Propagação de incertezas
O conceito
Na disciplina de Física Experimental I (FEI), aprendemos que uma informação tão importante quanto o valor de uma grandeza é o quanto temos certeza desse valor.
Na vida real, o valor de uma grandeza é obtido por uma medição, e toda medição tem atrelada a ela um erro. Podemos definir o erro como a diferença entre o valor de uma medição e o valor verdadeiro da grandeza.
Este erro é uma combinação entre um erro aleatório, que age de maneira imprevisível na medição e está relacionado com a flutuação observada, e um erro sistemático, que age de maneira determinística na medição e está relacionado com um desvio no valor médio das medições.
Para expressar a dúvida causada pela ação desses erros usamos a incerteza. A incerteza é uma grandeza que nos diz qual o tamanho do intervalo ao redor do valor medido onde esperamos encontrar o valor verdadeiro com probabilidade P conhecida.
Portanto, saber a incerteza é tão importante quanto saber o valor de uma grandeza. Sendo assim, como é possível estimar a incerteza de uma grandeza que não é medida diretamente, mas calculada em função de grandezas que são?
A equação de propagação de incertezas
Seja uma grandeza que pode ser calculada em função de outras grandezas. Suponha que medimos o valor das grandezas,
e desejamos calcular o valor de . O valor da grandeza será claramente dado por Mas e a incerteza?
A equação de propagação de incertezas nos diz como calculamos a contribuição de cada variável, , e sua incerteza, , e como combinamos essas contribuições para calcular a incerteza total de , .
Essa equação para qualquer é
Essa equação é dada para medições estatísticamente independentes. Se essas medições forem correlacionadas, precisamos adicionar termos na soma referentes a essa correlação. No entanto a equação \ref{prop_ind} é o suficiente para a disciplina de Física Experimental II.
Exemplo: Desvio-Padrão da média
Usando a definição de média:
e supondo que todos os pontos tem mesma incerteza , temos pela equação \ref{prop_ind} que a incerteza propagada da média, , será:
que é a equação conhecida para o desvio-padrão da média de pontos com desvio-padrão .
Relação com a aproximação dada em FEI
Para aqueles que ainda se lembram, no experimento da densidade de polímeros dado em Física Experimental IFísica Experimental I - Roteiro do Experimento 2 - Aula 3: Densidade de Polímeros. Versão de 2019., o conceito de propagação de incertezas era apresentado de maneira bem simplificada.
O intuito do experimento era descobrir de qual polímero era feito diferentes cilindros regulares através da densidade. A densidade de um cilindro pode ser calculada em função da massa, , diâmetro, , e altura, , através da relação
Utilizando uma balança, paquímetros e/ou micrômetros, obtemos os valores e incertezas de cada grandeza. Digamos que os resultados das medições foram
A contribuição de uma variável qualquer, , na incerteza da densidade era calculada como a variação no valor da densidade quando variamos o valor medido dessa grandeza, , de uma incerteza, , pra mais ou para menos
Ou seja, a contribuição da massa seria
As outras contribuições são análogas
Por fim essas contribuições deveriam ser combinadas. Uma forma de combiná-las seria somando o módulo dessas contribuições, no entanto, a forma correta é tomar a raíz quadrada da soma de cada contribuição ao quadrado, ou seja
Ou para uma função genérica :
Isso é algo bem semelhante a equação de propagação formal (eq. \ref{prop_ind}), não é mesmo? O que temos é que, nesta aproximação, tomamos uma derivada parcial de passo não infinitesimal, ,
A equação \ref{aprox} é conhecida como Fórmula das Diferenças Finitas, e é usada geralmente para diferenciação numérica. Se essa aproximação for razoável, podemos escrever,
Ou seja,
o que nos mostra que as equações \ref{prop_ind} e \ref{prop_aprox} são equivalentes. No entanto fica a pergunta: Quando que a aproximação \ref{aprox} é boa? A resposta é simples: Quando o erro for suficientemente baixo.
Podemos definir o módulo do erro como:
Através do Teorema de Taylor, temos
O que nos leva a estimativa de erro máximo:
Com isso fica fácil de perceber que a aproximação será boa em 2 casos:
- Se for suficientemente pequeno;
- Se a derivada segunda da função em relação a variável de interesse for suficientemente pequena, ou seja, que a função seja aproximadamente linear no intervalo .