Relatório – Atividade 7 de Física Experimental I

Bernardo Medeiros Vasconcelos – 12311EAR011

Grace Anne Rodrigues de Souza Pereira – 12311EAR002

Lamara Gabriely Sena Bragato – 12311EMT009

Maria Luiza Caroneze de Castro – 12311EAR013

Thainá Alves Hipoliti – 12311EAR019

Faculdade de Engenharia Mecânica (FEMEC) – Universidade Federal de Uberlândia

Av. João Naves de Ávila, 2121 – Santa Mônica – 38400-902 – Uberlândia – MG -

Brasil
e-mail: grace.pereira@ufu.br

Resumo.

Neste relatório, é apresentada uma análise de um conjunto de dados que registram

dezenove alturas diferentes 𝑑, em metros, sendo que, para cada uma, foram registrados
cinco tempos 𝑡 relativos à duração da queda de uma esfera de metal até atingir o repouso,
na altura 𝑑 = 0 𝑚, em segundos. Esse experimento foi realizado com o auxílio de uma
trena, um cronômetro, um disparador (constituído de um eletroímã) que libera a esfera,
uma haste suporte e uma plataforma para paralisar a contagem de tempo, onde 𝑑 = 0 𝑚.
A obtenção de dados ocorreu considerando o movimento de queda livre. Com a utilização
de fórmulas estatísticas (média, desvio padrão, erro estatístico e erro total) e dos métodos
de Linearização e Regressão linear, foram descobertos as equações das retas que melhor
representam os dados obtidos e os valores da aceleração da gravidade local, sendo
representados por, respectivamente, 𝑌 = 0,2041𝑋 + 0,0002 𝑠 2 e 𝑔 = 9,7991 ±
0,0144 𝑚/𝑠 2 pelo método de substituição de variáveis; e 𝑌 = 0,4983𝑋 − 0,7951 𝑠 e
𝑔 = 9,8095 ± 0,0216 𝑚/𝑠 2 pelo método logarítmico. Essa atividade foi proposta pelo
professor de Física Experimental I, Augusto Alcalde.
Introdução

Atualmente, o uso da estatística e dos métodos de regressão linear é essencial em várias

esferas, contribuindo significativamente para o avanço e o crescimento da sociedade.
Essas ferramentas estatísticas fornecem um método organizado para compreender e
interpretar dados, capacitando-nos a fazer previsões, reconhecer padrões e obter insights
valiosos de conjuntos complexos de informações. A regressão linear, em particular, é uma
técnica poderosa para modelar e analisar as relações entre variáveis independentes e
dependentes. Ao estimar os coeficientes de regressão, ela quantifica a natureza e a
magnitude dessas relações, permitindo uma interpretação detalhada dos resultados.
O presente relatório apresenta uma análise detalhada de um experimento que na queda
livre de uma bola metálica de 19 alturas diferentes, partindo de 60cm até 6cm, variando
constantemente 3cm, totalizando 19 medições. Para cada altura foram medidas 5
variações de tempo, em segundos, do repouso à queda. Esse experimento foi conduzido
utilizando um suporte magnético que segurava a bola metálica em repouso, em conjunto
com uma trena.
A análise estatística desses dados envolveu a aplicação de diversas fórmulas estatísticas,
tais como média, desvio padrão, erro estatístico e erro total, com o objetivo de
compreender a distribuição dos tempos medidos e a precisão das alturas. Além disso, o
método de Regressão Linear foi empregado para identificar a equação da reta que melhor
representa os dados coletados. Através desta análise, foi possível determinar a aceleração
da gravidade local.
Este relatório descreverá detalhadamente os procedimentos experimentais, os resultados
obtidos e suas implicações, contribuindo assim para uma compreensão mais profunda do
fenômeno estudado e fornecendo uma base sólida para discussões futuras. Seguindo uma
estrutura organizativa que se distribui da seguinte maneira: a seção 1 apresenta a teoria
adotada para o cálculo dos parâmetros almejados. A seção 2 aborda o procedimento
experimental empregado para a obtenção dos dados, bem como o seu registro. A seção 3
compreende o registro e a análise minuciosa dos resultados obtidos. As conclusões
alcançadas são apresentadas na seção 4. Por último, a seção 5 contempla as referências
bibliográficas utilizadas ao longo do relatório.

1. Teoria

Ao realizarem-se medições, os resultados obtidos podem divergir do que foi antecipado

teoricamente e até mesmo de outros resultados experimentais. Com o intuito de atenuar
as diferenças e adquirir um dado final com maior precisão e acurácia, pode-se usar
fórmulas estatísticas, como as que já foram citadas nesse relatório.
A média (𝑥̅ ) mostra a concentração de dados em torno de um determinado valor, um
número que, de certa forma, pode representar o conjunto de informações. Seu cálculo é
feito através da divisão da soma de todos os elementos (𝑥𝑖 ) pela quantidade dos mesmos
(N).
1
𝑥̅ = ∑𝑁
𝑖=1 𝑥𝑖 (1)
𝑁

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:

𝛥𝑊 = √(𝛥𝑎)2 + (𝛥𝑏)2 (5)

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

A análise de propagação de incertezas avalia a confiabilidade de uma medição, sendo que

uma maior incerteza diminui a confiabilidade do resultado. A informação de medição
geralmente resulta em um intervalo de valores possíveis para a medida, pois mesmo com
medições precisas, é impossível reduzir o intervalo a um único valor devido à limitação
na definição precisa do mensurando. Sendo assim, para calcular as incertezas dos
coeficientes a e b encontrados na regressão linear, foi utilizada a fórmula da incerteza
total, ficando do seguinte modo (ENGINEERING,2023; ALURA,2022):

∑𝑁
𝑖=1 𝜔𝑖
∆𝑎 = √ (9)
𝐷
Incerteza do coeficiente angular

∑𝑁
𝑖=1 𝜔𝑖 𝑥𝑖
2
∆𝑏 = √ (10)
𝐷

Incerteza do coeficiente linear

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:

ln(𝑦) = ln(𝐴𝑥 𝑑 ) = ln(𝐴) + ln(𝑥 𝑑 ) = ln(𝐴) + dln(𝑥)

ln(𝑦) = 𝑑 ln(𝑥) + ln(𝐴) (13)

Definindo 𝑌 = ln(𝑦) e 𝑋 = ln(𝑥) e considerando a forma geral, tem-se que:

𝑌 = 𝑑𝑋 + ln(𝐴) (14)

Na qual 𝑑 equivale ao coeficiente angular 𝑎 e ln(𝐴) equivale ao coeficiente linear 𝑏.

Com tais expressões matemáticas explicadas, podemos ver suas aplicações no
experimento a seguir.

2. Procedimento Experimental

A seguir, será apresentado neste tópico o procedimento experimental adotado para a

obtenção do resultado pedido da queda livre de uma esfera. O experimento foi feito da
seguinte forma: primeiro estabeleceu-se a altura 𝑑 que o projetil sofreria a queda com o
auxílio de uma trena, cujo erro instrumental vale ∆𝑥𝑖𝑛𝑠𝑡 = 0,0005 𝑚. Nessa mesma
altura, seriam realizados um total de cinco lançamentos para contabilizar o tempo 𝑡 da
queda através de um cronômetro, cujo erro instrumental vale ∆𝑥𝑖𝑛𝑠𝑡 = 0,0001 𝑠. A esfera
então era presa em um disparador que possuía um eletroímã e era solta ao ter uma
alavanca puxada no disparador que iniciava a contagem do tempo da queda da esfera até
que ela atingisse o alvo vermelho na base da haste, que paralisava a contagem do
cronômetro.
Dessa forma, o experimento iniciou-se com a altura de 60 centímetros (0,6 m) e foi
regredindo de 3 em 3 centímetros, até atingir a marca de 6 centímetros (0,06), altura que
finalizou a sequência de lançamentos. Cinco variações de tempo eram anotadas de acordo
com sua respectiva queda e altura, com o objetivo de, ao agrupar os dados coletados,
presentes na TABELA 1, o movimento com aceleração constante da queda livre fosse
analisado, além de ser determinada a aceleração da gravidade em Uberlândia, cidade
situada em Minas Gerais-Brasil que sediou o experimento apresentado. Sendo a gravidade
local encontrada pelo método da substituição de variáveis: 𝑔 = 9,7991 ± 0,0144 𝑚/𝑠 2,
enquanto pelo método logaritmo o resultado é de: 𝑔 = 9,8095 ± 0,0216 𝑚/𝑠 2 .

Tabela 1: dados experimentais.

𝒊 𝒅 (𝒎) 𝒕𝟏 (𝒔) 𝒕𝟐 (𝒔) 𝒕𝟑 (𝒔) 𝒕𝟒 (𝒔) 𝒕𝟓 (𝒔)

1 0,6000 0,3504 0,3503 0,3516 0,3499 0,3498
2 0,5700 0,3421 0,3415 0,3417 0,3417 0,3413
3 0,5400 0,3325 0,3313 0,3320 0,3325 0,3323
4 0,5100 0,3224 0,3225 0,3229 0,3238 0,3222
5 0,4800 0,3127 0,3131 0,3128 0,3130 0,3132
6 0,4500 0,3030 0,3030 0,3019 0,3034 0,3031
7 0,4200 0,2927 0,2932 0,2929 0,2940 0,2931
8 0,3900 0,2823 0,2822 0,2826 0,2825 0,2826
9 0,3600 0,2720 0,2712 0,2709 0,2711 0,2714
10 0,3300 0,2606 0,2603 0,2594 0,2601 0,2601
11 0,3000 0,2476 0,2473 0,2478 0,2475 0,2479
12 0,2700 0,2354 0,2347 0,2350 0,2357 0,2351
13 0,2400 0,2211 0,2211 0,2211 0,2215 0,2210
14 0,2100 0,2072 0,2072 0,2073 0,2073 0,2075
15 0,1800 0,1924 0,1923 0,1919 0,1917 0,1922
16 0,1500 0,1756 0,1756 0,1754 0,1750 0,1754
17 0,1200 0,1572 0,1572 0,1574 0,1571 0,1566
18 0,0900 0,1361 0,1365 0,1361 0,1366 0,1366
19 0,0600 0,1113 0,1114 0,1115 0,1112 0,1117
Fonte: elaborada pelos autores.

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.

Fonte: elaborado pelos autores.

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).

Tabela 2: análise estatística dos dados experimentais.

i 𝒕̅ (𝒔) 𝝈𝒕 (s) 𝜹𝒕̅ (s) ∆𝒕 (s)

1 0,3504 0,0007 0,0003 0,0006
2 0,3417 0,0003 0,0001 0,0005
3 0,3321 0,0005 0,0002 0,0005
4 0,3228 0,0006 0,0003 0,0006
5 0,3130 0,0002 0,0001 0,0005
6 0,3029 0,0006 0,0003 0,0006
7 0,2932 0,0005 0,0002 0,0005
8 0,2824 0,0002 0,0001 0,0005
9 0,2713 0,0004 0,0002 0,0005
 10 0,2601 0,0004 0,0002 0,0005
11 0,2476 0,0002 0,0001 0,0005
12 0,2352 0,0004 0,0002 0,0005
13 0,2212 0,0002 0,0001 0,0005
14 0,2073 0,0001 0,0001 0,0005
15 0,1921 0,0003 0,0001 0,0005
16 0,1754 0,0002 0,0001 0,0005
17 0,1571 0,0003 0,0001 0,0005
18 0,1364 0,0003 0,0001 0,0005
19 0,1114 0,0002 0,0001 0,0005

Fonte: elaborada pelos autores.

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.

3.1. Método: Substituição de variáveis

Primeiramente, será utilizado o método de substituição de variáveis. Nesse método,

considera-se que a EQUAÇÃO 15 pode ser vista como:

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).

Tabela 3: linearização dos dados por substituição de variáveis.

𝒊 𝑿 = 𝒅 (𝒎) 𝒀 = 𝒕̅𝟐 (𝒔𝟐 ) ∆𝒀 = 𝟐𝒕̅∆𝒕(𝒔𝟐 )

1 0,6000 0,1228 0,0004
2 0,5700 0,1168 0,0003
3 0,5400 0,1103 0,0003
4 0,5100 0,1042 0,0004
5 0,4800 0,0980 0,0003
6 0,4500 0,0917 0,0004
7 0,4200 0,0860 0,0003
8 0,3900 0,0797 0,0003
9 0,3600 0,0736 0,0003
10 0,3300 0,0677 0,0003
11 0,3000 0,0613 0,0002
12 0,2700 0,0553 0,0002
13 0,2400 0,0489 0,0002
14 0,2100 0,0430 0,0002
15 0,1800 0,0369 0,0002
16 0,1500 0,0308 0,0002
17 0,1200 0,0247 0,0002
18 0,0900 0,0186 0,0001
19 0,0600 0,0124 0,0001

Fonte: elaborada pelos autores.

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

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:
2
𝑎= (19)
𝑔
𝑏=0 (20)

Com essas informações e usando as EQUAÇÕES 7 e 9, tem-se que o coeficiente angular

e seu erro valem:

(∑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 ) .

O coeficiente linear e seu erro valem (EQUAÇÕES 8 e 10):

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.

Fonte: elaborado pelos autores.

Tendo em consideração a EQUAÇÃO 19, pode-se determinar a aceleração da gravidade

a partir da seguinte equação:
2
𝑔= (21)
𝑎
Com base nesse resultado, a aceleração da gravidade local pode ser estimada por:
2
𝑔= ≅ 9,7991 𝑚/𝑠 2
0,2041
Levando em conta a fórmula geral de propagação de erro (EQUAÇÃO 6), o erro
associado à aceleração da gravidade pode ser obtido por meio do resultado de:

𝜕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

Logo, tem-se que a gravidade local 𝑔, encontrada pelo método de substituição de

variáveis, vale:

𝑔 = 9,7991 ± 0,0144 𝑚/𝑠 2

3.2. Método: logarítmico

O segundo método a ser utilizado é o método logarítmico. Nesse método, considera-se

que a EQUAÇÃO 15 pode ser vista como:
1 1 2
𝑌= 𝑋 + ln ( ) (23)
2 2 𝑔

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

Fonte: elaborada pelos autores.

A tabela a seguir (TABELA 6) tem o intuito de facilitar alguns cálculos que serão
realizados posteriormente.

Tabela 6: somatório dos termos utilizados nas fórmulas de regressão linear.

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

Com essas informações e usando as EQUAÇÕES 7 e 9, tem-se que o coeficiente angular

e seu erro valem:

(∑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

O coeficiente linear e seu erro valem (EQUAÇÕES 8 e 10):

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.

Fonte: elaborado pelos autores.

Tendo em consideração a EQUAÇÃO 26, pode-se determinar a aceleração da gravidade

a partir da seguinte equação:
2
𝑔= (27)
𝑒 2𝑏

Com base nesse resultado, a aceleração da gravidade local pode ser estimada por:

2
𝑔= = 9,8095 𝑚/𝑠 2
𝑒 2×(−0,7951)

Levando em conta a fórmula geral de propagação de erro (EQUAÇÃO 6), o erro

associado à aceleração da gravidade pode ser obtido por meio do resultado de:
 𝜕𝑔 2 4∆𝑏
∆𝑔 = √( ) (∆𝑏)2 = 2𝑏 (28)
𝜕𝑏 𝑡̅ 𝑒

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:

𝑔 = 9,8095 ± 0,0216 𝑚/𝑠 2

3.3. Códigos utilizados para a plotagem do gráfico e a determinação dos

coeficientes

3.2.1. Método: Substituição por variáveis

import numpy as np
import matplotlib.pyplot as plt

def errosdiferentes_linear_regression(X, Y, dY):

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

# Perform weighted linear regression

A, B, sigma_A, sigma_B = errosdiferentes_linear_regression(X, Y, dY)

# Generate points for the regression line

regression_line = A * X + B

# 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}')

# Add labels and legend

plt.xlabel('altura X=d (m)')
plt.ylabel('tempo Y=t² (s²)')
plt.legend()

# Show the plot

plt.show()

# Print results
print("Slope (A): {:.4f} ± {:.4f}".format(A, sigma_A))
print("Intercept (B): {:.4f} ± {:.4f}".format(B, sigma_B))

3.2.1. Método: logarítmico

import numpy as np
import matplotlib.pyplot as plt

def errosdiferentes_linear_regression(X, Y, dY):

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([-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

# Perform weighted linear regression

A, B, sigma_A, sigma_B = errosdiferentes_linear_regression(X, Y, dY)

# Generate points for the regression line

regression_line = A * X + B

# 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}')

# Add labels and legend

plt.xlabel('altura X=ln d (m)')
plt.ylabel('tempo Y= ln t (s)')
plt.legend()

# Show the plot

plt.show()

# 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

Ana Duarte. Desvendando a regressão linear. Alura. Disponível em: <

https://www.alura.com.br/artigos/desvendando-a-regressao-linear>. Acesso em: 19 de
fev. 2024.
Blog de Estatística da Prof. Fernanda Maciel. Desvio padrão versus erro padrão. Blog
de Estatística da Prof. Fernanda Maciel. Disponível em: <
https://blog.proffernandamaciel.com.br/desvio_erro_padrao/ >. Acesso em: 20 de jan.
2024.
Engineering. O que é regressão linear e qual sua importância?. Engineering.
Disponível em: < https://blog.engdb.com.br/o-que-e-regressao-linear>. Acesso em: 19 de
fev. 2024.
FM2S Educação e consultoria. O que é desvio padrão? Quais os tipos? Como
calcular?. Disponível em:< https://www.fm2s.com.br/blog/desvio-padrao/amp>. Acesso
em: 20 de jan. 2024.
POSSAS,Jorge. et al. Uso do conceito do erro total, dos perfis de exatidão e do índice
de exatidão no pré-estudo de validação de ensaio imunoenzimático. Disponível em:
< http://www.ial.sp.gov.br/resources/insituto-adolfo-
lutz/publicacoes/rial/10/rial71_4_completa/1523.pdf >. Acesso em 24 de jan. 2024.
Psicometria.online. A diferença entre Desvio-Padrão e Erro-Padrão.
Psicometria.online. Disponível em: < https://psicometriaonline.com.br/a-diferenca-entre-
desvio-padrao-e-erro-padrao/ >. Acesso em: 20 de jan. 2024.