Para o pêndulo simples, a relação entre
o período e o seu comprimento é dada pela expressão:

L 4π 2
T = 2π ⇒ T2 = L (31)
g g
Esta é a equação de uma reta y = ax + b , onde y=T2 e x=L, com coeficiente linear b=0
e coeficiente angular a = 4π
2
.
g
Neste experimento, medir uma única vez o período do pêndulo para pequenas
oscilações e diferentes comprimentos. Encontrar a aceleração da gravidade usando
método de ajuste a “mão livre”. Cuidado: gráfico de T2 x L para resultar uma reta (este
processo chama-se linearização). Neste ponto ainda não iremos analisar os erros
envolvidos nas medidas nem o erro propagado para a aceleração da gravidade obtida.
Isto será objeto de análise na secção 4.4.
4.4 - Método dos mínimos quadrados
O método dos mínimos quadrados pode ser deduzido para medições feitas em condições
de repetitividade (N medições feitas sob as mesmas condições) ou em condições de
reprodutibilidade (N medições feitas sob condições diferentes).
Exemplos de medições feitas em condições de reprodutibilidade são aquelas realizadas

por meio de diferentes métodos, diferentes experimentadores ou diferentes instrumentos
de forma que a distribuição dos erros estatísticos pode ser diferente para cada medição.
Neste caso, a cada um dos valores medidos está associada uma incerteza padrão
diferente. A situação descrita pode ser visualizada com a ajuda da figura 12.
60
50
40
f(x)
30
20
10
0
0 2 4 6 8 10
x
Figura 12 - Gráfico representando dados de medições feitas em condições de reprodutibilidade. A cada

ponto experimental está associada uma incerteza estatística diferente.

Na dedução do método as variáveis xi são consideradas isentas de erros, e são

consideradas somente as incertezas estatísticas em fi(x), ou seja, em yi. No entanto,
quando as incertezas em xi são significativas elas podem ser transferidas para as
variáveis yi. Existem regras para isso, mas esse procedimento não será abordado neste
texto.
Na dedução do método dos mínimos quadrados são usadas somente incertezas

estatísticas, desconsiderando as incertezas sistemáticas (no entanto, as incertezas
sistemáticas residuais devem ser consideradas). Isto é justificado pelo fato do erro
sistemático desviar todos os pontos experimentais numa mesma direção, o que só afeta
o coeficiente linear da reta e não o angular. O método dos mínimos quadrados minimiza
a soma dos desvios ao quadrado dos pontos experimentais relativamente a reta ajustada,
obviamente não sendo influenciado pelo erro sistemático. Vale observar que se a
determinação do coeficiente linear é um dado importante no experimento, os possíveis
erros sistemáticos devem ser identificados e eliminados a priori.
Quando as medidas são feitas sob as mesmas condições, ou seja, em condições de

repetitividade, os dados são levantados por um mesmo experimentador e com os
mesmos instrumentos. Nessa situação a incerteza padrão para todos os valores de y é a
mesma e a solução é simplificada. Veja o exemplo da figura 13.
60
50
40
f(x)
30
20
10
0
0 2 4 6 8 10
x
Figura 13 - Gráfico representando dados de medições feitas em condições de repetitividade.
Sendo assim, o método dos mínimos quadrados permite ajustar retas a pontos
experimentais em diferentes condições: pontos com incertezas arbitrárias para as
grandezas x e y, pontos com incertezas iguais para as grandezas x e y, e reta passando
pela origem. Neste método as equações que fornecem os valores das constantes de
ajuste a e b em cada situação são deduzidas usando conceitos matemáticos. Em suma o

método consiste em encontrar os valores dos coeficientes a e b que fornecem o menor

valor possível para a soma dos quadrados das distâncias verticais da reta a cada um
dos pontos experimentais.
Na situação em que as incertezas em fi(x) são iguais (condição de repetitividade) as

equações mostram que os valores de a e b são independentes da incerteza padrão nos
pontos experimentais. Isto é interessante pois mostra que se pudermos supor que as
incertezas são aproximadamente iguais, mesmo que o valor destas incertezas não seja
conhecido é possível fazer o ajuste da reta e encontrar os valores de a e b.
Se a incerteza padrão σp (dos dados experimentais) é conhecida, as incertezas em cada

parâmetro, σa e σ
 b, podem ser obtidas.
Ajuste de reta a pontos experimentais com incertezas iguais
Conforme o método dos mínimos quadrados, os melhores valores para a e b e para as

suas incertezas são dados pelas expressões a seguir se as incertezas para os diferentes
pontos puderem ser consideradas aproximadamente iguais.
 N   N  N 
N  ∑ xi yi  −  ∑ xi  ∑ yi 
a =  i=1   i=1  i=1 
2
(32)
 N
2 
N

N  ∑ xi  −  ∑ xi 
 i=1   i =1 
N
σa = σ 2
(33)
 N   N 
N  ∑ xi2  −  ∑ xi 
 i =1   i =1 
 N  N 2   N  N 
 ∑ yi  ∑ xi  −  ∑ xi yi  ∑ xi 
b =  i =1  i =1   i =1  i =1 
2
(34)
 N
2  N

N  ∑ xi  −  ∑ xi 
 i =1   i =1 

 N 2
 ∑ xi 
σb = σ  i=1  (35)
2
 N
2 
N

N  ∑ xi  −  ∑ xi 
 i=1   i=1 
Ajuste de reta passando pela origem a pontos experimentais com incertezas iguais
No caso particular de uma reta passando pela origem as expressões acima são
simplificadas e temos:
 N 
 ∑ xi yi 
a =  i=N1  (36)
 
 ∑ xi2 
 i=1 
σ
σa = (37)
 N 2
 ∑ xi 
 i =1 
Coeficiente de correlação
Para avaliar o quanto os valores observados estão próximos da reta ajustada pelo
método dos mínimos quadrados é usado o coeficiente de correlação linear R (coeficiente
de Pearson).
− 1 ≤ R ≤ +1 (38)
Quanto mais próximo de -1 ou +1 melhor será o ajuste.
O coeficiente de correlação de Pearson é calculado pela relação:

N N N
N ∑ xi yi − ∑ xi ∑ yi
R= 1 1 1
(39)
2 2
 N
  N
  N
  N 
N  ∑ xi2  −  ∑ xi  . N  ∑ yi2  −  ∑ yi 
 1   1   1   1 
Exercício 6: Usando os dados fornecidos no exercício 5 e as expressões do método dos

mínimos quadrados calcule os coeficientes da reta e expresse os resultados encontrados
na forma da equação de uma reta. Compare os resultados obtidos e tire conclusões sobre
a aplicação destes dois métodos.

Experimento 5: Determinação da aceleração da gravidade utilizando um pêndulo

simples. Usar os dados do experimento 4 para encontrar a aceleração da gravidade
usando método gráfico com utilização do método dos mínimos quadrados. Cuidado,
lembre-se que o gráfico deve ser de T2 x L para resultar numa reta. Estime os erros nas
medidas de período usando as técnicas de estimativas de erros estudadas. Será preciso
propagar o erro para o T2. Usar para isso a fórmula de propagação de potência (equação
18).
A estimativa de σT2 deve levar em consideração a propagação de erros na potência T2:
p q
Da equação 17, w = x y , com q = 0, p = 2 e x = T, ⇒ w = T2
e da equação 18:
2 2 2
 σ   σ   σT 
σ w = w  p x  +  q y  ⇒ σT 2 = T 2  2  = 2Tσ T (40)
 x   y   T 
Note que o erro propagado para os valores de período ao quadrado não são iguais. No
entanto iremos supô-los como aproximadamente iguais, o que vai nos permitir a
utilização das equações do método dos mínimos quadrados para incertezas iguais, que
são mais simples. Usar o maior σ T 2 para que o erro seja superestimado.
A validade dessa aproximação será verificada na próxima secção.
Tendo o desvio padrão σ T 2 para o T2 podemos calcular o coeficiente angular a da

melhor reta e seu erro σa. (reta passando pela origem).
 N 
 ∑ xi yi  σa =
σ
a =  i =N1   N 2
   ∑ xi 
 ∑ xi2   
 i =1 
 i =1 
xi = Li
yi = Ti 2
σ = σT 2
Tendo sido calculado o coeficiente angular a da melhor reta e seu erro σa podemos
obter o g e seu erro σg:

L 4π 2
T = 2π ⇒ T2 = L
g g
4π 2 4π 2
coef .ang . = a = ⇒ g= = 4π 2 a −1
g a
Para encontrar o erro em g será preciso propagar a incerteza:

' '
Da equação 13, w = a x + b , com a’ =4π2, b’ =0 e x=a-1, ⇒ w=g=4π2a-1 e da equação
14:
σ w = a' σ x σ g = 4π 2σ a −1
Da equação : w = x p yq com q = 0, p = -1 e x = a ⇒ w = a-1
2 2 2
e da equação:  σ   σy  ⇒ 
σ a −1 = a −1  − 1
σa  σ
σ w = w  p x  +  q 
  = 2a
 x   y   a  a
σa gσ a
Finalmente: σ g = 4π 2 2
=
a a
4.5 - Gráficos em computador
A utilização de computadores e programas específicos para a construção de gráficos é

uma poderosa ferramenta que pode ser empregada no tratamento de dados e análise de
resultados experimentais. Normalmente, os programas utilizam rotinas baseadas no
método dos mínimos quadrados para obter a função analítica que melhor se ajusta aos
dados experimentais. Utilizaremos o programa OriginTM para construção de gráficos
com auxílio de computador. Os dados empregados serão aqueles obtidos no
experimento 4, onde foram medidos os períodos de oscilação T do pêndulo simples para
diferentes comprimentos L do pêndulo. Para cada par (L,T), uma única medição de cada

grandeza foi realizada, sendo as incertezas encontradas através da técnica da Estimativa

de Erros (item 3.2)
Ao iniciar o programa, uma tela semelhante a figura 14 deve aparecer.
Figura 14 - Tela inicial do programa OriginTM.
As colunas A(X), B(Y), C(Y), ... no Worksheet Data1, servem para a inserção dos
dados coletados. Para o pêndulo simples, a relação entre o período e o seu comprimento
é dada pela expressão (31). Embora não seja necessária a linearização dos gráficos
quando se faz o tratamento dos gráficos com auxílio do computador, optaremos pela
linearização para possibilitar a comparação com os resultados do experimento 5 (item
4.4).
L 4π 2
T = 2π ⇒ T2 = L
g g
Esta é a equação de uma reta y = ax + b , onde y=T2 e x=L, com coeficiente linear b=0
e coeficiente angular a = 4π
2
. Assim, devemos inserir na coluna A(X) os dados
g
referentes aos valores de L, na coluna B(Y) os dados referentes aos valores de T, e na
coluna C(Y) ainda inexistente os dados referentes a T2. O ajuste de uma reta aos dados
experimentais no gráfico de L (no eixo X) contra T2 (no eixo Y) permitirá encontrar a
2
aceleração da gravidade g a partir do coeficiente angular pela expressão g = 4π a .

Suponha que os resultados encontrados para as medições sejam os mostrados na tabela

7. Estamos supondo que os valores de L e T foram medidos apenas uma única vez, de
forma que os erros estatísticos devem ser encontrados utilizando a técnica da estimativa
de erros (secção 3.2).
Tabela 7 - Dados obtidos para período do pêndulo em função do comprimento do mesmo, e valores de
período elevado ao quadrado.
L(mm) T(s) T2 (s2)

150,3 0,79 0,6241
217,7 0,92 0,8464
242,1 1,03 1,0609
303,6 1,12 1,2544
404,5 1,29 1,6641
423,2 1,31 1,7161
Posicione o cursor do mouse na célula A(1) e clique sobre a mesma com o botão
esquerdo do mouse (todos os cliques são com o botão esquerdo, a menos que se
especifique o contrário), insira o dado correspondente. Adote o mesmo procedimento
para inserir os dados nas outras células. Após a introdução dos dados de L e T nas
colunas A(X) e B(Y) respectivamente, a tela deve se apresentar como a da figura 15.
Note que o separador decimal que deve ser empregado (vírgula ou ponto) depende da
configuração do computador.

Figura 15 - Tela do programa OriginTM com a planilha de dados preenchida.
Salve o projeto em algum local, clicando em File → Save Project As. A tela abaixo
deve aparecer:
Figura 16 - Tela de salvamento de dados do programa OriginTM .

É possível definir a pasta (pré-existente) onde o projeto será salvo (por exemplo,
Salvar: Apostila), bem com um nome para o projeto (por exemplo, Nome do arquivo:
PenduloSimples). A tela deve aparecer como na figura 17.
Figura 17 - Tela de salvamento de dados do programa OriginTM devidamente preenchida e com o local de
salvamento definido.
Após pressionar a tecla Salvar, o programa deve retornar a tela como a da figura 18.
Figura 18 - Planilha de dados salvos.

Note que ainda precisamos inserir os dados de T2, e para isto é necessária a inclusão de
mais uma coluna no Worksheet. Clique em Column → Add new Columns, defina o
número de novas colunas necessárias (no caso 1) e pressione OK. O programa retorna
uma tela como na figura 19 . Não esqueça de salvar o seu projeto regularmente para
evitar perda de dados.
Figura 19 - Planilha de dados com a inclusão de uma coluna adicional.
Agora você pode inserir manualmente os dados de T2 na coluna C(Y), ou então realizar
esta tarefa automaticamente. A segunda opção é mais rápida quando se tem um grande
número de dados. Posicione o cursor na primeira célula da coluna C(Y), no caso C(1), e
clique ali. Clique com o mouse em Colum → Set Column Values, e a tela deve se
apresentar como na figura 20.

Figura 20 - Tela que permite inserir dados automaticamente numa coluna.
Digite no espaço em azul a expressão matemática que deve ser efetuada, ou seja, elevar
a coluna B(Y) ao quadrado (col(B)^2), e indique a quais células a expressão deve ser
aplicada, ou seja, For row [i] 1 to 6. A tela deve estar como na figura 21.
Figura 21 - Preenchimento da tela que permite inserir dados automaticamente numa coluna.
Após pressionar OK, a coluna C(Y) estará preenchida com os valores de T2.

Quando um Worksheet começa a apresentar muitas colunas com dados, é possível criar
uma descrição adicional (um rótulo ou label) para identificá-las. Para isto, clique com o
botão direito sobre a célula A(X) para selecionar esta coluna, clique em Properties e no
espaço Column Label digite um nome para esta coluna (por exemplo, L (mm)). A tela
deve estar como na figura 22.
Figura 22 - Tela que permite nomear uma coluna de dados.
Pressione OK e nomeie da mesma forma as colunas B(Y) e C(Y). Após isto, a tela deve
estar como na figura 23.
Figura 23 - Tela da planilha de dados com o nome escolhido para cada coluna.

O próximo passo é definir os erros experimentais que serão considerados no gráfico. No

exemplo, será utilizada a técnica de Estimativa de Erros (secção. 3.2). Conforme
discutido na secção onde foi apresentado o Método dos Mínimos Quadrados (secção
4.4), apenas os erros estatísticos (aleatórios e sistemáticos residuais) devem ser
considerados, deixando de lado os erros sistemáticos. Utilizando as equações 20, 21
e 22, a incerteza medida no comprimento do pêndulo L com uma régua graduada em
milímetros é σL =0,5 mm, para todos os valores medidos. Insira uma nova coluna D(Y),
clique com o botão direito sobre ela, posicione o mouse sobre Set As e depois sobre
XError, clicando aí com o botão esquerdo. Antes do clique a tela deve se apresentar
com no figura 24.
Figura 24 - Inserindo uma coluna de erros na planilha de dados.
Nomeie a coluna como, por exemplo, Er(L) para indicar o Erro de L, e introduza os
valores estimados de σL (0,5 mm).
Já a estimativa de σT2 deve levar em consideração a propagação de erros na potência T2.

Veja como isto foi feito na descrição do experimento 5.
Novamente, considerando apenas os erros estatísticos (aleatórios e sistemáticos

residuais), a incerteza na medida do período é de σT = 0,17 s (veja eq. 27), para todos os
valores de T medidos.
No entanto, a incerteza não será a mesma para todos os valores de T2, devendo ser
calculada individualmente para cada valor específico de T (equação 40). Introduza uma
nova coluna E(Y), associe-a ao erro de Y (Set As, YError) e atribua um nome

(Properties, Column Label) como por exemplo Er(T^2). A tela deve estar como na
figura 25.
Figura 25 - Planilha de dados com as colunas de erros.
Para calcular os erros associados a cada valor de T2, posicione o cursor na primeira
célula da coluna E(yEr±) e clique ali. Clique com o mouse em Colum → Set Column
Values e digite a expressão para cálculo de cada erro, conforme a equação 40:
2*col(B)*0.17
Ao final desta etapa, a tela deve se apresentar como na figura 26.

Figura 26 - Planilha de dados com as colunas de erros preenchidas.
Para plotar o gráfico, clique em Plot → Scatter, e selecione as colunas adequadas para
formar o gráfico, conforme a figura 27.
Figura 27 - Selecionando as colunas que serão plotadas.

Clique em OK e o gráfico deve aparecer como na figura 28. No caso, o erro associado
ao eixo X é menor que o tamanho dos símbolos, e não aparece no gráfico.
Figura 28 - Gráfico plotado com os dados fornecidos ao programa.
Clicando duas vezes sobre a legenda de cada eixo (X Axis Title e Y Axis Title), é
possível atribuir a legenda adequada, respectivamente L (mm) e T2 (s2).
Para ajustar uma reta, clique sobre Tools → Linear Fit (ver figura 29) marque a opção
“Through Zero” uma vez que para este problema a reta deve passar pela origem,
desmarque a opção “Use Reduced Chi^2” para que o erro não seja subestimado,
marque a opção “Error as Weight” para indicar que as barras de erro devem ser
consideradas no ajuste, e clique sobre “Fit” (ver figura 30)
OBS. IMPORTANTE: A opção Analysis → Fit Linear não obriga a passagem da reta
pela origem, o que nesse caso poderia resultar num erro maior e não corresponde à
realidade do problema.

Figura 29 - Procedimento ajustar de uma reta aos dados plotados.
O valor do coeficiente angular ajustado aparece no quadro Results Log. CUIDADO: o

coeficiente angular da reta fornecido pelo Origin é o parâmetro B = 0,004109, e o erro
correspondente é ± 5,22094 x 10-4.
Figura 30 - Tela final mostrando o gráfico ajustado e os erros respectivos.
Conforme já discutimos, este valor está relacionado com g através da relação:

4π 2 4.(3,14159) 2 mm
g= = = 9607,792067 2
B 0,004109 s
Já a estimativa de σg deve levar em consideração a propagação de erros:
Da equação 13, w = ax + b , com a=4π2, b=0 e x=B-1, ⇒ w=g=4π2B-1
e da equação 14:
σ w = a σ x ⇒ σ g = 4π 2σ B −1 (41)
p q
Da equação 17, w = x y , com q = 0, p = -1 e x = B, ⇒ w = B-1
e da equação 18:
2 2 2
 σ   σ   σB  −1 σ B σ
σ w = w  p x  +  q y  ⇒ σB = B
−1
−1
−1  = B = B2 (42)
 x   y   B  B B
Substituindo a equação (42) na equação (41) temos o erro propagado para σg:
σB 5,22094 x10 −4
σ g = 4π 2 2
= 4π 2 2
= 1220,776489 mm / s 2 (43)
B 0,004109
Como esta incerteza é maior do que 99, vamos mudar as unidades para expressá-la
corretamente (com dois algarismos significativos):
m
σ g = 1,2
s2
m
g = (9,6 ± 1,2 )
s2
Deve ser notado que a incerteza relativa aqui é razoavelmente elevada, sendo igual a
σg
ε = 100 % ≅ 12% . (44)
g
O resultado desta incerteza é inerente ao processo da estimativa dos erros

experimentais, onde valores superestimados de incertezas são preferidos a valores
subestimados quando apenas uma medida de cada parâmetro é realizada.

Experimento 6: Com os dados do experimento 4, empregar a técnica computacional

descrita no item 4.5 para calcular o valor da aceleração da gravidade g, utilizando
gráficos e a propagação de erros.
Observação: Se desejássemos reduzir os valores de incertezas no experimento anterior

para uma estimativa mais precisa de g, deveríamos substituir a técnica de Estimativa de
Erros pela técnica da realização de várias medidas de T e L para cada valor de L, e
calcular os Erros Estatísticos conforme apresentado no item 2.2.

Capítulo 5 - Histogramas
O histograma ou gráfico de barras é um tipo de gráfico particularmente útil quando se
deseja mostrar os resultados de um grande número de medições da mesma grandeza,
que devido a erros de medição, apresenta uma grande flutuação estatística, ou então
quando se deseja conhecer a flutuação estatística de uma certa grandeza em torno de seu
valor médio. Num histograma não são mostrados individualmente os pontos medidos,
mas sim se mostra a frequência F(yi) com a qual um dado valor aparece, ou então a
frequência com que estes valores aparecem dentro de uma faixa de valores ∆y. A
frequência de aparição é normalmente expressa como a frequência relativa ao número
total N de eventos,
N ( yi )
F ( yi ) = (45)
N
onde N(yi) é o número de vezes que o evento i aparece. Claro que N(yi) será
proporcional ao intervalo ∆y da faixa, e esta deve ser escolhida de modo a resultar em
um gráfico compreensível.
Como exemplo, imagine que a medição da distância focal y de uma lente convergente
resultou nos valores constantes da tabela 6, ordenados segundo a ordem crescente dos N
= 60 valores medidos.
Tabela 8 - Valores obtidos yi (distância focal da lente) em mm
204 206 208 210 211 218 219 222 222 223
227 229 230 232 235 235 235 235 237 237
237 237 238 238 239 239 239 239 239 240
240 241 243 244 244 246 246 248 248 249
250 250 253 256 257 257 257 259 259 260
262 265 267 268 269 269 269 273 285 289
Como primeiro passo para a elaboração do histograma, deve-se determinar o valor de

∆y, de forma que N(yi) seja da ordem de 10 para intervalos próximos do valor médio
(isso reduz a incerteza quando se deseja determinar o valor verdadeiro Nv(yi) por um
processo probabilístico). Uma estimativa inicial do intervalo ∆y é:
y max − y min 289 − 204

∆y = = ≅ 11 mm (46)
N 60

onde N = 60 ≅ 8 corresponde ao número de intervalos a ser empregado para

construção do histograma.
A determinação do valor central yi de cada um destes intervalos também é importante. A

escolha mais conveniente é aquela onde o centro do intervalo central coincida com o
valor médio dos N = 60 resultados:
N
1 14583 mm
y=
N
∑yj =
60
= 243.05 mm ≅ 243 mm (47)
j =1
A partir destes valores podemos calcular os limites do intervalo central como
{y − ∆y / 2; y + ∆y / 2} = {237.5; 248.5} , (48)
e a partir daí estabelecer todos os outros intervalos.
Isso permite classificar os dados numa tabela de frequências absolutas N(yi) ou relativas
F(yi)=N(yi)/N, bem como a densidade de probabilidade definida como
F ( yi )
H e ( yi ) = (49)
∆y
Conhecida esta densidade de probabilidade, a probabilidade de ocorrer um resultado no

intervalo pequeno {yi;∆y} pode ser escrita como
P( y i ) = ∆Pi ≅ H e ( y i ).∆y (50)
Tabela 9 - Tabela para construção do histograma com oito intervalos, obtida a partir dos dados da tabela
8. O símbolo “├─ “ indica intervalo fechado à esquerda; note que o valor inicial do primeiro intervalo foi
ajustado para englobar o valor mais baixo de yi.
yi yi_central N(yi) F(yi) He(yi)

(mm) (mm) (10-3 mm-1)
204.0 ├─ 215.5 210 5 0.08 7.6
215.5 ├─ 226.5 221 5 0.08 7.6
226.5 ├─ 237.5 232 12 0.2 18.2
237.5 ├─ 248.5 243 17 0.28 25.7
248.5 ├─ 259.5 254 10 0.17 15.1
259.5 ├─ 270.5 265 8 0.13 12.1
270.5 ├─ 281.5 276 1 0.02 1.5
281.5 ├─ 292.5 287 2 0.03 3.0

25
20
-1
He(yi) x 10 mm
15
-3
10
0
200 220 240 260 280 300
y (mm)
Figura 31 - Histograma com oito intervalos para os valores medidos da distância focal da lente.
Experimento 7: Com os dados da tabela 8, refazer as contas que levaram à construção

da tabela 9, e a partir daí utilizar o programa OriginTM para construção do histograma da
figura 31.
Comentários:
1. Após inserir os dados no Worksheet, selecione Plot→Column e faça as

associações das colunas adequadas com os eixos do gráfico.
2. Tecle com o botão direito do mouse sobre o gráfico e selecione Plot Detail na
aba Spacing e ajuste para 0 % o Gap Between Bars (a separação entre as barras
verticais será ajustada para zero).
3. Faça os demais ajustes necessários ao gráfico.

Capítulo 6 – Funções de Distribuição

Quando se realiza um experimento, normalmente estamos interessados na determinação
de certa grandeza chamada mensurando. No entanto, como regra geral, o valor
verdadeiro de um mensurando é uma quantidade sempre desconhecida, que só pode ser
determinado aproximadamente devido a erros de medição. A exceção é quando se
deseja realizar a aferição de um instrumento pela medição de um padrão primário ou de
uma grandeza exata (como a velocidade da luz, por exemplo) onde o valor verdadeiro é
conhecido. A situação mais comum é, por exemplo, em uma experiência didática, a
medição de uma grandeza para a qual o valor verdadeiro já é conhecido com boa
aproximação (ou pelo menos com um erro muito menor do que aquele resultante do
processo de medição que será empregado). No entanto, devemos ter em mente que no
formalismo da teoria de erros o valor verdadeiro de um mensurando é sempre uma
quantidade desconhecida. A determinação deste valor é o objetivo final do processo de
medição.
Vamos agora refinar a idéia de densidade de probabilidade abordada quando

construímos o histograma da figura 30.
Consideremos um processo simples, no qual a probabilidade de ocorrência de um

evento A é p. Um problema importante é determinar a probabilidade Pn(y) de y
ocorrências do resultado A em n repetições do processo. Como exemplo, podemos citar
a probabilidade de ocorrência de certo número (y=4, por exemplo) ao se lançar um dado
certo número de vezes (n=10 vezes, por exemplo). A probabilidade desta ocorrência
P10(4) é calculada por uma distribuição de probabilidades chamada de distribuição
binomial, e depende da probabilidade p da ocorrência de cada evento (no exemplo,
p=1/6 para ocorrência do número 4 em cada lance do dado). Nos casos onde n>>1 e
p<<1 fica difícil empregar a distribuição binomial, e esta é substituída pela distribuição
de Poisson. No entanto, estas duas distribuições só são aplicáveis quando a variável y é
discreta.
Frequentemente o processo de medição de uma quantidade yi numa experiência pode

resultar num número muito grande de valores, e em certas situações este conjunto de
valores corresponde a uma variável contínua (este é o caso do exemplo dado de medição
da distância focal da lente no experimento com o histograma). Se as diversas medições
estão sujeitas a erros experimentais aleatórios e independentes, e nenhum dos erros é

muito maior que os demais, então a distribuição de erros converge par uma distribuição
gaussiana quando o número de medições tende para o infinito. Este é o caso mais
frequente na Física Experimental.
Como o valor médio verdadeiro (e também o desvio padrão verdadeiro!) não são nunca
conhecidos, uma forma aproximada para a distribuição gaussiana é:
2
1 y − y 
−  i 
1
G( yi ) ≅ e 2 σ  (51)
σ 2π
onde
1 N ∑ ( y i − y )2
y=
N
∑ y i é o valor médio medido e σ≅ i =1
( N − 1)
é o desvio padrão
i =1
experimental.
Para o exemplo em consideração, y ≅ 243 mm e σ ≅ 19 mm . O significado destes

parâmetros pode ser visto na figura 31. Conhecida a densidade de probabilidade G(yi), a
probabilidade de ocorrer um resultado no intervalo pequeno {yi;∆y} pode ser escrita
como P(yi)=∆Pi ≅ G(yi) ∆y, e é numericamente igual à área ∆S sob a curva. Para fins de
comparação é também mostrado o histograma (linha pontilhada) referente à figura 30.
25
y
20
∆y
-1
G(y) x 10 mm
15
σ
-3
∆S=∆Pi
10
0
200 220 240 260 280 300
y (mm)
Figura 32 - Distribuição gaussiana de probabilidades, mostrando o valor médio medido e o desvio padrão
experimental, bem como a relação entre a probabilidade e a área sob a curva.

Experimento 8: Ajuste gaussiano usando o OriginTM aos dados do histograma do

experimento 7.
Comentários:
1. Refaça os cálculos que levaram aos valores de y ≅ 243 mm e σ ≅ 19 mm para o

exemplo em consideração.
2. Encontre esses parâmetros com o Origin. Após a inserção dos dados no

Worksheet e de construir o histograma, para ajustar uma gaussiana, clique em
Analysis → Fit Gaussian. Faça os demais ajustes necessários ao gráfico.
3. Compare e discuta os valores obtidos com os dois processos.

Apostila Física Experimental 1

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Apostila Física Experimental 1

Enviado por

Direitos autorais:

Formatos disponíveis

Curso introdutório de

Fundamentos da Física Experimental

Um guia para as atividades de laboratório

José Luís Fabris

Abordaremos nas páginas seguintes questões relacionadas com a resolução de

Para o desenvolvimento da Disciplina, optamos por um encaminhamento um tanto

Universidade Tecnológica Federal do Paraná – UTFPR -Departamento de Física 2

1.1 - A metodologia científica na Física Experimental..........................................

Capítulo 2 - Medidas e seus erros.............................................................

2.1 - Classificação dos erros................................................................................

2.2 - Tratamentos estatísticos de medidas com erros aleatórios

2.3 - Tratamento de medidas com erros sistemáticos

2.4 - Incerteza padrão e indicação do valor medido

2.5 - Algarismos significativos

Capítulo 3 - Propagação de incertezas

3.1 - Algumas fórmulas de propagação

3.2 - Estimativas de erros

4.1 - Construção gráfica

4.2 - Ajuste de reta

4.3 - Método da “mão livre”

4.4 - Método dos mínimos quadrados

4.5 - Gráficos em computador

Capítulo 6 - As distribuições Binomial, de Poisson e Gaussiana

Universidade Tecnológica Federal do Paraná – UTFPR -Departamento de Física 3

Índice de tabelas e figuras

Tabela 6 - Idade em meses de diversas crianças e os correspondentes dados de altura.

Tabela 7 - Dados obtidos para período do pêndulo em função do comprimento do

Tabela 8 - Valores obtidos yi (distância focal da lente) em mm

Figura 1 - Boa exatidão (“accuracy”) e precisão ruim.

Figura 2 - Boa precisão e exatidão (“accuracy”) ruim.

Figura 3 - Paquímetro com nônio de 20 divisões.

Universidade Tecnológica Federal do Paraná – UTFPR -Departamento de Física 4

Figura 12 - Gráfico representando dados de medições feitas em condições de

Figura 13 - Gráfico representando dados de medições feitas em condições de

Figura 14 - Tela inicial do programa OriginTM.

Figura 15 - Tela do programa OriginTM com a planilha de dados preenchida.

Figura 16 - Tela de salvamento de dados do programa OriginTM .

Figura 17 - Tela de salvamento de dados do programa OriginTM devidamente preenchida

Figura 18 - Planilha de dados salvos.

Figura 19 - Planilha de dados com a inclusão de uma coluna adicional.

Figura 20 - Tela que permite inserir dados automaticamente numa coluna.

Figura 21 - Preenchimento da tela que permite inserir dados automaticamente numa

Figura 22 - Tela que permite nomear uma coluna de dados.

Figura 24 - Inserindo uma coluna de erros na planilha de dados.

Figura 25 - Planilha de dados com as colunas de erros.

Figura 26 - Planilha de dados com as colunas de erros preenchidas.

Figura 27 - Selecionando as colunas que serão plotadas.

Figura 28 - Gráfico plotado com os dados fornecidos ao programa.

Figura 29 - Procedimento ajustar de uma reta aos dados plotados.

Figura 30 - Tela final mostrando o gráfico ajustado e os erros respectivos.

Universidade Tecnológica Federal do Paraná – UTFPR -Departamento de Física 5

Figura 32 - Distribuição gaussiana de probabilidades, mostrando o valor médio medido

Universidade Tecnológica Federal do Paraná – UTFPR -Departamento de Física 6

Capítulo 1 - Discussão geral introdutória

1.1 - A metodologia científica na Física Experimental

A cada dia, sugere-se a utilização da seguinte sequência de anotações:

Data, Experimento, Equipe

Anote o dia em que o experimento foi realizado, o nome do experimento, e os nomes

Aqui, de forma sucinta e numerada, deverão ser estabelecidos os objetivos gerais do

Universidade Tecnológica Federal do Paraná – UTFPR -Departamento de Física 7

equipamentos e materiais empregados no seu desenvolvimento com respectivos

As tabelas podem ser utilizadas para agrupar séries de dados coletados em

Universidade Tecnológica Federal do Paraná – UTFPR -Departamento de Física 8

Medida Espessura (mm)