Estimativa de Fermi

Construa uma cadeia de estimativas e indique a margem de erro de cada uma. A ferramenta mostra o que se espera que a resposta valha e o que realmente vale.

Exemplo resolvido — Estimativa de Fermi

Estimativa	100
Geralmente dentro de	×2,8
Erro típico	×2
Pior cenário, se tudo falhar para o mesmo lado	×46

Estes são os valores que a calculadora mostra ao abrir a página. Altere qualquer entrada acima para os recalcular.

A carregar a simulação interativa...

O pior cenário é 729. O que acontece é 2,85. 🖖

Defina seis fatores com ×3 cada e observe lado a lado o pior caso e o erro típico. O pior caso, em que todos os palpites erram na mesma direção, é 3⁶ = 729. O erro típico é 2,85, e em 86% das vezes o resultado fica dentro de um fator de dez. Essa diferença é todo o método. A cadeia do próprio Fermi é ainda mais rigorosa, pois ele conhecia a população de Chicago melhor do que sabia quantos lares tinham um piano: ela chega a 100 afinadores com uma margem de 2,8, e em 98% das vezes cai dentro de um fator de dez. Seis números, nenhum deles pesquisado, e uma resposta boa o bastante para sustentar um debate.

Multiplicar é somar, quando se usa logaritmos 🖖

Os erros num produto não se acumulam, porque multiplicar números significa somar os seus logaritmos. Coisas independentes que se somam combinam-se em quadratura, logo a dispersão de n fatores cresce como √n, não n. Seis fatores são 2,4 vezes mais incertos do que um, não seis vezes. O que significa que adicionar um sétimo fator melhora a estimativa por fator. Mude o tamanho da cadeia nas predefinições e observe a margem crescer muito mais devagar do que o pior cenário ao lado.

Onde falha e porque Drake é o exemplo famoso 🖖

Prima Quando para de funcionar. Cinco fatores a ×3 e um a ×10.000, que é aproximadamente o que a equação de Drake pede que aceite sobre o tempo que uma civilização se mantém audível. A margem passa para ×246, a probabilidade de calhar num fator de dez cai para 32%, e a coluna de partilha atira 93% da dúvida para essa única linha. O cancelamento exige erros limitados. O facto de conhecer a população de Chicago com uma margem de 50% significa que uma estimativa alta e outra baixa acabam por se compensar. Ninguém conhece o último fator de Drake num intervalo de quatro ordens de grandeza, portanto não há nada para cancelar e √n não consegue ajudar. A página da equação de Drake declara a outra metade disto: um produto desmorona no seu elo mais fraco.

Problemas resolvidos na íntegra

Litros de água que uma cidade de 500 000 bebe num ano 7 passos
Quantos litros de água uma cidade de 500.000 habitantes bebe em um ano? Estime cada valor e, em seguida, calcule o impacto dessas suposições.
1. Comece pela cadeia. Apenas água potável, sem considerar banhos: cerca de 2 litros por pessoa ao dia, 365 dias, meio milhão de pessoas.
  
  $2 \times 365 \times 500, 000 = 365, 000, 000$
2. Trezentos e sessenta e cinco milhões de litros. Qual a margem de erro aceitável para cada fator? A população vem de um censo, então consideremos ×1,2. Os 2 litros são um puro palpite — alguns bebem 3, outros bebem 1,3 — portanto, ×1,5. Os dias do ano são exatos.
  
  $σ_{i} = \frac{ln k _{i}}{3} : \frac{ln 1.5}{3} = 0.234, \frac{ln 1.2}{3} = 0.105$
3. Cada fator incerto por ×k contribui com ln(k)/√3 para a dispersão do logaritmo, e as contribuições independentes somam-se em quadratura.
  
  $σ = 0.23 4^{2} + 0.10 5^{2} = 0.257$
4. Um desvio padrão corresponde a um fator de 1,3. A resposta honesta, portanto, fica em torno de 365 milhões de litros, e seria uma surpresa errar por mais de 30%.
  
  $e^{0.257} = 1.29$
5. Compare isso com o receio ingênuo. Se ambas as estimativas errassem na mesma direção, o desvio seria de 1,2 × 1,5 = 1,8. A dispersão real é 1,3, e a diferença entre esses dois números é o único motivo para se fazer estimativas.
  
  $1.2 \times 1.5 = 1.8 vs 1.29$
6. O argumento da √n exige que os erros sejam independentes. Ao estimar a população a partir de um dado desatualizado e usar esse mesmo número para calcular a quantidade de lares, você cometeu um erro duas vezes, e ele não se anula.
  
  $σ_{tot} = \sum σ_{i}^{2} ⟸ Cov (i, j) = 0$
7. Esse é o modo de falha que a estimativa de Fermi não tem como enxergar por dentro. É por isso que o método prefere fatores extraídos de origens distintas: um censo demográfico, uma taxa fisiológica, um calendário. Três fontes capazes de errar de maneira independente. Uma fonte usada três vezes parece idêntica no papel e entrega um intervalo que é ficção.
  
  $n σ ⟶ n σ (ρ = 1)$
Resposta

Cerca de 365 milhões de litros, e é improvável errar por mais de 30%. O pior caso foi 1,8, a margem real é 1,3, e a distância entre eles é o próprio método. O único dado que a ferramenta não pode conferir por você é se os seus palpites foram de fato independentes.
Batimentos numa vida, e se um rato recebe mesmo menos 7 passos
Calcule quantas vezes bate um coração humano ao longo de uma vida e qual a largura da banda dessa resposta. Decida depois se um rato recebe realmente menos batimentos do que uma pessoa ou se apenas o parece.
1. Cinco linhas, multiplicadas pela ordem que quiser. 70 batimentos por minuto durante 78 anos dão cerca de 2,9 × 10⁹.
  
  $70 \times 60 \times 24 \times 365 \times 78 = 2, 869, 776, 000 \approx 2.9 \times 1 0^{9}$
2. Só duas das cinco linhas podem estar erradas. Os minutos de uma hora, as horas de um dia e os dias de um ano são definições, e a coluna da repartição atribui 0% da dúvida a cada uma delas, enquanto a frequência cardíaca e a esperança de vida ficam com 50% cada. Cinco linhas com a incerteza de duas.
  
  $σ_{i} = \frac{ln 1.2}{3} = 0.105 (\times 2), σ = 0.105 2 = 0.149$
3. Um desvio padrão dá um fator de 1,16, que o painel arredonda para ×1,2. As duas estimativas falharem ao mesmo tempo no mesmo sentido dá ×1,4 e, tendo cada uma sido declarada como limite e não como tendência, isso é um muro e não uma cauda.
  
  $e^{0.149} = 1.16, 1.2 \times 1.2 = 1.44$
4. Portanto, a resposta está entre 2,0 e 4,1 mil milhões, e em mais lado nenhum.
  
  $[\frac{2.87 \times 1 0 ^{9}}{1.44}, 2.87 \times 1 0^{9} \times 1.44] = [1.99 \times 1 0^{9}, 4.13 \times 1 0^{9}]$
5. Agora as mesmas cinco linhas para outros dois animais: as três definições intactas, duas estimativas novas. Um rato a 600 batimentos por minuto que vive 2 anos, um elefante a 30 batimentos por minuto que vive 60.
  
  $600 \cdot 60 \cdot 24 \cdot 365 \cdot 2 = 6.3 \times 1 0^{8}, 30 \cdot 60 \cdot 24 \cdot 365 \cdot 60 = 9.5 \times 1 0^{8}$
6. As duas estimativas do elefante são mais frouxas do que as humanas, portanto conceda-lhes ×1,5 a cada uma. O seu intervalo chega então a 2,1 × 10⁹, e o intervalo humano começa em 2,0 × 10⁹. Os dois tocam-se, e a comparação não decide nada.
  
  $k = 1.5 : [\frac{9.5 \times 1 0 ^{8}}{2.25}, 9.5 \times 1 0^{8} \times 2.25] = [4.2 \times 1 0^{8}, 2.1 \times 1 0^{9}]$
7. Aperte-as. Uma frequência cardíaca e uma esperança de vida são ambas mensuráveis, pelo que ×1,2 é honesto para um animal que alguém tenha estudado, e o elefante fica então limitado a 1,4 × 10⁹ contra um piso humano de 2,0 × 10⁹. Agora os intervalos separam-se.
  
  $k = 1.2 : [\frac{9.5 \times 1 0 ^{8}}{1.44}, 9.5 \times 1 0^{8} \times 1.44] = [6.6 \times 1 0^{8}, 1.4 \times 1 0^{9}]$
Resposta

Cerca de 2,9 × 10⁹ batimentos, com um intervalo honesto de 2,0 a 4,1 × 10⁹. Três das cinco linhas são definições e não carregam nada da dúvida, e é por isso que cinco fatores se comportam aqui como dois. Uma pessoa recebe de facto várias vezes mais batimentos do que um rato ou um elefante, mas a estimativa só o afirma depois de as estimativas do próprio animal serem apertadas até ×1,2. Com ×1,5 os intervalos sobrepõem-se e a distância entre as duas estimativas pontuais não significa nada, que é a pergunta a fazer a quaisquer duas estimativas antes de acreditar na diferença entre elas.

$σ = \sum_{i} σ_{i}^{2}, σ_{i} = 0 ⟺ k_{i} = 1$

Percurso de aprendizagem

Ordens de grandeza

Referências (2)

Why independent errors combine in quadrature rather than accumulating Taylor, J. R. (1997). An Introduction to Error Analysis: The Study of Uncertainties in Physical Measurements (2nd ed.). University Science Books — Chapter 3, on propagation for products and quotients.
The piano-tuner problem itself Weinstein, L. and Adam, J. A. (2008). Guesstimation: Solving the World's Problems on the Back of a Cocktail Napkin. Princeton University Press.

Pela equipa 42Math · Atualizado 2026-08-25

Verificado com fontes publicadas. Correções bem-vindas. Política editorial · Correções

Todas as lições de Matemática →

Problemas de exemplo

Afinadores em Chicago - A própria cadeia de Fermi, e nenhum número foi pesquisado. Chega aos 100 afinadores, e a margem honesta é um fator de 2,8 — uma resposta real, a partir de seis palpites.
Batimentos numa vida - Aqui, todos os fatores são conhecidos com uma precisão de 20% ou melhor, logo a dispersão quase desaparece: a resposta é 2,9 bilhões de batimentos e fica a um fator de 1,2 do valor real.
Quando para de funcionar - Cinco fatores a ×3 e um a ×10.000. A margem dispara para ×246 e a probabilidade de calhar num fator de dez cai para 32%. Este é o problema da equação de Drake, que nenhuma média consegue resolver.