Académique Documents
Professionnel Documents
Culture Documents
11 de maio de 2018
Estatística de Contagens e Previsão de
Erros
Capítulos 3/4
Radiation Detection and Measurement
GLENN. F. KNOLL
1
Introdução
2
CARACTERIZAÇÃO DE DADOS
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
∞
𝑥=0 𝐹 𝑥 =1
4
A forma da função de distribuição indica
qualitativamente a flutuação do conjunto
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.
𝑑𝑖 = 0
𝑖=1
6
Definimos o desvio do valor médio real como sendo:
𝜖𝑖 ≡ 𝑥𝑖 − 𝑥
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).
𝑠2 = 𝑥 − 𝑥 2 . 𝐹(𝑥)
𝑥=0
𝑠2 = 𝑥2 − 𝑥 2
1. Todo conjunto de dados pode ser descrito por sua frequência de distribuição F(x);
8
MODELOS ESTATÍSTICOS
𝑛!
𝑃 𝑥 = 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥
𝑛 − 𝑥 ! 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.
𝑛 𝑛
𝑥=0 𝑃(𝑥) = 1 , também tem-se que 𝑥 = 𝑥=0 𝑥𝑃(𝑥)
2
Portanto: 𝑥 = 𝑝𝑛 = . 10 = 6,67
3
𝜎2 ≡ 𝑥 − 𝑥 2 𝑃(𝑥)
𝑥=0
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
14
Distribuição de Poisson
𝒑𝒏 𝒙 𝒆−𝒑𝒏
𝑷 𝒙 =
𝒙!
Como 𝒑𝒏 = 𝒙:
𝒙𝒙 𝒆−𝒙
𝑷 𝒙 =
𝒙!
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.
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
Exemplo
2
1 𝑥−𝑥
𝑃 𝑥 = 𝑒𝑥𝑝 −
2𝜋𝑥 2𝑥
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.
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
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
𝑠2 ≅ 𝜎 2 = 𝑥 ≅ 𝑥
𝑠2 ≅ 𝜎 = 𝑥
23
Essa constatação pode ser deduzida quantitativamente para uma
distribuição Gaussiana (x é grande).
24
𝜎 𝑥 1
A incerteza também pode ser expressa em fração: = = .
𝑥 𝑥 𝑥
25
Precauções
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.
26
PROPAGAÇÃO DE ERRO
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
sabemos:
𝜎𝑥 = 𝑥 = 1071 = 32,7
𝜎𝑦 = 𝑦 = 521 = 22,8
𝜎𝑢 = 𝜎𝑥 2 + 𝜎𝑦 2 = 𝑥 + 𝑦 = 1592 = 39,9
Se definirmos:
𝑢 = 𝐴𝑥
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:
Exercício 2:
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
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
Exemplo:
Cálculo da razão entre duas atividades a partir das incertezas de duas
contagens independente contadas pelo mesmo tempo.
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
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
Σ 𝑁𝑥
𝜎𝑥 = 𝜎Σ /𝑁 = =
𝑁 𝑁
𝑥
𝜎𝑥 =
𝑁
−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:
2. Uma vez que o valor médio é grande, os valores de P (X) para valores de
x adjacentes varia lentamente.
2 −𝜖2/2𝑥
𝐺 𝜖 = 𝑒
𝜋𝑥
38
39
Julio Cezar Suita
suita@ien.gov.br
Ramal: 3955
40