• Nenhum resultado encontrado

Modelagem_e_Simulacao.pdf

N/A
N/A
Protected

Academic year: 2019

Share "Modelagem_e_Simulacao.pdf"

Copied!
67
0
0

Texto

(1)

Lu´ıs Fernando de Oliveira

(2)
(3)

1 Modelagem e Simula¸c˜ao 5

1.1 Sistemas e Modelos . . . 7

1.2 Processo de Modelagem . . . 9

1.3 Processo de Simula¸c˜ao . . . 12

1.3.1 Tipos de Simula¸c˜ao . . . 12

2 T´ecnica de Monte Carlo 13 2.1 Gera¸c˜ao de N´umeros Aleat´orios . . . 14

2.2 Vari´aveis Aleat´orias Discretas . . . 26

2.3 Vari´aveis Aleat´orias Cont´ınuas . . . 27

2.4 Gera¸c˜ao de Vari´aveis Aleat´orias . . . 28

2.4.1 T´ecnica da Transforma¸c˜ao Inversa . . . 28

2.4.2 T´ecnica da Aceita¸c˜ao/Rejei¸c˜ao . . . 30

3 Projeto de Simulador 35 3.1 F´ısica dos Raios X . . . 35

3.1.1 Natureza dos Raios X . . . 35

3.1.2 Tubo de Raio X . . . 36

3.1.3 Intera¸c˜ao dos Raios X com a Mat´eria . . . 37

3.1.4 Atenua¸c˜ao e Transmiss˜ao de Raios X . . . 39

3.1.5 Absor¸c˜ao Fotoel´etrica . . . 41

3.1.6 Emiss˜ao de Radia¸c˜ao Caracter´ıstica . . . 43

3.1.7 Espalhamento Inel´astico ou Compton . . . 48

3.1.8 Espalhamento El´astico ou Thomson . . . 49

3.1.9 Difra¸c˜ao de Raios X ou Espalhamento Rayleigh . . . . 51

3.2 Processo de Modelagem . . . 53

3.2.1 Modelagem Descritiva e Formal do Tubo de Raios X . 53 3.2.2 Modelagem Computacional do Tubo de Raios X . . . . 55

(4)

A Alguns Elementos de Quˆantica 61

(5)

1

Modelagem e Simula¸

ao

Antes de qualquer coisa a ser apresentada, ´e natural que se levante uma pergunta que, neste caso, ´e bastante pertinente: o que ´e modelagem e si-mula¸c˜ao? No centro de qualquer resposta que caiba aqui, sempre se encontrar´a a no¸c˜ao b´asica de quemodelos s˜ao aproxima¸c˜oes do mundo real esimula¸c˜ao ´e reprodu¸c˜ao do funcionamento de um sistema atrav´es da modelagem.

Muito de modelagem e simula¸c˜ao ´e realizado por n´os todos os dias sem que percebamos. De uma certa forma, modelagem e simula¸c˜ao conduzem a uma ideia de aprender fazendo: primeiro, criamos um modelo que reproduza um evento real; depois, simulamos o seu funcionamento e observamos o compor-tamento do modelo; ap´os in´umeras repeti¸c˜oes da simula¸c˜ao, podemos analisar os resultados e tirar uma s´erie de conclus˜oes.

Agora, as conclus˜oes s´o ser˜ao confi´aveis (v´alidas) se tivermos a certeza de que o modelo ´e adequado ao que se busca observar e que a simula¸c˜ao reproduz corretamente o funcionamento do modelo. Esta certifica¸c˜ao contempla, ent˜ao, o que chamamos de verifica¸c˜ao e valida¸c˜ao do modelo e simula¸c˜ao.

Para auxiliar todo o desenvolvimento, em especial a etapa de an´alise, ´e interessante que sejamos capazes de exibir os resultados (visualiz´a-los). Nesta hora, vale a m´axima: “mais vale uma imagem que mil palavras”. ´E bem certo que nem sempre se consegue visualizar os resultados na forma gr´afica ou de imagem. Mas estes n˜ao s˜ao os ´unicos recursos de visualiza¸c˜ao dispon´ıveis. Pode-se recorrer a outras formas menos triviais.

Assim, a ´area de modelagem e simula¸c˜ao est´a ancorada em quatro pilares: modelagem, simula¸c˜ao, visualiza¸c˜ao e an´alise. E dentro da an´alise, temos: verifica¸c˜ao e valida¸c˜ao.

´

E importante ressaltar que arrumar uma defini¸c˜ao para simula¸c˜ao n˜ao ´e t˜ao direto quanto o conceito de modelo. As defini¸c˜oes de simula¸c˜ao abrangem:

• um m´etodo para implementar um modelo no tempo;

• uma t´ecnica de teste, avalia¸c˜ao, an´alise ou treino, visando sistemas

(6)

dos no mundo real ou situa¸c˜oes onde sistemas reais/conceituais s˜ao re-produzidos por modelos;

• um m´etodo cient´ıfico de investiga¸c˜ao envolvendo experimentos com um modelo tanto quanto com uma por¸c˜ao da realidade que o modelo repre-senta;

• uma metodologia para extra¸c˜ao de informa¸c˜ao de um modelo pela ob-serva¸c˜ao do comportamento do modelo quando este ´e executado;

• um termo n˜ao t´ecnico significando “n˜ao real”, imita¸c˜ao.

A simula¸c˜ao ´e aplicada quando o sistema real n˜ao ´e tang´ıvel (no sentido de adquirir, acessar, usar) e este impedimento pode ter v´arias origens:

• o sistema n˜ao ´e/est´a acess´ıvel;

• pode ser perigoso acess´a-lo ou us´a-lo;

• pode ser inaceit´avel seu uso;

• o sistema pode simplesmente n˜ao existir.

Assim, para ultrapassar ou minimizar estes problemas, “imita-se”, “repro-duz-se” as facilidades e processos dos sistemas reais. Aqui entra a modelagem computacional. A modelagem depende da computa¸c˜ao para visualiza¸c˜ao e simula¸c˜ao de fenˆomenos complexos e de grandes propor¸c˜oes. Estes modelos podem ser usados para replicar sistemas complexos que apresentem comporta-mentos ca´oticos e a simula¸c˜ao pode ser aplicada de forma a prover uma vis˜ao detalhada destes sistemas.

A simula¸c˜ao ´e usada para aperfei¸coar o conhecimento, validar modelos e experimentos, treinar humanos, suportar an´alises estat´ısticas, conduzir anima-¸c˜oes, controlar processos em tempo real, predizer potenciais cat´astrofes, testar e avaliar novos sistemas, testar e avaliar novas hip´oteses, suportar an´alises condicionais e por a´ı vai. As simula¸c˜oes podem ser executadas em equipamento que v˜ao desde computadores pessoais at´e supercomputadores, computadores paralelos e distribu´ıdos geograficamente.

O uso da simula¸c˜ao est´a presente desde a solu¸c˜ao de problemas at´e o aper-fei¸coamento de conhecimento (especializa¸c˜ao) sob circunstˆancias que envolvem alto grau de incerteza. Essas categorias de uso se diferenciam no que diz res-peito ao modelo utilizado. Na solu¸c˜ao de problemas, o modelo ´e entendido como sendo suficiente para representar corretamente o sistema modelado. N˜ao h´a muito o que ser feito a n˜ao ser aguardar a solu¸c˜ao.

(7)

incerteza associado `a simula¸c˜ao. Tamb´em, como consequˆencia, quem aplica a simula¸c˜ao para aperfei¸coamento de conhecimento a enxerga como um processo de aprendizagem onde, a cada nova etapa, uma mudan¸ca, uma adapta¸c˜ao, uma melhora est´a sendo inserida. Esta modalidade de simula¸c˜ao se encerra quando o usu´ario julga ter adquirido ou aperfei¸coado seu conhecimento em um n´ıvel satisfat´orio.

Por fim, ´e poss´ıvel adiantar uma lista de vantagens observadas na aplica¸c˜ao da modelagem e simula¸c˜ao neste panorama:

• desenvolvimento de uma habilidade para escolher-se corretamente atrav´es do teste de todos os aspectos envolvidos em propostas de mudan¸ca do “status quo”, sem a exigˆencia de aplica¸c˜ao de novos recursos;

• controle do tempo (expans˜ao e contra¸c˜ao) permitindo ao usu´ario acelerar ou desacelerar os processos e fenˆomenos, facilitando uma pesquisa em profundidade;

• compreens˜ao do por quˆe atrav´es da reconstru¸c˜ao e exame detalhado de cen´arios e controle dos sistemas;

• investiga¸c˜ao de possibilidades em um contexto de pol´ıticas, procedimen-tos operacionais e m´etodos, sem que isso comprometa o sistema;

• diagn´ostico de problemas;

• identifica¸c˜ao de “gargalos”;

• produ¸c˜ao de conhecimento;

• visualiza¸c˜ao de estrat´egias;

• gera¸c˜ao de consenso;

• prepara¸c˜ao para mudan¸cas;

• planejamento para investimentos “pesados”;

• melhor treinamento;

• especifica¸c˜ao de requisitos.

1.1

Sistemas e Modelos

(8)

algo usado no lugar do sistema real para melhor compreens˜ao de um certo as-pecto deste e, para produzi-lo, deve-se abstrair da realidade uma descri¸c˜ao do mesmo com o objetivo de reproduzi-lo de forma matematicamente realiz´avel.

Entende-se por sistema um conjunto organizado de elementos que cola-boram entre si de forma a produzir um resultado espec´ıfico. Os elementos constituintes do sistema podem ser individuais ou sistemas menores (subsis-temas) e a ou as colabora¸c˜oes entre estes elementos configuram processos que podem ser executivos ou transformadores.

Os sistemas podem ser f´ısicos ou abstratos, naturais ou artificiais, dinˆamicos ou est´aticos, abertos ou fechados. O conceito de sistema aberto ou fechado est´a atrelado ao fato do sistema interagir com a vizinhan¸ca ou n˜ao numa rela¸c˜ao de dependˆencia. Ser dinˆamico ou est´atico tem a ver com a capacidade do sistema de se adaptar em fun¸c˜ao de est´ımulos externos criando novos processos. Ser f´ısico ou abstrato dispensa coment´arios assim como ser natural ou artificial. S´o para exemplificar:

• uma casa ´e um modelo f´ısico, fechado, est´atico e artificial;

• um organismo vivo ´e um sistema f´ısico, natural, dinˆamico e aberto;

• um sistema de equa¸c˜oes lineares ´e abstrato e est´atico;

• a sociedade e o sistema financeiro s˜ao sistemas abstratos, abertos e dinˆamico.

Bem, nem sempre o sistema permite que se observe os elementos ou sub-sistemas internos e a ´unica possibilidade ´e a observa¸c˜ao das entradas e sa´ıdas. Neste caso, ´e v´alido lan¸car-se m˜ao de uma abstra¸c˜ao para descrevˆe-lo. Sem conhecer-se o acontece dentro do sistema, mas a partir das rela¸c˜oes entre en-tradas e sa´ıdas, ainda ´e poss´ıvel formular o conceito de processo e express´a-lo como fun¸c˜ao de transferˆencia. Cabe ent˜ao ao modelo, atrav´es de testes, ve-rificar se as fun¸c˜oes de transferˆencia (se forem v´arios processos) reproduzem corretamente o funcionamento do sistema. Se juntarmos as fun¸c˜oes de trans-ferˆencia, as entradas e as sa´ıdas, teremos o modelo formal do sistema. Sem o formalismo matem´atico, temos apenas o modelo conceitual (modelo abstrato). Se levarmos a cabo esta situa¸c˜ao, mesmo quando podemos abrir o sistema (n˜ao confundir com o conceito de sistema aberto ou fechado), chegaremos, em algum momento, em elementos que n˜ao podem ser abertos. Portanto, a mo-delagem formal ou matem´atica sempre caber´a, principalmente no processo de modelagem computacional.

(9)

linear, temos um modelo abstrato. As pol´ıticas econˆomicas s˜ao elaboradas em cima de um modelo econˆomico (que ´e abstrato e dinˆamico).

Os modelos s˜ao criados com diversos prop´ositos, mas a quest˜ao principal sempre ser´a a investiga¸c˜ao. Atrav´es dos modelos, podemos formular hip´oteses e, atrav´es de simula¸c˜ao, podemos testar estas hip´oteses. ´E muito melhor testar hip´oteses usando um modelo do que tentar abordar um sistema real – imagine as quest˜oes sociais...

Outro ponto importante ´e a quest˜ao da representatividade do modelo. Um sistema pode ser representado por diversos modelos, cada um enfatizando um determinado aspecto e, para um mesmo aspecto, podemos ter v´arios modelos, cada um com um n´ıvel de abstra¸c˜ao diferente. Abstra¸c˜ao e complexidade est˜ao intimamente ligados: modelos muito simples s˜ao muito abstratos ao passo que modelos complexos podem perder generalidade. O grau de representatividade do modelo depende dos objetivos finais da investiga¸c˜ao. Tamb´em vale a pena notar que um modelo dificilmente representar´a o sistema real completamente (salvo algumas situa¸c˜oes de analogia). Ent˜ao, na simula¸c˜ao, deve-se tolerar “erros”, pequenas disparidades entre os resultados reais e os obtidos com o modelo. Por isso, os processos de verifica¸c˜ao e valida¸c˜ao s˜ao muito importantes.

1.2

Processo de Modelagem

Em geral, o processo de modelagem est´a baseado em etapas que permitem a gera¸c˜ao de modelos. O cumprimento destas etapas, em ordem espec´ıfica sem anular a possibilidade de realimenta¸c˜ao, materializa a metodologia de modelagem em si. As etapas s˜ao:

• identifica¸c˜ao do problema;

• especifica¸c˜ao dos objetivos da modelagem

• an´alise das caracter´ısticas operacionais dos sistemas e coleta de dados que descrevam o comportamento do sistema (modelagem conceitual);

• verifica¸c˜ao do modelo;

• formula¸c˜ao do modelo do sistema incluindo as vari´aveis de entrada, sa´ıda e de estado e os processos realizados pelo sistema (modelagem formal);

• estima¸c˜ao dos valores usados pelos parˆametros internos e externos do modelo;

• verifica¸c˜ao do modelo;

(10)

• verifica¸c˜ao do modelo;

• especifica¸c˜ao das simula¸c˜oes a serem realizadas;

• an´alise dos resultados;

• verifica¸c˜ao do modelo e valida¸c˜ao da simula¸c˜ao.

No processo de modelagem, as quatro primeiras etapas est˜ao diretamente ligadas a formula¸c˜ao do modelo conceitual. Cabe destacar que o modelo pode se referir tanto ao sistema como um todo assim como de alguma parte, um subsistema, e n˜ao envolve nenhuma representa¸c˜ao formal (matem´atica) do sistema ou de parte dele. O objetivo desta modelagem ´e capturar a essˆencia do sistema, seu funcionamento, sua intera¸c˜ao com a vizinhan¸ca, seus pr´e-requisitos e suas limita¸c˜oes. O n´ıvel de especificidade do modelo conceitual depende dos objetivos estabelecidos no in´ıcio do processo de modelagem. Esta etapa deve ser repetida at´e que o modelo conceitual descreva claramente o sistema visado dentro dos limites estabelecidos nos objetivos.

Na etapa de formula¸c˜ao do modelo, o processo avan¸ca na dire¸c˜ao da repre-senta¸c˜ao formal do sistema, isto ´e, na sua descri¸c˜ao matem´atica. Esta descri¸c˜ao formal deve ser coerente com a descri¸c˜ao conceitual gerada nas etapas anterio-res. Da intera¸c˜ao com a vizinhan¸ca, a modelagem formal retira as informa¸c˜oes sobre entradas e sa´ıdas. Do funcionamento e limita¸c˜oes do sistema, a mode-lagem gera um conjunto de fun¸c˜oes que relacionam as entradas com as sa´ıdas e que, organizadas de forma l´ogica, reproduzem o funcionamento do sistema real. E dos pr´e-requisitos, a modelagem estabelece as vari´aveis de estado do sistema.

Neste ponto, o modelo formal pode ser avaliado a partir de valores iniciais previamente estabelecidos de forma a testar a adequa¸c˜ao do formalismo na reprodu¸c˜ao do comportamento do sistema real. A verifica¸c˜ao se d´a no con-fronto entre a observa¸c˜ao do sistema em situa¸c˜oes espec´ıficas (controladas) e o comportamento do modelo nestas mesmas condi¸c˜oes atrav´es da aplica¸c˜ao de valores `as vari´aveis relacionadas e avalia¸c˜oes num´ericas e gr´aficas. Repete-se a etapa at´e que o modelo formal traduza corretamente o comportamento do sistema em n´umeros.

(11)

sequˆencia de tarefas que para o ser humano ´e extenuante. Ent˜ao, a etapa de verifica¸c˜ao do modelo computacional pode ser uma oportunidade de se verificar se o modelo formal ´e correto e representa bem o modelo conceitual.

Depois de in´umeras repeti¸c˜oes das etapas de modelagem conceitual, formal e computacional, o projetista entra na fase “aparentemente final” que ´e a de especifica¸c˜ao das simula¸c˜oes. Neste momento, o projetista est´a voltado para re-produ¸c˜ao do sistema real como um todo e em condi¸c˜oes n˜ao pr´e-estabelecidas, mas que podem ser obtidas atrav´es da observa¸c˜ao experimental. Se o sistema real ´e complexo, todos os subsistemas devem ter sido verificados. A simula¸c˜ao do sistema deve atender, cumprir, os objetivos especificados no in´ıcio da mo-delagem. Somente depois de verificados os resultados da simula¸c˜ao ´e que o processo de modelagem ´e dito validado.

A verifica¸c˜ao e a valida¸c˜ao do modelo s˜ao muito importantes ao longo de todo o processo de modelagem, pois asseguram o atendimento das especi-fica¸c˜oes iniciais e credencia os resultados das simula¸c˜oes baseadas no modelo proposto.

A verifica¸c˜ao tem por objetivo avaliar o modelo quanto as suas especifici-dades e necessiespecifici-dades, sendo testado contra as suas especifica¸c˜oes e requisitos sem os quais o modelo falha. Se o modelo representa um sistema e, por sua vez, o sistema apresenta uma s´erie de pr´e-requisitos, ent˜ao o modelo deve apresentar estes mesmos requisitos. Por exemplo, o sistema real gera como re-sultado um arquivo com um formato espec´ıfico. Sem nos preocuparmos com a interpreta¸c˜ao do conte´udo, o processo de verifica¸c˜ao deve analisar se o modelo tamb´em gera um arquivo e se o formato deste ´e compat´ıvel com a sa´ıda real do sistema. Se o modelo ´e aprovado nesta verifica¸c˜ao, passamos para a etapa de valida¸c˜ao.

O processo de verifica¸c˜ao n˜ao envolve, necessariamente, simula¸c˜ao, pois as condi¸c˜oes operacionais do modelo podem n˜ao ser reais, ou seja, aplicam-se condi¸c˜oes iniciais (configura¸c˜oes) de teste. O modelo sob verifica¸c˜ao tamb´em pode estar deslocado de seu ambiente de opera¸c˜ao final, ou seja, ele ´e parte de um conjunto de modelos (um submodelo, an´alogo a um subsistema) e, portanto, seus resultados n˜ao tem significado.

As realimenta¸c˜oes nos processos de modelagem ocorrem nas etapas de ve-rifica¸c˜ao do modelo. Caso o modelo n˜ao passe na avalia¸c˜ao, o usu´ario (no papel do analista/projetista) retorna para alguma etapa anterior e recome¸ca a modelagem. E se o modelo verificado ´e parte de uma modelagem mais am-pla, mesmo que um modelo espec´ıfico seja considerado verificado e aprovado, o usu´ario dever´a retornar `as etapas iniciais para proceder a modelagem das demais partes do sistema. Somente ap´os a verifica¸c˜ao de todos os modelos (de cada parte do sistema) ´e que ele estar´a habilitado para as etapas seguintes: modelagem computacional e valida¸c˜ao.

(12)

verifi-cado e aprovado anteriormente, isto ´e, atende aos requisitos apresentados na concep¸c˜ao do modelo. A coerˆencia entre os resultados envolve a no¸c˜ao de acui-dade que depende de valores estabelecidos como referˆencia. A valida¸c˜ao est´a intimamente ligada `a qualidade dos resultados gerados pelo modelo, isto ´e, dos resultados gerados pela simula¸c˜ao do sistema real atrav´es do modelo con-cebido. Se o modelo ´e dito validado, significa que seus resultados s˜ao confi´aveis e o sistema real pode ser substitu´ıdo pelo modelo. O resultado da valida¸c˜ao ´e a credibilidade do modelo.

1.3

Processo de Simula¸c˜

ao

1.3.1

Tipos de Simula¸

ao

Das ideias j´a apresentadas, a simula¸c˜ao em si corresponde a aplica¸c˜ao de uma metodologia para manipula¸c˜ao de um modelo e visa reproduzir o com-portamento de um sistema atrav´es de sua modelagem matem´atica. Esta re-produ¸c˜ao comportamental pode ser realizada baseada no tempo ou na ocor-rˆencia de eventos e isto revela algumas modalidades de simula¸c˜ao.

A simula¸c˜ao pode ser do tipo cont´ınua ou discreta no tempo. O que ca-racteriza cada uma das duas modalidades ´e o comportamento do parˆametro observado durante a simula¸c˜ao. Imagine a simula¸c˜ao de um carro que se desloca com velocidade uniforme e, de repente, freia. Se a vari´avel obser-vada for a velocidade, esta ir´a variar continuamente no tempo at´e que o carro pare. Imagine agora o sinal de pedestre. Uma fun¸c˜ao que descreva a troca de estado do sinal ´e uma fun¸c˜ao discreta. Logo, simular o sinal ser´a atrav´es de uma simula¸c˜ao discreta no tempo e simular o carro parando ´e uma si-mula¸c˜ao cont´ınua no tempo. Os modelos matem´aticos usados est˜ao escritos como fun¸c˜oes alg´ebricas do tempo e se as condi¸c˜oes iniciais do fenˆomeno forem repetidas a cada simula¸c˜ao, obteremos os mesmo resultados.

(13)

2

ecnica de Monte Carlo

A t´ecnica de Monte Carlo foi desenvolvida nos anos 40 do s´eculo passado pelo grupo de pesquisadores do laborat´orio de Los Alamos, EUA, durante o per´ıodo da segunda grande guerra. O principal prop´osito da t´ecnica era au-xiliar na simula¸c˜ao de blindagem para nˆeutrons proveniente de fiss˜ao nuclear atrav´es de computador. Foi a mesma ´epoca e grupo que desenvolveu a lingua-gem Fortran.

Existem alguns registros indicando que a base da t´ecnica de Monte Carlo foi elaborada por um matem´atico francˆes chamado Contˆe de Buffon durante o s´eculo 18. O prop´osito de Buffon era avaliar a express˜ao de distribui¸c˜ao de probabilidade que modelava a probabilidade de uma agulha de comprimento Lcair sobre um conjunto de linhas paralelas espa¸cadas com distˆancia d. Para atender o objetivo, Buffon literalmente lan¸cava as agulhas e contava o n´umero de vezes que a agulha interceptava as linhas em fun¸c˜ao do tamanho da agu-lha e do espa¸camento das linhas. O que Buffon fez ´e a base da amostragem estat´ıstica. E o processo de lan¸camento das agulhas ´e a base da simula¸c˜ao de processos estoc´asticos.

O evento de intercepta¸c˜ao da agulha com uma linha ´e um processo aleat´orio, n˜ao controlado, e isso ´e muito importante para o processo de valida¸c˜ao de hip´oteses, pois elimina uma s´erie de fontes de erro, principalmente os erros tendenciosos. A agulha pode cair sobre o plano das linhas fazendo um ˆangulo qualquer com as mesmas, ou seja, a distribui¸c˜ao de probabilidade do ˆangulo final ´e uniforme, isto ´e, isoprov´avel. Por´em, ao condicionarmos o evento de lan¸camento com a intercepta¸c˜ao de alguma das linha paralelas, transforma-mos a distribui¸c˜ao isoprov´avel em uma distribui¸c˜ao particular, espec´ıfica. ´E intuitivo pensar que se a agulha cai paralela `as linhas, a probabilidade de inter-cepta¸c˜ao tende a um valor m´ınimo. J´a no caso de a agulha cair perpendicular `as linhas, as chances de intercepta¸c˜ao aumentam bastante. Se a distˆancia entre as linhas aumenta, a probabilidade de intercepta¸c˜ao diminui, assim como no caso de o tamanho da agulha diminuir. Logo, a distribui¸c˜ao de probabilidade n˜ao ´e mais uniforme.

(14)

Os valores num´ericos que representam os ˆangulos de queda da agulha s˜ao valores aleat´orios que obedecem a distribui¸c˜ao isoprov´avel. A partir destes n´umeros aleat´orios, em fun¸c˜ao das condicionantes impostas no processo de amostragem, s˜ao gerados resultados ainda aleat´orios, mas que obedecem agora a uma distribui¸c˜ao n˜ao isoprov´avel. Estes resultados s˜ao chamados de vari´aveis aleat´orias. Daqui ´e poss´ıvel delinear um esquema de amostragem estat´ıstica: gera-se um n´umero aleat´orio para se gerar uma vari´avel aleat´oria. A forma como isso ´e processado corresponde `a t´ecnica de Monte Carlo.

Ent˜ao, o primeiro passo ´e a gera¸c˜ao de n´umeros aleat´orios. Vejamos de forma mais detalhada.

2.1

Gera¸c˜

ao de N´

umeros Aleat´

orios

Existem algumas t´ecnicas de gera¸c˜ao de n´umeros aleat´orios em computador j´a consagradas. A t´ecnica mais utilizada chama-se t´ecnica de congruˆencia linear. O modelo gerador de n´umeros aleat´orios est´a baseado na seguinte express˜ao recursiva:

nk+1 =resto(ank+b, m)

onde a, b, m, nk+1 e nk s˜ao constantes inteiras positivas, a ´e o multiplicador,

b ´e a constante aditiva, m ´e o m´odulo gerador e nk+1 ´e o n´umero aleat´orio

gerado pelo processo de itera¸c˜ao tendonk como n´umero gerador (“semente”).

A fun¸c˜ao resto() retorna o resto da divis˜ao deank+b por m.

Se o multiplicadora´e unit´ario e a constante aditiva b´e n˜ao nula, a t´ecnica ´e dita ser de congruˆencia aditiva. Se o multiplicador a ´e n˜ao nulo e n˜ao unit´ario e a constante aditiva b ´e nula, a t´ecnica ´e dita ser de congruˆencia multiplicativa. Se a ´e n˜ao nulo e n˜ao unit´ario e b tamb´em n˜ao ´e nulo, a t´ecnica ´e dita ser de congruˆencia mista. Vejamos um exemplo usando a t´ecnica de congruˆencia aditiva:

C´odigo 2.1: exemplo1.c

# include < stdio .h >

# include < math .h >

int main(void) {

int a, b; /* m u l t i p l i c a d o r e const . aditiva */

int m, n; /* modulo gerador e semente */

int i; /* c o n t a d o r a u x i l i a r */

a = 1; /* m u l t i p l i c a d o r u n i t a r i o */

b = 5; /* c o n s t a n t e aditiva */

m = 13; /* modulo */

(15)

/* i m p r i m i r 26 numeros a partir da semente */

for ( i=0; i<2*m; i++ ) {

/* gerador de numeros */

n = (a*n + b)%m; printf(" %3 d \ t ",n); }

printf(" \ n ");

return 0;

}

A sequˆencia de sa´ıda ´e

6,11,3,8,0,5,10,2,7,12,4,9,1

| {z }

sequˆencia aleat´oria

,6,11,3,8,0,5,10,2,7,12,4,9,1, ...

Entre as t´ecnicas de congruˆencia, a multiplicativa ´e a mais implementada pela simplicidade e eficiˆencia computacional. Por isso, a apresenta¸c˜ao do tema sobre gera¸c˜ao de n´umeros aleat´orios dar´a enfase a esta modalidade. A ex-press˜ao recursiva da congruˆencia multiplicativa ´e:

nk+1 =resto(ank, m) = ank−mRk ∴Rk =

jan

k

m

k

onde o operador “⌊ ⌋” indica o c´alculo do maior n´umero inteiro menor que o resultado da opera¸c˜ao analisada que, neste caso, ´eank/m, ou seja, ´e o resultado

real truncado. Os n´umerosnk+1 gerados pela recurs˜ao n˜ao ultrapassam o valor

dem. Logo, o papel dem´e definir a magnitude dos n´umeros aleat´orios inteiros. O primeiro valor aplicado `a express˜ao, isto ´e, n0, ´e chamado de semente da sequˆenciae tamb´em deve ser menor que m. Ela determina completamente a sequˆencia de n´umeros gerados.

Percorrendo a itera¸c˜ao,

• para k= 0: n1 =an0 −mR0

• parak = 1: n2 =an1−mR1 =a(an0−mR0)−mR1 =a2n0−m(R1+aR0)

• para k= 2: n3 =an2 −mR2 =a3n0−m(R2+aR1+a2R0)

• parak =t: nt+1 =ant−mRt =at+1n0−mPti=0aiRt−i =at+1n0−mR= resto(at+1n

0, m)

(16)

ter valores menores que m, o conjunto de valores poss´ıveis tem, no m´aximo, m elementos. Este ´e o comprimento m´aximo de uma sequˆencia de n´umeros aleat´orios isoprov´aveis, dado que cada n´umero dentro do universo de valores poss´ıveis ´e gerado uma ´unica vez, ou seja, cada n´umero tem a probabilidade p(nk) = 1/m. Se forem gerados mais n´umeros do que o comprimento m´aximo,

a sequˆencia de n´umeros ir´a se repetir. Por isso, a gera¸c˜ao de n´umeros aleat´orios em computador ´e na verdade pseudo-aleat´orio.

Para que uma sequˆencia de n´umeros pseudo-aleat´orios tenda para uma sequˆencia de n´umeros aleat´orios, ´e necess´ario que o comprimento da sequˆencia tenda a infinito, ou seja, a sequˆencia n˜ao seja peri´odica (fato praticamente imposs´ıvel em um computador digital). E para que o comprimento tenda a infinito, ´e necess´ario que o valor de m tamb´em tenda a infinito (outro fato imposs´ıvel). E mesmo que o maior valor de n´umero inteiro represent´avel no computador seja usado comom, o comprimento real da sequˆencia de n´umeros pseudo-aleat´orios pode ser inferior a m.

Para que a sequˆencia seja ´util, deseja-se que ela seja a maior poss´ıvel. O comprimento efetivo da sequˆencia ´e medido contando-se o n´umero de elementos gerados a partir da semente at´e que a pr´opria semente seja reproduzida, ou seja, a semente ´e sempre o ´ultimo elemento da sequˆencia de n´umeros gerados. Dos parˆametros part´ıcipes da express˜ao de recurs˜ao, m e nk tˆem papeis pr´oprios.

Ent˜ao, o comprimento efetivo da sequˆencia de n´umeros deve ser fun¸c˜ao dea. O exemplo a seguir implementa a gera¸c˜ao de n´umeros aleat´orios atrav´es da t´ecnica de congruˆencia multiplicativa. Nele, o valor de a ´e incrementado unitariamente desde o valor 2 at´em−1, uma vez que a restri¸c˜ao inicial para a´e que ele seja menor que m.

C´odigo 2.2: exemplo2.c

# include < stdio .h >

# include < math .h >

int main(void) {

int a, m;

int n, n0;

int i;

m = 13; n0 = 1;

/* para cada p o s s i v e l valor de ‘a ’ */

for ( a=2; a<m; a++ ) {

printf(" a = %2 d : n = { ",a);

/* r e i n i c i a a geracao com a semente n0 */

n = n0;

(17)

/* gerador de numeros a l e a t o r i o s */

n = (a*n)%m;

if (n == n0) { /* se fim da s e q u e n c i a ... */

printf(" %3 d }\ n ",n);

break;

} else { /* senao ... */

printf(" %3 d , ",n); }

} }

return 0;

}

O c´odigo, cuja sa´ıda ´e reproduzida a seguir, imprime na tela os n´umeros aleat´orios gerados para cada combina¸c˜ao de a.

Em rela¸c˜ao a extens˜ao da sequˆencia, o maior comprimento obtido neste m´etodo ´e m −1 como pode ser constatado observando a sa´ıda gerada pelo exemplo.

• a = 2: n = 2, 4, 8, 3, 6, 12, 11, 9, 5, 10, 7, 1

• a = 3: n = 3, 9, 1

• a = 4: n = 4, 3, 12, 9, 10, 1

• a = 5: n = 5, 12, 8, 1

• a = 6: n = 6, 10, 8, 9, 2, 12, 7, 3, 5, 4, 11, 1

• a = 7: n = 7, 10, 5, 9, 11, 12, 6, 3, 8, 4, 2, 1

• a = 8: n = 8, 12, 5, 1

• a = 9: n = 9, 3, 1

• a = 10: n = 10, 9, 12, 3, 4, 1

• a = 11: n = 11, 4, 5, 3, 7, 12, 2, 9, 8, 10, 6, 1

• a = 12: n = 12, 1

(18)

Cabe a pergunta: quais s˜ao as caracter´ısticas de a para que a sequˆencia de n´umeros pseudo-aleat´orios tenha o maior comprimento efetivo? Para res-ponder isso, faremos algumas res-pondera¸c˜oes, analisando as propriedades que envolvem o parˆametro a.

A express˜ao que relaciona a semente como ´ultimo n´umero da sequˆencia com ela pr´opria ´e

n0 =apn0−mR∴R= p−1

X

i=0

aiRp−1−i

onde p representa o comprimento efetivo da sequˆencia e o elemento R ´e um valor inteiro que pode ser expresso em termos dos demais parˆametros:

R= (a

p1)n

0 m

Esta igualdade imp˜oe que m seja divisor de (ap1)n

0, ou seja,

resto((ap−1)n0, m) = 0

E mais, se a sementen0 n˜ao interfere no comprimento da sequˆencia, visto que o

papel da semente ´e determinar os n´umeros da sequˆencia, resta-nos reconhecer que m deve ser divisor apenas de (ap1). Logo,

resto(ap−1, m) = 0

Esta ´e uma caracter´ıstica muito importante que relaciona qualquer valor dea com m para gera¸c˜ao de uma sequˆencia de n´umeros pseudo-aleat´orios. Como desejamos o comprimento m´aximo, pdeve ser igual a m−1:

resto(am−1 −1, m) = 0

e nenhum outro valor de p < m−1, para a e m dados, pode satisfazer esta condi¸c˜ao, pois, se algum p < m−1 satisfizer a condi¸c˜ao, sabendo que p ´e a posi¸c˜ao na sequˆencia onde a semente aparece, significa que a sequˆencia n˜ao tem comprimento m´aximo. No exemplo dado, com m igual a 13 e a combina¸c˜ao dos valores de a desde 2 at´e 12, observa-se que:

• a = 2: resto(2p1,13)

p=12= 0 ⇒p=m−1

• a = 3: resto(3p1,13)

p=3 = 0⇒p < m−1

• a = 4: resto(4p1,13)

p=6 = 0⇒p < m−1

• a = 5: resto(5p1,13)

(19)

• a = 6: resto(6p1,13)

p=12= 0 ⇒p=m−1

• a = 7: resto(7p1,13)

p=12= 0 ⇒p=m−1

• a = 8: resto(8p1,13)

p=4 = 0⇒p < m−1

• a = 9: resto(9p1,13)

p=3 = 0⇒p < m−1

• a = 10: resto(10p1,13)

p=6 = 0⇒p < m−1

• a = 11: resto(11p1,13)

p=12= 0⇒p=m−1

• a = 12: resto(12p1,13)

p=2 = 0⇒p < m−1

confirmando os comprimentos obtidos na pr´atica. Ent˜ao, quando o valor dea´e tal que a express˜aoresto(ap1, m) = 0 ´e verdadeira somente para p=m1,

este valor ´e dito ser uma raiz primitiva de m e a sequˆencia tem o maior comprimento efetivo. Agora, existe alguma imposi¸c˜ao ao valor dem?

A resposta ´e simples e direta: sim. O valor demdeve ser um n´umero primo para evitar que algum dos n´umeros gerados seja reduzido por ele porque, se um valor d ´e divisor de m e se nk ´e m´ultiplo de d, ent˜ao os demais n´umeros

gerados ser˜ao m´ultiplos de d e a sequˆencia n˜ao ser´a mais aleat´oria. Sendo m um n´umero primo e sabendo que nk n˜ao ultrapassa o valor de m, as condi¸c˜oes

m´ınimas para gera¸c˜ao de uma sequˆencia pseudo-aleat´oria ficam garantidas. Por´em, temos o valor de a que, at´e ent˜ao, est´a relacionado ao valor de m atrav´es da rela¸c˜ao resto(ap 1, m) = 0 para p = m1 exclusivamente.

Existe mais alguma imposi¸c˜ao quanto ao valor de a? Infelizmente, n˜ao. Mas, podemos extrair mais algumas informa¸c˜oes sobre os valores de a observando as sequˆencias geradas.

Primeira observa¸c˜ao ´e o fato de existirem sequˆencias que s˜ao inversas umas das outras, aos pares. Repare que, para m = 13, a = 2 e a = 7 geram sequˆencias inversas, a = 3 e a = 9 tamb´em assim como outros pares. Assu-mindo que o par de um valor de a seja representado pelo s´ımbolo ¯a, ´e fato que

resto(a¯a, m) = 1

Veja

• a= 2 e ¯a= 7 produz resto(2×7,13) =resto(14,13) = 1

(20)

• a= 4 e ¯a= 10 produz resto(4×10,13) =resto(40,13) = 1

• a= 5 e ¯a= 8 produz resto(5×8,13) =resto(40,13) = 1

• a= 6 e ¯a= 11 produz resto(6×11,13) =resto(66,13) = 1

• a= 12 e ¯a= 12 produz resto(12×12,13) =resto(144,13) = 1

Se encontrarmos os pares, reduzimos a busca pelos valores dea `a metade, isto ´e, num universo de m−2 poss´ıveis valores de a, pois o menor valor de a ´e 2, devemos encontrar (m−2)/2 valores. E se m ´e primo, ent˜ao ´e um n´umero ´ımpar. Logo, m−2 tamb´em ´e ´ımpar e (m−2)/2 n˜ao ´e um n´umero inteiro. Mas, observando as sequˆencias geradas, percebemos que o valor dea =m−1 ´e pareado com ele pr´oprio. Ent˜ao, devemos encontrar, na verdade, (m−3)/2 valores para a desde a= 2 at´e a=m−2.

O produto a¯a deve ser m´ultiplo de m mais uma unidade, isto ´e,

a¯a=c×m+ 1

onde c´e uma constante inteira positiva n˜ao nula. Ent˜ao,

¯

a = c×m+ 1

a

Para encontrar ¯a, devemos testar os valor de c e para que a express˜ao seja v´alida, n˜ao pode haver resto, ou seja,

resto(cm+ 1, a) = 0

O valor de cpode ser testado iterativamente, iniciando com o valor unit´ario e encerrando quando o teste der resto nulo.

As duas rotinas a seguir implementam uma fun¸c˜ao para testar se um de-terminado n´umero ´e primo ou n˜ao e uma outra fun¸c˜ao que retorna o par de um determinado a dado m.

C´odigo 2.3: Fun¸c˜ao TestaPrimo.

char T e s t a P r i m o(u n s i g n e d long int m) {

u n s i g n e d long int i, resp;

/* 2 eh o unico primo par */ /* o r e s t a n t e dos primos eh impar */

resp = m%2;

/* e n q u a n t o ‘i ’ for menor que ‘m ’ e ‘ resp ’ for d i f e r e n t e de zero */

for ( i=3; resp && i<m; i+=2 ) {

/* se ‘m ’ eh primo , entao ‘ resp ’ deve ser sempre d i f e r e n t e de zero */

(21)

}

printf(" Menor divisor : % ld \ n ",i-1);

/* se ‘ resp ’ eh nao nulo , r e t o r n a r 1 senao , r e t o r n a r 0 */

return resp?1:0; }

C´odigo 2.4: Fun¸c˜ao FazPar.

u n s i g n e d long int FazPar(u n s i g n e d long int a,

u n s i g n e d long int m) {

u n s i g n e d long int i, c, r=1;

/* e n q u a n t o ‘r ’ for nao nulo e ‘i ’ for menor que ‘m -1 ’ */

for ( i=1; r && i<m-1; i++ ) { c = i;

/* testar valor de ‘c ’ na e x p r e s s ~a o */

r = (c*m+1)%a; }

/* r e t o r n a r o par de ‘a ’ */

return (c*m+1)/a; }

Para especificar um valor deaque, combinado com m, gere uma sequˆencia com comprimento m´aximo, falta a aplica¸c˜ao de um teste que avalie se este a ´e ou n˜ao uma raiz primitiva de m. Isto significa avaliar os valores dep, desde 2 at´em−2 na express˜ao resto(ap1, m) 6= 0. Repare que os comprimentos

efetivos das sequˆencias tem rela¸c˜ao com os divisores do valor m − 1. No exemplo, os divisores de m −1 = 12 s˜ao: 2,3,4,6,12. Comparando com os comprimentos das sequˆencias, constatamos que:

• para a= 12, a sequˆencia tem comprimento p= 2;

• para a= 3,9, a sequˆencia tem comprimento p= 3;

• para a= 5,8, a sequˆencia tem comprimento p= 4;

• para a= 4,10, a sequˆencia tem comprimento p= 6;

• para a= 2,6,7,11, a sequˆencia tem comprimentop= 12.

(22)

O c´odigo a seguir gera as sequˆencias pseudo-aleat´orias para um n´umerom primo fornecido em linha de comando. Primeiro, o valor de m´e testado para comprovar que seja um n´umero primo. Se passar no teste,m´e assumido como m´odulo gerador. Depois, uma lista de divisores ´e gerada e armazenada na forma de vetor indexado. Eles ser˜ao usados para otimizar a busca pelas ra´ızes primitivas. A partir deste ponto, os valores do multiplicador a s˜ao avaliados como poss´ıveis ra´ızes primitivas. Ao encontrar uma raiz primitiva, o c´odigo gera o par ¯adesta raiz. Se o valor do par for maior que o valor deaavaliado, a sequˆencia ´e gerada e impressa na tela. Caso contr´ario, o c´odigo salta a gera¸c˜ao da sequˆencia uma vez que o par j´a foi impresso.

C´odigo 2.5: exemplo3.c

# include < stdlib .h >

# include < stdio .h >

# include < math .h >

/* - - - */

/* d e f i n i c a o de tipos */

/* - - - */

typedef u n s i g n e d long int uli;

typedef struct {

int t; /* tamanho */

uli *e; /* e l e m e n t o s */

} l i s t a _ u l i;

/* - - - */

/* p r o t o t i p o s */

/* - - - */

uli FazPar(uli a, uli m);

uli a p _ m o d _ m(uli a, uli b, uli m);

char T e s t a r P r i m o(uli n);

char T e s t a r R a i z P r i m i t i v a(uli a, uli m, l i s t a _ u l i *p);

l i s t a _ u l i *G e r a r D i v i s o r e s(uli n);

/* - - - */ /* p r o g r a m a p r i n c i p a l */ /* - - - */

int main(int argc, char *argv[]) { uli m, n,

(23)

i; l i s t a _ u l i *p;

m = atoi(argv[1]);

if (!T e s t a r P r i m o(m)) {

printf(" % ld nao eh numero primo .\ n ",m); exit(0);

}

p = G e r a r D i v i s o r e s(m-1);

for ( a=2; a<m; a++ ) {

if (T e s t a r R a i z P r i m i t i v a(a,m,p)) { aa = FazPar(a,m);

if (aa>a) {

printf(" % ld : raiz p r i m i t i v a de % ld ",a,m); printf(" , par : % ld \ n ",aa);

n = 1;

for ( i=0; i<m-1; i++ ) { n = (a*n)%m;

printf(" % ld ",n); }

printf(" \ n \ n "); }

} }

return 0;

}

/* - - - */

/* funcoes a u x i l i a r e s */

/* - - - */

char T e s t a r P r i m o(uli n) {

uli i, /* c o n t a d o r */

resp; /* resto de divisao */

/* se n for m u l t i p l o de 2 , */ /* entao resp eh zero */

resp = n%2;

/* e n q u a n t o resp for d i f e r e n t e */ /* de zero , testar n */

(24)

resp = n%i; }

/* se resp eh d i f e r e n t e de 0 , */ /* entao retorna 1 */

return resp?1:0; }

/* - - - */

uli a p _ m o d _ m(uli a, uli p, uli m) { uli i, c = a;

/* a p o t e n c i a a ** p eh muito grande , d e p e n d e n d o dos valores de a e p */ /* entao , ( a ** p ) modulo m precisa

ser c a l c u l a d o de forma d i f e r e n t e */

for ( i=1; i<p; i++ ) { c = (a*c)%m;

}

return c;

}

/* - - - */

char T e s t a r R a i z P r i m i t i v a(uli a, uli m, l i s t a _ u l i *p) { uli i, /* c o n t a d o r */

r1, /* teste 1 */

r2; /* teste 2 */

r1 = 1;

for ( i=0; r1 && i<p- >t-1; i++ ) { r1 = a p _ m o d _ m(a,p- >e[i] ,m) -1; }

r2 = a p _ m o d _ m(a,p- >e[i] ,m) -1;

return (r1 && !r2) ? 1 : 0; }

/* - - - */

l i s t a _ u l i* G e r a r D i v i s o r e s(uli n) {

uli i; /* c o n t a d o r */

int nd; /* numero de d i v i s o r e s */

(25)

nd = 0;

for ( i=2; i<=n; i++ )

if (n%i==0) nd++;

d = new l i s t a _ u l i; d- >t = nd;

d- >e = new uli [nd];

nd = 0;

for ( i=2; i<=n; i++ )

if (n%i==0) d- >e[nd++] = i;

return d;

}

/* - - - */

uli FazPar(uli a, uli m) { uli i, c, r=1;

/* e n q u a n t o ‘r ’ for nao nulo e ‘i ’ for menor que ‘m -1 ’ */

for ( i=1; r && i<m-1; i++ ) { c = i;

/* testar valor de ‘c ’ na e x p r e s s ~a o */

r = (c*m+1)%a; }

/* r e t o r n a r o par de ‘a ’ */

return (c*m+1)/a; }

/* - - - */

No teste da raiz primitiva, a potˆencia ap 1 precisa ser calculada. Este

valor pode extrapolar a representa¸c˜ao num´erica do computador para valores inteiros (j´a imaginando a maior representa¸c˜ao poss´ıvel). Para ultrapassar esta dificuldade, o c´alculo de resto(ap 1, m) precisa ser repensado.

Numerica-mente, resto(ap 1, m) ´e igual a resto(ap, m)1, pois resto(1, m) = 1, e

resto(ap, m) pode ser calculado iterativamente. Vejamos um caso pr´atico:

• resto(31,5) =resto(3,5) = 3

• resto(32,5) =resto(9,5) = 4

resto(32,5) =resto(3×3,5) =resto(3×resto(3,5),5) =

(26)

• resto(33,5) =resto(27,5) = 2

resto(33,5) =resto(3×32,5) =resto(3×resto(32,5),5) =

=resto(3×4,5) =resto(12,5) = 2

• resto(34,5) =resto(81,5) = 1

resto(34,5) =resto(3×33,5) =resto(3×resto(33,5),5) =

=resto(3×2,5) =resto(6,5) = 1

Generalizando,

resto(ap, m) =resto(a×ap−1, m) =resto(a×resto(ap−1, m), m)

Logo, o resto da divis˜ao de ap por m pode ser calculado iterativamente. E o

mais interessante surge quando indexamos cada recurs˜ao. Se

kp =resto(ap, m)

ent˜ao,

kp =resto(ap, m) =resto(a×ap−1, m) =

=resto(a×resto(ap−1, m), m) =resto(ak

p−1, m)

Ou seja, kp =resto(akp−1, m) que ´e a express˜ao de recurs˜ao da t´ecnica de

congruˆencia multiplicativa. Neste caso, n˜ao nos interessa a sequˆencia em si, mas o valor final da sequˆencia kp. No c´odigo listado, a fun¸c˜ao ap mod m() ´e

respons´avel pelo c´alculo de resto(ap, m).

2.2

Vari´

aveis Aleat´

orias Discretas

A vari´avel aleat´oria ´e entendida como sendo uma vari´avel num´erica `a qual ser´a associado um valor gerado por um modelo probabil´ıstico. E por mo-delo probabil´ıstico, entende-se uma fun¸c˜ao matem´atica que relaciona eventos `a probabilidades. Sexi´e um valor associado a um evento qualquer e p(xi) = pi

´e a probabilidade deste evento, ent˜ao a fun¸c˜ao

f(xi) = {p(xi)|i= 0,1,2,· · · }

´e chamada de fun¸c˜ao de probabilidade. xi s˜ao os valores da vari´avel

aleat´oria que descrevem o conjunto de eventos poss´ıveis. Como os valores da vari´avel aleat´oriaX correspondem a estados discretos e enumer´aveis (finitos e cont´aveis), esta vari´avel ´e chamada de vari´avel aleat´oria discreta.

Por exemplo, o estado final de uma moeda, ap´os seu lan¸camento ao ar, pode sercara oucoroa. Se associarmos o valor x0 = 0 paracara e x1 = 1 para

(27)

universo de poss´ıveis estados {cara,coroa}, onde X representa o n´umero de coroas, isto ´e,

X ={x|x= 0,1}

Al´em disso, se a probabilidade de sair cara oucoroa em um lan¸camento ´e 0,5, ent˜ao podemos caracterizar completamente a vari´avel aleat´oria X como

resultado X P(X) cara 0 0,5 coroa 1 0,5 • X ={x|x= 0,1}

• P(cara) =P(X = 0) =p(0) = 0,5 P(coroa) = P(X = 1) =p(1) = 0,5

Al´em da fun¸c˜ao de probabilidade f(xi) = p(xi), existe outra fun¸c˜ao

im-portante nas aplica¸c˜oes das vari´aveis aleat´orias discretas que ´e a fun¸c˜ao de probabilidade acumulada,

F(xi) =P(X ≤xi) =

1

X

j=0

P(X=xj)

que ´e a soma de todas as probabilidades para valores de X at´eX =xi.

2.3

Vari´

aveis Aleat´

orias Cont´ınuas

Em contraste `as vari´aveis aleat´orias discretas, temos asvari´aveis aleat´orias cont´ınuas que, naturalmente, est˜ao baseadas em distribui¸c˜oes cont´ınuas de probabilidade e, por conseguinte, podem assumir valores reais dentro de um intervalo definido, isto ´e, existem infinitos valores que uma vari´avel aleat´oria cont´ınua pode assumir. N˜ao faz sentido falar da probabilidade de um valor espec´ıfico de vari´avel cont´ınua, pois esta probabilidade ´e zero. Mas, pode-se referenciar probabilidades em rela¸c˜ao a intervalos e fazer estes intervalos tenderem a zero. Desta forma, desenvolve-se a no¸c˜ao de diferencial de proba-bilidade.

(28)

Portanto, a rela¸c˜ao entre a probabilidade de uma vari´avel aleat´oria e sua fun¸c˜ao de densidade de probabilidade se materializa na forma de um c´alculo integral. Por exemplo, sejamxex+δxos valores limites de um intervalo para a vari´avel aleat´oriaX ep(x) a fun¸c˜ao de densidade de probabilidade associada. A probabilidade de X assumir um valor entre x ex+ ∆x´e

P(x≤X < x+ ∆x) =

Z x+∆x x

p(t)dt≈p(x)∆x

Quando ∆x tende a zero, encontramos a densidade de probabilidade para X =x, ou seja,

P(X =x) =P(x≤X < x+dx) =

Z x+dx x

p(t)dt =p(x)dx

Seguindo a mesma abordagem das vari´aveis discretas, outra fun¸c˜ao impor-tante para as vari´aveis cont´ınuas ´e afun¸c˜ao de densidade de probabilidade acumulada, dada como a integral da fun¸c˜ao de densidade de probabilidade nos limites (−∞, x), ou seja,

F(x) =P(X ≤x) =

Z x

−∞ p(t)dt

2.4

Gera¸c˜

ao de Vari´

aveis Aleat´

orias

Aqui tamb´em exitem algumas t´ecnicas consagradas de gera¸c˜ao de vari´aveis aleat´orias a partir de n´umeros aleat´orios. As principais s˜ao: transforma¸c˜ao inversa e aceita¸c˜ao/rejei¸c˜ao.

2.4.1

ecnica da Transforma¸

ao Inversa

A t´ecnica da transforma¸c˜ao inversa est´a baseada em princ´ıpios muito sim-ples:

• se a fun¸c˜ao de probabilidade acumulada y =F(x) ´e uma fun¸c˜ao mono-tomicamente crescente, ent˜ao ela associa os valores da vari´avel aleat´oria X aos valores acumulados de forma biun´ıvoca, isto ´e,

X ↔Y =F(X)

• a fun¸c˜ao de probabilidade acumulada inversa,F−1(Y), tamb´em ´e

mono-tomicamente crescente e relacional de forma biun´ıvoca os valores

(29)

O dom´ınio da vari´avel Y est´a restrito ao intervalo (0,1), pois a soma de todas as probabilidades deve ser 1. Ent˜ao, se um valor de Y for sorteado dentro do intervalo (0,1), estaremos gerando valores para a vari´avel aleat´oria X segundo um modelo espec´ıfico de distribui¸c˜ao de probabilidade.

A aplica¸c˜ao da t´ecnica ´e muito simples e direta. Por exemplo, considere a seguinte distribui¸c˜ao de probabilidades:

xi P(X =xi)

1 0,20

2 0,50

3 0,25

4 0,05

0.1 0.2 0.3 0.4 0.5

1 2 3 4

A fun¸c˜ao de probabilidade acumulada corresponde a tabela deP(X ≤xi) cujo

gr´afico pode se visualizado ao lado:

xi P(X ≤xi)

1 0,20

2 0,70

3 0,95

4 1,00

ξ ✲

0.2 0.4 0.6 0.8 1.0

1 2 3 4

Ao se sortear um n´umero aleat´orio ξ entre 0 e 1, determina-se o valor da vari´avel aleat´oria X, verificando-se qual a primeira barra de probabilidade encontrada:

• seξ ≤0,2, ent˜ao X = 1;

• se 0,2< ξ ≤0,7, ent˜ao X = 2;

• se 0,7< ξ ≤0,95, ent˜ao X = 3;

(30)

No caso do gr´afico anterior, para ξ = 0,47, ξ est´a entre 0,2 e 0,7. Sendo a barra vis´ıvel a barra correspondente `aP(X ≤2), ent˜ao o valor deX gerado ´e

X = 2.

2.4.2

ecnica da Aceita¸

ao/Rejei¸c˜

ao

A aplica¸c˜ao da transforma¸c˜ao inversa ´e pr´opria para as situa¸c˜oes onde a dis-tribui¸c˜ao de probabilidade ´e discreta e para os casos onde a fun¸c˜ao de densidade de probabilidade acumulada ´e invers´ıvel. No caso das distribui¸c˜oes cont´ınuas com fun¸c˜oes de densidade de probabilidade acumulada n˜ao invers´ıveis ou cujas inversas sejam muito dif´ıceis de serem calculadas, a t´ecnica da aceita¸c˜ao/rejei-¸c˜ao se torna mais atraente.

Vejamos algumas caracter´ısticas das fun¸c˜oes de densidade de probabilidade:

• o dom´ınio da fun¸c˜ao de densidade de probabilidade corresponde a um intervalo (a, b) de forma que, fora deste intervalo, a fun¸c˜ao ´e nula;

• uma fun¸c˜ao de densidade de probabilidade ´e limitada superiormente por um valor c finito de forma a garantir que a ´area abaixo da fun¸c˜ao seja igual a 1;

• o intervalo (0, c) ´e a imagem da fun¸c˜ao de densidade de probabilidade.

Se a fun¸c˜ao de densidade de probabilidade for escalada pelo fator 1/c, ent˜ao a imagem se transformar´a em (0,1) e a ´area da fun¸c˜ao no dom´ınio (a, b) ser´a 1/c. Vamos admitir que a fun¸c˜ao de densidade de probabilidade seja p(x). Reescalando com o valor 1/c, teremos uma nova fun¸c˜ao f(x) =p(x)/c.

p(x)

0 c

a b x

f(x)

0 1

a b x

Para um valor espec´ıfico de x, digamos x = ξ, ´e f´acil perceber que a raz˜ao entre o valor da fun¸c˜ao f(ξ) e o valor m´aximo de f(x) no intervalo (a, b), que ´e 1, corresponde a probabilidade de encontrarmos qualquer ponto da imagem abaixo de f(x) para x = ξ. Com o valor ξ constante para x, ao sortearmos um valor aleat´orio ǫ, ǫ ∈ (0,1), estaremos procedendo a t´ecnica de transforma¸c˜ao inversa. Se ǫ ≤ f(x)|x=ξ, aceitamos o valor de x = ξ como

(31)

N sorteios, com N → ∞, ´e justamentef(ξ). Se isto for realizado para valores de X ={x|x ∈(a, b)}, estaremos gerando valores para a vari´avel aleat´oria X que seguem o comportamento da fun¸c˜ao de densidade de probabilidade p(x).

O algoritmo ´e o seguinte:

1. sorteamos um valor x = ξ dentro do dom´ınio (a, b) para a vari´avel aleat´oria X;

2. calculamos o valor de f(ξ) =p(ξ)/c;

3. sorteamos um valor ǫno intervalo (0,1);

4. se ǫ for menor ou igual a f(ξ), aceitamos o valor de x=ξ como v´alido;

5. sen˜ao, rejeitamos o valor de x=ξ e voltamos para o passo 1.

(32)

C´odigo 2.6: exemplo4.c

# include < stdio .h >

# include < stdlib .h >

# include < string .h >

# include < math .h >

# include < time .h >

/*

d e f i n i c a o de macro sqr : q u a d r a d o do c o n t e u d o de ‘a ’ */

# define sqr ( a ) (( a )*( a ))

/*

d e c l a r a c a o da funcao g a u s s i a n a */

double gauss(double x, double m, double dp) {

return exp( -0.5*sqr((x-m)/dp)); }

int main(void) { FILE *fp;

double f, /* valor c a l c u l a d o da funcao g a u s s i a n a */

x, /* o r d e n a d a da funcao g a u s s i a n a */

ep, /* numero a l e a t o r i o */

imax = 1.0/R A N D _ M A X;

int hist[1000]; /* h i s t o g r a m a */

u n s i g n e d long i; /* c o n t a d o r a u x i l i a r */

srand(time(NULL)); /* semente g e r a d o r a de numeros a l e a t o r i o s baseado no r e g i s t r o da hora no c o m p u t a d o r */

/* zerando o h i s t o g r a m a */

for ( i=0; i<1000; i++ ) hist[i] = 0;

/* tecnica da a c e i t a c a o / r e j e i c a o */

/* total de eventos : 1 6 . 7 7 7 . 2 1 5 (=0 xffffff ) */

for ( i=0; i<0xffffff; i++ ) {

/* s o r t e a n d o numero entre 0 e 1 */

ep = rand()*imax;

/* s o r t e a n d o ‘x ’ n o r m a l i z a d o */

x = rand()*imax;

(33)

f = gauss(10*x,5 ,0.3);

if (ep<=f) {

/* se ‘ ep ’ menor ou igual a ‘f ’ */ /* i n c r e m e n t a r o h i s t o g r a m a */

hist[(u n s i g n e d)(999*x+ 0 . 5 ) ] + + ; }

}

/* saida em formato texto */

fp = fopen(" saida . txt "," wt ");

for ( i=0; i<1000; i++ )

fprintf(fp," % f \ t % d \ n ",i*0.01 ,hist[i]); fclose(fp);

return 0;

(34)
(35)

3

Projeto de Simulador

Algum texto.

3.1

F´ısica dos Raios X

3.1.1

Natureza dos Raios X

A hist´oria dos raios X come¸ca com J. J. Thomson, final do s´eculo XIX, estudando as caracter´ısticas dos raios cat´odicos produzidos por ampolas de Crookes que nada mais s˜ao do que os el´etrons acelerados pela presen¸ca de um campo el´etrico intenso. E. Rutherford (disc´ıpulo de Thomson) investigou a propaga¸c˜ao dos raios cat´odicos fora das ampolas de Crookes e percebeu que o alcance dos raios cat´odicos n˜ao ultrapassava alguns poucos cent´ımetros.

Lenard, assistente de Hertz, ainda no final do s´eculo XIX, identificou que, apesar dos raios cat´odicos terem pouco alcance, eram capazes de impressio-nar chapas fotogr´aficas e produzir fluorescˆencia (vis´ıvel) em certos materiais cristalinos mesmo afastados da fonte de raios cat´odicos.

Roentgen se fixou no estudo desta fluorescˆencia dos materiais e resolveu en-volver a fonte de raios cat´odicos com uma cobertura opaca a luz para eliminar poss´ıveis fontes de luz vis´ıvel e ultravioleta provenientes do tubo. Al´em disso, escureceu completamente o laborat´orio onde o aparato se encontrava para eli-minar fontes externas de radia¸c˜ao luminosa. Apesar de todo este trabalho, Roentgen continuou observando a fluorescˆencia em materiais espec´ıficos e o mais curioso, materiais que n˜ao estavam alinhados com o equipamento. Ap´os uma s´erie de investiga¸c˜oes, Roentgen concluiu que a fluorescˆencia n˜ao era pro-duzida pelos raios cat´odicos e sim por uma outra radia¸c˜ao ainda desconhecida que chamou de X em analogia `as inc´ognitas matem´aticas. Outra conclus˜ao foi que a origem desta radia¸c˜ao X era o ponto da ampola onde os raios cat´odicos colidiam sendo, portanto, resultado da intera¸c˜ao dos raios cat´odicos (el´etrons) com o vidro da ampola.

(36)

A partir desta introdu¸c˜ao hist´orica, podemos avan¸car na dire¸c˜ao das ca-racter´ısticas desta radia¸c˜ao chamada X.

A radia¸c˜ao X, ou simplesmente raio X, ´e uma radia¸c˜ao de natureza ele-tromagn´etica. Portanto, n˜ao sofre influˆencia de campos el´etricos e magn´eticos externos. Pode ser produzido artificialmente pela intera¸c˜ao de el´etrons acele-rados por um intenso campo el´etrico com um obst´aculo de massa espec´ıfica elevada. Esta itera¸c˜ao se d´a principalmente pelo frenamento dos el´etrons den-tro do material (obst´aculo, chamado tecnicamente de alvo), intera¸c˜ao esta chamada de bremsstrahlung. Como resultado da intera¸c˜ao, fortemente domi-nada pelos efeitos coulombianos, obt´em-se radia¸c˜ao eletromagn´etica que com-preende a radia¸c˜ao t´ermica (calor) e os raios X. O espectro de energia dos raios X se estende, no mapa eletromagn´etico, numa faixa entre poucos keV (quiloel´etron-volt) at´e centenas de keV (300-400 keV).

3.1.2

Tubo de Raio X

A evolu¸c˜ao da ampola de Crookes levou aos modernos equipamentos de produ¸c˜ao de raios X, os tubos de raios X. Este tubos s˜ao confeccionados com base numa ampola de vidro a v´acuo que encapsula um filamento e um alvo met´alico separados de alguns cent´ımetros. Entre o filamento e o alvo ´e aplicado um campo el´etrico intenso produzido pela diferen¸ca de tens˜ao destes elemen-tos. Tradicionalmente, o filamento (catodo) ´e posto sob uma tens˜ao negativa enquanto o alvo met´alico (anodo) ´e aterrado (tens˜ao nula). A circula¸c˜ao de el´etrons pelo filamento, caracterizando uma corrente suficientemente grande para o mesmo, gera uma nuvem de termoel´etrons com energia suficiente para se desprenderem da superf´ıcie condutora. Este termoel´etrons s˜ao capturados pelo intenso campo el´etrico entre catodo e anodo e s˜ao acelerados na dire¸c˜ao do alvo. A diferen¸ca de tens˜ao entre catodo e anodo pode chegar at´e 400 kV e o gradiente de campo el´etrico corresponde `a taxa de eleva¸c˜ao de energia cin´etica dos el´etrons acelerados. Quanto maior a energia cin´etica final dos el´etrons ao colidirem com o alvo, maior ser´a a energia dos raios X produzidos.

(37)

A geometria do alvo influencia na intensidade dos raios X dispon´ıvel fora do tubo. Como o interior da ampola ´e v´acuo e a ampola est´a contida num inv´olucro met´alico (blindagem) imersa em ´oleo isolante, os raios X produzidos no anodo (alvo) precisam alcan¸car o meio externo atrav´es de uma pequena ja-nela (foco). Esta jaja-nela ´e normalmente constru´ıda com ber´ılio, substˆancia de baixo n´umero atˆomico e “transparente” aos raios X. Como os raios X produ-zidos no anodo assumem qualquer dire¸c˜ao, apenas um pequeno ˆangulo s´olido formado entre a superf´ıcie do anodo e a janela de ber´ılio ´e que conter´a a radia¸c˜ao dispon´ıvel externamente. Para melhorar a intensidade dos raios X neste ˆangulo s´olido, a geometria do anodo pode ser modificada. Inclusive, o alvo pode ser m´ovel no sentido de minimizar o aquecimento do ponto de colis˜ao do feixe de el´etrons (anodo girat´orio).

3.1.3

Intera¸c˜

ao dos Raios X com a Mat´

eria

A intera¸c˜ao dos raios X com o meio (mat´eria) se d´a atrav´es de mecanismos que envolvem a radia¸c˜ao e os el´etrons orbitais. Nos processos de intera¸c˜ao observa-se:

• transferˆencia parcial de energia para um el´etron orbital,

• transferˆencia total de energia para um el´etron orbital,

Na transferˆencia total de energia, caracterizamos dois mecanismos espe-c´ıficos: absor¸c˜ao fotoel´etrica e colis˜ao el´astica. J´a na transferˆencia parcial, observamos a colis˜ao inel´astica.

(38)

Vale observar que, como h´a mudan¸ca na energia do f´oton incidente du-rante a intera¸c˜ao, os comprimentos de onda dos f´otons incidente e espalhado s˜ao diferentes. Olhando para um meio espalhador, os f´otons espalhados inelas-ticamente n˜ao possuem coerˆencia entre si, dada a variedade de comprimentos de onda entre eles. Por isso, o espalhamento Compton tamb´em ´e chamado de incoerente quando se observam v´arios f´otons espalhados pelo mesmo meio.

Ainda com o modelo de el´etrons livres, o f´oton incidente pode transferir completamente sua energia para um el´etron levando-o para um estado de ex-cita¸c˜ao (acelerado pelo campo el´etrico da radia¸c˜ao). Ao desexcitar, o el´etron produz uma radia¸c˜ao secund´aria idˆentica ao f´oton incidente, mas com nova dire¸c˜ao de propaga¸c˜ao. Como n˜ao h´a altera¸c˜ao das caracter´ısticas energ´eticas entre os f´otons prim´ario e secund´ario (incidente e espalhado), esta itera¸c˜ao ´e dita ser el´astica e recebe o nome de espalhamento el´astico ou espalhamento Thompson.

Ao considerarmos o el´etron ligado ao ´atomo, devemos considerar a den-sidade eletrˆonica do elemento qu´ımico. As caracter´ısticas de espalhamento el´astico de Thompson e inel´astico de Compton permanecem presentes, por´em estas passam a ser moduladas por fatores de forma.

No espalhamento Thomson, a radia¸c˜ao espalhada est´a em fase com a dia¸c˜ao incidente por n˜ao haver mudan¸ca de energia. Nesta situa¸c˜ao, as ra-dia¸c˜oes primaria e secund´aria, incidente e espalhada, s˜ao ditas estarem em coerˆencia de fase. V´arios ´atomos espalhando coerentemente a radia¸c˜ao criam a possibilidade de ocorrˆencia de fenˆomenos de interferˆencia de ondas construti-vas e destruticonstruti-vas, ou seja, difra¸c˜ao da radia¸c˜ao incidente, se a distribui¸c˜ao dos ´atomos no meio espalhador ´e regular como em um cristal. Para este efeito de espalhamento coerente entre ´atomos, d´a-se o nome de efeito de espalhamento coerente, difra¸c˜ao de raios X ou efeito Rayleigh.

Na absor¸c˜ao fotoel´etrica, o f´oton de raio X transfere completamente sua energia para um el´etron orbital, normalmente um el´etron fortemente ligado dos n´ıveis quˆanticos mais baixos, e produz, como consequˆencia, a eje¸c˜ao de um el´etron (fotoel´etron) e a emiss˜ao de um f´oton de raio X caracter´ıstico ou de um el´etron de baixa energia (el´etron Auger). A energia cin´etica do fotoel´etron ´e a diferen¸ca entre a energia do f´oton incidente e a energia de liga¸c˜ao do el´etron na eminˆencia de ser ejetado. Este processo (absor¸c˜ao fotoel´etrica seguida de emiss˜ao de radia¸c˜ao secund´aria) se chama efeito fotoel´etrico de raios X.

(39)

3.1.4

Atenua¸c˜

ao e Transmiss˜

ao de Raios X

Antes de entrarmos nos mecanismos de intera¸c˜ao dos raios X com o meio, torna-se interessante observar, do ponto de vista do experimentador, alguns fatos. Considere, inicialmente, um meio homogˆeneo de massa espec´ıficaρe um feixe de raios X monoenerg´etico incidente com intensidadeI e energia E, cuja trajet´oria atravessa este meio. O comprimento do trecho da trajet´oria do feixe que intercepta o meio mede ∆x. Com um detector posicionado na trajet´oria do feixe ap´os o meio, o experimentador mede um feixe com intensidade I′, sendo

I′ ≤I e

∆I =I′−I ≤0

que corresponde `a por¸c˜ao do feixe que foi retirado da trajet´oria original, isto ´e, atenuado. J´a a por¸c˜ao do feixe que foi detectado, por ter permanecido na trajet´oria original (por n˜ao ter interagido com o meio atrav´es de algum dos mecanismos de intera¸c˜ao), ´e dito ter sido transmitida.

Ao alterarmos a espessura do meio de forma a variarmos o comprimento ∆x, mas mantendo a intensidade do feixe incidente, percebemos que ∆I se torna mais negativo conforme ∆xaumenta. Se mantivermos a espessura ∆xe aumentarmos a intensidadeI do feixe, tamb´em notamos que ∆I se torna mais negativo. Logo, empiricamente, podemos montar a rela¸c˜ao

∆I =−µI∆x

onde o parˆametroµ faz o papel de constante de proporcionalidade. No limite de ∆x tendendo a 0, ∆x se torna o infinitesimal dx, ∆I se torna dI e a express˜ao anterior fica

dI =−µIdx

Movendo a vari´avelI para o termo `a esquerda e integrando ambos os lados da igualdade, temos que

Z

dI

1 =−µ

Z

dx

cujo resultado ´e

I′ =Ie−µx

(40)

µ= lnI/I ′ x

Como o metro ´e uma unidade muito grande para os c´alculos de atenua¸c˜ao, costuma-se utilizar o subm´ultiplocm−1e, por ser uma unidade de comprimento

linear,µ´e chamado de coeficiente de atenua¸c˜ao linear. A raz˜ao I′/I ´e a probabilidade do feixe ser transmitido,P

trans, e vale

Ptrans =

I′ 1 =e

−µx

Logo, a probabilidade do feixe ser atenuado, Paten, ´e

Paten = 1−

I′

1 = 1−e −µx

Uma outa caracter´ıstica que n˜ao foi analisada at´e aqui ´e a dependˆencia da atenua¸c˜ao/transmiss˜ao em rela¸c˜ao `a energia do feixe de raios X e `a constitui¸c˜ao do meio. Considerando um feixe com intensidade fixa I e um percurso de comprimento ∆xno meio atenuante, a atenua¸c˜ao da intensidade do feixe varia com o inverso da energia, ou seja, entre dois feixes, um com energiaE1 e outro

com energia E2, onde E1 ≥E2, o feixe de energia E2 ser´a mais atenuado que

o feixe de energiaE1. O parˆametro que depende da energia ´e o µ.

Se observarmos uma mesma substˆancia com diferentes massas espec´ıficas (por exemplo, ´agua, gelo e vapor d’´agua), veremos que o coeficiente de ate-nua¸c˜ao linear tamb´em varia. No entanto, a raz˜aoµ(E)/ρtende a ser constante, independente do estado de agrega¸c˜ao da substˆancia que comp˜oe o meio. Esta raz˜ao ´e chamada de coeficiente de atenua¸c˜ao de massa, µρ(E), pois sua

unidade ´ecm2/g.

Atualizando a express˜ao da atenua¸c˜ao usando a lei de Beer-Lambert, temos

I′(E) = I(E)e−µρ(E)ρx

onde

µρ(E)ρ=µ(E)

(41)

Quantitativamente, o coeficiente de atenua¸c˜ao de massa, por ser dimensi-onado como unidade de ´area por unidade de massa, ´e tamb´em chamado de se¸c˜ao de choque total e as probabilidades de ocorrerem algum dos meca-nismos de intera¸c˜ao, que resultem na atenua¸c˜ao do feixe transmitido, tamb´em est˜ao relacionadas `a se¸c˜oes de choque de cada mecanismo. Assim, os efeitos fotoel´etrico, de espalhamento el´astico e inel´astico est˜ao associados, caracteri-zados, quantitativamente por se¸c˜oes de choque pr´oprios.

O coeficiente de atenua¸c˜ao de massa e a soma das se¸c˜oes de choque para cada mecanismo:

µρ(E) = τρ(E) +σρe(E) +σiρ(E)

onde τρ(E) ´e a se¸c˜ao de choque para o efeito fotoel´etrico, σρe(E) ´e a se¸c˜ao

de choque para o espalhamento el´astico e σi

ρ(E) ´e a se¸c˜ao de choque para o

espalhamento inel´astico. Em 100% de probabilidade de um f´oton ser atenuado, ´e f´acil perceber queτρ(E)/µρ(E) corresponde `a probabilidade deste evento ser

o efeito fotoel´etrico,σe

ρ(E)/µρ(E) de ser espalhamento el´astico eσρi(E)/µρ(E)

de ser inel´astico.

Logo, para um feixe monoenerg´etico de energiaE, a probabilidade do feixe ser transmitido em um meio de espessura x e massa espec´ıfica ρ´e

Ptrans =e−µρ(E)ρx

como j´a foi apresentado, e as probabilidades de ocorrer ou o efeito fotoel´etrico ou de espalhamento el´astico ou inel´astico s˜ao, respectivamente:

Pf otoelet=

τρ(E)

µρ(E)

1−e−µρ(E)ρx

Pelast =

σe ρ(E)

µρ(E)

1−e−µρ(E)ρx

Pinelast =

σi ρ(E)

µρ(E)

1−e−µρ(E)ρx

3.1.5

Absor¸c˜

ao Fotoel´

etrica

(42)

A energia cin´etica do el´etron ejetado ´e

E =hν−Eb

onde hν ´e a energia do f´oton e Eb ´e a energia de liga¸c˜ao do el´etron. Dado o

mecanismo de eje¸c˜ao, este el´etron ´e chamado de fotoel´etron.

Experimentalmente, ´e percept´ıvel que a se¸c˜ao de choque para o efeito fo-toel´etrica depende do n´umero atˆomico e da energia da radia¸c˜ao incidente visto que, conforme o n´umero atˆomico cresce, a probabilidade de ocorrˆencia de ab-sor¸c˜ao fotoel´etrica tamb´em cresce e, por outro lado, com o aumento da energia da radia¸c˜ao incidente, a probabilidade de absor¸c˜ao diminui.

Tamb´em ´e percept´ıvel que, quando a energia da radia¸c˜ao incidente se iguala `a energia de liga¸c˜ao de um el´etron orbital, a se¸c˜ao de choque para o efeito fotoel´etrico apresenta um salto, uma descontinuidade.

Dadas estas caracter´ısticas, uma primeira aproxima¸c˜ao dos valores da se¸c˜ao de choque para o efeito fotoel´etrico leva em considera¸c˜ao as faixas de energia definidas pela energias de liga¸c˜ao dos el´etrons orbitais, o n´umero atˆomico do elemento qu´ımico com o qual a radia¸c˜ao interage e a energia da radia¸c˜ao inci-dente, resultando na express˜ao:

τρ =

                    

30,3Z3,94

AE3 para E > EK

0,978Z4,3

AE3 para EK > E > EL1

0,78Z3,94

AE3 para EL3 > E > EM1

onde EK, EL1, EL3 e EM1 s˜ao, respectivamente, as energia de liga¸c˜ao dos el´etrons da camada K e das subcamadas L1, L3 e M1

A partir desta primeira modelagem, trabalhando sobre dados experimen-tais e te´oricos, Hubell e McMaster ajustaram curvas que interpolavam as se¸c˜oes de choque para o efeito fotoel´etrico para 87 elementos qu´ımicos diferentes, co-brindo uma faixa de energia entre 1 keV e 1 MeV [1]. O resultado s˜ao po-linˆomios di-logar´ıtmicos ajustados para cada intervalo de energia entre bordas de absor¸c˜ao (saltos na se¸c˜ao de choque sobre as energias de liga¸c˜ao dos el´etrons orbitais) em fun¸c˜ao da energia da radia¸c˜ao incidente. O modelo dos polinˆomios segue a express˜ao

lnτj =

3

X

i=0

(43)

ondeτ0 reproduz os valoresτN+τO+τP+· · · para E < EM5, τ1 ´e usado para gerar os valoresτM +τN +τO+τP +· · · na faixa de energia EM1 < E < EL3, τ2 reproduz os valores τL + τM +τN +τO +τP + · · · na faixa de energia

EL1 < E < EKeτ3interpola os valoresτK+τL+τM+τN+τO+τP+· · · na faixa de energiaE > EK. Para resolver os valores das se¸c˜oes de choque nos intervalos

internos das camadas, por exemplo em EL3 < E < EL1 e EM5 < E < EM1, a solu¸c˜ao vem com a aplica¸c˜ao das constantes de raz˜ao de salto (jump ratios) que s˜ao as raz˜oes entre os valores das se¸c˜oes de choque `a direita e `a esquerda das energias de liga¸c˜ao dos el´etrons orbitais nas subcamadasL1, L2, M1, M2,M3 e M4.

3.1.6

Emiss˜

ao de Radia¸

ao Caracter´ıstica

A eje¸c˜ao do fotoel´etron da estrutura atˆomica produz uma vacˆancia que ´e prontamente preenchida por algum el´etron orbital de um n´ıvel quˆantico supe-rior cujo potencial de liga¸c˜ao ´e menos negativo. Esta transi¸c˜ao de preenchi-mento exige que o el´etron candidato perca energia de forma que seu potencial de liga¸c˜ao final seja idˆentico ao potencial de liga¸c˜ao do fotoel´etron antes de produzir a vacˆancia. Sendo Ei a energia de liga¸c˜ao original do el´etron de

transi¸c˜ao e Ef a energia de liga¸c˜ao final (correspondente `a vacˆancia), a

dife-ren¸ca de energia de transi¸c˜ao ´e dada por

∆E =Ei−Ef >0

sendo que este excesso de energia ´e perdido atrav´es de dois mecanismos exclu-sivos:

• emiss˜ao de um f´oton de raio X secund´ario com energia ∆E,

• eje¸c˜ao de um el´etron fraquissimamente ligado (Eb ≈ 0) com energia

cin´etica ∆E.

Vale a pena observar (lembrar) que as energias de liga¸c˜ao dos el´etrons orbi-tais s˜ao caracter´ısticas para cada elemento qu´ımico, ou seja, nenhum elemento qu´ımico tem uma distribui¸c˜ao energ´etica idˆentica a de outro elemento qu´ımico. Logo, a diferen¸ca de energia ∆E ´e caracter´ıstica para cada elemento qu´ımico e serve como uma assinatura, uma identidade.

No caso do excesso de energia ser perdido na forma de um f´oton de raio X, este f´oton ´e chamado de f´oton de raio X caracter´ıstico e sua energia hν ´e

hν = ∆E

(44)

Imagem

Figura 3.1: Se¸c˜ao de choque de massa do efeito fotoel´etrico para o elemento Z=84, Polˆonio, entre 1 keV e 1 MeV
Figura 3.2: algumas transi¸c˜oes eletrˆonicas permitidas. (manual do PENE- PENE-LOPE)
Figura 3.4: Condi¸c˜ao de validade da lei de Bragg. (WIKIPEDIA:
Figura 3.5: Ilustra¸c˜ao da condi¸c˜ao de espalhamento coerente. (WIKIPEDIA: http://en.wikipedia.org/wiki/Bragg law, em 05/06/2011) d = λ 2 sin θ ou 1 d = 2 sin θλ

Referências

Documentos relacionados

A primeira investiga¸c˜ao consistiu em uma cadeia n˜ao harmˆonica sob atua¸c˜ao conjunta de um campo el´etrico est´atico e do acoplamento el´etron-rede; neste tipo sistema

Implementation of the CLUE-S model used explanatory variables that influenced the LULC dynamics that were established with the support of local experts from the Caxias do

O primeiro cenário (A), que representa compras do comércio, foi moldado a partir de um choque na matriz insumo-produto em que se mediu o impacto da destinação de 100% do recurso

Comme la notion de patrimoine commun de l’humanité n’a pas toujours été suffisamment confrontée aux concepts et qualifications juridiques bien précises,

A base de dados aplicada na realização desta análise se baseia nos dados coletados pela PED-RMS, no qual foi realizado um filtro, onde se separou dados referentes ao setor de serviços

For flocculation degree, the low values found and the high levels of ADA (Table 2), at all depths, regardless of watershed, may be related to the occurrence of kaolinite, which have

A análise dos dados evidenciou os seguintes aspectos: as concepções de território estão em processo de transição, com novas produções de significado e impacto nos processos

2.2. As vitimas 37 CONSIDERA^OES FINAIS 40 REFERENCIAS BIBLIOGRAFICAS 43.. Partindo das experiencias vivenciadas e das orientacoes doutrinarias, sedimentadas nas diversas