Universidade Federal de Pernambuco

Centro de Ciências Exatas e da Natureza

Departamento de Física
Física Experimental 1 – 2Semestre 2010

Capítulo 2
Medidas e incertezas II

Índice

2.1 Introdução
2.2 Erros sistemáticos e erros aleatórios
2.3 Acurácia e precisão
2.4 Média e desvio padrão
2.5 Distribuição gaussiana de probabilidades
2.6 Incerteza instrumental e incerteza da média
2.7 Confecção de gráficos e histogramas
2.8 Bibliografia

2.1 – Introdução

Segundo os preceitos do método científico, um resultado experimental é tanto melhor quanto

puder ser repetido e confirmado várias vezes, de preferência por experimentadores diferentes.
Uma das razões por trás deste preceito é a impossibilidade de se conhecer, a priori, os tipos
de erros experimentais, assim como suas magnitudes, que estão associados à realização de uma
determinada experiência. Nos experimentos realizados na prática 1, o procedimento de medida era
bem controlado. Por exemplo, medir os lados de uma mesa é um procedimento simples e
reprodutível. Dessa forma, a incerteza na medida realizada se torna realmente aquela dada pela
resolução do instrumento usado sendo assim suficiente uma única medida para aferir os dados
corretamente. Todavia, existem casos em que a maneira de realizar o experimento introduz erros que
não estão associados à incerteza do equipamento. Os erros experimentais podem ser classificados em
três categorias: erros grosseiros, erros sistemáticos e erros aleatórios. Algumas categorias de erros
ainda apresentam subcategorias. Eles são decorrentes de falhas humanas, como leitura errada de um
instrumento de medida, erro de cálculo, utilização inadequada de um dado instrumento ou técnica de
medição e até mesmo da total falta de noção a respeito daquilo de que se necessita medir.
Afortunadamente, as fontes destes erros podem ser facilmente identificadas, pois os resultados
decorrentes destoam dos demais, o que leva à possibilidade de correção do erro.
Os erros grosseiros, também denominados ilegítimos, podem ser corrigidos refazendo-se os
experimentos e/ou as operações erradas, agora de forma correta. As outras duas categorias de erro
são as mais freqüentes e requerem um estudo cuidadoso das condições sobre as quais o experimento
é realizado, para que possam ser detectados e corrigidos.

1
2.2 – Erros sistemáticos e erros aleatórios

2.2.1 – Erros sistemáticos

Os erros sistemáticos estão associados a um determinado instrumento e/ou técnica de medida

empregados. Eles são difíceis de ser detectados, e a melhor forma de se investigar se ocorreu erro
sistemático em um dado experimento é procurar obter este mesmo resultado usando outros
equipamentos e técnicas de medida, ou até mesmo outros experimentadores. Conforme a idéia que o
nome nos dá, estes erros aparecem sistematicamente e, conseqüentemente, não podem ser postos em
evidência através da simples repetição de uma medida.
Alguns erros sistemáticos são extremamente comuns, sendo praxe adotarem-se alguns
procedimentos antes de iniciar um experimento. Por exemplo, não zerar um instrumento antes de
iniciar o experimento levará a erros sistemáticos ao longo das medidas. Consideremos a medida da
massa de um corpo, com uma balança digital. Se a indicação da balança, quando nenhum corpo
estiver sobre ela, não for zero, digamos 3,7 g, o valor medido para a massa do corpo será acrescido
de 3,7 g. Se esta mesma balança for utilizada para a medida da massa de outros corpos, usando a
mesma técnica de medida, todos os valores obtidos estarão sistematicamente acrescidos de um erro
de 3,7 g. A maneira de se eliminar este tipo de erro sistemático é, então, sempre zerar a balança antes
de qualquer processo de medida.
Outro tipo de erro sistemático, muito comum, provém da descalibração do instrumento de
medida. Se estivermos interessados na medida das temperaturas do ponto de fusão e de ebulição da
água, nas CNTP (Condições Normais de Temperatura e Pressão), e o termômetro usado nos
indicasse 0°C e 110°C respectivamente, é sinal de que ele está descalibrado. Se este termômetro for
utilizado em outros experimentos para medida de temperaturas, todos os valores obtidos estarão
sistematicamente errados. A maneira de eliminar este erro seria definir uma curva de calibração, que
leva em consideração que, ao se ler 110°C, na verdade lê-se 100°C.
Os erros sistemáticos em trabalhos experimentais são freqüentemente mais relevantes do que
os erros aleatórios. Não há um princípio geral que nos diga como evitá-los e somente a vivência do
experimentador pode levá-lo a desconfiar da ocorrência deste tipo de erros.

2.2.2 – Erros aleatórios

Os erros aleatórios são produzidos por variações imprevisíveis e incontroláveis na situação

experimental. Estas podem ser causadas apenas pelo observador, que pode introduzir um erro na
leitura do instrumento de medida ou na sua manipulação, ou por causas externas, como vibrações
mecânicas, oscilações na amplitude da tensão da rede elétrica ou a própria oscilação do parâmetro a
ser medido. Contrariamente ao que ocorre com os erros sistemáticos, os erros aleatórios não são
reprodutíveis, apresentando igual probabilidade de aumentar ou reduzir o valor da grandeza física
medida. Observa-se que estes erros são distribuídos segundo uma lei empírica relativamente simples,
tornando possível o uso de métodos estatísticos para tratá-los e minimizá-los.
Um exemplo simples de erro aleatório decorre do reflexo humano. Ao se tentar medir o
intervalo de tempo em que ocorre um dado fenômeno com um cronômetro acionado manualmente,
uma pessoa introduz um erro, aleatório, ao ligar e desligar o cronômetro. Este erro é ora para mais,
ora para menos. A maneira de se eliminar este erro seria repetir o experimento várias vezes e aplicar
o tratamento estatístico adequado aos resultados, o que estudaremos mais adiante, neste capítulo.

2.3 – Acurácia e precisão

Os termos acurácia e precisão servem para caracterizar uma medida no que diz respeito a
distinguir erros sistemáticos de erros aleatórios. Se uma medida apresenta pequenos erros

2
sistemáticos, ela é dita de grande acurácia ou
(A) (B)
exatidão, ou seja, o valor medido ou a média dos
valores medidos está próxima do valor adotado ou
ideal. A medida da acurácia de um experimento só
é possível através da comparação entre medidas
provenientes de experimentos realizados de forma
independente, assim como, preferencialmente,
utilizando outros observadores e métodos.
Por outro lado, se os erros aleatórios são
(C) (D)
pequenos, a medida é considerada de grande
precisão ou reproducibilidade, ou ainda,
pequena incerteza. É necessário considerarmos
simultaneamente acurácia e precisão quando da
análise de nossos resultados experimentais. Não
há valor científico em um resultado muito preciso,
se este não é acurado. Por outro lado, um
resultado não pode ser considerado acurado se a
precisão não for boa. Na figura 1 mostramos um exemplo considerando o experimento de
lançamento de dardos em um alvo. Consideramos o alvo (menor círculo central) como sendo o valor
adotado ou ideal de uma certa medida e cada um dos dardos como sendo o resultado de uma dada
medida. O grau de acurácia e precisão na maioria
Fig.1. Distribuição de dardos (pontos) em torno do alvo
dos casos só são estabelecidos após um número (menor círculo central representando o valor ideal adotado)
razoável de realizações do experimento. Vamos para um conjunto de lançamentos nas seguintes condições:
agora ver um exemplo de representação dos (A) baixa precisão e acurácia; (B) alta precisão e acurácia;
(C) alta precisão e baixa acurácia; (D) baixa precisão e boa
conceitos de precisão e acurácia para uma dada acurácia para o valor médio.
grandeza:
Uma medida da velocidade da luz no vácuo resultou no valor c = (3,0 ± 0,2)  105 km/s. A medida é
acurada, todavia a precisão do experimento é pequena causando variações muito grandes no valor
de c, que pode se encontrar entre 2,8  105 km/s e 3,2  105 km/s. Da mesma forma, se a velocidade
for medida como sendo c = (2,99776 ± 0,00004)  105 km/s, apesar da grande precisão alcançada, o
valor adotado para a velocidade da luz difere de 16 km/s em relação ao valor medido estando
inclusive fora do intervalo de precisão .

2.4 –Média e desvio padrão

Ao trabalhar com resultados de várias medições em condições de repetitividade, dispomos

de procedimentos estatísticos para resumir e consolidar as informações obtidas. No caso de erros
aleatórios já mencionados acima, esse tipo de tratamento se mostra eficaz para identificar e/ou
reduzir as incertezas associadas ao processo de medida. Por exemplo: quando medidos várias vezes o
tempo de queda para um objeto de uma mesma altura obtemos um conjunto de medidas cujos valores
normalmente diferem entre si. Nestas condições, qual é o melhor valor que representa o tempo de
queda do corpo? Qual a incerteza associada a este valor?
Para responder estas perguntas poderíamos fazer como em nossa primeira prática e, em
princípio, usar apenas uma medida e associar a esta a menor divisão de escala do instrumento de
medida, no caso, um cronômetro. Porém, a incerteza associada ao instrumento cronômetro não cobre
as incertezas ou erros associados a sua operação (reação ou reflexo do operador etc). Como então
incluir fatores de natureza aleatória no processo de medida?

3
2.4.1 – Média ou valor esperado

Se o resultado de uma medida possuir uma incerteza proveniente do processo de medida

que seja realmente aleatória, a chance de se obter um valor acima do valor ideal
seria a mesma de se obter um valor menor ou qualquer outro dentro de um certo
intervalo. Neste caso, ao tomarmos a média, ou seja, ao somarmos todos os valores medidos e dividí-
los pelo número total de medidas N, reduzimos a contribuição das variações ∆, restando-nos um
resultado bem próximo de . Porém, vale ressaltar que esta média é realizada para um número
finito N de medidas quando na verdade somente para N muito grande espera-se que o seu resultado
seja o valor ideal.
Seja, por exemplo, x uma variável aleatória resultado da medida da grandeza física X. Se
forem realizadas N medidas de X, designadas por x1 , x2 ,, xN , o valor médio ou valor esperado
(VE), deste conjunto de medidas é por definição:

1 N x  x2  x3  ...  xN
VE ( x)  x  
N i 1
xi  1
N
( 2.1)

Lembramos mais uma vez que consideraremos o valor ideal ou adotado para uma dada grandeza em
questão como sendo o resultado da eq. (2.1) quando N tende a infinito.
Podemos utilizar esta definição para obter alguma propriedades importantes do cálculo de
VE. Considerando x e y um conjunto de N medidas cada de uma mesma grandeza física

(2.2)

Considerando k uma constante qualquer temos ainda

(2.3)

2.4.2 –Desvio Padrão, variância, e desvio quadrático médio.

Dado um conjunto de medidas e considerando as variações destas como sendo aleatórias,

espera-se que o resultado livre dessas incertezas, o valor esperado, seja aquele obtido do cálculo da
média de muitas dessas medidas. Gostaríamos de saber quão próximo uma nova medida realizada
estará do seu valor ideal obtido da eq. (2.1) para N tendendo a infinito. Esta estimativa é dada pelo
desvio padrão.
Considerando a média ou valor esperado uma medida de localização, o desvio padrão é o
parâmetro que caracteriza a dispersão das medidas e expressa a qualidade das medições. Podemos,
por exemplo, ter conjuntos de medidas que possuem o mesmo valor médio, mas com desvios padrões
diferentes. Tome como exemplo a utilização da distribuição de renda ou de alimentos em alguns
países como parâmetros para avaliar a qualidade de vida. Nestes casos, valores médios podem gerar
avaliações equivocadas.
A variância, ou desvio quadrático médio,  2 , é definido por
 1 N
 2 ( x)    xi  x 2  (2.4)
 N  1 i1 

Podemos desenvolver esta expressão e obter um formato mais simples que será útil para os cálculos
com dados experimentais. Expandindo o termo quadrático na eq. (2.4) temos

(2.5)

4
na qual utilizamos a definição de média, eq. (2.1), no segundo termo e a relação , no
terceiro termo. Finalmente

(2.6)

Na eq. (2.6) somamos todos os quadrados dod valores medidos e realizamos uma única subtração do
quadrado pelo valor médio calculado via eq. (2.1). Isso é certamente mais simples que subtrair os
elementos termo a termo como na eq. (2.4).
Agora, através da definição da variância eq. (2.4), podemos obter as seguintes propriedades
importantes: considerando dois conjuntos de variáveis aleatórias, x e y, da mesma grandeza física e
sendo estes conjuntos independentes, ou seja, cujas medidas feitas no conjunto da variável x não
afetam em nada as medidas feita no conjunto da variável y:

(2.7)

(2.8)

Esses resultados são mais simples de verificar utilizando a eq. (2.6) e aplicando a condição de que as
variáveis são independentes e aleatórias. Senão vejamos

= ( )
(2.9)

(2.10)

O último termo da eq. (2.9) foi batizado em 2.10 com o nome de covariância. Pode-se verificar
experimentalmente que para o caso de variáveis independentes e aleatórias a covariância será nula.
Neste caso particular teremos

(2.11)

O desvio padrão é finalmente definido pela raiz quadrada da variância:

  2 (2.12)

O desvio padrão quantifica desvios do resultado de uma medida com respeito ao valor médio de
todas as medidas realizadas. Definimos então que o valor de uma dada medida deve estar próxima do
valor ideal ou adotado dentro do intervalo .

2.4.3 -Desvio padrão da média

No item anterior definimos que, para um experimento no qual as váriaveis medidas são
independentes e aleatórias, o resultado de uma única medida está próximo do valor ideal dentro do
intervalo . Porém, falta avaliar quão próximo do valor ideal está o resultado da média de um
conjunto N de medidas. Digamos agora que N medidas foram feitas para uma dada grandeza e dessas
medidas calculou-se a média. Quão próximo está a média do valor ideal, ou seja, qual é o desvio
padrão da média?

5
Bem, o erro introduzido em x provém dos desvios aleatórios de cada uma das medidas xi , que se
propagaram no cálculo do valor médio. A incerteza da média, associado ao valor médio de um
conjunto de N medidas, vale

(2.12)

onde considerando todas as medidas independentes. Além disso, os desvios padrões para cada uma
das variáveis é o mesmo, logo

(2.13)

O desvio padrão da média será

(2.14)

Sendo assim, o valor médio de um conjunto de N medidas estará próximo do valor ideal dentro do
intervalo .

2.5 – Distribuição Gaussiana

A distribuição Gaussiana ou distribuição normal de erros descreve de forma bem razoável

resultados experimentais nos quais as grandezas medidas são dispostas de forma aleatória e
independente dentro de um intervalo finito de resultados possíveis. Se cada medida em um dado
experimento for independente da medida anterior é como se não houvesse memória entre uma
medida e outra. Assim como quando se lança um dado: espera-se que o resultado de uma jogada seja
completamente independente da jogada anterior. Se essa condição for respeitada no tipo de medida
em questão, podemos representar o resultado do conjunto de medidas, ou sua frequência de
ocorrências, de uma forma analítica extremamente simples dada por
1
PG ( x,  ,  )  e   x    2
2
(2.15)
 2

A distribuição de probabilidades de Gauss, que é descrita pela função contínua acima, tem
como valor médio  e desvio padrão  (  é na verdade o valor médio para N infinito e, no caso da
distribuição Gaussiana, é também o valor mais provável da distribuição). Como a distribuição é
contínua e, em conseqüência das imposições geradas pelas limitações experimentais, os valores
medidos são discretos, é necessário definir o intervalo correspondente a um dado valor discreto x . A
probabilidade para que uma dada medida, feita aleatoriamente, pertença a um intervalo de  x 2
em torno de x é

x x 2
Px, x    PG x,  ,   dx (2.16)
x x 2

Para x pequeno, podemos fazer a aproximação Px, x   PG x,  ,   x . Como a probabilidade de

se obter qualquer valor de x, i.e. x ϵ (-∞; +∞), é um, a área total sob a curva definida pela função
Gaussiana é dada por

6
   x 2
lim  PG x,  ,   dx  1 ( 2.17)
x x 2

A probabilidade de a medida xi ocorrer

no intervalo  x será igual a 1 (100% de
chance) quando x tender a infinito. Entretanto,
se aceitarmos uma probabilidade menor do que
100%, é possível definir uma largura da
distribuição para a qual a probabilidade de
ocorrência da medida x seja bastante
significativa. Um valor comumente adotado é o
próprio desvio padrão  . A probabilidade
integral para x   é de cerca de 68%, o que
significa que aproximadamente 2/3 de todas as
medidas ocorrem no intervalo de mais ou menos
um desvio padrão em torno da média  (valor
adotado). Assim, se for atribuída à medida x
uma incerteza de   , há uma probabilidade de
68% de que o valor mais provável  esteja dentro Fig. 2 Densidade de probabilidade PG de um dado
conjunto de medidas em função de seus respectivos
deste intervalo. valores para o caso de uma distribuição gaussiana. X0
A largura   pode ser usada para denota o valor médio assim como definido em (2.1). O
caracterizar a curva Gaussiana. Outros valores valor da largura da distribuição a meia-altura é de 2 .
possíveis são 2 , que inclui 95% das medidas, ou a largura plena à meia altura  (às vezes
denotada pela sigla FWHM, do inglês full width at half maximum), que é um dos parâmetros que
caracterizam uma distribuição. No caso da distribuição Gaussiana,   21,177  e o intervalo
   2,    2 abrange cerca de 76% das medidas. Neste curso, adotaremos o desvio padrão 
para caracterizar a incerteza de uma única medida.
ou seja, o valor procurado  tem uma probabilidade de 68% de se encontrar no intervalo x    .

2.6 – Incerteza instrumental  incerteza da média

Suponhamos que queremos medir a largura de uma placa de metal com uma trena
milimetrada, como as que estão à disposição no laboratório. A medida é repetida, digamos, 20 vezes,
e a cada vez encontra-se o mesmo resultado: L = 12,7 cm. Assim, o valor médio deste conjunto de
medidas vale 12,7 cm. O desvio padrão é nulo e a incerteza da média  média  0 cm.
Estatisticamente, isto nos diz que a largura da placa é exatamente 12,700000000... cm, sem haver
possibilidade alguma de erro! Pega-se agora este mesmo corpo e mede-se a sua largura com um
instrumento de maior resolução, tal qual um paquímetro, obtendo-se o resultado L = 12,739 cm.
Repete-se então esta medida por 20 vezes e o valor lido no instrumento é L = 12,751 cm. Chega-se
então a uma distribuição de valores em torno do valor médio x = 12,746 cm, com  = 0,036 cm e
 média = 0,008 cm.
Por que se observa uma distribuição de largura não-nula com um instrumento de maior
resolução e, conseqüentemente, uma incerteza da média diferente de zero, enquanto que, com a trena
milimetrada, não se observa dispersão alguma? Parece claro que a dispersão, decorrente de
irregularidades na largura da placa, é pequena demais para ser observada com a trena. Isto invalida
qualquer processo estatístico para análise dos dados, já que a dispersão não pode ser observada.

7
 Assim, se a incerteza no processo de medida for dada por  e a largura de uma distribuição
de medidas for caracterizada por  , tem-se que
a) Se     incerteza da medida =  média
b) Se     incerteza da medida =  .
Muitas vezes é aconselhável introduzir propositalmente uma fonte de erros aleatórios no
experimento para produzir uma dispersão maior do que a incerteza instrumental. Com este artifício,
pode-se obter um valor médio mais próximo do valor esperado x e uma incerteza estatística  média
tão pequena quanto se desejar, bastando, para isto, repetir o experimento um número muito grande de
vezes. Entretanto, embora não pareça, não é muito fácil produzir-se uma fonte verdadeiramente
aleatória de ruído, devendo-se ter muito cuidado em relação a este ponto.
Existe, ainda, um problema: se a incerteza da medida  decorrer do processo de calibração
do instrumento (o que significa erro sistemático), não é possível reduzir o erro no valor esperado
para algo inferior a  , já que, como vimos, nenhum processo estatístico é capaz de remover um erro
sistemático. Por isto, é importante conhecer a origem da incerteza instrumental, o que, na maioria
dos casos, não é algo evidente. Parte desta incerteza decorre de erros aleatórios do instrumento. Por
exemplo, seja uma régua de 1 m com irregularidades nas marcações dos traços milimetrados.
Alterando-se, cada vez, o zero da medida (o ponto na régua a partir do qual iniciamos a comparação
do comprimento do objeto a ser medido com o número de traços da régua), este erro assume caráter
aleatório, podendo, como vimos, ser corrigido por uma análise estatística. Se, no entanto, o tamanho
da régua não corresponder ao padrão de comprimento, caso, por exemplo, a distância entre a marca
de 0 m e 1 m medir 1,01 m, há um erro sistemático de 1% que está embutido em todas as medidas.
Este erro não será corrigido por nenhum processo de medida, a menos que seja conhecido.
O procedimento recomendado em qualquer processo de medida é primeiro calibrar o
equipamento. A incerteza  S (erro sistemático) que existir, neste processo, é o erro limite, o qual
não pode ser eliminado estatisticamente. Em seguida, inicia-se a tomada de medidas. É possível que
o procedimento experimental, incluindo-se o uso do equipamento e o método de medida, introduza
novos erros como, por exemplo, erro na leitura da escala de uma régua, no acionamento do
cronômetro etc. Estes erros de natureza aleatória (  A ) aumentam as incertezas nas medidas, mas
podem ser tratados estatisticamente. Se a incerteza, na leitura do instrumento, for maior do que estes
dois tipos de erros (    S e    A ), todas as medidas serão idênticas e não será possível reduzir a
incerteza a um valor inferior a  . Contudo, aumentando os erros aleatórios, de forma que
   A     S , pode-se estimar o valor da grandeza medida com uma incerteza inferior a  ,
bastando, para isto, realizar um grande número de medidas (lembrar:  média
2
  2 n ).

2.7 Gráficos

O objetivo do gráfico é transmitir informação de forma simples e objetiva.

Abaixo seguem algumas regras para a confecção dos gráficos experimentais. Atenção: a
correta observação de todas essas regras é de grande importância para garantir a clareza dos
dados apresentados e será levada em consideração na correção de todos os gráficos
confeccionados por você e sua equipe nas provas e relatórios.

a) Em um espaço livre, na parte superior da folha, escreva o título do gráfico de forma clara
e completa;

8
 b) No eixo horizontal (abscissa) é lançada a variável independente, isto é, a variável cujo os
valores são escolhidos pelo experimentador; no eixo vertical (ordenada) é lançada a
variável dependente, isto é, aquela obtida em função da primeira;

c) Escreva o nome (letra maiúscula) ou inicial da grandeza em cada eixo e, entre parênteses,
coloque a unidade correspondente;

d) Deve–se colocar convenientemente os pontos experimentais dentro do espaço disponível

para o gráfico, mediante escolha de uma escala adequada;

e) A escala deve ser simples e de fácil leitura dos pontos. Adotam-se múltiplos ou
submúltiplos de números inteiros (0,1; 0,2; 0,3;.;1; 2; 3..; 10, 20, 30...). Quando se
trabalha com números muito grandes ou pequenos, use notação científica. A escala pode
ser simplificada lançando as potências de 10 juntamente com a unidade sobre os eixos;

f) A escala pode ser escolhida por razões teóricas. Por exemplo, se os dados experimentais
precisam ser comparados com uma teoria governada por uma equação do tipo y= kx, esta
prevê a passagem pela origem, logo o gráfico deve apresentar esse ponto mesmo que os
dados experimentais sejam inacessíveis;

g) Os pontos experimentais devem ser marcados no gráfico usando símbolos ;

h) Após a colocação dos pontos no gráfico, não escreva nos eixos os valores relativos a
cada ponto, a não ser que estes coincidam com os da divisão adotada na escala;

i) Para o caso de grafar uma curva para ajuste dos pontos experimentais, esta deve ser suave
e contínua. A curva de ajuste não precisa tocar nenhum ponto experimental
especificamente e sim ajustar o conjunto inteiro. Ela deve ter a forma especificada pela lei
física, quando houver, adotada para o ajuste.

2.7.1 - Histograma

Neste tipo de gráfico representaremos a grandeza medida no eixo x dividido em intervalos de

igual comprimento que chamaremos de celas. No eixo y, representaremos frequência absoluta, fa, ou
seja, o número de medidas que ocorreram no intervalo definido pela cela.

O histograma é um gráfico composto por retângulos justapostos em que a base de cada um

deles corresponde à cela e a sua altura à respectiva freqüência. Quando o número de dados aumenta
indefinidamente e a cela tende a zero, a distribuição de freqüência se torna uma distribuição de
densidade de probabilidades. A construção de histogramas tem caráter preliminar em qualquer
estudo e é um importante indicador da distribuição de dados.

9
 Fig. 3 exemplo de um histograma no qual o eixo vertical indica a frequência de ocorrências de uma dada
grandeza e no eixo horizontal a faixa de valores dessa mesma grandeza.

O Histograma é uma forma de indicar se uma dada sequência de medidas aproxima-se de

uma função normal ou gaussiana. Uma vez que o histograma apresenta-se com a forma próxima de
uma função gaussiana, isto é, com um único máximo e com largura da distribuição finita, as técnicas
discutidas para erros aleatórios em termos do cálculo da média e do desvio padrão podem ser usadas.
A figura 4 mostra o ajuste de um histograma utilizando uma função gaussiana. Essa qualidade do
ajuste é a assinatura do caráter aleatório do conjunto de medidas.

Fig. 4 Ajuste de um histograma (conjunto discreto de medidas) utilizando uma função gaussiana (função
contínua) . Na figura, SD (standard deviation) significa desvio padrão.

10
 2.7.2 - Uso do papel milimetrado

Determinação das escalas e da posição do papel.

Geralmente, uma folha de papel milimetrado tem 280 mm no eixo vertical, e 180 mm no eixo horizontal,
então, podemos usá-la nesta posição (“retrato”) ou em outra posição, invertendo os eixos (“paisagem”).
Deve ser escolhida uma destas duas possibilidades: “retrato” ou “paisagem”, de modo a otimizar a
construção do gráfico visando ocupar o melhor possível a folha. Entretanto, “ocupar o melhor possível a
folha” não significa necessariamente que se deve usar a escala que preenche todo o papel. Na prática,
deve-se escolher uma escala que facilite a leitura dos pontos experimentais, ou qualquer outro ponto
representado no gráfico.

11