'UNIVERSIDADE

~ . . DE SÃO PAULO
' . . .

. . - . ,
•'
. INS~.TITUTO D·E FISICA ·

Inttodução à Teoria de Erros

J. H. Vuolo

'1. 99
~ .'')-9
'
··
'
'
. ..
.~· .
::· ·
' .
 Prefádo
Esta apostila destina-se a alunos iniciantes no assunto, tendo em vista
a sua utilização ao longo de 2 semestres, em disciplinas experimentais de
Física Básica, para cursos de Física, Engenharia e outros cursos da área de
ciências e?catas. O texto se restringe a conceitos básicos sobre erro e incerteza,
ava.li.ação de incerteza em medições simples e ajuste de reta a pontos experi-
mentais. Mesmo assim, avaliação de qualidade do ajuste de reta e covariância
dos parâmetros da reta não são incluídos no texto.
A preocupação maior foi apresentar e interpretar os conceitos básicos, sem
grande preocupação com demonstrações rigorosas ou manter uma sequência
lógica consistente ao longo do texto. Além disso, alguns conceitos são repetidos
ao longo do texto, sempre que pareceu oportuno enfatizar o conceito.
Uma outra observação é que as primeiras versões da apostila deram origem
ao livro Fundamentos da Teoria dos Erros, (Referências 5. e 6 ). Assim, pare-
ceu mais conveniente omitir discussões longas, deduções trabalhosas e exemplos
mais detalhados, que podem ser encontrados no livro. Assim, o livro aparece
muitas vezes como referência, complementando o texto. Isto é, o livro é citado
um grande número de vezes, não porque seja uma referência fundamental ou
melhor que as outras, mas apenas por causa de sua ligação genealogica com a
apostila, tendo mesma nomenclatura e mesma simbologia. A apostila foi es-
crita com objetivo de ser um texto razoavelmente consistente e suficiente para
2 semestres iniciais de disciplinas experimentais, ficando o livro para eventual
consulta ao leitor mais interessado.
Esta apostila é uma 3ª edição de uma escrita em 1990, da qual foi feita uma
2ª Edição revisada em 1992. Conforme já observado nas apostilas anteriores,
o assunto apresenta algumas dificuldades de nomenclatura e conceitos básicos
relativos a incertezas. Estas questões têm sido discutidas por grupos de tra-
balho constituídos por especialistas indicados por várias organizações interna-
cionais ( BIPM, IEC, IFCC 1 ISO, IUPAC, IUPAP e OIML). As recomendações
desses grupos de trabalho. foram publicadas em 1993 na lsi. Edição do "Guide
to the Expression of Uncerta.inty in Measurement", também conhecido pela
sigla ISOGUM (Referência 1 ). ·Com pequenas correções, o texto foi reim-
presso em 1995. Também deve ser mencionado o "International Vocabulary
of Basic and General Terms in Metrology" (VIM, Referência. 3 ). Estes textos
já têm versões brasileiras, elaboradas por grupos de trabalhos reunidos por
iniciativa do INMETRO (Referências 2 e 4 ). ·

i
 Esta 3ª Edição da apostila foi reescrita procurando seguir, na medida do
possível, as recomendações apresentadas no "ISOGUM" e no "VIM". Um re-
sumo sobre os térmos mais importantes utilizados nesta edição da apostila são
-resumidos a seguir.
• A expressão "incerteza padrão" é adotada para uma incerteza de qual-
quer tip9 dada na forma de "desvio padrão". Por extensão, o quadrado
de uma incerteza padrão é da forma de uma variância.

• Conforme proposto no ISOGUM, "incerteza tipo A" é a incerteza obtida

por métodos estatísticos, enquanto que a "incerteza tipo B" é a in-
certeza obtida por quaisquer outros métodos (não estàtísticos). Assim,
"incerteza tipo A" corresponde essencialmente à incerteza denominada
antes de "e~tatística ou aleatória". A "incerteza tipo B" corresponde
essencialmente à incerteza denominada "incerteza sistemática residual",
expressão adotada nas versões anteriores desta apostila. A nova nomen-
clatura (incerteza tipo A e incerteza tipo B) é mencionada no texto, mas
a nomenclatura usada antes foi mantida (incerteza estatística e incerteza
sistemática residual).

• A expressão "incerteza padrão combinada" é a sugerida no ISOGUM

para a incerteza final num resultado, que é ·obtida "combinando" as
incertezas de tipo A e de tipo B. Neste texto, fo,i usàda apenas a expressão
mais simples "incerteza padrão" , com o sentido de "incerteza padrão
combinada".

Agradeço ao Prof. Vito R. Vanin pela leitura da primeira versão desta

apostlla apontando.as falhas de nomenclatura e outras falhas conceituais, além
de valiosas sugestões.
Agradeço ao Prof. Giorgio Moscati pelo apoio e valiosas contribuições
em questões ligadas a Metrologia.
· .Agradeço ao Prof. Aluisio N. Fagundes pela grande ajuda no uso
dó computador e do programa IDEX., utilizados para elaboração desta e das
outras versões desta apostila. Em particUlar, agradeço sua "paciência infinita"
com minha "infinita burrice" no uso da "máquina".

São Paulo, 9 de Março de 1999

José Henrique Vuolo

ii
Embora este Guia forneça um esquema de trabalho para obter in-
certeza, ele não pode substituir pensamento crítico 1 honestidade
intelectual e habilidade profissional. A avaliação de incerteza. não
é Uf!1-ª forefa de rotina, nem um trabalho puramente ·matemático;
depende de conhecimento detalhado da natureza do mensúrando
e da medição. Assim, a qualidade e utilidade da incerteza apre~
sentada para o resultado de uma medição dependem, em última
instância, da compreensão, análise crítica e integridade daqueles
que contribuíram para atribuir o valor à mesma.

Este texto é uma tradução de um trecho do

"Guide to the expression of uncertainty in measurement"

Manual publicado em 1993 em nome das Instituições

BIPM ( Bureau International des Poids et Measures ),

IEC ( Internation~ Eletrotechnical Comission)
. IFCC ( .International Federation of Clinical Chemistry )
ISO ( International Orgânization for Standardization)
IUPAG ( International Union of Pure and Applied Chemistry )
IUPAP ( Int~rnational Union of Pure and Applied Physics) .e
OIML
.
( Internationai
. Organiiation
.
of Legal Metroiogy)

iii
 ÍNDICE

Seção 1. Um exemplo . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 1
Constante universal de gravitação. Alguns resultados experimentais.
Seção 2. Erro e incerteza ........................................... 4
Melhor valor e valor verdadeiro de uma grandeza. Erro. Incerteza.
Intervalo de confiança. Interpretação da incerteza padrão.
Seção 3. Algarismos sig tivos . . . . . . . . . . . ... ..... .. ... .... 7
Algarismo significativo. N' de algarismos na incerteza padrão.
Arredondamento de números. Formas de indicar a incerteza padrão.
Seção 4. Erros aleatórios e erros sistemáticos . . . . . . . . . . . . . . . . . . . 12
Valor médio de n resultados. Erros sistemáticos e aleatórios (estatísticos).
Incerteza sistemática residual. Erros grosseiros. Incertezas tipo A e B.
Seção 5. Valor médio e desvio padrão . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
Valor médio verdadeiro para medições idênticas. Desvio padrão.
Desvio padrão para a média. Estimativa experimental do desvi.o padrão.
Seção 6. Incerteza padrão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
Incerteza padrão. Incertezas padrões tipo A e B. Estimativa da incerteza
sistemática residual. Incertezas relativas. Resumo das Seções 5 e 6.
Seção 7. Distribuição ga11ssiana de erros . . . . . . . . . . . . 32
Função de densidade de pri:fbá:btli'dade. NormalizaÇão, valor médio e
desvio padrão. Distribuição de Laplace-Gauss. Histograma. Justificativa
para a função gaussiana.
Seção 8. Propagação de incertezas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
Fórmula de propagação de incertezas. Exemplos para alguns casos.
Seção 9. Incerteza numa medição simples . . . . . . . . . . . . . . . . . . . . . . . 46
Leitura de um instrumento de medição. Incerteza padrão. Incerteza
estatística. Incerteza sistemática residual. Erros de calibração. Régua.
Funcionamento do nônio. Paquímetro. Instrumentos. digitais. Exemplos.
SeÇão 10. Método de máxima verossimilhança ...· . . . . . . . . . . . . . . . 54
Método de máxim.a verossimilhança. Melhor aproximação para n
resultados. de medições similares de uma grandeza. Exemplos. .
Seção 11. Regressão linear ........................................ 58
Equação de reta. Linearização. Conjunto de pontos experimentais.
Ajuste de reta. Ajuste de reta para incertezas· iguais. Incertezas iguais
e desconhecidas. Ajuste de reta no caso geral. Ajuste de reta y=ax.

iv
 1 Um exemplo

Um exemplo de~ grand::c_a_Jísica ex~erime_nial e respectiva incerteza é apresen-

tado .nesta seçao. Varios conceitos sao apenas mencionados aqui e serão
definidos nas outras seções mais detalhadamente.

1.1 Constante universal d~ gravitação

. A força F de atração entre massas m 1 e m 2 , separadas de uma distância r

tem módulo dado pela Lei de Gravitação

(1)

onde Ç é a constante universal de gravitação.

A constante Ç é um exemplo de grandeza física experimental, isto é,
uma grandeza física que deve ser determinada experimentalmente, a partir
de medições. Como exemplo, pode ser considerada uma experiência de labo-
ratório, na qual todas as quantidades.da Equação 1 são medidas experimental-
mente, exceto Q. Isto é, esta experiência idealizada permite obter diretamente:
• as massas m 1 e m 2 , que podem ser medidas em uma balança, ·
•a distância r, que pode ser medida com uma escala métrica e
• o módulo da força F que é medida por meio de um dinamômetro.

Por melhores que sejam os instrumentos .de medição, é evidente que os

valores obtidos para m 1 , m 2 , r e F não serão os valores verdadeiros
dessas quantidades. Em outras palavras, estas quantidades têm erros expéri-
mentais, devidos aos erros aleatórios e erros sistemáticos que podem ocorrer
no processo de medição. Por exemplo, os erros de calibração dos instrument95
resultam em erro sistemático no valor experimental. Fatores que influenciam
aleatoriamente o ·processo de medição pode resultar em erros aleatórios, que
também são chamados de erros estatísticos. .
Assim, devido a erros experimentais, é evidente que 6·valor obtido para
Ç não será o valor veràadeiro desta grandeza, mas será uma aproximação G,
que é chamada melhor valor ou melhor estimativa ou, simplesmente, valor
experimental G. O valor verdadeiro Ç continuará desconhecido.

1
 Tabela 1 : Valores experimentais para a constante. de gravitação.

ano (G±a) X (10- 11 m3 s- 2 kg- 1 ) lOOo'fG

1798 6, 75 ± 0,05 0,74 %

1896 . 6,657 ± o, 013 0,20%
1930 6, 670 ± o, 005 0,075 %
1973 6, 6720 ± o, 0041 0,062 %
1988 6, 67259 ± O, 00085 0,013 %

Em geral, unia experiência deste tipo é repetida para diferentes distâncias

r e para diferentes pares de massas m 1 e m 2 • Assim, obtém~se um conjunto
de resultados para m 1 , m 2 , r, .F e respectivas incertezas, que é chamado
conjunto de dados experimentais. Obter o rnell:ior valor experi:r;nental para g
e a respectiva incerteza a a partir do conjunto de dados experimentais é um
exemplo de problema de que trata a teoria de erros. ·

1.2 Alguns resultados experimentais,

A Tabela 1 mostra alguns resultados experimentais para a constante Q obtidos
ao longo do tempo desde 17981 . A .Tabela 1 mostra também a incerteza
padrão a que é a maneira mais usual de indicar a incerteza em um resultado
experimental. A incerteza padrão a· também pode ser dada na forma de
porcentagem, isto é,
O"
i:; = 100 G (%). (2)

Na Tabela 1, o valor experimental é indicado por G para que seja distin-

guido claramente do valor verdadeiro desconhecido Q.
O erro ~ é defi~ido como a diferença entre o valor experimental G e o
valOr verdadeiro g :
11=G-Ç (3)

Independentemente ela exatidão ( ou acurácia) da medição, g permanece

desconhecido. Assim, resuita que o o erro 11 também é sempre desconhecido.
A incerteza · é· uma indicação de quanto G pode ser diferente de Ç eni
termos de probabilidades. Isto ê, a incerteza indica quanto p~de ser o erro
fJ , mas esta. indicação só pode ser feita em termos probabilísticos.
1
Muitas outras e~periência.s foram realiza.das ao longo dos anos. Os dados apresentados
na Tabela 1 foram extraídos das Referências 7 e 8. ·
 Em muitos casos, pode-se admitir que erros seguem uma distribuição gaus-
siana, com boa aproximação. Neste caso, existe uma probabilidade de cerca
de 68 % que o módulo do erro rJ seja meÚor que a incerteza. padrão. Isto é,

-O"<rJ<+a (com ~ 68 % de confiança) (4)

Esta relação não é uma inequação matemática, mas apenas define um intervalo
de confiança de 68 % para o erro rJ. Equivalentemente, pode-se éonsi!ierar um
intervalo de confiança para g :

( com ~- 68 % de confiança) (5)

Os resultados da Tabela 1 também podem ser mostrados num gráfico, como

na Figura 1. N~ste caso, a incerteza é indicada por barras de incerteza. Ao
longo dos anos, os valores experimentais ( G) convergem para um valor definido
que é o valor do mensurando ( Ç ).

6,75

1
..
O"

6,70 l
~Ç---------------t--i----

6,651---r--.--,--i-----r--,--,...---,--tr-,--r-.--r----
1700 1750 1800 1850 1900 1950 2000 ano
Figura 1. Alguns valores da constante de gravitação ao longo dos anos.
Para o valor de 1988, a incerteza é menor que a bolinha que representa o
ponto e não é possível 'desenhar. "barras de incerteza". O valor verdadeiro Ç
é desconhecido, sendo o valor indicado apenas uma aproximação.

3
2 .Erro e incerteza
Os conceitos de valor verdadeiro e melhor valor (ou valor experimental)
de uma grandeza física são discutidos nesta seção. Os conceitos de erro e
incerteza são discutidos, bem como as formas mais usuais de indicar incerteza
que são incerteza padrão u e seus múltiplos 2u e 3u .

2.1 Melhor valor e valor verdadeiro de uma grandeza

O mensurando é definido em metrologia como sendo a grandeza específica
submetida a medição~ Quando o mensurando é uma grandeza física cujo valor
só pode ser determinado a partir de medição ou a partir de um conjunto
de dados experimentais ( várias ou muitas medições ) , a grandeza pode ser
chamada de grandeza física. experimental.
Do ponto de vista da teoria de erros, pode-se admitir que existe um valor
verdadeiro bem definido para toda grandeza física experimental 1 . Entretanto,
o valor verdadeiro de uma grandeza é desconhecido, em princípio. Isto é, por
melhores que sejam os métodos e os instrumentos de medição, o valor obtido
para a grandeza físka é sempre uma aproximação para o valor verdadeiro,
porque sempre existem erros de medição.
As expressões "valor verdadeiro do mensurando" ou "valor verdadeiro da
grandeza" não são muito corretas por serem redundantes. Isto é, "valor do
mensurando" ou ''valor da grandeza", a rigor significam valores verdadeiros.
Apesar disso, a expressão "valor verdadeiro" será usada neste texto, para evitar
qualquer confusão.
O melhor valor da grandeza que pode ser extraído de um conjunto de dados,
deve obviamente ser o valor mais próximo possíyel do valor verdadeiro. Este
melhor valor também pode ser chamado de valor experimental da grandeza.

2.2 · Erro
O erro 'TJ é a diferença entre o valor experimental y e o valor verdadeiro y,, ,
isto é,
., = y - y,,. (1)
Uma vez que o valor verdadeiro .Yv é sempre desconhecido, resulta que o erro
TJ também .é uma quantidade desconhecida.

1 A questão da existência de um valor verdadeiro bem definido é um pouco mais compli-

cada do que parece. Uma discussão mais detalhada é apresentada na Referência 6.

4
 Em certos casos, uma grandeza é conhecida exatamente. Como exem-
plos podem ser mencionados a "velocidade da luz no vácu~" definida como
299 792458 m/s e o "kilograma-padrão" guardado em Sevres (França) tem
massa de 1 kg , por definição. Por exemplo, pode-se realizar uma experiência
para "medir" a velocidade da luz .no vácuo. Evidentemente, medições deste
tipo só têm sentido para aferir equipamentos de medição ou no caso de ex-
periências didáticas. Nestes casos, o erro pode ser determinado exatamente.
Entretanto, as grandezas mencionadas não são grandezas que só podem ser
dete~minadas a partir de medição e portanto, não são grandezas físicas expe-
rimentais. ·
Existem outras situações particulares em qu~ o. erro pode ser obtido com
boa aproximação. Por exemplo, um estudante repete a famosa experiência de
Miilikan para determinar a carga do elétron e obtém qe = 1, 608 X 10- 19 e.
Atualmente, "melhor valor experimental" é' 1, 60217733 X 10-19 e' valor de-
terminado a partir de resultados .de medições bastante elaboradas2 • Embora
este não seja o valor verdadeiro para a carga do elétron, o estudante usá-lo
para calcular, com muito boa aproximação, o erro no seu resultado q0 •
Entretanto, os casos acima são excepcionais ·e, como regra geral, o erro é
uma quantidade inteiramente desconhecida. Em particular, no formalismo da
teoria dos erros, o erro é sempre. uma quantidade desconhecida.

2.3 Incerteza
A incerteza no valor experimental de uma grandeza é uma indicação de quanto ·
o melhor valor pode diferir do valor verdadeiro da grandeza. Ein outras
palav~as, a incerteza é uma indicação de quanto pode ser o erro 1J. Uma
vez que o valor verdadeiro da grandeza, bem como o erro sã.o desconhecidos,
a
fica evidente que tanto o melhor valor como ,incerteza só podem ser obtidos
e interpretados em termos de probabilidades. Se fosse possível fazer qualquer
afirmação mais positiva sobre o melhor valor ou sobre a incerteza, o valor
verdadeiro e o erro deixariam de ser descônhecidos.
Numa medição simples de uma grandeza física~ os objetivos da teoria de
erros podem ser resumidos em: .
• obter o melhor·valor para a grandeza a partfr do conjunto de dados e'xperi-
mentaís disponível.
• estimar a incerteza no melhor valor. Isto é, estimar quanto. o melhor valor
pode ser diferente do valor verdadeiro da grand~a.
2
Referência 7.
 Tabela. 1: Intervalos de confiança, no caso de distribuição gaussiana de erros.

Incerteza Símbolo lnfrrtlalo de confiança [Vível de confiança

Incerteza padrão (j y - (j < y.,, < y + (j 68,27%

1 # 2o- Y - 2o- < Yv < Y + 20" 95,4%
30" Y - 3o- < Yu < y + 3o- 99, 7%
! #

2 .4 Intervalo de confiança
Nfoel de confiança P de uma afirmativa é a. probabilidade3 P de que esta
afirmativa esteja correta.
Se Yv é o valor verdadeiro de urna grandeza, pode-se considerar a afirmatit1a
que y 0 está. contido no intervalo entre ( y -, 6 ) e ( y + b) :

y-b< y,, <y+E (com confiança. P). (2)

Uma vez que o valor verdadeiro y da grandeza é desconhecido, a afirmativa

11

expressa pela equação acima tem uma probabilidade P de ser correta. Isto é,
a Equação 2 tem nível de confiança P.
Se a Equação 2 tem nível de confiança P, esta equação define um inter·valo
de confiança P para a grandeza y,,.

2.5 Interpretação da incerteza padrão

A incer·teza padrão é a forma mais usual de indicar a incerteza r:uma grand.::n
física experímenta1 4 •
Se a distribuição de erros. é conhecida, a incerteza padrão pode ser in-
terpretada em termos de intervalo de confiança. No caso da distribuição de
erros mais comum que é a distribuição gaussiana 6 , a incerteza padrão pode ser
interpretada em termos. dt$ intervalos de confiança dados na Tabela 1.
A Tabela 1 resume também os intervalos de confiança para as incertezas
' expandidas ( 20" e 30" ). A incerteza dada na forma kO" é chamada de incerteza
expandida de um fator k.
3Uma probabilidade P é um nútnero entre O e I, mas frequentemente ela é dada C;)mo
porcentagem, isto é, 100 P (%).
4 A incerteza padrão pode ier definida como o desvio padrão da distribuição de erros

associada à. medição. A definiç~ será dada nas seções seguintes.

5 A distribuição gaussiana é discutida nas seções seguintes.

6
3 Algarismos significativos

O número de dígitos ou algarismos que dev~m ser apresentados num resultado

experimental é determinado pela incerteza padrão neste resultado. As regras
práticas para algarismos significativos e formas de indicar um resultado e a
incerteza padrão são apresentadas nesta seção.

3.1 Incerteza padrão

Admitindo que a distribuiçãó de erros é gaussiana, a incerteza padrão· a as-
sociada a uma grandeza y pode ser interpretada por meio de um intervalo de
confiança para o valor verdadeiro Yv :

Y -a < Yv < Y +a ( com ~ 68 % de confiança) . (1)

Isto significa que a inequação tem 68 % de probabilidade de ser correta. Deve

ser observado que existe cerca de 32 % de chance de que o valor verdadeiro
esteja fora do intervalo de confiança definido pela incerteza padrão.
Por definição, a incerteza padrão a é quantidade positiva e a inequação
(1) não tem significado se a é negativo ..

3.2 Conceito de algarismo significativo

O valor de uma grandeza experimental, obtido diretamente a partir de cálculos
ou medições, pode ser um número na forma decimal, com muitos al~arismos.
Por exemplo,··

.._____,.___...
0,000 XY ··· ZW
significativos
ABCD ···
não significativos
nã.o significativos

Algarismo significativo em um número pode ser entendido como cada alga-

o
rismo que individualmente tem algum significado1 , quando número é escrito ·
na forma decimal. .
Os zeros à esquerda do primeiro algarismo diferente de zero não são signi-
ficativos. Cada "zero" à esquerda rião tem nenhum ,significado quando consi-
derado índividuàlmente. O único significado do 14conjunto dos zeros" é indicar
a posição da vírgula decimal. Por exemplo; mudando as unidades da grandeza
ou usando notação científica, estes "zeros" podem ser eliminados.
1 Isto é, transmite alguma informação.

7
 Por outro lado, deve ser considerado que existe uma ·incerteza associada ao
número que representa a grandeza experimental. Isto significa que todos os
algarismos à direita além de um certo algarismo W são não significativos.
Isto é explicado um pouco mais detalhadamente a seguir.
Devido à incerteza, cada um dos algarismos no número tem uma deter-
minada probabilidade de ser correto. Geralmente, esta probabilidade é muito
próxima de 100 % para o primeiro algarismo não nulo ( X ) e vai diminuindo
para algarismos à direita. Para um determinado algarismo A, a probabilidade
de que ele seja o algarismo correto se torna pratica.mente igual à probabilidade
para qualquer outro algarismo (entre O e 9 ). Ocorre que, quando um deter-
minado algarismo tem a mesma probabilidade de ser o algarismo correto que
qualquer outro algarismo, então, este algarismo não pode ter nenhum sig-
nificado. Em outras palavras, um algarismo é significativo se ele tem maior
probabilidade de ser correto, em relação a outros. O último algarismo sig-
nificativo à direita pode ser determinado pela incerteza padrão na grandeza,
conforme a regra2 :
Se a incerleza padrão é dada com 2 algarismos, os 2 algarismos corres-
pondentes na grandeza podem ser considerados como os 2 últimos algarismos
significativos. Quando a incerteza padrão é dada com· um único algarismo, o
algarismo correspondente na grandeza é o último algarismo significativo.
Uma grandeza experimental deve ser escrita conforme as regras:
• Os algarismos não significativos à direita nunca devem ser escritos no
resultado final. ·
• Zeros à esquerda, que também são considerados algarismos não signi-
ficativos, devem ser evitados por meio de mudança de unidades ou usando
notação científica, exceto se existirem outros inconvenientes. Por exemplo, é
inconveniente mudar de unidades em uma mesma tabela.

3.3 . Número de algarismos na incerteza padrão

Não existe uma regra muito bem definida para o número de algarismos que
devem ser indica.dos na incerteza padrão, quando apresentada junto com a
respectiva grandeza experimental. A tendência atual3 é indicar a incerteza
padrão com e
algarismos, além de· zeros a esquerda. Entre~a.nto, muitos
físicos utilizam 1 ou 2 algarismos conforme o caso. Além disso, em certos
casos, n~ é possível indicar mais de 1 alga.rismo na incerteza padrão.
2 Discussão mais detalha.da aoble algarismos significativos é a.presentada na Referência 6.
3 Ver Referências 7 e 8, por exemplo.

8
 Tabela .1. Formas adequadas e inadequadas de indicar a incerteza padrão.

Formas inadequadas Formas adequadas

1 (7 O, 144m rf- O,lm 0,14m
O"...,. a= 14cm
2 a= 1, 026s a= ls fj = 1, Os -
3 <T = lOOm a= 102 m O"= 1,0 X 102m t1 =O, lOkm
4 o-=2,3lkg ff =2kg (7 = 2, 3kg -
5 a= 2, 78cm <.T = 3cm cr = 2,8cm <1'=28mm
6 a= 3,49m u = 3,5m ou <T =.-3m
7 o-=3,51m fJ'=3,5m ou a= 4m·
8 u = 4,413N a= 4,41N a=4,4N <>U <r= 4N
9 o: = O, 00504m (7 = 0,0050m ou u = 0,005m
10 a= 6,66mm o-=6,7mm ou a= 7mm
11 a= 800rn a= 8,0 x lO~m OU (7 = 8 X 102 m
12 (J' = o, 0951lkg a= 0,095kg ou u =O, lOkg

Neste texto serão adotadas as regras apresentadas a seguir, nas quais os

zeros à esquerda não são considerados. Estas regras se aplicam ao caso em
que a incerteza padrão é escrita acompanhando a grandeza experimental.
• A incerteza padrão deve ser dada com 2 algarismos quando o primei~ô
algarismo for 1 ou 2.
• A incerteza padrão pode ser dada com 1 algarismo quando o primeiro
algarismo for 3 ou maior.
• A incerteza padrão pode ser dada com 2 algarismos em qualquer caso.
Vários exemplos são apresentados na Tabela 1. Os exemplo~ 6 e 7
mostram claramente a inconsistência de indicar a incerteza padrão com um
único algarismo. Incertezas padrões praticamente iguais ( 3, 49 e 3, 51) serão
ar-redondadas para 3 e 4, que são valores muito diferentes. Este tipo de
problema praticamente desaparece quando a incerteza padrão é indicada .com
2 algarismos. Por outro lado, quando o primeiro algarismo é ma:ior. que 2,
o segundo algarismo não tem praticamente nenhum significado no sentido da
definição dada na Seção 3.2.
Os exemplos 3 e 11 mostram que incerteza. pàdrão maior do que 99 só
pode ser escrita corretamente usando notação científica· ou trocando as unida-
des. No exemplo-11, trocando m por km resultaria cr = 0,80km, que pode
ser escrito também como cr = O, 8 km, conforme as regras adotadas.
D~ve ser observ~do que nos exemplos 2 e 3, o último "zero" à direita
é um algarismo significativo. Por isso, o algarismo O deve obrigatoriamente
aparecer em a , nestes casos.

9
 3.4 Arredondamento de números
Frequentemente ocorre que números devem ser arredondados. Por exemplo,
na soma ou subtração de 2 quantidades, as mesmas devem ser escritas com
· o mesmo número de algarismos significativos.
Quando um dos números t.em algarismos significativos excedentes, então es-
tes devem ser eliminados com arredondamento do número. O arredondamento
também deve ser empregado na eliminação dos algarismos não significativos
de um número.
Se em um determinado número, tal como

···W,YX ABCD
aignificatívoa não 1Jignific. ou e:cces110

A B C D · · · são 'algarismos que por quaiquer motivo devem ser elimina-

dos, o algarismo X deve ser arredondado aumentando de uma unidade ou
. na.o.
A parte A B C D · · · também pode ser entendida como uma fração de
X de O, 000. . . a O, 999 ....
O arredondamento de números. deve ser feito conforme as regras apresen-
tadas a seguir.

• Frações de 0,000... a 0,499... sã.o simplesmente eliminadas (arre-

dondamento para baixo)

• Frações de 0,500... a 0,999. . . são eliminadas, mas o algarismo X a

ser arredondado aumenta de l (arredondamento para cima).

a
• Se fração a ser eliminada é,exatamente 0,50000 ... , então o arredonda-
mento deve ser tal que o algarismo X depois do arredondamento deve
ser par.

Exemplo 2. Arredondamento de números.

2,4..!,, ~ 2,4 5,6~ ~ 5,6

3' 68-.!.- ··~ 3,69 S,7~ ·~ 5,8
5~6~ ~ 5,6 9,47 5 ~ 9,48
' "'-v-'
5,6~ ~ 5, 7 3,32~ ~ 3,32

10
3.5 Formas de indicar a incerteza padrão
Urna grandeza experimental deve ser sempre dada com a respectiva incerteza.
De preferência, deve ser indicada a incerteza padrão.
A incerteza padrão deve ser dada com 1 ou 2 algarismos conforme as regras
apresentadas. A grandeza experimental deve ser dada com todos os algarismos
significativos (incluindo aqueles correspondentes à. incerteza padrão).
Por exemplo, a constante universal de gravitação é escrita como

grandeza inc pdr a

onde deve ser observado que a incerteza padrão .u é uma quantidade positiva
por definição e o sinal ± é convencional, não tendo relação muito direta com
o s1gm · · " - " ou "+" .. s·ornar ou sub trair
· ·ficado usuai d.os sma.1s · u d a gran deza
permite obter os limites do intervalo de confiança com nível de confiança de
~ 68 %, conforme discutido na Seção 3.1.
Conforme as regras adotadas antes, o resultado anterior também pode ser
escrito como

Uma grandeza experimental e a respectiva incerteza também podem ser

representadas da seguinte maneira:

G = 6, 67259 ( 85) x(lú-11 m3 s- 2 kg- 1 )

'--v---" .__,,,_,
grandeza. d

que ainda pode ser escrita como G = 6, 6726 (8) x 10-11 m3 s- 2 kg-1 •
Entretanto, esta última notação deve ser evitada por iniciantes no cálculo
de incertezas, porque é mais difícil tr:abalhar com esta notação e, principal-
mente, é mais difícil perceber enganos. Esta notação não a.presenta nenhuma
redundância e um engano não pode ser facilmente percebido. Por exemplo, se
no resultado acima o algarismo 2 fosse omitido por erro de digitação, resul-
taria 6,6759 (85). Este resultado está totalmente incorreto e seria impossíyel
ao leitor perceber que ocorreu uma falha. Se o mesmo erro ocorresse na notação
mais convencional ( 6, 6759 ± O, 00085 ), o resultado também está incorreto,
mas fica imediatamente claro que ocorreu alguma falha, porque o número de
algarismos na grandeza não é compatível com a incerteza.

11
.4 Erros aleatórios e erros sistemáticos
Erros sistemáticos e erros aleatórios (ou estatísticos) sã~ discutidos nesta
seção, juntamente com os conceitos de precisão e acurácia (ou exatidão).

4.1 Valor médio de n resultados

Se forem realizadas n medições idênticas 1 de uma mesma grandeza y , os n
resultados serão geralmente diferentes:

Cada um
desses valores é genericamente indicado por y;, onde . i assume
valores de 1 a n. ·
O valor médio dos n valores é
_
y =
Y1 + Y2 + Y3 + ··· + Yn-1 + Yn = -
l:i':1
-y;. (1)
n n
Assim como cada resultado y; é diferente do valor verdadeiro y,, da gran-
deza, o valor médio y também é diferente do valor verdadeiro 2 •
A Figura 1 mostra um e)Çemplo de 20 resultad~s (n = 20) de medição de
uma grandeza y , sendo Yv o valor verdadeiro e y o valor médio.

4.2 Erros sistemáticos e erros aleatórios

Geralmente, ocorrem erros de vários tipos numa mesma medição. Em geral 3 ,
esses diferentes tipos de erros podem ser separados em 2 grandes grupos que
são erros sistemáticos e erros aleatórios. Os erros aleatórios também são
chamados de erros estatísticos.
Considerando n medições idênticas de uma grandeza y, com resultados
y; , erros. estatísticos e sistemáticos podem ser definidos como segue:
• Erro aleatório é um erro tal. que os n resultados Yi se distribuem de
maneira aleatória em tomo do: valor verdadeiro Yv e o valor médio y
dos resultados tende a Yv conforme o número n de medições 'se torna
muito grande.
• Erro sistemático é um erro tal que os n resultados Yi sao iguais, mas
diferem d.o valor verdadeiro Yv de uma quantidade constante óy.
1 Idêntice.s
significa realizadas da mesma maneira e com os mesmos instrumentos.
20 valor médio também tem erro, embora. bem menor que o erro de cada resultado.
3 Ver discussão na Seção 4.7.

12
 .1
• .. . .
t t
Yv
~-
Y
·~ ~- y

l'.igura 1: Resultados y; {bolinhas) de n medições de uma grandeza y.

A Figura 2 mostra o efeito de erro estatístico puro, enquanto que a Figura 3

mostra o efeito de um erro sistemático puro. E claro que, na realidade, em
qualquer experiência os dois tipos de erro ocorrem simultaneamente. Reimlt.;i.
assim, uma distribuição de resultados como mostrado na Figura 1, onde o
valor médio y fica distante do valor verdadeiro Yv .
A palavra precisão é usada sempre com referência a erro estatístico so-
mente, enquanto que a palavra acurácia (ou exatidão) se refere ao. erro total,
que é a soma dos erros sistemáticos e estatísticos.
Assim, a precisão é uma indicação da repetividade. Isto é, se os resultados
das medições são todos muito pr6ximos entre si, então a precisão· é boa ( ve; ._
Figuras 3 e 5), mas a acurácia pode ser ruim.
A acurácia de ~m resultado é uma indicação de quanto este resulta.do está
próximo do valor verdadeiro correspondente. Assim, para que a acurácia seja
boa, a precisão deve ser boa e o erro sistemático deve ser reduzido. Nas Figuras
2 e 4, a acurácia do valor médio é relativamente boa.
A qualidade do resultado final de uma medição no que se refere a incerteza
deve ser indicada por acurácia (ou exatidão). A palavra precisão nunca deve
ser usada no sentido de acurácia ou exatidão.

4.3 Erros aleatórios ( ou estatísticos)

Erros aleatórios res)lltam de variações aleatórias no resultado da medição,
devido a fatores que não podem ser controlados ou que, por qualquer mot1vo,
não são controla.dos.
Por exemplo, ao se realizar medição de massa com uma balança, as cor-
rentes de ar ou vibrações (fatores aleatóriqs) podem introduzir erro aleatório
no resultados. Estes erros podem ser reduzidos ou praticamente eliminados
colocando-se a balança numa mesa a prova de vibrações e protegendo-se a
balança em uma caixa de vidro ou mesnio em vácuo quando se desejar alta
precisão.

13
 ... t\~-- ·~

Yv Y
~- •• y

Figura 2. Resultados de 20 medições quando existe somente erro es-

tatístico. O valor médio y será tanto mais próximo de y;, quanto maior for Q
número n de medições.

y
t-cy-1
y., y=y;

Figura 3. Resultados de 20 medições na ausência de erro estatístico. En-

tretanto existe erro sistemático. Os 20 resultados coincidem { y; = y), mas o
. valor resultante 14ão é o vafor verdadeiro Yv 1 mas urn valor deslocado éy.

. .. ... tt...
, , ~ ·~ ,. . ~ .•1
y

y., 'iJ

Figura 4. Resultados de 20 medições com precisão ruim. O erro sistemá-

tico é relativamente pequeno, en'J_uanto que o erro estatístico é relativamente
grande. A acurácía do valor médio pode ser boa .

·t
y.,
. "t jj
y

Figura 5. Resultados de 20 medições de boa precisão e acurácia ruim. Os

resultados são bastante repetitivos e, por isso, ci precisão é boa. Entretanto, o
erro sistemático é grande e a acurácia do valor médio é ruim.

14
 Se, em certos casos o erro estatístico pode ser reduzido ou praticamente
eliminado, em outros casos isto não é possível. Por exemplo, o número de
desintegrações radiativas que ocorre em 1 minuto em uma. amostra de material
radiativo é uma quantidade que varia aleatoriamente em torno de um valor
médio. Este tipo de medição tem um erro estatístico intrínseco que nunca
pode ser eliminado. .
A expressão "erro praticamente eliminado" significa. que o erro foi reduzido
ao ponto de se tornar desprezível comparado com os demais erros envolvidos
no problema.. Na verdade, um erro nunca pode ·ser eliminado, m~ apenas·
reduzido. · . ·
Uma solução para minimizar os efeitos de erros estatísticos cónsiste em
repetir medições, uma vez que o valor médio de um grande número de re~ulta­
dos tem erro estatístico menor. Isto será mostrado mais detálhadamente nas
próximas seções.
A incerteza associada a.os erros aleatórios (ou estatísticos) pode ser cha-
mada de incerteza estatística. ·

4.4 Erros sistemáticos

Erros sistemáticos podem ter causas muito diversas e geralmente estes erros
. se enquadram em um dos tipos definidos a seguir4 •

4.4.1 Erros sistemáticos instrumentais

Erro sistemático instrumental é um erro que resulta da éallb:i:ação do instru-
mento de medição. Além do erro na calibração inicial do instrumento, deve ·
ser observado que a calibração pode se alterar em função de diversos fatores
(temperatura, desgaste e outros fatores). . .
Por exemplo, uma rég{ia apresenta erro sist~mático que depende da qua-
lidade da. régua. Não basta que a régua sej~ fabricada coin calibração muito
boa. A régua deve tambem ser construída com bom ma.teria!, de forma que
e
a calibração não se altere aQ longo do tempo rião dependá muito de fatores
ta.is como temperatura, força e outros.
Erros sistemáticos instrumentais podem, em princ1p10, ser reduzidos ou
praticamente eliminados, por meio de recalibração do instrumento de medição
e correção dos resultados para efeitos de temperatura e outros~ Na prática.,
isto pode ser muito difícil ou custar muito caro, sendo inviável qualquer reca-
libração ou correção de resultados.
"-Conforme classificação dada na Referência. 9.

15 -
4.4.2 Erros sistemáticos teóricos
Erro teórico é ~rro que resulta do uso de fórmulas teóricas ·aproximadas ou uso
de valores aproximados para eventuais constantes físicas que sejam utilizadas.
Na realização de uma experíência, geralmente é necessário utilizar um modelo
para o fenômeno físico em questão. Confon:ne o modelo adotado, as fórmulas
teóricas podem não ser suficientemente exatas e grandeza.S físicas obtidas por
·meio destas fórmulas terão erro sistemático. O mesmo vale com relação às
constantes físicas utiliza.dos em cálculos.
Por exemplo, realiza-se uma medição da aceleração da gravida.de g por
meio de uma experiência de queda livre. "Desprezando" a resistência do ar, a
velocidade v em função do tempo t será dada por ·

V= gt.

Medindo-se v e t, resulta para g um valor menor do que deveria. Isto é,

existe erro sistemático, pois a fórmula teórica acima é aproximada. Se fosse
utilizada uma. fórmu.la. levando em conta a resistência do ar, seria. obtido para
g um valor um pouco maior, isento do erro sistemático da. fórmula acima.
Erros s1stemáticos teóricos podem, em princípio, ser reduzidos ou pratica-
mente eliminados utilizando-se modelos físicos, fórmulas e valores para as cons-
tantes, suficientemente exatos para o fenômeno em questão. Mas também pode
ocorrer que não existam modelos e fórmulas ma.is adequadas que as disponíveis,
ou não existam valores mais exatos para a.s constantes usadas nos cálculos.
Um outro exemplo de erro sistemá,tico é o que ocorreu na famosa ex-
periência de Millikan, em 1916, que permitiu determinar a carga do elétron. O
valor encontrado por MiHikan era 0,6 % menor devido a.o fato que ele utilizou
um valor um pouco incorreto para a viscosidade do ar em seus cálculos. Este
erro sistemático foi corrigido somente 16 a.nos mais tarde5 •

4.4.3 Erros sistemáticos ambientais

Erro ·sistemático ambiental é um erro devido a efeitos do ambiente sobre a
medição. Fatores ambientes ta.is como temperatura, pressão, humidade, ace-
leração da gravidade, campo magnético terrestre, ondas de radio, luz e outros
podem introduzir erro nos resultados da medição.
Por exemplo, numa experiência para medir o campo magnético de uma
bobina, o instrumento indica o campo magnético da bobina somàdo a.o campo
magnético da terra. Pode-se dizer que a medição do campo magnétko da
bobina tem erro sistemático ambiental devido ao campo magnético terrestre.
5 Maioree detalhCll são apresentados na Referência 8.

16
 Erros sistemáticos ambien.~ais também podem, em geral, ser reduzidos ou
praticamente eliminados se as condições ambientais forem bem conhecidas e, de
preferência., controladas. No exemplo acifna, é importante conhecer o campo
magnético terrestre para eliminar ·o erro corrigindo o resultado final, uma vez
que não é possível eliminar ou controlar o campo magnético terrestre. Entre-
tanto, alguns fatores ambienta.is como temperatura, humidade, luminosidade,
vibração e outros podem ser controlados, além de serem medidos.

4.4.4 Erros sistemáticos observacionais

Erro sistemático observacional é um erro sistemático devido a limitações do

observador. Este erro não deve ser confundido com falhas de procedimento ~.
muito menos, com enganos ou erros grosseiros (discutidos na sequência) .
Um erro sistemático comum deste tipo é devido ao efeito de paralaxe na
leitura de escalas de instrumentos. O erro de paralaxe na leitura de um ins-
trumento analógico é devido ao não alinhamento correto entre o olho do ob-
servador, o ponteiro indicador e a escala do instrumento. Podem resultar,
por exemplo, leituras sempre sistematicamente maiores que as reais, se o ins-
trumento estiver colocado frontalmente ao observa.dor, mas deslocado à sua
direita. Disparar um cronômetro sempre atrasado na medição de um intervalo
de tempo é outro exemplo deste tipo de erro.
Erro deste tipo pode ser reduzido seguindo-se cuidadosamente os procedi-
mentos corretos para uso dos instrumentos. Entretanto, mesmo que os proce-
dimentos corretos sejam escrupulosamente seguidos, ainda poderá existir erro
sistemático devido às limitações humanas.
O tempo típico de reação do ser humano a um estímulo é da ordem de

rt ~ O, 1 segundos (tempo de reação humana) (2)

Assim, uma medição de tempo, com cronômetro acionado manualmente, pode

apresentar erro sistemático desta ordem de grandeza. Analogamente, a reso·
lução do olho humano normal é

(),, i::::i 1' ~ 0,017º ~ 0,0003rd (resolução do olho humano) (3)

Isto significa que o olho humano pode distinguir 2 pontos separados de

O, 3 mm a 1 m de distância. Esto11. resolução é muito melhor que a neces'sária
para realizar leituras muito precisas em escalas de instrumentos e geralmente
permite realizar operações de ajustes e alinhamentos com muita precisão.

17
4.5 Incertezas sistemáticas residuais
Em muitos casos, os erros sistemáticos podem ser reduzidos ou podem ser
feitas correções aos resultados finais. Entretanto, nem sempre isto é possível
na prática. Por motivos diversos, pode ser que não seja possível reduzir ou
estabelecer correções para erros sistemáticos.
Às vezes, eliminar um erro sistemático relativamente pequeno em uma ex-
periência de física, pode custar muito tempo e dinheiro, sendo inviável qualquer
procedimento para a correção do erro. .
Erros sistemáticos de qualquer tipo, que não possam ser reduzidos a um
valor baixo ou para os quais não seja possível fazer correções são à.amados
erros sistemáticos r1;siduais6 •
A incerteza sistemática residual pode ser entendida como a incerteza cor-
respondente a.o erro sistemático residual.
As incertezas sistemáticas residuais devem ser tratados como incertezas
estatísticas, para efeito de indicar a incerteza pa<lrão no resultado final da
medição de uma grandeza. A regra para obter a incerteza padrão a partir da
incerteza estatística e jncerteza sistemática residual é apresentada na Seção 5.

4.6 Erros grosseiros

Erros grosseiros ou enganos não são erros do ponto de vista de teoria de erros_
Enganos podem ocorrer, por exemplo na leitura de um instrumento ou na
realização de cálculos.
·Por exemplo, se na medição de uma distância y = 37, 4 mm, o observador
fez leitura ou anotou y = 32, 4 mm, isto constitui um erro grosseiro.
Quando existir suspeita de que houve um engano erri alguma leitura de
instrumento, esta leitura deve ser repetida ou simplesmente descartada ( eli-
minada do conjunto de dados).
Enganos sempre podem ocorrer. Apesar disso, é inadmissível apresentar
resultados que contenham erros grosseiros. Para evitar erros grosseiros, as
regras básicas consistem em repetir medições e conferir cuidadosamente os
procedimentos experimentais e cálculos.
Um exemplo de erro grosseiro é o que pode ocorrer na leitura de um
micrômetro comum. A escala principal é graduada em mm, mas o passo
do para.fuso micrométrico é O, 5 mm. Com frequência ocorre erro grosseiro de
0,5mm na leitura da escala principal e um resultado tal como 12, 745mm é
apresentado como 12, 245 mm .
6 Relativo a resíduo, isto é, o que restou depois de feitas todas as correções possíveis. Este

tipo de erro é chamado de "erro residual" na Referência 9.

18
4. 7 Incerteza tipo A e_ incerteza tipo B
A distinção entre erros sistemáticos e aleatórios é um pouco artificial Um erro
sistemático numa determinada medição pode-se tornar aleatório num outro
contexto_ Como exemplo, pode se" considerar um instrumento calibrado a
20º . Se o instrumento é utilizado numa temperatura um pouco diferente pode
existir um erro de calibração que é sistemático. Se a temperatura varia aleato-
riamente em torno de 20º, este tipo de erro pode ser considerado aleatório
quando se consideram várias medições. Entretanto, pode ocorrer que a cons-
tante de calibração do instrumento seja um mínimo a 20º . Isto é, a constante
de calibração sempre aumenta de valor qualquer que seja a variação de tem-
peratura (para cima de 20° ou para baixo).· Neste caso, o efeito de variações
aleatórias na temperatura resulta em erro sistemático. Um erro deste tipo
não se enquadra nas definições dadas na Seção 4.2 para erros aleatórios ou
sistemáticos.
Inversamente, um erro aleatório pode se tornar sistemático. Um exemplo
de erro aleatório é o erro de "zero" de um instrumento, quando se realiza
uma série de medições. Em geral, o procedimento correto consiste sempre em
ajustar o "zero" do instrumento em cada medição. Assim, o erro devido ao
"zero" é aleatório. Se, por qualquer motivo, o "zero" não é ajusta.do em cada
medição, o erro se torna sistemático.
Para evitar questões como essas, tem sido proposto7 que as incertezas
sejam simplesmente classificadas como incertezas tipo A e incertezas tipo B,
conforme as de:finiÇões :

• Incerteza tipo A é a incerteza avaliada por métodos estatísticos.

• Incer.teza tipo B é a incerteza avaliada por quaisquer outros métodos,

que não sejam métodos estatísticos.

Corno regra geral, a incerteza tipo A pode ser identificada com a incerteza
estatística, que a ·a. incerteza associada aos .erros aleatórios ( ou estatísticos ) .
A incerteza tipo B pode ser identificada com a. ineerteza· sistemática residual,
que é a incerteza associada aos erros sistemáticos residuais. Mas deve ser
observado que esta identificação é apenas uma regra geral e pode ser falha em
vários casos.

7
Referências 1 e 2, por exemplo.

19
5 Valor médio e desvio padrão
Nesta seção, são definidos os conceitos mais importantes com relação a erros
estatísticos, tais como valor mldio verdadeiro, valor médio do conjunto de
resultados, desvio padrão do conjunto de resultados, melhor estimativa experi-
_mental para o desvio padrão e desvio padrão no valor médio.

5.1 . Valor médio verdadeiro para medições idênticas

Por medições idênticas pode-se entender medições de uma grandeza repeti-
das pelo mesmo experimentador, com os mesmos instrumentos e nas mesmas
condições ambientais. Devido a erros estatísticos, os resultados de n medições
idênticas são geralménte diferentes. Indicando os resultados por

Y1 , Y2 , ··· , Yi , ··· , Yn , (1)

o valor médio para n medições idênticas da grandeza y é definido por :

(2)
n

Espera-se que o valor médio y se torne tanto mais predso quanto maior
for o número n de medições. Este valor limite é definido como o valor médio
verdadeiro
Ymv == n--><><>
1im 'fJ · (3)

Na prática, o número n de medidas não pode ser infinito. Assim, é evidente

que o. valor médio verdadeiro é uma quantidade sempre desconhecida.
Para um determinado conjunto· de medições idênticas de uma. dada gran-
deza, pode existir erro sistemático. Assim, o valor médio verdadeiro Ymv não
é o valor verdadeú:o..y,, . A diferença entre o valor verdadeiro e o valor médio
verdadeiro é o erro sistemático das medições (e., = Ymv - y,, ). A Figura 1
representa um exemplo de medições, com valores hipotéticos para Ymv e Y.,,...
Evidentemente, o valor médio V de um conjunto de n resultados é sem-
pre uma aproximação para o valor médio verdadeiro Ymv. Na.s discussões
apresentadas a seguir, é admitido que:
A melhor estimativa para o valor médio verdadeiro Ym 11 , que pode ser obtida
dos resultadt>s de n medições idênticas é o valor médio y.

20
 - (}' ,-:--+-
·~ .. ,,,,~ •1 .
y

Figura 1 : Representação de n resultados de uma medição e valores

hipotéticos de Ymv, Yv e e., .

A questão é mais complicada quando as medições não são idênticas. Neste

caso, as incertezas para os resultados y; podem ser diferentes e, conforme
mostrado ná Seção 10, a média simples não é a melhor estimativa para. o valor
médio verdadeiro Ymv • ·

5.2 Desvio padrão

O desvio d; de um resultado Yi é definido por

d; = Yi - Ymv • (4)

Uma vez que o valor médio verdadeiro Ymv é desconhecido, é claro que o
desvio d; também é desconhecido. Assim, a melhor aproximação para o
desvio é obtida substituindo-se na definição acima o valor Ymv por y.
A média dos desvios d é dada por

L;f=l Ymv
n n n
=Y - Ymv·

Uma vez que y tende a Ymv para grande número de resultados 1 , resulta que
a média dos desvios tende a se anular.
Para um -determinado conjunto de resuitados, com número n bem deter-
minado e finito, a variância do conjunto de resultadós é definida por

e <Tv=~· (5)

O desvio padrão é definido como t1'1J + ~. =

As quantidades a; e <Tv são os valores verdadeiros da variância e do desvio
padrão associados ao partkular conjunto de n resultados.
1 Conforme acha.ma.da. "Lei dos Grandes Números".

21
 A variância a-~ é a média dos quadrados dos desvios, enquanto que o desvio
pa<lrão é a. raiz quadrada desta média. Por isso, o desvio 'padrão também é
chamado desvio médio quadró:iíco.
Medida de áis~rsão é uma quantidade que indica quanto os resultados y;
se espalba.in {ou se dispersam) em relação ao valor médio verdadeiro Ymv , por
causa de erros estatísticos. O desvio padrão é a quantidade mais utilizada para
caracterizar a dispersão de um conjunto de resultados. A média dos desvios d
tende a zero conforme o número de medidas aumenta e assim, esta quantidade
não serve como medida da dispersão. Entretanto, desvio médio, definido como
a média dos módulos dos desvios, pode ser usada eomo medida de dispersão.

5.3 Desvio padrão no valor médio

O desvio padrão O"mv no valor médio 'fl de n resutta:dos de medições pode ser

definido admitindo-se que o conjunto de n medições é repetido k vezes. Isto

é, obtendo-se k conjuntos de n resultados, são obtidos k valor~s médios :

Yt , Y2 , YJ , · · · YJ , • · · , Yk ·

A variância para a média é dada teoricamente pela Equação 5:

( -Y; =
Z:::i=1 Yij )
, (6)
n
onde cada Yi é uma média de n valores Yi; do j-ésimo conjunto de resultados.
Isto é, y13 é o i-ésimo resultado do j-ésimo conjunto de medições.
Para k -> oo , pode ser mostrado2 que a variância <1'm.,, associada ao valor
médio é
=~ ou (7)
n
Esta equa.ç~ explica éomo a precisão do valor médio melhora conforme au-
menta o número de medições. Como pode ser visto, o desvio padrão para a
média é ../ii vezes menor que desvio padrão dos resultados. Por exemplo, se
o-., é o desvio padrão para um conjunto de 25 resultados, o desvio padrão O'mv
do valor médio é O'v/../25 = O'v/5.
Quando existem erros sistemáticos, a variância O'~., dada por (7) é a
variância correspondente a.os erros estatísticos somente. Neste caso, a incerteza
padrão no resultado :final depende também da incerteza sistemática residual e
pode ser obtido pelas regras apresenta.d<IB na Seção 6.
2 Ver Seção 7.3 da Referência 6, por exemplo.

22
·5.4 Melhor estimativa experimental do desvio padrão
As expressões (5) e (7) definem os vafore8 verdadeiros das variâncias para
o conjunto de resulta.dos ( (fv) e e para. o valor médio ( CTmv ). Entretanto,
estas expressões são inúteis D.a prática, uma vez que o·va.lor médio verdadeiro
Ymv é desconhecido. Lembrando que o.valor médio y é um valor próximo de
Ymu, é possível deduzir expressões mais úteis para os desvios padrões, que são
apresentadas a·seguir. ·
3
Conforme pode ser demonstrado , a variância para. um conjunto de n
resultados y; é dada aproximadamente por
1 ,...
02 2=f _ _ l:(Yi -y)2. (8)
n- 1 i=l

Esta equação permite·obter a meihor estimativa experimental para a variância

definida pela Equação 5. As diferenças entre as Equações 5 e 8 não são
relevantes para grandes valores de n , pois neste caso n ~ (n - 1) e y 2=! Ymv .
A expressão (8) para o desvio padrão pode ser ainda escrita como
1 n n .
0'
2
~ -- 'E yf
n-li=I
- - - rl.
n-1
(9)

Este expressão pode ser demonstrada diretamente da Equação 8. Embora

esta expressão seja: aparentemente mais complicada, ela é mais simples de ser
utilizada em cálculós, pois em lugar da somatória de (Yi - y) 2 , deve-se fazer
a somatória de y~ , o que é bem mais simples.
A melhor estimativa experimental para o desvio padrão do valor médio
é obtida pela Equação 7, substituindo o desvio padrão verdadeiro CTv pela
melhor estimativa experimental O':

ou (10)

O desvio padrão do valor médio de uma grandeza é a incerteza final corres-

pondente aos erros aleatórios das medições (erros esta.tfsticos ). Na áus.ência
de erros sistemáticos significativos, o d"esvio padrão .do valor médio é a incer-
teza padrão no resultado final, Mas em geral, existem erro8 sisteriiátiCo8 sig-
nificativos e a incerteza padrão no resultado final deve ser ohtida combinando
o. desvio padrão no valor médio ( Clm) com a incerteza sistemática résidual,
conforme regras apresentadas a. seguir.
3 Ver Seção 7.4 da Referência 6, por exemploc

23
6 Incertezapadrão
A incerteza padrão é definida para um conjunto de medições simples de uma
grandeza, a partir .do desvio padrão no valor médio e da incerteza sistemática
residual. Alguns exemplos de cálculo da incerteza padrão sã.o apresenta.dos.

6.1 Incerteza padrão

Conforme já observado, mesmo se uma medição fosse repetida um número
infinito de vezes, o valor médio resultante ( '!fmv ) seria diferente do. valor ver-
dadeiro ( y,, ) devido aos erros sistemáticos1 :

Yv = y;,,," + e,,, (1)

onde e,, é o erro sistemático associado ao particular processo de medição.

Quando se realiza uma série de n medições, a melhor estimativa para o valor
médio verdadeiro é o valor médio e a melhor estimativa para a grandeza é

y = y + e, (2)

onde e é uma eventual correção devida a erros sistemáticos. O erro sistemático

residual pode ser entendido como o erro nestas correções. Em muitos casos,
não é feita nenhuma correção e e = O. Independentemente, de se fazer ou
não alguma correção existe uma incerteza associada a e que pode ser chamada
de incerteza sistemática residual. Esta incerteza sistemática residual pode
ser definida como o desvio padrão associado aos erros sistemáticos residuais,
quando se considera o universo mais amplo de conjuntos de medições seme-
lhantes realizadas por diferentes experimentadores, em diferentes laboratórios
e usando instrumentos similares. Para este hipotético conjunto de medições,
o erro sistemático residual pode ser considerado como estatístico.
A incerteza padrão a P pode ser definida como o desvio padrão do valor
médio de n mediç~s, mas cóm relação ao vafor verdadeiro y,, da grandeza e
tendo em vista k conjuntos de medições, realizadas por diferentes experimen-
tadores, por meio de instrumentos semelhantes e em ambientes diferentes.
A incerteza padrão no resultado final y é dada por2 ·

(3)
1 Vet Seção 5.1eFigura.1.
2Ver Seção 7.6 da. Referência. 6. Esta expxessão também pode ser deduzida da Equação 2,
usando a fórmula para. propagação de incert.ezas (Equação 1 da Seção 8 ).

24
onde Üm é o desv]o padrão para o valor médio e q'T é a incerteza sistemática
residual (desvio padrão associa.do aos err~s sistemáticos residuais).
Conforme a expressão (3), a incerteza padrão é obtida a partir da soma das
variâncias correspondentes a erros estatísticos e erros sistemátieos residuais.
Esta regra para combinar incerteza estatística e incerteza sistemática residual
está de acordo com as recomendações do Bureau Internacionàl de Pesos e
Medidas (BIPM) 3 e outras organizações internacionais4 . ·
Quando um resultado final é apresentado, além da incerteza padrão, a in-
certeza estatística e as incertezas sistemáticas também tlevem ser especificadas
separatlamente. .

6.2 Incerteza padrão tipo A e incerteza padrão tipo B

A incerteza tipo A é a incerteza obtida numa medição a partir de métodos
estatísticos, enquanto que a incerteza tipo B é a incerteza obtida por outros
métodos. Pode-se considerar o caso mais simples em que se realiza unia série
de medições de uma determinada grandeza. Neste caso, evidentemente, a
incerteza sistemática residual não pode ser estimada por métodos estatísticos5
e pode ser identificada. como incerteza padrão tipo B ( O"B). O desvio padrão
no valor médio é obtido por métodos estatísticos e pode ser identificado como
a incerteza padrão tipo A (a A). Assim, a expressão (3) para a incerteza
padrão também p~de ser escrita como

(4)

Entretanto, deve ser observado que esta identificação somente se aplica em

casos roais simples.

6.3 Estimativa da incerteza sist€mática residual

A variância O'~ correspondente a erros estatísticos pode ser determinada
repetindo~se as medições n vezes e usando as Equações 8 e 10 da Seção 5.
Isto é, a variância o-;.
pode ser obtida a partir dos próprios resultados obtidos
num particular processo de medição, repetindo-se a. medição.
3 0 Bureau International de Poids e Mesures tem sede em Sevres na França e foi fundado

por um t1atado assinado em 1875 (inclusive pelo Brasil) para assegurar a unificaçâ.o inter-
·nacional e melhoria do sistema métrico de unidades. Desde então é a. entidade respom1ável
pelo Sístema lnterna.cíonal de Unidades (SI).
"Referência. 1. Ume. discussão adicional é apresente.da. no Apêndice C da Réferência 6.
5 Ver discussão, a seguir.

25
 Por outro lado, a. variância 1.7; correspondente aos erros sistemáticos resi-
duais é bem ma.is difícil de ser determinada. e não existindo nenhum método
padrão bem estabelecido para. isso. A seguir é a.presentado um procedimento
geral pa.ra estimar a variância. u: em casos ma.is simples.
Geralmente, uma análise cuidadosa da acurá.cià dos instrumentos e do pro-
cesso de medição permite estimar, com certo nível de confiança, um valor
máximo admissível para o erro sistemático residual. Isto é, pode-se estimar
um limite de erro Lr com determina.d.o nível de confiança. Admitindo que esse
erro segue uma distribuição gaussiana.6 e Lr tem c~nfiança ,...., 95 %, variância
u; pode ser obtida a partir de (Tabela 1 da Seção 2 } :

ou (5)

Em geral, nã.o é possível conhecer o limite de erro com nível de confiança muito
· grande. Eventualmente, se for possível atribuir um nível de confiança maior
que "' 99 % para o lircite de erro sistemático ( Ta.bela 1 da Seção 2 ) :

L.,. = 3 l.7r ou
2
O',,. = 91 L.,.
2
(6)

Geralmente, a acurácia de um instrumento é especificada. como limite de

erro de calibração. Quando não é possível fazer correções devido a erro de
calibração, este erro pode ser entendido como erro sistemático residual e, como
regra geral, a Equação 5 podem ser utilizada para se obter <r7 •

6.4 Incertezas relativas

Uma incerteza é frequentemente indicada na forma de incerteza relativa ou
incerteza porcentual. A incerteza relativa é definida por
<1
e= - (7)
y
onde u é a incerteza em questã.O e y o valor experimental para. a. grandeza.
A. incerteza porcentual é

e(%) = lOOe = 100 ~.

y

Estas de:ffuições sã.o gerais e se a.plicam a des:vio padrão e incerteza padrão .

. 6 Em geral, erros seguem uma distribuição gaussiana, com boa a.proxim~. Uma justi-
ficativa para isto é apresentada na Seção 7.

26
6.5 Resumo das Seções 5 e 6
O valor verdadeiro ·y,, de uma grandeza. é desconhecido. O và.lot médio
verdadeiro Ymv . corr~spondente a. um particular processo de mediÇão, também
ê uma quantidade desconhecida.
Para um conjunto de n resultados de medições idênticas ~a grandeza. y:

Y1 , Y2 , Ys , • • · , Y• , . · : • , Y'fl ,

a. melhor estimati~a. que pode ser feita para o valor médio verdadeiro é o valor
médio:

A melhor estima.tiva. eXpenmental para o desvio padrão do conjunto de

resultados é

1 n ln n_z
Í:(Yi -:--Y-)2 = -í:Yl - - . -y
n - 1 •=l n- l i=i n - l

e a melhor estimativa para o desvio padrão Um do valor médio 'fJ é

A incerteza padrão u'P deve ser: obtida a. partir da soma das variâncias
correspondentes a erros estatísticos e sistemáticos, isto é, • -

Nos casos mais simples,

Como regta geral, aplicável aos casôs mais simples, a: incertez.a. ~isieiruiti~
residual u r pode séf estima.da: por ·

onde Lr é um limite de erro sistemático oom tercà de 95 % de coíifi.a.Dça..

27
 Exemplo 1. Medição do período de um pêndulo com um cronômetro.
O tempo Ã.t p~a 10 oscilações de um pêndulo simples foi medido 8 vezes,
usando um cronômetro digital. Os resultados das leituras ~ t, do cronômetro
estão na Tabela 1, junto com os resultados T; = At/10 para o período do
pêndulo ..

Tabela I. em Leituras }). t; e valores obtidos T;.

i 1 2 3 4 5 6 7 8
b..t; (s) 32,75 32,40 29,82 30,22 31,57 31,59 30,02 31,95
T; (s) 3,275 3,240 2,982 3,022 3,157 3,159 3,002 3,195
O valor médio dos 8 resultados T; é
25,032
- - - s = 3,1290s
n 8
e o desvio padrão é

a2 = _l_
n-].
t T;2 - _n_T
n-1
2
= ( 78 •7414 - ~9, 7906 )s 2 =
7
0,01269s 2 .
•=l .
Nem todos os algaris~os mostrados até aqui são significativos, mas antes
de se chegar a.o resultado final, é preferível ter excesso de alga.rismos, do que
correr o risco de omitir algarismos significativos.
Assim, melhor estimativa para o desvio pa<lrão dos resultados é

a = v' O, 01269 s = O, 113s

e o desvio padrão para o valor médio é dado por

ªm = vna 0,113
= v'8 s = 0,040.s .

.Eventualmente, podem ser feitas correções para erros sistemáticÓs. Por

exemplo, o cronômetro pode apresentar erro de calibração. Pode-se supor,
por exemplo, que seja verificado que o cronômetro "atrasa" 20 segundos em 1
hora.7 .Isto é, o cronômetro indicará. 3580 segundos paxa um tempo real de 3600
segund0s .. Assim, as leituras feitas neste cronômetro devem ser corrigidas de
( 3600/3580 = 1+0,00559 ). O valor médio para o período é então
3600
7f =
3580
3,1290s = 3,1290.s + 0,01748.s = 3,1465.s
7
Um cronômetro muito ruim, na verdade.

28
 Mas, nem sempre é possível determinar o erro sistemático e fazer a correção
correspondente, como é mostrado a seguir ~m um exemplo.
Um possível erro sistemático que pode ocorrer é de tipo observacional, isto
é, devido ao observador. Por exemplo, se o observador dispara o cronômetro
sempre um pouco atrasado, mas para o cronômetro corretamente, então os
intervalos de tempo medidos são sistematicamente menores que os reais. Se
existir suspeita de que há um erro sistemático grande deste tipo, o melhor
procedimento é refazer as medições, pois é muito difícil determinar a éorreção
a ser feita neste caso.
Entretanto, por mais correto que seja o procedimento de cronometragem,
pode existir um erro sistemático residual, pois o cronômetro é disparado e
parado manualmente. O tempo de reação humana é da ordem de 0,1 segundo
(ver Seção 4.4.4 ). Assim, por melhor que seja o cronometrista, pode exis-
tir um erro sistemático desta ordem de grandeza8 • Considerando que O,ls é
um número bastante aproximado e que pode existir erro sistemático, tanto no
acionamento quanto na parada do cronômetro, pode-se admitir um limite de
erro total de 0,5 s para 10 oscilações. Assim, para o período T = .6..t /10,
Lr ~ O, 05 s é um limite de erro razoavelmente confiável e, pela Equação 5,
obtém-se

A incerteza padrão .é dada pela Equação 13,

Jp = .J o-! + u; = 0,047 s.

O resultado final para o período de oscilação do pêndulo pode ser escrito

como

T = (3,146 ± o,047) s ou T = ( 3, 15 ± o, 05) s .

Deve ser observado que a incerteza sistemática residual é relativamente pe-
quena em relação à incerteza estatística. Mas se as medições fossem repetidas
muitas vezes para melhorar a precisão de T, a incerteza sistemática resi-
dual O'r se tornaria significativa estabelecendo um lirnlte para a acurácia do
resultado final.
8 Evidentemente,é muito difícil determinar este tipo de eno. Para isto, seria necessário
montar uma. experiência muito mais sofisticada., realizando uma cronometragem muito
precisa por algum método eletrônico automatizado, comparando estes resultados com a
cronometragem manual. Mas se isto fosse feito, a experiência com cronometragem manual
não teria nenhum sentido. Assim, resta a alternativa. de estimar esta incerteza sistemática
da melhor maneira possível, com base no bom senso.

29
 •3,00tt•
1
.
I
., • •
O"= O, 11 s

3,20
..
T; (s)

T = (3, 15 ±o, 05) s

Figura 1. Ilu.straçãc mostrando os resultados T; J o desvio padrão dos resul-
tados ( <1' ), o valor médio T e a respectiva incerteza padrão O-p.

Em geral, a incerteza reÍativa é dada na forma de porcentagem

êp(%) = 100 i = 1,5%.

Exemplo 2. Medição da força eletromotriz de uma pílha.

A força eletromotriz· de uma pilh~ foi medida 6 vezes, com um voltímetro
digital, obtendo-se os resultados mostrados na Tabela 2. A acurácia do voltí-
metro na escala utilizada é melhor que 0,5 3, conforme a indicação fornecida
pelo fabricante no manual do instrumento.

Tabela 2. Resultados das medições da força eletromotriz.

i l 2 3 4 5 6
V; (Volt) 1,572 1,568 1,586 1,573 1,578 1,581

Realizando os cálculos, obtém-se para o valor médio

1 6
V = - E V; = 1,5763 Volt
6 i=l

e para o desvio padrão dos resultados

l 6
(j = - Í::: (V; - V) 2 = O, 0066 Volt .
6-1 i=l

O desvio padrão no valor médio é

u
O"m = lii
v6
=. O, 0027 Volts.

30
 Mas pode existir erro sistemático de até 0,5 %- no valor médio. Isto é, o
limite de erro sistemático é

Lr = ~~~ 1, 5763 Volt = O, 008-0 Volt.

O problema maior consiste em atribuir um nível de confiança ao limite

de erro indicado pelo fabricante do instrumento. Como regra geral, pode-se
atribuir um nível de confiança. de 95 %, exceto se existir indicação explícita do
fabricante ou outra informação garantindo nível de confiança. maior.
O erro sistem.á.t~co de calibração pode ser reduzido aferindo-se o voltímetro.
Por exemplo, pode-se verificar a calibração do voltímetro com uma pilha padrão
por meio de circuito potenciométrico, determinando assim o erro sistemático de
calibração e corrigindo o valor médio V. Mas pode ser que este procedimento
ou outro qualquer para verificar a calibração do voltímetro não seja viável.
Neste caso, a solução consiste em entender o erro de calibração como um erro
sistemático residual, sendo ffr dado pela Equação 5

O'r = L; = 0,0040Volt.

E assim, a incerteza padrão é dada por

ap = ..j a;, + a; = O, 0048 Volt.

O resultado final da medição é escrito como

V = (1, 5763 ± O, 0048) Volt ou V = ( 1, 576 ± O, 005) .

As incertezas relativas e porcentuais são dadas abaixo.

• Desvio padrão relativo: ê = O, 0017

• Desvio padrão porcentual : e (%) = O, 17 %

• Incerteza sistemática residual relativa: i:R =O, 0025

• Incerteza sistemática residual porcentual: êR (%) = 0, 25%

• Incerteza padrão relativa: e:. 11 = O, 0030
• Incerteza padrão porcentual: ep (%) = 0,30%

31
 7 Distribuição gaussiana de erros
Nesta seção, alguns conceitos sobre disti-i.buição de probab ilidades sâo r·esu-
midos. Também são discutidos histograma e a distribuição gaussiana. qUe é a
distribuição de erros mais importante. As distribuições retangular e triangular,
l
às vezes usadas para erros, são discutidas na Referências 1 e 6. t
·1 .1 Função de densidade de probabilidade
. Em geral, o resultado y* d;>, medição de uma grandeza pode ser entendido
como uma "variável", em vista do caráter aleatório dos erros. No q'\le segue,
será adµiitido que esta variá~el ( y" ) é cantínu~, embora os resultados y· de
sejam. sempre números discretos 1 • .

Para variável contínua ( y ), um evento aleatório pode ser definido a part ir .

de um intervalo repres.e ntado por {y;; 6.y }, com centro em y; e largura total
6.y. Por definição, ocorre o evento y; se o resultado da medição y* está no
intervalo:
6. · lSy
__}!_ < y· < y '" + -. 2 .
Yi - 2 - (1)

Os valores de y; e 6.y devem ser tais que qualquer vafor possível y· está
incluído em apenas um intervalo . Isto é, ( Yi+ i - y;) = lly .
Com esta definição de evento, os resultados possíveis são

Y1 ) Y2) Y3 . .. ) ·Yi' ... ) Ym-1' Ym ' (2)

m eventos possíveis

onde cada evento pode ocorrer com probabilidade P(~;) 6.I{ =

A probabilidade 6.P; é diretamente proporcional ao comprimento lly do
intervalo que define o evento y;. Matematicamente, istó significa que

H(y) ~ 6.P;,
6.y . (para 6.y suficientemente pequeno), (3)

é uma quantidade que eindependente de 6.y e assim deve depender somente

de y; . Portanto, a quantidade H(y) pode ser entendida como uma função 0

de y. Por isso, pode ser omitido o índice i, significando que H (y) po de ser
calculada para qualquer valor de y.
1
Por mais p1ecisos que sejam os inst.rumentos e cálculos; o resultado sempre tem um
número determinado de dígitos. Em medições me\.rológicas da mais alta qualidade, resultam
resultados .com cerca de 10 dígitos.

32
 A função H(y) é chamada.função densidade de probabilidade (fdp ). Se es-
ta função é conhecida, a probabilidade de ocorrer um resultado num intervalo
pequeno· { Yi ; ~y } é dada. por ·

P(yi) e::; H(y;) 6y, (4)

onde a aproximação é tanto melhor quanto menor for !:::.y. Para variável
contínua ( y ), pode-se considerar o limite 6y - t O. Neste caso, !:::.y. e !J.Pi
são infinitesimais e podem ser indicados por dy e dP, respectivamente. As
Equações 3 e 4 podem ser reescritas como

H(y) = lim !:::.~ = dP e dP = H(y)dy. (5)

Ll.y~o6y dy

Em N repetições de um processo aleatório, a aproximação experimental

=
P(y;) é a frequência relativa F(y;) :
( Pe(y;)) para a probabilidade 6P;
N
Pe (y;) ~ F(y;) = ; , (6)

onde N; é o número de ocorrências de cada resultado y; (frequência de y; ).

Assim,
(7)

é uma aproximação experimental para a função de densidade de probabilidade,

em cada ponto y;.

7 .2 Normalização, valor médio e desvio padrão

A probabilidade P(a, b) de obter um resultado y tal que

a < y < b (8)

é obtida como a soma das probabilidades (4) para todos os valores de y; neste
intervalo . Isto é,
y;<b y;<b
P(a, b) = L P(yi) = E H(yi) ll.y. (9)
y;>a 11;>a.

No limite lly -t O, a soma acima é a integral de H (y) entre a e b,

P(a,b) = la~b H(y)dy. (10)

33
A probabilidade de obter urn resultado qualquer deve ser 1 ( 100 %) e resulta
a chamada condição de normalização
00
P(-oo,+oo) = /_: H(y)dy = 1. (11)

O valor médio da distribuição ( µ ) é dado por

+ao
µ =
J -ao yH(y)dy. (12)

A variância da distribuição (o-~) é definida como

o- 2 = ;+ao
_ (y - µ) 2 H(y) dy. (13)
00

E o desvio padrão é a raiz quadrada positiva da variância ( <7v = +~).

7.3 Distribuição de Laplace-Gauss

A função de densidade de probabilidades gaussiana é definida por

(14)

onde y é a variável (contínua), µ é o valor médio e a é o desvio padrão.

A dis"tribuição de probabilidades correspondente é chamada de distribuição
ga11.ssiana ou distribuição de Laplace-Gauss ou, ainda, distribuição normal de
erros. O gráfico da função gaussiana de densidade de probabilidades é uma
curva. em forma de "sino", como mostra a Figura 1. A altura máxima Gma.x
ocorre quando y = µ , e assim
1
Gmax = G( Y = µ ) =
A "largura a meia altura" r é definida como a largura do "sino" na metade
da altura máxima. Os pontos y1 e y2, para os qua:is (J(y) = Gma.,)2, são
dados por

Y1 = µ - o- J 2 ln 2 e Y2 = µ + o- v' 2 ln 2 ,
A largura r é dada por

f = Y2 - Y1 = 2 J 2 ln 2 u = 2, 3548 a . (15)

34
 µ = 2,4470 cm
µ
=O, 0134 cm
30,0
l <J'

25,0

20,0

15,0
r

10,0

5,0
2 X 3u

O,Ot--=--,...-~..,-~--.-~~~-.-~-.,...~--,-~--.~-===t~--,,._.~__.

2,400 2,420 2,440 2,460 2,480 2,500 y(cm)

Figura 1. Exemplo de distribuição gaussiana.

Pode ser mostrado de (14) que, quando a "largura é 20'", .a altura da

curva é O, 6065 Gma:r·
Um outro aspecto de interesse é que, teoricamente, a curva gaussiana se
extende de - <X> a + oo. Entretanto, os valores de G(y) são muito pequenos
quando y < µ - 3 u ou y > µ + 3 <:T. Assim, na prática, pode-se considerar a
largura total da gaussiana como aproximadamente 6 u.

35
 P(ô) X 100 (%)
100

99, 73%

80 95,45%

· - - - - 68, 27 3
60

40

20

Ooi------.-----.---..--r---.---.---..---.---,------

0 3a 5cr

Figura 2. Probabilidade P(5) de que 1y - µ 1 seja menor que 5.

A probabilidade P( 5) de ocorrer µ - ô < y < µ + 5 é dada pela

expressão (10), para a = 1,1 - 6 e b = µ + ô

µ+6 1 1µ+6 l ( 1CJ!:. 2

P(5) =
f µ.-5
G(y) dy = V21i°
a 211" . µ.-6
e- 2 ª l dy. (16)

A integral (16) pode ser escrita em forma mais simples:

P( uc) = ·l
r;:;-::: J+ ; : e
6
-.lz~
~
dz onde z=--
y-µ
'r:Y
(17)
y27r -~

A Figura 2 mostra valores calculados numericamente para P( 6). A proba-

bilidade de ocorrer 1y - µ I ::; a é 68, 27%, enquanto que para 1y- µ I~ 3 a
a probabilidade é 99, 73%.

36
7.4 Histograma
O histograma é um tipo de gráfico usado para representar quantidades tais
como N(y,) :: N;,, F(yi) ou H('!ji) para os resultados obtidos em
N, repe-
tições de um processo aleatório. E importante representar também a largura
ó.y do intervalo para definição do evento (Equação 1 ). Por isso, o histograma
é um pouco diferente de um gráfico usual e os valores de Ni, F(y1) ou H(yi)
para cada y; nã.o sã.o representados por pontos, mas por barras paralelas ao
eixo-:11, de comprimento f).y , centra.das em y; , como mostra as Figuras 3 e 4.
Na elaboração .de um histograma deveriam ser observadas algumas regras
discutidas a seguir.
Conforme a Equação 7, a quantidade

(18)

é uma aproximação experimental para a função de densidade de probabilidade.

Por isso, na elaboração de um histograma a quantidade H,,(yi) é a mais
conveniente de ser utilizada, porque ela pode ser comparada díretamente oom
a função de densidade de probabilidade H(y) para o processo aleatório.
Um outro problema envolvido na elaboração de um histograma é a escolha
do intervalo . b.y. Evidentemente, /).y deve ser escolhido o menor possível.
Entretanto; diminuindo f)..y, diminui também a frequência N,. Para cada
y; fixado, existe uma probabilidade definida Pi de que ocorra um resultado
y no intervalo { y; ; t:i..y } • Se o númel:o de repetições do processo é mülto
grande ( N > > 1 ) e se P; é uma probabilidade pequena ( P; < < 1 ) ,
então o resultado N; deve seguir um.a distribuição de Poisson 2 • Para esta.
distribuição, a incerteza é (J"Ni ~· ..;N":. Assim, quando N; é da ordem de 10
ou menor, existe uma grande incerteza no valor verdadeiro Nm correspondente
(da ordem de 30 % ou maior). Isto é, ocorrem :flutuações muito grandes nos
valores N;. Por isso, o intervalo /).y deveria ser escolhido de forma que N(y;)
seja no mínimo da ordem de 10.
Um outro detalhe a ser observado na elaboração de uin histogr~à. é a
escolha dos valores y; ( centros dos intervalos), que deve ser tal que um deles
coincide com o valor médio obtido para os resultados. Devido à simetria
esperada. para a função de probabilidade3 , esta escolha dos intervalos faz com
que_ os valores H,,(yi) correspondam mais exatamente à média de H(y) em
cada. intervalo.
2Ver Capítulo 1 da Referência 6.
3 Admitindo que esta função é simétrica, pelos menos aproximadamente.

37
 Exemplo 1. A distância focal y de uma lente divergente foi medida
por meio de um método bastante indireto, resultando grande :flutuação es-
tatística nos valores resultantes para y. A experiência foi repetida 60 vezes e
os resultados yj (N ~ 60) que são mostrados na Tabela 1. ·

. Tabela 1. Valores obtidos para y em ID.m·

204 206 208 210 211 218 219 222 222 223
".
2'},7 . 229. 230 232 235 235 235 235 237 237
237 237 238 238 2~9 239 239 239 239 240
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
·O valor médio é dado por (12)

1 N
'fj= N LYi = 243,05mm.
j=l

O desvio padrão u ·da distribuição de resultados é dada por (Seção 5)

._.N ( * -)2
Yi - y - 19
(J = Lj=l
(N-1) - mm.

O comportamento dos resultados é mostrado no histograma da Figura 3

para as quantidades He(Y;), dadas por (18) :

onde é a frequência de -cada y., isto é, o número de resultados yj no intervalo

correspondente~ .
A quantidade He(Y) se compara diretamente com a função de densid,ade
de probabilida,de H(y). Admitindo que esta função é gaussiana, a ex.pressão
exata (14) pQde ser aproximada. por

G(y) = -l - e-11.(ti)•
.. ,
uv'f;
onde 'fi e " são os valores calculados acima. Evidentemente, trata-se de
uina aproximação de (14) pois o valor médio verda.dei~o µ. e o desvio padrão
verdadeiro nã.o. sã.o conhecidos.
 F(v;) X 100 mm-1 • ~ Gaussiana
A11
µ =
(243,l ±2,5}mm
3.0 <T = 19 mm

2.0 •
•
1.0 • •
• •
o.o
200 220 240 260 280 y(i:nm)

Figura 3. Histograma para os dados da Tabela 1, com ó.y = lOmm.

B.lfil
Ay
x 100 mm-i.
4.0
• -+ Gaussiana.
µ = (243,1 ±2,5)mm
3.0 <T = 19mm

•
• • • •
2.0
• •
LO
•
• • .•
.

• •
o.o • •
200 220 .240 260 280 y(mm)

Figura 4. Histograma correspondente aos·dados da Tabela 1. Neste caso,

o intervalo escolhido ( f:t.y = 5 mm) é pequeno, resultando poucos eventos em
cada intervalo e o histograma é bastante "quebrado".

39
 No histograma da Figura 4, a escolha do intervalo é um pouco inadequada
= 5 mm), pois o número de eventos em cada intervalo é menor que 10.
( !}..y
Resultam grandes flutuações nas frequências N;, e assim, nos valores de He(y1).
Por isso, o histograma resultante é bastante "quebrado" e, se D.y fosse menor,
o histograma se tornaxia incompreensível.

7.5 Justificativa para a função gaussiana

A função gaussiana é amplamente utilizada para descrever erros experimentais.
Por isso, é também chamada função normal de erros.
A distribuição gaussiana foi deduzida por K.F. Gauss em 1795. Outras
deduções foram apresentadas posteriomente, tal como a de P.S. Laplace em
1812. Essas deduções são importantes fundam~ntos matemáticos, que aju-
dam a entender porque as distribuições de erro tendem a ser gaussianas. En-
tretanto, nenhuma delas demonstra que erros experimentais sigam uma dis-
tribuição gaussiana4 : Verifica-se experimentalmente que a grande maioria dos
erros seguem uma distribuição gaussiana com boa aproximação, da mesma
maneira se verifica que, em certos casos, a distribuição de erros pode ser dife-
rente da distribuição gaussiana.
Uma justificativa matemática da função gaussiana como distribuição de
erros é encontrada no Teorema Central do Limite, em sua forma mais geral5 .
Numa linguagem bastante simplificada e adaptada ao problema em questão;
este teorema pode ser enunciado como:

Erros aleatórios independentes 7Ji, 712 , • · · e -1/q são admitidos como

tendo distribuições de probabilídade quaisquer com variâncias finitas e tais
que nenhum 'T/i particular é muito maior que os demais. Nestas condições,
se o erro total é 'T/ = 771 + ry 2 +···+1/q, então, -a distribuição de erros para 1f
converge para uma distribuição gaussiana, no limite q ......, oo .

Em resumo, se o erro total '1 é a soma de muitos erros elementares 7]1 que
têm distribuições quaisquer com variâncias finitas, a distribuição de probabi-
lidades para '1 é gaussiana..· Na prática, a superposição de poucos erros com
distribuições quaisquer, resulta numa distribuição gaussiana com boa aproxi-
mação, Por exemplo, para a.penas 3 erros com distribuições retangulares, a
distribuição para a soma é uma distribuição gaussi~a com boa aproximação6 .

4 Gera.lmente
não é poasivel garantir que, na prática, sejam satisfeitas as hipóteses admi-
tidas nas demonstrações doe teoremas matemáticos.
3
Uma. ve~ão mais geral do Teorema do limite central é o Teorema de Lindenberg-Feller.
6
Ver Exemploa da Seção 3.4 da Referência 6.

4-0
8 Propagação de incertezas
Se uma grandeza w é calculada em função de grandezas x, y , z , ...
que têm erros, então w também tem erro, evidentemente. As expressões que
permitem calcular a incerteza em w são apresentadas nesta seção, apenas
para o càso em que os erros nas grandezas x, y, z, .... são completamente
independentes entre si.

8.1 Fórmula de propagação de incertezas

Uma grandeza w que é calculada como função de grandezas independentes
x , y, z , ... , pode ser representada por
w = w(x, y, z, ... ).
As grandezas x , y , z , . . . são admitidas como grandezas experimen-
tais, sendo O"r, ay, O"z, ••. as incertezas padrões correspondentes:

Se os erros nas variáveis X ' y , z , . . . são completamente i~dependentes

entre si, a incérteza padrão u,,, é dada em primeira aproximação por1 ·

(1)

onde as incertezas O"x, (]"'li' a-,, ... devem ser completamente independentes
entre si. Por exemplo, se x e y são medidos com um mesmo instrumento,
os erros e portanto, as incertezas, não são mais tompletamente independentes
entre si.
Se os erros nas variáveis não são completame:p.te independentes entre si, a
expressão acima é incompleta. Neste caso, a expressão geral para a incerteza
tem termos adicionais que envolvem as chamadas covariâncias. A definição
de covariância, bem como a expressão geral é apresentada nas Referências 6,
1O e 11, por exemplo.
No caso de uma única variável x , a Eq~ação 1 se reduz a
2
O'w = (dw)z
-d ªx2
ou a.,, dw j
= 1 -d <I,,,. (2)
X · X
Deve ser observado que O"x e o-..,, são quantidades positivas, por definição.
Assim, deve sempre ser considerada a raiz positiva de u! , isto é,

o-,,,= +,,;;i:,.
1A demonstração é apresenta.da. nas Referências 6, 10 e 11, por exemplo.

41
 Exemplo 1. O volume de um cilindro pode ser determinado medindo-se
diretamento o comprimento L e raio R. O volume V é calculado por

V = 1r LR2 .

Uma vez que R e L têm erros experimentais, é evidente que o volume V

também tem erro, pois é calculado a partir de R e L .
A relação entre as incertezas é dada pela Equação 1 :

onde CTL e <1R são as in..;ertezas em L e R, respectivamente. Neste exemplo,

é admitido que estas incertezas são independentes entre si. Entretanto, deve
ser observado que, se L e R são medidos com o mesmo instrumento, estas
incertezas podem não ser independentes e a expressão acima não é correta.
Calculando as derivadas parciais,

ôV = R2 ôV
ôL
7r e
ôR
= 1í L (2R),
obtém-se

A expressão acima é um pouco· inconveniente para se calcular crv. Neste

caso pa:.rticular, é possível obter uma expressão mais simples dividindo os dois
lados da equação por V 2 = (?r LR2 ) 2 , resultando

Assim, em termos das incertezas relativas

ov
e:v = -V ' e

obtém-se
e:v = + ~ e:l + 4 êh .
Neste caso, o cálculo da incerteza ov ou de iv fica bastante simplificado.
Entretanto, nem sempre é possível obter uma expressão simples como esta,
que envolve somente as incertezas relativas.

42
8.2 Fórmulas de propagação em alguns casos
Soma ou subtração de variáveis: w = x ± y ± z ±

ôw .· &w âw
- - 1
8x - ' ôx = ± 1 ' ôx
= ±1,
Substituindo em (1 ), obtém-se
(!2
w = (!2
:e
+ 0'2y + <T2z +
Deve ser observado que as variâncias sempre são somadas, mesmo no caso de
subtração das variáveis. Por exemplo, se = y, ~ =w x- + u; a; .
Relação linear: w = a x +b
Admitindo que a e b são constantes isentas de erro ou com erros desprezíveis,
somente a variável x é considerada para cálculo da incerteza.
dw
- =a.
dx
Substituindo em (2), obtém-se
ou 17w = 1a1 a,,.
Deve ser observado que O'w e <Tx são quantidades positivas por definição.
No caso em que b =O, w = ax e a expressão para Uw pode ser simplificada
dividindo-a por w = ax. Assim, para w = ax resulta

ou

Entrefanto, deve ser observado que no caso, w = a x +b ( b =/:. O), esta

simplificação não é possível.

Produto ou razão de variáveis : w = axy ou w =a!:li

No caso de produto de variáveis,

ôw ôw
- = ay e = ax.
ax ây
Substituindo na expressão (1) e simplificando, obtém-se
( l'Jw )2 = (°'")2 + ( 731)2.
W X y
Este mesmo resultado vale para o caso w = x/y.
43
. Produto de funções: w = a xP yq
Substituindo as derivadas parciais na expressão (1), obtém-se

Dividindo os termos por w 2 = (a xP yq ) 2 , obtém-se

Este resultado pode ser generalizado para qualquer número de variáveis.

Função trigonométrica: w = a sen x

dw
= a cos·.r (para x em radianos) .
dx

Assim,
O'w = 1 a cos X 1 O'x (para ·x em radianos) .

Esta fórmula é válida somente para CT,, em radianos, pois a expressão para
a derivada só vale neste caso. A Tabela 1 mostra exemplos de expressão da
incerteza para outras funções trigonométricas.

Função logarítmica: w = logª x

dw = _l (I_)
lnx d ln X
(w = e = I_).
dx lna x lna dx X

Assim,
("')2 1 I
ª2
"'
= (-l-)2
lna x
ou r:rw = 11-.-.
na x
-. O'x

Para o caso w = ln x, basta considerar ln a = 1 nas expressões.

É interessante observar que a incerteza (absoluta) em w está diretamente
relacionada com a incerteza relativa em x .
A Tabela 1 resume as fórmulas de propagação de incertezas para os casos
mais comuns. Os par~metros a , b, m , p e q são supostos isentos de erro.

44
 Tabela 1. Exemplos de fórmulas de propagação de erros.

1 w = w(z, y, · ) 1 Expressões para <1w

w= X± y ±··· (12
w = (12
:r: + u2
!/ + ...

w = xm q"' =I mxm-1 1(1'"' ou l~l=lm71

w = ax Uw =Ia! Ux ou 1~1=171

w = ax + b O'w =Ia J Ux

w = axy (1'2
UJ
-- (ay) 2<J"; + (ax)2a; ou (~) 2 = (7)2 + (~)2

·.--=
~ ~

w = a E.
!/
qZ
"'
= (!.)2
!/
(12
. 3:
+ (=)2
Y2 q231 ou ((i)2 = ("; )2 -~+ (~~
'-

w = axPy'l u! = (a pxP-l .yq) 2 u; + (a xi' qyq-l )2 u;

ou (~)2 ~ p2 ( ~ )2 + q2 (~ri
li
'
-
w = asenbx qw =I abcos bx 1u:t: , · (bcr:r: ·em radianos)
w = acosbx u.,, =I abseri b~ 1~;, (lxli em rá4ianos)

w = atgbx cf.,, ::1 ab SeC bx 1Uz (b(1':t: em radianos}

w = b log,. X ' a.,, -1

- _!_
ln11 17
'\·
 9 Incerteza numa medição simples
Regras gerais para avaliação da incerteza padrão'no resultado de uma medição
realizada com um instrumento simples, são apresentadas nesta seção. Também
são apresentadas algumas régras gerais para leitura de instrumentos, bem como
exemplos detalhados de avaliação da incerteza padrão.

9.1 Leitura de um instrumento dé medição

Como regra geral, o resultado da leitura deve incluir todos os dígitos que o
instrumento permite ler diretamente, mais um dígito que deve ser estimado
pelo observador.
Por exemplo, na leitura de uma régua graduada em milímetros o resultado
deve incluir também a fração de milímetro que é estimada pelo observador.
No caso de um instrumento digital, se a escala escolhida é bem adequada
. ocorre uma pequena .flutuação no último dígito. Neste caso, o observador deve
estimar o último dígito da leitura com ba.se n,a flutuação observada.

9.2 Incerteza padrão

Uma vez que tenham sido corrigidos ou praticamente eliminados todos os
erros sistemáticos, para os quais isto seja possível, restarão ainda os erros
sistemáticos residuais. O resultado de uma medição será afetado de erros
aleatórios (estatísticos) e erros sistemáticos residuais. A variância <7 2 no
resultado final é obtida somando-se as variâncias correspondentes 1 , isto é,
a2
= a; + cr;, (1)

onde cr;
é a variância estatística e <T; é a variância associada a.os erros sis-
temáticos residuais.

9.3 Incerteza estatística

A incerteza estatística a:e é o desvio padrão do valor médio, que pode ser
obtido repetindo-se a medição várias vezes. Se y é o valor médio para n
resultados, o desvio padrão a e para o valor médio 2 é obtido de
. 1 ' ...
1 ~ 2 1 -2
<T;= (-1)L(y1-w)2= LY· - Y (2)
n n .. •=• n (n - 1) i=l ' (n - 1)

1 Ver Seção 6.1 e Equação 3.

2 Seção 5.4 e resumo.na Se<;ão 6.5.

46
 A rigor, a medição deve ser repetjda por diferentes observadores e em dife-
rentes condições ambientais para reduzir efeitos sistemáticos. Por exemplo, na
leitura de uma régua, podem ocorrer pequenos erros aleatórios de paralaxe,
estimativa. da fração de milímetro e posicionamento do "zero da régua". Em
princípio, estes erros são aleatórios e t.endem a se anular em média.. Mas, se a
medição é repetida várias vezes pelo mesmo observador, os erros tendem a ser
sistemáticos. Por isso, uma estimativa correta da incerteza estatística pode ser
bastante difícil de ser feita. Além disso, em vários casos, esses erros são bem
menores que a incerteza residual de calibração. Em resumo, repetir a medição
muitas vezes, além de difícil, pode ser inútil, em certos casos. Por isso, é
conveniente fazer uma estimativa da incerteza estatística, conforme método
explicado a seguir. Esta estimativa pode ser útil para decidir se a incerteza
estatística é desprezível ou se é necessário repetir medições.

9.3.1 Estimativa grosseira da incerteza estatística

Para distribuição gaussiana de erros, a probabilidade de que o módulo do erro
seja. menor qué 3 cre é 99, 7 %. Existe uma probabilidade pequena ( 0,3 % ou
l caso em 333) de ocorrer um resultado fora da faixa com largura Lt ~ 6 ªe·
Por isso, pode-se considerar Lt ~ 6 O"e, como a 'largura total da gaussiana,
aproximadamente. Todos os resultados devem estar dentro desta faixa (para
n da ordem de dezenas de medições). Assim, é possível estimar grosseira-
mente a incerteza estatística, quando for possível estimar uma faixa máxima
de flutuação ( Lt) para os resultados:
Lt
a, = 6 (3)

Mas deve ser sempre lembrado que este procedimento permite obter apenâs
uma estimativa grosseira para ae. No Exemplo 1 da Seção 7, a faixa de
flutuação dos valores é Lt = (289 - 204)mm = 85mm. Assim, resulta. a
estimativa, O"e,..... 85/6 = 14mm. O valor obtido pela Equação 2 é ae = 19mm.
A leitura de uma régua é discutida no Exemplo 1, a seguir.

9.4 Incerteza sistemática residual

Em geral, um limite de erro sistemático residual pode ser determinado a par-
tir de uma cuidadosa aná.lise de todos os fatores que podem introduzir erros
sistemáticos na medição. A variância cr~ associada aos erros sistemáticos
residuais pode ser obtida a partir do limite de erro sistemático residual Lr.
3 Ver Figuras 1 e 2 da Seção 7.3.

47
 Como regra geral, pode-se admitir distribuição gaussiana para os erros4 e
admitir que o limite de erro sistemático residual tem um nível de confiança de·
~ 95%,. Nestas condições, pode-se usar a Equação 5 da Seção 6.3: ..
z L~
ou O'
T
= -4 (4)

Se existem vários erros sistemáticos c1 , Cz. , • • ( desconhecidos ) , o erro

sistemático total é e = ei + ~ + .. . . Admfündo erros independentes entre
si, usa.rido a fórmula para propagação de incertezas ( s~ção 8.1) .obtém-se:

er; = 0"~1 + 0"~2 +O'~+···• (5)

onde O-ex, o-c2 , o-c3, .•. são as incertezas sistemáticas residuais correspondentes
aos erros sistemáticos c 1 , c2 ..•.

9.5 Erros de calibração

O erro sistemático mais comum que afeta o resulta.d~ de uma medição realizada
diretamente com um instrumento é o erro de calibração.
O limite de erro de calibração de um instrumento deve ser !ndicado pelo
fabricante que é o responsável, não s6 pela construção, mas também pela
calibração do instrumento. O limite de erro de calibração de um instrumento
comercial é geralmente indicado em manuais fornecidos pelo fabricante. Assim,
a regra básica para determinar o limite de erro de calibração consiste em
consultar o manual do instrumento ou o próprio fabricante em caso de dúvidas.
Entretanto, no caso de instrumentos análogicos mais simples, o limite de erro
pode ser estimado a partir da seguinte regra:
O limite de erro de calibração de um instrumento analógico pode ser admitido
como a menor divisão ou menor leitura explicitamente.
Mas esta é apenas uma regra geral para estimar o limite de erro, na falta
de informações mais detalhadas sobre o instrumento. No caso de instrumentos
digitais, o limite de erro é usualmente bem maior que a menor leitura. Isto
pode ocorrer também com instrumentos analógicos, tal como no paquímetro .
com nônio de 50 divisões.
Em geral, pode-se atribuir ao limite de erro de calibração Lc, um nível de
confiança ,...., 95 % e, conforme a Equação 4,
1 . .
O"c = 2Lc. (6)
4
Eventualmente é usada. uma distribuição retangular ou triangular, ~mo. discutido na
Referência 1. O assunto também é discutido nas Seções 4.5, 7.7, 9.3 e 9.4 da Referência 6.

48
 Se o erro estatístico é desprezível e não existem outros erros sistemáticos
significativos, além do erro de calibração, q,. ~ <1c e

<1 . I0"2e
= V + "2
r ~ ue = ! L e• (7)
2
Assim, resulta como regra gera.! que a incerteza padrão na medição é a
metade da menor divisão ou menor leitura do instrumento, se o erro estatístico
é desprezível e não existem outros erros sistemáticos além do erro de calibração.
Mas esta é apenas uma regra geral e, conforme já observado, existem muitos
instrumentos que não obedecem a esta regra e apresentam erro de calibração
a
bem maior que menor leitura. Por exemplo, multímetros digitais geralmente
tem erro de calibração que é bem maior que uma unidade no último dígito in-
dicado, como mostra.do no Exemplo 4, a. seguir. Além disso, deve ser lembrado
que podem existir erros aleatórios comparáveis, ou mesmo, bem maiores que
o erro de calibração. Em qualquer destes casos, a regra de adotar a rrietàde
da menor divisão como incerteza resulta em incertezas subestima.das.

Exemplo 1. Leitura de uma régua.

Na Figura 1, a leitura indicada diretamente é 217 mm e a fraçã.Ó de milímetro
pode ser estimada com.o O, 3 mm. Assim, o resultado é· 217, 3 mm.
O erro de calibração se deve à calibração inicial da régua e também a efeitos
de dilatação térmica:, deformação e outros fatores. Admitindo o _limite de erro
de calibração Lc como a menor divisão da régua.:
resultando u e = Lc / 2 ~ O, 5 mm.

Podem existir também pequenos erros aleatórios tais como erro de patà-
laxe na leitura, erro de avaliação da fração de milímetro, erro de poskio:rià·
mento do "zero da régua". É razoável admitir que, devido a esses erros; a
máxima "variação" das leituras feitas por diferentes observaàores não seja.
maior O, 5mm :
Lt
Lt ,...., 0,5mm e Oe ,..., 6,...., O,lmm.

A incerteza padrão no resultado pode ser obtida pela Equação 1:

u = Jo; + u~ ~ 0,5mm.
Como pode ser visto, a incerteza estatística. ae é desprezível para. a. incerteza
final e não importa muito o fato de que a. estima.tiva para u., seja bastante gros-
seira. O resulta.do da ~edição pode ser escrito como y = (217, 3 ±O, 5) mm.

49
 20 21 22 23. 24 25
. "

•1•111111!1111l1111l1111 l1111I,,,,h,,11,,,,11111!111111111!

'!!

·I
Figura 1. Leitura de uma régua graduada em 'f!lilímetros.

Deve ser observado que estas considerações valem para réguas de muito
boa qualidade (geralmente metálicas), que podem ser entendidas como ins-
trumentos de medição. Uma régua plástica comum não é exatamente um
"instrumento de medição" e as considerações anteriores não se aplicam.
. ·Outra observação- se refere ao limite de erro para pequenas distâncias Por
exemplo, pode-se considerar que para uma leitura tal como y = 7, 4 mm, feita
cozr:t uma régua de boa qualidade, o limite de erro é bem menor que 1 mm.
A questão não é relevante, porque distâncias até cerca de 150 mm não devem
ser medidas com régua, mas com paquímetro ou micrômetro.
Este exe~plo de leitura de uma régua é simples, mas importante, pois
o método se aplica à leitura de qualquer escala analógica simples, tal como
a goniómetros, multímetros analógicos, cronômetros analógicos, termômetros
analógicos, osciloscópios e outros instrumentos analógicos.

9.6 Funcionamento do nônio (ou vernier)

Nas escalas mostradas na Figura 2, 10 divisões da escala do nônio são iguais
a 9 divisões da escala principal (régua), de forma que

10 Un = 9 'U ou Un = 0,9u
Se a marca da n-ésima divisão do nônio coincide com a marca da n-ésima
divisão da régua, então
ô + nun = nu
Assim,
. u
ô = n(O,lu) =n 10
(8)
Esta relação é o princípio de funcionamento do nônio, que permite fazer a lei-
tura ô da fração da menor divisão u de uma escala analógica, como explicado
no Exemplo 2, a seguir. Avaliando n, fica detertninado o valor de ô.

50
 jo 1
1
2 3
! l• Un,,
4 5
1
6 .7
1 1
8
1
9
1
ltl nônío

1
1
1
2
Fu""í4
3
1
5
1 1 1 1 1 régua
6 7 8 9 10

'º 1 2 3 4 5· 6 7 8 9 lOr nôRio

Wº 1
1

l
1
Fu44
I• Un,I

1
1 1
1
1
l
1
1
1
1
1
1
.

régua
1 2 3 5 6 7 8 9 10

'º t'igura 2 Funcionamento do nônio (ou vernier).

y nônio
o 1 2 3 4 5 6 7 8 9· '10

o 1 2 3 4 5 6 7 8 9 10 11
mm
Figura 3. Paquímetro simples com nônio de iO divisôes.

Exemplo 2. Paquímetro com nônio de 10 divisões.

A Figura 3 mostra como exemplo as escalas de um paquímetro simples com
nônio de 10 divisões e graduado em milímetros.
No caso mostrado na figura, nenhumamarea do nônio coincide exatamente .
com marca da régua, mas a coincidência mais próxima é para. o "7" do nônio .
(com "9" da régua). Assim, o primeiro algal'.ismo da fração de àivisão é 7.
Se o "7" coincidissé exatamente com o "9" da régua, a leitura do nônio seria
e
é = O, 70 mm. No caso, isto não ocorre o alga.rismo seguinte pode ser esti-
mado escolhendo algum algarismo de 1 a 9 , conforme o grau de coincidência
entre as marcas. Pelo grau de proximidade entre o "7" e o "9", pode-se escolher
o algarismo 3, por exemplo, e a. leitura do nônio é 8 O, 73 mm . O resultado =
final da medição é y =
2, 73 mm .

51

..
 O limite de erro de calibração é a menor leitura explicitarnent.e indicada,
isto é, Lc = O, 1 mm. Assim, O'c = Lc/2 = O, 05 mm.
No caso mais simples, em que a distância medida é muito bem definida e
não existe dificuldade de alinhamento ou outros erros, a "variação" máxima
das leituras feitas por diferentes observadores ( Lt ) , é seguramente menor que
O, IOmm { L 1 <O, IOmm). Assim, O',,...., Lt/6 «0, 02mm.
u = jO'; +a;~ 0,05mm e y = (2,73 ± 0,05)mm,
Neste caso, incerteza estatística de leitura é desprezível ( a 0 < O, 02 mm). En-
tretanto, deve ser observado que o erro estatístico pode ser significativamente
maior, dependendo das condições da mediçã.o. Medições com um paquímetro
sempre devem ser repetidas algumas vezes, de preferência por diferentes oh··
servadores. Se for constatada uma flutuação grande nos resultados, devem
ser feitas, pelo menos 10 medições, para avaliação da incerteza estatística,
conforme Equação 2· da Seção 9.3.

Exemplo 3. Paquímetro com nônio de 50 divisões.

A menor leitura explicitamente indicada é {l /50) mm = O, 02 mm. O limite de
erro de calibração pode ser admitido como a menor leitura (Lc = 0,02mm ).
Para um paquímetro comum, este limite de erro pode ser entendido como
pouco confiável, devido à dilatação térmica, deformação e folgas nas réguas.
Neste caso, é difícil atribuir nível de confiança de 95 % ao limite de erro. Neste
caso, é melhor admitir <Te ~ Lc = O, 02 mm .
. · Medições com um paquímetro de nônio de 50 divisões sempre devem s~r
repetidas cerca de 10 vezes, de preferência por diferentes observadores, para
avaliação da incerteza estatística, como discu_tido na Seção 9.3. Isto porque.
neste caso, a incerteza estatística é sempre comparável ou maior que a incerteza
de calibração. Assim,

9. 7 Instrumentos digitais
Instrumentos digitais fornecem leitura direta dos algarismos correspondentes
à medição. Em· certos casos, ocorre ftutUação no. último alg~ismo (ou nos
últimos). Nestes casos, o observador deve estimar o último algarismo.conforme
a flutuação observada.
Para conhecer o limite de erro de calibração de um instrumento digital,
o único procedimento aceitável é consultar o manual do instrumento, pois o
limite de erro é maior que a menor leitura do instrumento, em geral.

52
. Exemplo 4. Voltímetro digital comum.
Na medição da tensão E nos terminais de uma pilha com um voltímetro
digital, o instrumento indica

[[] [[] []] [KJ em volts,

onde o algarismo X flutua entre 1 e 7. Assim, o último algarismo pode
ser estimado como 4. A :flutuação estatística das leituras têm uma variação
máxima Lt,..., O, 006 V. Assim, conforme discutido na Seção 9.3.1,

ae ,...., iL ,. _; O, 001 V.
Conforme o manual do fabricante, a acurácia de-0,8 % + 1 dígito (no último
algarismo). Assim,
0,8
L e= ( lOO 1,583 + 0,001) V= 0,014 V (uc =~e= 0,007V).
Portanto, como pode ser visto neste exemplo, o limite de erro de calibração
é bem maior que a menor leitura do instrumento (O, 001 V ) .. A: incerteza
estatística ue é deprezível e a incerteza padrão pode ser estimada pela Equa-
ção 7 como a~ uc = 0,007V.
O resultado da medição pode ser escrito como E = ( 1, 583 ± O, 007) V.

Exemplo 5. Cronômetro digital.

Um cronômetro digital, disparado e parado manualmente, indicou
1 17 ' 11 23 " J [].[] (minutos, segundos e centésimos).
Para um bom cronômetro, a menor.leitura ( 0,0.1 s) pode ser considerada como
limite de erro de calibração, para tempos curtos, da ordem de minutos 5 •
O melhor procedimento para determinar a incerteza estatística consiste em
repetir a medição várias vezes, calculando a média e o desvio padrão para a
média (Seção 9.3 ). Em certos casos, só é possível uma única medição6 e a alter-
nativa é estimar a incerteza estatística. Por exemplo, pode-se considerar que,
se fosse possível repetir. a cronometragem muitas veies, a "variação" máxima
dos resultados seria séguramente menor que 1, Os ( Lt ,...., 1, Os). Conforme
Seção 9.3.1, resulta O"e ,...., Lt/6 ~ O, 17 s. Neste caso, a incerteza estatística é
bem maior que a incerteza devida a calibração do cronômetro .
5 Um bom cronômetro pode ser consid~rado uma exceção à regra geral para instrumentos

digitais, que geralmente têm erros de calibração maiores que a menor leitura.
6 Cronometragem de evento único, tal como tempo de queda de um prédio implodido.

53
1O Método de máxima verossimilhança
O método de máxima verossimilhança 1 é discutido nesta seção. Como exem- .
plo, é mostrado que a melhor aproximação para n medições não similares de
uma grandeza y é uma média ponderada pelos pesos estatísticos dos resulta-
dos. Nesta seção, é admitido que todos os erros podem ser considerados como
erros aleatórios (estatísticos).

10.1 Método de máxima verossimilhança

No caso de uma grandeza experimental submetida a medição; os objetivos da
~~oda de .
. erros oodem ser resumidos em

• obter a melhor aproximação ou melhor estimativa y para a grandeza a partir

do conjunto disponível de dados experimentais.
• obter a incerteza padrão (J'Y para a melhor aproximação y.
O problema de obter a melhor aproximação y não tem solução imediata,
pois é necessário um critério para definir objetivamente o que é "melhor apro-
ximação". Um critério geral2 é o chamado método de máxima verossimilhança
que pode ser enunciado como segue:
A melhor aproximação. y que pode ser extraída de um determinado conjunto .
de dados experimentais é o valor y para o qual o conjunto de dados em questão
é o mais verossímil possível.
A idéia envolvida no método de máxima verossimilhança é a de admitir
que ocorreu o tinha maior probabilidade de ocorrer. Evidentemente, as coisas
podem ter ocorrido de maneira bastante diferente. Mas admitir que realmente
ocorreu o que era mais provável, certamente é o melhor que pode ser feito.
Matematicamente, o método permite obter a melhor aproximação y, subs-
tituindo o valor verdadeiro Yv por y: n.a distribuição de erros e determinando o
valor de y que torna máxima a probàbilidade de se obter o conjunto. de dados.
Assim, se a função de densidade de probabilidade é conhecida., o método de
máxima verossimilhança reduz o problema. de obter a melhor aproximação y
a um probJ~ma. de cálculo para determinar o "máximo" de uma função.

1 "Método de máxima verossimilhança'' é a expressão adotada na Referência 10 para

tradu~ão de "maxiÍ:num likelihood méthod": ·

2 Ver Referências 10 e 12, por. exemplo. Os assuntos desta. seção e da próxima. são apre-

sentados de maneira. detalhada nas Referências 6, 10, 11, 12 e 13, por exemplo.

54
10.2 Melhor aproximação para n resuliados de medições
não similares de uma grandeza
Um problema importante é o de obter a mélhor aproximação para n resul-
tados de medições não similares de uma grandeza y. Por medições não simi-
lares entende-se medições feitas por diferentes observadores, por métodos di-
ferentes e instrumentos não similares, de forma que a distribuição de erros é
independente para cada medição. Ao resultado Yi de cada medição pode ser
associada uma incerteza padrão u; diferente:
Yl -+ U1 , Y2 -+ 0"2 ' Y3 -+ 0"3' ••• ' Yn -+ U'n'
onde as incertezas são completamente independentes entre si. Isto equivale
a dizer que não existem erros sistemáticos comuns associados às diferentes
medições .. Admitindo distribuições gaussianas para os erros, a probabilidade
P; de se obter um resultado qualquer y; é dada por ( Seção 7 )
_ l ( 11;-11mv )2
P; = C; e 2
"' , (1)
onde Ymv é o valor verdadeiro da grandeza e C; é uma constante. A proba-
bilidade P de se obter o conjunto de n resultados é dada pelo produto das
probabílidades3 :
(2)
onde C = C1 C 2 •. ·. , Cn . Conforme o método de máxima verossimilhança,
a probabilidade P deve ser máxima para a melhor aproximação. y, se esta
melhor aproximação é admitida como sendo o valor verdadeiro. ~ssim, subs-
. tituindo Ymv por y em (2), obtém-se

onde (3)

A condição de "máximo" ocorre para o valor de· y tal que

dP = O ou (-!.). e-tx2 d(x2) = O
dy . 2 dy
2
Portanto, dx 2 / dy deve se. anular. Observando a expressão para i<. em função
de y, pode ser visto que é uma parábola çom concavidade para .cima, e
portanto, tem um único m{nimo. Isto é,
d(x2) = o e x2 deve ser mínimo. (4)
dy
ªUm resumo sobre Teoria de Probabilidades é apr-tado na Referência 6, por exemplo.

55
Calculando a derivada, obtém-se

d(x2) = (-2) t (y;-:y) = n y·

c-2H:L ~ - v :L 2
n 1
l =o.
dy i=l ª• i=l O"; i=l O';

E assim, resulta

'\'n 1 ou y =
Li=I p;y; (5)
..
L.-i=l d{ Ei=1 p; .
Isto é, a melhor aproximação y é a média ponderada dos resultad'os y; , onde
os pesos são dados por
1
Pi = z·O'·
(6)
•
Por isso, a quantidade p; é chamada peso estatístico de y; (medição i ).
A incerteíla. (J'Y na melhor aproximação y, pode ser obtida diretamente de
(5), usando a fórmula de propagação de incerte:::as (Equação 1 da Seção 8 ),
pois y é urna quantidade calculada em função de yi, y 2 , • • • , Yn :

az _ (~)2a21 + (~)2cr22 + ... + (~)2 2 = (7)

y - 8y1 8yz 8yn O"~

·onde y é dado por (5). Assim, obtém-se

8y 8 L:i=1 p; Yi pj
8yi = 8yi L:i=1 Pi = L:?:,1 Pi '
onde a única derivada diferente de zero ocorre para i = j. Substituindo os
resultados na expressão (7) e simplificando, obtém-se
1 1
o-; = = (8)
n
Li=I
l
.
'(;'!" L:i=I Pi .

Ex~mplo 1. Medições com uma_ régua e um paquímetro.

A incerteza padrão para medição feita com uma régua é ar9 ~ O, 5 mm. Se a
mesma medição é feita com paquímetro de nônio de 10 divisões, a incerteza
é ªr>il ~ O, lmm. Portanto, o peso estatístico da medição com paquímetro
(ppq = l/a-~9 = 100mm~ 1 ) é cerca de 25 vezes maior que o da medição
com a régua (Pru = l/u~9 =
4mm- 1 ). Isto explica porque, ria prática, não
teria muito sentido levar em conta o resultado obtido com a régua, que seria
simplesmente desprezado. Mo é 1 o resultado da medição com a régua teria
efeito desprezível, tanto na média ponderada (5~, quanto na incerteza (8).'

56
Exemplo 2. Grandeza medida por métodos diferentes.

Uma grandeza G é medida por 2 métodos e instrumentos diferentes, obtendo-

se os seguintes resultados :
G1 = (4, 62 ±O, 12) e G2 = (4,1±0,3),
onde 0"1 = O, 12 e cr2 = O, 3 são incertezas padrões. Desde que os métodos e
instrumentos sejam diferentes para as medições, pode-se supor que os erros, e
assim as incertezas, sejam completamente independentes entre si.
O problema consiste em determinar a melhor aproximação G para .a gran-
deza. A solução do problema é mais complicada do que parece à primeira.
vista. Uma solução seria extra.ir uma média simples de G1 e G2 , mas isto
é incorreto, pois é óbvio· que a medição de menor incerteza deve influir mais
no resultado final. Outra solução seria simplesmente desprezar o resultado de
maior incerteza ( G2 ), mas isto equivale a jogar fora informação disponível.
A solução do problema é dada pela expressão (5):
G = Pi G1 + P2 G2 onde = 2._ ~ 69 e 1
P2=2=ll.
~
Pi+ Pz p
1
o-r <J'2

Como pode ser visto, o peso estatístico da medida G1 é mais de 6 vezes

maior que o peso estatístiéo de G2 •
A incerteza padrão em G é dada por (8) e o resultado final é escrito como:
G :::: (4,55-±0,11).

Exemplo 3. Melhor aproximação em n medições id,nticas.

No caso de medições idênticas de uma grandeza y (realizadas da mesma
maneira, pelo mesmo observador e mesmos instrumentos), as n medições
y1 , y2 , • · · , Yn tem a mesma distribuição .de erros, e portanto, as incertezas
são iguais ( u 1 = =
u 2 = ·· · =
<J'n a). A melhor aproximação y e. a
respectiva incerteza padrão CTy são dadas por (5) e (8), onde as incertezas <J';
e os pesos estatísticos Pi são iguais. Assim, resulta

e
n
Assim, conforme o método de máxima verossinúlhança, a melhor aproximação
que pode ser obtida para um conjunto ·de medições idênticas é uma média
simples dos resultados, conforme admitido na Seção 5.1. Entretanto, deve ser
lembrado que foi explicita.mente admitido para deduzir as Equações 5 e 8 que
os erros são aleatórios e a distribuição de erros é gaussiana. Isto é,·não podem
existir erros sistemáticos comuns associados às diversas medições. .

9-7
11 Regressão linear
O procedimento de ajustar uma Junção a um conjunto de pontos experimentais
é conhecido como análise de regressão ou simplesmente, regressão 1 . O ajuste
de uma reta a um conjunto de pontos experimentais é geralmente chamado de
regressão linear. O ajuste de uma reta y = a x + b a um conjunto de pontos
experimentais é discutido nesta seção.

11.l Equação da reta num plano

A Figura 1 mostra uma retp. no plano X - y , que passa pelo ponto (Xo' Yo)
e forma ângulo fJ coin o eixo-x. Admitindo·que o ponto (x 0 ,y0 ) é um ponto
fixo, a reta é o lugar geométrico dos pontos (x, y) tais que
y-yo
. -- = a
X -Xo
= tgB, (constante) (1)

onde a = tg O é uma constante chamada coeficiente angular da reta. Entre-

tanto, deve ser observado que o ângulo fJ não tein significado geométrico se os
eixos x e y tem unidades Uz e Uy diferentes, como ocorre frequentemente.

y
y

·(y - Yo)

Figura. l. Reta no plano x-y.

1A discussão apresentada aqui é bastante resumida e ·simplificada, se restringindo ao

aj~ste de reta e sem conaidera1 covariância dos parâmetros ou qualidad~ de ajuste. Uma
apresentação mais completa e detalhada está n:as Referências 6, to; 11, 12 e 13, por exemplo.

58
 A Equação l pode também ser escrita como

y = ax +b (2)

onde b = Yo - a xo é chamado coeficiente linear, que é a aitura onde a reta·

cruza o eixo-y. Assim, uma reta que passa pela origem pode ser descrita pela
Equação 2 com b ==O, isto é,

y = ax (b ==O) (3)

Quando a relação entre 2 variáveis y e x é da forma das Equações 2ou

:3, a relação é chamada frnear, pois o gráfico y >< x é uma linha reta.

11.2 Linearização
: '. : l :-. ~ ...

A importância da relação linear não se deve exa:tamente ao fato que muitos

fenômenos em física sejam descritos pela Equação 2. Na verdade, pou.cos
fenômenos podem ser descritos diretamente pela Equação 2. Geralmente, a
equaç.ão, ou equações, são mais complicadas. Entretanto, um artifício simples
é a linearização, que consi~te em modificar as variáveis do problema~de·forma
a obter para essas novas variáveis uma relação linear, tal como a Equação 2
ou 3. A seguir são apresentados alguns exemplos.

Relação do tipo w = czª.

Se w == e zª é uma. função de z, sendo a e e constantes, log w = log(c zª)
ou log w = a log z + log e. Assim,

:!./ == ax + b., onQe y = log t.J , :;:~ = iog z é i;. = log e . {4)

fan termos das novas variáveis x e y, a relação é linear. _.\ssim, o gráfico de

log u; em função de log z (gráfico dilog) deve ser uma reto..

Relação exponencial w = ea z •
Se w = caZ, logw = (loga)z + (iogc) e assim,

y = az +b onde y = log w e b = log e (5)

O gráfico de y = log w
em função de z deve ser uma reta. O papel de
gráfico monolog tem escala vertical feita de tal maneira. que o cálculo de log w
é dispensável.

59
Relações trigonométricas.
Um exemplo é a lei de Snell-Descartes para refração da luz. Se Oi é o ângulo
de incidência de um raio luminoso num meio de índice de refração relativo
n, então sen O; = n sen Br , onde Or é ângulo de refração. É bastante dífiêil
interpretar um gráfico de O, em função de O;. Entretanto, definindo novas
variáveis x e y como

y = sen O, e x = sen Br (6)

alei da refração se reduz a ,Y = ax, onde a= (1/n). O gráfico é uma simples
reta passando pela origem.
Os exemplos considerados são importantes, mas a linearização pode ser
empregada em muitos outros casos. Por outro lado, nem sempre é possível
utilizar esta técnica de linearização. Para ver isto, basta adicionar uma sim-
ples constante à relação exponencial.
A técnica de linearização é importante, pois é bastarite fácil interpretar os
gráficos, ajustar retas aos pontos experimentais e obter as incertezas nos pa-
râmetros a e b ., As incertezas nas novas variáveis x. e y podem ser obtidos
;. :::'i4·~f <!~ ~.1...,ertezas nM variáveis originais w e· z, usando a fórmula. de
propagação de incertezas.

11.3 Conjunto de pontos experimentais

Quando uma variável y é medida em função de uma variável x , os resultados
da,s medições podem ser resumidos como um conjunto de dados representados
por:

onde x; e y; são os resultados e tJ"rci e <Tyi são as respectivas incertezas

expressas na forma de desvio padrã,o. É admitido 2 que estas incertezas são
devidas a erros aleatórios (estatísticos) somente.
Os dados podem ser representados em um gráfico como um conjunto de
pontos com barras de incertezas, que pode ser chamado conjunto de pontos
experimentais. Não é necessário considerar incertezas nas variáveis x e y. A
incerteza i:rri: na variável independente x pode ser transferida pará a variável
dependente y , usando a fórmula de propagação de incertezas. Isto é, a variável
2 Se existir qualquer efeito sistemático residual afetando os pontos, o problema pode ser
bSBtante complicado. Nos casos mais simples, basta excluir a. incerteza sistemática residual
na. avaliação das incertezas o-,,,; e o-11 ;.

60
x é suposta isenta de erro, enquanto que a variável y passa a.ter incerteza
maior, dada por3

onde O';* = ( dy )2 2
(7)
dx. i CT,,,;

O termo CTi é a incerteza transferida para y; devido à incerteza em x; .

Em geral, a função y( x) não é conhecida inicialmente. Assim, a derivada
(dy / dx ); deve ser obtida por meio de estimativa preliminar. Por exemplo, no
caso dê uma relação linear, pode-se obter uma estimativ~ preliminar para a
derivada ( dy /dx) , traçando uma reta a mão.
Assim, o conjunto de dados experimentais pode ser reescrito como

{x1; Y1, 0-1), (x2; Y2, C12), · .. , (x;; y;, <:r;), · · · , (xn; Yn1 CTn), (8)
onde o-; é a incerteza em y; e os valores x; são supostos isentos de erro. Neste
caso, os pontos experimentais no gráfico y x x só têm barras de incerteza
verticais, como mostrado na Figura 2.

+
+

Figura 2. Representação de um conjunto de pontos experimentá.is.

3 Ver Seção 8.6 da Referência 6, por exemplo.

61
11.4 Ajuste de reta
O problema considerado a seguir é o de determinar a melhor reta para descrever
um conjunto de pontos experimentais ou, em outras palavras-, ajustar uma reta
aos pontos experimentais. A equação geral da reta é

·y=ax+b (9)

e assim, o problema consiste em determinar os parâmetros a e _b correspon-

dentes à reta mais adequada ao conjunto de pontos experimentais.
Um critério geral para definir o que é a melhor reta é o método de má-
xima verossimilhançà4 • Conforme este método, a melhor reta para descrever
o conjunto de pontos experimentais é a reta que, se admitida como a reta
verdadeira, torna máxima a probabilidade de se oPter o conjunto de pontos
em questão. Assim, o problema consiste em determinar os coeficientes a e b
que tornam máxima a probabilidade de se obter o conjunto de pontos.
Admitindo que as distribuições de erros são gaussianas, a probabilidade P;
de se obter um resultado (x;;y;,u;) é dada por
· _ ! ( Y1 -Y11j )2 .
P; = C;e 2 .. , , (10)

onde C; é uma constante e y~; é valor verdadeiro correspondente a y; . A

probabilidade de se obter o conjunto de resultados (8) é dada pelo produto
das probabilidades para cada resultado :

(11)

onde C = C1 C2 ... Cn . Conforme o método de máxima verossimilhança, os

valores verdadeiros y.,; podem ser substituídos por Ymi = a x; + b. Assim,

ondé X2 = t (y; - Ymi)2 (12)

i=l O";

Os parâmetros a e b devem ser tais que tornam P um máximo. Matemati-

camente, isto. significa .

4 Ver Capítulo 10 e Referências 6, 10, 11 e 12, por exemplo. As deduções que seguem

foram bastante resumidas, mas são apresentadas de maneira mais detalhada. e com a mesma
notação, na. Referência 6.

62
 Assim, deve-se ter
ôx2 . âx2
-f) a =o e -ôb =o (13)
2
Portanto, X como função 5 de a e b deve ser um mínimo, uma vez que p
deve ser máxima e é função decrescente de x2 • Em seguida, é discutido o caso
de ajuste de reta quando as incertezas u; são iguais e depois, o caso geral.

11.5 Ajuste de reta para incertezas iguais

Em certos casos, as incertezas a; são iguais ou são desconhecidas mas podem
. ser admitidas como iguais :
0-1 = 172 = · ·· = 17; = O'n - (j. (14)
Substituindo 17; = /7 em (12), obtém-se
2
X = -172
s onde S =
n
L (Yi - Ymi )2 . (1.5)
i=l
A quantidade S é a soma dos quadrados dos desvios entre os resultados y;
e os valores correspondentes Ymi na reta procurada. Uma vez que x2 deve
ser mínimo, então esta soma também deve ser mínima.. Resumindo, quando
as incertezas são iguais, a melhor reta para descrever os pontos experimentais
deve ser tal que a soma dos quadrados dos desvios S é mínima. Por isso,
este método para determinar a melhor reta é usualmente cham;;,do método dos
mínimos quadrados. A expressão é usada também nó caso em que as ·incertezas
17; não são iguais.

Substituindo Ymi = a y; + b na expressão e impondo a condição de mínimo

para. S , obtém-se
as n
L
= ( -2) x; (y; - ax; - b) =o (16)
ªª
as = ( -2)
i=1
n
L (y; - <LX; - b) =o {17)
8b •=l.

Assim, obtém-se para a 'e b as equações

n. n.
<í:
i=l
xn ª+CE x;)b =
i=l i=:l
(18)
n. n n.
CE xi) a + CE 1) b = (Í: y,)
i=':l
(19)
i=1 i==l

5 Leia-se como "qui-quadrado" ..

63
Resolvendo as equações, obtém-se
1
a = Á ( Su S:ry Sx Sy) (20)
1
b = ll, ( Sx2 Sy Sx Sxy) (21)

onde
n n n
Su = L:1 = n, Sx = L:x;, Sx2 = L: X~
·'
i=l i=l i=l
n n
Sy = I: y; Sxy = I: X; Yi (22)
i=l i=l
e
D. == (Se Sx2 - s;) (23)
ti'.: 1 1 = n foi indicado por sa porque, com esta notação as Equações 20,
21 e 23 ficam semelhantes às equações para o caso geral de ajuste de reta.
As incertezas são obtidas diretamente das expressões acima pela fórmula.
de propagação de incertezas da Seção 8. Os parâmetTos a e b são entendidos
como funções das quantidades y; e respectivas incertezas u;. Assim,

2 = .~ ( Ôa )2 2 2 _ ~ ( ôb )2 2
O"a L.J Ô .
i=l y,
cr, e O"b - L.J
i=I
&Yi O"; (24)

Calculando as derivadas parciais e simplificando, os resultados podem ser es-

critos como
e (25)
As Equações 20 e 21 fornecem a melhor aproximação para os parâmetros
a. e b, conforme o método dos mínimos quadraâos. As incertezas 6 correspon-
dentes são obtidas pelas Equações 25.

11.5.1 Incertezas iguais e desconhecidas

No caso em que as incertezas podem ser consideradas iguais, mas são des-
conhecidas, a incerteza (a ~ r:r; ) pode ser estimada a partir do. valor esperado
para x2 • Se· np é o número de parâmetros da função ajustada aos n pontos
experimentais, o valor esperado (valor médio) é 7
(26)
6
A rigor, deveria ser determinada também a covariância dos parâmetros. A expressão
para a covariância q~h é dada na Seção 13.l da Referência 6.
7
Este assunto é discutido na Seção 12.6 da Referência 6.

64
 O parâmetro v é definido como número de graus de liberdade no ajuste.
Substituindo a expressão para x2 em (26) e resolvendo para q, obtém-se

2 1 ~ 2
<T '.::'. - - L, (y; - Ymi) (27)
n - np i;=I

No caso de reta y = ax + b, o número de parâmetros é np = 2 ( t n - 2 ).

Esta expressão permite obter uma estimativà para q incerteza <T , quando as
incertezas Q-; podem ser consideradas iguais ( <T; ~a). Uma vez que a tenha
sido estimada, as incertezas nos parâmetros são obtidas pelas Equações 75.
No caso particular de uma "reta" y = b, o problema equivale ao cálculo.
do valor médio e np = 1 . Neste caso, obtém-se a expressão do desvio padrão
para n resultados (Seção 5.4 ).

11.6 Ajuste de reta no caso geral

Quando as incertezas CJ; são diferentes, a melhor melhor rela é determinada
ayartir da condição de que x2 seja mfoimo:

X2 = t(
i=l
y; - Ymi )2 ==?
a;
mínimo (28)

Subst.itnindo y111 ; ~ a x; + b nas Equações 13 e resolvendo, obtém-se os

parâmetros a e b para a melhor reta. A resolução das equações é análoga ao
caso anterior para incertezas iguais. As soluções são dadas por

a = ~ ( S,, Sxy Sx Sy) (29)

1 (30)
b = 6. ( Sx2 Sy Sx Sxy),

onde
n 1
n
X;
n
X~
S,, =E 2'-
(}"·
Sx = E z•
q.
S"'2 = E
i=i
·q?-' ,
i=l
' . i=l
' '
n
y; (31)
= E
i=l·
2• CT;

e
(32)

65
 As incertezas são obtidas diretamente das expressões acima pelas fórmulas de
propagação de incertezas (24):

e (33)
. .
As Equações·29 e 30 permitem obter a melhor aproximação para os parâ-
~etros a e b da melhor reta, conforme o método dos mínimos quadrados.
Como pode ser ohser.va.do da condição (28), a melhw retç, não corresponde
exatamente a minimizar a soma dos quadrados dos de$vios. Entretanto, a
expressão "método dos· mínimos quadrados" é usada também neste caso.
A quantidade di ~ (y; - Ymi)/o-; é adimensional e pode ser interpretada
como a distância entre o resultado y; e o valor correspondente Ymi na reta,
· quando esta distância é medida com a; como unidade de distância. Assim,
x2 pode ser interpretado como a soma dos quadrados dos dF.svios, quando
cada desvio d; :::: (y; ·- Ymi) é medido com unidade a; .

11.7 Ajuste de reta y =ax

No caso de ajuste de reta y =a x, o parâmetro a. pode ser determinado a
partir da condição d~ mínimo para x2 , isto é, .

ôx2 = (-2) 't, x;(y; ~ ax;) = O ( x2

ôa i=l a;

Resolvendo esta equação para a , obtém-se

~ =
a = Ei'.:1
~n x~
Sxy
(35)
L.,,i=l ;r Sx2

A incerteza o-ª é obtida peia fórmula de propagação de incertezas

(36)

Simplificanqo, resulta
1
0"2.
a
= (37)

Se as incertezas são desconhecidas, mas podem ser consideradas iguais

(a = o-;), a pode ser obtido de (35) e a Equação 27 (com np = l) pode ser
usada para estimar a incerteza o-.

66.
. Exemplo 2. A velocidade v foi determinada em função do tempo t em
uma experiência de queda livre. Os resultados são mostrados na tabela.

t (s) 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40

v (m/s) 0,71 0,96 1,69 2,10 2,54 2,81 3,57 3,90
fiv (mjs) 0,26 0,18 0,15 0,15 0,12 0,12 0,12 0,12

Desprezando .a resistência. do ar, a relação espera.da entre v e t é

V = gt,
C!nde g é a aceleração da gravidade local. A mel.hor aproximação para g e
respectiva incerteza. são dados por (35) e (37), onde· x = t e y = v:
"Ç""'n x. y,
wi=J -;;:< ? 1
a= n x' = 9,935mjs- e ,n
---. = 0,17rn/s
2

.
2
~
X·
Li:l wi=l q!i°
2
A:;sim, o resulta.do final pode ser escrito como g = ( 9, 94 ± O, 17) m/ s .

+ v (m/s)
4,00

3,00

2,00

1,00

0,00 IL---..---..---..--r----..-.--.----.--r--t~(s)
0,10 0,20 0,30 0,40

Figura 3. Reta do tipo y = ax ajustada aos pontos experimentais.

'67
 Referências bibliográficas
1. Guide to the Expression of Uncertainty in Measurement, International
Organization for Standardization, Geneva (199.3).
2. Guia Para Expressão da Incerteza de Medição, ( INMETRO, Rio de Janeiro,
1998 ), 2ª Versão Brasileira do Guide to the Expression of Uncertainty in Mea-
. surement, International Organization for Standardization,. Geneva (1993).

3. lnternatíonal Vocabulary of Basíc and General Terms in Metrology, 2n_d

Edítion, International Organization for Standardization, Geneva (1993).

4. Vocabulário Internacional de Termos Fundamentais e Gerais de Metrologia,

Versão brasileira { INMETRO, Rio de Janeiro 1995) do Internatíonal Vocab-
ulary of Basíc and General Terms in Metrology, 2n_d Edition, lnternational
Organization for Standardization, Geneva (1993).

5. J.H. Vuolo, Fundamentos da Teoria de Erros, Editora Edgard Blücher, São

Paulo (1992).

6. J.H. Vuolo, Fundamentos da Teoria de Erros, 2q Edição, Editora Edgard

Blüçher, São Paulo (1996). ·

7. B.N. Taylor, The Physical Constants, Phys ..Lett. B 204, 51 (1988).

8. B.W. Petley, The Fundamental Physical Constants and the Frontier of

Measurement, Adam Hilger Ltd, Bristol and London (1985).

9. H.F. Meiners, W. Epp.enstein and K.H. Moore, Laboratory Physics, John

Wiley and Sons (1969). ,.

10. 0.A.M.Helene e V.R.Vanin, Tratamento Estatístico de Dados em F{sica

Experimental, Editora Edgard Blücher Ltda, São Paulo (1981). .

11. P.R. Bevíngton, Data Reductión and Error Analysis for the Physical Sci-
ences, McGraw-HiU Book Company (1969). ·

12. V. R. Vanin e P. Gouífon, Tópicos Avançados em Tratamento Estatístico

de Dados em Física Experimental, Edição Preliminar, Instituto de Física, Uni-
versidade de São Paulo, São Paulo (1996).

13. E.M. Pugh and G.H. Winslow, The Analysis of Physical Measurements,
Addison-Wesley (1966).

68