Universidade Federal de Juiz de Fora

Instituto de Cincias Exatas

Departamento de Fsica
TEORIA DE ERROS
MEDIDAS E GRFICOS
Prof. Carlos R. A. Lima
Edio Maro de 2010
2



NDICE

CAPTULO 1 - PRINCPIOS BSICOS DA ESTATSTICA -------------------------------------------------------------------------------- 03

1.1- Introduo ---------------------------------------------------------------------------------------------------------------------------- 03
1.2- Apresentao de resultados ---------------------------------------------------------------------------------------------------- 03
1.3- Anlise das mdias ---------------------------------------------------------------------------------------------------------------- 04
1.3.1- A mediana ------------------------------------------------------------------------------------------------------------------------- 05
1.3.2- O modo ----------------------------------------------------------------------------------------------------------------------------- 05
1.3.3- A mdia harmnica ------------------------------------------------------------------------------------------------------------- 05
1.3.4- A mdia geomtrica ------------------------------------------------------------------------------------------------------------ 05
1.3.5- A mdia aritmtica -------------------------------------------------------------------------------------------------------------- 06
1.4- Anlise da disperso -------------------------------------------------------------------------------------------------------------- 06
1.4.1- O desvio mdio ------------------------------------------------------------------------------------------------------------------ 06
1.4.2 - O desvio padro ---------------------------------------------------------------------------------------------------------------- 06
1.5- Curvas tericas de distribuio estatstica ---------------------------------------------------------------------------------- 07

CAPTULO 2 - A DISTRIBUIO NORMAL OU GAUSSIANA --------------------------------------------------------------------------- 09

2.1- Introduo ---------------------------------------------------------------------------------------------------------------------------- 09
2.2- A disperso e a distribuio normal ------------------------------------------------------------------------------------------ 10
2.3- Intervalos de Confiana ---------------------------------------------------------------------------------------------------------- 12

CAPTULO 3 - DISTRIBUIO ESTATSTICA DE STUDENT --------------------------------------------------------------------------- 14

CAPTULO 4 - MEDIDAS E ERROS -------------------------------------------------------------------------------------------------------17

4.1 - Grandezas Fsicas e Padres de Medida ------------------------------------------------------------------------------------17
4.2- Classificao dos Erros ------------------------------------------------------------------------------------------------------------18
4.3- Algarismos Significativos ----------------------------------------------------------------------------------------------------------18
4.4- Propagao de Erros ---------------------------------------------------------------------------------------------------------------20

CAPTULO 5 - CONSTRUO DE ESCALAS E GRFICOS ---------------------------------------------------------------------------- 23

5.1- Introduo -----------------------------------------------------------------------------------------------------------------------------23
5.1- Escala Linear -------------------------------------------------------------------------------------------------------------------------23
5.2- Escala Logartmica -----------------------------------------------------------------------------------------------------------------24
5.3- Papeis monolog e loglog ----------------------------------------------------------------------------------------------------------25
5.4- Grficos --------------------------------------------------------------------------------------------------------------------------------27
5.4.1- Introduo --------------------------------------------------------------------------------------------------------------------------27
5.4.2- Construo de grficos----------------------------------------------------------------------------------------------------------27
5.4.3- Relaes lineares-----------------------------------------------------------------------------------------------------------------29
5.4.3.1- Mtodo Grfico -----------------------------------------------------------------------------------------------------------------29
5.4.3.2- Mtodo dos Mnimos Quadrados ------------------------------------------------------------------------------------------29
5.4.4- Grficos de Funes No- Lineares -----------------------------------------------------------------------------------------31
5.4.4.1- Funes Polinomiais ----------------------------------------------------------------------------------------------------------32
5.4.4.2- Funes Exponenciais -------------------------------------------------------------------------------------------------------33
5.4.4.3- Uso de papis loglog para linearizar funes polinomiais-----------------------------------------------------------34
5.4.4.4- Uso de papis monolog para linearizar funes exponenciais-----------------------------------------------------36


REFERNCIAS --------------------------------------------------------------------------------------------------------------------------------37


3




CAPTULO 1 - PRINCPIOS BSICOS DA ESTATSTICA

1.1- Introduo

Um pesquisador social procura obter concluses sobre um grande nmero de sujeitos. Por exemplo, os
170000000 de indivduos que compem a populao Brasileira, os 400000 habitantes da cidade de Juiz de
Fora, ou os 8000 estudantes da Universidade Federal de Juiz de Fora. Cada um desse grupos, investigados
pelo pesquisador social, denominado tecnicamente de populao ou universo. A populao consiste de um
conjunto de dados com alguma caracterstica comum, seja ela, nacionalidade, cidadania ou matrcula na
Universidade Federal de Juiz de Fora. Como, em geral, a populao composta de um nmero muito grande
de indivduos, dados ou observaes, o pesquisador social raramente analisa esse grupo. Em lugar disso,
analisado somente uma amostra, que se constitui de um nmero menor de dados retirados da populao. O
pesquisador procura tirar concluses de sua amostra e estende-las para toda a populao. O processo de
amostragem faz parte do dia-a-dia de todas as pessoas. Por qual outro processo seria possvel obter
informaes sobre alguma medida, se no amostrando-se aquelas que se capaz? Por exemplo, pode-se
concluir que vale a pena investir na bolsa de valores depois de saber que algumas pessoas ganharam dinheiro
com essas aplicaes. Os mtodos de amostragem utilizados por um pesquisador so, em geral, mais
elaborados e sistemticos do que aqueles que se poderiam utilizar no dia-a-dia. Sistematicamente, o
pesquisador procura obter uma amostra mais representativa possvel de toda a populao. Se todos os dados
puderem participar da amostra, diz-se que o mtodo utilizado o de amostragem aleatria e, se este no for o
caso, diz-se que o mtodo o de amostragem no aleatria.

Prope-se aqui fazer uma breve discusso sobre as tcnicas disponveis para o tratamento estatstico de
medidas, erros e disposies grficas em processos de observaes experimentais. Existem duas propriedades
estatsticas bsicas associadas a um conjunto de dados de uma amostra: Tendncia da maioria dos dados
manterem-se em torno de um valor central e tendncia destes dispersar em torno desse valor central. A
disperso de dados em torno de um valor central pode referir-se a uma medida precisa ou exata. A preciso
refere-se a uma aproximao de um grupo de medidas de um valor que no , necessariamente, o valor
verdadeiro e, exatido refere-se a uma aproximao de um grupo de medidas do valor verdadeiro. A diferena
entre preciso e exatido pode ser melhor compreendida observando-se a Fig. 1.1.



Fig. 1.1- Possveis pontos atingidos em um alvo ilustrando a diferena entre preciso e exatido

O aspecto importante que se deve enfatizar aqui que se pode ter uma amostra de grande preciso, mas no
necessariamente de grande exatido. Essa condio peculiar pode ocorrer, por exemplo, quando um bom
experimentador utiliza instrumentos que estejam descalibrados.

1.2- Apresentao de resultados

possvel perceber que amostras retiradas de uma determinada populao devem seguir uma determinada
distribuio. Seja, por exemplo, uma amostra contendo um conjunto de dados representados pelas idades de
32 pessoas de uma determinada cidade, organizadas em ordem crescente de magnitude como mostra a Tab.
1.1(a). Nota-se que algumas pessoas podem ter a mesma idade e o que se busca a mdia de idades que
compe essa amostra. Pode-se construir uma distribuio de freqncia com os dados dessa amostra
Preciso e inexato Preciso e exato Impreciso e exato Impreciso inexato
4
separando-os em sete diferentes subgrupos. As freqncias de dados em cada subgrupo podem ser
distribudas como mostra a Tab. 1.1(b).


Tab. 1.1- (a) Tabela de idades das pessoas consultadas, e (b) Distribuio de freqncias de idades em sete
subgrupos.

A vantagem da distribuio de freqncia sobre a tabela de dados na exposio de uma tendncia clara a um
certo valor central. Essa tendncia pode ser melhor apresentada numa forma grfica denominada de
histograma como mostra a Fig. 1.2 (a). As informaes apresentadas no histograma, juntamente com a tabela
de distribuio de freqncias, podem ser transcritas numa outra forma grfica denominada de polgono de
freqncias como mostra a Fig. 1.2 (b). Em ambos os grficos nota-se claramente uma tendncia central para
determinados valores da tabela de dados.

Fig. 1.2- (a) Histograma das idades das pessoas e, (b) Polgono de freqncias.

Os dados podem ser ainda plotados na forma de um diagrama de freqncias relativas. Nesse caso, as
freqncias que aparecem nas abscissas do histograma, ou no polgono de freqncias, devem ser divididas
pelo nmero total de dados, que no caso 32. A escala vertical passa a ser a ocorrncia relativa, ou percentual
do total.

1.3- Anlise das mdias

Existem vrias formas de se escrever um valor mdio de um grupo de dados que compe uma amostra, sendo
que, as mais importantes
[01]
so: A mediana, o modo, a mdia harmnica, a mdia geomtrica e a mdia

32 51 64 76
37 53 64 77
41 55 68 78
43 57 69 82
43 57 69 88
48 60 71 88
50 61 75 91
51 63 75 94

(a)


Subgrupos Freqncia Total
30-39 II 2
40-49 IIII 4
50-59 IIIIIII 7
60-69 IIIIIIII 8
70-79 IIIIII 6
80-89 III 3
90-100 II 2

(b)
0 20 40 60 80 100
0
2
4
6
8
10


Idades
F
r
e
q

n
c
i
a
(a)
0 20 40 60 80 100
0
2
4
6
8
10


Idades
F
r
e
q

n
c
i
a
(b)
5
aritmtica. A inteno, de qualquer uma dessas definies, gerar um valor representativo associado a todos
os dados de uma determinada amostra.

1.3.1- A mediana, um valor central entre os dados que compe a amostra. Metade dos dados est acima
desse valor e a outra abaixo, no sendo necessariamente, o meio caminho entre o maior e o menor valor. Seja,
por exemplo, os salrios anuais em dlares, de cinco professores de uma determinada Universidade Brasileira,
mostrados na Tab. 1.2.

Professor 1 2 3 4 5
Salrio (US$) 10000,00 11000,00 12000,00 12500,00 25000,00

Tab. 1.2- Salrios anuais de professores de uma determinada Universidade Brasileira.

O salrio mdio, obtido somando-se os salrios e dividindo-se por cinco, US$ 14100,00. Essa no uma boa
estimativa para o salrio mdio dos professores, por estar muito distante da maioria dos valores que compe a
amostra. A mediana, dada por US$ 12000,00, um valor mais representativo desses salrios.

1.3.2- O modo, est associado ao valor mais freqente dos dados que compe a amostra. O valor do modo
deve ser obtido da mdia entre os dados do intervalo que definem o pico do histograma.

1.3.3- A mdia harmnica, utilizada freqentemente para se fazer estimativas de valores tpicos de taxas de
variao. Essas estimativas so representativas quando seguem a seguinte relao:


( )
H n
i
i
n
x
x
1
1
=
=

(1.1)

onde x
i
so os valores de cada um dos dados da amostra e n o nmero total desses dados.

1.3.4- A mdia geomtrica, utilizada para medidas que crescem como uma progresso geomtrica, ou
crescem proporcionalmente a um determinado valor. Essas estimativas so representativas quando seguem a
seguinte equao:


n
n
n
G i n
i
x x x x x
1 2
1
......
=
= =
[
(1.2)

Seja, por exemplo, o crescimento anual da populao de uma pequena cidade do interior do Estado de Minas
Gerais, como mostra a Tab. 1.3.

ano populao crescimento Taxa de crescimento em relao ao ano anterior
1998 29894
1999 31422 1528 1,0511
2000 32527 1105 1,0352
2001 33349 822 1,0253
2002 34681 1332 1,0399

Tab.1.3- Dados de crescimento populacional de uma pequena cidade do interior do Estado de Minas Gerais.

De acordo com a eq. (1.2), a taxa mdia de crescimento da pequena cidade, ser:

G
x
4 4
1,0511 1,0352 1,0253 1,0399 1,1601 1,0378 = = =

ou, 3,78%, que um valor representativo para o crescimento populacional anual dessa pequena cidade.
6
1.3.5- A mdia aritmtica, a mais utilizada para a determinao de valores mdios e, obtida simplesmente
da razo entre a soma dos valores e o nmero total n de todos os dados de uma amostra, isto


n
i
i
x
x
n
1 =
=

(1.3)

Sempre que o nmero de dados da amostra tiver um tamanho relativamente grande, a utilizao da mdia
aritmtica ser mais indicada para obteno de mdias representativas.

1.4- Anlise da disperso

O grau de confiabilidade, ou preciso, de uma amostra, pode ser estimado utilizando-se a definio de
disperso. A disperso uma medida das flutuaes de todos os dados de uma amostra em torno do valor
mdio. As formas mais importantes de se representar a disperso de uma amostra so feitas por meio das
06definies de desvio mdio e desvio padro
[01]
.

1.4.1- O desvio mdio x o , a mdia aritmtica dos desvios de cada dado da amostra em torno do valor
mdio, isto

n
i
i
x x
x
n
1
o
=

=

(1.4)

importante que o valor absoluto
i
x x seja utilizado, pois, se assim no fosse, ter-se-ia:


( )
i i i
x x x x x
nx
x x
n n n n
0

= = = =

(1.5)

Por se pouco representativo das verdadeiras flutuaes que, em geral, ocorrem nas amostras tpicas, o desvio
mdio raramente utilizado para a estimativa de um resultado estatstico.

1.4.2 - O desvio padro x
*
o , a raiz mdia quadrtica, ou RMS (Root Mean Square), das flutuaes de cada
dado da amostra em relao ao valor mdio, isto ,


( )
n
i
i
x x
x
n
2
* 1
o
=

=

(1.6)

O desvio padro tem uma melhor representatividade das verdadeiras flutuaes que, em geral, ocorrem nas
amostras tpicas e, por causa disso, mais freqentemente utilizado em clculos estatsticos.

importante notar, que:


( ) ( )
i i
i i i i
x x x x
x x x x x x x
x
n n n n n n
2 2 2
2 2 2
2
2
2
+

= = + =

uma vez que, x nx
2 2
=

e
i
x
x
n
=

. Assim, a eq. (1.6) pode ser rescrita, como:

7

( )
i
i i i
x
x x n x n x n x x
n n n
2
2
* 2 2 2 2 2
1 1
o = = =

(1.7)

uma vez que,
i
x
x
n
2
2
| |
=
|
\ .

.

1.5- Curvas tericas de distribuio estatstica

No vocabulrio bsico da estatstica, inclui-se o termo populao pai, para representar todas as medidas
possveis de uma determinada grandeza G. notvel, na Fig. 1.3, que o nmero N de subgrupos de um
histograma cresce proporcionalmente ao nmero n de dados de uma amostra.

Como nesse processo os limites inferior e superior dos dados da amostra no devem ser alterados
significativamente, os intervalos dos subgrupos devem se estreitar progressivamente tendendo a zero, quando
o nmero de dados tende ao infinito ( n ). Nessas condies extremas, o histograma transforma-se numa
curva suave de uma funo de distribuio terica como mostra a ltima seqncia da Fig. 1.3.


Fig. 1.3- Efeito do aumento do nmero de dados de uma amostra sobre a morfologia do histograma
correspondente.

0 2 4 6 8 10
0,0
0,2
0,4
0,6
0,8
1,0


F
r
e
q

n
c
i
a
N=2
Intervalo=1
0 2 4 6 8 10
0,0
0,2
0,4
0,6
0,8
1,0


F
r
e
q

n
c
i
a
N=20
Intervalo=0,5
0 2 4 6 8 10
0,0
0,2
0,4
0,6
0,8
1,0


F
r
e
q

n
c
i
a
N=100
Intervalo=0,1
0 2 4 6 8 10
0,0
0,2
0,4
0,6
0,8
1,0


F
r
e
q

n
c
i
a
N=
Intervalo=0,0
8
A funo de distribuio terica tem a vantagem de poder ser tratada analiticamente. Essa funo identifica a
populao de todos os dados possveis (mas no os valores verdadeiros) e, a partir do conhecimento de suas
propriedades, obtm-se informaes sobre a credibilidade de todo o processo de medida. Na verdade, uma
amostra finita, associada a uma determinada populao , em geral, suficiente para se chegar s propriedades
da funo de distribuio correspondente.

No existem muitas funes matemticas que se comportam morfologicamente como a funo de distribuio
mostrada na ltima seqncia da Fig. 1.3. Dentre as poucas funes considerveis, podem ser destacadas as
distribuies, Binomial, Poisson e Gaussiana ou normal
[01]
.

A distribuio Binomial, utilizada em situaes em que se disponha somente de eventos binrios. Por
exemplo, determinao do nmero de moedas que do cara ou coroa, quando algumas delas so jogadas para
cima um certo nmero de vezes.

A distribuio de Poisson, utilizada em situaes em que os eventos so independentes e que cada um
deles no influencia os outros. Por exemplo, determinao do nmero de automveis que passam por um
determinado ponto de uma avenida por unidade de tempo em diferentes momentos do dia.

A distribuio Gaussiana ou Normal, a distribuio que inspirou os resultados de disperso discutidos na
seo 1.4, vlidos para sistemas genricos de uma nica populao e que, por isso, vale a pena considera-la
com mais detalhes, como se faz no Captulo 2.




































9

CAPTULO 2 - A DISTRIBUIO NORMAL OU GAUSSIANA


2.1- Introduo

A distribuio normal ou Gaussiana, uma representao matemtica utilizada para sistemas genricos de
uma nica populao. A expresso geral para essa distribuio
[01]
, :


( )
2
2
2
2
2
2 2
1 1
2 2

o
o t o t

= = =
x
z
z
mx
y e e y e (2.1)


onde,
1
2
mx
y
o t
= ,
( ) x
z

o

= , y a
freqncia relativa da varivel de medida x ,
o valor mdio de x para a populao e o o
desvio padro de x , tambm para a populao.
O desvio padro o d uma estimativa das
flutuaes ou erros aleatrios de x em torno do
valor mdio . Como e o se referem a um
nmero infinito de dados (populao), seus
valores no so necessariamente, os mesmos
que x e x
*
o , uma vez que estes se referem a
um nmero finito de dados analisados (amostra).

O valor de o tem uma correlao direta com a
preciso do instrumento utilizado no processo de
medida. A Fig. 2.1, mostra as formas da
distribuio normal como funo das variveis x e
z respectivamente. Note na Fig. 2.1 (a), que a
funo de distribuio normal determina valores
nicos para os parmetros e o , embora estes
no sejam suficientes para determinar a
morfologia dessa funo. Na Fig. 2.1 (b) mostra-
se algumas fraes percentuais da rea total
abaixo da curva definida pela distribuio normal.

Vale a pena relatar que, quando a distribuio
normal foi criada em 1773, ela era conhecida
como a lei dos erros por causa da sua utilizao
na representao de erros em observaes
astronmicas e de outras cincias naturais.

A Tab. 2.1 mostra a percentagem da rea total
abaixo da curva normal para diferentes valores de
z , positivos ou negativos, a partir da origem
( z 0 = ).




Fig. 2.1- Morfologia da distribuio normal ou Gaussiana.

o
(a)
x
y
1 2
mx
y e

x o = x o = +
mx
y
y
(b)
68,27%
95,45%
99,73%
o
-4 -2 0 2 4

z
mx
y
1 2
mx
y e

10


z
0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5
Frao Percentual
de rea
0,00%

19,15%

34,13%

43,32%

47,72%

49,38%

49,86%

49,98%


Tab. 2.1- Percentagem da rea total abaixo da curva normal para diferentes valores z + ou z a partir da
origemz 0 = .

A utilizao da Tab. 2.1 pode ser ilustrado com um exemplo de uma populao normal de mdia
unid 150 . = e desvio padro unid 10 . o = . Para se determinar a proporo de observaes entre
x unid
1
135 . = e x unid
2
175 . = , obtm-se primeiro, os valores correspondentes da varivel z , isto ,

x
z
1
135 150 15
1,5
10 10

o

= = = =
e
z
2
175 150 25
2,5
10 10

= = =

De acordo com a Tab. 2.1, entre z 1,5 = e z 0 = , tem-se uma frao percentual da rea total abaixo da
curva normal de 43,32% e, entre z 0 = e z 2,5 = + , tem-se uma frao de 49,38%dessa mesma rea.
Assim, a frao total no intervalo entre z 1,5 = e z 2,5 = + 43,32% 49,38% 92,70% + = . Em outras
palavras, 92,70% da rea da distribuio normal cai dentro do intervalo entre x unid 135 . = e unid 175 . .

2.2- A disperso e a distribuio normal

Como mencionado anteriormente, a anlise das propriedades de uma populao requer estimativas de e o .
razovel assumir que as melhores estimativas para esses parmetros so: valor mdio x e desvio mdio
x
*
o , dados nas eqs. 2.3 e 2.6, respectivamente. De fato, x a melhor estimativa para , no entanto, x
*
o
no a melhor estimativa para o . Na verdade, a melhor estimativa de o , :


( )
n
i
i
x x
n
x x
n n
2
* * 1
1 1
o
=

A = =

(2.2)

A quantidade
n
n 1
denominada de fator de correo de Bessel que pode ser obtida comparando valores
observados
i
x com o valor mdio para a populao
[02]
.

Uma justificativa da representatividade da correo de Bessel para a populao, pode ser verificada quando se
utiliza uma amostra composta apenas por uma nica medida, por exemplo, x unid
1
5,0 . = . Nesse caso, o
valor mdio x unid 5,0 . = e o desvio padro x
*
o , :

( ) ( ) x x
x
2 2
1 *
5,0 5,0
0
1 1
o

= = =

11



isto , o desvio nulo. Isso correto para a amostra, entretanto
incorreto para a populao. Por outro lado,

x x
* *
1 0
1 1 0
o A = =

isto , o desvio indeterminado. Isso correto para a populao
pois, matematicamente, isso quer dizer que no se tem nenhuma
informao sobre o desvio da populao quando se tem uma
amostra de apenas um nico dado.

Uma escolha de x
*
o ou x
*
A para anlise da disperso
indiferente para valores grandes de n , uma vez que, de acordo
com a eq. (2.2), x x
* *
o ~ A para esses casos.

Sabe-se que, para qualquer procedimento de medida para uma
determinada entidade, o valor mdio x para a amostra diferente
do valor mdio para a populao. Na verdade, isso no se
refere a um erro aleatrio, mas sim reflete presena das
flutuaes estatsticas inerentes a uma amostra com o nmero
limitado de dados. As flutuaes das medidas em torno do valor
mdio para a populao, tm melhor representatividade
quando se utiliza o conceito de distribuio de amostragens ou
mdia de amostras.

Como ilustra a Fig. 2.2, a distribuio de amostragens pode ser
construda a partir dos valores mdios x
1
, x
2
, x
3
,.......... obtidos
de um conjunto finito de amostras com n observaes cada uma,
retiradas da populao, conhecida aqui como populao pai.



Fig. 2.2- Ilustrao da construo de uma
distribuio de amostragens

Essas mdias, denominada de amostra estatstica, devem ter uma flutuao em torno de uma mdia x .
De acordo com a teoria estatstica, tal flutuao, conhecida como erro padro
x
o , obtida em termos do
desvio o associado populao, por:


x
n
o
o = (2.3)

O conceito de distribuio de amostragens correto para grandes ou pequenas amostras, desde que a
populao pai seja do tipo Gaussiana. O erro padro
x
o de uma distribuio de amostragens pode ser utilizado
para se encontrar o nmero de observaes necessrias para gerar uma mdia com determinado grau de
confiana.


o
Populao
Pai
Amostra 1

Amostra 2

Amostra 3

x
o
x

Distribuio
das amostragens
12
O grfico da Fig. 2.3 mostra o comportamento do erro padro
x
o de uma distribuio de amostragens em
funo do tamanho n das amostras de acordo com a eq. (2.3).

Fig. 2.3- Comportamento do erro padro
x
o como funo do tamanho n de cada amostra.

Nota-se que o erro padro cai lentamente com o aumento de n . Assim, aumentar o valor de n no uma
forma apropriada de melhorar o grau de confiana de um resultado experimental. Para alcanar esse objetivo,
comum optar pelo uso de instrumentos de maior preciso. No processo de execuo de um grande nmero de
medidas com um determinado instrumento, observaes repetidas podem ocorrer com maior freqncia. Nesse
caso, os erros aleatrios sero menores do que a escala mais fina de leitura do instrumento de medida. A
repetio de uma medida uma conseqncia da limitao da preciso do instrumento de medida, associada a
sua sensibilidade.

2.3- Intervalos de Confiana

A credibilidade de um determinado processo de medida est vinculada a um denominado intervalo de
confiana que pode ser estimado por tcnicas padres de estatstica
[01]
. Um intervalo de confiana, para uma
determinada amostra estatstica, pode ser estimado calculando-se a probabilidade de que, um certo intervalo
x x A sobre a mdia x da amostra, inclua a mdia da populao, como ilustra a Fig. 2.4.


Fig. 2.4- Ilustrao do conceito de intervalo de confiana.

O parmetro x A , presente no intervalo de confiana x x A , denominado de limite de confiana. Deve-se
reconhecer que o intervalo de confiana est diretamente associado preciso de um instrumento de medida.
No entanto, no existe, necessariamente, uma relao entre o intervalo de confiana e a exatido do processo
de medida.

Na seo anterior, viu-se que as mdias
i
x de amostras, so distribudas normalmente e que, essa distribuio
de amostragens, tem um valor mdio igual mdia da populao e um erro padro igual a
x
n o o = .
0 10 20 30 40
0
2
4
6


n
E
r
r
o

P
a
d
r

x
+Ax Ax
13
Para uma medida particular, no se sabe os valores dos parmetros e o . O que se procura, na verdade,
encontrar uma estimativa das magnitudes desses parmetros a partir de informaes extradas de uma
distribuio de amostragens. Como a distribuio de amostragens tem uma morfologia Gaussiana, como na
Fig. 2.1(b), pode-se afirmar que a mdia para a populao tem uma probabilidade de 99,73% de estar
dentro do intervalo de confiana
x
x x n 3 3 o o = . Em geral, o parmetro x A pode ser calculado, por:

x z
n
o
A = (2.4)

onde z pode ser obtido de tabelas construdas a partir de forma padro da distribuio normal para diferentes
nveis de probabilidade ou, nveis de confiana como so conhecidos. Utiliza-se tambm o termo nveis de
significncia, para a diferena percentual entre 100% e o nvel de confiana. A Tab. 2.2 mostra alguns
valores tpicos de z juntamente com os respectivos nveis de confiana e significncia.

z 3,30 3,00 2,00 1,96 1,65 1,00
Nvel de Confiana (%) 99,90 99,73 95,45 95,00 90,00 68,27
Nvel de Significncia(%) 0,10 0,27 4,55 5,00 10,00 31,73

Tab. 2.2- Valores tpicos de z juntamente com os respectivos nveis de confiana e significncia.

Para se perceber o efeito do nvel de confiana, ou significncia, considere o exemplo de uma amostra que
representa um conjunto de medidas, com as seguintes caractersticas:

n 36 = ; x unid 345 . = e unid 12 . o =

Nesse caso, o erro padro da distribuio de amostragens
x
unid 12 36 2 . o = = e, de acordo com a
Tab. 2.2 e a eq. (2.4), pode-se construir a Tab. 2.3.

Nvel de Confiana Nvel de Significncia Grandeza G
68,27% 31,73% 345 2 unid.
95,45% 4,55% 345 4 unid.
99,73% 0,27% 345 6 unid.

Tab. 2.3- Nveis de confiana e significncia para uma amostra com n 36 = ; x unid 345 . = e
unid 12 . o = .

A eq. (2.4) pode ser utilizada para estimar o tamanho n necessrio de uma amostra para gerar uma mdia x
de credibilidade especificada. Por exemplo, suponha que se deseja estabelecer um intervalo de confiana
x unid 5 . A = , de cada lado em torno da mdia x , com nvel de significncia de 5% para a mdia da
populao, quando se utiliza um instrumento de preciso correspondente a unid 12 . o = Para se obter o
tamanho n da amostra necessrio para que isso ocorra, deve-se notar da Tab. 2.2 que, z 1,96 = para o nvel
de significncia de 5%. Assim, da eq. (2.4), tem-se:
n n
n
12
5 1,96 4,7 22 = = =

Em outras palavras, para uma amostra contendo, pelo menos, 22 unidades tm-se 95% de chance de que a
mdia da populao caia dentro de um intervalo de 5 unidades de cada um dos lados, em torno da mdia
x , da referida amostra.


14

CAPTULO 3 - DISTRIBUIO ESTATSTICA DE STUDENT

Quando se dispe de uma amostra com um nmero pequeno de componentes ( n 10 s ), o desvio padro x
*
o
deixa de ser uma estimativa segura para o desvio padro o da populao. O problema de pequenas amostras
foi tratado, no incio do sculo XX, por um qumico irlands que assinava com o nome de Student. Em vez de
calcular o erro padro da distribuio de amostragens das mdias x das amostras por o n e, ento, utiliz-
lo para estimar o intervalo de confiana por meio do parmetro Ax z n = o , Student sugeriu que no seu lugar
[01]
, adota-se:

( )
( )
n
i
i
x x
x
x t t
n n n
2
*
1
1
=

A
A = =

(3.1)

onde t representa um fator que corrige as distores promovidas pelas amostras de poucas medidas. Se
essas amostras so obtidas de uma populao de distribuio normal, cujo valor mdio , o fator t deve ser
tal que caia, pelo menos, nos extremos do intervalo x x A como ilustra a Fig. 3.1(a). Segundo essa figura,
tal condio fica satisfeita quando x x A = . Substituindo essa equao na eq. (3.1), obtm-se:


x
t n
x
*

=
A
(3.2)

De acordo com Student, a distribuio de amostragens de fator estatstico t dada
[01]
, por:


( )
( ) n
t t
f t Y Y
n
2 1 2
2 2
0 0
1 1
1
v
v
+
| | | |
= + = +
| |

\ . \ .
(3.3)

onde Y
0
uma constante que tem uma dependncia com n de modo que a rea abaixo da curva ( ) f t t
seja unitria, e n 1 v = denominado grau de liberdade da distribuio estatstica. A Fig. 3.1(b) mostra o
perfil da distribuio de Student, ou distribuio t como tambm chamada, para vrios valores de v . Nota-
se que a distribuio t de Student aproxima-se da distribuio normal, isto da funo parametrizada por z , a
medida que v aumenta.

Seja o exemplo de medidas de uma certa entidade com as seguintes caractersticas: n 26 = ;
x unid 345 . = e x unid
*
15 . A = Para um nvel de confiana de 90%, de acordo com a Tab. 3.1, t 1,71 =
para n 1 25 v = = , assim:

x unid
1,71 15
5,03 .
26

A = =

Com esse exemplo, pode-se dizer que existe uma probabilidade de 90% para que a mdia da populao
associada entidade caia dentro do intervalo unid 345 5,03 .




15


Fig. 3.1- (a) Condio limiar para determinao do fator t e, (b) Distribuies t para vrios valores de v .


A Tab. 3.1 mostra valores de t para diferentes valores de graus de liberdadev e de nveis de confiana
[01]
.


v
t
0,99
t
0,95
t
0,90
t
0,60
t
0,50
t
0,40

1 63,66 12,71 6,31 1,376 1,000 0,727
2 9,92 4,30 2,92 1,061 0,816 0,617
3 5,84 3,18 2,35 0,978 0,765 0,584
4 4,60 2,78 2,13 0,941 0,741 0,569
5 4,03 2,57 2,02 0,920 0,727 0,559
10 3,17 2,23 1,81 0,879 0,700 0,542
15 2,95 2,13 1,75 0,866 0,691 0,536
20 2,84 2,09 1,72 0,860 0,687 0,533
25 2,79 2,06 1,71 0,856 0,684 0,531
30 2,75 2,04 1,70 0,854 0,683 0,530
60 2,66 2,00 1,67 0,848 0,679 0,527
120 2,62 1,98 1,66 0,845 0,677 0,526
2,58 1,96 1,65 0,842 0,674 0,524

Tab. 3.1- Distribuio t de Student para diferentes graus de liberdade v .


A eq.(3.1) pode ser utilizada tambm para estimar o tamanho n da amostra necessrio para gerar uma mdia
x com uma credibilidade especificada. No exemplo anterior onde x unid
*
15 . A = , pode-se perguntar, por
exemplo, qual seria o nmero mnimo de dados n , para que a mdia da populao caia dentro de um
intervalo x x A , para x unid 12 . A = , com um nvel de confiana de 99%. Nesse caso, a eq. (3.1), fornece
x
t n n n
x
*
12
0,8
15
A
= = =
A
.

Ax Ax

x
(a)
-5 -4 -3 -2 -1 0 1 2 3 4 5
0,0
0,1
0,2
0,3
0,4
0,5


t
f
(
t
)
v =
(Dist. Normal)
v = 1
v = 5
(b)
16

A Tab. 3.2 mostra valores de t para alguns valores de n , calculados por essa equao e obtidos diretamente
da distribuio de Student, como da Tab. 3.1, para um nvel de confiana de 99%.


n
t tabelado para um nvel de confiana de 99% t calculado
10 3,170 2,530
11 3,110 2,653
12 3,060 2,771
13 3,010 2,884
14 2,980 2,993

Tab. 3.2- Valores de t tabelados para um nvel de confiana de 99% e calculados para x unid
*
15 . A = e
x unid 12 . A = .

Em outras palavras, so necessrias pelo menos 14 medidas para que um instrumento de medida, de preciso
estimado de x unid
*
15 . A = , seja capaz de gerar um nvel de confiana de 99%.






































17

Mltiplo Prefxo Smbolo
10
18

ato a
10
15

fento f
10
12

pico p
10
9

nano n
10
6

micro

10
3

mili m
10
2

centi c
10
1

deci d
10
1

deca da
10
2

hecto h
10
3

kilo k
10
6

mega M
10
9

giga G
10
12

tera T
10
15

peta P
10
18

exa E

Tab. 4.2- Prefixos mltiplos e submltiplos
de potncia de 10


CAPTULO 4 - MEDIDAS E ERROS

4.1 - Grandezas Fsicas e Padres de Medida

As grandezas fsicas podem ser expressas em termos de um determinado nmero de unidades fundamentais.
Realizar medida significa fazer uma comparao entre uma quantidade e outra, definida como unidade padro.
Em Particular na mecnica, utilizam-se trs grandezas fundamentais, denominadas comprimentos, massa e
tempo. Nesse caso, dimenses, unidades e smbolos utilizados no Sistema Internacional de medida (SI), esto
especificados na Tab. 4.1.

Nome dimenso unidade smbolo
comprimento
| |
L
m m
massa
| |
M
kg kg
grandezas
Fundamentais
tempo
| | T
s s
Velocidade
| | L T m s m s
Acelerao
L T
2
(


m s
2
m s
2

Fora
M L T
2
(


kg m s
2

( ) Newton N

Trabalho
M L T
2 2
(

N m
( ) Joule J

grandezas
Derivadas
Potncia
M L T
2 3
(

J s
( ) Watt W

Tab. 4.1- Grandezas fundamentais e derivadas com suas dimenses, unidades e smbolos no Sistema
Internacional de medidas (SI).


Por motivos evidentes, esse sistema freqentemente
denominado de sistema MKS . Quando se diz, por
exemplo, que um certo comprimento vale m 100 , estar-
se dizendo que tal comprimento corresponde a cem
vezes o comprimento da unidade padro. As unidades de
outras grandezas, tais como velocidade, acelerao,
trabalho, fora, etc., so derivadas das trs grandezas
fundamentais. Alguns exemplos de grandezas derivadas
esto listados tambm na Tab. 4.1.

Para grandezas muito grandes ou muito pequenas
comum utilizar prefixos mltiplos ou submltiplos de
potncias de 10 . Por exemplo,
m milmetro mm
3
10 1 1

= = , ou
W megawatt MW
6
10 1 1 = = . Na Tab. 4.2 esto
listados os prefixos mais comuns utilizados para as
grandezas fsicas.

As medidas de grandezas fsicas podem ser diretas ou
indiretas. A medida direta o resultado da leitura de um
instrumento de medida, como por exemplo, um
comprimento com uma rgua graduada, ou ainda a de um
intervalo de tempo com um cronmetro. Uma medida
18
indireta a que resulta da aplicao de uma equao matemtica que relaciona a grandeza a ser medida com
outras diretamente mensurveis. Por exemplo, pode-se medir a velocidade v de um carro por meio das
medidas diretas da distncia percorrida x A e do intervalo de tempo t A , uma vez que v x t = A A .

4.2- Classificao dos Erros

Por mais criteriosa que seja uma medio e por mais preciso que seja o instrumento, no possvel realizar
uma medida exata. Em outras palavras, existe sempre uma incerteza quando se compara uma medida de uma
dada grandeza fsica com sua unidade. De acordo com sua natureza, os erros so classificados
[03, 04]
, como:
sistemtico, grosseiros e acidentais.

Os Erros Sistemticos so provocados por fontes associadas a instrumentao ou ao mtodo de medida
utilizado, e, em princpio, podem ser eliminados ou compensados. Esses erros fazem com que as medidas
estejam sistematicamente acima ou abaixo do valor verdadeiro. Como exemplo de erros sistemticos, pode-se
citar a utilizao de uma rgua graduada numa temperatura de C
0
30 , mas que foi calibrada a C
0
20 . A
dilatao de sua escala resultar num erro sistemtico em todas as medidas.

Os Erros Grosseiros ocorrem devido a impercia ou distrao do operador. Como exemplos pode ser citados,
uma escolha errada de escalas, erros de clculo, etc.. Esses erros podem ser reduzidos por meio da repetio
cuidadosa das medies.

Os Erros acidentais ocorrem devido a causas diversas e imprevisveis difceis de serem eliminadas. Esses
erros podem ter vrias origens, tais como em relao aos prprios instrumentos de medida, onde pequenas
flutuaes das condies ambientais (temperatura, presso, umidade, etc) afetam os resultados experimentais,
ou em fatores associados ao operador sujeitos as variaes, tais como, viso e audio.

Pode-se dizer que uma medida ter exatido quando os erros sistemticos forem desprezveis e uma medida
ter preciso quando esse for o caso para os erros acidentais.

4.3- Algarismos Significativos

A medida de uma grandeza fsica sempre aproximada, por mais experiente que seja o operador e por mais
preciso que seja o aparelho utilizado. Esta limitao reflete-se no nmero de algarismos que se pode utilizar
para representar uma medida. O procedimento padro a utilizao de algarismos que se tem certeza de
estarem corretos, admitindo-se geralmente o uso de apenas um algarismo duvidoso. Esses algarismos so
denominados de algarismos significativos e a sua quantidade estar diretamente relacionada preciso da
medida. Por exemplo, pode-se dizer que o comprimento assinalado na escala graduada em centmetros da Fig.
4.1 de cm 4,8 . O algarismo 4 correto, porem o algarismo 8 duvidoso. Podia-se ter lido tambm
cm 4,7 ou cm 4,9 . O erro que se comete de cm 0,1 e o valor da medida deve ser apresentado como
cm 4,8 0,1 . Note que o erro deve afetar somente o algarismo duvidoso da medida.








Fig. 4.1- Medida de um comprimento utilizando-se uma escala graduada em centmetros.

O erro estimado de uma medida deve conter somente o seu algarismo mais significativo. Os algarismos menos
significativos devem ser simplesmente desprezados ou no mximo utilizados para efetuar arredondamentos.
Por exemplo, suponha que se faa um clculo da mdia x e do erro x A de medidas de um comprimento de
uma pea com a escala da Fig. 4.1 e que o resultado encontrado foi x cm 9,5423 = e x cm 0,432 A = .
Como o erro da medida encontra-se nos dcimos de centmetros, no tem sentido apresenta-lo com
0 1 2 3 4 5 6 7 8 9 10
Posio da medida
cm
19
algarismos que se referem aos centsimos e milsimos de centmetros. Nesse caso, a maneira correta de
apresentar o erro seria simplesmente x cm 0,4 A = . No caso da mdia, o algarismo 9 exato, no entanto, o
algarismo 5 duvidoso pois este afetado pelo erro, e, consequentemente, os algarismos 4, 2 e 3 tambm so
duvidosos. Esses algarismos, resultante de um clculo, podem ser utilizados para fazer o devido
arredondamento. Com esse procedimento, a forma recomendada de apresentar a medida referida,
cm 9,5 0,4 .

Durante um processo de medida experimental, importante ficar atento as seguintes regras associadas aos
algarismos significativos:

1- Zeros esquerda do primeiro algarismo significativo diferente de zero no so algarismos
significativos. Por exemplo, tanto cm 25,3 como m 0,253 tem a mesma medida e tem 3 algarismos
significativos. Similarmente, pode-se dizer que
2
2 0,2 10 0,02 10 = = todos tm 1 algarismo significativo,
2
32 3,2 10 0,32 10 = = todos tm 2 algarismos significativos, e
3 4
0,000531 0,531 10 5,31 10

= = todos tm 3 algarismos significativos.

2- Zeros direita de um algarismo significativo so tambm significativos. Por exemplo, cm 25,3 e
cm 25,30 so medidas diferentes. A primeira tem 3 algarismos significativos e a segunda, de maior preciso,
tem 4 algarismos significativos.

3- Zero situado entre algarismos significativos tambm significativos. Por exemplo, cm 25,3 tem 3
algarismos significativos e m 2,053 tem 4 algarismos significativos.

Para que uma medida seja apresentada com um nmero de algarismos significativos apropriado, muitas vezes
necessrio se fazer um arredondamento do resultado. O arredondamento pode ser feito de diversas
maneiras, porm h uma norma nacional (ABNT NBR 5891:1977) e uma internacional (ISO 31-0:1992, Anexo
B). O arredondamento, de acordo com essas normas, segue as seguintes regras:

a) O ltimo algarismo de um nmero deve sempre ser mantido caso o algarismo descartado seja inferior a cinco
(Exemplo: 423,0012 423,001 = ).

b) O ltimo algarismo de um nmero deve sempre ser acrescido de uma unidade caso o algarismo descartado
seja superior a cinco (Exemplo: 245,6 246 = ).

c) No caso do algarismo descartado ser igual a cinco, se aps o cinco descartado existirem quaisquer outros
algarismos diferentes de zero, o ltimo algarismo retido ser acrescido de uma unidade (Exemplo:
2,0502 2,1 = ).

d) No caso do algarismo descartado ser igual a cinco, se aps o cinco descartado s existirem zeros ou no
existir outro algarismo, o ltimo algarismo retido ser acrescido de uma unidade somente se for impar
(Exemplos: 4,3500 4,4 = ; 1,25 1,2 = ).

Uma boa sugesto que o arredondamento s se faz uma vez, ou seja, no se deve fazer o arredondamento
do arredondamento. Evite olhar o ltimo algarismo para arredondar o penltimo, em seguida o antepenltimo e
assim por diante at chegar onde se quer. Faa o arredondamento numa nica observao de um algarismo.

Para executar operaes matemticas com algarismos significativos, deve-se primeiro transformar todas as
parcelas para a mesma unidade e seguir as regras abaixo:

1- No caso de soma ou subtrao, o resultado deve ser apresentado somente com um algarismo duvidoso e o
nmero de algarismos significativos vai depender do tamanho dos algarismos duvidosos de cada parcela da
20
operao. Por exemplo, a adio entre as medidas cm 4,3 com cm 3,37 , realizadas com uma escala
graduada em centmetros e outra em milmetro, deve ser executada como segue:



xx cm
x cm
, xx cm
1
4,3
3,37
7 7
+


O procedimento adotado na operao acima, utilizando x aps o ltimo algarismo significativo, um artifcio
para representar algarismos desconhecidos, e a adio de um algarismo conhecido com um desconhecido
dar um algarismo desconhecido. A adio de x com 7 ser um algarismo desconhecido que poder ser
maior do que 10 , portanto, haver a possibilidade de um vai um e o segundo algarismo do resultado dever
ser acrescido de uma unidade e ser duvidoso.

Um resultado cm cm cm 4,3 3,37 7,67 + = estaria incorreto do ponto de vista de algarismos significativos,
uma vez que, isso relataria a utilizao de instrumentos de preciso de milmetros quando, na verdade, um dos
instrumentos tinha preciso apenas de centmetros. Deve-se ficar claro que uma operao matemtica no
pode alterar a preciso de uma medida, uma vez que isso no alteraria a preciso do instrumento com o qual
ela foi efetuada.

Outros exemplos interessantes de soma e subtrao com algarismos significativos so os que se seguem:



x
x
x
, xxx
1
4,041
0,0498
98,00
102 09
+
x
x
, xx
20,00
0,1
19 9

x
x
, xx
15,421
0,0003
15 421

2- No caso de multiplicao e diviso, o resultado deve ser apresentado com um nmero de algarismos
significativo igual ao da parcela que tiver o menor nmero de algarismos significativos. Essas operaes podem
ser efetuadas utilizando-se o mesmo artifcio adotado na soma e subtrao, como se pode notar com os
exemplos que se seguem:


8 x
x
xxxxx
x
x
,8xxxxx
,348
3,1
8348
25044
25

xxxx
x
xxxx
x
xxxxx
x
xxxxx
7,998
109,
13,6
7998
30
23994
7
47988
3




4.4 Propagao de Erros

21
Normalmente devem-se utilizar valores medidos e afetados por erros para se fazer clculos e encontrar os
valores de outras grandezas indiretas. Nesses casos, importante conhecer como o erro nas medidas diretas
afeta a grandeza final
[03, 04]
. Suponha que uma quantidade V seja calculada como funo de outras
quantidades x y , , de forma que ( ) V V x y , = . Suponha que x y , tenham sido determinados n vezes, de
modo, que:

( ) V V x y
1 1 1
, = , ( ) V V x y
2 2 2
, = , ...., ( )
i i i
V V x y , = , ...., ( )
n n n
V V x y , =

Admitindo que o valor mais provvel de ( ) V x y , seja ( ) V x y , , onde x e y so, respectivamente, os
valores mdios de x e y , ento, cada valor ( )
i i
V x y , difere de ( ) V x y , , por:

( ) ( )
i i i
V V x y V x y , , A = (4.1)

Esse desvio de
i
V pode ser determinado por meio do clculo diferencial, como:


i i i
V V
V x y
x y
c c
A = A + A
c c
(4.2)

onde
i i
x x x A = ,
i i
y y y A = . Como
n
i
i
V
1
0
=
A =

, ento o valor mdio de V A ser nulo, uma vez que,

n
i
i
V V n
1 =
A = A

. Assim, da eq.(4.1), obtm-se:

( ) ( )
( )
n n n
i i i
i i i
V V x y V x y
nV x y
V V
n n n n
1 1 1
, ,
,
0
= = =
A
A = = = =


ou,
( ) V V x y , = (4.3)

Em outras palavras, o valor mdio V o valor de V calculado utilizando-se os valores mdios de x e y .

O desvio padro V A de V pode ser obtido a partir da eq. (4.2), elevando-a ao quadrado, dividindo o resultado
por ( ) n n 1 e, em seguida, extraindo-se a raiz quadrada, isto ,

( )
( )
( )
( )
( )
( ) ( )
n n n
i i i i
i i i i
x y x y
V
V V V V
V
n n x n n y n n x y n n
2 2
2 2
2
1 1 0
2
1 1 1 1
= = =
A A A A
A | | | | c c c c | | | |
A = = + +
| | | |
c c c c
\ . \ .
\ . \ .



ou ainda
( ) ( )
xy
V V V V
V x y x y
x y x y
2
2
2 2
2
| | | | c c c c | | | |
A = A + A + A A
| | | |
c c c c
\ . \ .
\ . \ .
(4.4)

onde
22


( )
n
xy i i
i
x y
n n x y
1
1
1

=
= A A
A A

(4.5)

denominado de coeficiente de correlao
[04]
, cujo valor depende do tipo de erro que se comete. Quando os
desvios em x e em y so independentes, o somatrio presente na eq. (4.5) anula-se resultando em
xy
0 = .
Isso pode ocorrer, por exemplo, na determinao da velocidade de um corpo por meio de medidas de tempos e
distncias. Se a medida da distncia for menor que a verdadeira, isso no implica, necessariamente, que a
medida do tempo tambm o seja, uma vez que elas foram feitas com instrumentos diferentes. Nesses casos, a
eq. (4.4), torna-se:

( ) ( )
V V
V x y
x y
2
2
2 2 | | c c | |
A = A + A
| |
c c
\ .
\ .
(4.6)

Os erros independentes so mais freqentes do que os correlacionados, quando uma correlao conhecida,
ou suspeitada, entretanto, deve-se calcular
xy
utilizando-se a eq.(4.5).

A generalizao da eq. (4.6) funes de mais de duas variveis imediata. Se a quantidade V for calculada
como funo de quantidades x y z , , , ....., de forma que ( ) V V x y z , , ,..... = , ento:

( ) ( ) ( )
V V V
V x y z
x y z
2
2 2
2 2 2
....
| | c c c | | | |
A = A + A + A +
| | |
c c c
\ . \ .
\ .
(4.7)

Do ponto de vista prtico, para os casos em que a quantidade ( ) V V x y , = , quando se sabe as quantidades
x x A e y y A , pode-se calcular o valor de V A imediatamente em termos de x A e y A , utilizando as
relaes mostradas na Tab. 4.3
[03]
.


Operao Relao
Adio
( ) ( ) ( ) ( ) x x y y x y x y A + A = + A + A
Subtrao
( ) ( ) ( ) ( ) x x y y x y x y A A = A + A
Multiplicao
( ) ( ) ( ) ( ) x x y y x y x y y x A A = A + A
Diviso
( )
( )
( )
x x
x
x y y x
y y y y
2
1
A
= A + A
A


Tab. 4.3- Operaes prticas para os casos em que a quantidade ( ) V V x y , = .

Nessas relaes todos os termos posteriores ao sinal devem ser tomados em mdulo. Quando o erro
aleatrio calculado for nulo, o erro adotado deve ser o erro do prprio aparelho, que ser o menor erro possvel
cometido na medida.





23


CAPTULO 5 - CONSTRUO DE ESCALAS E GRFICOS

5.1- Introduo

Os resultados de medidas podem ser apresentados com simplicidade e clareza por meio de um grfico. Os
resultados expostos num grfico podem ser facilmente analisados e, muitas vezes, permitem descobrir a
expresso algbrica que relaciona as grandezas correspondentes. A curva aproximada que se obtm cujo
traado orientado pelos pontos experimentais marcados no papel grfico, uma imagem intuitiva da relao
funcional investigada.

Para se entender como se constri corretamente um grfico, necessrio antes, formular as seguintes
definies e convenes
[04]
:

E.1.1- Escala: qualquer trecho de curva, em geral uma reta, marcada por traos, os quais esto em
correspondncia com valores ordenados de uma grandeza.
E.1.2- Passo L A : a distncia, em centmetro, milmetro, etc, entre dois traos numerados consecutivos numa
escala.
E.1.3- Degrau ( ) g x A : a variao da grandeza em um passo.
E.1.4- Mdulo M : uma constante de proporo que existe entre o passo definida por:


( )
L
M
g x
A
= (5.1)
O valor de M tem sempre um mesmo valor constante,
n
a 10 , independentemente da escolha da distncia
L A entre traos e correspondente variao ( ) g x A da grandeza na escala.

5.1- Escala Linear

A escala linear possui o passo e o degrau constantes, na qual se estabelece uma correspondncia entre a
unidade de comprimento na escala e o valor da grandeza analisada. Por exemplo, 1 cm na escala corresponde
a
m
a unid 10 . ' da grandeza analisada, onde m um inteiro e a ou 1 , 2 , 2,5 , 5 ' = de acordo as
normas de desenhos tcnicos (NB-8)
[04]
. Assim, de acordo com a eq. (5.1),

( )
m m
m
cm
M cm unid , , ou, cm unid
a unid a
1 1
10 . 1 , 0,5 0,4 0,2 10 .
10 .

| |
= = =
|
' '
\ .


ou, escrevendo a
a
1
=
'
e m n = , obtm-se
n
M a cm unid 10 . = , com
a ou
a
1
1, 5, 4, 2 = =
'
(5.2)

Os fatores de escala menores que 1 foram multiplicados por 10 que, por sua vez, foram absorvidas pela
potncia de dez
n
10 . A Fig. 5.1 mostra o exemplo de uma escala linear, onde

Passo=Const = cm . 2 , Degrau=Const = Joule . 1 , M= cm Joule 2

Na escolha do mdulo importante levar em conta, o comprimento disponvel para o eixo, a variao da
grandeza analisada e o interesse ou no de coincidir o zero da grandeza com a origem da escala.

24










Fig. 5.1- Exemplo de escala linear de passo = cm 2 , degrau = J 1 e Mdulo = cm J 2 / .


O papel milimetrado o tipo de escala mais freqentemente utilizada para representar a relao funcional
entre duas grandezas. Nesse tipo de escala pode-se utilizar 1 milmetro como passo mnimo.


5.2- Escala Logartmica

A construo de uma escala logartmica est relacionada diviso de certo seguimento de reta em partes
proporcionais aos valores dos logaritmos dos nmeros numa determinada base a . Se a base utilizada nessa
escala for a base 10 , adota-se a dcada logartmica como sendo a variao entre potncias de 10
consecutivas (
n
10 a
n 1
10
+
), onde n um nmero inteiro. A Fig. 5.2 mostra como se constri uma escala
logartmica na base 10 . Nessa escala, um ponto
n
x 10 , marcado numa dcada entre
n
10 e
n 1
10
+
.










Fig. 5.2- Segmento de reta orientado utilizado para construir uma escala logartmica na base 10.


Nessa figura,
x
L a distncia do ponto
n
x 10 em relao referncia
n
10 e L
10
a distncia entre
n
10 e
n 1
10
+
da escala logartmica. Na escala logartmica a razo entre essas distncias e as diferenas dos
logartmos dos pontos correspondentes invariante, isto ,

x x
n n n n n n n
n
L L L L
x x
10 10
1 1
log10 log10 log 10 log10 log log10 log10 10
log
10
+ +
= =
+ | |
|
\ .


x
L L
x
10
log10 log
=
ou


x
L
x
L
10
log = (5.3)

0 1 2 3
Energia (J)
2 cm
25

A Eq.5.3 permite determinar o logaritmo de qualquer nmero x na base 10 a partir da escala construda.
Similarmente, numa base natural e 2,781.... = ,ou mesmo, numa base a qualquer tem-se, respectivamente:

ln =
x
e
L
x
L
; log =
x
a
a
L
x
L
(5.4)
importante mencionar que a origem de uma escala logartmica no precisa iniciar em
0
10 1 = mas deve
iniciar numa potncia de 10 conveniente. Alm disso, como no existe logaritmo de nmeros negativos ou
nulos, esses no podem ser utilizados para construir uma escala logartmica.


5.3- Papeis monolog e loglog

Os papeis loglog, ou dilog e monolog, ou semilog, mostrados nas Figs.5.3 e 5.4, so construdos a partir da
escala logartmica e so utilizados para linearizao de funes polinomiais e exponenciais, respectivamente.
Uma ou mais dcadas da escala logartmica podem ser utilizadas para representar pontos experimentais
associados s grandezas analisadas. Por exemplo, se as grandezas tiverem variaes de 0,1 a 10 , na
primeira dcada coloca-se os valores entre 0,1 e 1, e na segunda os valores entre 1 e 10 . Todas as dcadas
tm o mesmo comprimento e mesmas subdivises. Como na primeira dcada o primero trao vale 0,1, ento o
segundo trao vale 0,2 , na segunda dcada o primero trao vale 1, ento o segundo trao vale 2 , e assim
por diante. Cada dcada apresenta 10 subdivises, que podem tambm estar subdivididas em 2 , 5 , ou 10
partes. Alguns papeis logartmicos comerciais apresentam suas dcadas igualmente numeradas e, nesse caso,
o experimentador que deve definir as faixas de potncia de 10 que melhor lhe convm.




























Fig. 5.3- Aspectos gerais dos papeis loglog.


26

























Fig. 5.4- Aspectos gerais dos papeis monolog.

O papel loglog, mostrado na Fig.5.3 possui as escalas vertical e horizontal divididas de forma logartmica. O
papel monolog, por outro lado, mostrado na Fig.5.4, possui a escala vertical dividida de forma logartmica,
enquanto que a escala horizontal est dividido linearmente, anloga do papel milimetrado. Portanto,
possvel colocar os valores das variveis dependentes e independentes da funo no linear, diretamente sobre
as escalas loglog ou monolog, sem a necessidade de efetuar contas.

Pode-se utilizar as Eq.5.3 e o papel monolog da Fig.5.4, para calcular , por exemplo, os logaritmos dos nmeros
2 e 0,0148 nas bases 10 ou qualquer outro que se queira. Para isso, deve-se notar que qualquer dcada do
eixo logartmico tem comprimento
10
30 ~ L mm. Sabendo disso e medindo os comprimentos L
2
e L
1,48
,
indicados na figura, obtm-se:
2
10
9, 0
log 2 0, 30
30,0
= ~ ~
L mm
L mm


( )
1,48 2
10
5
log0, 0148 log 1, 48 10 log1, 48 2 2 2 1, 83
30,0

= = = ~ ~
L
mm
L mm


Os papeis logartmicos podem apresentar diferentes tamanhos, mas, como existe uma mesma correspondncia
entre logaritmos e comprimentos, encontram-se, em todos os casos, os mesmos resultados acima.


5.4- Grficos

5.4.1- Introduo

Um grfico uma curva que mostra a relao entre duas variveis medidas. Quando, em um fenmeno fsico,
duas grandezas esto relacionadas entre si o grfico d uma idia clara de como a variao de uma das
quantidades afeta a outra. Assim, um grfico bem feito pode ser a melhor forma de apresentar os dados
27
experimentais. Podemos dizer que um grfico um instrumento inventado para enxergar coisas que os nossos
olhos s vezes no podem alcanar. Ao realizarmos uma medida sugere-se colocar num grfico todos os
pontos experimentais e traar curvas que se ajustem o mais aproximadamente possvel a esses pontos. A
forma dessas curvas pode auxiliar o experimentador a verificar a existncia de leis fsicas ou lev-lo a sugerir
outras leis no previamente conhecidas.

comum buscar uma funo que descreva apropriadamente a dependncia entre duas grandezas medidas no
laboratrio. Algumas das curvas mais comuns so: linha reta, funes polinomiais, raiz quadrada, funo
exponencial, senos, cossenos, etc.


5.4.2- Construo de grficos

H algumas regras bsicas que devem ser seguidas na construo de grficos:

Colocar um ttulo, especificando o fenmeno fsico em estudo, que relaciona as grandezas medidas.

- Escrever nos eixos coordenados as grandezas representadas, com suas respectivas unidades. No eixo
horizontal (abscissa) lanada a varivel independente, isto , a varivel cujos valores so escolhidos pelo
experimentador. No eixo vertical (ordenada) lanada a varivel dependente, ou seja, aquela obtida em funo
da primeira.

- A escala deve conter a informao do nmero de algarismos significativos das medidas e devem ser
escolhidas tais que facilitem tanto a construo quanto a leitura dos grficos. A escala deve ser simples e
sugere-se adotar valores mltiplos ou submltiplos de nmeros inteiros.

- A escala adotada num eixo no necessita ser igual a do outro.

- Escolher escalas tais que a preciso dos pontos sobre o grfico seja aproximadamente igual preciso dos
pontos que representam os dados experimentais. Se por exemplo o grfico feito muito mais precisamente do
que o justificado pela preciso dos dados, os pontos sero indevidamente espalhados e torna-se difcil opinar
sobre a forma da curva.

- Escolher escalas tais que o grfico cubra, aproximadamente, 80% da folha de papel disponvel para a
elaborao do mesmo.

- Nunca se deve assinalar os dados, correspondentes aos pontos experimentais, sobre os eixos coordenados.

Quando todos os pontos experimentais j estiverem marcados no grfico, resta traar a curva. Esta no precisa
passar sobre todos os pontos. De fato, possvel que a curva no passe por nenhum ponto do grfico. Sendo
assim, no necessrio que a curva tenha incio no primeiro e termine no ltimo ponto experimental.

A Fig.5.5 mostra um exemplo de construo de um bom grfico, cujo comportamento caracterizado por uma
funo linear. As pequenas barras, horizontal e vertical, marcados sobre cada ponto experimental, so
denominadas de barras de erro. Essas barras fornecem uma estimativa dos erros aleatrios e de aparelho,
associados a cada ponto experimental, resultante do processo de medida de cada uma das grandezas. Podem-
se adotar os resultados discutidos no Apndice D para essas avaliaes de erro. Os erros aleatrios de cada
ponto experimental so estimados, obtendo amostras estatsticas, com determinado nmero n de medidas,
para cada grandeza envolvida na experincia. A coordenada de cada ponto experimental ser obtida
calculando-se os valores mdios de cada grandeza envolvida na experincia.







28






















Fig.5.5- Apresentao geral de um bom grfico.


A Fig.5.5 mostra um exemplo de dados experimentais cuja dependncia caracterizada por uma reta. Os
pontos quadrados representam os dados experimentais e sua disperso devida aos erros cometidos durante
a experincia. A linha reta contnua representa a curva que melhor descreve a dependncia linear da grandeza
x com a grandeza y .


5.4.3- Relaes lineares

Relaes lineares so aquelas nas quais as grandezas envolvidas esto relacionadas por uma dependncia do
tipo:
y ax b = + (5.5)
onde a o coeficiente angular e b o coeficiente linear. O coeficiente angular corresponde inclinao da
reta, ou seja, y x A A , enquanto que o coeficiente linear b obtido pela interseo da reta com o eixo y ,
como indicado na Fig. 5.5.

Na seqncia descrevem-se dois mtodos que permitem determinar estes coeficientes a partir dos dados
experimentais. importante mencionar que estes no so os nicos mtodos encontrados na literatura, sendo
apenas os mais comuns.


5.4.3.1- Mtodo Grfico

Esse mtodo apropriado quando se tem um nmero razovel de pontos experimentais ( ) 10 > n , e sua
utilizao requer uma boa dose de bom senso. O mtodo se baseia numa estimativa dos parmetros de uma
reta que melhor se ajusta sobre aos n pontos experimentais, a partir do centro de gravidade x y , b g desses
pontos distribudos sobre o grfico, onde

1
1
=
=

n
i
i
x x
n
;
1
1
n
i
i
y y
n
=
=

(5.6)
29
so os valores mdios das variveis x e y , respectivamente.

Uma reta horizontal e uma vertical que passa por este ponto no grfico, definem quatro quadrantes como se v
no exemplo da Fig. 5.6. Neste exemplo, aproximadamente, metade dos pontos experimentais est no terceiro
quadrante e metade no segundo. Para se estimar a reta que melhor se ajusta aos pontos experimentais,
coloca-se a ponta de um lpis sobre o ponto ( ) , x y e apia-se ai uma rgua transparente. Gira-se a rgua em
torno do ponto ( ) , x y at que, aproximadamente, 84% dos pontos fiquem acima da rgua no terceiro
quadrante e a mesma quantidade abaixo no segundo quadrante. A reta traada nessas condies tem uma
inclinao mxima
mx
a com certo desvio padro e o prolongamento dessa reta intercepta o eixo y ,
determinando o coeficiente linear
min
b .

















Fig. 5.6- Determinao dos coeficientes a e b pelo mtodo grfico

Mantendo o lpis, no ponto ( ) , x y gira-se a rgua at que, aproximadamente, 84% dos pontos fiquem abaixo
da rgua no terceiro quadrante e a mesma quantidade acima no segundo quadrante. A reta traada nessas
condies tem uma inclinao mnima
min
a com certo desvio padro e o prolongamento dessa reta intercepta
o eixo y , determinando o coeficiente linear
mx
b . Nota-se que, na regio delimitada pelas retas de inclinao
mxima e mnima, tem-se, aproximadamente, 68% dos pontos experimentais, o que consistente com o
conceito de erro padro. Com essas consideraes, a reta que melhor se ajusta sobre os pontos experimentais,
a reta mdia que fica na regio intermediria entre as retas de inclinao mnima e mxima, como indicado
na Fig. 5.6. Os coeficientes linear e angular da reta mdia, bem como seus desvios padres, so obtidos por:

( )
min
1
2
mx
a a a = + , ( )
min
1
2
mx
b b b = +
(5.7)
min
1
2
mx
a a a
n
A = ,
min
1
2
mx
b b b
n
A =

Caso os pontos experimentais tenham diferentes ponderaes de erros, pode-se seguir o mesmo
procedimento, porm, deve-se levar em conta os pesos relativo de cada ponto. Esses pesos so,
aproximadamente, iguais s inversas das barras de erro de cada ponto.




30

5.4.3.2- Mtodo dos Mnimos Quadrados

O ajuste de curvas pelo mtodo dos mnimos quadrados importante, pois ao contrrio do mtodo grfico,
independente da avaliao do experimentador. Esse mtodo se baseia na minimizao da funo:

( ) ( ) ( )
2
2
1 1
1 1
,
n n
calculado
i i i i
i i
f a b y y y ax b
n n
= =
= =



Nesse caso, procura-se ajustar os dados x y
i i
, b g da amostragem com a eq.(5.5), tal que, os coeficientes a e
b minimizem a diferena entre os valores y
i
medidos e os valores ( )
calculado
i i
y x calculados por essa equao
[16][17]
. Em outras palavras, o que se quer , encontrar valores a e b que satisfaam as condies
( ) ( ) , , 0 f a b f a b
a b
c c
= =
c c
, ou

( ) ( ) ( )
2
1 1
1 2
, 0
n n
i i i i i
i i
f a b y ax b y ax b x
a n a n
= =
c c (
= = =
(
c c




e
( ) ( ) ( )
2
1 1
1 2
, 0
n n
i i i i
i i
f a b y ax b y ax b
b n b n
= =
c c (
= = =
(
c c




ou ainda
+ + =
= = =

y x a x b x
i i
i
n
i
i
n
i
i
n
1
2
1 1
0 e + + =
= =

y a x nb
i
i
n
i
i
n
1 1
0

onde usou-se o fato que
n
i
b nb
1 =
=

. Resolvendo este sistema de equaes para a e b , obtm-se:

a
n x y x y
n x x
i i
i
n
i
i
n
i
i
n
i
i
n
i
i
n
=

F
H
G
I
K
J
= = =
= =


1 1 1
2
1 1
2
e b
x y x y x
n x x
i
i
n
i
i
n
i i
i
n
i
i
n
i
i
n
i
i
n
=

F
H
G
I
K
J
= = = =
= =


2
1 1 1 1
2
1 1
2
(5.8)

Dividindo, ambos, numerador e denominador, da primeira eq. (5.8) por n e, em seguida, fazendo algumas
manipulaes algbricas, obtm-se:

1 1 1 1 1 1 1
2 2 2 2 2
2 2 2
1 1 1 1 1 1 1 1
1
1 2 1 2 1
n n n n n n n
i i i i i i i i i i
i i i i i i i
n n n n n n n n
i i i i i i i i
i i i i i i i i
x y x y x y x y x y xy
n
a
x x x x x x x n x
n n n n n
= = = = = = =
= = = = = = = =

= = =
| | | | | | | | | |
+ +
| | | | |
\ . \ . \ . \ . \ .




31
( )
1 1 1 1 1 1
2 2 2 2 2 2
1 1 1 1 1 1 1
1
2 2 2
n n n n n n
i i i i i i i i i
i i i i i i
n n n n n n n
i i i i i i i
i i i i i i i
x y xy x y xy x y xy
x x x x x x x x x x x nx
n
= = = = = =
= = = = = = =

= = =
| |
+ + +
|
\ .



ou,

( )
( )
1
2
1
n
i i
i
n
i
i
x x y
a
x x
=
=

(5.9)

Dividindo, ambos, numerador e denominador, da segunda eq. (5.8) por n e, em seguida, fazendo algumas
manipulaes algbricas, obtm-se:

2 2
2 2
1 1 1 1 1 1 1 1 1 1 1 1
2 2
2 2
1 1 1 1
n n n n n n n n n n n n
i i i i i i i i i i i i i i
i i i i i i i i i i i i
n n n n
i i i i
i i i i
n x y n x y x y x y x n x y n x y x
b
n n x x n n x x
= = = = = = = = = = = =
= = = =
| | | |
+
| |
\ . \ .
= =
( (
| | | |
( (
| |
\ . \ . ( (





ou,

1 1 1
2
1 1
2
1 1
1 1
n n n
i i i i n n
i i i
i i
n n
i i
i i
i i
n x y x y
b y x y ax
n n
n x x
= = =
= =
= =
(
(
(
= =
(
| |
(
|
(
\ .



(5.10)

onde utilizou-se a expresso do coeficiente angular dada na eq. (5.8). As disperses dos coeficientes angular
a e linear b podem ser estimadas a partir da definio de erro padro, discutido no Captulo 2. Isso se faz de
forma criteriosa na Referncia [05] e, o resultado, :


( )
2
1
n
i
i
S
a
x x
=
A =

,
( )
2
2
1
1
n
i
i
x
b S
n
x x
=
A = +

(5.11)
onde,
( )
2
2
1
1
2
n
i i
i
S y ax b
n
=
=

(5.12)

onde utilizou-se a expresso do coeficiente angular dada na eq. (5.8).

O mtodo dos mnimos quadrados pode ser aplicado desde que os valores de
i
x sejam medidos sem erros e
que todos os valores de
i
y tenham a mesma distribuio (por exemplo, Gaussiana), com o mesmo desvio
padro o . Isso, em princpio, poderia significar uma sria limitao para a utilizao do mtodo. Entretanto, na
prtica, a varivel dependente x , geralmente pode ser adotada como um dado de referncia cujo erro
regulado por um instrumento de preciso e, a varivel independente y como o parmetro estatstico do
processo de medida. As medidas das posies s de um corpo que se move uniformemente em funo do
32
tempo t um exemplo clssico dessa condio. Nesse caso particular, possvel gerar tabelas onde se
disponha diferentes valores
i
s das posies medidas em funo de intervalos de tempo t A predefinidos, como
se v nos exemplos da Fig. 5.7.



Fig. 5.7- Exemplo de valores
i
s das posies medidas em funo de intervalos de tempo 1, 00 t s A =
predefinidos.

Desde que os intervalos de tempo nas tabelas sejam gerados por um cronmetro de preciso e que cada uma
dessas tabelas apresenta as variveis estatsticas
i
s com uma mesma distribuio, o mtodo dos mnimos
quadrados poder fornecer uma boa estimativa da relao linear entre as grandezas s e t .


5.4.4- Grficos de Funes No- Lineares


Quando se coleta uma amostra de medidas e se constri um grfico para represent-la, freqentemente
depara-se com funes no lineares. Muitas vezes, essas funes so difceis de serem identificadas com
preciso ou, at mesmo, desconhecidas. Relaes no lineares do tipo x 1 / ou x 1/ podem ser facilmente
confundidas num grfico. Essas dificuldades desaparecem com as funes lineares, pois estas tm
identificaes confiveis. Assim, desejvel lanar os dados de uma amostra num grfico de tal forma que se
obtenha uma dependncia linear. Esse procedimento, denominado de linearizao de grficos, tem como
base a tcnica de mudana de varivel. A linearizao de funes no lineares pode ser efetuada tanto com
escalas lineares ou com escalas logartmicas
[03,04]
. Grande parte dos fenmenos cientficos investigados na
natureza tem comportamento no linear do tipo polinomial ou exponencial. Na seqncia, ser visto o
comportamento dessas funes, bem como, os mtodos utilizados para lineariza-las com uma simples escala
linear e com as escalas especiais logartmicas.


5.4.4.1- Funes Polinomiais

Essas funes tem a seguinte forma geral
[03, 04]
:


m
y kx = (5.13)

onde k e m so constantes. Aplicando a funo logaritmo a ambos os lados da eq. (5.13), obtm-se:

y k m x log log log = +
ou
Y B AX = + (5.14)


( )
1
s m ( ) t s
10
s 0, 00
11
s
1, 00
12
s
2, 00
13
s 3, 00


( )
2
s m ( ) t s
20
s 0, 00
21
s
1, 00
22
s
2, 00
23
s 3, 00


( )
3
s m ( ) t s
30
s 0, 00
31
s
1, 00
32
s
2, 00
33
s 3, 00

33
onde, Y y log = , B k log = , A m = e X x log = . Pode-se construir um grfico da funo, dada na
eq.(5.13), numa escala linear, por exemplo, em papel milimetrado, e obter A e B diretamente a partir do
grfico. Por exemplo, os pontos marcados no grfico da Fig.5.8, so resultantes do clculo do logartmo dos
dados x e y de uma determinada experincia cujo comportamento ( ) y f x = do tipo polinomial.





.












Fig. 5.8- Linearizao de uma funo polinomial na escala linear em um papel milimetrado.


A reta indicada na Fig.5.8 a reta que melhor se ajusta aos pontos marcados no grfico. Como mostrado nessa
mesma figura, os valores dos coeficientes angular A e linear B , podem ser obtidos diretamente da reta
ajustada, como:


y y Y
A
X x x
2 1
2 1
log log
log log
A
= =
A
(5.15)
e
B interseco da reta com o eixo Y =


Os coeficientes A e B poderiam ser obtidos tambm, a partir dos pontos marcados no grfico, utilizando o
mtodo dos mnimos quadrados ou mtodo grfico.

A partir dos valores obtidos de A e B , pode-se determinar a constante k , atravs da relao
B
k 10 = e o
expoente m do polinmio diretamente de m A = .


5.4.4.2- Funes Exponenciais

Essas funes tem a seguinte forma geral
[03, 04]
:


mx
y ke = (5.16)

onde k , m e e = 2 781 , ... so constantes. Aplicando a funo logaritmo a ambos os lados da eq. (5.16),
obtm-se:
( ) y k m e x log log log = +
ou
34
Y B AX = + (5.17)

onde, Y y log = , B k log = , ( ) A m e log = e X x = . Do mesmo modo, pode-se construir um grfico da
funo, dada na Eq. (5.17), numa escala linear como, por exemplo, em um papel milimetrado e obter os valores
de A e B diretamente a partir do grfico. Por exemplo, os pontos marcados no grfico da Fig.5.9, so
resultantes do clculo do logartmo dos dados y de uma determinada experincia cujo comportamento
( ) y f x = do tipo exponencial.


















Fig. 5.9- Linearizao de uma funo exponencial na escala linear em um papel milimetrado.


Novamente, a reta indicada na Fig.5.9 a reta que melhor se ajusta aos pontos marcados no grfico. Como
mostrado nessa mesma figura, os valores dos coeficientes angular A e linear B , podem ser obtidos
diretamente da reta ajustada, como:


y y Y
A
X x x
2 1
2 1
log log A
= =
A
(5.18)
e
B interseco da reta com o eixo Y =

Como antes, os coeficientes A e B poderiam ser obtidos tambm, a partir dos pontos marcados no grfico,
utilizando o mtodo dos mnimos quadrados ou mtodo grfico.

A partir dos valores obtidos de A e B , pode-se determinar a constante k , por meio da relao
B
k 10 = e o
expoente m do polinmio diretamente de m A e log = .


5.4.4.3- Uso de papis loglog para linearizar funes polinomiais

Na eq. (5.17), obtida da anlise das funes exponenciais, observa-se que as variveis, X x log = e
Y y log = , so ambas logartmicas. Isso significa que quando se constri um grfico dos pares ordenados
( ) x y , diretamente num papel loglog, tem-se como resultado uma reta. Deve-se concluir que o papel loglog
apropriado para linearizar funes do tipo polinomiais. Por exemplo, os pontos marcados no papel loglog da
35
Fig. 5.10, so resultantes dos dados x e y de uma determinada experincia cujo comportamento ( ) y f x =
acredita-se ser do tipo polinomial.



















Fig. 5.10- Linearizao de uma funo polinomial em papel loglog.

A reta indicada na Fig. 5.10 a reta que melhor se ajusta aos pontos marcados no grfico. Como mostrado
nessa mesma figura, o valor do coeficiente angular A pode ser obtido diretamente da reta ajustada
escolhendo-se nela dois pontos arbitrrios ( ) x y
1 1
, e ( ) x y
2 2
, , e usando a eq. (5.15). O valor do expoente m
do polinmio obtido diretamente de m A = .

Deve-se mencionar aqui, que como a origem dos papis com escalas logartmicas no pode ser nula, o valor do
coeficiente linear B no pode ser determinado diretamente do grfico pela interseco com o eixo vertical.
Alm disso, o mtodo dos mnimos quadrados ou mtodo grfico tambm no pode ser utilizado para calcular
ambos os coeficientes A e B . Esses mtodos s se aplicam aos pontos lineares marcados sobre escalas
tambm lineares. Assim, o valor da constante k , o qual depende explicitamente do coeficiente B , deve ser
obtido de outra forma. Alternativamente, o valor desta constante pode ser calculado escolhendo-se tambm um
ponto arbitrrio ( ) x y
1 1
, na reta ajustada. Nesse caso, obtm-se
m
y kx
1 1
= ,ou:

m
y
k
x
1
1
= (5.19)
Substituindo os pontos ( ) ( ) x y ,
1 1
, 1,7 15 = e ( ) ( ) x y ,
2 2
, 5,2 450 = , escolhidos arbitrariamente sobre a
reta ajustada no exemplo da Fig.5.10, na Eq.(5.15), obtm-se:

m A
log 450 log15 2,65 1,20
3,0
log5,2 log1,7 0,70 0,23

= = =


Por outro lado, substituindo o ponto ( ) ( ) x y ,
1 1
, 1,7 15 = na Eq. (5.19), obtm-se k
3,1
15
3,1
1,7
= . Portanto,
a funo polinomial que relaciona as variveis x e y neste exemplo,: y x
3,1
3,0 = .





36

5.4.4.4- Uso de papis monolog para linearizar funes exponenciais

Na eq. (5.14), obtida da anlise das funes polinomiais, observa-se que X x = uma varivel linear
enquanto que Y y log = , uma varivel logartmica. Isso significa que quando se constri um grfico dos
pares ordenados ( ) x y , diretamente num papel monolog, tem-se como resultado uma reta. Deve-se concluir
que o papel monolog apropriado para linearizar funes do tipo exponenciais. Por exemplo, os pontos
marcados no papel monolog da Fig. 5.11, so resultantes dos dados x e y de uma determinada experincia
cujo comportamento ( ) y f x = acredita-se ser do tipo exponencial.
















Fig. 5.10- Linearizao de uma funo exponencial em papel monolog.


Como antes, a reta indicada na Fig.5.10 a reta que melhor se ajusta aos pontos marcados no grfico e o valor
do coeficiente angular A pode ser obtido diretamente da reta ajustada, escolhendo-se nela dois pontos
arbitrrios ( ) x y
1 1
, e ( ) x y
2 2
, , e usando a eq. (5.18). O valor do expoente m da exponencial obtido
diretamente de m A e log = .

Pelo mesmo motivo mencionado anteriormente, o valor da constante k pode ser calculado escolhendo-se um
ponto arbitrrio ( ) x y
1 1
, na reta ajustada. Nesse caso, obtm-se
mx
y ke
1
1
= , ou

mx
y
k
e
1
1
= (5.20)

Substituindo os pontos ( ) ( ) x y ,
1 1
, 0,8 35 = e ( ) ( ) x y ,
2 2
, 2,05 1500 = , escolhidos arbitrariamente sobre
a reta ajustada no exemplo da Fig. 5.10, na Eq. (5.18), obtm-se:

A
log1500 log 35 3,176 1,544
1,41
2,05 0,80 1,25

=

37
Assim, o valor da constante m , neste exemplo, ser:
A
m
e
1,41
3,8
log 0,43
= . Por outro lado, substituindo
o ponto ( ) ( ) x y ,
1 1
, 0,8 35 = na Eq. (5.20), obtm-se: k
e
3,8 0,8
35
1,67

= . Portanto, a funo exponencial

que relaciona as variveis x e y neste exemplo, :
x
y e
3,8
1,67 = .


REFERNCIAS

[01] Gordon M. Bragg, Principles of Experimentation and Measurement, Prentice Hall, inc., Englewood[
[02] David H. Loyd, Physics Laboratory Manual , Secound Edition, Saunders College Publishing , (1997).
[03] M. J. V. Bell, Roteiros Laboratrio de Fsica I , Dep. De Fsica, ICE, UFJF, (2002).
[04] Roberto A. Stempniak, Alguns Aspectos da Fsica da Luz , Escola de Inverno de 11 a 17 de julho de
1999, ITA, So Jos dos Campos SP.
[05] G. L. Squires, Practical Physics , 3rd. edition, Cambridge University Press, Cambridge, 1985.