Tábua de Galton
A Tábua de Galton é um modelo da teoria dos erros. Esta teoria tem como objetivos determinar o melhor valor possível para uma grandeza (valor experimental) a partir de medições e determinar sua incerteza. É muito usada para descrever fenômenos da Física. A Tábua é usada também para exemplificar a distribuição normal.
Quando a bolinha de gude é solta do topo da tábua e colide com os pregos, a bolinha pode ir para a direita (com probabilidade \(p\)) ou para a esquerda (com probabilidade \(q=1-p\)). Vamos supor que a bolinha colide \(N\) vezes com pregos. Em qual das regiões da parte de baixo de tábua ela irá cair ? Como este processo é probabilístico, devemos também nos perguntar qual é então a probabilidade da bolinha ter colidido \(N\) vezes e cair na divisória \(m\) ?
Se a bolinha fez colisões que a levaram \(n_1\) vezes para a direita e \(n_2\) vezes para a esquerda (\(N=n_1+n_2\)), então a probabilidade de uma sequência de colisões será
\[(pppp\ldots p)(qqqq\ldots qq)=p^{n_1}q^{n_2}.\]
Como o número de sequências de colisões é \(\displaystyle \frac{N!}{n_1!n_2!}\), então a probabilidade da bolinha colidir e se deslocar \(n_1\) para a direita e \(n_2\) para a esquerda (num total de N colisões) é dada pela distribuição binomial:
\[\mathcal{P}_N(n_1)=\displaystyle \frac{N!}{n_1!n_2!}p^{n_1}q^{n_2}.\]
Interaja com a aplicação da Tábua de Galton a seguir (Autor Thiago V. Batalha) !
O número de colisões que a bolinha sofre até chegar às divisórias depende do número de linhas de pregos que a tábua tem, que corresponde então ao valor de \(N\). Com \(\mathcal{P}_N(n_1)\) podemos calcular a probabilidade da bolinha cair em cada uma das divisórias. Por exemplo, para a divisória do meio, a bolinha deve ter colidido e ter ido para a direita o mesmo número de vezes de ter colidido e ter ido para a esquerda, ou seja, \(n_1=n_2\). Considerando que a probabilidade é a mesma de ir para a direita ou de ir para a esquerda, \(p=q=1/2\), então
\[\mathcal{P}_N(n_1)=\displaystyle \frac{(2n_1)!}{n_1!n_1!}(\frac{1}{2})^{n_1}(\frac{1}{2})^{n_1}.\]
Para termos um noção da forma de \(\mathcal{P}_N(n_1)\), podemos determinar onde fica o máximo dessa distribuição, ou seja, qual divisória concentrará o maior número de bolinhas se elas forem soltas do centro da tábua, no topo. Para isso, calcularemos primeiro o valor de $ ln(_N(n_1)) $, ou seja,
\[\ln (\mathcal{P}_N(n_1)) = \ln N! -\ln n_1! - \ln n_2 +n_1\ln p -n_2 \ln q\]
Considerando uma tábua de Galton muito grande, ou seja, com muitas linha de pregos \(N>>1, n_1>>1, n_2>>1\), podemos usar a aproximação dada pela fórmula de Stirling: \(\ln n! \simeq n\ln n\) para \(n>> 1\). Assim,
\[\ln (\mathcal{P}_N(n_1)) = N \ln N -n_1 \ln n_1 - (N-n_1)\ln (N-n_1) +n_1 \ln p -(N-n_1) \ln q.\]
Ao procuramos o máximo de \(\ln (\mathcal{P}_N(n_1))\) fazendo
\[\displaystyle \frac{d\ln (\mathcal{P}_N(n_1))}{d n_1}=-1 -\ln n_1 + 1 + \ln (N-n_1) = 0,\]
o que resulta em \(n_1= N/2\), ou seja, a probabilidade é máxima quando \(n_1\) é a metade de \(N\), o que corresponde a bolinha cair na divisória central.
Ainda na situação que \(N>>1\) e \(Npq>>1\), pode-se mostrar que \(\mathcal{P}_N(n_1)\) tende à distribuição normal (gaussiana) \(P(x)\) dada por
\[\displaystyle P(x) = \frac{1}{\sqrt{2\pi} \sigma} \exp[-\frac{(x-\mu)^2}{2\sigma^2}],\]
onde \(\mu=np\) e \(\sigma=\sqrt{\mu pq}\).
Interaja com a aplicação a seguir para ver como os parâmetros \(\mu\) e \(\sigma\) influenciam a distribuição gaussiana (Autor George Sturr).
Para os curiosos
Quer saber mais sobre Francis Galton? Veja então “Sir Francis Galton e os extremos superiores da curva normal” (2011) de Geraldo Salgado-Neto e Aquiléa Salgado.
Para aprender um pouco mais sobre a conexão entre a tábua de Galton e a teoria de erros, veja o trabalho de Paulo Lima Junior e Fernando Lang da Silveira “Discutindo os conceitos de erro e incerteza a partir da tábua de Galton com estudantes de graduação : uma contribuição para a incorporação de novas abordagens da metrologia ao ensino de física superior” (2011).
Veja também como a Tábua de Galton foi usada por Atila Iamarino para analisar a meritocracia.