Universidade Federal de Pernambuco

Departamento de Fsica CCEN

Fsica Experimental 1
Apostila 2: Incerteza e estatstica
Resumo
Damos continuidade `a familiariza cao com o conceito de erro experimental. Discutimos os
tipos de erro que podem inuenciar um experimento, em especial erros sistematicos e aleat orios.
Introduzimos gr acos tipo histograma como forma de analisar distribui coes associadas a medidas
repetitivas. Fazemos a conexao entre incerteza e distribui coes estatsticas gaussianas.
Sumario
1 Acuracia e precisao 2
2 Tipos de erros experimentais 3
3 Analise estatstica de um conjunto de medidas 5
3.1 Media . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3.2 Desvio padr ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3.3 Histograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
4 Distribui cao Gaussiana 10
5 Associando parametros da gaussiana a resultados de medida 12
5.1 Valor mais conavel e incerteza da medida . . . . . . . . . . . . . . . . . . . . . . . . 13
5.2 Incerteza do valor mais conavel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
6 Analise estatstica na presenca de diversas fontes de erro 14
7 Dicas para confeccao de gracos e histogramas 15
Fsica Experimental 1
1 Acuracia e precisao
A fsica classica pressup oe a existencia de um valor verdadeiro para toda grandeza fsica, inde-
pendente de observac ao. A medida e uma forma de extrair essa informacao disponvel no objeto.
O objetivo da medida e ser o mais el possvel na determinac ao desse valor. No entanto, di-
versas fontes de incerteza inexoravelmente afetam o resultado de medida. Fazemos aqui um estudo
sistem atico das formas como isso pode ocorrer.
A gura 1 ilustra o que se busca obter com uma medida. Imagine, seguindo a gura, um alvo
simbolizando o valor verdadeiro da grandeza que se quer determinar, e medidas, representadas pelos
crculos vermelhos da gura, como dardos a mirar o centro do alvo.
Figura 1: Ilustra c ao de diversos cen arios de medidas com incerteza. (A) Baixas precis ao e acur acia.
(B) Baixa precis ao e alta acur acia. (C) Alta precis ao e baixa acur acia. (D) Altas precis ao e acur acia.

E possvel descrever cada conjunto de medidas dos quadros acima segundo dois criterios.
A precisao da medida diz respeito `a dispersao do conjunto. Alta precis ao signica que medidas
independentes retornam valores similares se repetidas v arias vezes.
A acuracia se refere ao quanto as medidas, tomadas como conjunto ou nao, se aproximam do
valor verdadeiro da grandeza.
Quatro cen arios diferentes podem emergir nesse caso, ilustrados na Fig. 1.
Em (A), o conjunto de medidas retorna valores bem diferentes (baixa precis ao) e, quando consi-
derada sua media (crculo mais escuro), obtemos como resultado algo que ainda se desvia substanci-
almente do valor verdadeiro (baixa acur acia). No outro extremo, o cen ario (D) mostra uma serie de
medidas que concordam bem entre si (alta precis ao) e com o valor verdadeiro (alta acur acia).
Dois outros cen arios podem ocorrer ainda. Em (C), as medidas concordam bem entre si (alta
precis ao), mas divergem consideravelmente do valor verdadeiro (baixa acur acia). Em (B), o oposto
2
Apostila 2: Incerteza e estatstica
ocorre, i.e. medidas com dispersao maior (baixa precis ao), porem em media bem pr oximas do valor
verdadeiro buscado (alta acur acia).
A precis ao de uma medida e, portanto, algo relativamente simples de ser vericado, bastando
repetir a medida v arias vezes. A acur acia, pelo contr ario, nao e simples de se determinar, pois o
valor verdadeiro da grandeza e em geral desconhecido.
A forma mais comum de se determinar a acur acia de um instrumento ou procedimento e utiliza-
lo para medir algo conhecido de antemao, numa especie de calibra c ao. Outra forma consiste em
comparar os resultados de v arios metodos diferentes e, assumindo que como conjunto resultam numa
medida acurada, estimar a acur acia de cada metodo.
2 Tipos de erros experimentais
Diversas fontes de erro inuenciam a incerteza de medida. No captulo anterior, focamos na
incerteza instrumental. E embora v arias dessas fontes possam ser previstas de antemao por bons
experimentadores, a quanticacao de sua inuencia no resultado de medida so pode ser determinada
pelo experimento em si.
Erros experimentais podem ser classicados em tres categorias gerais: grosseiros, sistematicos
e aleat orios.
Erros grosseiros sao decorrentes de falhas humanas, como leitura errada de um instrumento de
medida, erros de c alculo, utilizac ao de equipamento desligado (muito comum!) e ate mesmo total
falta de noc ao sobre o experimento.
Esse tipo de erro vem muitas vezes acompanhado de vergonha e embara co por parte do experimen-
tador, sendo por isso facilmente reconhecvel!

E aceitavel que ocorra no incio do experimento, mas
se ocorrer tambem em outras etapas pode representar um pessimo sinal acerca de sua compreens ao
das coisas.
Os erros grosseiros podem ser corrigidos repetindo-se o experimento com modica c oes adequa-
das (como ligar o equipamento na tomada...). Em casos recalcitrantes, e recomendada a troca do
experimentador. Brincadeira.
Erros sistematicos sao os mais freq uentes e requerem um estudo cuidadoso das condi c oes ex-
perimentais, para que possam ser caracterizados e corrigidos.
Eles tem esse nome porque estao sistematicamente associados a um determinado instrumento ou
tecnica de medida, ou seja, cam embutidos no pr oprio procedimento de medida, de forma que nao
podem ser reconhecidos pela simples repetic ao do experimento.
Erros sistem aticos causam inacur acia, erodindo a conanca nos resultados de medida. Por isso,
erros sistem aticos podem afetar de forma grave as conclusoes do experimento. Alguns erros sis-
3
Fsica Experimental 1
tematicos sao muito comuns, sendo praxe adotarem-se alguns procedimentos anteriores ao incio do
experimento para evit a-los.
Por exemplo, um erro na calibracao da marcacao do zero do instrumento levar a a erro sistem atico,
algo comum de se ocorrer no uso do micr ometro: nesse caso, todas as medidas subestimar ao ou
superestimar ao por um mesmo valor constante as grandezas medidas. Para evit a-lo, basta checar o
aparato antes da medida, recalibrando a marcacao do zero do instrumento.
Outro erro sistem atico comum ocorre pela ma calibracao da escala do instrumento de medida,
tal como um termometro que indicasse as temperaturas 0
o
C na transi c ao de fases solida-lquida
para agua, e 110
o
C na transi c ao lquida-gasosa (supondo CNTP). Se utilizado para medir outras
temperaturas, esse termometro apresentaria valores que variariam sistematicamente de uma forma
linear com a temperatura em Celsius (em primeira aproxima c ao). A unica maneira de eliminar esse
erro e recalibrar o instrumento.
Os erros sistem aticos ocorrem frequentemente em experimentos. Nao ha um princpio geral de
como evit a-los. Somente a vericacao criteriosa do procedimento e interpretacao cuidadosa dos
resultados podem apont a-los. A boa notcia e que, por nao variarem no tempo, podem muitas vezes
ser removidos se bem caracterizados, mesmo a posteriori.
Erros aleat orios sao produzidos por variac oes imprevisveis na situa c ao experimental, regidas
pelo acaso. Essas podem ser causadas pelo pr oprio experimentador, e.g. ao introduzir erro variavel na
leitura ou manipulac ao do instrumento de medida, ou por causas externas, como vibrac oes mecanicas,
variac oes da tensao da rede eletrica etc.
Contrariamente ao que ocorre com os erros sistem aticos, os erros aleatorios nao sao reprodutveis,
apresentando por denicao igual probabilidade de aumentar ou reduzir o valor da grandeza fsica
medida
1
. Erros aleatorios tendem a modicar a dispersao das medidas como conjunto e, com isso,
afetar a precis ao da medida.
Observa-se que esses erros se distribuem segundo uma funcao universal, a distribuicao gaussi-
ana, tornando-se desse modo possvel o uso de metodos estatsticos para trata-los e minimizar sua
inuencia sobre os resultados de medida.
Um exemplo simples de erro aleatorio pode decorrer do tempo humano de reexo. Considere
a situa c ao em que um experimentador busca medir o perodo de oscilac ao de um pendulo simples
observando seu movimento periodico. O experimentador aperta um bot ao a cada vez que o pendulo
atinge o m aximo de deslocamento do ponto de equilbrio, de forma a medir o exato instante do
evento. Ao observar a oscilac ao por alguns ciclos antes de proceder com a medida, o experimentador
avalia o ritmo de oscilac ao e busca apertar o bot ao no instante correto. Ele ira ora subestimar,
ora superestimar, o instante de inexao do movimento do pendulo, introduzindo uma fonte de erro
aleatorio na medida.
Erros aleatorios nao alteram de forma sistem atica o valor medio do conjunto de medidas. Com
1
Caso nao seja assim, e o erro possua portanto vies num sentido, ele se torna sistematico.
4
Apostila 2: Incerteza e estatstica
isso, obtemos uma forma estatstica de reduzir seus efeitos tanto quanto queiramos: no limite te orico
de innitas medidas, seu efeito sobre a media se anula.
3 Analise estatstica de um conjunto de medidas
A repetic ao de medidas pode diminuir, como vimos, a inuencia de fontes de erros aleatorios
sobre medidas. De forma complementar, o tratamento estatstico traz uma nova forma de inter-
pretar resultados de medida em geral, que passam a ser entendidos em termos de distribuicoes de
probabilidade.
O valor mais conavel da grandeza passa a ser fornecido por alguma propriedade da distribuicao
estatstica, tal como a media do conjunto ou o valor mais prov avel da distribui c ao. Sua incerteza esta
associada `a dispers ao do conjunto das medidas, conforme veremos de forma mais rigorosa a seguir.
3.1 Media
Considere um conjunto de valores m
k
(k = 1, 2, . . . , N) obtidos a partir de N medidas indepen-
dentes. Uma forma de estimar o valor mais conavel M da grandeza e utilizar todas as medidas
realizadas, atribuindo-lhe a media simples das mesmas,
M =
m
1
+ m
2
+ + m
N
N
=
1
N
N

k=1
m
k
= m, (1)
em que a nota c ao m denota a media das medidas m
k
. Tambem e comum utilizar a nota c ao
m = m.
Se o n umero de medidas se torna muito grande (N ), M converge ao valor verdadeiro da
grandeza se apenas erros aleatorios estiverem presentes.
3.2 Desvio padrao
A dispers ao do conjunto de medidas esta relacionada ao desvio m
k
de cada ponto com relac ao
`a media, dado por
m
k
= m
k
m. (2)
Denir a dispersao como a media dos desvios nao funcionaria, pois m
k
= 0 por construc ao
(demonstre!).
Uma forma de evitar esse problema e tomar os quadrados dos desvios, obtendo apenas n umeros
positivos, e somente apos esse passo tomar a media. Com isso, obtemos a variancia
2
do conjunto
5
Fsica Experimental 1
como um quanticador da dispersao,

2
= m
2
k
=
1
N
N

k=1
(m
k
m)
2
. (3)
A m de comparar esse quanticador com a media, devemos tomar sua raiz quadrada, ate mesmo
por motivos de compatibilizar unidades de medida. Denimos assim o desvio quadratico medio
ou desvio padrao do conjunto de valores m
k
.
A vari ancia e, portanto, igual ao quadrado do desvio padrao.
A expressao para a variancia pode ainda ser escrita de outra forma. Calculando explicitamente
o quadrado que aparece no segundo membro da Eq. (3), obtemos

2
=
1
N
N

k=1
_
m
2
k
2mm
k
+m
2
_
=
1
N
N

k=1
m
2
k
2m
1
N
N

k=1
m
k
+m
2
1
N
N

k=1
1
= m
2
2mm +m
2
, (4)
em que tiramos constantes como m de dentro do somat orio e usamos tanto a expressao

N
k=1
1 = N
quanto a Eq. (1) para deni c ao da media. Obtemos nalmente

2
= m
2
m
2
. (5)
Essa forma de expressar a variancia mostra que ela pode ser calculada como a diferen ca entre a
media dos quadrados das medidas individuais e o quadrado da media. Para conjuntos com media nula,
como e o caso dos desvios m
k
, a variancia e simplesmente a media dos quadrados,
2
= (m
k
)
2
,
conforme dado pela Eq. (3).
Para conjuntos de medidas compostos por alguns poucos valores, portanto muito distantes da
idealiza c ao estatstica do limite N , e conveniente estimar a dispersao pelo desvio padr ao
amostral
A
, denido atraves da variancia amostral
2
A
como

2
A
=
1
N 1
N

k=1
(m
k
m)
2
. (6)
A unica diferenca com relac ao ao desvio padr ao normal e a subtrac ao de 1 no denominador, de
forma a quanticar mais adequadamente a dispersao de amostras pequenas. Ambas as expressoes
fornecem o mesmo resultado para um conjunto com grande n umero de amostras (N ).
Daqui em diante nos referiremos a
A
e de forma indistinta como provendo a dispersao do
conjunto de medidas, cando a seu criterio utilizar a deni c ao mais apropriada `a sua situa c ao expe-
rimental.
6
Apostila 2: Incerteza e estatstica
3.3 Histograma
O gr aco em histograma e uma forma de representar a frequencia de medidas com valores similares
a m de extrair signicado estatstico do conjunto.
Nesse tipo de gr aco, representamos no eixo x intervalos compatveis com valores do conjunto
de medidas, e no eixo y a frequencia com que aparecem. O procedimento para a confec c ao de um
histograma segue os seguintes passos:
Escolhemos um intervalo do eixo x capaz de conter todos os valores medidos e o dividimos em
n intervalos menores de igual tamanho, chamados caixas.
O n umero n e tipicamente escolhido como algumas vezes menor que o n umero N de medidas
no conjunto. A ideia e que cada caixa contenha um n umero apreciavel de medidas, evitando a
ocorrencia de celulas vazias no meio do intervalo.
Organizamos o conjunto de dados contabilizando quantos eventos do conjunto se encaixam em
cada caixa. Esse n umero f e a chamada frequencia absoluta de ocorrencia associada a cada
intervalo, denotada no eixo y do histograma.
Assim, o histograma e um gr aco composto por retangulos justapostos em que a base de cada
um corresponde `a caixa e a altura, `a frequencia (Fig. 2). O histograma e um importante indicador
da distribuicao de dados.
Tomemos um exemplo. Consideremos uma classe com N = 21 estudantes da qual se queira
inferir algo sobre o nvel de entendimento da turma sobre a materia dada, e que uma prova com nota
m axima igual a 3 seja aplicada para medir isso.
Suponhamos que muitas variaveis fora de nosso controle afetem o desempenho dessa turma to-
talmente hipotetica, e que portanto o medidor de compreens ao da classe possua grande dispersao.
Ao nal da prova, o conjunto de notas da Tab. 1 e obtido.
2,65 2,55 1,70 1,70 1,75 1,45 0,45
2,30 1,08 1,39 2,30 1,70 1,38 2,13
1,73 1,23 2,00 2,13 1,53 1,40 1,70
Tabela 1: Conjunto de notas dos 21 alunos.
Podemos esperar uma distribuicao de notas com v arios estudantes concentrados em torno de
uma nota tpica e alguns poucos sobressaindo-se (tanto no sentido negativo quanto positivo). Para
representar essa distribui c ao em forma de histograma, buscamos discretizar os intervalos com o
objetivo de tornar bem evidente o formato global da distribui c ao. Isso certamente nao sera verdade
7
Fsica Experimental 1
se escolhermos caixas muito pequenas, caso em que haver a apenas uma nota por caixa; o mesmo vale
para caixas muito grandes, pois ent ao todos os estudantes pertencer ao `a mesma caixa.
Para encontrar o melhor tamanho de caixa, consideremos primeiramente tanto a maior quanto a
menor nota do conjunto, e escolhamos valores nessas proximidades. Por exemplo, tomemos x
min
=
0,45 e x
max
= 2,85 como intervalo total de existencia do histograma.
O passo mais delicado consiste na escolha do tamanho de cada caixa ou, equivalentemente, do
n umero n de caixas. Tomemos como base o n umero total de dados N = 21, que nos fornece
grosseiramente um limite superior para o n umero de caixas, para escolher o n umero medio de entradas
por caixa em torno da unidade. Escolhendo o n umero de caixas como n = 8, de forma a termos algo
como 2 entradas por caixa em media. Nesse caso, o intervalo x ocupado por cada caixa deve ser
x = (x
max
x
min
)/n = 0,4.

E interessante escolher x como um n umero simples, para facilitar a
visualiza c ao do histograma.
A tabela 2 mostra em sua primeira coluna os intervalos resultantes dessas escolhas. O primeiro
intervalo, por exemplo, e [0,05; 0,45[, em que a nota c ao indica ser o intervalo fechado `a esquerda e
aberto `a direita (i.e. medida com valor no extremo inferior e contada dentro do intervalo, enquanto
no valor extremo superior, nao).
Intervalo Valor mediano x
j
Frequencia absoluta f
j
Probabilidade p
j
= f
j
/N
[0,05; 0,45[ 0,25 0 0,00
[0,45; 0,85[ 0,65 1 0,05
[0,85; 1,25[ 1,05 2 0,10
[1,25; 1,65[ 1,45 5 0,24
[1,65; 2,05[ 1,85 7 0,33
[2,05; 2,45[ 2,25 4 0,19
[2,45; 2,85[ 2,65 2 0,10
[2,85; 3,25[ 3,05 0 0,00
Tabela 2: Notas da tabela 1 organizadas para construc ao do histograma da gura 2.
A contagem do n umero de entradas da tabela 1 dentro de cada intervalo nos fornece as frequencias
absolutas f
j
(j = 1, 2, . . . , n) denotadas na Tab. 2.
O histograma resultante e mostrado na gura 2. Vemos que o intervalo de notas com maior
frequencia, entre 1,65 e 2,05, contem 7 estudantes. Alem disso, apenas 2 estudantes obtiveram nota
entre 2,45 e 2,85, e nenhum obteve nota superior a 2,85.
A representa cao graca em histograma nos permite visualizar propriedades estatsticas importan-
tes do conjunto de medidas, como media e dispers ao, e tambem analisar seu perl, se compatvel ou
8
Apostila 2: Incerteza e estatstica
Figura 2: Histograma de notas construdo a partir do conjunto da tabela 1.
n ao com uma distribuicao gaussiana..
Podemos utilizar os valores do histograma tambem para facilitar c alculos de media e variancia
de forma ponderada. Denimos para isso a fracao de medidas que recai em cada intervalo, i.e. a
frequencia relativa ou probabilidade p
j
= f
j
/N. Note que 0 p
j
1.
Os valores p
j
do exemplo acima aparecem na ultima coluna da Tab. 2. Note que

j
p
j
= 1 dentro
da precis ao.
Para representar o valor aproximado de cada intervalo em c alculos estatsticos, utilizamos o valor
mediano x
j
, representado na segunda coluna da tabela. Realizamos por m os c alculos utilizando p
j
como pesos para pondera c ao.
A media ponderada pelas probabilidades ca
x = p
1
x
1
+ p
2
x
2
+ + p
n
x
n
=
n

j=1
p
j
x
j
, (7)
que tambem pode ser escrita como
x =
f
1
x
1
+ f
2
x
2
+ + f
n
x
n
N
=
1
N
n

j=1
f
j
x
j
. (8)
O c alculo da variancia segue a mesma l ogica. Utilizando a Eq. (7), porem com x
2
j
no lugar de x
j
,
uma vez que queremos determinar x
2
, obtemos
x
2
= p
1
x
2
1
+ p
2
x
2
2
+ + p
n
x
2
n
=
n

j=1
p
j
x
2
j
. (9)
O desvio padr ao, dado pela Eq. (5), e calculado como =
_
x
2
x
2
.
9
Fsica Experimental 1
Para a media de qualquer func ao f(x), as expressoes acima se generalizam como
f(x) = p
1
f(x
1
) + p
2
f(x
2
) + + p
n
f(x
n
) =
n

j=1
p
j
f(x
j
). (10)
Para o c alculo de x, tomamos f(x) = x; para o c alculo de
2
, f(x) = (xx)
2
, e assim por diante.
Para o exemplo da tabela 2, obtemos x = 1,726 e = 0, 517. Esses valores sao denotados
gracamente no histograma da gura 2. A posic ao do valor medio no histograma, demarcada pela
linha vertical, fornece seu centro de gravidade. A regiao denotada por setas e delimitada por linhas
verticais representa a fra c ao das notas que se desviam menos de 1 desvio padr ao com relac ao `a media,
i.e. notas x
k
tais que x < x
k
< x +. Aproximadamente 70% das notas se encontram nessa
regiao.
4 Distribuicao Gaussiana
A t atica de repetir medidas para diminuir a inuencia de erros aleatorios pode ser levada ao
extremo. Consideramos agora o que ocorreria se o n umero de medidas aumentasse enormemente,
tendendo ao limite matem atico do innito.
Nesse limite, o tamanho da caixa do histograma pode tender a zero sem o risco de car va-
zia, tornando-se a distribui c ao de frequencias contnua. A func ao assim obtida recebe o nome de
densidade de probabilidade, e fornece a fra c ao de medidas que resulta dentro de um intervalo
innitesimal de valores.
O objetivo de tomar um conjunto de medidas e obter uma boa aproximacao discreta (histograma)
dessa func ao contnua, para dela extrair informac ao sobre as grandezas fsicas de interesse. Feliz-
mente, essa func ao nao possui um formato qualquer; se assim fosse, a possibilidade de determin a-la
com um n umero nito de medidas seria bem baixa.
Um importante teorema matem atico, chamado teorema central do limite, nos garante que, para
processos totalmente aleatorios e independentes, a func ao densidade de probabilidade do processo
tendera sempre a uma distribuicao gaussiana para N .
Voce talvez ja tenha visto a func ao gaussiana aparecer em outros contextos da fsica ou da
matem atica. No contexto de uma distribui c ao de probabilidade, sua expressao e
G(x) =
1

2
exp
_

(x x)
2
2
2
_
. (11)
Nesse caso, G(x)dx fornece a probabilidade de se obter como resultado de uma medida um valor
entre x e x + dx.
O nome densidade de probabilidade advem do fato de que essa fun cao precisa ser multiplicada
por dx para fornecer uma probabilidade legtima. Assim, a probabilidade innitesimal dP(x) de se
10
Apostila 2: Incerteza e estatstica
Figura 3: Distribuic ao gaussiana G(x), com areas abarcadas por m ultiplos de realcadas.
obter um valor entre x e x+dx se escreve como dP(x) = G(x)dx. Para intervalos nao innitesimais,
a probabilidade P(x
1
, x
2
) de se obter um valor entre x
1
e x
2
se calcula somando os dP(x) a partir
da integral,
P(x
1
, x
2
) =
_
x
2
x
1
dP(x) =
_
x
2
x
1
G(x) dx, (12)
expressao que na maioria das vezes so pode ser resolvida numericamente.
Em especial, como todas as medidas sao obrigadas a fornecer valores no intervalo de a , a
distribui c ao de probabilidade obedece `a condi c ao
_

G(x)dx = 1. (13)
A normalizac ao escolhida na Eq. (11) garante a validade dessa expressao (verique!).
Alem da normalizac ao correta, a forma da Eq. (11) contem tambem a media e a variancia da
distribui c ao denotadas explicitamente.
Para ver isso, generalizamos primeiro o c alculo de medias, dado pela Eq. (10), para distribui c oes
contnuas. No lugar dos pesos p
j
do caso discreto, utilizamos agora as probabilidades dP(x) como
peso para cada valor x possvel de medida. Por exemplo, a media de x ponderada pelo peso dP(x)
ca
f(x) =
_

xdP(x) =
_

xG(x) dx. (14)

Com isso, podemos mostrar usando a Eq. (11) as relac oes
x =
_

xG(x) dx, (15)

2
=
_

(x x)
2
G(x) dx. (16)
11
Fsica Experimental 1
Os par ametros x e sao, na verdade, os unicos necess arios para determinar a distribui c ao gaussiana.
Momentos de mais alta ordem (e.g. x
4
), sao func oes destes (demonstre!).
O desvio padr ao da gaussiana determina a regiao no entorno da media na qual 68% da area da
gaussiana se encontra. Isso signica que a probabilidade de uma medida fornecer valor no intervalo
de 1 em torno da media e 68%. De forma matem atica, isso se expressa como
P (x , x + ) =
_
x+
x
G(x)dx 0,68. (17)
Para o intervalo de 2 em torno da media, a probabilidade aumenta para 95%. Ja para 3,
a chance de estar no interior da regiao e de 99,7%. Assim, para conjuntos pequenos (N 100)
espera-se a totalidade das medidas dentro de 3.
Essa nomenclatura em termos de distancias e muito utilizada no contexto de fsica experimental
de partculas e altas energias. A descoberta de uma nova partcula num acelerador de partculas
so ocorre por deni c ao se a incerteza estatstica no resultado ultrapassar a marca de 5, i.e. a
probabilidade de ser um evento real deve ser maior do que 99,99994% (0,00006% de chance de ser
um evento ao acaso).
Outro contexto em que ela e utilizada e no controle de qualidade de componentes industriais. Por
exemplo, chips eletr onicos vitais para a seguranca de um automovel precisam ser conaveis dentro de
6, i.e. funcionar perfeitamente em mais do que 99,9999998% das vezes; assim, a tolerancia m axima
de falha e de 1 em 500 milh oes de componentes.
A func ao gaussiana e portanto bem localizada em torno de seu valor medio. O motivo disso e seu
decrescimo de forma exponencial a partir desse valor. Outra caracterstica importante da gaussiana
e o fato de que seu valor medio coincide com seu valor mais prov avel, i.e. o m aximo de G(x) ocorre
no ponto x
max
= x.
5 Associando parametros da gaussiana a resultados de me-
dida
Dado um histograma construdo a partir de um conjunto de medidas com erros aleatorios, podemos
aproxim a-lo por uma distribui c ao gaussiana.
A expectativa e de que, fazendo-se medidas sucientes, podemos determinar a gaussiana subja-
cente ao processo aleatorio com qualquer precis ao necess aria.
Assim, os par ametros da gaussiana (media e desvio padr ao) podem ser em princpio determinados
com precis ao t ao boa quanto se queira. Vamos agora atribuir interpreta c ao fsica a esses par ametros
para relacion a-los `a grandeza fsica de interesse e sua incerteza.
12
Apostila 2: Incerteza e estatstica
5.1 Valor mais conavel e incerteza da medida
O valor mais conavel de uma grandeza e aquele com maior probabilidade de ser igual ao valor
verdadeiro. Portanto, num conjunto de medidas com fontes aleatorias de erro, devemos toma-lo como
o valor mais prov avel do conjunto.
Para o caso de distribui c oes gaussianas, o valor mais prov avel e igual ao valor medio, e por isso
podemos adotar a media dos valores medidos como o valor mais con avel.
A incerteza de uma medida individual deve apontar a magnitude do desvio tpico entre uma
medida qualquer e o valor mais conavel do conjunto. Para um conjunto de medidas, esse desvio ja
e o pr oprio desvio padr ao, pois este nos fornece o valor tpico de dispers ao de cada medida.
Portanto, para um cojunto de dados em que o erro experimental e dominado pelo erro aleatorio,
a incerteza de uma medida individual e basicamente de origem estatstica e deve ser tomada como
igual ao desvio padr ao da distribui c ao.

E possvel na verdade escolher o criterio de deni c ao da incerteza estatstica, se igual a 2, 3 etc,

caso em que a escolha deve ser anunciada explicitamente. Para aplicac oes na qual a incerteza deve
excluir qualquer possibilidade de erro (colocamos entre aspas porque, como se ve, e impossvel ter
erro nulo), pode ser conveniente tomar a incerteza de cada medida como 5 ou mesmo 6, impondo
com isso uma margem de conanca altamente conservadora. O mais comum e toma-la como 1 ou
3.
Devemos lembrar, no entanto, que sempre haver a alguma chance de erro, ainda que innitesimal.
De fato, argumentos estatsticos podem ser invocados para defender que um macaco-prego batendo
teclas ao acaso poderia ser o verdadeiro autor de grandes obras da literatura brasileira como Dom
Casmurro ou Brejal dos Guajas. Voce saberia estimar essas probabilidades? Voce ver a que sao
quase sempre muito pequenas, embora nao-nulas. No nal, ca sempre a criterio do leitor decidir.
5.2 Incerteza do valor mais conavel
A distribui c ao gaussiana de um conjunto de medidas com erros aleatorios pode ser determinada de
forma perfeita no limite ideal de innitas medidas. Isso signica que a incerteza em seus par ametros
(media e desvio padr ao) deve tender a zero nesse limite.
Para a situa c ao realista de um conjunto nito de dados, a curva gaussiana obtida tera uma in-
certeza estatstica associada a ela. Para estima-la, usamos o mesmo tipo de raciocnio empregado
anteriormente. Consideramos agora um conjunto de distribuicoes gaussianas obtidas independente-
mente e buscamos determinar a dispersao de seus par ametros (media e desvio padr ao).
A resposta encontrada apos c alculos formais e que os pr oprios par ametros obedecem distribuicoes
gaussianas. A dispersao dessas distribui c oes depende do n umero de medidas de cada distribuicao. O
13
Fsica Experimental 1
resultado nal e que o valor medio da gaussiana x possui desvio padr ao
x
dado por

x
=

N
. (18)
Como o valor medio e identicado como o valor mais prov avel da grandeza, devemos tomar a
incerteza da media como a pr opria incerteza do valor mais prov avel. Essa incerteza pode ser feita
tanto menor quanto maior for o n umero de medidas.
Note que a Eq. (18) considera um unico conjunto de N medidas para determinar o desvio padr ao
do valor medio, muito embora a compreens ao intuitiva (e deni c ao formal) dessa incerteza pressu-
ponha um conjunto de conjuntos de medidas.
Portanto, o valor m = M M da grandeza medida e obtido a partir do conjunto de medidas
pelo valor mais conavel M = x, dado pela media dos valores do conjunto, e incerteza
M
=
x
,
dada pela dispersao da media do conjunto.
6 Analise estatstica na presen ca de diversas fontes de erro
Na maioria das situa c oes experimentais, fontes aleatorias de erro se combinam ao erro instrumental
para formar a incerteza total da medida. Veremos nessa secao como compor essas duas fontes de
incerteza.
Analisemos primeiramente o que esperar de casos extremos. Quando uma fonte de erro for muito
mais importante em magnitude que a outra, vimos anteriormente que a incerteza total deve provir
essencialmente da mesma, seja ela instrumental ou estatstica.
A diferenca principal entre esses tipos de erro e que o erro estatstico pode ser tornado t ao
pequeno quanto se queira. O mesmo nao vale para o erro instrumental, por conta de seu signicado:
o instrumento e incapaz de medir com maior precis ao do que sua constru cao permite. Seu erro e
herdado por toda medida tomada com ele.
Tomemos um exemplo. Queremos medir a espessura de uma placa usando uma regua milimetrada,
com incerteza instrumental
instr
= 0,5 mm. A medida e tomada por N = 5 vezes em pontos
diferentes, e a cada vez encontra-se o mesmo valor L = 12,7 0, 5 mm. Podemos dizer que a
incerteza na media do conjunto e =
instr
/

N = 0,5/

5?
Nao! Essa regra so pode ser aplicada a incertezas de origem estatstica. Como podemos ver, o
conjunto de medidas possui desvio padr ao nulo, ou seja, incerteza de origem estatstica igual a zero.
Como o erro aleatorio de medida n ao est a presente, n ao e possvel diminuir a incerteza experimen-
tal por repeti cao da medida. Cada medida possui incerteza dada apenas pela precis ao do instrumento,
assim como o conjunto como um todo.
A forma correta de interpretar o conjunto de medidas acima e notar que o erro instrumental e
14
Apostila 2: Incerteza e estatstica
t ao grande que n ao permite vericar a existencia de qualquer fonte de erro estatstico
est
. Se ela
existir, seu desvio padr ao deve ser muito menor que a precis ao instrumental, e por isso aparece como
nulo a esse instrumento grosseiro.
A incerteza total da medida deve ser nesse caso igual `a instrumental, sendo o erro estatstico
desprovido de contribui c ao para a incerteza total: a espessura da placa parece perfeitamente uniforme
se medida com uma regua.
Utilizemos agora um paqumetro na medida, com incerteza instrumental
instr
= 0,05 mm. Nesse
caso, variac oes entre medidas diferentes passam a ser observadas. Apos 5 medidas, chega-se a um
conjunto com media L = 12,75 mm e desvio padr ao = 0,16 mm. A incerteza na media estatstica
e nesse caso
L
= /

5 = 0,07 cm.
Devemos ent ao incluir a incerteza instrumental `a essa fonte aleatoria de incerteza, pois afeta todos
os dados. Para tanto, podemos escrever o resultado de medida como L = 12,75 0,05 0,07 mm,
em que as fontes independentes de erro sao colocadas de forma explcita.
Alternativamente, podemos usar a regra de propaga c ao de incertezas independentes para escrever
um unico erro total
tot
no valor mais conavel, composto pelos erros intrumental
inst
e estatstico

est
pela regra ja conhecida

tot
=
_

2
inst
+
2
est
, (19)
com o que obtemos L = 12,75 0,09 mm.
A Eq. (19) implica que o erro total n ao pode ser menor do que o erro instrumental, uma vez que
apenas a parte aleatoria do erro pode ser anulada pela repetic ao de medidas.
O motivo para a impossibilidade de eliminac ao do erro instrumental e o fato de que esse tipo de
incerteza afeta a distribui c ao estatstica encontrada como um todo com erro de origem desconhecida,
podendo ser inclusive sistem atica: a precis ao e a acur acia do instrumento limitam em ultima instancia
a conanca em qualquer par ametro obtido numa medida ou em seu conjunto.
7 Dicas para confeccao de gracos e histogramas
O objetivo do gr aco e transmitir informac ao de forma simples e direta, tambem para outras
pessoas, auxiliando a analise do conjunto de dados. Seguem abaixo algumas regras basicas para
aumentar a clareza de gr acos experimentais.
Em um espaco livre, na parte superior da folha, escreva o ttulo do gr aco.
Escreva o nome ou letra a denotar a grandeza em cada eixo. Coloque entre parenteses a
unidade correspondente.
Deve-se tentar distribuir bem os pontos experimentais dentro do espaco disponvel para
15
Fsica Experimental 1
o gr aco, mediante escolha de uma escala adequada. Evite amontoar todos os pontos num
espaco pequeno de difcil leitura.
A escala deve ser simples e de facil leitura. Procure adotar m ultiplos de n umeros inteiros
que sejam bons divisores. Exemplos de escalas desejaveis sao 0,1; 0,2; 0,5; 1; 2; 5; 10 ; 20 ; 50
etc. Evite a utilizac ao de n umeros primos como 3, 7, 11 etc.
Ao trabalhar com n umeros muito grandes ou pequenos, use nota cao cientca. Denote
potencias de 10 juntamente com as unidades entre parenteses.
O intervalo dos eixos pode ser escolhido tambem por raz oes te oricas. Por exemplo, se os
dados experimentais precisam ser comparados com um modelo que preve um valor de grande
import ancia (por exemplo, o ponto triplo da agua), o gr aco deve apresentar esse ponto mesmo
que os dados experimentais nao cubram essa regiao.
Os pontos experimentais devem ser marcados no gr aco usando smbolos de facil visua-
lizacao. Nada de cora c oezinhos ou smileys.
Apos a coloca c ao dos pontos no gr aco, nao escreva nos eixos os valores relativos a cada
ponto. Isso tumultua a leitura.
Para ajustar visualmente uma curva aos pontos experimentais, tente faze-la de forma suave e
contnua. A curva de ajuste nao precisa tocar nenhum ponto experimental especco, bastando
ajustar bem o conjunto inteiro.
Geralmente, uma folha de papel milimetrado tem tamanho de 280 mm por 180 mm, sendo que
podemos us a-la na posic ao retrato ou paisagem. A escolha deve ter como objetivo otimizar
a visualiza c ao do gr aco.
Para quaisquer d uvidas que possam surgir na apresenta c ao do gr aco, lembre-se do objetivo
do gr aco: servir como sntese visual dos resultados experimentais.
Quest oes sobre o material did atico devem ser enderecadas no momento ao Prof. Alessandro S.
Villar, no e-mail villar@df.ufpe.br.
16