Estatísticas de contagem em

Medicina Nuclear

Prof. Eder R. Moraes

 Fontes de erro
• Usuário

• Equipamento

• Procedimento

• Processo medido

Prof. Eder R. Moraes

 Erros de medidas
• Grosseiros-
– Facilmente detectados, resultados “absurdos”

• Erros no procedimento de medida,

– Equipamento ou processo errado.

Prof. Eder R. Moraes

 Erros de medidas
• Sistemáticos
– Instrumento com erro de aferição ou de calibração.

• Medidas sempre diferem do resultado por um

valor fixo.

• Ex: a tara da balança do restaurante com valor

diferente da massa do prato

• Solução: medir fonte padrão.

Prof. Eder R. Moraes

 Erros de medidas
• Aleatórios
– Variações entre uma medida e outra.
• Devido ao processo ou ao equipamento.

– São Imprevisíveis e,

– em especial se Inerentes aos processos

medido.

Prof. Eder R. Moraes

 Erros em medidas de
radioatividade
• O erro aleatório é inerente ao processo.

• Visto que o processo de emissão

radioativa é propabilístico.

• Não é possível prever quando o átomo irá

emitir radiação.

Prof. Eder R. Moraes

 Nuclear Counting Statistics:
Poisson Distribution
 ( m) 
m
c
P (c )  e  
 c! 
• P(c) is probability of getting c counts
• m is the mean value (= mean rate * time)
Frequency

0 1 2 3 4 5 6
7
Counts
 Nuclear Counting Statistics:
Poisson Distribution
0.40

0.30 m=1
Relative probablity

m=2
m=3
0.20
m=5
m=10
0.10

0.00
0 5 10 15 20
Measured counts
 Poisson and Gaussian
Distributions (cm)2
1
Gaussian (normal) P (c )  e 2m
distribution: 2m
0.15
Gaussian m=10 0.09
Gaussian m=30
Poisson m=10
0.10 Poisson m=30
0.06

0.05 0.03

0.00 0.00
-5 0 5 10 15 20 25 -10 10 30 50 70
 Properties of the Poisson
Distribution
• The standard deviation (σ) is equal to the
square-root of the mean value
• So the variance (σ2) is equal to the mean

• 2/3 of the observations within

+/- σ (i.e. +/- √m) of m

• 95% of the observations within

+/- 2σ (i.e. +/- 2√m) of m

FWHM = 2σ = 2√m
m
 Properties of the Poisson
Distribution
• If we have one measurement, we don’t
know the mean

• Usually, we assume that our error

(standard deviation) is given by the
square-root of the measured number.
Frequency

0 1 2 3 4 5 6
7
Counts
 Properties of the Poisson
Distribution
• Usually, we assume that our error
(standard deviation) is given by the
square-root of the measured number.

916
8
7
6
5
4
3
2
1
25
17
10
19
18
21
24
23
22
12
20
14
13
11
15

Our estimate is:

25 +/-√25
i.e.:
25 +/-5
 Properties of the Poisson
60
Distribution
50 35
30
standard deviation

40

% standard deviation
25 % standard deviation
30 20 (=100*sqrt(N)/N)
standard deviation
20 (=sqrt(N)) 15
10
10
5
0 0
0 500 1000 1500 2000 2500 3000 0 500 1000 1500 2000 2500 3000
N N
Frequency

0 1 2 3 4 5 6
7
Counts
 Medida de radioatividade.
• Considerasse seguir a distribuição de
Poisson
– A dist. De Poisson é válida para eventos
aleatórios e discretos
P(N)=e-mmN/N!

– P(N) – é a probabilidade de em uma medida

obter o resultado N, sendo m o valor
esperado, ou valor médio.

Prof. Eder R. Moraes

 Características da Distribuição de
Poisson
• Variância

σ2=m

• Desvio padrão

σ=√m

Prof. Eder R. Moraes

 Incerteza na medida
• Considerando somente os erros aleatórios

• O resultado N de uma única medida

N m

• e a incerteza será dada por σ=√N

Prof. Eder R. Moraes

 Distribuição
Poisson - Gauss
• Para valores altos de N as duas
distribuições são coincidentes.

• O que normalmente se têm

Prof. Eder R. Moraes

Curva Normal

68,26% =>± 1 σ

95,44% => ±2 σ

99,73% => ±3 σ

Prof. Eder R. Moraes

 Incerteza na medida
• Tem-se 68.3% de chance de que o resultado
exato esteja na faixa

N± √N

• Considerando √N a incerteza na medida de N a

Incerteza percentual será:

V=(√N/N)*100%

Prof. Eder R. Moraes

 Intervalos de Confiança
• Intervalo de confiança de 68.3%
– m± σ

• Intervalo de confiança de 95%

– m± 2σ

• Intervalo de confiança de 99,7%

– m± 3σ

Prof. Eder R. Moraes

 Outras fontes de erro.
• Caso haja outra fontes de erro ΔN
– Ex: incerteza ΔN na resposta do detector.

• A variância é dada por:

– σ2 m + ΔN2

Prof. Eder R. Moraes

 Propagação de erros*
• Somas e diferenças
– variância
σs2= σ12+ σ22+ σ32+... σn2
– Desvio padrão (incerteza)
σs= √ σ12+ σ22+ σ32+... σn2

– Incerteza percentual
V= 100%*(√ σ12+ σ22+ σ32+... σn2)/(ΣNi)

*Assumindo que os erros são somente devido à flutuação

Prof. Eder R. Moraes
 Propagação de erros
• Multiplicação por constantes
– variância
σcM2= c2σM2
– incerteza
σcM= cσM=c √N
– Incerteza percentual
V= (cσM /cN)*100%=100%/ √N

Prof. Eder R. Moraes

 Propagação de erros
• Produtos e razões(u=xy)
– variância
(σu/u) 2= (σx/x) 2+ (σy/y) 2

– Incerteza percentual
V=(√1/N1+ 1/N2+...+ 1/Nn)*100%

Prof. Eder R. Moraes

 Aplicações da análise estatística.
• Incerteza da média de medidas
• Contagem acumulada
• Diferença entre medidas
• Incerteza com ruído de fundo
• Mínima contagem detectável
• Comparar sistemas de contagem
• etc.

Prof. Eder R. Moraes

Qual é a incerteza estatística da
média de N medidas?

Prof. Eder R. Moraes

1- Incerteza da média de medidas
• Em n medidas de uma quantidade N:
– Como visto
σcM2= c2σM2,
sendo c=1/n e

– σM=incerteza da soma das medidas, logo

N  N n 

Prof. Eder R. Moraes

 2-Contagem acumulada
• Se em um determinado tempo t, obteve-se
N contagens, a taxa média de contagem é
R=N/t.
• A incerteza na determinação de R é:

 R  1 t  N , ou
 R t 
• A incerteza percentual
VR  100% / Rt 
Prof. Eder R. Moraes
 3- Diferenças Significantes entre
duas medidas
• Quando 2 medidas são significantemente
diferentes?

Prof. Eder R. Moraes

 3- Diferenças Significantes entre
duas medidas
• Quando 2 medidas são significantemente
diferentes?
– Quando elas certamente não estão na
mesma distribuição.
– Para N2-N1<2σ ainda há 5% de chance.

Prof. Eder R. Moraes

Curva Normal

68,26% => ±1 desvio padrão

95,44% => ±2 desvio padrão
99,73% => ±3 desvio padrão

Prof. Eder R. Moraes

Quando dois valores são diferentes
significativamente?
• Probabilidade de não serem diferentes

• p < 0,00?%

• p < 0,27 % 99,73% => 3σ

• p < 4,56% 95,44% => 2σ

• p > 31,74% 68,26% =>

1σ Prof. Eder R. Moraes
 ?
• Como verificar se há contaminação num
serviço de Medicina Nuclear

Prof. Eder R. Moraes

 3- Diferenças Significantes entre
duas medidas.
• > 3σ
– chance <1% [99,7%].
– ou seja,

( N1  N 2 )  3  N2 1   N2 2
 3 N1  N 2

– Normalmente utilizado na MN para avaliar contaminações ou

mesmo diferença entre regiões em contagens em imagens
Prof. Eder R. Moraes
 4- Efeitos de ruido de fundo
• Toda medida em Medicina Nuclear tem
ruído de fundo(RF).

• O RF tem de ser extraído da contagem

Rs  Rg  Rb

– Sendo Rg a taxa medida, Rs a taxa da fonte e

Rb a taxa de fundo

Prof. Eder R. Moraes

 4- Efeitos de ruído de fundo
• A incerteza da contagem real se as
medidas foram obtidos em um tempo tg e
tb, respectivamente.
s  R g t g  Rb tb 

Prof. Eder R. Moraes

 5- Mínima contagem detectável
(Minimum Detectable Activity-MDA)

• A MDA é a quantidade que aumenta a

contagem de fundo de uma quantidade
significante(3σ).

MDA  3 Rb tb 

Prof. Eder R. Moraes