Baixe o app para aproveitar ainda mais
Prévia do material em texto
Algarismos Significativos Propagação de Erros ou Desvios • Qual destas medidas está correta? Qual apresenta algarismos com significado? • O instrumento de medida não garante precisão de milímetros (0,1 cm), muito menos de décimos de milímetros (0,01 cm). • Então, 0,3 cm é um valor duvidoso, mas pode ser estimado por um ser humano, mas 0,05 cm não pode ser estimado com a escala da figura. L1 = 1,35 cm; L2 = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. • Nesta escala, centésimos de centímetros, ou décimos de milímetros (0,01 cm = 0,1 mm) são os primeiros algarismos duvidosos, e por isto passam a ser significativos • comprimento do palito é L6 = 1,34 cm, mas 1,36 também seria uma boa leitura. • Os algarismos significativos são todos os algarismos corretos e o primeiro algarismo duvidoso. • vamos assumir que se não soubermos qual é a incerteza da medida, assumiremos como sendo igual a metade do menor intervalo de medida do instrumento. • de modo que poderíamos escrever • L4 = (1,4 ± 0,5) cm, • e para o instrumento mais preciso: • L7 = (1,35 ± 0,05) cm. Zero a direita é algarismo significativo, mas zero a esquerda não é algarismo significativo. • Média aritmética: Se n número dados, cada número denotado por xi, onde i = 1, ..., n, a média aritmética é a soma dos valores xi's divididos por n, ou • Desvio médio: Se desejamos determinar a precisão de um conjunto de dados, primeiramente devemos entender o que é desvio da média, ΔXi, de uma medida xi: i med iX x x 1 n i i x x n • quando calculamos a soma dos desvios da média, obtemos o valor zero. Isto faz muito sentido porque a média está situada em uma posição que separa o conjunto de dados “ao meio”. • É bastante simples: digamos que se tenha o conjunto (2,4). A média é 3, e a medida 2 está uma unidade abaixo da média (seu desvio é -1) enquanto que a medida 4 está uma unidade acima da média (seu desvio é +1). A soma dos desvios é zero (tente mostrar que este resultado sempre é verdadeiro). • Uma vez que a soma dos desvios é nula, a maneira de obtermos o desvio médio é tomarmos a média dos módulos dos desvios: • Com o média dos módulos dos desvios em mãos poderemos expressar a grandeza X de um modo bastante interessante: i i med X X n med medX X X • A variância é calculada subtraindo o valor observado do valor médio. Essa diferença é quanto um valor observado se distância do valor médio. Observe o exemplo a seguir: 2 2 1 med i i X x N 2) Observe as notas de três competidores em uma prova de manobras radicais com skates. Competidor A: 7,0 – 5,0 – 3,0 Competidor B: 5,0 – 4,0 – 6,0 Competidor C: 4,0 – 4,0 – 7,0 Ao calcular a média das notas dos três competidores iremos obter média cinco para todos, impossibilitando a nossa análise sobre a regularidade dos competidores. Partindo dessa ideia, precisamos adotar uma medida que apresente a variação dessas notas no intuito de não comprometer a análise. Competidor A: Competidor B: Competidor C: 2 2 2 2 5 7 5 5 5 3 2,0 3 1 A 2 2 2 2 5 5 5 4 5 6 1,0 3 1 B 2 2 2 2 5 4 5 4 5 7 3,0 3 1 C • O desvio padrão, S, é estatisticamente mais significativo que o desvio médio de uma amostra. • Para um conjunto de N dados, a variância, σ2 é definida como: 2 2 1 med i i X x N • O Desvio padrão é obtido através da Raiz quadrada da Variância. Utilizando ainda o mesmo exemplo podemos obter o seguinte: Competidor A √2,0 = 1,41 Competidor B √ 1,0 = 1,0 Competidor C √3,0 = 1,73 -> Logo Podemos notar que o competidor B possui uma melhor regularidade nas notas. 2 1 med i i X x N 2 1 med i i m X x N NN Sabemos agora determinar a partir de n observações o desvio padrão de uma medida, isto é, sabemos estimar a partir da análise de n observações o erro que teríamos, com uma dada probabilidade, caso houvéssemos realizado uma única determinação. Entretanto, tendo realizado n determinações o melhor valor disponível é a sua média (xmed), e portanto estaremos mais interessados em estimar o erro em xmed. Note que, quanto maior o número de observações n, menor será o desvio padrão da média e portanto, maior a precisão do resultado. Este é um princípio fundamental da estatística. Quando a medição de uma grandeza R de interesse é feita de maneira indireta, sendo esta grandeza obtida a partir de medidas de n grandezas primárias {a1, a2, a3, ..., ak, ..., an}, o cálculo de R é feito a partir de uma função conhecida das grandezas primárias. Estas grandezas são também denominadas grandezas de entrada, enquanto a grandeza R é denominada grandeza de saída. Exemplo: Cálculo da Densidade Grandezas de entrada: massa e volume Grandeza de saída: densidade Fazendo um desenvolvimento matemático apropriado, temos uma expressão para o cálculo da incerteza padrão da grandeza de saída 1 2 22 2 22 2 1 2 ... na a aR n R R R a a a Esta expressão para a incerteza padrão da grandeza de saída, também chamada de incerteza padrão combinada, é utilizada quando as grandezas de entrada {a1, a2, a3, ..., ak, ..., an} são medidas repetidas vezes, gerando valores médios e desvios padrão das médias ka ka Consideremos o caso em que se deseja calcular a incerteza padrão propagada no valor de uma grandeza de saída R, com relação funcional do tipo R = a + b. Sendo as incertezas padrão de a e b, e respectivamente. Sendo a forma final para grandeza combinada e sua incerteza padrão combinada escrita como: a b 2 2 22 22 aR b aR b R R a b 22 aR b R a b Referências • Referências Bibliográficas 1. Domiciano, J. B., Juraltis K. R., “Introdução ao laboratório de Física Experimental”, EDUEL, 2009. 2. Vuolo, J. H. – “Fundamentos da Teoria de Erros” – Ed. Edgard Blücher , São Paulo, 1992. 3. http://www.uel.br/cce/fisica/docentes/dari/d3_materia l10_6ce2c61b.pdf
Compartilhar