456 Revista Brasileira de Ensino de F

sica, vol. 22, no. 4, Dezembro, 2000

Quantas Medidas s~
ao Necess
arias para o

Conhecimento de uma Grandeza F

sica?

(How many measurements one needs in order to know a physical quantity?)

V.P. Likhachev, M.T.F. da Cruz e J. Mesa

Instituto de F
sica da Universidade de S~
ao Paulo

Laborat
orio do Acelerador Linear

Rua do Mat~
ao, Travessa R, 187

05508{900 S~
ao Paulo, SP

Recebido em 28 de Fevereiro, 2000. Aceito 11 de Julho, 2000.

Discutimos aqui como expressar o resultado de um conjunto de medidas segundo as prescric~oes da

estatstica e estendemos essa discuss~ao ate o signicado estatstico do intervalo Y  sm , variando o
tamanho da amostra (numero de medidas, N ) desde N = 2 ate N = 100. Fazemos um estudo com o
metodo de Monte Carlo e examinamos a dispers~ao do nvel de conanca (probabilidade) do intervalo
acima, mostrando que esta e elevada quando o numero de medidas e pequeno (N < 5). Concluimos
armando que atingimos o \conhecimento de uma grandeza" quando a dispers~ao da probabilidade
do resultado obtido n~ao e importante quando comparada a essa mesma probabilidade.

We discuss how to express the result of a set of measurements according to the prescriptions of the
statistics and extend the discussion to the statistical meaning of the Y  sm interval, when changing
the size of the data set, N , from N = 2 up to N = 100. With the help of the Monte Carlo method,
we have surveyed the dispersion of the condence level (probability) of the interval above, showing
that such dispersion is important when the data set is small (N < 5). We conclude by stating that
we have reached \knowledge of a quantity" when the dispersion of the probability contents of its
resulting interval is not important when compared to the probability itself.

I Introduc~ao Esse procedimento pode deixar deci^encias na

formac~ao do estudante. Dentre as deci^encias encon-
O objetivo inicial deste trabalho era apresentar, de tradas est~ao a falta do entendimento e do uso corretos
forma clara, conceitos estatsticos essenciais para a da linguagem estatstica. A motivac~ao didatica deste
representac~ao correta de resultados de experimentos,
para estudantes de areas de cunho experimental. A
discuss~ao do assunto durante o preparo do texto, jun-
tamente com os resultados das simulac~oes efetuadas,
conduziu a revis~ao de temas sedimentados, que recebe-
ram nova interpretac~ao.
A urg^encia em se utilizar ferramentas que possibili-
trabalho e esclarecer o signicado de ferramentas es-
tatsticas, como o desvio padr~ao da amostra e aquele
da media.
A simulac~ao de medidas e o estudo das propriedades
dos diferentes intervalos estatsticos a elas associados
permitem observar o efeito de se fazer um numero redu-
zido N de medidas (e.g. N  5) e tambem o que sucede
tem um tratamento mais sosticado e completo de um em casos de N mais elevado. Muito embora a lingua-
assunto causa as vezes invers~oes, pois se e levado a uti- gem estatstica n~ao possua qualquer ambiguidade, os
lizar a ferramenta antes mesmo de estuda-la em um resultados dessas simulac~oes t^em aspectos essenciais,
curso adequado sobre o tema. Essa e uma situac~ao que permitem ilustrar que, quando se expressa o nvel
comum, sucedendo tanto em cursos teoricos como nos de conanca (probabilidade) associado a um determi-
laboratorios didaticos. No caso particular dos labo- nado intervalo, esse nvel de conanca e um valor medio,
ratorios didaticos, muitas vezes os estudantes comecam tendo certa dispers~ao, associada a dispers~ao da media e
a utilizar diversas ferramentas estatsticas antes sequer a dispers~ao do desvio padr~ao do intervalo apresentado.
de se familiarizarem com o seu signicado preciso e com A dispers~ao do nvel de conanca sera t~ao maior quanto
o aparato matematico que as envolve. menos medidas forem feitas. Assim, o termo \conhe-
V.P. Likhachev et al.
cimento de uma grandeza fsica" representara aqui a
obtenc~ao de um intervalo (dado pelo melhor valor 
desvio padr~ao) com um conteudo de probabilidade que
tenha uma dispers~ao pouco importante.
utuam resultados obtidos dentro das condic~oes do
II A linguagem estatstica
Nessa linguagem, os resultados obtidos em um experi-
mento onde foram feitas N medidas da grandeza cha-
457
side na distribuic~ao Maxwelliana de velocidades, i.e., ha
de fato moleculas movendo-se mais lentamente e outras
mais rapidas).
O primeiro e segundo conteudos representam como
experimento. O terceiro n~ao, pois ele e baseado na
exist^encia de um valor limite, Y0 , para o qual con-
vergira a media de um numero de medidas muito
grande, com o concomitante estreitamento do intervalo
[Y sm ; Y + sm ] ao redor dela. Este valor limite jamais
mada de Y , representam uma amostra dessa grandeza.
Representa-se o conjunto desses resultados por fYi gN .
O conjunto de todos os resultados possveis de serem
obtidos para Y e chamado de populac~ao. Denomina-
se Y uma variavel aleatoria e diz-se que esta e regida
por uma func~ao densidade de probabilidade, F (Y ), cuja
forma funcional pode ser ou n~ao conhecida previamente
[2].
Um ponto importante e como representar a amostra
fYi gN . Intuitivamente, o aluno/experimentador quer
apresentar um melhor valor juntamente com alguma ca-
sera conhecido a n~ao ser que a populac~ao seja nita e
conhecida.
Estes tr^es conteudos de fato coincidem no caso de
um grande numero de medidas, N , mas os resultados
s~ao bem diferentes se poucas medidas s~ao efetuadas e,
alem disso, o primeiro e o segundo conteudos proba-
bilsticos deixam de fazer sentido e mesmo ter utilidade
pratica para N pequeno, o que sera demonstrado adi-
ante, com simulac~oes de Monte Carlo.
racterstica que indique a reprodutibilidade desses da- III Denic~oes e metodos de si-
dos. A maneira adotada e apresentar-se o valor medio, mulac~ao
Y , e o desvio padr~ao da media, sm . Este ultimo e cal-
culado a partir do desvio padr~ao da amostra, s, am- A Fig.1 ilustra a diferenca entre os par^ametros da po-
bos denidos adiante. O que se esta informando, den- pulac~ao e aqueles da amostra.
tro de uma linguagem padronizada, s~ao os intervalos
[Y s; Y + s] e [Y sm Y + sm ]:
Costuma-se armar que os intervalos, centrados em
Y , estipulados pelo desvio padr~ao e pelo desvio padr~ao
da media contem tr^es tipos de informac~ao, ou t^em tr^es
conteudos estatsticos:
1. [Y s; Y + s] encerra uma probabilidade conhe-
cida de se obter uma particular medida Yj em seu in-
terior, no caso de se repetir uma medida em condic~oes
id^enticas;
2. [Y sm ; Y + sm ] encerra uma probabilidade co-
nhecida de se obter uma nova media Y 0 dentro dele,
no caso de se repetir todo o experimento em condic~oes
id^enticas. Isso signica que, tendo feito N medidas no
Figura 1. Denic~ao geral.
primeiro experimento, a chance de que numa repetic~ao
de N medidas nas mesmas condic~oes experimentais a
nova media Y 0 esteja dentro do intervalo apresentado e Caracteriza-se a amostra, fYi gN , de resultados de
conhecida; N medidas de uma grandeza atraves da sua media
3. [Y sm ; Y + sm ] encerra tambem uma probabili- aritmetica
1 X
N

dade conhecida de se achar o valor verdadeiro Y0 de Y 

Y = Y (1)
dentro do intervalo obtido, quando Y0 existir. Aqui, a N i=1 i
exist^encia ou n~ao do valor verdadeiro depende do expe- e da vari^ancia.
rimento (e.g. pode-se calcular o mesmo intervalo para P
2
N
=1 (Yi Y )2
as velocidades das moleculas de um gas a temperatura s = i
: (2)
ambiente, mesmo n~ao existindo o valor verdadeiro dessa N 1
velocidade, pois as variac~oes obtidas durante as medi- A raiz quadrada da vari^ancia e o desvio padr~ao, s, da
das n~ao se devem apenas a utuac~oes estatsticas da amostra: sP
grandeza em si ou aquelas introduzidas pelo processo N
i=1
(Yi Y )2
de medida. Aqui, a principal origem das variac~oes re- s= (3)
N 1
458 Revista Brasileira de Ensino de F
sica, vol. 22, no. 4, Dezembro, 2000

este e uma estimativa do desvio padr~ao,  , da po-

pulac~ao. O desvio padr~ao do valor medio, sm , pode
ser calculado atraves do desvio padr~ao da amostra:

sm = ps : (4)
N

Seja a hipotese tpica: todos os dados s~ao estatisti-

camente independentes e obedecem a distribuic~ao nor-
mal, ou de Gauss, dada por

 
1 (Y Y0 )2
F (Y ) = p exp ; (5)
 2 2 2

 facil vericar de (5) que o desvio padr~ao da po-

E
pulac~ao,  , e a meia largura da distribuica~o F (Y ) na
ordenada e1=2  = 0; 61 do valor maximo da curva e que
a area sob esta dentro do intervalo [Y0 ; Y0 +  ] e
 0; 682. Em outras palavras, a probabilidade de se Figura 2. Histograma da distribuic~ao de Yi , produzida
achar um elemento da populac~ao dentro do intervalo utilizando-se a linguagem FORTRAN.
de um desvio padr~ao e  68; 2%:
Os par^ametros da curva solida foram obtidos atraves
A media introduzida no gerador de numeros do ajuste dos dados da simulac~ao e resultaram em Y
aleatorios teve o papel do valor verdadeiro. A conabi- = 2,0031 e s = 0,3011 . Um teste similar foi feito com
lidade do gerador de numeros aleatorios e uma quest~ao o gerador de numeros aleatorios gaussianos na plata-
importante [3]. A consist^encia dos resultados foi ve-
ricada com o auxlio de dois geradores independen-
r
forma MATLAB , randn, produzindo Y = 1,9965 e 
= 0,3012.
tes, como explicado a seguir: (1) foi preparado um
programa em linguagem FORTRAN, utilizando o algo-
ritmo de Box-Muller [3], eq.(6), com o qual s~ao gerados
dois numeros aleatorios, X 1 e X 2, distribudos unifor-
IV Estimativa dos par^ametros
memente dentro do intervalo [0,1]. A transformac~ao na da populac~ao
Eq.(6), abaixo, produz o numero Yi , pertencente ao in-
tervalo aberto ] 1; + 1[; distribudo de acordo com Para o estudo do conteudo probabilstico do desvio
a curva de Gauss de media Y0 e desvio padr~ao  : padr~ao da amostra, s, no caso de um pequeno numero
de medidas, N = 2, xou-se Y0 = 2; 0 e  = 0,3 e
apenas dois dados aleatorios Y1 e Y2 foram gerados. O
valor medio Y e o desvio padr~ao do conjunto foram
p usados, determinando assim o intervalo [Y s; Y + s].
Yi = Y0 +  2
ln X 1
cos(2:X 2) (6) Em seguida N 0 = 1000 dados, fYi g1000 , foram gerados
e contadas as ocasi~oes em que Yi esta contido no in-
tervalo denido acima. Repetindo este procedimento
aqui, Y0 e  t^em os papeis de valor verdadeiro e de des- N 0;0 = 2000 vezes e elaborando-se um histograma da
vio padr~ao da populac~ao; (2) foram preparadas rotinas distribuic~ao de frequ^encias relativas para a frac~ao de
de simulac~ao, na linguagem da plataforma MATLAB
[4].
A qualidade destes geradores de numeros aleatorios
de gaussianos foi estudada e um teste pode ser visto na
Fig.2, para o caso dos calculos em FORTRAN, onde foi
produzido um histograma a partir da geraca~o de 10000
numeros com distribuic~ao normal, com par^ametros
Y0 = 2; 0 e  = 0; 3:
r sucessos, que e a probabilidade ou o nvel de conanca
daquele intervalo, produziu-se a Fig.3. Esta representa
os resultados desse tipo de simulac~ao para N = 2, 3,
5, 10 e 100. Pode-se ver que no caso N = 2 a distri-
buic~ao de probabilidade e monot^onica, quase uniforme,
com um pequeno aumento da probabilidade para va-
lores baixos da frac~ao de sucessos. A frequ^encia de se
achar 10% do conjunto dentro do intervalo e so  2
vezes maior do que aquela de se achar 90%. Podemos
V.P. Likhachev et al. 459

concluir que no caso N = 2 o intervalo [Y s; Y + s]

n~ao tem um nvel de conanca bem denido.

Figura 3. Histogramas da distribuica~o da probabilidade de

se achar Yi dentro do intervalo [Y s; Y + s] para varios
numeros N de medidas. O ultimo graco representa um
detalhamento do resultado para N = 100:
No caso N = 3, a caracterstica da distribuic~ao mu-
dou. A probabilidade de se achar a metade do conjunto
dentro do intervalo e bem maior do que para frac~oes
muito pequenas e muito grandes. No caso N = 5, a dis-
tribuic~ao torna-se ainda mais estreita e o valor maximo
se desloca para a direita, para valores maiores da frac~ao
de sucessos. Todas as distribuic~oes para N > 3 t^em
aspecto gaussiano. No caso N > 5 o maximo da distri-
buic~ao corresponde a probabilidade igual a aproxima-
damente 68%.
V Estimativa da dispers~ao do
valor medio
Examinou-se em seguida o conteudo do intervalo [Y
sm ; Y + sm ]. Estudou-se a probabilidade de que a
media Y 0 de outras N medidas esteja dentro do inter-
valo [Y s; Y + s]. Nesta situac~ao, todo o experimento
e repetido em condic~oes id^enticas. Foram gerados N
= 2 dados aleatorios Y1 e Y2 , calculando-se o seu valor
medio, Y , e o desvio padr~ao da media, sm . O inter-
valo [Y sm ; Y + sm ] foi determinado e gerou-se ainda
N 0 = 1000 vezes conjuntos de N = 2 dados, fYi g2 ,
calculou-se a cada vez a media Y 0 e foi feita a con-
tagem do numero de vezes em que Y 0 caiu dentro do
utua com dispers~ao compatvel com o tamanho do
intervalo obtido no incio. Este procedimento foi repe-
tido N 0;0 = 2000 vezes, produzindo-se um histograma da
distribuic~ao de probabilidade dos sucessos, ou seja, das
utua
frac~oes do numero de conjuntos fYi gN , cujas medias
utuaca~o com
caram dentro do intervalo mencionado (Fig.4).
Figura 4. Histogramas da distribuic~ao da probabilidade de
se achar Y 0 dentro do intervalo [Y sm ; Y + sm ] para varios
numeros N de medidas.
A Fig.4 representa os resultados das simulaco~es para
N = 2, 3, 5, 10 e 100. V^e-se que para N = 2 a dis-
tribuic~ao de probabilidade e a mesma do caso ante-
rior (Fig.3), ou seja, a distribuica~o e quase uniforme,
com um aumento da probabilidade para frac~oes peque-
nas. No caso N = 3, as caractersticas da distribuic~ao
tambem se alteram. Aqui, a probabilidade de que a me-
tade do conjunto de Y 0 esteja no interior do intervalo de
teste e novamente maior que os valores na vizinhanca.
Nos casos N = 5, 10 e 100, essa tend^encia e ainda
mais forte. Porem, as caractersticas da distribuic~ao
de probabilidade ja n~ao s~ao iguais as da distribuica~o de
Gauss, como foi obtido na primeira simulac~ao (Sec~ao
IV, Fig.3). Mesmo no caso N = 100, a probabilidade
encontra-se relativamente mais dispersa. Isso e devido
ao fato de que o centro do intervalo [Y sm ; Y + sm ]
proprio intervalo, sm , o desvio padr~ao da populac~ao
das medias Y 0 estudadas. Ao contrario do primeiro
caso, em que o centro do intervalo [Y s; Y + s]
bem menos (sm ), quando comparada a
a semi-largura do intervalo, s.
460 Revista Brasileira de Ensino de F
sica, vol. 22, no. 4, Dezembro, 2000

VI Estimativa do valor verda-

deiro
Finalmente, estudou-se o conteudo probabilstico do
desvio padr~ao do valor medio sm com respeito a pro-
babilidade do intervalo [Y sm ; Y + sm ] conter o valor
verdadeiro, Y0 . O estudo partiu da denic~ao da pro-
babilidade de se achar o valor verdadeiro dentro do in-
tervalo obtido no experimento. O valor verdadeiro, Y0 ,
n~ao e uma grandeza aleatoria, e por isso a probabili-
dade de acha-lo dentro de um intervalo experimental
particular n~ao tem sentido direto. Assim, a probabi-
lidade de se achar o valor verdadeiro dentro intervalo
[Y sm ; Y + sm ] e denida, por exemplo nas refer^encias
[5,6], como:

N1
P (Y0 2 [Y sm ; Y + sm ]) = lim
Ntotal Ntotal
!1 (7)
onde N1 e o numero de intervalos que contem Y0 e
Ntotal numero total de intervalos do ensaio. A pro-
babilidade de se encontrar o valor verdadeiro Y0 , assim
denida n~ao e caracterstica de um intervalo particu-
lar, obtido em um experimento, mas sim de toda a po-
pulac~ao de intervalos. Por essa raz~ao ela e interpretada Figura 5. Histogramas da distribuic~ao da probabilidade
de se achar Y0 dentro do intervalo [Y sm ; Y + sm ] para
como uma constante para qualquer intervalo obtido no numeros de medidas N =2 e 10.
experimento. Neste ensaio gerou-se novamente N = 2
dados aleatorios, Y1 e Y2 , calculou-se o valor medio, Y ,
e o desvio padr~ao da media, sm . Determinou-se o inter-
valo [Y sm ; Y + sm ], e se analisou se o valor verdadeiro A largura dos histogramas diminui com o aumento
Y0 estava em seu interior. Esse procedimento foi repe- do tamanho N 0 da amostra dos intervalos (veja a
tido N 0 = 1000 vezes, gerando-se outros conjuntos fYi g2 Fig.7). No caso de pequeno numero N 0 < 5 o inter-
valo [Y s0m ; Y + s0m ] ja n~ao tem um nvel de conanca
e contando-se o numero de intervalos [Y sm ; Y + sm ],
bem denido em relac~ao Y0 .
gerados a partir deles, que continham Y0 . Repetindo
esse procedimento N 00 = 2000 vezes, preparou-se o his-
tograma da distribuic~ao de frequ^encia para a frac~ao de
sucessos, na Fig.5.
No caso N = 2 a distribuic~ao de probabilidade e VII Conclus~oes
bastante diferente dos casos anteriores. Ja nesse caso a
distribuic~ao e bem localizada e possui as caractersticas Os resultados das simulac~oes efetuadas mostram que os
de uma gaussiana. A probabilidade e maxima para uma tr^es conteudos discutidos acima coincidem, no limite de
frac~ao de cerca de 1/2. Com o aumento de N , a maxima um grande numero de medidas, N .
probabilidade da distribuic~ao se desloca para a direita 1. Situac~ao 1: o maximo de frequ^encia corresponde
e atinge o limite de 68% (N = 100). Pode-se corrigir a probabilidade  68% de encontrarmos o resultado in-
sm introduzindo-se um coeciente k dependente de N dividual Yi dentro do intervalo [Y s; Y + s];
[7], tal que (veja a Tab.1) s0m = k  sm , para obter a 2. Situac~ao 2: o maximo de frequ^encia corres-
maxima probabilidade em 68%, para qualquer N . A ponde a probabilidade  68% de encontrarmos uma
Fig.6 mostra os resultados da simulac~ao com s0m . nova media de N medidas, Y 0 , dentro do intervalo
[Y sm ; Y + sm ];
Tabela 1 3. Situac~ao 3: o maximo de frequ^encia corresponde
n 2 3 4 5 10 20 1 a probabilidade  68% de encontrarmos o valor verda-
k 1,84 1,32 1,20 1,14 1,06 1,03 1 deiro, Y0 , dentro do intervalo [Y sm ; Y + sm ].
V.P. Likhachev et al. 461

Figura 7. Histogramas da distribuic~ao da probabilidade

Figura 6. Histogramas da distribuica~o da probabilidade de achar Y0 dentro do intervalo corrigido [Y s0m ; Y + s0m ] para
se achar Y0 dentro do intervalo corrigido [Y s0m ; Y + s0m ] varios numeros de simulac~oes, N 0 (tamanho do conjunto dos
para varios numeros de medidas, fazendo uso do coeciente
de correc~ao, k.
Por outro lado, o desvio padr~ao da amostra, s, e o
desvio padr~ao da media, sm , podem n~ao caracterizar a
reprodutibilidade da medida, especialmente quando a
amostra a partir da qual eles foram obtidos e pequena
(N pequeno).
Os comportamentos apresentados est~ao ligados a
utuac~ao estatstica do proprio desvio, s, e da posic~ao
do centro do intervalo, ou seja, o desvio padr~ao experi-
mental e a posic~ao do centro do intervalo s~ao tambem
grandezas aleatorias e a dispers~ao destes afeta o co-
nhecimento da probabilidade associada ao intervalo. A
dispers~ao do desvio pode ser caracterizada atraves do
desvio padr~ao do desvio padr~ao, dado por [2]
u-
u-
sm
ssm = p (8)
2(N 1)
utuac~oes estatsticas de todo
As distribuico~es de probabilidade obtidas s~ao normais
no primeiro e terceiro casos, e assimetrica no segundo.
Quando diminui o numero N de medidas, as larguras
das distribuic~oes de probabilidade aumentam no pri-
meiro e segundo casos e praticamente n~ao ha alterac~ao
no terceiro caso.
intervalos).
Nos primeiros dois casos, para N = 2 o desvio
padr~ao do conjunto s e da media sm ja n~ao caracteri-
zam dispers~ao. A probabilidade de se achar a grandeza
testada dentro do intervalo pode ser qualquer e so para
N = 5 tem-se um maximo de frequ^encia correspondente
a uma probabilidade em torno de 2/3. A diferenca de
carater da distribuic~ao de probabilidade no primeiro e
segundo casos em comparac~ao com o terceiro esta li-
gada a diferenca entre os conteudos desses intervalos.
Nestes casos testa-se o intervalo particular, no terceiro
testa-se o conjunto dos intervalos e so se os agrupa de
maneiras diferentes, N = 2, N = 10 etc. Assim n~ao
ha paradoxo no fato de que a probabilidade e a mesma
para qualquer intervalo particular no terceiro caso.
A largura da distribuic~ao de probabilidade para o
primeiro e segundo casos praticamente n~ao depende do
tamanho N 0 do conjunto Yi ou Y 0 e esta ligada a
tuac~oes estatsticas da posic~ao e da largura do intervalo
testado. No terceiro caso a largura n~ao esta ligada a
tuac~oes estatsticas da posic~ao e da largura do intervalo
testado mas sim com as
o conjunto dos intervalos. A largura diminui com o au-
mento do tamanho N 0 da amostra de intervalos. Para
N 0 pequeno consegue-se reproduzir o mesmo efeito ob-
servado com N pequeno nos outros dois casos.
A probabilidade de se encontrar o valor verdadeiro
Y0 n~ao e uma caracterstica de um intervalo particu-
lar, obtido em um experimento, mas sim de toda a
populac~ao de intervalos. Por essa raz~ao, ela e inter-
462 Revista Brasileira de Ensino de F
sica, vol. 22, no. 4, Dezembro, 2000

pretada como uma constante para qualquer intervalo
obtido no experimento e n~ao tem sentido pratico no
caso de um pequeno numero N de medidas, onde a lar-
gura e a posic~ao do intervalo variam muito.
[3] W.H. Press, S.A. Teukolsky, W.A. Vetterling e B.P.
Flannery, Numerical Recipes in FORTRAN, 2a. edica~o,
Cambridge, 1992.
[4] MATLAB , r High-Performance Numeric Computation

Agradecemos aos colegas, Prof. Otaviano Helene and Visualization Software, The MathWorks Inc., vers~ao
por apontar este problema e pelas valiosas discuss~oes, 4.2.
Profs. H.R. Schelin, Ivan Evseev e Sergei Paschuk, e ao
[5] P.A. Morettin e W.O. Bussab, M
etodos Quantitati-
Sr. Andre Matias Larsen pela valiosas discuss~oes.
vos para Economistas e Administradores, Atual Editora
Ltda., S~ao Paulo, 1981.
References [6] P.L.O. Costa Neto, Estatstica, Editora Edgard Blucher
[1] J. H. Vuolo, Fundamentos da Teoria de Erros, Editora Ltda, S~ao Paulo, 1987.
Edgard Blucher Ltda., S~ao Paulo, 1992.
[7] O. Helene et al., O que e uma medida?, Revista de En-
[2] O. Helene e V.R. Vanin, Tratamento Estatstico de Da- sino de Fsica, 13, 12 (1991).
dos em Fsica Experimental, Ed. Edgard Bl
ucher Ltda.,
S~ao Paulo, 1981.