Escolar Documentos
Profissional Documentos
Cultura Documentos
Resumo.
1. Teoria
Contudo, a média pode dar uma conclusão equivocada sobre um conjunto. Assim,
utilizam-se outras fórmulas, muitas das quais usam a média em seus cálculos, direta ou
indiretamente.
O desvio padrão (𝜎𝑥 ) mede a dispersão dos dados em relação a média desses valores. Ou
seja, avalia a uniformidade dos dados do conjunto, indicando se os valores estão próximos
da média ou distantes. Quanto mais próximo de zero for o desvio padrão, mais os valores
se aproximam da média e mais homogêneo é o conjunto. Visto que será feito a análise de
várias amostras de dados, será empregado o cálculo do desvio padrão amostral, cuja
equação está apresentada abaixo (BLOG DE ESTATÍSTICA DA PROF. FERNANDA
MACIEL,2023; PSICOMETRIA.ONLINE,2023).
1
𝜎𝑥 = √(𝑁−1) ∑𝑁 2
𝑖=1(𝑥𝑖 − 𝑥̅ ) (2)
O desvio padrão da média, erro estatístico ou erro-padrão (𝛿𝑥̅ ) é uma medida que avalia
o quão preciso é a média de uma amostra em comparação à média populacional, ou seja,
qual é a qualidade e acurácia de uma amostra no que diz respeito à proximidade de sua
média com o verdadeiro valor da média da população. Quanto menor for o valor do erro
estatístico, mais perto o valor da média amostral está da média populacional. (BLOG DE
ESTATÍSTICA DA PROF. FERNANDA MACIEL,2023; FM2S EDUCAÇÃO E
CONSULTORIA,2023; PSICOMETRIA.ONLINE,2023).
𝜎𝑥 1
𝛿𝑥̅ = = √𝑁(𝑁−1) ∑𝑁 2
𝑖=1(𝑥𝑖 − 𝑥̅ ) (3)
√𝑁
O erro total (∆𝑥) tem como finalidade mensurar os erros sistemáticos e aleatórios que
afetam o processo de análise de dados, além de quantificar a incerteza dos métodos e
equipamentos utilizados, refletindo a qualidade analítica durante o procedimento
experimental. Com a quantificação desse erro, é possível estabelecer um intervalo no qual
resultados diferentes para um mesmo experimento possam ser aceitos, já que, devido às
incertezas presentes na mensuração das grandezas, não é possível conseguir resultados
exatamente iguais. Abaixo está a fórmula usada para calcular o erro total, em que ∆𝑥𝑖𝑛𝑠𝑡
é o erro instrumental. (POSSAS,2012).
∆𝑥 = √(𝛿𝑥̅ )2 + (∆𝑥𝑖𝑛𝑠𝑡 )2 (4)
Muitas vezes é preciso calcular o erro de uma função, como por exemplo, o perímetro de
um retângulo. O erro total de uma função resultante da soma de duas variáveis W(a, b) =
𝑎 ± 𝑏, sendo as variáveis as medidas tiradas N vezes é definido pela equação a seguir:
De maneira mais genérica, o erro total de uma função qualquer é definido pela fórmula:
𝜎𝑊 2 2 𝜎𝑊 2 2 𝜎𝑊 2 2
𝛥𝑊 = √( 𝜎𝑥 ) ⋅ (𝛥𝑥) + ( 𝜎𝑦 ) ⋅ (𝛥𝑦) + ( 𝜎𝑧 ) ⋅ (𝛥𝑧) (6)
Quando análises estatísticas são feitas, é comum deparar-se com a presença de variações
entre os dados observados e as previsões teóricas ou até mesmo em relação a outros
conjuntos experimentais. Com o intuito de reduzir tais disparidades e obter uma
estimativa mais precisa e exata, é possível utilizar métodos de regressão linear, que visam
modelar a relação entre variáveis, permitindo a identificação de padrões e tendências nos
dados. Isso se torna possível através de fórmulas estatísticas específicas, que serão
descritas abaixo.
A regressão linear é uma técnica estatística utilizada para modelar a relação entre duas
variáveis, geralmente representada por 𝑥 e 𝑦. Considerando 𝑛 pares de observações
(𝑥𝑖 , 𝑦𝑖 ) onde 𝑖 = 1,2, . . . , 𝑛, a regressão linear visa encontrar os coeficientes 𝑎 e 𝑏 que
minimizam a soma dos quadrados das diferenças entre os valores observados e os valores
previstos pela equação da linha 𝑎𝑥𝑖 + 𝑏. Nesse relatório, será utilizado o caso da
regressão linear em que o erro da variável dependente muda conforme se altera os valores
da variável independente. As fórmulas são dadas a seguir.
Quando o erro na variável dependente for diferente:
(∑𝑁 𝑁
̅𝑖 𝑥𝑖 ) − (∑𝑁
𝑖=1 𝜔𝑖 )(∑𝑖=1 𝜔𝑖 𝑦 ̅𝑖 )(∑𝑁
𝑖=1 𝜔𝑖 𝑦 𝑖=1 𝜔𝑖 𝑥𝑖 )
𝑎= (7)
𝐷
(∑𝑁 ̅𝑖 )(∑𝑁
𝑖=1 𝜔𝑖 𝑦
2 𝑁
̅𝑖 𝑥𝑖 )(∑𝑁
𝑖=1 𝜔𝑖 𝑥𝑖 ) − (∑𝑖=1 𝜔𝑖 𝑦 𝑖=1 𝜔𝑖 𝑥𝑖 )
𝑏= (8)
𝐷
Sendo:
𝑁 𝑁 𝑁 2
𝐷 = (∑ 𝜔𝑖 ) (∑ 𝜔𝑖 𝑥𝑖 2 ) − (∑ 𝜔𝑖 𝑥𝑖 )
𝑖=1 𝑖=1 𝑖=1
1
𝜔𝑖 =
(∆𝑦𝑖 )2
∑𝑁
𝑖=1 𝜔𝑖
∆𝑎 = √ (9)
𝐷
Incerteza do coeficiente angular
∑𝑁
𝑖=1 𝜔𝑖 𝑥𝑖
2
∆𝑏 = √ (10)
𝐷
Contudo, há vezes em que a função matemática a qual se deseja obter a partir dos dados
experimentais não é uma função de grau 1, não sendo possível usar a regressão linear. A
fim de resolver esse problema, existem métodos de linearização que permitem tornar uma
função linear. Pode ser citado dois desses métodos.
Considerando a forma:
𝑦 = 𝐴𝑥 𝑑 (11)
Com 𝐴 e 𝑑 sendo escalares reais.
O primeiro método é o método de substituição de variáveis. Nele, são definidas novas
variáveis (𝑋, 𝑌), nas quais 𝑋 = 𝑥 𝑑 e 𝑌 = 𝑦. Assim, a função passa a ser definida como
𝑌 = 𝐴𝑋. A forma geral:
𝑌 = 𝑎𝑋 + 𝑏 (12)
O segundo método é o método logarítmico. Nesse método, aplica-se o logaritmo natural
na EQUAÇÃO 11, obtendo-se a seguinte expressão:
𝑌 = 𝑑𝑋 + ln(𝐴) (14)
2. Procedimento Experimental
A figura a seguir (GRÁFICO 1), representa os dados experimentais obtidos, sendo que o
tempo considerado diz respeito ao tempo médio 𝑡̅ em cada lançamento 𝑖.
Gráfico 1: Dados experimentais.
3. Resultados e discussão
Por meio das fórmulas apresentadas anteriormente na seção Teoria e utilizando os dados
obtidos durante o procedimento experimental, será feita a análise estatística desses dados
e a determinação dos erros associados à variável dependente para que seja possível fazer
a determinação da aceleração da gravidade 𝑔 que atua sobre a partícula.
A análise estatística dos dados foi realizada através das fórmulas da média, desvio padrão,
erro estatístico e erro total (EQUAÇÕES 1, 2, 3 e 4, respectivamente). A seguir, encontra-
se a tabela com os dados fornecidos por essa análise (TABELA 2).
Considerando que a função que associa a altura 𝑑 , a variável independente, com o tempo
𝑡 que a esfera de metal demora para cair até uma altura 𝑑 = 0, a variável dependente, é
dada por:
2
𝑡2 = 𝑑 (15)
𝑔
É perceptível que o grau dessa função (grau 2) não se encaixa no método de regressão
linear. Sendo assim, serão usados os dois métodos de linearização apresentados nesse
trabalho. Dessa forma, será possível utilizar a regressão linear para as novas formas
obtidas.
2
𝑌= 𝑋 (16)
𝑔
Sendo:
𝑋=𝑑
𝑌 = 𝑡̅ 2
Como 𝑌 é dado por um termo ao quadrado, seu erro ∆𝑌 não será simplesmente igual ao
erro da variável 𝑡, sendo necessário usar a fórmula de propagação de erros (EQUAÇÃO
6). Dessa forma, tem-se que o erro da nova variável 𝑌 é definido por:
𝜕𝑌 2
∆𝑌 = √( ) (∆𝑡)2 = 2𝑡̅∆𝑡 (17)
𝜕𝑡 𝑡̅
A seguinte tabela mostra os novos dados a serem considerados no cálculo (TABELA 3).
A tabela a seguir (TABELA 4) tem o intuito de facilitar alguns cálculos que serão
realizados posteriormente.
Tabela 4: somatório dos termos utilizados nas fórmulas de regressão linear.
i 𝒘𝒊 𝒘𝒊 𝑿𝒊 𝒘𝒊 𝒀𝒊 𝒘𝒊 𝒀𝒊 𝑿𝒊 𝒘𝒊 𝑿𝒊 𝟐
1 6.250.000,0000 3.750.000,0000 767.500,0000 460.500,0000 2.250.000,0000
2 11.111.111,1111 6.333.333,3333 1.297.777,7778 739.733,33 3.610.000,0000
3 11.111.111,1111 6.000.000,0000 1.225.555,5556 661.800,0000 3.240.000,0000
4 6.250.000,0000 3.187.500,0000 651.250,0000 332.137,5000 1.625.625,0000
5 11.111.111,1111 5.333.333,3333 1.088.888,8889 522.666,6667 2.560.000,0000
6 6.250.000,0000 2.812.500,0000 573.125,0000 257.906,2500 1.265.625,0000
7 11.111.111,1111 4.666.666,6667 955.555,5556 401.333,3333 1.960.000,0000
8 11.111.111,1111 4.333.333,3333 885.555,5556 345.366,6667 1.690.000,0000
9 11.111.111,1111 4.000.000,0000 817.777,7778 294.400,0000 1.440.000,0000
10 11.111.111,1111 3.666.666,6667 752.222,2222 248.233,3333 1.210.000,0000
11 25.000.000,0000 7.500.000,0000 1.532.500,0000 459.750,0000 2.250.000,0000
12 25.000.000,0000 6.750.000,0000 1.382.500,0000 373.275,0000 1.822.500,0000
13 25.000.000,0000 6.000.000,0000 1.222.500,0000 293.400,0000 1.440.000,0000
14 25.000.000,0000 5.250.000,0000 1.075.000,0000 225.750,0000 1.102.500,0000
15 25.000.000,0000 4.500.000,0000 922.500,0000 166.050,0000 810.000,0000
16 25.000.000,0000 3.750.000,0000 770.000,0000 115.500,0000 562.500,0000
17 25.000.000,0000 3.000.000,0000 617.500,0000 74.100,0000 360.000,0000
18 100.000.000,0000 9.000.000,0000 1.860.000,0000 167.400,0000 810.000,0000
19 100.000.000,0000 6.000.000,0000 1.240.000,0000 74.400,0000 360.000,0000
Total 471.527.777,7778 95.833.333,3333 19.637.708,3333 6.213.702,0833 30.368.750,0000
Com esses dados, pode-se ser feito a determinação dos erros associados ao coeficiente
angular 𝑎 e ao coeficiente linear 𝑏, dado que a EQUAÇÃO 15 pode ser vista da seguinte
forma:
𝑌 = 𝑎𝑋 + 𝑏 (18)
Sendo:
2
𝑎= (19)
𝑔
𝑏=0 (20)
(∑𝑁 𝑁 𝑁 𝑁
𝑖=1 𝜔𝑖 )(∑𝑖=1 𝜔𝑖 𝑌𝑖 𝑋𝑖 ) − (∑𝑖=1 𝜔𝑖 𝑌𝑖 )(∑𝑖=1 𝜔𝑖 𝑋𝑖 )
𝑎= ≅ 0,2041
𝐷
∑𝑁
𝑖=1 𝜔𝑖
∆𝑎 = √ ≅ 0,0003
𝐷
2
Relembrando que 𝐷 = (∑𝑁 𝑁 𝑁 2
𝑖=1 𝜔𝑖 )(∑𝑖=1 𝜔𝑖 𝑋𝑖 ) − (∑𝑖=1 𝜔𝑖 𝑋𝑖 ) .
2
(∑𝑁 𝑁 𝑁 𝑁
𝑖=1 𝜔𝑖 𝑌𝑖 )(∑𝑖=1 𝜔𝑖 𝑋𝑖 ) − (∑𝑖=1 𝜔𝑖 𝑌𝑖 𝑋𝑖 )(∑𝑖=1 𝜔𝑖 𝑋𝑖 )
𝑏= ≅ 0,0002
𝐷
2
∑𝑁
𝑖=1 𝜔𝑖 𝑋𝑖
∆𝑏 = √ ≅ 0,0001
𝐷
Com esses coeficientes, pode-se determinar a função que representa a reta da regressão
linear, que é definida por:
𝑌 = 0,2041𝑋 + 0,0002 𝑠 2
A seguinte figura (GRÁFICO 2) retrata o gráfico dessa função, obtida pelo método de
substituição de variáveis, juntamente com os dados experimentais linearizados
Gráfico 2: Reta de regressão linear e dados linearizados com suas respectivas incertezas.
𝜕𝑔 2 2∆𝑎
∆𝑔 = √( ) (∆𝑎)2 = 2 (22)
𝜕𝑎 𝑡̅ 𝑎
Desse modo,
2 × 0,0003
∆𝑔 = ≅ 0,0144 𝑚/𝑠 2
0,20412
Sendo:
𝑋 = ln 𝑑
𝑌 = ln 𝑡̅
Como 𝑌 é dado pelo logaritmo natural de um termo, seu erro ∆𝑌 não será simplesmente
igual ao erro da variável 𝑡, sendo necessário usar a fórmula de propagação de erros
(EQUAÇÃO 6). Dessa forma, tem-se que o erro da nova variável 𝑌 é definido por:
𝜕𝑌 2 ∆𝑡
∆𝑌 = √( ) (∆𝑡)2 = (24)
𝜕𝑡 𝑡̅ 𝑡̅
A seguinte tabela mostra os novos dados a serem considerados no cálculo (TABELA 5).
Tabela 5: linearização dos dados por logaritmo.
∆𝒕
𝒊 𝑿 = 𝐥𝐧 𝒅 (𝒎) 𝒀 = 𝐥𝐧 𝒕̅ (𝒔) ∆𝒀 =
𝒕̅
1 -0,5108 -1,0487 0,0017
2 -0,5621 -1,0738 0,0015
3 -0,6162 -1,1023 0,0015
4 -0,6733 -1,1307 0,0019
5 -0,7340 -1,1616 0,0016
6 -0,7985 -1,1944 0,0020
7 -0,8675 -1,2269 0,0017
8 -0,9416 -1,2644 0,0018
9 -1,0217 -1,3045 0,0018
10 -1,1087 -1,3467 0,0019
11 -1,2040 -1,3959 0,0020
12 -1,3093 -1,4473 0,0021
13 -1,4271 -1,5087 0,0023
14 -1,5606 -1,5736 0,0024
15 -1,7148 -1,6497 0,0026
16 -1,8971 -1,7407 0,0029
17 -2,1203 -1,8509 0,0032
18 -2,4079 -1,9922 0,0037
19 -2,8134 -2,1946 0,0045
A tabela a seguir (TABELA 6) tem o intuito de facilitar alguns cálculos que serão
realizados posteriormente.
i 𝒘𝒊 𝒘𝒊 𝑿𝒊 𝒘𝒊 𝒀𝒊 𝒘𝒊 𝒀𝒊 𝑿𝒊 𝒘𝒊 𝑿𝒊 𝟐
1 346.020,7612 -176.747,4048 -362.871,9723 185.355,0035 90.282,5744
2 444.444,4444 -249.822,2222 -477.244,4444 268.259,1022 140.425,0711
3 444.444,4444 -273.866,6667 -489.911,1111 301.883,2267 168.756,6400
4 277.008,3102 -186.509,6953 -313.213,2964 210.886,5125 125.576,9778
5 390.625,0000 -286.718,7500 -453.750,0000 333.052,5000 210.451,5625
6 250.000,0000 -199.625,0000 -298.600,0000 238.432,1000 159.400,5625
7 346.020,7612 -300.173,0104 -424.532,8720 368.282,2664 260.400,0865
8 308.641,9753 -290.617,2840 -390.246,9136 367.456,4938 273.645,2346
9 308.641,9753 -315.339,5062 -402.623,4568 411.360,3858 322.182,3735
10 277.008,3102 -307.119,1136 -373.047,0914 413.597,3102 340.502,9612
11 250.000,0000 -301.000,0000 -348.975,0000 420.165,9000 362.404,0000
12 226.757,3696 -296.893,4240 -328.185,9410 429.693,8526 388.722,5601
13 189.035,9168 -269.773,1569 -285.198,4877 407.006,7618 384.993,2722
14 173.611,1111 -270.937,5000 -273.194,4444 426.347,2500 422.825,0625
15 147.928,9941 -253.668,6391 -244.038,4615 418.477,1538 434.990,9822
16 118.906,0642 -225.576,6944 -206.979,7860 392.661,3520 427.941,5470
17 97.656,2500 -207.060,5469 -180.751,9531 383.248,3662 439.030,4775
18 73.046,0190 -175.887,5091 -145.522,2790 350.403,0957 423.519,5332
19 49.382,7160 -138.933,3333 -108.375,3086 304.903,0933 390.875,0400
Total 4.719.180,4234 4.726.269,4568 6.107.262,8195 6.631.471,7266 5.766.926,5189
Fonte: elaborada pelos autores.
Com esses dados, pode-se ser feito a determinação dos erros associados ao coeficiente
angular 𝑎 e ao coeficiente linear 𝑏, dado que a EQUAÇÃO 15 pode ser vista da seguinte
forma:
𝑌 = 𝑎𝑋 + 𝑏 (18)
Sendo:
1
𝑎= (25)
2
1 2
𝑏= ln ( ) (26)
2 𝑔
(∑𝑁 𝑁 𝑁 𝑁
𝑖=1 𝜔𝑖 )(∑𝑖=1 𝜔𝑖 𝑌𝑖 𝑋𝑖 ) − (∑𝑖=1 𝜔𝑖 𝑌𝑖 )(∑𝑖=1 𝜔𝑖 𝑋𝑖 )
𝑎= ≅ 0,4983
𝐷
∑𝑁
𝑖=1 𝜔𝑖
∆𝑎 = √ ≅ 0,0010
𝐷
2
(∑𝑁 𝑁 𝑁 𝑁
𝑖=1 𝜔𝑖 𝑌𝑖 )(∑𝑖=1 𝜔𝑖 𝑋𝑖 ) − (∑𝑖=1 𝜔𝑖 𝑌𝑖 𝑋𝑖 )(∑𝑖=1 𝜔𝑖 𝑋𝑖 )
𝑏= ≅ −0,7951
𝐷
2
∑𝑁
𝑖=1 𝜔𝑖 𝑋𝑖
∆𝑏 = √ ≅ 0,0011
𝐷
Com esses coeficientes, pode-se determinar a função que representa a reta da regressão
linear, que é definida por:
𝑌 = 0,4983𝑋 − 0,7951 𝑠
A seguinte figura (GRÁFICO 3) retrata o gráfico dessa função, obtida pelo método
logarítmico, juntamente com os dados experimentais linearizados.
Gráfico 3: Reta de regressão linear e dados linearizados com suas respectivas incertezas.
Com base nesse resultado, a aceleração da gravidade local pode ser estimada por:
2
𝑔= = 9,8095 𝑚/𝑠 2
𝑒 2×(−0,7951)
Desse modo,
4 × 0,0011
∆𝑔 = ≅ 0,0216 𝑚/𝑠 2
𝑒 2×(−0,7951)
Logo, tem-se que a gravidade local 𝑔, encontrada por meio do método logarítmico, vale:
import numpy as np
import matplotlib.pyplot as plt
W = 1 / dY**2
XX = np.multiply(X,X)
XY = np.multiply(X,Y)
D = sum(W) * sum(np.multiply(W,XX)) - sum(np.multiply(W,X)) *
sum(np.multiply(W,X))
A = (sum(W) * sum(np.multiply(W,XY)) - sum(np.multiply(W,Y)) *
sum(np.multiply(W,X)))/D
B = (sum(np.multiply(W,Y)) * sum(np.multiply(W,XX)) - sum(np.multiply(W,XY)) *
sum(np.multiply(W,X)))/D
sigma_A = np.sqrt(sum(W)/D)
sigma_B = np.sqrt(sum(np.multiply(W,XX))/D)
return A, B, sigma_A, sigma_B
# Example data
Y=
np.array([0.1228,0.1168,0.1103,0.1042,0.0980,0.0917,0.0860,0.0797,0.0736,0.0677,0.0
613,0.0553,0.0489,0.0430,0.0369,0.0308,0.0247,0.0186,0.0124])
X=
np.array([0.6000,0.5700,0.5400,0.5100,0.4800,0.4500,0.4200,0.3900,0.3600,0.3300,0.3
000,0.2700,0.2400,0.2100,0.1800,0.1500,0.1200,0.0900,0.0600])
dY =
np.array([0.0004,0.0003,0.0003,0.0004,0.0003,0.0004,0.0003,0.0003,0.0003,0.0003,0.0
002,0.0002,0.0002,0.0002,0.0002,0.0002,0.0002,0.0001,0.0001]) # Example
uncertainties for each Y
# Plot the original data and regression line with error bars
plt.errorbar(X, Y, yerr=dY, linestyle="None", marker='o', label='Dados linearizados com
incertezas')
plt.plot(X, regression_line, color='red', label=f'Linha de regressão linear ponderada: Y =
{A:.2f}X + {B:.2f}')
# Print results
print("Slope (A): {:.4f} ± {:.4f}".format(A, sigma_A))
print("Intercept (B): {:.4f} ± {:.4f}".format(B, sigma_B))
import numpy as np
import matplotlib.pyplot as plt
W = 1 / dY**2
XX = np.multiply(X,X)
XY = np.multiply(X,Y)
D = sum(W) * sum(np.multiply(W,XX)) - sum(np.multiply(W,X)) *
sum(np.multiply(W,X))
A = (sum(W) * sum(np.multiply(W,XY)) - sum(np.multiply(W,Y)) *
sum(np.multiply(W,X)))/D
B = (sum(np.multiply(W,Y)) * sum(np.multiply(W,XX)) - sum(np.multiply(W,XY))
* sum(np.multiply(W,X)))/D
sigma_A = np.sqrt(sum(W)/D)
sigma_B = np.sqrt(sum(np.multiply(W,XX))/D)
# Example data
Y = np.array([-1.0487,-1.0738,-1.1023,-1.1307,-1.1616,-1.1944,-1.2269,-1.2644,-
1.3045,-1.3467,-1.3959,-1.4473,-1.5087,-1.5736,-1.6497,-1.7407,-1.8509,-1.9922,-
2.1946])
X = np.array([-0.5108,-0.5621,-0.6162,-0.6733,-0.7340,-0.7985,-0.8675,-0.9416,-
1.0217,-1.1087,-1.2040,-1.3093,-1.4271,-1.5606,-1.7148,-1.8971,-2.1203,-2.4079,-
2.8134])
dY =
np.array([0.0017,0.0015,0.0015,0.0019,0.0016,0.0020,0.0017,0.0018,0.0018,0.0019,0.0
020,0.0021,0.0023,0.0024,0.0026,0.0029,0.0032,0.0037,0.0045]) # Example
uncertainties for each Y
# Plot the original data and regression line with error bars
plt.errorbar(X, Y, yerr=dY, linestyle="None", marker='o', label='Dados linearizados com
incertezas')
plt.plot(X, regression_line, color='red', label=f'Linha de regressão linear ponderada: Y =
{A:.2f}X + {B:.2f}')
# Print results
print("Slope (A): {:.4f} ± {:.4f}".format(A, sigma_A))
4. Conclusão
A análise estatística dos dados experimentais, aliada às fórmulas teóricas previamente
apresentadas, proporcionou uma estimativa precisa da gravidade no local em que foi
realizado o experimento. O método de logarítmico e o método de linearização foram
empregados devido à impossibilidade de utilizar a regressão linear diretamente na
equação resultante (EQUAÇÃO 15). Após a realização de ambos os métodos, foi possível
utilizar em cada caso a regressão linear de forma adequada.
Desse modo, considerando o valor da aceleração da gravidade local 𝑔, foi possível
estimá-la como sendo 9,7991 𝑚/𝑠 2 com um erro associado de 0,0144 𝑚/𝑠 2 , utilizando
o método por substituição de variáveis; e, pelo método logarítmico, valendo
9,8095 𝑚/𝑠 2 com um erro associado de 0,0216 𝑚/𝑠 2. Esses resultados, obtidos por
meio de análise rigorosa e cálculos cuidadosos, representam uma contribuição
significativa para a compreensão do comportamento da gravidade local, validando a
abordagem metodológica adotada e enriquecendo nosso entendimento dos princípios
físicos subjacentes ao movimento de queda livre.
5. Referências