Fsica Experimental I (CCCT0017)

Prof. Karl M. S. Garcez

Curso de C & T - UFMA

Nesta breve apostila procuramos entender os conceitos bsicos da Teoria de Erros com ob-
jetivo de aplic-los na prtica da Fsica Experimental. Uma vez que um processo de medio
est sujeito a diversos tipos de flutuaes e interferncias, necessrio saber como estimar as
incertezas nos valores medidos.

1 Probabilidades
Um processo aleatrio qualquer fenmeno que possa ter diferentes resultados finais quando
repetido sob certas condies predeterminadas. Os eventos so os diferentes resultados finais
ou grupos de resultados finais. Por exemplo, no lanamento de um dado no viciado temos, os
seis resultados finais podem ser definidos como eventos.
De maneira geral, um processo aleatrio y pode resultar um nmero finito de m eventos
indicados por

y1 , y2 , y3 , . . . , yi , . . . , ym ,

onde yi indica qualquer um dos eventos.

A frequncia de ocorrncia do evento yi definida como o nmero de vezes N (yi ) que
yi ocorre quando o processo y repetido N vezes. Esta definio resulta em

N (y1 ) + N (y2 ) + N (y3 ) + . . . + N (ym ) = N

Assim, a chamada frequncia relativa do evento yi definida como

N (yi )
F (yi ) = ,
N

ou seja, a frao de eventos yi em relao ao nmero total de eventos.

Se o processo repetido indefinidamente (N ), a frao deve-se tornar um nmero
bem definido. Isto , a probabilidade de ocorrncia do evento yi dada por

N (yi )
P (yi ) = lim = lim F (yi )
N N N

Esta equao mostra que a probabilidade um nmero de 0 a 1, pois 0 N (yi ) N . Pela

1
definio acima, temos que a frequncia relativa sempre uma aproximao para a probabilidade
de ocorrncia do evento. Quanto maior o nmero N de repeties, melhor a aproximao.

1.1 Distribuio de varivel discreta

Seja um processo aleatrio, onde cada resultado pode ser descrito por um nmero y. Quando
os resultados possveis constituem um conjunto bem definido de valores yi , a quantidade y
chamada varivel discreta. Isto , uma varivel discreta y pode assumir m valores possveis:

y1 , y2 , y3 , . . . , ym .

Cada valor yi tem uma probabilidade P (yi ) de ocorrer em um processo simples. O conjunto
dos m valores de P (yi ), para todos os valores possveis de i, definido como a distribuio de
probabilidades para a varivel discreta y. Onde a distribuio satisfaz a chamada condio de
normalizao,
m
P (yi ) = 1.
X

i=1

1.2 Valor mdio e desvio padro

Para N repeties de um processo aleatrio de uma varivel discreta y, o valor mdio de
y definido por
1 XN
y = Yk ,
N k=1
onde Y1 , . . . , Yk , . . . , YN so os N resultados obtidos para y. E se cada resultado possvel yi
ocorreu N (yi ) vezes. Podemos escrever

1 Xm
y = yi N (yi ).
N i=1

Sabemos que a razo N (yi )/N a frequncia relativa, logo

m
y = yi F (yi ).
X

i=1

Conforme N , o valor mdio y deve se aproximar de um valor bem definido1 chamado

valor mdio verdadeiro:

= lim y
N

Temos ainda que neste limite, a frequncia relativa tende a probabilidade P (yi ). Assim o
valor mdio verdadeiro pode ser escrito
1
segundo a lei dos grandes nmeros

2
 m
= yi P (yi )
X

i=1

Na verdade, uma quantidade sempre desconhecida, pois o nmero N de repeties de

um processo aleatrio no pode ser infinito. Na prtica, os valores das probabilidades P (yi )
nunca so conhecidos exatamente.
A varincia de uma distribuio de probabilidades definida por
m
2 = (yi )2 P (yi )
X

i=1

E o desvio padro da distribuio a raiz positiva da varincia

v
um
= + = +t (yi )2 P (yi )
uX
2
i=1

Estas equaes definem os valores verdadeiros para 2 e . Na prtica estas tambm no

so conhecidas exatamente, uma vez que o valor mdio verdadeiro tambm desconhecido.

1.3 Distribuio de probabilidades para varivel contnua

bastante comum que um processo aleatrio y possa resultar em um nmero muito grande
de valores possveis:
Y1 , Y2 , Y3 , . . . , Yj , . . . , YM (M  1)

A descrio das frequncias N (Yj ), das frequncias relativas F (Yj ) e probabilidades P (Yj )
para cada Yj torna-se invivel devido ao grande nmero de quantidades. Pois para determinar
experimentalmente N (Yj ) ou F (Yj ) seria necessrio repetir N vezes o processo, com N  M e
isto pode ser invivel.
Para contornar estas dificuldades podemos utilizar uma outra definio de evento. Afirma-
mos que o evento yi ocorre se o resultado do processo uma quantidade Yj tal que

y y
yi Yj yi +
2 2
Os valores de yj e y devem ser tais que qualquer valor possvel Yj esteja includo em
apenas um intervalo. Esta definio se aplica a variveis contnuas e discretas. A condio de
normalizao, o valor mdio e desvio padro so exatamente iguais.
Nosso interesse principal corresponde ao caso em que y resulta de um processo de medio,
nos quais os valores possveis YJ so discretos. Ou seja, a grandeza fsica y pode ser contnua,
mas os resultados YJ de medidas de y constituem um conjunto discreto de valores.
Isso uma consequncia do fato de que os instrumentos de medio s fornecem leituras
com um nmero definido de algarismos. Por exemplo, uma rgua comum de 300 mm s admite
a leitura de um nmero inteiro de milmetros. S existem 300 resultados possveis, ainda que o
comprimento a ser medido seja uma grandeza contnua.

3
 Assim, quando entendemos como evento qualquer resultado no intervalo yi , y, no importa
se a varivel contnua ou discreta, desde cada intervalo contenha um nmero muito grande
de resultados possveis.

1.4 Funo densidade de probabilidade

Para variveis contnuas, cada evento pode ser definido a partir de um intervalo {yi , y},
com centro em yi e largura y. Podemos admitir como aproximao que y pode ter m valores
possveis (y1 , y2 , . . . , ym )
Cada evento yi pode ocorrer com probabilidade P (yi ) Pi . Considerando Mi como o
nmero de eventos possveis em um intervalo, temos que Mi deve ser proporcional ao compri-
mento y. A variao y deve ser pequena, mas grande o suficiente para conter um nmero
grande de eventos. Sob tais condies, a probabilidade Pi deve ser proporcional a y e a
quantidade

Pi
H(yi ) = ,
y
depende apenas de yi . Esta chamada funo densidade de probabilidade ou funo de proba-
bilidade. Se conhecemos H(yi ), a probabilidade de ocorrer um resultado no intervalo {yi , y}

P (yi ) = Pi
= H(yi )y,

No limite em que y 0, a equao torna-se

dP = H(y)dy

ou
dP
H(y) = .
dy
Em um processo real, a aproximao experimental para a probabilidade a frequncia relativa
F (yi ). A aproximao experimental para a funo densidade de probabilidade dada por

F (yi )
He (yi ) = .
y

4
1.5 Funo de Laplace-Gauss
A funo gaussiana (ou funo normal de erros) de densidade de probabilidades definida por

1 1 y
"  2 #
G(y) = exp ,
2 2

onde as constantes e so o valor mdio e o desvio padro, respectivamente.

Figura 1: Exemplo de distribuio gaussiana.

A altura mxima dada por:

1
Gmax = G(y = ) = .
2
E a largura a meia altura:
= y2 y1 = 2, 3548

Teoricamente a curva gaussiana se estende de a . Entretanto, a curva vai pratica-

mente a zero quando y < 3 ou y > + 3. Por isso afirmamos que a largura total da
gaussiana aproximadamente 6.

5
1.6 Histograma
O histograma um tipo de grfico que permite representar as quantidades N (yi ), F (yi ) ou
H(yi ) para os resultados obtidos em N repeties de um determinado processo.
Estas quantidades dependem da largura y, por isso os valores de N (yi ), F (yi ) ou H(yi )
podem ser representados por barras paralelas ao eixo y, com largura y e centradas em yi .
Vale notar, que existem outras possibilidades para a centralizao das barras.

Exemplo 1 - A medio da distncia focal de uma lente convergente repetida 60 vezes. Devido
a erros de medio, resulta uma grande flutuao estatstica nos valores calculados para y. Vamos
construir um histograma. Os resultados Yj (em mm) so mostrados abaixo.

204 206 208 210 211 218 219 222 222 223
227 229 230 232 235 235 235 235 237 237
237 237 238 238 239 239 239 239 239 240
240 241 243 244 244 246 246 248 248 249
250 250 253 256 257 257 257 259 259 260
262 265 267 268 269 269 269 273 285 289

Por convenincia utilizamos a aproximao experimental para funo densidade de probabilidade:

F (yi ) N (yi )
He (yi ) = = .
y N y

Pois esta pode ser comparada diretamente com a funo densidade de probabilidade H(y)
correspondente ao processo aleatrio. O intervalo y deve ser escolhido de forma que N (yi ) seja
no mnimo igual a 10 para os intervalos prximos do valor mdio.
A escolha dos valores yi deve ser tal que o centro do intervalo central seja coincidente com o valor
mdio obtido. Os resultados so mostrados na figura abaixo.

Figura 2: Histograma com y = 10 mm.

6
2 Erro e Incerteza
O Mensurando a grandeza a ser determinada em um processo de medio. Em geral, seu
o valor verdadeiro uma quantidade desconhecida. Ou seja este s pode ser conhecido aproxi-
madamente devido a erros de medio. O valor verdadeiro de uma grandeza fsica experimental
tambm chamado de valor alvo.
Em certos casos, o valor verdadeiro conhecido. Por exemplo, a velocidade da luz no
vcuo c. Nestes casos, a medio realizada para aferio de equipamentos ou em experincias
didticas.

2.1 Definio de erro

Seja yv o valor verdadeiro de um mensurando e y o resultado de uma medio, o erro em
y definido por
= y yv

No formalismo da teoria de erros, o erro considerado uma quantidade desconhecida, que

pode ser determinada em termos de probabilidades. Assumimos que o erro tem diversas causas
e pode ser escrito como
= 1 + 2 + . . . + q .

Verifica-se experimentalmente que os erros seguem a distribuio gaussiana com boa aproxi-
mao. Eventualmente uma distribuio de erros pode ser diferente da distribuio gaussiana.

Figura 3: Funo gaussiana de probabilidades. A probabilidade Pi de obter uma medida y

no intervalo y a rea S. A rea total sob a curva 1, devido a condio de normalizao.

7
2.2 Objetivos da teoria de erros
Uma grandeza fsica experimental deve ser determinada a partir de um processo de medio,
cujo resultado sempre uma aproximao para o valor verdadeiro da grandeza.
Portanto, o teoria de erros busca determinar o melhor valor possvel para a grandeza a
partir das medies. E determinar quanto o melhor valor obtido pode ser diferente do valor
verdadeiro.
O melhor valor para a grandeza deve ser o mais prximo possvel do valor verdadeiro e
tambm pode ser chamado de melhor estimativa ou valor experimental para a grandeza fsica.
Em suma os objetivos da teoria de erros so:

Obter o melhor valor para o mensurando a partir dos dados experimentais. Ou seja,
determinar a melhor aproximao possvel para o valor verdadeiro em termos probabils-
ticos.

Obter a incerteza no melhor valor, o que significa determinar quanto este valor pode ser
diferente do valor verdadeiro, em termos probabilsticos.

2.3 A indicao da incerteza

A incerteza padro () pode ser definida como o desvio padro da distribuio de erros.
a maneira mais usada em trabalhos de fsica experimental

A incerteza expandida com confiana P um mltiplo da incerteza padro (k)

O limite de erro (L) valor mximo admissvel para o erro. Esta a forma mais
utilizada em especificaes tcnicas de instrumentos.

O erro provvel o valor que tem 50% de probabilidade de ser excedido pelo erro ,
em mdulo.

2.3.1 Intervalo de confiana

O nvel de confiana P de uma afirmativa a probabilidade de P de que esta afirmativa

esteja correta.
Vamos considerar a afirmativa a < b < c com confiana P , que define um intervalo de
confiana para a quantidade b, que pode ser representada por

a < b < c (com confiana P ).

Portanto a relao acima no uma inequao, apenas uma afirmao que pode ou no
estar correta. Isto , b uma quantidade desconhecida com probabilidade P de ser menor que
a ou maior que c.

8
2.4 Interpretao da incerteza padro
Se yv o valor verdadeiro de um mensurando e y resultado de um processo de medio,
a probabilidade P () de se obter um resultado y no intervalo

yv < y < yv + ,

pode ser obtida ao integrar:

1 Z yv + 1 y yv 2
"   #
P () = exp ,
v 2 yv 2 v

onde v a incerteza padro verdadeira. A integral resolvida numericamente fornece P ( = v )

= 68,27% .
Assim, uma inequao do tipo (a < b < c) define um intervalo de confiana para o erro
= y yv :

v < < +v (com confiana P = 68,27%).

Ou seja, podemos afirmar com 68,27% de confiana que o erro possui mdulo menor que v .
Podemos escrever tambm o intervalo de confiana para o valor verdadeiro:

y v < yv < y + v (com confiana P = 68,27%)

Tabela 1: Intervalos de confiana para incertezas e correspondentes nveis de confiana, no caso

de distribuies para os erros.
Incerteza Intervalo de confiana Confiana
v (y v ) < yv < (y + v ) 68,27%
2v (y 2v ) < yv < (y + 2v ) 95,45%
3v (y 3v ) < yv < (y + 3v ) 99,73%
(y ) < yv < (y + ) 50,00%

2.4.1 Incerteza na constante de gravitao universal

Segundo a lei de gravitao universal, o mdulo da fora entre duas massas dado por

m1 m2
F =G .
r2

A constante G um exemplo de grandeza fsica experimental, cujo valor numrico deve ser ob-
tido por meio de medies. Muitas experincias j foram realizadas para determinar a constante
G. Vejamos na tabela 2, alguns valores experimentais e suas respectivas incertezas.
Admitindo erros com distribuio gaussiana, a incerteza define o intervalo de confiana para
G
G < G < G + (com confiana P = 68%)

9
Tabela 2: Diversos valores experimentais para G. A incerteza indicada por meio da incerteza
padro .
Ano (G ) (1011 m3 s2 kg 1 )
1798 6,75 0,05
1896 6,657 0,013
1930 6,670 0,005
1973 6,6720 0,0041
1988 6,67259 0,00085

Em um grfico, a incerteza padro pode ser indicada por barras de incerteza. Nem sempre
isto possvel, pois a incerteza pode ser muito pequena (veja o ltimo ponto no grfico).

Figura 4: Os valores experimentais de G convergem para um valor bem definido, que deve ser
o valor verdadeiro da grandeza (G).

10
2.5 Limite de erro
O limite de erro L o valor mximo que o erro pode assumir. Em uma distribuio de erros
simtrica, que se anula alm de um certo valor y = L, temos que

L < < +L (com confiana P = 100%)

Em uma distribuio de erros gaussiana no existe um limite de erro absoluto, pois teoricamente
a gaussiana nunca se anula. Entretanto, temos que a incerteza expandida 3 possui confiana P
= 99,73 %. Pois a gaussiana praticamente se anula alm deste valor. Por esta razo assumimos
esta incerteza como o limite de erro. Assim,

L = 3.

Tambm podemos considerar um limite de erro com confiana menor (P 95% )

L = 2.

2.5.1 Regra prtica

Em geral, instrumentos analgicos so construdos para que o limite de erro de calibrao do

instrumento seja igual menor diviso da escala.
Utilizamos a regra prtica de considerar a incerteza padro como a metade da menor
diviso:

Lc
= ,
2
onde Lc menor diviso da escala analgica em questo. Por exemplo, uma rgua comum
graduada em milmetros possui = 0, 5 mm.

2.6 Incerteza padro experimental

A incerteza padro , obtida experimentalmente, sempre uma aproximao para incerteza
padro verdadeira v . Neste caso os nveis de confiana so um pouco menores.
Ento podemos interpretar , em resultado experimental y, por meio do intervalo de confi-
ana para o valor verdadeiro yv

y < yv < y + (com confiana P 68%)

Para a incerteza padro experimental , o coeficiente de confiana P menor e aproximado.

11
3 Algarismos Significativos
O valor de uma grandeza experimental pode ser escrito como um nmero na forma decimal
com muitos algarismos. Por exemplo,

OOOOOOOOOO
| {z } XY
| .{z
. . ZW} ABCD
| {z . . }.
no sig. sig. no sig.

O algarismo significativo em nmero pode ser entendido como um algarismo que indivi-
dualmente tem algum significado, quando o nmero est em forma decimal.
Devido incerteza, cada um dos algarismos no nmero tem uma determinada probabilidade
de ser o algarismo verdadeiro. Geralmente, esta probabilidade est entre 50 % e 100 % para
o primeiro algarismo no-nulo (X) e vai diminuindo para algarismos direita, at se tornar
muito prxima de 10% para certo algarismo (A). Ou seja o algarismo A tem a mesma probabi-
lidade que os demais (1/10) de ser o algarismo verdadeiro. Portanto A no poder ter nenhum
significado, por que no transmite nenhuma informao.
Resumindo, o algarismo significativo quando tem maior probabilidade de estar correto, em
relao aos demais.

Exemplo 2 - Uma distncia foi medida, obtendo-se os resultados, y = 73,64 m e = 1,23 m,

onde a incerteza padro. Vamos determinar os algarismos significativos.
Para o valor verdadeiro yv temos um intervalo de confiana determinado pelos limites (y 3) e
(y + 3). Ou seja,

69, 95 m < yv < 77, 33 m (com confiana P

= 99,7%)

Assim, temos 99,7% de chance de que os algarismos corretos sejam dados por um dos seguinte
nmeros:

69,95 69,96 69,97 69,98 69,99 70,00

70,01 ... 77,30 77,31 77,32 77,33

Vamos admitir que a distribuio de erros gaussiana, cuja densidade de probabilidade dada por

1 1
 
G(y) = exp 2 2 ,
2 2

onde = y yv . A expresso acima permite determinar probabilidades para o erro e portanto

para o valor verdadeiro yv

12
A probabilidade P (yv ) de que o valor verdadeiro seja yv proporcional a G():

(y yv )2
! " #
2
P (yv ) = CG() = p0 exp = p0 exp ,
2 2 2 2

onde p0 a probabilidade para o valor yv = y = 73,64 m. Podemos calcular P (yv ) para quaisquer
valores yv .
A seguir, mostramos valores calculados aproximadamente para diversos casos. Vejamos as
probabilidades para os dois primeiros algarismos sejam os valores indicados:

1 algarismo 5 6 7 8
Probabilidade 0,00% 0,16% 99,84% 0,00%

2 algarismo 0 1 2 3 4 5 6
Probabilidade 1% 8% 21% 31% 25% 11% 2%

A probabilidade de que o primeiro algarismo seja 7 99,84%. Existe certeza quase absoluta que o
algarismo 7 o correto. A probabilidade de que o segundo algarismo seja 3 31 %. Assim, o
algarismo 3 tambm significativo, pois tem maior probabilidade em relao aos demais.
Para os dois ltimos algarismos, temos

probabilidades para o terceiro e para o ltimo algarismo

yv P (yv ) yv P (yv )
73,04 0,882p0 73,60 0,99944p0
73,14 0,917p0 73,61 0,99969p0
73,24 0,946p0 73,62 0,99986p0
73,34 0,969p0 73,63 0,99997p0
73,44 0,986p0 73,64 p0
73,54 0,997p0 73,65 0,99997p0
73,64 p0 73,66 0,99986p0
73,74 0,997p0 77,67 0,99969p0
73,84 0,986p0 77,68 0,99944p0
73,94 0,969p0 77,69 0,99913p0

Na primeira tabela, percebemos que o algarismo 6 tem uma probabilidade pouco maior de ser o
algarismo correto. Ento dizemos que o algarismo 6 significativo.
Observando a segunda tabela, vemos a probabilidade do algarismo 4 estar correto comparvel
aos demais algarismos. Por isso este no pode ser considerado significativo.
Assim, o resultado final deve ser escrito como

y = 73, 6 1, 2 m

13
3.1 Algarismos na incerteza padro
A incerteza padro deve ser dada com 2 algarismos, quando o primeiro algarismo na incer-
teza for 1 ou 2.
A incerteza padro pode ser dada com 1 ou 2 algarismos, quando o primeiro algarismo na
incerteza for 3 ou maior.

Tabela 3: Formas de indicar a incerteza padro

inadequadas adequadas
1 = 0,144 m = 0,1 m = 0,14 m = 14 cm
2 = 1,026 s = 1 s = 1,0 s -
3 = 100 m =10 m = 1,0 10 m = 0,10 km
2 2

4 = 2,31 kg = 2 kg = 2,3 kg -
5 = 2,78 cm = 3 cm = 2,8 cm = 28 mm
6 = 3,49 m = 3,5 m =3m

3.2 Algarismos significativos na grandeza

Se a incerteza padro dada com um nico algarismo, o algarismo correspondente na grandeza
o ltimo algarismo significativo. Se a incerteza padro dada com dois algarismos, os 2
algarismos correspondentes na grandeza podem ser considerados com os dois ltimos algarismos
significativos.
Por exemplo, Seja um resultado experimental com

y = 0, 0004639178 m; = 0, 000002503 m.

A incerteza padro deve ter dois AS, ento a forma adequada pode ser escrita como

y = 0, 4639 mm; = 0, 0025 mm.

ou
y = 4, 639178 104 m; = 0, 025 104 m.

3.3 Arredondamento de nmeros

Seja um nmero em forma decimal tal que

W, Y X ABCD
| {z . . }.,
| {z }
sig. n. sig.

onde ABCD . . . so algarismos que por algum motivo devem ser eliminados, o algarismo X
deve ser arredondado aumentando de uma unidade ou no, de acordo com as seguintes regras:

de X000. . . a X499. . ., os algarismos excedentes so eliminados (arredondamos para

baixo)

14
 de X500. . .1 a X999. . ., os algarismos excedentes so eliminados e o algarismos aumenta
de 1 (arredondamos para cima)

No caso de X500000. . ., o arredondamento deve ser tal que o algarismo X depois do

arredondamento deve ser par.

Tabela 4: Exemplos de arrendondamento

2,43 2,4
3,688 3,69
5,6499 5,6
5,6501 5,7
5,6500 5,6
5,7500 5,8
9,475 9,48
3,325 3,32

3.4 Formas de indicar a incerteza padro

Uma grandeza experimental deve ser sempre dada com a respectiva incerteza. Indicada prefe-
rencial pela incerteza padro. Por exemplo, a constante universal de gravitao

G = (6, 67259 0, 00085) (1011 m3 s2 kg 1 ),

| {z } | {z }
grandeza incerteza

Somando e subtraindo da grandeza, se obtm os limites do intervalo de confiana (com P

=
68%), no caso de uma distribuio gaussiana.
De acordo com as regras expostas (seo 3.1), a grandeza tambm pode ser representada
como

G = (6, 6726 0, 0008) (1011 m3 s2 kg 1 ).

Temos outra possibilidade de notao

G = 6, 67259 (85) (1011 m3 s2 kg 1 ),

| {z } | {z }
grandeza

ou ainda,
G = 6, 6726(8) (1011 m3 s2 kg 1 ),

15
4 Erros estatsticos e sistemticos
Seja uma medio repetida n vezes, com um conjunto de resultados (y1 , y2 , . . . , yn ), e valor
mdio y. Temos que:
Erro sistemtico o mesmo nos n resultados. Quando existe somente erro sistemtico, os
n resultados so iguais e a diferena para o valor verdadeiro yv sempre a mesma.
Erro estatstico ou aleatrio um erro tal que na ausncia de erro sistemtico os n resultados
yi se distribuem de maneira aleatria em torno do valor de yv .
A acurcia (ou exatido) descreve o quanto o resultado de uma medio prximo do valor
verdadeiro. Um resultado acurado possui erro total muito pequeno.
A preciso caracteriza um resultado com erros estatsticos pequenos, com pequena disperso
em relao ao valor verdadeiro.

4.1 Incerteza tipo A e tipo B

As organizaes internacionais recomendam que as incertezas sejam classificadas apenas como
de tipo A e tipo B. Para um determinado processo de medio, as incertezas tipo A se referem
aos erros entendidos como estatsticos. E as incertezas do tipo B aos erros sistemticos residuais.

5 Apresentao dos resultados

Apresentamos como o resultado de uma medida o melhor valor possvel e sua respectiva
incerteza. Entretanto sabemos que o valor verdadeiro yv e o valor mdio verdadeiro ymv so
desconhecidos para um processo de medio. Desse modo, para n resultados de medies
idnticas, a melhor estimativa para ymv o valor mdio:

1 XN
y = yi .
N i=1
A melhor estimativa para o desvio padro do conjunto de medies dada por

1 X N
2 = (yi y)2 .
N 1 i=1

Enquanto a melhor estimativa para o desvio padro m do valor mdio y

m =
N

Podemos estimar a incerteza sistemtica residual r de acordo com o processo e o instru-

mento de medio. Se existem erros sistemticos diversos, a incerteza residual final obtida
por
r2 = r21 + r22 + . . . ,

onde r2i a i-sima incerteza sistemtica residual.

16
 A incerteza padro pode ser obtida a partir da soma da varincia estatstica e da varincia
sistemtica residual:

p2 = m
2
+ r2

As incertezas m e r devem ser explicitamente mencionadas, bem como as regras utilizadas

para determinar as mesmas. O resultado final deve ser escrito na forma

y = y p

Incerteza relativa
Em algumas situaes conveniente apresentar a incerteza relativa, que definida por

= ,
y

onde a incerteza e y valor experimental para a grandeza. A incerteza percentual escrita

(%) = 100.

Estas definies se aplicam a desvio padro, incerteza padro e limite de erro.

6 Propagao de incertezas
Em alguns experimentos a grandeza fsica de interesse no obtida diretamente, mas calcu-
lada por meio de uma grandeza que foi medida diretamente. Por exemplo, possvel calcular
a acelerao da gravidade g medindo o tempo de queda t de um corpo que cai de uma de-
terminada altura h. Nesta seo vamos entender como podemos relacionar a incerteza g na
acelerao g com a incerteza da medida do tempo t .
Vamos tratar do caso mais geral. Seja uma grandeza w, calculada como funo de outras
grandezas experimentais,
w = w(x, y, z, . . .),

onde x , y , z , . . . so suas respectivas incertezas. Se os erros nas variveis x, y, z, . . . so

independentes entre si, a incerteza padro em w , em primeira aproximao , obtida por:
!2 !2 !2
w w w
w2 = x2 + y2 + z2 + . . .
x y z
E no caso particular de uma varivel, onde w = w(x) , a expresso se reduz:
 
 dw 
w =  .
 
 dx  x


Onde as incertezas w e x so positivas por definio.

17
6.1 Algumas frmulas de propagao
Soma algbrica de variveis (w = x y z . . .):

w2 = x2 + y2 + . . .

Relao linear (w = ax + b): Admitindo que a e b so constantes livres de erro ou com

erros desprezveis, consideramos apenas a varivel x:

w = |a|x

Funo trigonomtrica (w = a sen ):

w = |a cos | ,

onde est em radianos.

Exemplo 3 : Calcule a incerteza: (a) na rea de uma circunferncia; (b) no volume de um cilindro.

Exemplo 4: O ngulo de Brewster de um material foi medido experimentalmente obtendo-se B

= (59,3 1,2). A relao entre o ndice de refrao e B n = tan B . Determine o valor
experimental de n.

Bibliografia consultada
VUOLO, J. H. Fundamentos da Teoria de Erros. 2 ed. So Paulo: Blucher, 1996

18