Introdução a Medidas Nucleares

11 de maio de 2018
Estatística de Contagens e Previsão de
Erros
Capítulos 3/4
Radiation Detection and Measurement
GLENN. F. KNOLL

1
Introdução

O decaimento radioativo é um processo randômico portanto qualquer

medição da radiação emitida pelo núcleo estará sujeita a flutuações
estatísticas. Essas flutuações inevitavelmente acarretam imprecisão e erro.

O termo “Estatística de Contagem” incorpora a análise estatística

necessária ao processamento dos resultados de contagens, assim como as
previsões sobre a precisão esperada para as grandezas derivadas destas
medidas.

A estatística de contagem é aplicada em duas situações:

• para verificar o funcionamento adequado de um sistema de contagens,
se a flutuação observado é ou não consistente com as previsões
estatísticas;

• A segunda aplicação lida com a situação em que se tem uma única

medição. Com base em modelos estatísticos pode-se então prever a
incerteza associada a essa única contagem.

2
CARACTERIZAÇÃO DE DADOS

Começamos por assumir que temos uma coleção de 𝑁 medidas

independentes da mesma quantidade física:

𝑥1, 𝑥2, 𝑥3, … 𝑥𝑖, … 𝑥𝑁

cada valor 𝑥𝑖 desse conjunto só pode assumir valores inteiros, de modo que
os dados podem representar, por exemplo, um número sucessivo de
contagens feitas a intervalos de tempo iguais.
Duas propriedades desse conjunto de dados são:

𝑁
soma - Σ ≡ 1 𝑥𝑖

média experimental - 𝑥𝑒 = Σ 𝑁

É conveniente representar os dados por uma Função Distribuição de

Frequência F(x), definido como:

número de ocorrências do valor 𝒙

𝑭(𝒙) ≡
𝑵 3
Sendo automaticamente normalizada:

∞
𝑥=0 𝐹 𝑥 =1

4
A forma da função de distribuição indica
qualitativamente a flutuação do conjunto
de dados.

Por exemplo, a Figura ao lado mostra a

forma das funções de distribuição
correspondentes a dois conjuntos de
dados extremos.

Uma conclusão óbvia é que a largura da

função de distribuição é uma medida da
flutuação ou espalhamento de um
determinado conjunto de dados.

É possível calcular a média experimental

usando a função de distribuição de
dados:
∞

𝑥𝑒 = 𝑥𝐹(𝑥)
𝑥=0

5
Também é possível obter um outro parâmetro, chamado variância, que
serve para quantificar a flutuação interna do conjunto de dados.

O primeiro passo consiste em definir o desvio de cada ponto em relação ao

valor da média experimental.
𝑑𝑖 ≡ 𝑥𝑖 − 𝑥𝑒
onde
𝑁

𝑑𝑖 = 0
𝑖=1

6
Definimos o desvio do valor médio real como sendo:

𝜖𝑖 ≡ 𝑥𝑖 − 𝑥

Pode-se então definir o conceito de “variância de amostra – s2” como a

média dos desvios ao quadrado:
𝑁
1
𝑠2 ≡ 𝜖 2 = 𝑥𝑖 − 𝑥 2
𝑁
𝑖=1

O que traz uma dificuldade: não sabemos o valor de 𝑥 .

Pode-se provar que a seguinte alternativa é aplicável:

𝑁
1
𝑠2 = 𝑥𝑖 − 𝑥𝑒 2
𝑁−1
𝑖=1

7
É importante notar que s2 é uma medida absoluta do espalhamento interno dos dados
e não depende do número de componentes desse conjunto (20 ou 40).

É possível calcular s2 diretamente com a Função Distribuição de Frequência F(x).

Como s2 é o valor médio de 𝑥 − 𝑥 2 pode-se escrever:

∞

𝑠2 = 𝑥 − 𝑥 2 . 𝐹(𝑥)
𝑥=0

Com a expansão dessa expressão tem-se:

𝑠2 = 𝑥2 − 𝑥 2

Conclui-se a organização de dados com as seguintes observações:

1. Todo conjunto de dados pode ser descrito por sua frequência de distribuição F(x);

2. Duas propriedades de interesse da frequência de distribuição são: a média

experimental 𝒙𝒆 e a variância da amostra 𝒔𝟐 .

8
MODELOS ESTATÍSTICOS

Em certas circunstâncias pode-se prever a Função Distribuição que

descreve o resultado de várias repetições de uma mesma medida.
Define-se medida como o número de “sucessos” em um dado número de
“tentativas”.
Cada tentativa é tida como um processo binário em que apenas dois
resultados são possíveis: sucesso ou insucesso.
A probabilidade de sucesso é a mesma para todas as tentativas.
Em situação real tem-se os exemplos abaixo:

No exemplo de decaimento radioativo a “tentativa” consiste em observar

um núcleo radioativo por um tempo t. O “número de tentativas” equivale
ao número de núcleos sob observação e a “medida” é a contagem dos
9
núcleos que sofrem decaimento.
Três modelos específicos:

1. Distribuição Binomial - Modelo mais geral aplicável a todas os

processos com probabilidade p constante. Impraticável para medidas
nucleares devido ao grande número de núcleos envolvidos.

2. Distribuição de Poisson – Trata-se de uma simplificação matemática

amplamente aplicada nos processos onde p é pequeno e constante.
Aplica-se quando se considera um tempo de observação pequeno,
comparado com a meia-vida da fonte.

3. Distribuição Gaussiana ou Normal – É uma aproximação aplicável

quando o número de sucessos é relativamente grande (maior que 20). É
o caso mais comum, e por isso o Modelo Gaussiano é o mais aplicado em
estatísticas de contagens.

Deve-se enfatizar que todos os modelos se tornam idênticos para os

processos em que a probabilidade de sucesso individual p é pequena mas
que tenham um grande número de “tentativas”, de tal forma que o número
“médio de sucessos esperados” é grande.
10
Distribuição Binomial

A distribuição Binomial é o modelo mais geral de estatística.

Se n é o número de tentativas para a qual cada uma tenha uma probabilidade de
sucesso p, então a probabilidade de se contar exatamente x “sucessos” é dada
por:

𝑛!
𝑃 𝑥 = 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥
𝑛 − 𝑥 ! 𝑥!

Onde P(x) é a função de distribuição de probabilidade e é valida apenas para

valores inteiros de n e x.

Exemplo de aplicação:
Probabilidade do lançamento de um dado dar qualquer um dos números 3,4,5 ou
6 (sucesso).

4
Nesse caso: 𝑝 = 6 = 0,667.

A distribuição binomial permite calcular a probabilidade de um número x de

“sucessos” em dez “tentativas”. 11
Na tabela e gráfico vê-se que 7 é o número mais provável de acertos em 10
tentativas.

Do valor de P(0) vê-se que 2 em 100.000 não teria “sucesso” em 10 tentativas.

12
Algumas observações:

𝑛 𝑛
𝑥=0 𝑃(𝑥) = 1 , também tem-se que 𝑥 = 𝑥=0 𝑥𝑃(𝑥)

Resolvendo a expressão de P(x) e o somatório: 𝑥 = 𝑝𝑛

2
Portanto: 𝑥 = 𝑝𝑛 = . 10 = 6,67
3

O valor médio é um parâmetro fundamental em qualquer distribuição.

Também é importante determinar o parâmetro que descreve a flutuação da

distribuição – variância prevista 𝝈2 - que é a medida da dispersão em torno da
média prevista por P(x):
𝑛

𝜎2 ≡ 𝑥 − 𝑥 2 𝑃(𝑥)
𝑥=0

Convencionalmente 𝜎 2 é chamado de variância e sua raiz quadrada o desvio

padrão.
13
Resolvendo-se o somatório:

𝜎 2 = 𝑛𝑝 1 − 𝑝

Como 𝑥 = 𝑛𝑝 tem-se:

𝜎2 = 𝑥 1 − 𝑝

𝜎= 𝑥 1−𝑝

2
Retomando o exemplo: 𝑝 = 3, 𝑛 = 10 e 𝑥 = 6,67.
Portanto:
𝜎 2 = 10 0,667 0,333 = 2,22

𝜎= 2,22 = 1,49

O gráfico ao lado mostra que a associação do desvio padrão com a largura

da dispersão é consistente.

14
Distribuição de Poisson

Muitos processos Binários são caracterizados por uma probabilidade 𝒑

pequena e constante. Esse é o caso da maioria das contagens nucleares em
que o tempo de contagem é muito menor que a meia-vida.

Nessas condições a distribuição binomial se reduz a:

𝒑𝒏 𝒙 𝒆−𝒑𝒏
𝑷 𝒙 =
𝒙!

Como 𝒑𝒏 = 𝒙:

𝒙𝒙 𝒆−𝒙
𝑷 𝒙 =
𝒙!

Conhecida como distribuição de Poisson.

15
Ao contrario da distribuição Binomial que requer o conhecimento de dois
parâmetros: número de tentativas 𝒏 e a probabilidade 𝒑 , a distribuição de
Poisson é uma simplificação útil, pois só é necessário saber o valor médio
da distribuição 𝒙.

Esse fato é de grande ajuda para os processos em que se pode determinar o

valor médio, mas para o qual não se sabe a probabilidade (𝑝) ou o tamanho
da amostra (𝑛), o que geralmente é o caso em medições nucleares.

Algumas propriedades da distribuição de Poisson:

𝑛

𝑃(𝑥) = 1
𝑥=0
e
𝑛

𝑥= 𝑥𝑃(𝑥) = 𝑝𝑛
𝑥=0

16
A variância prevista para a distribuição de Poisson pode ser deduzida a partir
de sua definição:
𝑛

𝜎2 ≡ 𝑥−𝑥 2 𝑃(𝑥) = 𝑝𝑛
𝑥=0
Variância:
𝜎2 = 𝑥
Desvio padrão:
𝜎= 𝑥

Assim, conclui-se que o desvio padrão de qualquer distribuição de Poisson

é igual a raiz quadrada do valor médio da distribuição.

Exemplo

Determinar em um grupo aleatório de 1000 pessoas o número de

aniversariantes de uma determinada data.

𝑝 = 1 365 = 0,00274, 𝑛 = 1000

𝑥 = 𝑝𝑛 = 2,74, 𝜎 = 𝑥 = 1,66
17
 𝑥 𝑥 𝑒 −𝑥 2,74𝑥 𝑒 −2,74
𝑃 𝑥 = =
𝑥! 𝑥!

𝑃(𝑥) nos dá a probabilidade versus no de aniversariantes observável a partir de

uma amostragem aleatória de 1000 pessoas. Os valores numéricos apresentados
graficamente na Figura e tabela mostram que x = 2 é o resultado mais provável.
O valor médio de 2,74 também é mostrado no gráfico, juntamente com o desvio
padrão de 1,66. 18
Distribuição Gaussiana ou Normal

A distribuição de Poisson traz uma simplificação matemática em relação a

binomial para o limite 𝑝 ≪ 1. Se, além disso, o valor médio da distribuição é
grande (digamos maior do que 20), uma simplificação adicional pode ser
implementada, resultando na distribuição Gaussiana:

2
1 𝑥−𝑥
𝑃 𝑥 = 𝑒𝑥𝑝 −
2𝜋𝑥 2𝑥

Esta é também uma função de distribuição definida apenas para valores

inteiros de x que compartilha as seguintes propriedades com a distribuição
de Poisson:

1- é normalizada - ∞𝑥=0 𝑃 𝑥 = 1;
2- é caracterizada por um único parâmetro 𝑥 = 𝑝𝑛;
3- a variância também é dada por 𝜎 2 = 𝑥 .

19
Ilustrando com o exemplo anterior, mas agora considerando uma
1
amostragem com 𝑛 = 10000 (𝑝 = ); então 𝑥 = 𝑝𝑛 = 27,4 , pode-se usar a
365
distribuição Gaussiana para prever o no de aniversariantes em diferentes
grupos de 10000 pessoas.

A probabilidade prevista para uma contagem 𝒙 específica é:

1 𝑥−27,4 2
𝑃 𝑥 = exp − e 𝜎 = 𝑥 = 27,4 = 5,23
2𝜋.27,4 2.27,4

20
APLICAÇÃO DE MODELOS ESTATÍSTICOS

Existem duas importantes aplicações dos modelos estatísticos nas medidas

nucleares:

Aplicação A - envolve o uso de análise estatística para determinar se um

conjunto de medidas da mesma grandeza física mostra uma quantidade de
flutuação interna consistente com as previsões estatísticas. Esta aplicação é
normalmente usado para determinar se um sistema de contagem está
funcionando adequadamente.

Aplicação B - uma contribuição mais importante do tratamento da

estatística de contagem surge em situações em que temos apenas uma
única medida experimental. Nesse caso aplica-se a metodologia para
contabilizar os efeitos inevitáveis das flutuações estatísticas.

21
Aplicação A – verificação da consistência de um conjunto de dados

𝑠 2 = 7,36 ; 𝜎 2 = 𝑥 = 8,80

𝑁 − 1 𝑠2
𝜒2 =
𝑥𝑒

22
Aplicação B – estimativa da precisão de uma única contagem

Caso em que se tem apenas uma medida e se necessita estabelecer seu

grau de incerteza.

𝑠2 ≅ 𝜎 2 = 𝑥 ≅ 𝑥

𝑠2 ≅ 𝜎 = 𝑥

23
Essa constatação pode ser deduzida quantitativamente para uma
distribuição Gaussiana (x é grande).

O intervalo de valores 𝑥 ± 𝜎 ou 𝑥 ± 𝑥 irá conter o verdadeiro 𝑥 com

uma probabilidade de 68%.

Convencionou-se cotar a incerteza ou “erro” de uma única

medida como sendo o valor de seu desvio padrão 𝝈.

Exemplo: 𝑥 = 100, então 𝜎 = 𝑥 = 100 = 10. 𝑥 = 100 ± 10

24
 𝜎 𝑥 1
A incerteza também pode ser expressa em fração: = = .
𝑥 𝑥 𝑥

𝑥 = 100 ± 10%, 𝑥1 = 10000 ± 1%

25
Precauções

Em decaimento radioativo 𝜎 = 𝑥 somente pode ser aplicado se x

representar o número de contagens acumulado por um detector durante um
determinado intervalo de tempo.

Não se pode associar o desvio padrão com a raiz da grandeza nos seguintes
casos:

1. Taxas de contagens;
2. Somas ou diferenças de contagens;
3. Médias de contagens independentes;
4. Qualquer derivação do número de contagens.

Em todos esses casos a quantidade é calculada como função do número de

contagens armazenadas em um dado experimento. O erro associado a cada
uma dessas quantidades deve ser calculados de acordo com as regras
descritas na sequência.

26
PROPAGAÇÃO DE ERRO

Sejam 𝑥, 𝑦, 𝑧, …medidas feitas diretamente para as quais tem-se os respectivos

desvios padrões 𝜎𝑥 , 𝜎𝑥 , 𝜎𝑧 , … e 𝑢 = 𝑢(𝑥, 𝑦, 𝑧 … ) a quantidade derivada a ser
calculada.
Então:
2 2 2
𝜕𝑢 𝜕𝑢 𝜕𝑢
𝜎𝑢 2 = 𝜎𝑥 2 + 𝜎𝑦 2 + 𝜎𝑧 2 + ⋯
𝜕𝑥 𝜕𝑦 𝜕𝑧

Essa equação é conhecida como a fórmula de propagação de erro. Aplicável

para variáveis x,y,z,... não correlacionadas (independentes).

Caso 1 - Soma ou diferença de contagens

𝑢 = 𝑥 + 𝑦 𝑜𝑢 𝑢 = 𝑥 − 𝑦

𝜕𝑢 𝜕𝑢
=1 e = ±1
𝜕𝑥 𝜕𝑦

𝜎𝑢 2 = 1 2 𝜎𝑥 2 + ±1 2 𝜎𝑦 2
27
 𝜎𝑢 = 𝜎𝑥 2 + 𝜎𝑦 2

Exemplo: subtração do background: 𝑢 =𝑥−𝑣

𝐶𝑜𝑛𝑡𝑎𝑔𝑒𝑛𝑠 𝑡𝑜𝑡𝑎𝑖𝑠 = 𝑥 = 1071

𝐶𝑜𝑛𝑡𝑎𝑔𝑒𝑛𝑠 𝑑𝑜 𝐵𝐺 = 𝑦 = 521
𝐶𝑜𝑛𝑡𝑎𝑔𝑒𝑛𝑠 𝑙í𝑞𝑢𝑖𝑑𝑎𝑠 = 𝑢 = 550

sabemos:

𝜎𝑥 = 𝑥 = 1071 = 32,7

𝜎𝑦 = 𝑦 = 521 = 22,8

𝜎𝑢 = 𝜎𝑥 2 + 𝜎𝑦 2 = 𝑥 + 𝑦 = 1592 = 39,9

Contagens líquidas = 550 ± 39,9

28
Caso 2 – Multiplicação ou divisão por uma constante

Se definirmos:
𝑢 = 𝐴𝑥

onde A é uma constante (sem erro associado), então:

𝜕𝑢
=𝐴
𝜕𝑥
𝜎𝑢 = 𝐴𝜎𝑥

𝑥
Da mesma forma: 𝑣=𝐵

𝜎𝑥
𝜎𝑣 =
𝐵
𝜎 𝜎𝑣
Note-se que, em ambos os casos, o "erro relativo" ( 𝑢𝑢 ou ) é o mesmo que
𝑣
𝜎
o erro percentual inicial ( 𝑥𝑥). Como seria de se esperar pois multiplicar ou
dividir um valor por uma constante não altera seu erro relativo.
29
Exemplo: taxa de contagem

𝑥
𝑡𝑎𝑥𝑎 𝑑𝑒 𝑐𝑜𝑛𝑡𝑎𝑔𝑒𝑚 ≡ 𝑟 =
𝑡

Geralmente o tempo é medido com uma precisão muito grande, por isso é
comum supor que 𝒕 é uma constante, para efeito de tratamento de erro.

Como exemplo:

𝑥 = 1120 𝑐𝑜𝑛𝑡𝑎𝑔𝑒𝑛𝑠 e 𝑡 = 5 𝑠

1120
𝑟= = 224 𝑠 −1
5𝑠
o desvio padrão associado será:

𝜎𝑥 1120
𝜎𝑟 = = = 6,7 𝑠 −1
𝑡 5𝑠
Portanto:

𝑟 = 224 ± 6,7 𝑐𝑜𝑛𝑡𝑎𝑔𝑒𝑛𝑠/𝑠𝑒𝑔

30
Exercício 1:

Uma fonte radiativa ao ser contada pelo tempo de 1 minuto, apresenta

uma contagem de 561. Ao ser removida a fonte, a contagem do
background, também realizada por 1 min, apresentou um resultado de
410 contagens. Calcule a contagem líquida e seu desvio padrão.

Exercício 2:

A contagem por 10 minutos da atividade de uma fonte radioativa (com o

background) resulta num total de 846 contagens. O background (sem
fonte) contado por 10 minutos dá um total de 73 contagens. Qual é a taxa
de contagem líquida devida a fonte, (sem Bg)?

31
Caso 3 – Multiplicação ou divisão de contagens

Para o caso:
𝑢 = 𝑥𝑦
𝜕𝑢 𝜕𝑢
=𝑦 =𝑥
𝜕𝑥 𝜕𝑦

𝜎𝑢 2 = 𝑦 2 𝜎𝑥 2 + 𝑥 2 𝜎𝑦 2

Dividindo-se por 𝑢2 = 𝑥 2 𝑦 2 tem-se:

2
𝜎𝑢 2 𝜎𝑥 2 𝜎𝑦
= +
𝑢 𝑥 𝑦
Similarmente
𝑥 𝜕𝑢 1 𝜕𝑢 𝑥
𝑢= = =− 2
𝑦 𝜕𝑥 𝑦 𝜕𝑦 𝑦

32
 2 2
1 𝑥
𝜎𝑢 2 = 𝜎𝑥 2 + − 2 𝜎𝑦 2
𝑦 𝑦
Dividindo ambos os lados por 𝑢2 = 𝑥 2 𝑦 2 tem-se:
2
𝜎𝑢 2 𝜎𝑥 2 𝜎𝑦
= +
𝑢 𝑥 𝑦

Portanto, o erro percentual é o mesmo nos dois casos, o quadrado do erro

relativo da função é igual a soma dos quadrados dos erros relativos.

Exemplo:
Cálculo da razão entre duas atividades a partir das incertezas de duas
contagens independente contadas pelo mesmo tempo.

𝐶𝑜𝑛𝑡𝑎𝑔𝑒𝑛𝑠 𝑑𝑎 𝑓𝑜𝑛𝑡𝑒 1 = 𝑁1 = 16265

𝐶𝑜𝑛𝑡𝑎𝑔𝑒𝑛𝑠 𝑑𝑎 𝑓𝑜𝑛𝑡𝑒 2 = 𝑁2 = 8192
𝑁1 16265
𝑅𝑎𝑧ã𝑜 𝑑𝑎 𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑𝑒: 𝑅 ≡ = = 1,985
𝑁2 8192

33
Da equação anterior:

2 2
𝜎𝑅 2 𝜎𝑁1 𝜎𝑁2 𝑁1 𝑁2
= + = 2+
𝑅 𝑁1 𝑁2 𝑁1 𝑁2 2

= 1,835 × 10−4

𝜎𝑅
= 0,0135 ; 𝜎𝑅 = 0,027
𝑅
portanto:

𝑅 = 1,985 ± 0,027

34
Caso 4 – Valor Médio de Múltiplas contagens independentes

Suponhamos que tenham sido realizadas N contagens repetidas de uma

mesma fonte, pelo mesmo tempo, com os resultados dados por 𝑥1 , 𝑥2 , … 𝑥𝑁
com soma Σ
Σ = 𝑥1 + 𝑥2 + ⋯ 𝑥𝑁

Como 𝜕Σ 𝜕𝑥𝑖 = 1 para todos os valores de 𝑖 e 𝜎𝑥𝑖 = 𝑥𝑖 , tem-se:

𝜎Σ 2 = 𝑥1 +𝑥2 + ⋯ 𝑥𝑁 = Σ

𝜎Σ = Σ

O seja, é o mesmo resultado que se teria para uma única contagem igual
a soma.

35
No caso de se calcula o valor médio das 𝑁 contagens independentes tem-se:

Σ
𝑥=
𝑁

A determinação do erro envolve a situação em que se tem uma constante

multiplicando a variável. O desvio padrão é dado por:

Σ 𝑁𝑥
𝜎𝑥 = 𝜎Σ /𝑁 = =
𝑁 𝑁

𝑥
𝜎𝑥 =
𝑁

Note que o desvio padrão esperado para qualquer medida individual 𝑥𝑖 é:

𝜎𝑥𝑖 = 𝑥𝑖
36
Como nenhum valor 𝑥𝑖 irá diferir muito da média, 𝑥𝑖 ≅ 𝑥 , conclui-se que o
valor médio associado a 𝑁 contagens independentes terá um erro esperado
diminuído de um fator 𝑁, comparado ao de uma única contagem.

Uma conclusão geral é que, quando se quer diminuir o erro de uma

contagem por um fator dois, deve-se quadruplicar o tempo de contagem
inicial.

Caso 5 – Combinação de Medidas Independentes com Erros Diferentes

Se N medidas independentes foram realizadas para uma determinada

quantidade, e nem todas tem a mesma incerteza associada, então a média
simples não é um tratamento adequado. É necessário fazer uma
ponderação:

−1 𝑁
𝑁 𝑁
𝑖=1 𝑎𝑖 𝑥𝑖 1 1 1 1
𝑥 = 𝑁 𝑎𝑖 = 2
=
𝑖=1 𝑎𝑖 𝜎𝑥𝑖 2 𝜎𝑥𝑗 2 𝜎𝑥 𝜎𝑥𝑖 2
𝑗=1 𝑖=1

37
Duas observações:

1. A distribuição é simétrica em torno do valor médio. Portanto, P (x)

depende apenas do valor absoluto do desvio de qualquer valor de x em
relação a média, definida como ϵ ≡ 𝑥 − 𝑥 .

2. Uma vez que o valor médio é grande, os valores de P (X) para valores de
x adjacentes varia lentamente.

Estas duas observações sugerem uma reformulação da distribuição como

uma função explícita do desvio 𝜖 (em vez de x) e como uma função contínua
(em vez de uma função discreta pontual). Estas mudanças são realizadas ao
reescrever a distribuição de Gauss como:

2 −𝜖2/2𝑥
𝐺 𝜖 = 𝑒
𝜋𝑥

38
39
Julio Cezar Suita

suita@ien.gov.br

Ramal: 3955

40