Vous êtes sur la page 1sur 33

RELATRIO FINAL F- 809 O ESTUDO DA DISTRIBUIO NORMAL POR GALTON Universidade Estadual de Campinas Junho/2004 Aluna: Priscila Massetto

de Aquino (RA: 009637) Professor Orientador: Fernando Cerdeira

1. Introduo Montamos a chamada tbua de Galton para entendermos experimentalmente a probabilidade. Queremos entender a distribuio normal de Gauss, e como a tbua descreve exatamente esta distribuio. A tbua montada a seguinte:

figura 1.1 Fotografia de uma tbua de Galton montada

A idia soltar M bolinhas sempre do mesmo local, e mostrar que a probabilidade de que a bolinha caia nas divisrias do meio maior que a probabilidade da bolinha cair nas divisrias das extremidades. Assim, se tivermos um nmero M de bolinhas muito grande, veremos que a curva formada pelas bolinhas nas divisrias segue uma distribuio normal de Gauss (ou uma gaussiana, se o nmero de divisrias for muito grande). 2. Modelo terico Vamos primeiramente pensar no problema de caminho aleatrio. Um indivduo caminha sobre uma reta dando passos de igual comprimento l para a direita e esquerda. Vamos supor que a probabilidade dele ir para a direita p, e dele caminhar para a esquerda q=1-p (pois no existe outra possibilidade). O problema que precisamos resolver justamente encontrar qual a probabilidade Pn(m) para que o indivduo esteja na posio x=ml depois de ter dado N passos. Se o indivduo d n1 passos para a direita, e n2 passos para a esquerda (obviamente n=n1+n2), a probabilidade de uma seqncia de n passos ser: (ppp....p)(qqq....q)=pn1qn2 E o nmero de seqncias de passos de um mesmo tipo ser:
n! n1!n2 !

Ento teremos que a probabilidade de um indivduo dar exatamente n1 passos para direita e n2 para a esquerda (num total de n passos) dada por:

Wn (n1 ) =

n! p n1 q n2 (1) - Esta a famosa distribuio binomial. n1! n2 !

Podemos fazer uma analogia com o problema da tbua de Galton, onde teremos: p= probabilidade de que a bolinha, aps sofrer uma coliso, caia para a direita; q probabilidade de que a bolinha, aps sofrer uma coliso, caia para a esquerda; n= nmero de linhas (supondo que a bola bate uma nica vez em cada linha, ento este tambm o nmero de colises totais de cada bolinha); n1= nmero de colises que faro a bolinha ir para a direita; n2= nmero de colises que faro a bolinha ir para a esquerda.

Se a bolinha for lanada sempre do mesmo lugar (entre os dois pregos do topo), ento ela cair sobre n pregos at chegar nas divisrias, onde n o nmero de linhas de pregos:

figura 2.1. Esquema demonstrativo das linhas de pregos

Como temos a probabilidade de uma bolinha cair sobre n pregos( Wd(n1) ), ento conseguimos calcular o valor das probabilidades da bolinha cair em cada divisria. Por exemplo, vamos pensar qual a probabilidade da bolinha cair exatamente na divisria do meio. A bolinha dever cair sobre n pregos (n1 pela direita, e n2 pela esquerda). Para que ela caia na divisria do meio, n1 n2 =0, ou seja, ela tem que escolher a direita o mesmo nmero de vezes que ela escolher a esquerda. Como sabemos que n= n1 + n2, ento n = 2n1, e a probabilidade fica sendo:
n n (2n1 )! 1 (2n1 )! 1 1 1 1 Wmetade (n1 ) = Wmetade (n1 ) = n1! n1! 2 2 (n1!)2 2

2 n1

(2)

Desta forma, podemos calcular as probabilidades da bolinha cair em cada divisria, e mostrar experimentalmente que a probabilidade dela cair na divisria do meio a maior de todas.
OBS. O fato de que a probabilidade deve ser maior quando a bolinha cai na divisria do meio pode ser provado teoricamente se usarmos a frmula de Stirling:

ln(n!) = n ln n
E ento, usando em Wn (n1):

ln(Wn (n1 ) ) = n ln n n1 ln n1 (n n1 ) ln(n n1 ) + n1 ln p (n n1 ) ln q


Quero encontrar qual o valor de n1 para que a probabilidade seja mxima, ento fao:

ln (Wn (n1 ) ) ln (W n ( n 1 ) ) = 1 ln n1 + 1 + ln(n n1 ) = 0 = 0 n1 n1

ln n1 + ln(n n1 ) = 0 n1 =

n 2

Assim vemos que a probabilidade mxima quando n1 a metade de n, portanto a probabilidade da bolinha cair na divisria do meio a maior de todas!

E a curva da distribuio normal a seguinte:

figura 2.2 curva da probabilidade com distribuio binomial Mas, sabemos que se tivermos um n >>1 no problema de caminho aleatrio:

Wn(n1 ) P ( x) , pois npq >> 1 . Assim, temos:


p( x) = 2 2

= np (x )2 com (3) * exp = pq 2 2

Fazendo a analogia para a nossa tbua, como temos um nmero grande de divisrias e colises, podemos usar esta aproximao. E a curva para a distribuio gaussiana ser:

figura 2.3 curva gaussiana Portanto, podemos prever que em nossa tbua o acumulo das bolinhas formar a curva de distribuio normal, se aproximando da gaussiana.

* Veja em F. REIF, Fundamentals of statistical and thermal physics, Cap. I pag.22

3. Montagem do experimento Faremos o experimento um pouco diferente do que havamos projetado. Como queremos jogar um nmero grande de bolinhas, precisamos ter um nmero razoavelmente grande de divisrias (mas bem menor que o nmero de bolinhas), para que a curva gaussiana se forme da melhor forma possvel. Tnhamos pensado em uma caixa com uma tampa de vidro (ou plstico), de forma que ela sempre ficasse de p (fundo da caixa formando 90 com a horizontal), e o vidro (ou plstico) seguraria as bolinhas para que elas no cassem para frente. O problema que a caixa teria que ser muito grande e seu custo seria muito alto, alm de que seria difcil fazermos a tampa de vidro (ou plstico) encaixar corretamente na caixa de madeira. Ento resolvemos a situao fazendo uma tbua mesmo, de tal forma que ela fica inclinada (formando um ngulo com a horizontal) e no precisa da tampa para segurar as bolinhas. Temos que lembrar tambm que a idia talvez at mais interessante, j que agora podemos fazer essa inclinao variar e mostrar que as probabilidades das bolinhas (carem em cada divisria) deve continuar a mesma, no dependendo da inclinao da tbua. Alm disso, vamos fazer uma coisa que talvez deixe o experimento ainda mais interessante: montar duas tbuas (uma com poucas divisrias, e outra com muitas). Isso ser feito para podermos ver as diferenas entre as curvas formadas. Apesar de termos duas curvas seguindo uma distribuio normal, uma delas (a da tbua com mais divisrias) ser uma aproximao gaussiana, sendo um pouco mas estreita, como vimos nas figuras 2.2 e 2.3.

3.1)

O material Utilizado:

Duas tbuas de madeira com as seguintes medidas: Comprimento (m) 1 2 0,4 0,6 Altura (m) 0,6 1,0

Pregos de dimetro desprezvel Bolinhas de dimetro 16 mm Fita crepe (divisrias) A montagem:

3.2)

Construmos duas tbuas com o objetivo de notarmos a diferena entre as duas curvas formadas. Enquanto uma delas (tbua (1)) ter apenas 17 divisrias (formando uma curva que segue a distribuio normal), a outra (tbua (2)) ter 29 (poderemos aproximar a curva formada por uma gaussiana). Montamos as duas tbuas da maneira descrita no projeto, deixando um espaamento de 20 mm entre um prego e outro (tanto para cima quanto para baixo):

figura 3.2.1 - esquema da montagem dos pregos nas tbuas

E assim, comeamos a construir:

figura 3.2.2 - foto da tbua (1) sendo construda Fizemos as tbuas com 17, e 29 linhas respectivamente. Como na teoria vimos que comeamos a contar as linhas a partir da segunda, teremos 16 e 28 colises das bolinhas com os pregos. Podemos ver duas fotos da tbua (1) quase pronta, onde fica fcil contarmos o nmero de linhas, e o nmero de divisrias:

(a)

(b)

figura 3.2.3 (a) foto da tbua (1) quase pronta, faltando somente as divisrias (b) foto da tbua (1) com uma bolinha caindo

4. As incertezas do experimento importante ressaltar que este experimento est sendo feito completamente por uma amadora! Desta forma os erros e incertezas so muito grandes. Podemos listar alguns cuidados que podemos tomar para minimizar os erros, fazendo com que a curva formada fique muito prxima da teoria:

A madeira utilizada precisa estar muito bem lixada, de maneira uniforme, para que no seja priorizado nenhum lado da tbua;

Os pregos devem estar pregados de tal forma que fiquem o mais perpendicular com a tbua possvel, pela mesma razo anterior;

As bolinhas no podem ter nenhum tipo de rachadura, ou sobras de plstico, assim estas no ficaro viciadas.

Mas, mesmo tomando o maior cuidado, no conseguiremos ainda sim fazer com que a curva experimental fique idntica terica. Isso porque estamos lidando com probabilidades, e uma vez ou outra teremos uma curva um pouco diferente. Sendo assim, se obtivermos curvas muito parecidas com as esperadas (levando em conta claro, que teremos ainda uma curva que segue a distribuio normal) ento o experimento ter sido cumprido.

5. Resultados experimentais 5.1) Valor da probabilidade de uma bolinha cair em cada uma das divisrias Usando a equao (1) podemos calcular a probabilidade de uma bolinha cair em cada uma das divisrias. Definindo cada divisria com um nmero, comeando da divisria 1 (extrema esquerda) at as divisrias 17 ou 29 (extrema direita) para as tbuas (1) e (2) respectivamente, temos o valor terico das probabilidades para cada tbua: A tbua de 17 divisrias

divisria 1 2 3 4 5 6 7 8 9 10 11

N 16 16 16 16 16 16 16 16 16 16 16

n1 (dir) 0 1 2 3 4 5 6 7 8 9 10

n2 (esq) 16 15 14 13 12 11 10 9 8 7 6

Wd 0,0000153 0,0002441 0,0018311 0,0085449 0,0277710 0,0666504 0,1221924 0,1745605 0,1963806 0,1745605 0,1221924

12 13 14 15 16 17

16 16 16 16 16 16

11 12 13 14 15 16

5 4 3 2 1 0

0,0666504 0,0277710 0,0085449 0,0018311 0,0002441 0,0000153

Tabela 5.1) Valores tericos das probabilidades de uma bolinha cair em cada uma das divisrias da tbua (1). A tbua de 29 divisrias

divisria 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26

N 28 28 28 28 28 28 28 28 28 28 28 28 28 28 28 28 28 28 28 28 28 28 28 28 28 28

n1 (dir) 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

n2 (esq) 28 27 26 25 24 23 22 21 20 19 18 17 16 15 14 13 12 11 10 9 8 7 6 5 4 3

W 3,725x10-09 1,043x10-07 1,408x10-06 1,220x10-05 7,628x10-05 3,661x10-04 1,403x10-03 4,411x10-03 1,158x10-02 2,573x10-02 4,889x10-02 8,000x10-02 1,133x10-01 1,395x10-01 1,494x10-01 1,395x10-01 1,133x10-01 8,000x10-02 4,889x10-02 2,573x10-02 1,158x10-02 4,411x10-03 1,403x10-03 3,661x10-04 7,628x10-05 1,220x10-05

27 28 29

28 28 28

26 27 28

2 1 0

1,408x10-06 1,043x10-07 3,725x10-09

Tabela 5.2) Valores tericos das probabilidades de uma bolinha cair em cada uma das divisrias da tbua (2). Note que o valor das probabilidades da 9 e 14 divisrias (que so as divisrias da metade das tbuas (1) e (2) respectivamente) so realmente os maiores valores obtidos para cada tbua (justamente o que provamos no modelo terico deste relatrio). Alm disso, importante observarmos mais duas coisas: i) A soma das probabilidades de todas as divisrias das duas tbuas (separadamente) igual a 1. ii) Quando temos
n1 n 2 iguais, ento as probabilidades tambm sero

iguais (como por exemplo nas divisrias 8 e 10 da tbua (1), ou 8 e 22 da tbua (2)). Portanto teremos uma simetria par se plotarmos os grficos da divisria X Wd. Desta forma, com os dados das tabelas, podemos plotar estes grficos (dados tericos de Wd X d) aos quais nos referimos acima:

Grfico de Wd X d para a nossa tbua


0,20

0,15

Probabilidade (Wd)

0,10

0,05

0,00

-1 0

9 10 11 12 13 14 15 16 17 18 19

Nmero da divisria (d)

figura 5.1.1- grfico terico de Wd X d para uma tbua com 17 divisrias

Grfico de Wd X d para a tbua (2)


0,16 0,14 0,12

Probabilidade (Wd)

0,10 0,08 0,06 0,04 0,02 0,00 -0,02 0 5 10 15 20 25 30

Nmero da divisria (d)

figura 5.1.2 - grfico terico de Wd X d para uma tbua com 29 divisrias

Estes

so,

portanto,

os dois

formatos

tericos

das

curvas esperadas

experimentalmente. 5.2) As tbuas prontas e as curvas obtidas Construmos as tbuas com o maior cuidado possvel, para minimizar o erro que obteremos nas curvas experimentais. importante frisar que estamos trabalhando com probabilidades, portanto as curvas esperadas no sero obtidas em 100% das vezes que realizarmos o experimento, mas devem seguir a distribuio desejada. Com isso podemos ver as duas tbuas prontas:

figura 5.2.1 foto da tbua (1)

figura 5.2.2 - foto da tbua (2)

Com ambas tbuas prontas, realizamos o experimento diversas vezes com 100 bolinhas em cada tbua, e pudemos ver que apesar dos grandes erros experimentais, a maioria das curvas tendem a seguir a distribuio normal em tbuas.

Nas fotos a seguir esto os resultados obtidos para a tbua (1) e logo aps para a tbua (2).

(a)

(b)

figura 5.2.3 (a) foto da tbua (1) com a curva (i) formada pelas bolinhas. (b) foto com zoom na curva (i) formada pelas bolinhas

figura 5.2.4 - foto com zoom na curva (ii) formada pelas bolinhas

figura 5.2.5 - foto com zoom na curva (iii) formada pelas bolinhas

Tbua (2)

(a)

(b)

Figura 5.2.6 (a) foto da tbua (2) com a curva (i) formada pelas bolinhas. (b) foto com zoom na curva (i) formada pelas bolinhas

figura 5.2.7 - foto com zoom na curva (ii) formada pelas bolinhas

figura 5.2.8 - foto com zoom na curva (iii) formada pelas bolinhas

(a)

(b)

figura 5.2.9 - (a) foto da tbua (2) com a curva (iv) formada pelas bolinhas. (b) foto com zoom na curva (iv) formada pelas bolinhas

Note que a curva formada na tbua (2) um pouco mais estreita que a formada na tbua (1), e que raramente alguma bolinha cai nas divisrias do canto da tbua (2), . Olhando para os valores das probabilidades da primeira (ou ltima) divisria das duas tbuas, temos:

tbua 1 2

W1 1,52x10-5 3,72x10-09

Vemos a que o valor da probabilidade da tbua (1) bem maior que o da tbua (2), ento esperado que as bolinhas caiam com uma freqncia maior na primeira (ou ltima) divisria da tbua (1) do que na da tbua (2), justamente como acontece! Vamos agora nos concentrar em uma curvas de cada tbua para que possamos ver que as curvas obtidas (como vimos nas fotos acima) so bons resultados. Primeiramente vamos graficar a curva (i) da tbua (1), e analisar seus dados.
16 14 12
Melhor curva obtida com dados da figura 5.2.3 y0 xc w A 0.03061 8.96087 5.89253 95.83887 1.33063 0.27213 0.96611 21.73285

nmero de bolinhas

10 8 6 4 2 0 -2 0 2 4 6 8 10 12

14

16

18

divisrias (d)

Figura 5.2.10 - grfico experimental (curva (i) da tbua (1)) do nmero de bolinhas X nmero da divisria (d) Vemos a que a mdia obtida foi: =8.90,3. Assim, pela aproximao gaussiana, temos que =np. Sabemos que n=16 neste caso, assim, podemos obter p: p=0.56, na realidade p=0,50,3. Como na teoria p=0.5, ento temos um bom resultado, j que o terico est dentro do intervalo experimental obtido acima! Vamos ainda fazer um outro grfico desta mesma curva: como tnhamos o grfico terico da probabilidade de uma bolinha cair em cada divisria, vamos fazer este mesmo grfico, mas como os resultados experimentais.

Grfico de W d X d para cu rva (i) tb ua (1 )


0 ,20

0 ,15
Lege nda Pon tos expe riment ais Cu rva t eri ca Mel hor gaussia na aju stad a

Wd

0 ,10

0 ,05

0 ,00

10

12

14

16

18

divisrias

figura 5.2.11 grfico de Wd X d da curva (i) da tbua (1) Note que, como temos um nmero pequeno de divisrias, a aproximao gaussiana no to ajustvel, mas que a curva segue (como j discutimos) uma distribuio normal. Assim, para um nmero grande de divisrias, a curva terica deve estar muito prxima experimental!

Fazendo estas mesmas anlises para a curva (ii) da tbua (2):

12

10
Melhor curva obtida com dados da figura 5.2.7

Nmero de b olinhas

y0 xc w A

-0.00838 14.2336 7.31193 96.25214

0.21173 0.12688 0.32799 5.02722

10

15

20

25

30

d ivisrias (d )

figura 5.2.12 - grfico experimental (curva (ii) da tbua (2)) do nmero de bolinhas X nmero da divisria (d) Vemos a que a mdia obtida foi =14,20,1. Como neste caso n=29, ento temos que p=0,49. Considerando o erro: p=0,50,1 Desta forma, podemos observar que o valor terica (p=0,5) est dentro do intervalo experimental obtido. Fazendo um grfico das probabilidades obtidas experimentalmente de uma bolinha cair em cada divisria:

Gr fico de W d X d para a curva (ii) a tbua (2)


0, 16 0, 14 0, 12 0, 10 0, 08

Wd

0, 06 0, 04 0, 02 0, 00 -0, 02 0 5 10 15 20

Leg enda Pon to s expe rimentais C urva te ri ca Mel hor curva ajustada com dado s expe rim entais

25

30

divisria ( d)

figura 5.2.11 grfico de Wd X d da curva (ii) da tbua (2) Vemos agora que a curva experimental j chega mais perto da aproximao gaussiana terica (curva tracejada). Isso pois neste caso o nmero de divisrias grande, bem maior do que na tbua (1). Ainda sim, temos que lembrar que experimento realizado tem grandes erros e incertezas (como aquele j previamente discutidos na seo 4), e por isso a curva obtida no pode ser perfeita. Podemos ainda, da mesma forma como fizemos para estes dois casos, obter as mdias, e calcular os valores de p, verificando que o valor terico est dentro do intervalo experimental obtido.* Desta forma tivemos:

* Os grficos foram feitos para obtermos as mdias, mas no foram colocados explicitamente pois j demonstrei como as obtive.

Tbua (1) curva i ii iii

Tbua (2) P 0,50,3 0,60,2 0,50,1 curva i ii iii iv

8,96 9,45 9,19

15,13 14,2 15,56 15,08

p 0,50,3 0,50,1 0,50,3 0,50,1

Tabela 5.2.1 Resultados obtidos para e p de cada curva. 5.3) A inclinao da tbua Alm disto, faltou uma ltima coisa a ser falada: a relao entre a inclinao da tbua e a curva obtida. Fizemos 5 experincias com os seguintes ngulos com a horizontal (nos baseando no cho): 30, 45, 60 e 90. Obtivemos curvas muito prximas, e obviamente seguindo a distribuio normal em todos os casos. A diferena maior entre as inclinaes foi que quanto menor o ngulo de inclinao, menor era a velocidade da bolinha, demorando ento mais para chegar nas divisrias. Teoricamente a inclinao da tbua no deve alterar as probabilidades das bolinhas chegarem em cada divisria, j que a mudana no ngulo de inclinao deve alterar apenas fora na descida da bolinha, como nos diz a teoria de plano inclinado. OBS. Observe que este resultado experimental demonstra a teoria de plano inclinado: Se a bolinha estiver descendo um plano inclinado, as foras que agem neste sistema so apenas a fora peso e a normal (desconsiderando o atrito com o plano):

figura 5.3.1- esquema da tbua como um plano inclinado. Assim, quanto menor for , menor ser minha fora de descida, menor ser ento a velocidade de descida. 6. Discusso sobre a didtica do trabalho Vimos que em todos os momentos a fsica estatstica est em nossas vidas, por isso importante que uma pessoa mesmo leiga no assunto consiga entender alguns conceitos bsicos. A distribuio normal muito importante para isso, pois ela nos mostra quais so as maiores chances de que algum evento que ns realizamos d certo. muito importante que os professores que forem utilizar este trabalho saibam as implicaes do mesmo nas reas da fsica e matemtica. Por isso, separamos esta seo em 3 partes: (I) A distribuio normal para iniciantes Aqui faremos uma discusso didtico-pedaggica para aquele aluno que no est familiarizado com este conceito. (II) Como este trabalho experimental (a tbua de Galton) demonstra este conceito? Utilizaremos diretamente a tbua de Galton para fazer a conexo entre o experimental e o conceito terico desenvolvido na parte anterior.

(III)

A teoria de erros e incertezas e a distribuio normal. E, por ltimo, mostraremos porque utilizamos a distribuio normal nas teorias de erros utilizadas na fsica experimental.

6.1)

A distribuio normal para iniciantes

Quando dados numricos so organizados para serem colocados em um grfico, geralmente os colocamos em ordem numrica, do menor para o maior, dividindo-os em grupos de algum tamanho especfico. Montamos ento grficos, para podermos interpretar os dados que obtivemos no experimento, analisando o formato da curva, ou a distribuio que a curva segue. O tipo mais comum de distribuio a distribuio normal de Gauss, onde a maioria dos dados experimentais esto centrados em torno da mdia (que no caso, est exatamente na metade da curva), e a medida que vamos nos aproximando dos extremos da curva, os pontos experimentais vo ficando cada vez mais raros. Este tipo de distribuio a que mais encontramos por causa de um importante teorema: o teorema do limite central. Ele faz com que o aluno possa medir o quanto a mdia de sua amostra deve variar, mesmo que este aluno no tenha outras amostras para compar-las. Portanto, o teorema basicamente diz que a mdia de sua amostra deve seguir uma distribuio normal, no importando qual a distribuio que ela seguia inicialmente. A figura 6.1.1 nos mostra um exemplo de distribuio normal (assim como a figura 2.3 no modelo terico deste relatrio):

figura 6.1.1 grfico ilustrativo de uma distribuio normal Esta distribuio usada para descrever dados que seguem o padro de um formato de morro como o da figura acima. Usando esse tipo de distribuio, conseguimos prever que um dado individual deve cair numa faixa de valores esperados (os mais provveis), e saber quo bom este resultado se comparado com os outros. No caso da distribuio normal, os valores mais provveis so os da metade, onde temos a mdia dos valores, e a mediana. Mas, o que so a mdia e a mediana, e quais suas diferenas? Quando temos um conjunto de dados, a mdia ser a soma de todos os dados dividida pelo nmero total de dados. Por exemplo, se temos 5 alunos numa classe que tiraram as seguintes notas: Aluno 1 notas 5,0 Aluno 2 6,0 Aluno 3 3,5 Aluno 4 8,0 Aluno 5 8,5

Ento a mdia () ser a somas dos dados experimentais, no caso as notas, dividida pelo nmero total de dados, que so o nmero total de notas, no caso cinco:

5,0 + 6,0 + 3,5 + 8,0 + 8,5 = 6,2 5

J a mediana um outro jeito de medir o centro de um conjunto de dados. A mediana o ponto em que temos para os dois lados da curva o mesmo nmero de pontos experimentais. Ento podemos perceber facilmente que no caso de uma distribuio com o formato da figura 6.1.1 a mdia igual a mediana, dada no centro da curva! Alm disso, podemos perceber que a distribuio normal segue um padro com algumas propriedades. Estas so dadas por:

O formato da curva simtrico; A curva tem um mximo bem no meio; A mdia est diretamente na metade da distribuio. Esta ser designada pela letra .

A mdia e a mediana tm o mesmo valor, por causa da simetria; O desvio padro () representa a distncia entre os dois pontos consecutivos do eixo x: x1 e x2. Com tudo isso fica mais identificarmos se a distribuio que temos a normal, para podermos interpretar melhor os dados experimentais obtidos em geral! 6.2) Como a tbua de Galton demonstra este conceito?

Na tbua de Galton (como nestas que construmos) vemos que a bolinha deve ser solta bem do meio. Assim, a probabilidade desta colidir com o primeiro prego e escolher o lado direito para cair , e o lado esquerdo tb . Quando

ela for colidir com o segundo prego, teremos as seguintes probabilidades de colises:

figura 6.2.2 esquema demonstrativo das probabilidades da bolinha bater nos cinco primeiros pregos da tbua Vemos ento que a probabilidade das bolinhas colidirem com os pregos dos cantos ser menor. Imagine agora um tringulo com 29 pontos horizontais (que exatamente o nmero de pregos que temos na nossa tbua, resultando no mesmo nmero de divisrias). Na ltima linha de pregos teremos as

probabilidades de colises Wd calculadas (dadas pela tabela 5.2):

W1

W2

W3

............................................ W29

figura 6.2.2 esquema das probabilidades das bolinhas baterem nos ltimos pregos da tbua (2) Desta forma, o grfico da probabilidade X nmero de divisrias deve seguir uma distribuio com as mesmas caractersticas da distribuio normal. Este grfico (figura 5.1.2) foi feito na seo 5.1, e podemos claramente observar que este possui todas as propriedades citadas na seo 6.1!

Experimentalmente, quando jogamos as 100 bolinhas, obtemos uma curva que como teoricamente espervamos, tambm segue as caractersticas de uma distribuio normal:

Figura 6.2.1 foto de uma das curvas obtidas na tbua (2) O fato que ver que isso realmente acontece faz com que o aluno entenda e acredite em toda a teoria demonstrada na seo anterior! 6.3) A teoria de erros e a distribuio normal

Uma medida nunca igual a outra. No conseguimos isto pois existem fatores que as fazem diferir uma das outras como por exemplo o desgaste de instrumentos, ou as alteraes do meio ambiente (como uma mudana de temperatura, umidade do ar, ou outras coisas). Quando fazemos uma srie de medidas que sejam to idnticas quanto se queira, vemos que elas se distribuem em torno de um valor mdio de forma um tanto quanto simtrica. Isto pois quando fazemos uma srie de medidas, vamos obter valores que devem estar em volta de um valor mdio, que ser o

valor terico real no caso de medidas bem feitas. Assim, deve ser mais difcil obter alguma medida longe daquele valor que estvamos esperando (isto se o experimento for realizado de forma correta, claro). Portanto, temos uma probabilidade grande de obtermos valores prximos ao real, enquanto a medida que vamos nos afastando deste valor, a probabilidade de que ele seja obtido vai diminuindo, at que seja praticamente nula. Desta forma, teoricamente, as medidas experimentais devem seguir uma distribuio normal! Quando fazemos um grande nmero de medidas, a distribuio se aproxima de uma gaussiana, ou seja, a curva deve ficar mais estreita, o que significa que teremos uma incerteza menor, j que existem mais valores se aproximando de um nico ponto (o valor mdio, que no caso deve ser o terico). Com essas idias foram desenvolvidas teorias para minimizar os erros e incertezas quando precisamos fazer as medidas, e principalmente quando temos que analis-las. Primeiramente precisamos saber alguns conceitos: (a) Mdia : a melhor estimativa do valor real da grandeza, e adotada como resultado da srie de medidas.

x=

xi n

(b) Desvio de uma medida: o tanto que uma medida se afasta da mdia.

xi = xi x
(c) Desvio quadrtico mdio: mede o espalhamento de medidas

(x

x) 2

n 1

xi = n 1

(d) Erro: feita uma srie de medidas, este o erro que afeta o valor da grandeza

(x

x )2

n(n 1)

Neste caso, esta distribuio centrada em x=0, e simtrica em torno deste valor (que corresponde mdia ). Ento, a distribuio gaussiana dada por:

p( x) =

2 1 exp x 2 2 2

Como vemos na figura 6.3.1, a probabilidade de que a medida esteja entre 3 e 3 muito grande, e pelo teorema do limite central pode ser calculada: 99,7%. Assim esperamos que quase que todas as medidas devem estar neste intervalo.

Figura 6.2.1 esquema de distribuio normal entre 3 e 3.

Ento, como vimos, a base desta teoria justamente perceber que as medidas devem se distribuir no formato de uma gaussiana, portanto quanto mais medidas conseguimos fazer, mais preciso ser meu resultado! 7. Concluso Observando as fotos dos resultados obtidos, e comparando com os grficos tericos que tnhamos na seo 5.1 deste relatrio, vemos que as curvas experimentais esto muito boas, pois considerando os erros, elas seguem o que espervamos teoricamente. Alm disso, vimos que a inclinao da tbua no muda a probabilidade da bolinha cair em cada divisria, j que temos apenas um plano inclinado. Ainda com este trabalho podemos mostrar ao aluno que experimentalmente a curva formada e que a base terica realmente comprovada. Assim, se o professor for explicar sobre outros tipos de distribuio, ou mesmo outros conceitos de matemtica ou fsica estatstica, este experimento ter dado credibilidade ao aluno, que aceitar e entender estes outros conceitos. Bibliografia

REIF, F. em Fundamentals of statistical and thermal physics McGraw-Hill Inc,1965

SALINAS, Silvio R.A. em Introduo fsica estatstica, Ed. da Universidade de So Paulo, 1997

RUMSEY, Deborah em Statistics for Dummies, Wiley Publishing Inc, 2003 GUIMARES, Wladimir O.N. e ROVERSI, Jos A. em Problemas experimentais em Fsica Volume I, 2 edio, Ed. da Unicamp, 1988

Eric W. Weisstein et al. "Galton Board." de MathWorld --A Wolfram Web Resource: http://mathworld.wolfram.com/GaltonBoard.html

"Galton's Board ou Quincunx." http://www.stattucino.com/berrie/dsl/Galton.html.

Physics at Davidson. "Galton Board." http://webphysics.davidson.edu/Applets/galton4/galton_mean.html.

University of Alabama in Huntsville. "The Galton Board Experiment." http://www.math.uah.edu/stat/applets/GaltonBoardExperiment.html.

Vous aimerez peut-être aussi