F 129 – Física Experimental I

Incertezas de uma medida,

Funções Densidade de Probabilidade
e Histograma
AER-1
 O que é uma medição?
Uma medição nos diz algo de alguma coisa.
⇢ associa um número à uma propriedade.
... quão “pesada” é uma caixa,
quão quente é uma sopa ou
quão longa é uma barra.

⇢ sempre realizada utilizando algum tipo de instrumento

Ex. régua, trena, cronômetro,
balança, termômetro, etc.

Mensurando: grandeza específica submetida à medição.

(Ex. Massa da caixa, temperatura da sopa,
comprimento da barra, etc.)
O conhecimento que podemos obter acerca
do mensurando será sempre incompleto,
basicamente porque é impossível
realizarmos infinitas medições!
 Algarismos significativos
O que são? ⇢ contribuem para a precisão de
um número.
• Todos os algarismos diferentes de zero são significativos;
• Algarismos nulos (zeros) entre dois algarismos não-nulos são
REGRAS: significativos;
• Zeros à direita de outro algarismo significativo são significativos;
• Zeros à esquerda da vírgula não são significativos.
Exemplos:
# algarismos
Resultado
significativos
0,5 1
0,05 1
0,050 2
1,08 3
120,00 5
1,3708✕10-3 5
Obs: casas decimais ≠ algarismos significativos
 Algarismos significativos
O que são? ⇢ contribuem para a precisão de
um número.
• Todos os algarismos diferentes de zero são significativos;
• Algarismos nulos (zeros) entre dois algarismos não-nulos são
REGRAS: significativos;
• Zeros à direita de outro algarismo significativo são significativos;
• Zeros à esquerda da vírgula não são significativos.
Exemplos: Em F-129, adotamos que ...

5,30 + 0,0572 A incerteza deve ser escrita com

124,5 + 2
apenas 1 algarismo significativo!
133 + 47
(45 + 2,6) ✕10 O valor médio (melhor estimativa)
[0 – 4] Þ arredonda p/ baixo deve ter a mesma quantidade de
[5 – 9] Þ arredonda p/ cima casas decimais que a incerteza.

Obs: casas decimais ≠ algarismos significativos

 Algarismos significativos
O que são? ⇢ contribuem para a precisão de
um número.
• Todos os algarismos diferentes de zero são significativos;
• Algarismos nulos (zeros) entre dois algarismos não-nulos são
REGRAS: significativos;
• Zeros à direita de outro algarismo significativo são significativos;
• Zeros à esquerda da vírgula não são significativos.
Exemplos: Em F-129, adotamos que ...
CORRETO
5,30 + 0,0572 5,30 + 0,06 A incerteza deve ser escrita com
124,5 + 2 125 + 2
apenas 1 algarismo significativo!
133 + 47 (1,3 + 0,5) ✕102
(45 + 2,6) ✕10 (4,5 + 0,3) ✕102 O valor médio (melhor estimativa)
deve ter a mesma quantidade de
casas decimais que a incerteza.

Obs: casas decimais ≠ algarismos significativos

 Incerteza de uma medida
É o parâmetro inerente ao resultado de uma medição que caracteriza
a dispersão dos valores atribuídos ao mensurando.

É a margem de dúvida que sempre existirá

no resultado final de qualquer medição.
⇢ estimativa numérica da
Incerteza não deve ser associada a qualidade da medição
erro e muito menos a equívoco!
 Incerteza de uma medida
É o parâmetro inerente ao resultado de uma medição que caracteriza
a dispersão dos valores atribuídos ao mensurando.

É a margem de dúvida que sempre existirá

no resultado final de qualquer medição.

Uma medição é pouco útil (e as vezes

até inútil!) se não estiver acompanhada
de sua incerteza!

A incerteza jamais pode ser eliminada

do processo de medição!
⇢ identificar TODAS as fontes de incertezas adequadamente
⇢ se certificar que são as menores possíveis
⇢ estimativa numérica confiável
 Incerteza de uma medida
É o parâmetro inerente ao resultado de uma medição que caracteriza
a dispersão dos valores atribuídos ao mensurando.

É a margem de dúvida que sempre existirá

no resultado final de qualquer medição.

Uma medição é pouco útil (e as vezes

até inútil!) se não estiver acompanhada
de sua incerteza!

• Efeitos das condições ambientais na medição

(ex. temperatura, pressão, umidade, etc.)

• Julgamento do operador ao realizar a medição;

Fontes de
Incerteza: • Limitação e/ou calibração do instrumento;
• Aproximações e hipóteses feitas durante o experimento;
• Variações no processo de repetição de medidas “idênticas”.
 Incerteza de uma medida
A incerteza de uma medição é constituída de
efeitos sistemáticos e aleatórios:
• Inerentes ao experimento, equipamentos • Equiprováveis e independentes;
e métodos (ex. instrumento defeituoso ou
• Origem desconhecida;
descalibrado)

• Podem ser identificados aplicando • Medidas tangenciam o valor “verdadeiro”

(mensurando);
métodos de medição distintos;
• Podem ser reduzidos com correção; • Podem ser reduzidos com repetição;

• Limitam a exatidão (accuracy) • Limitam a precisão

Não inclui falhas ou deslizes (“erro humano”) ou

outros erros espúrios à medida
(ex. falha de equipamento)

representam perda de controle

estatístico do processo de medição
 Incerteza de uma medida
Exatidão vs. Precisão Proximidade de concordância
EXATO EXATO
entre o resultado medido e o
Jogador C Jogador D
PRECISO PRECISO valor esperado (alvo).
Alta

Valor de referência
(alvo)
Exatidão

f(p)
Exatidão
EXATO EXATO
Jogador A Jogador B
PRECISO PRECISO

p
Baixa

Precisão

Indicação parcial da
qualidade da medição
(flutuações aleatórias)
Baixa Alta
Precisão
 Métodos de avaliação de uma incerteza
Tipo A - avaliação da incerteza via análise estatística de uma
série de observações repetidas e independentes.

• Cálculo dos desvios-padrões individual (𝜎) e da média (𝜎)

"

• Uso do Método dos Mínimos Quadrados (MMQ)

Ê ajuste dos dados para estimar parâmetros da curva e seus

desvios-padrões.
Aplicar sempre que
possível!

Tipo B - avaliação da incerteza por outros meios.

• Única leitura analógica ou digital.

• Experiência ou conhecimento prévio do
comportamento e/ou propriedades relevantes do
material e instrumentos.
Ex: Especificações do fabricante, calibração dos equipamentos, etc.
 Funções Densidade de Probabilidade
Todos os dados coletados são usados para construir
distribuições de probabilidade que descrevem o nosso
conhecimento a respeito do mensurando após uma medição.

Probabilidade do
mensurando existir entre
dois valores
p(x)
 Funções Densidade de Probabilidade
Todos os dados coletados são usados para construir
distribuições de probabilidade que descrevem o nosso
conhecimento a respeito do mensurando após uma medição.

De onde obtemos a f.d.p.:

Probabilidade do
• intervalo de incerteza
mensurando existir entre
• melhor estimativa para o valor
do mensurando dois valores
p(x)

Área = 1 (100% de certeza que o mensurando está

contido dentro da distribuição)
-u +u

x ½ Largura “média” da função Þ Estimativa para a incerteza!

(desvio-padrão)

As mais usadas em metrologia

 Funções Densidade de Probabilidade
p(x): Triangular • Usada em situações práticas
a em que os valores máximo e
2/a u= mínimo podem ser definidos
2 6 e,
u
• O valor mais provável
a
(médio) pode ser estimado.

Incerteza-padrão:
½ “largura média”

• Avaliação de incertezas do Tipo B

única leitura: analógica

 Funções Densidade de Probabilidade
p(x): Triangular Exemplo: Incerteza na leitura de
Melhor aproximação! instrumentos analógicos:
p(x)

Ex: Régua, trena, etc.

A escala do instrumento
limita o que podemos
8,72 8,75 8,78
saber a respeito do
comprimento (cm) mensurando

8 9

O resultado final da medição é

8,75 cm um intervalo.

Certeza! Dúvida!
 Funções Densidade de Probabilidade
p(x): Retangular • Usada em situações práticas
a em que os valores máximo e
1/a u= mínimo podem ser definidos
2 3 e,
u
• O valor mais provável NÃO
a pode ser estimado.

Incerteza-padrão:
½ “largura média”

• Avaliação de incertezas do Tipo B

única leitura: digital

 Funções Densidade de Probabilidade
p(x): Retangular Exemplo: Incerteza na leitura de
instrumentos digitais:
p(x)

Ex: Cronômetro, multímetro, etc.

A escala do instrumento
também limita o que
22,35… 22,4 22,44… podemos saber a
Tensão (mV)
respeito do mensurando

-022.4 mV
O resultado final da medição
também é um intervalo. Valor arredondado!
 Funções Densidade de Probabilidade
p(x): Normal ou Gaussiana*
2
p(x)

1 " x−x %
1 − $
2# σ &
'
p(x) = e
σ σ 2π
x x Curva em forma de sino com
centro x e largura 2σ.
Centros diferentes,
mesma largura Usada em situações onde
analisa-se uma série de
Mesmo centro, medições (com dispersão) e o
larguras diferentes valor mais provável é
estimado através da média 𝒙"
Centros diferentes, ou seja, x ± σ
larguras diferentes
 Funções Densidade de Probabilidade
p(x): Normal ou Gaussiana*
2
p(x)

1 " x−x %
1 − $
2# σ &
'
p(x) = e
σ σ 2π
x x

Como determinar os valores de Impossível

x e σ? na prática!

9 Precisaríamos realizar infinitas medições!

Geralmente, se os eventos são

equiprováveis e independentes,
Estimamos x e σ a
pressupomos que a distribuição de partir dos dados
probabilidades é Gaussiana experimentais.
 Funções Densidade de Probabilidade
p(x): Normal ou Gaussiana*
2
p(x)

1 " x−x %
1 − $
2# σ &
'
p(x) = e
σ σ 2π
x x

N
1
Centro da Gaussiana x Valor médio x = ∑ xi
N i=1
Largura da Gaussiana 2s Desvio-padrão (individual)
N
Medida da dispersão 1 2

dos dados
σ= ∑
N −1 i=1
( xi − x ) > 0
 Exemplo:
Tabela 01: Tempos de queda t(s)
de uma esfera após 5 lançamentos.
1. Valor Médio:
i ti(s)
1 0,34 1 N 1 5
t = ∑ ti = ∑ ti
2 0,28 N i=1 5 i=1
3 0,33
0, 34 + 0, 28 + 0, 33+ 0, 36 + 0, 30
4 0,36 =
5
5 0,30
= 0, 32 s
2. Desvio-padrão experimental:
1 N 2 1 5 2
σ= ∑
N −1 i=1
(i )
t − t = ∑
5 −1 i=1
(i )
t − t

2 2 2 2 2

=
(0, 34 − 0, 32) + (0, 28 − 0, 32) + (0, 33− 0, 32) + (0, 36 − 0, 32) + (0, 30 − 0, 32)
4
= 0, 03 s

Reparem na unidade!
∴ t = ( 0, 32 ± 0, 03) s
 Dispersão nos dados experimentais:
Considere o lançamento de uma esfera de aço:
esfera

rampa

mesa

papel 1o lançamento:
chão

d1 = 650,4 mm
 Dispersão nos dados experimentais:
Considere o lançamento de uma esfera de aço:
esfera

rampa

mesa

papel 2o lançamento:
1
chão

d1 = 660,6
650,4 mm
 Dispersão nos dados experimentais:
Considere o lançamento de uma esfera de aço:
esfera

rampa

mesa

papel 3o lançamento:
1
2
chão

d1 = 659,1
650,4 mm
660,6
 Dispersão nos dados experimentais:
Considere o lançamento de uma esfera de aço:
esfera

rampa

mesa

papel 50
1o lançamento:
2
3 lançamentos
chão

d1 = 659,1
650,4 mm
660,6
 Dispersão nos dados experimentais:
Considere o lançamento de uma esfera de aço:
esfera É comum observarmos valores distintos de
uma medida durante um experimento
Ex. Alcance d da esfera
rampa
Em geral, não é possível apontar
mesa uma única razão para a
dispersão dos dados.

papel

chão
Precisamos de um
único valor
(a melhor estimativa)!
Quando perceber uma dispersão
Qual valor utilizar?
nos dados:
Deve-se repetir a medição várias vezes!
 Dispersão nos dados experimentais:
Considere o lançamento de uma esfera de aço:
esfera É comum observarmos valores distintos de
uma medida durante um experimento
Ex. Alcance d da esfera
rampa
Em geral, não é possível apontar
mesa uma única razão para a
dispersão dos dados.

papel

chão
Precisamos de um
único valor
Média aritmética:
(a melhor estimativa)!
N
1
x = ∑ xi Estimativa numérica para o
Qual valor utilizar?
N i=1 valor do mensurando!
Quanto Melhor estimativa
Qual é o valor mais
maior N para x !
apropriado para N?!
 Dispersão nos dados experimentais:
Considere o lançamento de uma esfera de aço:
esfera
Valor de referência
(alvo)
f(p)
Exatidão
rampa

mesa

p
Precisão
papel

chão

Porém, a média aritmética Experimento A

não é suficiente: Experimento B

Melhor qualidade d
Menor
dos dados;
Dispersão Mesmo valor
Menor incerteza!
médio!
 Histograma:
Dados coletados: alcance d em mm
esfera

rampa

mesa É um diagrama
representativo da distribuição
dos resultados experimentais
papel

chão Intervalo

Tabela de ocorrências:
Mas como definir o
Δ
intervalo (Δ)?

1 0 1 2 5 8 11 9 7 4 1 1

𝑑!"# − 𝑑!$%
Número de marcas/intervalo

Δ=
𝑁
Ê Um bom “palpite”
 Histograma:
Dados coletados: alcance d em mm
esfera

rampa

mesa É um diagrama
representativo da distribuição
dos resultados experimentais
papel

chão Intervalo
Quanto maior o número
de medições N e menor o Mas como definir o
Δ
tamanho das “caixinhas” intervalo (Δ)?

1 0 1 2 5 8 11 9 7 4 1 1

Mais o Histograma se 𝑑!"# − 𝑑!$%

Número de marcas/intervalo

"!"# ! Gaussiana
Δ=

Frequência Relativa
1
aproximará de uma !
𝑒 $%!
Distribuição Normal ou 𝜎 2𝜋 𝑁
Gaussiana Ê Um bom “palpite”
lim Δ
&→(
 Histograma:
esfera

rampa

mesa

µ-s µ µ+2s µ+3s

papel 68,2%
95,4%
chão
99,7%

Δ
Em F-129, adotamos ±1s
(~ 68% nível de confiança)

1 0 1 2 5 8 11 9 7 4 1 1
Número de marcas/intervalo

Gaussiana
2

Frequência Relativa
( x−x )
1 −
2σ 2
e
σ 2π
 Exemplo: Histograma
Tabela 03: Tempos de queda t(s) de uma esfera após 50 lançamentos.
i ti(s) i ti(s) i ti(s)
1 0,40 18 0,94 35 1,10
2 0,60 19 0,97 36 1,12
1. Tamanho do intervalo:
3 0,61 20 0,97 37 1,14
tmax − tmin
4 0,62 21 0,98 38 1,14 Δ=
5 0,63 22 0,98 39 1,16 N
6 0,71 23 0,99 40 1,18
7 0,75 24 1,00 41 1,19 1, 60 − 0, 40
8 0,79 25 1,00 42 1,20 Δ= = 0,17 s
9 0,81 26 1,01 43 1,21 50
10 0,82 27 1,02 44 1,24
11 0,83 28 1,02 45 1,26
12 0,84 29 1,03 46 1,28 2. No de intervalos = N
13 0,87 30 1,03 47 1,30
14 0,89 31 1,04 48 1,35 = 50 ≅ 7
15 0,90 32 1,05 49 1,45
16 0,91 33 1,06 50 1,60
17 0,92 34 1,07
 Exemplo: Histograma
Tabela 04: Intervalos e no Como estimar o desvio-padrão (individual)
de ocorrências/intervalo de um histograma quando o aproximamos
tempo (s) ocorrências por uma Gaussiana?
[0,40 - 0,58[ 1
[0,58 - 0,76[ 6

Altura do valor médio

[0,76 - 0,94[ 10
[0,94 – 1,12[ 18

60% da altura do
[1,12 – 1,30[ 11 σ

valor médio
[1,30 – 1,48[ 3
[1,48 – 1,66[ 1

• Posição do pico da
Gaussiana: média 0,40

… e não pela maior barra do histograma! tempo (s)

valor médio
2
( x−x )
• Área sob a Gaussiana deve ser aprox. Gaussiana 1 −
2σ 2
igual a área do Histograma e
σ 2π
• O desvio-padrão é definido ( x+σ −x )
2
σ2 1
graficamente por metade do segmento − 2
−
2σ 2
−
e 2σ
=e →e 2
≈ 0, 6
compreendido em 60% da altura da
curva Gaussiana.
 Redução da variabilidade
Geralmente, as observações experimentais individuais
(ex. marcas no papel) apresentam alta dispersão

Pouco confiáveis!

Exp. 1 Exp. 2 Exp. 3 Exp. 4

 Redução da variabilidade
Geralmente, as observações experimentais individuais
(ex. marcas no papel) apresentam alta dispersão

Pouco confiáveis! Mais confiáveis!

Ê Menor flutuação com relação
ao valor do mensurando (alvo)

: média

𝑥#̅ 𝑥̅$ 𝑥̅% 𝑥̅&

Exp. 1 Exp. 2 Exp. 3 Exp. 4

 Desvio-padrão da média:
Uma medida da variabilidade do valor médio dos
dados obtidos
: média

𝑥#̅ 𝑥̅$ 𝑥̅% 𝑥̅&

Exp. 1 Exp. 2 Exp. 3 Exp. 4

1 N 2
σ σ= ∑( i )
N −1 i=1
x − x
Definição: u ≡σ =
N
Decresce com ñN: no de medidas
repetidas
 Funções Densidade de Probabilidade
p(x): Normal ou Gaussiana*
p(x)

!
1 ̅ )̿
# )'
'
𝑝 𝑥̅ = 𝑒 $ ,+
−σ + σ 𝜎( 2𝜋
x1 x3 x x5 x x
x2
𝑥̿
4 6

!
Centro da Gaussiana x Valor médio 𝑥̿ = ∑"
#$! 𝑥̅ #
"

Largura da Gaussiana 2σ Desvio-padrão da média

... define a incerteza (padrão) σ

após N medições!
u ≡σ =
N
∴ Resp. : 𝑥̿ ± 𝜎(
 Por completeza...

Definição: Momentos de uma função densidade

de probabilidade p(x):
+∞
• Média (1o momento) x= ∫ x p ( x ) dx
−∞

+∞
2 2
• Variância (2o momento) σ = ∫ ( x − x ) p ( x ) dx
−∞

• Desvio-padrão σ = Variância = σ 2
 Funções Densidade de Probabilidade

Resumindo…
F.D.P Incerteza-padrão Quando usar Instrumentos
Tipo B Uma única medida Analógicos
2/a a analógica
Valor de a: Depende
Triangular u= do operador
2u 2 6 Se conhece os valores
máximo, mínimo e o mais Leitura: Depende do
a x provável. operador
Tipo B Digitais
Uma única medida
1/a a digital Valor de a: Não
Retangular u= depende do operador
2u 2 3 Se conhece apenas os os
Leitura: Não
valores máximo e mínimo.
a x depende do operador
Tipo A

Conjunto de N
Gaussiana
σ
u ≡σ = medições repetidas e
2u N dispersas
x x
 Quantificação das Incertezas
Incertezas combinadas:
Para que a incerteza u de uma medida seja significativa,
devemos considerar a contribuição de todas as fontes de
incerteza identificáveis durante um experimento.

2 2 2
uc = u + u + u ...
1 2 3 Tipo A
… onde cada ui é uma incerteza-padrão!
Tipo B

A incerteza é tão importante quanto

o valor medido!

Confiabilidade e Qualidade de
uma medida?
 Confiabilidade de uma medida
Depende da função distribuição de probabilidades (f.d.p.):
… incerteza está associada à largura da curva!
• f.d.p: Triangular
2/a
65% Área: nível de
confiança
p(x)
a
u(x) =
2u
2 6
x • A estimativa mais provável
a do mensurando é dada
• f.d.p: Retangular
1/a
58% pelo valor médio da f.d.p.
a
u(x) =
p(x)

• Há X% de probabilidade do
2 3 2u valor medido estar contido
x no intervalo 2u
a
• f.d.p: Gaussiana
68%
p(x)

σ
u(x) ≡ σ =
N 2u

x x
 Qualidade de uma medida
Considere dois experimentos independentes realizados
para se determinar a massa m de um objeto.
Gaussianas descrevem os resultados Mesmo nível de
obtidos em cada caso. confiança, porém
menor intervalo!

Experimento A Experimento B

Maior precisão nas medidas ð Melhor qualidade do resultado!

 \ Resultado final de uma medição:
Melhor estimativa para o
valor do mensurando: x
Deve-se sempre fornecer:
Incerteza-padrão total: uc
Resultado = ( x ± uc ) [unidade]

Formato da f.d.p.
… e quando possível, informar:
Nível de confiança
Exemplo:
l = (35,2 ± 0,4) cm, com uma f.d.p. Gaussiana e nível de
confiança de 68%.
 Exemplo: Considere 100 medições do
tempo associado a um fenômeno
Tabela 02: Tempos t(s) Desvio-padrão (Tipo A)
associado a um fenômeno.
i ti(s)
t = 1, 235464 s 2
uc = uest 2
+ uinst
1 1,24553
2 1,22810 uest = 0, 0234556778 s!
#
3 1,23739
0, 01 " uc = 0, 023633 s
… … uinst = s #
100 1,23458 2 3 $
Incerteza com 1 algarismo
única medida digital (Tipo B) significativo!

t = ( t ± uc ) = (1, 235464 ± 0, 023633) s

[0 – 4] Þ arredonda ⤴
[5 – 9] Þ arredonda ⤵

∴ Resp.: t = (1, 24 ± 0, 02 ) s