Relatório de Experimento da Catapulta

Estatística e Probabilidade
Prof. Ben Dêivide (DEFIM/CAP/UFSJ)

Autor

Igor e Lucas

Data de Publicação

26/03/2026, 19:17

1 Relatório de Experimento: Estatística e Probabilidade com Catapulta

2 Introdução

Este relatório detalha um experimento prático realizado no âmbito da disciplina de Estatística e Probabilidade da UFSJ, com foco na análise de dados coletados a partir de lançamentos de uma catapulta. O objetivo principal foi investigar a variabilidade dos resultados de lançamento sob configurações fixas e aplicar técnicas de análise estatística para interpretar os dados obtidos.

3 Metodologia e Prática Experimental

O experimento da catapulta serve como uma base prática para a coleta de dados reais e a aplicação de técnicas de análise estatística. A catapulta utilizada no experimento permite o controle de diversos fatores que influenciam o lançamento, como a tensão do elástico, o ângulo de disparo e o apoio estrutural.

3.1 Fatores Controlados

Durante o experimento, os seguintes fatores foram controlados para garantir a consistência e permitir a análise da variabilidade:

  • Tensão do Elástico (Posição A): Controla a força e a velocidade inicial do projétil.
  • Ângulo de Disparo (Posição B): Define o tempo de voo e o alcance horizontal do projétil.
  • Apoio Estrutural (Posição O): Garante a estabilidade e a geometria do movimento da catapulta.

4 Configuração Utilizada

Catapulta utilizada em sala

Para a realização dos lançamentos, uma configuração específica foi mantida constante na catapulta:

  • Posição O-: Nível 2
  • Posição A+: Nível 3
  • Posição B+: 90°
  • Posição A-: Nível 4

5 Coleta de Dados

Foram realizados 22 lançamentos sob as configurações fixas mencionadas. Apesar da manutenção das mesmas configurações, foram obtidas diferentes distâncias de lançamento. Esta variabilidade observada é um ponto central para a análise estatística, pois permite identificar e discutir os fatores que contribuem para a dispersão dos resultados.

5.1 Ordenação de Dados (Rol)

Para facilitar a análise estatística, os dados brutos coletados foram organizados em um rol, que é a disposição dos valores em ordem crescente. Essa organização inicial é crucial para a visualização da distribuição dos dados e para o cálculo de medidas de posição como a mediana e os quartis.

Dados Brutos (Alcance em cm): 326.0, 294.8, 296.8, 294.0, 295.8, 298.5, 300.6, 285.1, 287.1, 292.3, 290.8, 287.9, 282.9, 285.3, 281.5, 278.4, 276.4, 281.7, 277.1, 285.3, 277.1, 281.8

Rol (Alcance em cm): 276.4, 277.1, 277.1, 278.4, 281.5, 281.7, 281.8, 282.9, 285.1, 285.3, 285.3, 287.1, 287.9, 290.8, 292.3, 294.0, 294.8, 295.8, 296.8, 298.5, 300.6, 326.0

6 Análise da Variabilidade e Aprendizado

A observação de resultados não idênticos, mesmo com configurações fixas, ressalta a importância da estatística na compreensão de fenômenos com variabilidade inerente. Os principais fatores que podem ter contribuído para essa variabilidade incluem:

  • Pequenas modificações na execução de cada lançamento.
  • Influência de fatores ambientais não controláveis, como correntes de ar.
  • Limitações e variações nos instrumentos utilizados, como a elasticidade do elástico ao longo do tempo.

7 Medidas Estatísticas

Para a análise dos dados coletados, as seguintes medidas estatísticas foram calculadas:

  • Média: 288.96 cm. Representa o ponto central em torno do qual os dados se concentram.
  • Mediana: 286.20 cm. Indica o valor central dos dados, sendo menos sensível a valores extremos.
  • Desvio Padrão: 11.07 cm. Mede a dispersão ou variação dos dados em relação à média.
  • Mínimo: 276.40 cm.
  • Máximo: 326.00 cm.
  • Amplitude: 49.60 cm.

Essas medidas são cruciais para compreender a distribuição dos lançamentos e facilitar as análises estatísticas subsequentes.

8 Identificação de Valores Atípicos

Durante o experimento, a ocorrência de alguns valores de lançamento significativamente maiores ou menores que os demais foi observada. Através da análise de quartis e do Intervalo Interquartil (IQR), foi identificado um valor atípico: 326.0 cm. Este valor excede o limite superior calculado (Q3 + 1.5 * IQR).

Esse valor atípico pode ter ocorrido por:

  • Erros na execução do lançamento da catapulta.
  • Variações na deformação do elástico, resultando em maior ou menor força aplicada.
  • Variações ambientais pontuais que afetaram um lançamento específico.

A identificação e análise desses valores atípicos são importantes para entender a robustez do experimento e a influência de fatores não previstos.

9 Conclusões Estatísticas

Com base nos dados coletados e nas análises estatísticas, diversas conclusões podem ser inferidas sobre o experimento da catapulta:

  • Variabilidade Inerente: Mesmo sob condições controladas, a variabilidade nos resultados de lançamento é uma característica intrínseca do experimento, reforçando a necessidade de métodos estatísticos para sua compreensão.
  • Distribuição dos Dados: A análise da distribuição dos alcances (por exemplo, através de histogramas e boxplots) pode revelar se os dados seguem uma distribuição normal ou outra forma, o que é crucial para a escolha de testes estatísticos apropriados.
  • Impacto dos Fatores Controlados: Através de análises de variância (ANOVA) ou testes t, é possível determinar se as diferentes configurações dos fatores controlados (tensão, ângulo, apoio) têm um impacto estatisticamente significativo no alcance médio dos lançamentos.
  • Correlação e Regressão: Se variáveis adicionais forem coletadas, análises de correlação e regressão podem identificar relações entre essas variáveis e o alcance, permitindo a construção de modelos preditivos para o desempenho da catapulta.
  • Controle de Qualidade: O experimento serve como um excelente exemplo para ilustrar conceitos de controle estatístico de processo (CEP), onde gráficos de controle podem ser utilizados para monitorar a estabilidade do processo de lançamento ao longo do tempo.
  • Robustez do Experimento: A presença de valores atípicos, embora desafiadora, oferece uma oportunidade para discutir a robustez das medidas estatísticas e a importância da identificação e tratamento de outliers.

Em suma, o experimento da catapulta não apenas demonstra os princípios fundamentais da estatística descritiva e inferencial, mas também serve como uma plataforma prática para explorar a complexidade da variabilidade em sistemas reais e a aplicação de ferramentas estatísticas para extrair conhecimento significativo dos dados.

10 Aplicação do Pacote leem (R) na Análise de Dados

Para a análise estatística dos dados coletados no experimento da catapulta, o pacote leem (Laboratório de Ensino de Estatística e Matemática), desenvolvido pelo Prof. Ben Dêivide da UFSJ, oferece um conjunto de ferramentas didáticas e funcionais em linguagem R. Este pacote é particularmente útil para o ensino e a prática de estatística, permitindo a exploração de conceitos de forma interativa e visual.

10.1 Exemplos de Aplicação do leem

Com os dados brutos do experimento agora disponíveis, a aplicação do leem pode seguir os seguintes passos gerais:

  1. Importação e Organização dos Dados: Os dados de alcance dos lançamentos seriam importados para o ambiente R. O leem pode auxiliar na criação de objetos de dados estruturados para facilitar a análise.
  2. Cálculo de Medidas Descritivas: Utilizar funções do leem para calcular rapidamente a média, mediana, desvio padrão, variância, quartis e outras medidas descritivas dos alcances. Isso forneceria um resumo quantitativo da performance da catapulta.
  3. Visualização de Dados: O pacote leem permite a criação de gráficos estatísticos essenciais, como histogramas, boxplots e gráficos de dispersão. Essas visualizações são cruciais para entender a distribuição dos dados, identificar valores atípicos e observar padrões.
    • Histograma: Para visualizar a frequência dos diferentes alcances e a forma da distribuição.
    • Boxplot: Para identificar a mediana, quartis e a presença de outliers de forma clara.
  4. Análise de Variabilidade: Explorar a variabilidade dos lançamentos, possivelmente comparando diferentes configurações (se houvesse mais de uma) ou analisando a consistência ao longo do tempo. O leem pode oferecer funções para testes de hipóteses simples ou análises de variância, se aplicável.
  5. Simulações e Modelagem: Para um estudo mais avançado, o leem pode ser empregado em simulações para entender o comportamento probabilístico dos lançamentos ou para construir modelos simples que relacionem os fatores controlados com o alcance.

O uso do leem no contexto deste experimento reforça a importância da computação estatística como uma ferramenta poderosa para a análise de dados reais, permitindo que os estudantes apliquem conceitos teóricos em um cenário prático e obtenham insights significativos sobre a variabilidade e o desempenho da catapulta.

10.2 Principais Resultados Numéricos

A tabela a seguir resume as principais medidas estatísticas calculadas para os alcances dos lançamentos:

Medida Estatística Valor (cm)
Média 288.96
Mediana 286.20
Desvio Padrão 11.07
Variância 122.57
Mínimo 276.40
Máximo 326.00
Amplitude 49.60
Primeiro Quartil (Q1) 281.73
Terceiro Quartil (Q3) 294.60
Intervalo Interquartil (IQR) 12.88
Limite Superior para Outliers 313.91
Coeficiente de Variação (CV) 3.83%

A média de 288.96 cm indica o valor central dos alcances, enquanto a mediana de 286.20 cm, ligeiramente menor, sugere uma possível assimetria à direita na distribuição dos dados, influenciada por valores mais altos. O desvio padrão de 11.07 cm e o coeficiente de variação de 3.83% indicam uma variabilidade relativamente baixa, mas presente, nos lançamentos, o que é esperado em experimentos físicos mesmo sob condições controladas.

10.3 Discussão dos Resultados

Os resultados obtidos estão em grande parte de acordo com o esperado para um experimento físico controlado, mas sujeito a variabilidades inerentes. A presença de uma grande variabilidade, evidenciada pelo desvio padrão e pela amplitude, significa que, mesmo com a configuração fixa da catapulta, os lançamentos não são perfeitamente replicáveis. Isso é um conceito fundamental em estatística: a variabilidade é uma característica intrínseca de qualquer processo real [1].

Os fatores que podem ter influenciado esses resultados e as possíveis fontes de erro experimental incluem:

  • Variações na Execução: Pequenas diferenças na forma como o operador armava ou liberava a catapulta em cada lançamento podem introduzir variabilidade. A precisão humana é limitada e pode levar a pequenas inconsistências [4].
  • Fatores Ambientais: Correntes de ar, mesmo que sutis, podem afetar a trajetória do projétil. Embora o experimento tenha sido realizado em sala, microclimas ou movimentos de ar podem ter tido impacto [5].
  • Limitações dos Instrumentos: A elasticidade do elástico pode ter variado ligeiramente ao longo dos 22 lançamentos devido à fadiga do material. Além disso, a precisão da medição do alcance pode ter pequenas margens de erro [7].
  • Outlier: O valor de 326.0 cm é um outlier significativo. Sua ocorrência pode ser atribuída a um erro de medição, uma anomalia na liberação da catapulta, ou uma interação inesperada com o ambiente. A decisão de incluir ou excluir outliers da análise depende do contexto e do impacto que eles têm nas conclusões. Neste caso, ele destaca a imprevisibilidade pontual do sistema.

A distribuição dos dados, embora com uma leve assimetria, não apresenta uma tendência clara de desvio para um lado específico, exceto pelo outlier. A interpretação desses dados reforça a necessidade de múltiplas repetições em experimentos para obter uma estimativa robusta da média e da variabilidade, e para identificar a presença de eventos incomuns.

10.4 Análise de Dados

distancia <- c(326.0, 294.8, 296.8, 294.0, 295.8, 298.5, 300.6, 285.1, 287.1, 292.3, 290.8, 287.9, 282.9, 285.3, 281.5, 278.4, 276.4, 281.7, 277.1, 285.3, 277.1, 281.8)

# Para o relatório, podemos usar funções básicas do R para replicar as medidas
# descritivas e garantir a reprodutibilidade da análise.

# Média
media_r <- mean(distancia)

# Mediana
mediana_r <- median(distancia)

# Desvio Padrão (amostral)
desvio_padrao_r <- sd(distancia)

# Mínimo e Máximo
minimo_r <- min(distancia)
maximo_r <- max(distancia)

# Quartis
quartis_r <- quantile(distancia, probs = c(0.25, 0.75))
q1_r <- quartis_r[1]
q3_r <- quartis_r[2]

# Imprimir os resultados (opcional, para verificação)
cat("\n--- Estatística Descritiva (R) ---\n")
cat(sprintf("Média: %.2f\n", media_r))
cat(sprintf("Mediana: %.2f\n", mediana_r))
cat(sprintf("Desvio Padrão: %.2f\n", desvio_padrao_r))
cat(sprintf("Mínimo: %.2f\n", minimo_r))
cat(sprintf("Máximo: %.2f\n", maximo_r))
cat(sprintf("Q1: %.2f\n", q1_r))
cat(sprintf("Q3: %.2f\n", q3_r))

# Geração de gráficos em R (exemplo para Quarto)
# Histograma
hist(distancia, main = "Distribuição dos Alcances da Catapulta",
     xlab = "Alcance (cm)", ylab = "Frequência", col = "skyblue", border = "white")

# Boxplot
boxplot(distancia, main = "Boxplot dos Alcances",
        ylab = "Alcance (cm)", col = "lightgreen")

11 🧠 Considerações finais

O experimento da catapulta, embora simples em sua concepção, revelou-se uma ferramenta didática poderosa para a compreensão de conceitos fundamentais em Estatística e Probabilidade. O objetivo de analisar a variabilidade dos lançamentos sob uma configuração fixa foi plenamente alcançado. Através da coleta de 22 dados e da subsequente análise estatística, foi possível quantificar a dispersão dos resultados e identificar fatores que contribuem para essa variabilidade.

Os principais aprendizados incluem a constatação de que, mesmo em condições aparentemente controladas, a variabilidade é uma característica intrínseca de processos físicos. A análise de medidas descritivas como média, mediana e desvio padrão, juntamente com a visualização gráfica por meio de histogramas e boxplots, permitiu uma interpretação aprofundada do comportamento dos dados. A identificação de um valor atípico ressaltou a importância de investigar eventos incomuns e suas possíveis causas, como erros de execução ou influências ambientais pontuais.

A qualidade dos dados coletados foi satisfatória para os propósitos da análise, embora a presença do outlier indique a necessidade de rigor ainda maior na execução ou na padronização do equipamento. Para futuras melhorias no procedimento experimental, sugere-se a utilização de um mecanismo de lançamento mais automatizado para reduzir a variabilidade humana, a implementação de sensores mais precisos para medição do alcance e a realização do experimento em um ambiente mais controlado para minimizar a influência de fatores externos como o vento. Além disso, a coleta de um número maior de lançamentos poderia proporcionar uma base de dados mais robusta para análises mais avançadas, como testes de hipóteses sobre a normalidade da distribuição ou a comparação entre diferentes configurações da catapulta.

12 Aprenda Quarto

Acesse Quarto.

13 📖 Referências