U NIVERSIDADE F EDERAL DE G OIÁS

I NSTITUTO DE F ÍSICA
F ÍSICA E XPERIMENTAL II

MATERIAL COMPLEMENTAR

Distribuição-t de Student
Para o caso da medição direta de uma quantidade por meio de um método onde ser possível averiguar os efeitos
da aleatoriedade inerentes a sua natureza, lançamos mão do Teorema Central do Limite, para associar os resultados
a uma distribuição normal. Entretanto, esse teorema foi enunciado uma amostra “suficientemente grande”, neste
caso, para um número “suficientemente grande” de repetições. Mas, qual número de repetições pode ser considerado
“suficientemente grande”? De fato, a suposição de uma distribuição normal nem sempre pode ser confirmada expe-
rimentalmente. Para um “pequeno numero” de repetições, verifica-se que os resultados obedecem a uma distribuição
muito parecida com a normal, mas ligeiramente mais larga. Seja z uma variável aleatória normalmente distribuída
com esperança µ, z̄ a média aritmética de n observações independentes e σA o desvio-padrão amostral (vide Capítulo
??). Então,
z̄ − µ z̄ − µ
t= √ =
σA / n σ
é a distribuição-t ou distribuição de Student, com ν = n−1 graus de liberdade. A medida que n → ∞, a distribuição-
t se assemelha cada vez mais a distribuição normal (vide Fig. ??), retornando assim, ao resultado do Teorema Central
do Limite. A incerteza associada as medições depende, portanto, dos graus de liberdade e, consequentemente, do
número de medições n realizados. Dessa forma, a representação do resultado de medição para quantidades que sejam
associadas a distribuição-t deveria ser
z = (z̄ ± tσ) unid.,
em que a incerteza-padrão aparece multiplicada pelo fator t. Observe que trata-se de um exemplo de incerteza expan-
dida. Entretanto, como vimos, definição de um multiplicado para a incerteza-padrão, ao modificar a área delimitada
pelo resultado de medição, modifica também o nível de abrangência do resultado de medição. Por isso, para utilizar
essa abordagem, é necessário definir para qual nível de abrangência se deseja representar o resultado. Essa escolha
terá influência no parâmetro t multiplicador da incerteza-padrão. A Tab. ?? mostra o valor de t para diferentes valores
de n (e portanto, graus de liberdade ν) e diferentes níveis de abrangência.

Normal
t( )
t( )
t( )

Figura 1: Comparação entre a distribuição normal e a distribuição-t para diferentes garus de liberdade ν.

Voltando a nossa questão original, observe que para um nível de abrangência de 68,27% a “correção” necessária
ao realizar 3 medições (ν = 2) é de 32%, enquanto a “correção” para 30 medições (ν = 29) cai para 2%. Neste
caso, a correção sobre a incerteza-padrão é tão pequena, que pode ser desconsiderada. Passamos, portanto, a tratar os
dados como se obedecessem a distribuição normal. Com base nesse resultado, em nossa disciplina, estabelece-se que
o número mínimo de medições necessária para que possamos aplicar o tratamento de incertezas do Tipo A é de 30
repetições.
 Essa mesma abordagem, baseada na distribuição-t, pode ser aplicada às grandezas que exigem uma avaliação
de incertezas do Tipo C, isto é, medidas indiretamente. Nesse caso, como o Teorema Central do Limite sugere,
estaríamos tratando da convolução de de diversas distribuições distintas: uma para cada variável envolvida no modelo
de medição. O Teorema Central do Limite será válido quando houver mais de 3 componentes da incerteza, isto é,
correspondentes a grandezas independentes com distribuições de probabilidade bem conhecidas (por exemplo normais
e retangulares), que contribuam para a incerteza do mensurando em proporções comparáveis. Nestes casos, admite-
se que se verificam as condições do Teorema do Limite Central e pode-se admitir, com grande aproximação, que a
distribuição resultante é normal.