Tratamento de Incertezas e Gráficos

Fı́sica Experimental - UFSC Blumenau

14 de junho de 2021
Sumário

1 Introdução 3
1.1 Algarismos significativos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Notação cientı́fica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3 Arredondamentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4 Operações com algarismos significativos . . . . . . . . . . . . . . . . . . . . 8
1.4.1 Adição e Subtração . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4.2 Multiplicação e Divisão . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4.3 Potenciação e Radiciação . . . . . . . . . . . . . . . . . . . . . . . . 9

2 Tipos de incerteza 11
2.1 Incertezas sistemáticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2 Incertezas de escala . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.3 Incertezas aleatórias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.3.1 Valor médio: estimativa do valor verdadeiro . . . . . . . . . . . . . . 15
2.3.2 Desvio padrão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.3.3 Erro percentual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.4 Combinando incertezas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

1
3 Propagação de Erros 18
3.1 Método da incerteza máxima . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2 Aspectos da abordagem estatı́stica para propagação de erros . . . . . . . . . 19
3.2.1 Fórmula de propagação geral . . . . . . . . . . . . . . . . . . . . . . 19
3.2.2 Casos especı́ficos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.2.3 Exemplos de aplicações . . . . . . . . . . . . . . . . . . . . . . . . . 20

4 Gráficos 23
4.1 Construção de gráficos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
4.2 O método da mão livre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.3 Regressão linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.4 Linearização . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.5 Gráficos mono-log e di-log . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.5.1 Gráfico mono-log . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.5.2 Gráfico di-log . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

2
Capı́tulo 1
Introdução

Com frequência visamos determinar o valor numérico (mais provável) de certas quanti-
dades fı́sicas como massa, comprimento, tempo, etc. Para isso, faz-se necessário utilizar
instrumentos de medida, através dos quais realizamos comparações com certos padrões,
por exemplo: uma medida de comprimento de um determinado objeto no laboratório só
é possı́vel a partir da comparação com uma escala (padrão) apresentada numa régua ou
instrumento de medida similar. Mas, além de registrar a medida, devemos ser capazes de
determinar a confiabilidade associada à medida realizada, a qual sempre será afetada por
incertezas ou erros experimentais. Com efeito, são diversos os fatores que influenciam uma
medida. Podemos citar alguns deles:

I. o equipamento utilizado;

II. o método empregado na medida;

III. o número de medidas efetuadas.

Além disso, precisamos estabelecer algumas definições para expressar de modo coerente
as medidas realizadas. Ainda, geralmente o resultado que queremos obter depende da
combinação de diversas grandezas que são medidas por métodos e equipamentos distintos,

3
os quais possuem precisão e incerteza também diferentes. Veremos que existem diversos
aspectos que compõem uma medida, o número de algarismos significativos, como expressá-
la em termos da notação cientı́fica, como combinar medidas diferentes com algarismos
significativos diferentes e arredondá-los após realizarmos operações matemáticas com as
mesmas.
Para levar em conta os diversos aspectos inerentes às medidas, vamos expressá-las da
seguinte forma:
M = (m + ∆m)[u], (1.1)

onde M representa a medida, m é um número que representa o valor desta medida, ∆m é

a incerteza associada à mesma e [u] é a unidade da grandeza fı́sica medida.
O valor m pode ser obtido pela comparação direta com um padrão (como uma régua,
por exemplo) ou indiretamente (como uma medida de tempo em relação a oscilação de um
pêndulo, por exemplo). A incerteza ∆m dependerá, em princı́pio, da precisão dada pela
escala do instrumento utilizado, e do método utilizado. Outros fatores podem influenciar
estes valores, conforme veremos adiante. Por último, por tratar-se de grandezas fı́sicas,
elas possuem uma unidade de medida [u], que dependerá do tipo de instrumento utilizado
para a medição (centı́metros, para uma régua graduada em centı́metros, ou polegadas para
uma trena graduada em polegadas).

1.1 Algarismos significativos

Ao realizarmos uma medida, a precisão do valor obtido não pode ser maior do que aquela
permitida pela escala do instrumento utilizado. Tomemos como exemplo a régua ilustrada
na Figura 1.1. Ao medirmos o comprimento de uma barra com esta régua, graduada em
centı́metros, só podemos ter certeza de que seu comprimento é maior do que 4 e menor do
que 5 centı́metros. Contudo, podemos fazer uma estimativa (a qual depende da habilidade
de quem faz a leitura) do valor intermediário, embora não possamos ter certeza deste valor.

4
 Figura 1.1: Figura extraı́da da referência [1].

Assim, poderı́amos dizer que o comprimento da barra é 4,7 cm, 4,8 cm ou até mesmo 4,5
cm. Nesta medida, dizemos que o algarismo 4 é aquele lido com certeza, enquanto aqueles
que foram estimados (após a vı́rgula, neste caso) são ditos duvidosos. Portanto, de acordo
com a equação (1.1), poderı́amos ter m = 4, 7 cm, por exemplo.
Os dois números que compõem a medida são ditos algarismos significativos, dentre os
quais temos um certo (o número 4) e um duvidoso (o número 7). A medida pode possuir
diversos algarismos certos, dependendo apenas da precisão dada pela escala, mas somente
um algarismo duvidoso. Assim, dizer que a barra possui um comprimento m = 4, 75 cm
está errado, pois não temos como avaliar uma precisão destas com a régua utilizada, e temos
aı́ dois algarismos duvidosos. Podemos, então, dizer que os algarismos significativos são
aqueles todos os quais são lidos com certeza mais o primeiro algarismo duvidoso. Exemplo:

• 4,20 cm possui 3 algarismos significativos;

• 0,27 s possui 2 algarismos significativos;

• 6,030 kg possui 4 algarismos significativos.

Note que os zeros à esquerda não são contabilizados como algarismos significativos. Aqui,
para facilitar nossa discussão, indicaremos o algarismo duvidoso colocando uma barra em
cima do mesmo, e.g., 9, 765̄ cm.
Nas Figuras 1.2 e 1.3, podemos ver como instrumentos de medida com precisões di-
ferentes nos dão valores diferentes de medida para um mesmo objeto. No primeiro caso,
podemos dizer que a medida esta certamente entre 3,4 cm e 3,5 cm. Digamos 3,48̄ cm,

5
onde o último algarismo é o duvidoso. No segundo caso, o paquı́metro nos dá, com certeza,
que a medida deve estar próxima de 33,65̄ mm, ou seja, 3,365̄ cm. No caso do paquı́metro,
como existe um ‘nônio’ (ou ‘vernier’), não estimamos o algarismo duvidoso, ele é dado pelo
valor lido no nônio. Atente também ao fato de que a leitura na escala do instrumento deve
ser feita perpendicular à régua, para evitar erros de paralaxe.

Figura 1.2: Cilindro medido com uma régua com precisão de 1 mm

Figura 1.3: Cilindro medido com um paquı́metro com precisão de 0,05 mm

6
1.2 Notação cientı́fica

A notação cientı́fica faz uso de potências de dez para expressar valores de modo que os nú-
meros possuam somente um algarismo antes da vı́rgula. Esta notação facilita a visualização
de números muito grandes ou muito pequenos e a identificação dos algarismos significati-
vos, principalmente ao realizarmos transformações de unidades. Assim, o número antes da
vı́rgula deve estar entre 1 e 9.
Exemplos:

• 245 cm = 2,45 ×102 cm;

• 7,00 kg = 7,00 ×103 g;

Note que devemos preservar o mesmo número de algarismos significativos que o valor
expresso anteriormente.

1.3 Arredondamentos

As operações que faremos com as grandezas medidas resultarão em outros valores. Por
vezes, o valor final obtido possuirá mais algarismos duvidosos do que apenas um, sendo
necessário estabelecermos um critério de modo a mantermos sempre apenas um algarismo
significativo. Para tanto, seguiremos as seguintes convenções de arredondamento:

1. Se numa dada quantidade o algarismo que vier logo após o primeiro algarismo du-
vidoso for maior do que 5, aumenta-se em uma unidade o algarismo duvidoso e
descartam-se os demais.
Exemplos:

• 7,35̄69 N→ 7, 36̄ N;

• 0,450̄8 J→ 0, 451̄ J;

• 2.6̄89 s→ 2.7̄00 s → 2, 7̄ × 103 s.

7
 Note que para evitar possı́veis ambiguidades em relação ao número de algarismos
significativos, podemos utilizar a notação cientı́fica.

2. Se o algarismo que vier logo após o primeiro algarismo duvidoso for menor do que 5,
simplesmente descartam-se os demais e mantém-se o primeiro algarismo duvidoso.
Exemplos:

• 5,7̄48 mm→ 5, 7̄ mm;

• 19̄3 kg → 19̄0 kg.

No caso do exemplo anterior, terı́amos:

19̄3 kg → 1, 9̄3 × 102 kg→ 1, 9̄ × 102 kg. Assim, garantimos que temos apenas 2
algarismos significativos, enquanto o valor de 190 pode nos parecer que possui 3
algarismos significativos.

1.4 Operações com algarismos significativos

Os critérios de arredondamento definidos anteriormente serão úteis ao determinarmos o

número de algarismos significativos ao realizarmos operações matemáticas com as grande-
zas medidas. Tal determinação é importante pelo fato de que diferentes medidas realizadas
com instrumentos com precisão diferente possuem um número diferente de algarismos sig-
nificativos e portanto, ao combiná-las, devemos tomar cuidado para que não expressemos
o valor resultante com uma precisão maior do que a permitida pelos valores utilizados. É
importante frisar que os arredondamentos devem ser realizados somente no final das contas.
Existem basicamente três critérios, que listaremos a seguir.

1.4.1 Adição e Subtração

Na adição ou subtração de números com algarismos significativos, o critério utilizado é tal

que o resultado final obtido seja arredondado de modo que este possua o mesmo número

8
de casas decimais que a parcela da soma com menos decimais.
Exemplos:

• 3,236̄ s +2, 87̄ s +4, 975̄ s = 11, 08̄1 s → 11, 08̄ s;

• 75̄ m −9, 23̄ m −2, 6̄ m = 63̄, 17 m → 63̄ m.

Note que no primeiro exemplo, mesmo que a segunda parcela possua menos algarismos
significativos (três) que as outras (quatro), o resultado final ainda possui quatro algarismos
significativos, mas apenas 2 números após a vı́rgula, i.e., duas casas decimais. Veremos que
este não é o caso para a multiplicação e divisão.

1.4.2 Multiplicação e Divisão

Diferentemente do caso anterior, para a adição e subtração, quando realizamos operações

de multiplicação ou divisão, o número de algarismos significativos a ser mantido no final
da operação é igual ao do fator que possui menos algarismos significativos.
Exemplos:

• 27, 4̄ N × 0, 0058̄ m = 0, 15̄892 N · m = 0, 16̄ N · m;

• 3,26̄7 g
2,5̄ cm3
= 1, 3̄068 g/cm3 = 1, 3 g/cm3 .

1.4.3 Potenciação e Radiciação

Para a potenciação e radiciação, utilizamos o mesmo critério definido anteriormente para a

multiplicação e divisão. Assim, o número de algarismos significativos a ser mantido é igual
aquele da grandeza operada.
Exemplos:

• (3, 66̄ m)3 = 49, 02̄7896 m3 = 49, 0̄ m3 ;

•
p
54, 3̄ s2 = 7, 36̄8853371 s = 7, 37 s.

9
 Ainda, no caso de operações que envolvam constantes matemáticas (tais quais π, e,
ou números puros), devemos manter o número de algarismos significativos das grandezas
medidas.

10
Capı́tulo 2
Tipos de incerteza

Tendo em vista a impossibilidade de tratar com absoluta certeza o valor real de uma
medida, assim como o sua incerteza, o tratamento de medidas realizadas em laboratório será
baseado na análise estatı́stica de dados experimentais, sobre a qual discutiremos brevemente
na sequência. Começamos apresentando os três principais tipos de incerteza que afetam
medidas experimentais: (1) de escala, (2) sistemática ou (3) aleatória. Por último, existe
uma classificação chamada de erros grosseiros, na qual se encaixam erros de leitura devido a
falta de atenção por parte do observador, manuseio inadequado do instrumento de medida,
distração e qualquer outra fonte do erro que atribua à medida um valor extremamente
longe daquele esperado em relação às outras.
Cada uma das incertezas elencadas acima possui um tratamento especı́fico. Embora não
consigamos eliminá-las todas por completo, podemos estimar um intervalo de confiança que
nos garante a qualidade da medida. Para tanto, é necessário também que definamos dois
conceitos importantes em relação ao ato de medição em si, são eles a precisão e exatidão.
Na Figura 2.1, podemos notar em caráter esquemático a representação de dardos em
um alvo. Digamos que o valor correto da grandeza que queremos medir (lembrando que
não temos como conhecer o real valor da medida) é o centro do alvo, e os valores medidos
correspondem às marcas dos dados. Assim, no alvo da extrema esquerda, vemos que

11
 Figura 2.1: Figura extraı́da da referência [3].

existe um conjunto de dardos na borda do alvo, todas distribuı́das de forma relativamente

uniforme em torno de um dado ponto que não o centro do alvo. Dizemos que uma situação
como esta representa uma medida precisa, pois todas as medidas são coerentes entre si,
mas não exata (pois não correspondem ao valor esperado da medida). No alvo do centro
da Figura 2.1, temos vários dardos distribuı́dos pelo alvo, de modo que eles não são nem
coerentes entre si e nem acertam o centro do alvo, ou seja, correspondem a medidas de
baixa precisão e de baixa exatidão. Por último, no alvo à direita, os dardos estão todos em
torno do centro, de modo que correspondem a medidas precisas e exatas.
Assim, podemos dizer que medidas exatas são aquelas com erros sistemáticos desprezı́-
veis e que se aproximam do valor real de uma medida, enquanto as medidas precisas são
aquelas para as quais os erros aleatórios são mı́nimos e cuja reprodutibilidade é coerente.
De acordo com a equação (1.1), as incertezas são representadas por ∆m. Podemos
então dizer que a incerteza máxima de uma medida é dada pela combinação de todas as
incertezas. Duas diferenças importantes em relação à quantidade m devem ser enfatizadas:

i) as incertezas são sempre arredondadas para cima, independentemente do algarismo

que sucede o primeiro algarismo duvidoso;

ii) as incertezas devem possuir apenas 1 algarismo significativo.

12
2.1 Incertezas sistemáticas

Já as incertezas ditas sistemáticas são aquelas que afetam todas as medidas realizadas
durante um experimento. A incerteza de escala não deixa de ser uma incerteza sistemática,
se todas as medidas forem realizadas com o mesmo instrumento. Contudo, as incertezas
sistemáticas são mais abrangentes do que isso, elas incluem outros fatores inerentes que
se estendem a todas as medidas realizadas: podem ser devidas a uma má calibração de
um instrumento, uma condição do laboratório que faça com que as medidas se desviem do
valor real, ou até mesmo uma montagem mal feita do experimento. Uma vez encontrada,
a incerteza sistemática pode ser eliminada corrigindo-se a fonte de erro.

2.2 Incertezas de escala

As incertezas relativas à escala são aquelas que se devem a precisão do instrumento utilizado
para realizar a medida. Ao medirmos um comprimento com uma régua, por exemplo,
podemos utilizar um instrumento graduado em centı́metros enquanto outra régua pode
possuir graduações em milı́metros. Ainda, podemos realizar medidas com um paquı́metro,
que nos dá uma precisão de até décimos de milı́metros. Assim, as medidas realizadas com
instrumentos diferentes podem ser mais incertas ou menos incertas, dependendo da precisão
da escala.

• Erros de escala em instrumentos analógicos:

No caso de medidas realizadas com instrumentos analógicos, o valor de ∆m corres-
ponde à metade da menor escala do instrumento. No caso da régua da Figura 1.2,
a graduação é dada em milı́metros de modo que a menor escala é 1 mm. Assim, a
1 mm
incerteza associada será metade 1 mm, ou seja, ∆m = 2 = 0, 5 mm.

Caso o menor intervalo da escala seja tal que a sua divisão por 2 retorne um número
com mais de um dı́gito, devemos arredondá-lo até que a incerteza possua somente

13
 um único algarismo significativo. Por exemplo, supondo que a menor escala de uma
0,5 g
balança seja 0,5 g, a incerteza será dada por ∆m = 2 = 0, 025 g = 0, 03 g.

• Erros de escala em instrumentos não-analógicos:

Os instrumentos não analógicos compreendem os instrumentos digitais e os instru-
mentos com o nônio (ou vernier). No caso destes instrumentos não é possı́vel estimar
o algarismo duvidoso, sendo que este é dado pela leitura do último dı́gito no caso di-
gital e pela leitura do nônio nos outros casos. Assim, a incerteza associada será dada
pela menor escala medida. Por exemplo, para a Figura 1.3, a incerteza é ∆m = 0, 05
mm, que é a menor divisão dada pelo nônio do instrumento.

É comum também expressar a incerteza em termos de um erro percentual, da seguinte

forma:

|xt − x|
E% = × 100%, (2.1)
xt

e xt é o valor teórico ou esperado de uma medida, e x é o valor do resultado encontrado.

2.3 Incertezas aleatórias

As incertezas do tipo aleatória são aquelas de natureza estatı́stica, que influenciam cada
uma das medidas de modo independente. Aqui se encaixam pequenas perturbações no
experimento, desvios de leitura da escala do instrumento utilizado, flutuações na leitura de
instrumentos digitais e, principalmente, todos os outros possı́veis erros que não podemos
controlar. Assim, contrariamente às incertezas sistemáticas, as incertezas aleatórias não
podem ser eliminadas.

14
2.3.1 Valor médio: estimativa do valor verdadeiro

Para compensar a presença de incertezas aleatórias, em geral é preciso efetuar diversas

medidas da mesma grandeza fı́sica, a fim de que o valor médio de N medidas,

N
1 X
x̄ = xi , (2.2)
N
i=1

represente uma estimativa confiável do valor real da grandeza medida (lembrando que este
é, por definição inacessı́vel). Desta forma, se considerarmos a forma geral que adotamos
para a medida, M = m ± ∆m, o valor médio corresponderá à m, ou seja, m = x̄.

2.3.2 Desvio padrão

Do mesmo modo que definimos uma incerteza para as medidas realizadas com instrumen-
tos analógicos e não-analógicos, podemos definir uma incerteza associada às medidas com
incertezas aleatórias. Para tanto, faremos uso do conceito de desvio.
O desvio de uma medida é dado pela diferença entre o seu valor e a média dos valores,
ou seja,
di = xi − x̄. (2.3)

Como o desvio é calculado para cada medida de modo independente, podemos criar um
desvio padrão, que leva em conta o desvio de todas as n medidas realizadas, ou seja,

sP sP
n 2 n
i=1 di − x̄)2
i=1 (xi
σ= = . (2.4)
n−1 n−1

Ainda assim, estatisticamente, tal desvio só representa a melhor incerteza aleatória para
o valor médio quando conhecemos toda a nossa população a ser medida, o que geralmente
não é o caso. Para encontrar um melhor valor para a incerteza aleatória, utilizamos uma

15
correção no valor do desvio padrão, dado pelo desvio padrão da média, da seguinte forma:

σ
σ̄ = √ . (2.5)
n

Este é o valor que fara as vezes de incerteza, ∆m na nossa medida, ou seja, M = x̄ ± σ̄.

2.3.3 Erro percentual

Muitas vezes queremos comparar o valor obtido com o valor esperado de uma medida ou
resultado. É comum, portanto, expressá-lo em termos de uma porcentagem que explicite o
quanto o resultado é confiável. Para tanto, fazemos uso do erro percentual, que pode ser
definido em termos das quantidades anteriores, valor médio e desvio padrão da média, da
seguinte forma:

 σ̄ 
= × 100%. (2.6)
x̄

2.4 Combinando incertezas

De modo geral, podemos classificar as incertezas em dois tipos: incerteza do tipo A e incer-
teza do tipo B. As incertezas do tipo A são aquelas associadas às flutuações estatı́sticas de
várias medidas de uma mesma grandeza. São, essencialmente, associadas ao desvio padrão
obtido pelas diversas medidas, correspondendo às incertezas aleatórias. Já as incertezas do
tipo B são todas as outras que não as do tipo A. De modo geral, são associadas à precisão
dos instrumentos utilizados e métodos de medição.
Por vezes, uma medição pode introduzir tanto incertezas do tipo A quanto incertezas
do tipo B, de modo que é necessário combinar ambas as incertezas. Isso é feito por meio da
soma quadrática destas incertezas, ou seja, a incerteza total ∆T será dada pela combinação
da incerteza do tipo A, DeltaA, daquela medida e da incerteza do tipo B, ∆B, da seguinte

16
forma:
p
∆T = (∆A)2 + (∆B)2 . (2.7)

17
Capı́tulo 3
Propagação de Erros

Um sistema de unidades geralmente define quantidades linearmente independentes entre

si, de modo que todas as grandezas fı́sicas serão expressas, em última análise, por produtos
de potências destas quantidades. Portanto, invariavelmente esbarraremos no problema de
como combinar medidas realizadas com instrumentos diferentes a fim de encontrar um re-
sultado que expresse a grandeza desejada. Justamente por combinar grandezas diferentes,
deveremos também definir um método para combinar de modo coerente as incertezas asso-
ciadas a cada uma destas medidas. Ao ato de se calcular incertezas resultantes de outras
previamente estabelecidas dá-se o nome de ‘propagação de incertezas’.
É importante frisar que não há um método exclusivo para a propagação de incertezas.
Contudo, há estimativas que podem ser consideradas mais ou menos confiáveis de acordo
com o método aplicado. Discutiremos aqui dois possı́veis caminhos para a propagação
de incertezas: (1) o método da incerteza máxima e (2) o método estatı́stico utilizado no
tratamento de medidas com incertezas aleatórias.

18
3.1 Método da incerteza máxima

Seja w = w(x, y, z, . . .), uma função de múltiplas variáveis aleatórias. Se conhecermos

as incertezas totais associadas a cada uma delas, ∆x, ∆y, ∆z, . . ., calculamos a incerteza
máxima como:
     
 ∂w   ∂w   ∂w 
w = w(x, y, z, . . .) → ∆w = 
  ∆x + 
  ∆y + 
  ∆z + . . . (3.1)
∂x  ∂y  ∂z 

3.2 Aspectos da abordagem estatı́stica para propagação de erros

É certamente inviável realizar o tratamento estatı́stico completo para a propagação de

erros sem que, para isto, precisemos introduzir noções de distribuições de probabilidade de
variáveis aleatórias, discretas ou contı́nuas. Limitamo-nos aqui a apresentar um panorama
geral, que permita a um estudante calcular o erro propagado em uma quantidade fı́sica que
dependa de uma ou mais variáveis. A tı́tulo de exemplo, a temperatura de um gás (ideal)
é tal que T(P,V); logo conhecendo as incertezas experimentais nas variáveis P e V, como
determinar a incerteza total em T? É o que veremos a seguir.

3.2.1 Fórmula de propagação geral

Seja w = w(x, y, z, . . .), uma função de múltiplas variáveis aleatórias. Se conhecermos as

incertezas totais associadas a cada uma delas, ∆x, ∆y, ∆z, . . ., calculamos a incerteza total
através da equação:

s 2  2  2
∂w ∂w ∂w
∆w = ∆x2 + ∆y 2 + ∆z 2 + . . . (3.2)
∂x ∂y ∂z

Exemplo: T (P, V ) = aP V (a=constante)

19
 s
∂T 2 ∂T 2
  
p
∆T = 2
∆P + ∆V 2 = (aV )2 ∆P 2 + (aP )2 ∆V 2
∂P ∂V
s 2 
∆V 2

∆P
= T + . (3.3)
P V

3.2.2 Casos especı́ficos

Listamos aqui a expressão para a propagação de incertezas de operações matemáticas

simples que costumam ser utilizadas. As expressões aqui foram obtidas utilizando o método
descrito anteriormente, e recomendamos que o leitor utilize o método para obter estes
resultados, com o propósito de verificar o seu entendimento. Para tanto, consideramos
uma grandeza w(x, y), onde x = x ± ∆x e y = y ± ∆y.

w = nx (n=constante) ∆w = |n|∆x
p
w =x±y ∆w = ∆x2 + ∆y 2
r  2
∆x 2 ∆y


w = xy ∆w = xy x + y
r  2
x ∆x 2 ∆y
∆w = xy


w= y x + y

w = xn ∆w = |nxn−1 |∆x

3.2.3 Exemplos de aplicações

i. área de um quadrado:
A área de um quadraro será dada pelo produto do comprimento da sua base pela sua
altura, ou seja, A = L × D. Se L = l ± ∆l e D = d ± ∆d, qual o valor de A = a ± ∆a?

20
 s 2  2
∂a ∂a
(a ± ∆a) = (l · d) ± ∆l + ∆d
∂l ∂d
p
= (ld) ± (d∆l)2 + (l∆a)2
s 
∆l 2 ∆a 2
 
= ld ± ld + (3.4)
l a

ii. volume de uma esfera:

O volume de uma esfera é dado por V = 43 πR3 , onde R = (r ± ∆r). Assim, temos:

s 2
4 dv 4
V = v ± ∆v = πr3 ± ∆r = πr3 ± 4πr2 ∆r. (3.5)
3 dr 3

Note que no caso de depender de apenas uma variável, podemos calcular diretamente
a derivada total em relação àquela variável, sem a necessidade de somar o quadrado
das incertezas.

iii. densidade de um lı́quido:

M
Para a densidade de um lı́quido, temos D = V , com M = m ± ∆m e V = v ± ∆v.
Assim, a densidade D = ρ ± ∆ρ será:
s 2  2
m ∂ρ ∂ρ
ρ ± ∆ρ = ± ∆m + ∆v
v ∂m ∂v
s 2 
m 1 m 2
= ± ∆m + − 2 ∆v
v v v
s 2 
∆v 2

m m ∆m
= ± + . (3.6)
v v m v

iv. queda livre:

A posição de um corpo em queda livre pode ser expressa como X = g2 T 2 , onde g é a

21
aceleração da gravidade e T = t ± ∆t é o tempo de queda. Assim, X = x ± ∆x será:

g 2 dx g
x ± ∆x = t ± ∆t = t2 ± gt∆t. (3.7)
2 dt 2

22
Capı́tulo 4
Gráficos

A construção de gráficos a partir dos dados obtidos experimentalmente não só facilita a
visualização do comportamento das variáveis em questão, mas também permite que outras
informações relevantes ao problema estudado possam ser encontradas. De modo geral, ao
se conduzir um experimento, devemos analisar como uma variável (dita dependente) se
comporta de acordo com as alterações no valor de outra variável (dita independente). Para
tanto, faz-se uso de uma tabela com tais informações onde registramos o valor da variável
independente, x, e o valor correspondente da variável dependente,y, criando-se assim um
par ordenado (x, y).
Do ponto de vista matemático, podemos dizer que a variável dependente y é função da
variável independente x, ou seja, y = y(x). Assim, utilizando os dados obtidos e organizados
em nossa tabela, podemos marcar cada par ordenado (x, y) em um eixo coordenado e, a
partir daı́, analisar a função y(x) obtida.

4.1 Construção de gráficos

Dado o caráter funcional que esperamos obter para a relação entre os dados, a variável
dependente (também chamada de ‘resposta’) deve ser representada no eixo das ordenadas

23
(eixo-y), enquanto a variável independente será representada no eixo das abscissas (eixo-x).
Consideremos o caso de um carro em movimento: vamos medir a posição do carro a cada
segundo, ou seja, veremos como a posição x do carro varia de acordo com o tempo t, de
modo que x = x(t). Podemos acomodar os dados obtidos em uma tabela, como abaixo, e
marcar os pares ordenados em um gráfico.

Determinação da velocidade


x ± ∆x (m) t ± ∆t (s)


0±0,05 0±0,2

Deslocamento (m)

0,61±0,05 1,0±0,2


1,68±0,05 2,0±0,2
2,76±0,05 3,0±0,2 

3,85±0,05 4,0±0,2 

4,93±0,05 5,0±0,2 

6,02±0,05 6,0±0,2 
       

Tempo (s)

Note que os dados da tabela apresentam as respectivas incertezas, e as mesmas são descri-
tas no gráfico como “barras de erro”. Quando a barra de erro é menor do que a escala do
gráfico, as mesmas podem ser omitidas, embora se faça necessário enfatizar isto e informar

24
qual a incerteza das medidas. Para construir o gráfico a partir dos dados da tabela, as
seguintes recomendações devem ser seguidas:

• identificar os eixos coordenados e as respectivas unidades de medida;

• determinar a escala em cada um dos eixos (preferencialmente múltiplos de 1, 2 e 5.

Evite múltiplos de 3);

• a escala também pode ser apresentada como múltiplos de 10 dos valores anteriores,
ou ainda em notação cientı́fica;

• marcar os pontos da tabela;

Alguns erros comuns devem ser evitados:

• nunca indique no eixo as coordenadas dos pontos graficados;

• não ligue os pontos marcados no gráfico;

• não use mais do que 3 algarismos significativos na escala;

• utilize todo o espaço disponı́vel no papel para a sua escala, de modo que o gráfico
ocupe a maior área possı́vel.

Uma vez que o gráfico tenha sido plotado, podemos obter informações relevantes sobre a
relação entre as variáveis que o compõe. Conforme explicitado anteriormente, queremos
encontrar uma relação funcional entre as variáveis. Se tal relação é linear, y(x) = ax + b
(equação da reta), podemos determinar quais os coeficientes a e b traçando a melhor reta
que passa pelos pontos do gráfico. Se a relação é outra que não a linear, podemos redefinir
as variáveis de modo a tornar a relação linear (tal método é chamado de linearização e será
discutido posteriormente).
Existem diversas maneiras de se determinar qual a melhor reta que se ajusta aos dados,
nos restringiremos aqui a dois métodos: à mão livre e a regressão linear.

25
4.2 O método da mão livre

Se os dados que estão sendo analisados possuem uma relação linear, podemos traçar uma
reta que melhor se ajusta aos pontos plotados. Tal reta deve ser traçada com uma régua de
modo que os pontos fiquem distribuı́dos de forma aleatória ao seu redor. Por ser traçada
manualmente, o método exige um senso crı́tico por parte de quem a desenha. Uma vez
traçada a reta, podemos determinar os coeficientes a e b que compõem a equação da reta,
y(x) = ax + b.
Para encontrar os coeficiente angular e linear escolhemos dois pontos distintos e, prefe-
rencialmente, bem distantes (utilize sempre pontos da reta diferentes dos dados plotados).
Consideremos dois pontos da reta dados por (x1 , y1 ) e (x2 , y2 ). A reta que passa pelo ponto
(x1 , y1 ) possui uma equação dada por y1 = ax1 + b, enquanto a equação da reta que passa
pelo ponto (x2 , y2 ) é dada por y2 = ax2 + b. Temos, portanto, um sistema de duas equações
com duas incógnitas (a e b). Resolvendo este sistema de equações, obtemos

y2 − y1 ∆y
a= = , e b = y1 − ax1 . (4.1)
x2 − x1 ∆x

Uma vez determinados os coeficientes, podemos relacioná-los às grandezas fı́sicas que
estamos interessados. No exemplo dado no gráfico anterior, queremos determinar a veloci-
dade de um carro por meio de um gráfico que relaciona a sua posição em um dado instante
de tempo. De acordo com as equações cinemáticas do movimento retilı́neo uniforme, temos
que o deslocamento de um objeto é descrito por x(t) = x0 + vt. Comparando a equação
do MRU com a equação da reta, vemos que o coeficiente linear corresponde à posição ini-
cial, b → x0 , enquanto o coeficiente angular corresponde à velocidade do objeto, a → v.
Desta forma, os coeficientes calculados representam grandezas fı́sicas e, como tais, possuem
unidades de medida: b possui as mesmas unidades da grandeza representada no eixo-y e,
consequentemente, as mesmas de x0 , ou seja, metros [m]. Já o coeficiente angular, a, possui
∆y
as mesmas unidades de ∆x e v0 , isto é, [m/s].

26
 Podemos ainda calcular o coeficiente linear por extrapolação da melhor reta, o qual
será dado pelo ponto onde a reta intercepta o eixo-y, ou seja y(0) = b.

4.3 Regressão linear

A regressão linear simples é uma das técnicas mais utilizadas para se determinar como uma
variável dependente é afetada pelas mudanças na variável independente. A regressão linear
possui três objetivos principais:

1. descrever a dependência linear de uma variável em relação a outra;

2. prever valores de uma variável a partir dos valores de outras que possuem mais dados
disponı́veis;

3. corrigir a dependência linear de uma variável em relação a outra, a fim de se esclarecer

outras caracterı́sticas de sua variabilidade.

Qualquer reta que passe por uma distribuição de dados irá se desviar de cada um dos
pontos em um grau maior ou menor. A distância vertical entre um ponto dos dados e a
reta ajustada é chamada de ‘residual’. Esta distância é uma medida do erro da predição,
ou seja, é a discrepância entre o valor atual da variável dependente (resposta) e o valor
predito pela reta. A regressão linear determina a reta de melhor ajuste que passa por um
conjunto de dados, de modo que a soma quadrática dos residuais seja minimizada. Assim,
o ajuste linear é aquele que faz com que a soma quadrática dos erros seja a menor possı́vel
e, por isso, também é chamado de “Método dos Mı́nimos Quadrados”.
Matematicamente, queremos resolver o seguinte problema:

Dado um conjunto de n pontos (Xi , Yi ) em um gráfico, encontre a reta Ŷi =

a + bXi que melhor se ajusta aos dados, tal que a soma quadrática dos erros
em Y , ni=1 (Yi − Ŷi )2 seja minimizada.
P

27
 Pn
Para tanto, vamos chamar a soma quadrática dos erros em Y de Q, Q = i=1 (Yi − Ŷi )2 .
∂Q ∂Q
Então, Q será minimizado para os valores de a e b tais que ∂a = 0 e ∂b = 0. Para a
primeira dessas condições, temos:

n n
∂Q X ∂ X ∂
= (Yi − Ŷi )2 = (Yi − a − bXi )2
∂a ∂a ∂a
i=1 i=1
n n n
!
X X X
= −2 (Yi − a − bXi ) = 2 na + b Xi − Yi = 0, (4.2)
i=1 i=1 i=1

que, resolvendo para a, nos dá:

a = Ȳ − bX̄, (4.3)

1 Pn 1 Pn
onde definimos as quantidades médias Ȳ = n i=1 Yi e X̄ = n i=1 Xi . A equação
anterior nos diz que a constante a (coeficiente linear) deve ser escolhida de modo que a
melhor reta passe pela média de x e y. Para a segunda condição, temos:

n n
∂Q X X
Xi Yi − aXi − bXi2 = 0.


= −2Xi (Yi − a − bXi ) = −2 (4.4)
∂b
i=1 i=1

Substituindo o valor encontrado para a anteriormente, temos

n
X
Xi Yi − Xi Ȳ + bXi X̄ − bXi2 = 0,


(4.5)
i=1

e separando a soma em duas, colocando b em evidência, obtemos

n
X n
X
Xi2 − Xi X̄ = 0,



Xi Yi − Xi Ȳ − b (4.6)
i=1 i=1

ou seja, Pn
Pn
i=1 Xi Yi − Xi Ȳ (Xi Yi ) − nX̄ Ȳ
b = Pn 2

= Pi=1
n 2


2
. (4.7)
i=1 Xi − Xi X̄ i=1 Xi − nX̄

Desta forma conseguimos determinar quais os coeficientes a e b da reta que melhor se ajusta
aos dados em questão. Podemos ainda determinar qual a incerteza associada a cada um

28
desses coeficientes. Embora uma discussão mais aprofundada sobre este assunto fuja do
escopo destas notas, deixamos aqui as equações que nos dão tais incertezas:
qP
(aXi +b−Yi )2
• ∆Y = (N −2)

• Incerteza do Coeficiente Angular: ∆a = √P ∆Y ;

(Xi −X̄)2
r P 2
Xi
• Incerteza do Coeficiente Linear: ∆b = N (Xi −X̄)2
P ∆Y .

4.4 Linearização

Muita vezes conhecemos a forma funcional desta relação e apenas queremos determinar
os coeficientes que multiplicam as variáveis; noutras estamos justamente interessados em
descobrir qual função se ajusta melhor aos pontos em questão. Obviamente nem toda
relação entre variáveis é linear e, embora existam métodos mais avançados que sejam
capazes de encontrar tal relação, pode ser extremamente complicado definir visualmente
se um dado conjunto de dados obedece uma relação polinomial do tipo y(x) = x2 , y(x) =
x4 ou y(x) = x6 , por exemplo (Figura 4.1). De modo a facilitar a interpretação dos
dados, é comum redefinir as variáveis de modo que estas representem a equação de uma
reta, Y (X) = AX + B e, a partir daı́, determinar os coeficientes a e b.
Para tanto, consideremos o exemplo de um objeto em queda livre. De acordo com
as equações do movimento retilı́neo uniformemente acelerado, o tempo de queda t de um
objeto em queda livre sujeito à aceleração g da gravidade varia com a altura da seguinte
q
2
forma: t(h) = g h. Note que a variável independente neste caso é a altura da qual o

objeto é solto, enquanto a variável dependente é o tempo. Ao medirmos o tempo de queda

para diferentes alturas, obtemos

29
Figura 4.1: A curva azul corresponde à função y(x) = x2 , a laranja corresponde à y(x) = x4
e a verde à y(x) = x6 .

Determinação da
aceleração da gravidade



h ± ∆h (cm) t ± ∆t (s)
15,00±0,05 0,19±0,01 
Tempo de queda (s)

30,00±0,05 0,26±0,01
45,00±0,05 0,31±0,01 

60,00±0,05 0,36±0,01

75,00±0,05 0,40±0,01


        

Altura (m)
Podemos notar que a distruibuição dos pontos não é linear, conforme esperado. Contudo,
se fizermos um gráfico de t2 × h, obtemos: A equação da reta plotada no gráfico da Figura
4.2 pode ser encontrada se fizermos as substituições t2 → Y e h → X, ou seja,

2
Y (X) = AX + B ⇔ t2 (h) = h, (4.8)
g

30
 Linearização para
a determinação de g







Tempo2 (s2)












        

Altura (m)

Figura 4.2: Exemplo de linearização

de modo que os coeficientes linear e angular são dados por

2
B=0 e A= . (4.9)
g

Assim, calculando os coeficientes utilizando algum dos métodos descritos anteriormente,

podemos determinar a aceleração da gravidade.

4.5 Gráficos mono-log e di-log

O método de linearização discutido anteriormente trata essencialmente de linearização das

equações. Contudo, podemos fazer uma linearização diretamente no gráfico, mudando a
escala do mesmo. Para tanto, fazemos uso de uma escala logarı́tmica, em apenas um
(utilizando uma escala mono-log) ou em ambos os eixos (escala di-log).

31
 Crescimento exponencial de bactérias Crescimento exponencial de bactérias
 




Número de bactérias

Número de bactérias


 





 

             

Tempo (minutos) Tempo (minutos)

Figura 4.3: Crescimento exponencial de bactérias governado pela equação x(t) = Cat/τ .
O gráfico à esquerda apresenta uma escala linear no eixo-y, enquanto o gráfico à direita
apresenta uma escala logarı́tmica no eixo-y.

4.5.1 Gráfico mono-log

Por vezes estamos interessados em analisar o comportamento descrito por funções cuja
variável independente é uma potência de um dado valor, como uma função exponencial,
por exemplo. Nestes casos, é útil plotarmos o resultado num gráfico cuja escala no eixo-y,
referente à variável independente, é dado de forma logarı́tmica. Consideremos o seguinte
caso, no qual uma colônia de bactérias cresce de acordo com a equação x(t) = Cat/τ ,
conforme o gráfico à esquerda da Figura 4.3. Contudo, se mudarmos a escala do eixo-y
para uma escala logarı́tmica, obtemos o resultado mostrado no gráfico à direita da Figura
4.3. Ao procedermos desta maneira, não precisamos realizar a linearização da equação em
questão para obter uma reta. Contudo, para extraı́rmos informações relevantes do gráfico,
convém tomarmos o logarı́tmo da equação utilizada,

x(t) = at/τ ⇒ log x = log Cat/τ (4.10)

t
= log x = log C + log a. (4.11)
τ

32
De acordo com a última seção, a linearização para obtermos uma reta do tipo Y (X) =
log a
AX +B, neste caso se dará pelas seguintes substituições, log(x) → Y , τ → A, log C → B
e t → X.

4.5.2 Gráfico di-log

Os gráficos di-log (ou log-log), semelhante ao caso anterior, altera as escalas lineares dos
eixos por escalas logarı́tmicas. Contudo, esta alteração é feita em ambos os eixos, x e
y. Tais construções facilitam a determinação de parâmetros nos casos em que a variável
independente está elevada a alguma potência, permitindo que determinemos qual potência
é esta. Para tanto, consideremos o caso da variação da frequência angular de oscilação
de um corpo preso a uma mola de constante elástica k. Conforme variamos a massa do
corpo preso à mola, a frequência de oscilação varia da seguinte forma: ω 2 = k/m. Um
gráfico linear de m × ω está à esquerda da Figura 4.4, enquanto um gráfico com escalas
logarı́tmicas está à direita.

Determinação da constante elástica Determinação da constante elástica

2 2
Frequência de oscilação (Hz)

Frequência de oscilação (Hz)

20 30 40 50 60 70 80 90 100 20
110 30 40 50 60 70 80 90 100 110

Massa (g) Massa (g)

Figura 4.4: O gráfico da esquerda mostra o comportamento da frequência de oscilação de

um corpo preso à uma mola num gráfico linear, enquanto o gráfico da direita mostra o
mesmo comportamento num gráfico com ambas as escalas logarı́tmicas.

33
 De fato, se tomarmos o logarı́tmo da equação anterior, temos,

k k
ω2 = ⇒ log ω 2 = log (4.12)
m m
1 1
= log ω = log k − log m, (4.13)
2 2

ou seja, obtemos uma reta do tipo Y = AX+B com as substituições log ω → Y , log m → X,
− 21 → A e 1
2 log k → B. Assim, determinando o coeficiente angular da reta no gráfico di-log
1
obtemos o expoente de m e o coeficiente linear nos dá 2 log k.

34
Referências Bibliográficas

[1] J. J. Piacentini, B.C.S. Grandi, M.P. Hofmann, F. R.R. de Lima, E. Zimmermann.

Introdução ao Laboratório de Fı́sica, 4a Ed., 2012, Editora UFSC.

[2] J.H. Vuolo, Fundamentos da Teoria de Erros, 2a Ed., 1996, Edgard Blucher.

[3] C.H.B. Cruz, H.L. Fragnito, I.F. da Costa, B.A. Mello, Guia de Fı́sica Experimental:
Caderno de Laboratório, Gráficos e Erros, Instituto de Fı́sica, Unicamp, 1997 (acesso
livre: http://www.ifi.unicamp.br/ brito/graferr.pdf).

35