De presentatie wordt gedownload. Even geduld aub

De presentatie wordt gedownload. Even geduld aub

HISPARC NAHSA Tellen van Random gebeurtenissen Indeling normaalverdeling Inleiding kansrekening Kansrekening bij detectie van kosmische stralen.

Verwante presentaties


Presentatie over: "HISPARC NAHSA Tellen van Random gebeurtenissen Indeling normaalverdeling Inleiding kansrekening Kansrekening bij detectie van kosmische stralen."— Transcript van de presentatie:

1 HISPARC NAHSA Tellen van Random gebeurtenissen Indeling normaalverdeling Inleiding kansrekening Kansrekening bij detectie van kosmische stralen

2 HISPARC NAHSA Tellen van Random gebeurtenissen Je hebt gemerkt dat gemeten waarden nogal eens fluctueren Geiger-Müller tellers tikken onregelmatig als je ze bij een bron houdt De aantallen die je meet bij een enkele HISPARC-detector

3 HISPARC NAHSA Tellen van Random gebeurtenissen Kosmische straling vormt een constante achtergrond die de aarde gelijkmatig treft vanuit alle richtingen Gemeten waarden zijn NIET echt CONSTANT Lange termijn gemiddelden geven de werkelijkheid redelijk goed weer

4 HISPARC NAHSA Tellen van Random gebeurtenissen Uit metingen BLIJKT dat de gemeten waarde afhangt van: Tijdstip van de dag Hemelrichting Weersomstandigheden Al deze invloeden kun je meten. Je kunt er zelfs correcties voor bepalen. Maar: je meting zal meestal niet het echte gemiddelde opleveren! Gelukkig kom je met goede metingen dichtbij het echte gemiddelde.

5 HISPARC NAHSA Tellen van Random gebeurtenissen Je zet een experiment op om een bepaald verschijnsel te onderzoeken …en je laat het experiment een bepaalde tijd lopen.… Maar je meet niets: Je telt NUL tikken. Wat betekent dat? Stel dat je in een meting van een uur één treffer (=gebeurtenis) waarneemt Kun je dan concluderen dat dit verschijnsel een tempo heeft van een 1/uur? Inleiding

6 HISPARC NAHSA Tellen van Random gebeurtenissen Eerst even afspreken: Random gebeurtenissen: zijn onafhankelijk van elkaar worden niet beïnvloed door voorgaande gebeurtenissen zijn niet te voorspellen 0 sectijd  Als het aantal treffers op 1 uitkomt kan dit het resultaat zijn van het toevallig vastleggen van een zeldzaam optredend verschijnsel dat beter weer- gegeven kan worden door een veel lager tempo (~0?). Of de looptijd van de meting kan de gebeurtenis net gemist hebben(net te laat gestart of te vroeg beëindigd).

7 HISPARC NAHSA Tellen van Random gebeurtenissen Een meting van 1 zou in werkelijkheid een gemiddelde kunnen zijn van 0 of misschien zelfs 2? 1 ± 1 Een meting van 2 2 ± 1? ± 2? Een meting van ± minstens een paar? Een meting van ± ?

8 HISPARC NAHSA Tellen van Random gebeurtenissen Dit histogram laat, minuut na minuut, 2-voudige coincidencies zien tussen 2 gestapelde CROP detectoren 2-voudige coïncidenties Gemeten per minuut Gedurende 2 uur

9 HISPARC NAHSA Tellen van Random gebeurtenissen De meeste metingen liggen dichtbij het gemiddelde van tikken/minuut Merk op dat de 0 “onderdrukt” is! (de vertikale as begint bij 500, niet bij 0) 500 In werkelijkheid zijn dit lichte fluctuaties rondom een gemiddelde van ruim 600. Laagste waarde Hoogste waarde voudige coïncidenties Gemeten per minuut Gedurende 2 uur

10 HISPARC NAHSA Tellen van Random gebeurtenissen Geen plotselinge pieken van 800; geen terugval tot 400. Zijn dit goede data? Hoe kunnen we vaststellen of dit goede metingen zijn of dat de verschillen te groot zijn? 2-voudige coïncidenties Gemeten per minuut Gedurende 2 uur

11 HISPARC NAHSA Tellen van Random gebeurtenissen De standaarddeviatie is een berekening van hoe ver, gemiddeld, iedere meting verwijderd is van het gemiddelde. Als alle metingen identiek waren, dan was het gemiddelde duidelijk en zou de standaarddeviatie simpelweg 0 zijn. Om de spreiding in de meetgegevens beter weer te geven hebben we als hulpmiddel: de standaardafwijking (of ook wel de standaarddeviatie )

12 HISPARC NAHSA Tellen van Random gebeurtenissen De standaarddeviatie is een berekening van hoe ver, gemiddeld, iedere meting verwijderd is van het gemiddelde. Als alle metingen identiek waren, dan was het gemiddelde duidelijk en zou de standaarddeviatie simpelweg 0 zijn. 0 Om de spreiding in de meetgegevens beter weer te geven hebben we als hulpmiddel: de standaardafwijking (of ook wel de standaarddeviatie )

13 HISPARC NAHSA Tellen van Random gebeurtenissen Mijn hartslag bij het ontbijt gedurende 100 dagen Frequentietabel van de verdeling van de hartslag Hartslag gedurende 100 dagen

14 HISPARC NAHSA Tellen van Random gebeurtenissen Spreiding = x max -x min = 23 gemiddelde= =67.20 Modus = 68 (=meest voorkomend) Mediaan = (=middelste waarneming) Hartslag gedurende 100 dagen

15 HISPARC NAHSA Tellen van Random gebeurtenissen Het gemiddelde alleen laat ons niet zien hoe dicht op elkaar gepakt de data zijn. De spreiding kan misleidend zijn als de metingen buitensporige gegevens bevatten:

16 HISPARC NAHSA Tellen van Random gebeurtenissen

17 HISPARC NAHSA Tellen van Random gebeurtenissen gemiddelde,  beschrijft de spreiding in de metingen op een andere manier: door een berekening van hoe groot de gemiddelde afstand van een meetpunt is tot het gemiddelde  (x i –  ) 2 N  = i=1 N σ

18 HISPARC NAHSA Tellen van Random gebeurtenissen Spreiding = x max -x min = 23 gemiddelde = =67.20 standaardafwijking  = 4.357=  (x i –  ) 2 N Hartslag gedurende 100 dagen

19 HISPARC NAHSA Tellen van Random gebeurtenissen De nieuwe lijnen geven de afstand aan van een en twee keer de standaarddeviatie onder en boven het gemiddelde Voor deze gegevens gaf Excel een SD van 20. Dus staan de lijnen op: ± 20.0 = and ± 40.0 = voudige coïncidenties Gemeten per minuut Gedurende 2 uur

20 HISPARC NAHSA Tellen van Random gebeurtenissen Een gering aantal (hier 5) ligt op meer dan 2 SD van het gemiddelde. De meeste meetwaarden blijken binnen ±1 SD van het gemiddelde te liggen. Een paar meetwaarden vallen binnen 1 à 2 SD. de SD beschrijft hoe dicht op elkaar gepakt de meetwaarden rond het gemiddelde zijn, en geeft een grens aan over hoe ver ze mogen spreiden. Hier zijn er geen meetpunten op meer dan 3 SD. 2-voudige coïncidenties Gemeten per minuut Gedurende 2 uur

21 HISPARC NAHSA Tellen van Random gebeurtenissen *Verticale lijnen op ± 1, 2, 3 SD van het gemiddelde. *Je ziet dat de meeste metingen binnen ±1 SD van het gemiddelde liggen. *Heel af en toe worden er metingen gevonden met >3 SD van het gemiddelde. frequentie, opgenomen in intervallen van een minuut gedurende een periode van 1 week (zelfde opstelling) Metingen gegroepeerd rondom het gemiddelde(615). Nul onderdrukt; weinig data onder 550 (of boven 680). Frequentieverdeling van 2-voudige coïncidenties Tempo (aantallen per minuut)

22 HISPARC NAHSA Tellen van Random gebeurtenissen Gausskromme:

23 HISPARC NAHSA Tellen van Random gebeurtenissen Met andere woorden: 68% van de metingen valt binnen ±1 SD van het gemiddelde. 95% van de metingen binnen ±2 SD 99.7% van de metingen binnen ±3 SD Karakteristiek voor deze vorm: het stuk tussen µ  en µ+  bevat 68% Van het totale oppervlak onder de curve.

24 HISPARC NAHSA Tellen van Random gebeurtenissen Je ziet dus dat een goede meting wel erg dicht bij de echte waarde kan zitten maar nooit helemaal perfect zal zijn. (Zelfs als dat zo is weten we dat niet met zekerheid.) Daarom geven we in de kansrekening een verschil aan tussen de echte waarden en de gemeten waarden. We hebben nu een aardig idee over hoe metingen verspreid kunnen liggen rondom een gemiddelde. Omgekeerd kunnen we ook zeggen: Als we een meting doen dan zal deze in 68% van de gevallen op minder dan een SD van het gemiddelde af liggen. Maar we weten nog steeds niet nauwkeurig hoe groot dit gemiddelde werkelijk is!

25 HISPARC NAHSA Tellen van Random gebeurtenissen Voorbeeld: het aantal jongeren in Nijmegen van 12 tot 18 jaar is *Gemiddelde lengte = m (= µ ) *Gem. afwijking: 5,3 cm (=  ) Steekproef: alle leerlingen van onze school: (1412) Gemiddelde m (= x ) Gem. afw: 6,1 cm (=SD) Je snapt dat hoe groter de steekproef is hoe beter je bij het echte gemiddelde uitkomt.

26 HISPARC NAHSA Tellen van Random gebeurtenissen Deze voorgaande beschrijving gaat op voor alle onafhankelijke gebeurtenissen. Dit zijn zowel allerlei soorten metingen als spellen met een dobbelsteen. Bij een grafische voorstelling van de uitkomsten ontstaat dan de bekende Gausskromme. Soms is het gemiddelde (  ) niet eens bekend, zoals bij onze opstelling voor het meten van kosmische straling. Toch kun je dan met een beperkt aantal metingen een redelijke schatting maken van wat het gemiddelde moet zijn en hoe groot de spreiding daarin is. Het zal je nu wel duidelijk zijn dat één meting geen bruikbaar gemiddelde oplevert. Terug naar IndelingIndeling


Download ppt "HISPARC NAHSA Tellen van Random gebeurtenissen Indeling normaalverdeling Inleiding kansrekening Kansrekening bij detectie van kosmische stralen."

Verwante presentaties


Ads door Google