Captulo 1

Estatstica de Contagem e Propagao de

Erro

Favor comunicar ao professor os erros encontrados

Terceira verso 2007.1

Neste curso voc estar envolvido em medidas de processos randmicos como

decaimentos radioativos, espalhamentos, etc...Nestes experimentos, as medidas so
sujeitas as flutuaes estatsticas. Estas flutuaes representam uma fonte inevitvel de
incerteza nas medidas em fsica corpuscular e no obstante constituem uma fonte de
impreciso e erro. O termo estatstica de contagem inclui a descrio da anlise
estatstica necessria para processar os dados obtidos nos experimentos e a predio sobre
a preciso esperada das quantidades derivadas destas medidas.

1 Caracterizao dos dados

Comearemos supondo que temos uma coleo de N medidas independentes de

uma mesma grandeza fsica: x1, x2,...,xn . Duas propriedades elementares deste conjunto
so a soma S
N
S = xi (1)
i =1
e a mdia experimental
S
xe = (2)
N
a mdia experimental escrita com um sub-escrito para diferir-la da mdia de um modelo
estatstico em particular, conforme ser definido mais adiante.
freqentemente conveniente representar o conjunto de dados por uma
distribuio de freqncias correspondente F(x). O valor de F(x) a freqncia relativa
com que o nmero aparece no conjunto de dados. Por definio
F(x) = (nmero de ocorrncias do valor x)/(nmero de medidas (N)) (3)
A distribuio automaticamente normalizada, ou seja,

F ( x) = 1
x =0
(4)

1
 A forma relativa de F(x) d uma indicao qualitativa das flutuaes internas no
conjunto de dados e de certa forma centrada em torno do valor mdio. Uma concluso
bvia que a largura da distribuio a medida relativa da quantidade de flutuaes em
torno da mdia em um dado conjunto de dados.
possvel calcular a mdia experimental usando a funo distribuio

xe = xF ( x) (5)
x =0
tambm possvel derivar outro parmetro, conhecido como varincia, que serve
para quantificar as flutuaes internas no conjunto de dados. O primeiro passo definir o
desvio de qualquer ponto da mdia
i = xi xe (6)

H uma contribuio igual dos desvios positivos e negativos, de modo que

N

1
i =0 (7)

Se no entanto, tomarmos os quadrados de cada desvio, resultar sempre em um nmero

positivo. Podemos ento introduzir a varincia experimental como
1 N 2
s2 =
N 1 1
i (8)
que servir como um ndice do grau de flutuao inerente ao conjunto de dados original.
Conforme N torna-se razoavelmente grande, a varincia experimental essencialmente o
valor mdio do desvio quadrtico de cada ponto. Sendo mais preciso, a varincia
experimental mais fundamentalmente definida como o valor mdio do desvio
quadrtico (desvio padro da populao) de cada ponto do valor mdio real x (valor
verdadeiro de uma grandeza5 ) que seria obtido se um nmero infinito de medidas
fossem acumulados ou quando se conhecem todos os valores possveis da populao
2
1 N
(xi x ) (9)
2

N i=1
Onde N o tamanho da populao. Mas como no podemos conhecer x a partir de um
conjunto finito de medidas, usamos no seu lugar o valor xe ( x xe ) derivado a partir
dos dados para calcular os valores dos desvios. O valor verdadeiro de uma grandeza
independente do conjunto de dados, enquanto que o valor experimental dependente. O
uso do valor experimental em vez do valor mdio verdadeiro terico far com que o
desvio mdio e conseqentemente resultar em uma varincia normal menor. No
linguajar estatstico, o nmero de graus de liberdade do sistema ter sido reduzido por
uma unidade. Na equao 8, a mdia experimental usada para calcular os valores de i.
Entretanto, a soma dividida por N-1 (ao invs de N) para fazer o valor calculado de s2
um pouco maior, levando em conta o grau de liberdade perdido. Deve-se notar que a
varincia amostral uma medida absoluta da flutuao interna nos dados e no depende,
em primeira aproximao, do nmero de valores no conjunto de dados. Por exemplo, se
um determinado conjunto de dados fosse aumentado coletando-se 30 valores adicionais
pelo mesmo processo, no esperaramos que a varincia amostral calculada para o novo
conjunto estendido fosse substancialmente diferente do valor inicial.
Outra grandeza o desvio padro da mdia cuja expresso matemtica

2
 s
s= (10)
n
Podemos tambm calcular a varincia diretamente da funo distribuio F(x). A
equao 9 mostra que s2 simplesmente o valor mdio de ( x x ) , podemos escrever que
2

a mesma mdia como

2 = ( x x ) F ( x) (11)
2

x =0
Uma expanso da equao 11 resultar na expresso bem conhecida
2
2 = x 2 x (12)
Modelos estatsticos

Sob certas condies, podemos predizer a funo distribuio que descrever os

resultados de vrias medies repetidas. Podemos definir uma medida (veja tambm a
definio 7) como uma contagem do nmero de sucessos resultando de um dado nmero
de tentativas. Cada tentativa ou um sucesso ou no. Para tudo que se segue, supomos
que a probabilidade de sucesso uma constante para todas as tentativas. Por exemplo, ao
tentarmos observar um dado decaimento nuclear por um tempo t, o nmero de tentativas
equivalente ao nmero de ncleos na amostra sob observao, e a medida consiste em
contar aqueles ncleos que decaem.

Trs modelos estatsticos especficos so introduzidos:

1 - A Distribuio Binomial. Este o modelo mais geral e largamente aplicvel

para todos os processos de probabilidade constante. Infelizmente,
computacionalmente muito trabalhosa, para sistemas grandes, por exemplo em
decaimentos nucleares, e muito pouco utilizada em aplicaes nucleares.
2 Distribuio de Poisson. Este modelo uma simplicao matemtica da
distribuio binomial sob condies que a probabilidade de sucesso pequena.
Em termos prticos, a condio implica que escolhemos um tempo de observao
pequeno comparado com a meia-vida da fonte, ou que a eficincia de deteco
pequena.
3 Distribuio Gaussiana ou Normal. A terceira distribuio importante a
Gaussiana, a qual a uma simplificao ainda maior se o nmero mdio de
sucessos relativamente grande (maior do que 20 ou 30). Esta condio se
aplicar para qualquer situao na qual acumulamos mais dos que algumas
contagens durante a medida. Este o caso mais frequente de modo que a o
modelo Gaussiano largamente aplicvel a muitos problemas em estatstica de
contagem.

Lembramos que os modelo acima tornam-se idnticos para processos com uma
probabilidade individual de sucesso pequena, mas com um nmero grande de tentativas
de modo que o nmero mdio esperado de sucessos grande.

A distribuio binomial

3
A distribuio binomial a mais geral dos modelos estatsticos discutidos aqui. Se n e o
nmero de tentativas para o qual cada tentativa tem uma probabilidade de sucesso p,
ento a probabilidade de contar exatamente x sucessos dada por
n!
P( x) = p x (1 p) n x (13)
(n x )! x!
P(x) a funo probabilidade, como dada pela distribuio binomial e definida somente
para valores inteiros de n e x.
Algumas propriedades da distribuio binomial so importantes. Primeiramente, a
distribuio normalizada:
n

P( x) = 1 (14)
x =0
Tambm, sabemos que a mdia ou valor mdio de uma distribuio dada por

n
x = xP( x) (15)
x=0
Se substituirmos a equao 13 para P(x) e realizarmos a soma, encontramos

x = pn (16)

O valor mdio sem dvidas uma propriedade fundamental de qualquer distribuio.

importante obtermos um parmetro que descreve a flutuao prevista por uma
dada distribuio. Ns j definimos tal parmetro, chamado de varincia amostral, para
um conjunto de dados experimentais na equao 11. Por analogia definimos agora a
varincia prevista 2, que uma medida de como os dados esto distribudos em torno da
mdia prevista por modelo estatstico especifico P(x):
n 2

( x x ) P( x) (17)
2

x=0

Convencionalmente, chamada de varincia, e enfatizamos o fato de que ela

2

associada com a distribuio de probabilidade prevista, por isto o nome varincia

prevista. conveno definirmos tambm o desvio padro como a raiz quadrada de 2.
Agora, se realizarmos a soma em (17) para o caso especifico da distribuio
binomial, obtemos:
2 = np (1 p) (18)
Mas, usando (16), temos ainda
2 = x (1 p ) (19)
= x (1 p) (20)

Distribuio binomial para o decaimento radioativo

Considere o decaimento radioativo em um tempo t de um sistema contendo No

tomos radioativos. Este No tomos podem ser divididos em dois grupos, aqueles que

4
decairo em um tempo t e aqueles que no decairo. A partir da lei do decaimento
exponencial para espcies radioativas, a probabilidade de que um dado tomo no decaia
e-t (vide capitulo 9), onde a constante de decaimento para a espcie em questo.
Ento, a probabilidade p para o decaimento

p = 1 e t (21)

Usando a equao 13, temos a probabilidade P(x) de que x tomos decairo em um tempo
t

P( x) =
No!
(N o x )! x!
(
1 e t ) (e )
x t N o x
(22)

o nmero mdio verdadeiro de decaimentos no tempo t

x = N o (1 e t ) (23)

e o desvio padro
= [N o (1 e t )e t ] ( )
1/ 2 1/ 2
= x e t (24)
para t<< 1, ou seja, para tempos de observao curtos comparados com a meia vida, o
desvio padro simplesmente
= x 1/ 2 xe1/ 2 (25)

Se a probabilidade de uma desintegrao resultar em um contagem (eficincia de

deteco), ento a probabilidade de um de um tomo produzir uma contagem em um
tempo t
p = (1 e t )
ainda para a condio t<< 1, a equao 24 continua vlida.

A distribuio de Poisson

Vrias categorias de processos binrios podem ser caracterizados por uma baixa
probabilidade de sucesso para cada tentativa individual. Por exemplo, em um
experimento tpico de fsica de colises atmicas, apenas uma frao muito pequena do
feixe de projteis, interage com os centros espalhadores do alvo gasoso. Nestes casos, a
aproximao p<<1 ser vlida e algumas simplificaes matemticas podem ser
aplicadas distribuio binomial. Usando que
n!
n x (26 a)
(n x)!

(1 p ) n x e pn (26b)

5
Mostrar-se que, neste limite a distribuio binomial se reduz a
( pn) x e pn
P( x) = (26)
x!

Repare que a distribuio binomial possui dois parmetros: o nmero de tentativas

n e a probabilidade individual de sucesso p. Mas, a partir de (16) podemos ver que apenas
um parmetro necessrio na distribuio de Poisson, o produto np. Esta uma
simplificao muito til porque precisamos conhecer apenas o valor mdio da
distribuio para reconstruir sua amplitude P(x) para todos os outros valores do
argumento x.
Algumas das propriedades da distribuio binomial, tambm so vlidas para o
caso da distribuio de Poisson. Em particular, as equaes (14-17) tambm se aplicam
para o caso da distribuio de Poisson. Contudo, a varincia no caso da distribuio de
Poisson dada por
2 = x (27)
conseqentemente, o desvio padro dado pela raiz quadrada da equao (27). Note que
este resultado obtido diretamente das equaes (19 e 20) no limite de p <<1.

Ex. (University of Columbia, EUA) Se o numero mdio de contagens por segundo de

uma fonte radioativa e 4, qual a probabilidade de acumular 8 contagens em um segundo?

R. P(8) = 48 e-4/8! = 0,03

A distribuio Gaussiana

Consideremos agora uma outra simplificao, que o valor mdio da distribuio

alto (maior do que 20), pode-se mostrar que esta simplificao adicional leva
distribuio gaussiana:

( x x )2
1
P( x) = e 2x
(28).
2x

De novo, as equaes (14-17), assim como a equao (27) so vlidas para o caso da
distribuio gaussiana. Podemos tecer algumas observaes sobre a distribuio
gaussiana: ela simtrica em relao ao seu valor mdio e devido ao fato do valor mdio
ser alto, os valores de P(x) para valores de x adjacentes no diferem muito, ou seja, a
distribuio varia lentamente.

Aplicao dos modelos estatsticos

Uma aplicao rotineira dos modelos estatsticos o caso no qual temos somente
uma nica medida de uma grandeza em particular e desejamos associar um dado grau de
incerteza com aquela medida. O que gostaramos objetivamente ter uma estimativa da

6
varincia esperada se repetssemos a medida vrias vezes. A raiz quadrada da varincia
amostral deveria ser uma medida tpica do desvio de qualquer medio de um valor
mdio real e assim servir com um nico ndice do grau de preciso que podemos associar
com uma medida tpica daquele conjunto. Porque temos somente um nica medida,
contudo, a varincia no pode ser calculada diretamente mas deve ser estimada por
analogia com um modelo estatstico apropriado.
Se supormos que o resultado da medida parte de uma populao cuja
distribuio terica descrita por uma distribuio Gaussiana ou de Poisson, ento
devemos ajustar a distribuio ao dado disponvel. Para ambos os modelos devemos
comear com um valor para a mdia <x> da distribuio. O valor de nossa nica medida
x a nica informao que dispomos. No temos outra escolha a no ser supor que a
mdia da distribuio igual ao nico dado disponvel, ou seja <x>= x. Tendo agora
obtido o suposto valor para <x>, a funo probabilidade totalmente definida para todos
os valores de x. Podemos imediatamente encontrar um valor para a varincia da
distribuio. Podemos usar a associao que, se o dado foi retirado da mesma
distribuio, uma estimativa da varincia s2 deste conjunto de dados deve ser dada por 2.
Conclumos que s = = x1/2, a melhor estimativa para o desvio da mdia verdadeira.
No caso da distribuio Gaussiana, o intervalo x x1/2 conter a mdia verdadeira com
68 % de probabilidade.
Como ilustrao, suponha que voc mea o nmero de partculas de incidem em
um detector em um dado intervalo de tempo. Se 100 foi o nmero encontrado, ento
=1001/2 = 10 a incerteza desta medio. H vrias formas de expressar a incerteza de
uma medida. A escolha convencional escrever o valor mais ou menos um valor que
representa um desvio padro , ou seja, 100 10. Este intervalo supostamente contm o
valor mdio verdadeiro com uma probabilidade de 68%. Se desejarmos aumentar a
probabilidade de que a mdia verdadeira esteja includa, devemos expandir o intervalo de
incerteza. Por exemplo, para alcanar 99 % de certeza de que a mdia esteja naquele
intervalo, o intervalo deve ser expandido para 2,58, ou 100,0 25,8, no caso de nosso
exemplo. A menos que seja indicado o contrrio, as incertezas so expressas com um
desvio padro.
O desvio padro fracional, definido como /x, de uma nica medida dado por
x /x ou x-1/2 .
1/2

Excees

Todas as concluses da seo anterior no se aplicam a medidas de um certo

nmero de sucessos ( nmero de caras ou coroas num lanamento de uma moeda, etc..)
Numa medida de decaimento nuclear, devemos aplicar diretamente =x1/2 somente de x
representa um nmero de eventos em um dado tempo de observao.
No podemos aplicar o desvio padro =x1/2para qualquer quantidade que no
seja um nmero de contagens medido diretamente. Por exemplo, a associao no se
aplica a:

a- taxas de contagens;
b- somas ou diferenas de contagens;

7
 c- mdias de contagens independentes;
d- qualquer quantidade derivada;

Em todos estes casos a quantidade calculada como uma funo do nmero de contagens
acumuladas em cada experimento. A incerteza associadas com esta quantidade deve
ento ser calculada de acordo com os mtodos de propagao de erro.

Exemplo 1: Considere um espectro (de um fonte radioativa, por exemplo) onde o nmero
real de contagens deve ser corrigido subtraindo-se o fundo (vide fig.1)

rea lquida = rea total fundo

Como tanto a rea total como o fundo so medidos diretamente como contagens, o
desvio padro esperado de cada um deve ser a sua raiz quadrada. A rea lquida uma
quantidade derivada e portanto sua incerteza deve ser obtida propagando-se os as
incertezas das quantidades medidas diretamente, ou seja:
liquida = 2total + 2 fundo

Se a rea total for 1500 contagens e o fundo 400 contagens,

liquida = 1500 + 400 = 43.6

Como as incertezas so representadas com no mximo dois algarismos significativos, a

rea liquida dada por

rea liquida =1100 44 contagens

total = 1500

Fundo = 400

Fig. 1 A rea de um pico devem ser subtrada do fundo (background).

8
Exemplo 2 Valor mdio de vrias contagens independentes. Suponha que tenhamos
medido N vezes a contagem de uma mesma fonte em tempos iguais. Os resultados so
representados por x1, x2, ...,xN e a soma S,
S = x1 + x2 +....+ xN

Aplicando as regras de propagao de erro, temos

S2 = x21 + x22 + ... + xN

2

Mas porque xi = xi1/2 para cada contagem independente

S2 = x1 + ... + x N = S
S = S
Este resultado mostra que o desvio padro para a soma de todas as contagens o mesmo
que se a medida fosse realizada de uma nica vez, estendendo-se o tempo de medida. O
valor mdio dado por
S
x=
N

E a incerteza associada dada por

x
x =
N

Conclumos que o valor mdio baseado em N medidas independentes ter uma incerteza
que ser menor por um fator N1/2 comparada com uma nica medida. Uma outra
concluso que se quisermos melhorar a preciso estatstica por um fator 2, devemos
acumular um tempo quatro vezes maior.

Em geral podemos supor que um campo de radiao "constante" estritamente

randmico em relao a quantas partculas so detectadas em um dado ponto por unidade
de rea e intervalo de tempo. Pode-se mostrar que o numero de partculas observadas
medies repetidas (supondo condies iguais) so descritas por uma distribuio de
Poisson. Para um nmero grande de eventos, esta distribuio aproxima-se da
distribuio normal (Gaussiana) e as flutuaes so devido a natureza estocstica do
campo de radiao.

Intervalos entre eventos sucessivos

De modo a derivar uma funo distribuio que descreve os intervalos de tempos

entre eventos randmicos adjacentes, primeiramente suponha que um evento ocorrera em
t=0. Qual a probabilidade diferencial que o prximo evento acontea dentro de um tempo
diferencial dt aps um intervalo de tempo t? Dois processos independentes devem
acontecer: Nenhum evento podem ocorrer dentro do intervalo 0 a t, mas um evento deve

9
ocorrer no prximo incremento de tempo diferencial dt. A probabilidade final ser ento
dada pelo produto das probabilidades que caracterizam os dois processos, ou seja, a
probabilidade do prximo evento ocorrer em dt aps o atraso de t = probabilidade de
nenhum evento ocorrer durante o intervalo tempo 0 a t probabilidade de um evento
ocorrer durante dt

PS (t )dt = PN (0) rdt

O primeiro fator a direita segue diretamente da discusso anterior sobre a distribuio de

Poisson. Procuramos por uma probabilidade de que nenhum evento ocorra durante um
intervalo de tempo t no qual o numero mdio de eventos deveria ser rt. Usando a Eq. 20,
(rt ) 0 e rt
P ( 0) = = e rt
0!

Ento
PS (t )dt = re rt dt

PS(t) uma funo distribuio para intervalos entre eventos aleatrios adjacentes. Este
tipo de distribuio aparece por exemplo, como fundo (background) em experimentos de
coincidncia, como veremos nos prximos captulos.

1
-1
PS(t)r

-1
re

-1
r

Escolha do tempo de contagem

Do que vimos at agora, podemos aplicar para um julgamento criterioso que pode
nos poupar bastante tempo em um experimento.
Quando uma nica medida realizada os resultados da tabela 1 podem ser
utilizados diretamente.

contagens
incerteza %
0,1 106
0,3 1,1 105
1 104

10
 3 1,1 103
10 100

Tabela 1 total de contagens para uma da incerteza.

Uma medida mais comum consiste em determinar o nmero de contagens lquida

de uma fonte, a partir de uma taxa de contagens total (incluindo fundo). A diviso do
tempo de contagem tima entre o determinao do numero de contagens total e a
determinao do fundo de modo a minimizar as incertezas pode ser obtida. Duas
situaes surgem e devem ser consideradas.
Se preciso realizar uma srie de contagens de amostras diferentes (diferentes
fontes) e se durante o perodo de medidas no h razo para suspeitar que a taxa de
contagens do fundo variou, vantajoso fazer uma medida acurada do fundo de modo de a
sua incerteza seja desprezvel (uma ordem de grandeza menor do que a incerteza da
medida da taxa total). Deve-se fazer vrias medidas de modo a checar a constancia do
fundo . Por exemplo, uma determinao pode ser feita no inicio e outra no final de cada
serie de medidas.
A outra situao quando temos um tempo fixo para realizar tanto a contagem
total quanto a contagem do fundo. Se tf e tT so os tempos de medidas para o fundo e a
taxa total e TT e Tf as taxas de contagens total e de fundo, respectivamente, ento o
desvio padro da contagem lquida dada por (vide problema 6)
T T
l = T + f (29)
tT t f

minizando a equao 29 encontra-se

1/ 2
tf Tf
= (30)
tT TT

para o uso otimizado do tempo de contagem. Para determinar esta razo obtem-se
valores aproximados no inicio das medidas.

Algarismos significativos

Devido ao grande nmero de pessoas (alunos o professores) que apresentam dvidas

sobre algarismos significativos, reveremos a seguir algumas regras teis. Os resultados de
medidas ou clculos, os valores descritos devem ter um nmero limitado de algarismos
significativos. "Os algarismos significativos de uma medida so os algarismos
considerados corretos, a contar do primeiro diferente de zero, e o ltimo algarismo, que
o duvidoso " [6]. Algumas regras devem ser seguidas: os zeros direita, em nmeros
decimais, apenas devem ser escritos quando so significativos, Ex : 1,20 possui trs
algarismos significativos. Os zeros apenas so significativos se situados direita de um
algarismo significativo, Ex : 0,012 tem dois algarismos significativos. Os zeros

11
esquerda dos algarismos 1 e 2 apenas expressam que o resultado da medio inferior a
unidade.

Exerccios
Quantos algarismos significativos tem os nmeros abaixo?
a) 145,9000 b) 73,009 c) 1,2 d) 0,543 e) 0,03450
Resp. a) 7 b) 5 c) 2 d) 3 e) 4

Arredondamento

Segundo a ABNT-NBR 5891:1977 Regras de arredondamento na numerao decimal,

ao arredondarmos um nmero, devemos seguir as seguintes regras : O ltimo algarismo
de um nmero deve sempre ser acrescido de uma unidade caso o algarismo descartado
seja superior a cinco (Ex: 235,8 236; 421,0012 421,001). No caso do algarismo
descartado ser igual a cinco, se aps o cinco descartado existirem quaisquer outros
algarismos diferentes de zero, o ltimo algarismo retido ser acrescido de uma unidade
(Ex: 2,0502 2,1). No caso do algarismo descartado ser igual a cinco, se aps o cinco
descartado s existirem zeros ou no existir outro algarismo, o ltimo algarismo retido
ser acrescido de uma unidade somente se for impar (Ex: 2,3500 2,4; 2,25 2,2 ).

Operaes com algarismos significativos

Adio e subtrao somamos ou subtramos normalmente as parcelas e o resultado da

operao deve ter o mesmo nmero de casas decimais da parcela que possuir o menor
nmero de casas decimais. Ex: 73,5 + 4,56 + 0,003 = 78,063 78,1.

Multiplicao e diviso Multiplicamos ou dividimos normalmente as parcelas e o

resultado da operao deve ter o mesmo nmero de algarismos significativos da parcela
que possuir o menor nmero de algarismos significativos. Ex: 25 2,25 = 11,111..
11.

Raiz quadrada a raiz quadrada de um nmero de n significativos pode ter no mximo

n e, no mnimo, n-1 significativos. Ex: (3,45)1/2 =1,857417 1,86 ou 1,9.

Exerccios

Calcule :
a) (25,5)1/2 + 5,0 =
b) 61,890 2,5 =

Resp. a) 9,8 b) 1,5 10

Algumas definies

As definies de vrios termos metrolgicos so extrados das referencias [3 e 4]

12
1
Incerteza (de medio) parmetro, associado ao resultado de uma medio, que
caracteriza a disperso dos valores que podem ser razoavelmente atribudos ao
mensurando.
2
Incerteza padro incerteza do resultado de uma medio expressa como um desvio
padro.
3
Avaliao da Incerteza Tipo A mtodo de avaliao da incerteza pela anlise estatstica
de sries de observaes
4
Avaliao da Incerteza Tipo B- mtodo de avaliao da incerteza por outros meios que
no a anlise estatstica de sries de observaes
5
Valor verdadeiro de uma grandeza valor consistente com a definio de uma dada
grandeza especfica. um valor que seria obtido por uma medio perfeita. Os valores
verdadeiros so por natureza, indeterminados. O artigo indefinido um usado
preferivelmente ao artigo definido o, em conjunto com valor verdadeiro, porque pode
haver muitos valores consistentes com a definio de uma dada grandeza especfica.
6
Valor verdadeiro convencional de uma grandeza- valor atribudo a uma grandeza
especfica e aceito, s vezes por conveno, como tendo uma incerteza apropriada para
uma dada finalidade. Ex: o CODATA (1986) recomendou o valor para a constante de
Avogrado como sendo A = 6,0221367 1023 mol-1.
7
Medio Conjunto de operaes que tem por objetivo determinar o valor de uma
grandeza

Referncias:

1- G. F. Knoll, Radiation Detection and Measurement

2- W. R. Leo, Techniques for Nuclear and Particle Physics Experiments
3- Guia para a Expresso da Incerteza de Medio, Terceira edio Brasileira Guide
to the Expression of Uncertainty in Measurement agosto 2003, ABNT,
INMETRO
4- Vocabulrio Internacional de Termos Fundamentais e Gerais de Metrologia
(VIM)
5- Homero Lenz Csar, Algarismo Significativo Erro Arredondamento,Segunda
edio. Edies UFC, Fortaleza 1995
6- Alexandre Mendes e Pedro Paulo Rosrio, Metrologia & Incerteza de Medio
EPSE, 2005
7- W. J. Price, Nuclear Radiation Detection, McGraw-Hill Book Company, Second
edition, 1958.
8- P. R. Bevington, D. K. Robinson, Data Reduction and Error Analysis for the
Physical Sciencies, 2 ed.

13
Problemas

1 Um tomo contendo 8 eltrons independentes (no h correlao eletrnica)

multiplamente ionizado em uma coliso com um on. A probabilidade de que cada
eltron individual seja ionizado p=0,2.
a) Calcule a probabilidades P(x) de ionizar 1, 2,..,8 eltrons. (dica: utilize a
distribuio binomial)
n
b) Mostre que P( x) = 1 .
x =0
c) Calcule o nmero mdio de eltrons ionizados.
d) Calcule o desvio padro do nmero de eltrons ionizados.

2 Contagens provenientes de uma fonte so acumuladas em um contador por 1 minuto

dando 561 contagens. A fonte removida e acumula-se tambm por 1 minuto contagens
de fundo dando 410 contagens. Qual o numero real de eventos devido a fonte somente e
qual o desvio padro associado ?

3 Um acumulo de 10 minutos de contagens de uma fonte + fundo resulta em 846

contagens. O fundo sozinho resulta em 73 contagens em um mesmo tempo de aquisio.
Qual o numero de contagens liquida e o desvio padro associado?

4 O seguinte conjunto de leituras foi realizado usando um detetor para perodos de

tempo de um minuto. 18500, 18410, 18250, 18760, 18600, 18220, 18540, 18270, 18670,
18540
a) Qual o valor mdio para o numero de contagens?
b) Qual o desvio padro ?
c) Qual o valor terico mnimo para o desvio padro da media ?
d) Qual o desvio padro para uma simples leitura ?
e) Qual o valor terico mnimo para o desvio padro para uma leitura simples?

5 Matria viva, ou que j viveu, contm uma pequena atividade de 14C. Acredita-se que
esta atividade proveniente do bombardeamento do nitrognio atmosfrico por nutrons
provenientes dos raios csmicos, predominante na alta atmosfera. Este carbono radioativo
entra em sistemas vivos por processos de troca e alcana uma concentrao de equilbrio.
Aps a morte, a troca pra, e a quantidade de carbono radioativo diminui devido meia-
vida finita do 14C. Comparando-se a atividade especifica em um material morto com a da
atmosfera, pode-se calcular o tempo passado desde a sua morte. Em um experimento em
particular deste tipo, a taxa de contagens total foi de 14,0 contagens/minuto, e o fundo
(background) foi de 9,5 contagens por minuto. Quanto tempo necessrio para medir a
atividade do 14C com uma preciso de 4 %?

6 Obtenha as equaes 29 e 30.

7 Uma hora disponvel para uma determinao da taxa de contagem incluindo a

medida do fundo. Qual a diviso tima do tempo de aquisio (amostra e fundo) de modo
a minimizar a incerteza da contagem lquida neste perodo de tempo ?

14
 a) caso 1 : as taxas total e de fundo so 1000 e 20 contagens por minuto,
respectivamente.
b) caso 2 : as taxas total e de fundo so 60 e 20 contagens por minuto,
respectivamente. Calcule as incertezas em casa caso.

8 A probabilidade de que um eltron esteja a uma distancia r do centro do ncleo do

tomo de hidrognio dado por P(r) = Cexp(-r/R) . Encontre o raio mdio <r> e o
desvio padro. Encontre o valor da constante C.

9 Mostre que a tangente a uma funo Gaussiana extrema (mxima ou mnima) para x
= , e portanto cruza a curva nos pontos exp(-0,5). Mostre tambm que estas
tangentes cruzam o eixo y em x = 2.

10 Um problema surge quando acumulamos dados com contadores eletrnicos nos

quais podem saturar quando as taxas so muito altas, dando origem ao `tempo morto`.
Por exemplo, apos uma partcula ter passado por um detector, o equipamento estar
`morto` enquanto o detector se recupera e o restante da eletrnica armazena a informao.
Se uma segunda partcula chega ao detector neste intervalo de tempo, ela no sera
contada.
a) Suponha que o contador tem um tempo morto de 200 ns e esta exposto a um feixe
de 1 106 particulas por segundo de tal modo que o numero mdio de partculas
chegando ao contador no intervalo de 200 ns =0.2. A partir da distribuio de
Poisson para este processo, encontre a eficincia do contador; ou seja, a razo
entre o numero de partculas contadas e o numero mdio de partculas incidentes
no intervalo de 200 ns.
b) Repita os clculos pra taxas de feixe de 2, 4, 6, 8, e 10 106 partculas por
segundo, e faca um grfico da eficincia do contador em funo da taxa do feixe.

11 Em um experimento de espalhamento para medir a polarizao de uma partcula

elementar, um total de N= 1000 partculas foram espalhadas pelo alvo. Destas, Nd = 670
foram espalhadas para a direita e Ne = 330 para a esquerda. Suponha que no ha incerteza
no numero total de partculas espalhadas N = Nd + Ne .
a) qual a incerteza em Nd e em Ne?
b) O parmetro de assimetria definido com A= (Nd - Ne)/ (Nd + Ne). Calcule a
assimetria experimental e sua incerteza.
c) Suponha que a assimetria foi prevista como A = 0,400 e recalcule as incertezas do
item a) e b) usando a probabilidade prevista.

12- Em uma dada medida de 10 minutos resultou em uma incerteza estatstica de 2,8 %.
Quanto tempo mais deveria ser medido para reduzir a incerteza estatstica para 1,0 % ?

13 Um fsico de partculas realiza medidas preliminares da distribuio angular dos

mesons K espalhados por um alvo de nitrognio liquido. Ela sabe que deveria ter um
numero igual de partculas espalhadas pra frente e pra trs no referencial do centro de
massa do sistema de partculas. Ela mediu 1000 interaes e encontrou que 472

15
espalharam para frente e 528 para trs.Qual as fraes dos msons espalhados para frente
e para trs? Qual a incerteza ela deveria adotar para estes estes nmeros ?

Respostas

1- a) P(1) =0,336
c) <x>= pN=1,6
d) 1,1
2- 151 contagens. = 31 contagens.
3- 773 contagens. = 30 contagens.
4- a) 18476 b) 58 c) 43 d)184 e)136
5-
6-
7-
8- C = 4/R2
9-

10 numero mdio x = P ( x, ) = 1 P (0, ) = 1 e , eficincia = /exp(-)
x =1
11-
12-
1 1
13- = np (1 p ) = 1000 15.8
2 2
frao para frente = (472 15.8)/1000 = 0,47 0,16

fracao para trs = (528 15.8)/1000 = 0,53 0,16

Se o experimentalista no sabe a priori as probabilidades de espalhamento, ela teria que

estimar a partir das medidas p = 472/1000 e q =528/ 1000

16