实验数据分析中的
科学实验中的数据收集与分析
科学实验中的数据收集与分析科学实验的数据收集与分析在科学研究中扮演着重要的角色。
正确的数据收集和分析方法可以确保实验结果的准确性和可信度。
本文将探讨科学实验中的数据收集与分析的方法和原则。
一、数据收集数据收集是科学实验的第一步，它需要严格遵循一系列的步骤和原则。
以下是常用的数据收集方法：1.观察法：通过直接观察实验现象来收集数据。
观察法适用于那些无法进行干预的实验，例如观察动物行为或植物生长过程。
2.测量法：通过使用测量设备来收集数据。
测量法可以提供精确的数值结果，例如测量温度、重量或时间等。
3.调查法：通过问卷调查或面对面访谈等方式来获取主观数据。
调查法适用于某些需要了解人们意见和看法的实验，如社会学实验或心理学实验。
二、数据分析数据收集完成后，接下来是对数据进行分析。
数据分析的目的是从收集到的数据中寻找规律、趋势或关联，并从中得出结论。
下面是一些常用的数据分析方法：1.统计分析：利用统计学方法对数据进行整理和分析。
统计分析可以通过计算均值、标准差、相关系数等来揭示数据中的模式和规律。
2.图表分析：通过制作图表来可视化数据。
常用的图表形式包括折线图、柱状图、饼图等。
图表可以帮助我们直观地理解和比较数据。
3.模型分析：利用数学模型或计算机模拟的方法对数据进行分析。
模型分析可以帮助我们预测实验结果或验证假设。
三、数据分析的原则在进行数据分析时，还需要遵循一些原则以确保结果的可靠性和准确性：1.确保样本代表性：样本的大小和结构应该能够代表整个实验目标群体的特征。
样本的选择应该是随机的，以避免偏差和不公正。
2.考虑误差和偏差：数据采集过程中难免会有误差和偏差，我们需要考虑这些因素对数据的影响，并进行必要的校正。
3.数据的适当解读：数据分析不能只看表面，还需要对数据进行深入的解读和理解。
我们需要考虑多种因素，如背景知识、实验条件等，来解释数据的含义。
4.结果的可信度和可重复性：为了确保实验结果的可靠性，我们需要进行统计检验或重复实验来验证数据的可信度。
实验数据的处理和分析方法
实验数据的处理和分析方法在科学研究中，实验数据的处理和分析是非常重要的一步。
通过合理的数据处理和分析方法，我们可以从海量数据中提取有用的信息，得出科学结论，并为后续的研究工作提供指导。
本文将介绍一些常用的实验数据处理和分析方法。
一、数据的预处理数据的预处理是数据分析的第一步，主要包括数据清洗、数据采样和数据归一化等过程。
1. 数据清洗数据清洗是指对数据中存在的错误、异常值和缺失值进行处理。
在清洗数据时，我们需要识别和删除不合理或错误的数据，修复异常值，并使用插补方法处理缺失值。
2. 数据采样数据采样是从大量数据集中选择一小部分样本进行分析和处理的过程。
常用的数据采样方法包括随机抽样、等距抽样和分层抽样等。
3. 数据归一化数据归一化是将不同量纲的数据统一到相同的尺度上，以便进行比较和分析。
常用的数据归一化方法包括最小-最大归一化和标准化等。
二、数据的描述和统计分析在对实验数据进行分析之前，我们需要对数据进行描述和统计，以了解数据的分布情况和特征。
1. 描述统计分析描述统计分析是通过一些统计指标对数据的基本特征进行描述，如平均数、中位数、方差和标准差等。
这些统计指标可以帮助我们了解数据的集中趋势、离散程度和分布情况。
2. 统计图表分析统计图表分析是通过绘制直方图、饼图、散点图等图表，可视化地展示数据分布和变化趋势。
通过观察统计图表，我们可以更直观地理解数据之间的关系和规律。
三、数据的相关性和回归分析数据的相关性和回归分析能够帮助我们了解变量之间的关系，在一定程度上预测和解释变量的变化。
1. 相关性分析相关性分析是研究变量之间相关程度的一种方法。
通过计算相关系数，如皮尔逊相关系数和斯皮尔曼等级相关系数，我们可以判断变量之间的线性关系和相关强度。
2. 回归分析回归分析是一种建立变量之间函数关系的方法。
通过回归模型，我们可以根据自变量的变化预测因变量的变化。
常用的回归分析方法包括线性回归、多项式回归和逻辑回归等。
实验室数据分析
实验室数据分析
简介
实验室数据分析是指对实验室所收集的数据进行处理和解读，
以获取对实验结果的深入理解和有价值的信息。
通过数据分析，实
验室研究人员可以发现数据中的模式、变化和关联性，进而得出科
学结论和推论。
数据处理
在进行实验室数据分析之前，首先需要对收集的数据进行处理。
这包括对数据进行清洗、整理和格式化，以确保数据的准确性和可
用性。
数据处理过程中可能需要使用统计分析软件或编程语言来处
理大量数据和进行复杂的计算。
数据解读
数据解读是实验室数据分析的核心部分，它涉及对数据进行深
入研究和解释。
通过数据解读，研究人员可以发现数据之间的关系、
趋势和异常情况。
这有助于他们了解实验结果，并从中获取有关研究问题的见解和结论。
数据可视化
数据可视化是将数据转化为图表、图形或其他可视化形式的过程。
通过数据可视化，研究人员可以更直观地理解数据，发现数据的模式和趋势，并向他人传达数据的重要信息。
常用的数据可视化工具包括图表软件和编程库。
结论
实验室数据分析是实验室研究的重要环节，通过对数据的处理和解读，研究人员可以得出有关实验结果的科学结论和推论。
数据可视化则可以帮助更直观地理解数据，并向他人传达数据的重要信息。
在进行实验室数据分析时，研究人员需要注意数据的准确性和可靠性，同时运用适当的统计方法和工具进行分析。
化学实验中的实验数据分析方法
化学实验中的实验数据分析方法在进行化学实验时，实验数据的分析是至关重要的一步，它能够帮助我们理解实验结果、验证理论假设以及探索新的科学知识。
本文将介绍几种常见的实验数据分析方法，帮助读者更好地理解和运用这些方法。
一、数据整理和初步分析在进行实验时，我们首先需要将实验数据整理成适合分析的形式。
通常，数据整理包括数据录入、校对和计算。
录入数据时要确保准确无误，避免输入错误。
校对数据可以通过重复测量同一物理量或者与其他同学进行数据对比来进行。
计算数据时应该确保使用正确的数学公式和适当的单位。
完成数据整理后，我们可以进行初步分析，例如计算均值、方差和标准偏差等，以了解数据的分布情况和变化趋势。
二、误差分析在进行实验时，由于各种原因，例如仪器误差、实验条件不完全控制等，实验数据往往存在误差。
因此，误差分析是实验数据分析的重要一环。
常见的误差分析方法包括系统误差和随机误差的鉴别与计算。
1. 系统误差：系统误差是由于仪器、操作方法或环境等因素导致的，对所有测量值都会有一个固定的偏差。
我们可以通过校准仪器、改进操作方法或者控制环境条件等手段来减小或消除系统误差。
2. 随机误差：随机误差是由实验中不可预测的因素引起的，其大小与实验条件和个体差异有关。
我们可以通过多次重复实验，计算平均值和标准偏差来评估随机误差的大小，并使用统计方法进行分析。
三、数据可视化数据可视化是指将实验数据以图表的形式展示，帮助我们更直观地理解和分析数据。
常见的数据可视化方法包括直方图、折线图、散点图等。
通过数据可视化，我们可以观察数据的分布情况、趋势和相关性，进一步探究实验结果的意义。
四、数据比对与验证数据比对与验证是实验数据分析中的关键环节，它可以帮助我们验证实验结果的准确性和可靠性。
比对数据可以通过与理论值或其他已知数据进行对比来进行，从而判断实验结果的合理性。
验证数据可以通过进一步的实验操作或者与其他学科知识的关联来进行。
总结在化学实验中，实验数据的准确分析是保证实验质量和科学可靠性的必要步骤。
实验技术中的数据处理与分析方法
实验技术中的数据处理与分析方法在科学研究和实验中，数据处理与分析是至关重要的一环。
通过对实验数据的分析，科学家们可以得出结论，验证假设，并推动科学的发展。
本文将探讨一些常见的实验技术中的数据处理与分析方法，以帮助读者更好地理解和应用这些方法。
1. 统计学方法统计学方法广泛应用于实验数据处理和分析中。
首先，需要对数据进行描述性统计分析，例如计算平均值、标准差、方差和百分位数等。
这些统计指标可以帮助我们了解数据的中心趋势和离散程度。
其次，统计学还提供了假设检验和置信区间估计等方法，可以判断实验结果是否具有统计学意义。
最后，回归分析和方差分析等方法可以帮助我们探索变量之间的关系和影响。
2. 数据可视化数据可视化是一种直观而直接的数据处理与分析方法。
通过绘制图表、制作图像和绘制图形，我们可以将海量的数据以更易于理解的方式展现出来。
常见的数据可视化方法包括柱状图、折线图、饼图和散点图等。
通过这些图表，我们可以快速地获取数据的趋势、分布和异常点，从而更好地理解实验结果。
3. 高级数据处理方法除了常见的统计学和数据可视化方法外，还有一些高级的数据处理与分析方法可以应用于实验技术中。
例如，主成分分析（PCA）可以帮助我们降低数据维度并发现主要影响因素；聚类分析可以将数据分为不同的组别，以帮助我们识别模式和趋势；时间序列分析可以帮助我们探索数据随时间的变化规律。
这些高级方法可以扩展我们的数据分析能力，提供更深入的洞察力。
4. 软件和工具在实验技术中，各种软件和工具都可以帮助我们进行数据处理和分析。
例如，Microsoft Excel是一个常用的电子表格软件，可以进行基本的统计计算和图表绘制。
Python和R是常用的编程语言，提供强大的数据分析库和可视化工具。
此外，还有一些专用的数据处理和统计分析软件，如SPSS和MATLAB等。
使用这些软件和工具，我们可以更高效地处理和分析大规模的实验数据。
总结起来，实验技术中的数据处理与分析方法是多样而丰富的。
数据分析 实验报告
数据分析实验报告数据分析实验报告引言：数据分析是一门应用广泛的学科，通过收集、整理、分析和解释数据，帮助人们发现隐藏在数据背后的规律和趋势。
本实验旨在通过对某个特定数据集的分析，探索数据分析的基本方法和技巧，并从中得出一些有意义的结论。
一、数据收集在开始实验之前，我们首先需要收集一份可靠的数据集。
本实验选择了某电商平台的销售数据作为研究对象。
该数据集包含了商品的销售记录、顾客的购买行为等信息。
通过对这些数据的分析，我们可以了解不同商品的销售情况、顾客的购买偏好等。
二、数据清洗在进行数据分析之前，我们需要对数据进行清洗，以确保数据的准确性和完整性。
数据清洗的过程包括去除重复数据、填充缺失值、处理异常值等。
通过数据清洗，我们可以提高数据的可信度和可用性，为后续的分析工作打下基础。
三、数据可视化数据可视化是数据分析中非常重要的一环。
通过将数据以图表的形式展示出来，我们可以更直观地了解数据的分布和趋势。
在本实验中，我们使用了柱状图、折线图等多种图表形式，来展示销售额、销售量、销售渠道等数据的变化情况。
通过数据可视化，我们可以更好地理解数据，并从中发现一些有意义的规律。
四、数据分析在数据可视化的基础上，我们进行了一系列的数据分析工作。
首先，我们对销售额进行了月度和季度的分析，发现了销售额的季节性变化规律，以及不同月份之间的销售差异。
其次，我们对不同商品的销售情况进行了对比分析，发现了畅销商品和滞销商品，并探究了其背后的原因。
此外，我们还对顾客的购买行为进行了分析，如购买频率、购买渠道等，以了解顾客的购买偏好和行为习惯。
五、数据解读与结论通过对数据的分析，我们得出了一些有意义的结论。
首先，销售额在年度和季度上都存在明显的季节性变化，其中春节和双十一等节假日是销售高峰期。
其次，某些商品的销售表现非常出色，而另一些商品则销售不佳，这可能与商品的品质、市场需求等因素有关。
此外，顾客的购买行为也呈现出一定的规律，如大部分顾客更倾向于在电商平台上购买商品，而少部分顾客更喜欢到实体店购买。
科研实验中的数据分析
科研实验中的数据分析科研实验是一项重要的活动，它能够推动知识的发展与创新。
在科研实验中，数据分析是至关重要的环节，它能够帮助研究人员深入了解实验结果，并从中获得有价值的信息。
下面将介绍科研实验中的数据分析方法与步骤。
一、数据收集科研实验的数据分析之前，首先需要进行数据收集。
数据的收集方式可以根据实验的性质和要求来选择，可以通过实验仪器进行自动获取，也可以通过调查问卷、观察记录等方式进行手动收集。
无论采用何种方式，数据的准确性和完整性都是至关重要的。
二、数据清洗与整理在数据收集后，需要对数据进行清洗与整理，以确保数据的质量。
数据清洗是指通过排除异常值、缺失值等处理手段，去除数据中的错误与噪音，保证数据的准确性和可靠性。
数据整理是指对数据进行分类、排序和归档等操作，使得数据更加有序、易于管理和分析。
三、数据可视化数据可视化是一种重要的数据分析方法，它通过图表、图像等形式将数据转化为直观、易于理解的形式，帮助研究人员更好地理解数据背后的规律与关系。
常用的数据可视化工具包括柱状图、折线图、饼图等，可以根据实验需求选择最适合的图表类型。
四、数据统计与分析在数据可视化的基础上，进行数据的统计与分析是科研实验中的重要一步。
数据统计是指对数据进行数值计算和描述统计，如平均值、标准差、相关系数等。
数据分析是在统计的基础上，运用科学的方法和工具对数据进行深入的探索和解释，如方差分析、回归分析、主成分分析等。
五、结论与讨论通过对数据进行统计与分析，研究人员可以得到实验结果的结论。
结论应该是基于实验数据、科学推理和现有知识得出的，并应该是准确、客观的。
在结论的基础上，可以展开进一步的讨论，分析实验结果的原因和意义，并提出改进实验设计、进一步研究的建议。
六、结果的应用与传播科研实验的结果不仅仅是为了自己所用，也应该为社会和科学事业所用。
将实验结果应用于实际问题的解决，或者将实验结论在学术界、科研机构、企业等领域进行传播，都能够发挥实验的价值与意义。
小学科学实验教学中的数据统计分析
小学科学实验教学中的数据统计分析引言：小学科学实验教学是培养学生科学素养的重要途径之一。
通过实际操作和观察，学生能够亲身体验科学知识，培养科学思维和实验技能。
而在实验教学过程中，数据统计分析是不可或缺的一环。
本文将探讨小学科学实验教学中的数据统计分析方法和意义。
一、数据统计分析的方法1. 数据收集：在进行实验之前，教师需要明确实验的目的和设计，并准备好相应的实验器材。
学生在实验中需要按照教师的要求进行操作，并记录下实验过程中的数据。
2. 数据整理：在实验结束后，学生需要整理和归纳实验数据。
可以使用表格、图表等形式将数据进行整理，以便后续的分析和比较。
3. 数据分析：通过对数据的分析，可以得出结论和推断。
常用的数据分析方法包括平均值、中位数、众数等。
通过这些方法，可以对实验结果进行客观的评价和解释。
4. 数据比较：在进行数据分析的基础上，可以将不同实验的数据进行比较。
通过比较不同实验的结果，可以找出规律和差异，进一步加深对科学知识的理解。
二、数据统计分析的意义1. 培养科学思维：数据统计分析是培养学生科学思维的重要途径之一。
通过实验数据的收集和分析，学生能够培养观察、实验、推理和判断等科学思维能力，提高他们对科学问题的解决能力。
2. 提高实验技能：在进行数据统计分析的过程中，学生需要掌握一定的实验技能。
他们需要学会正确使用实验器材，进行数据记录和整理等操作。
通过实践和反复练习，学生的实验技能得到了提高。
3. 培养合作精神：数据统计分析需要学生之间的合作和交流。
在实验过程中，学生需要相互协作，共同完成实验任务。
通过与他人的合作，学生能够培养团队精神和合作意识。
4. 加深对科学知识的理解：通过数据统计分析，学生能够更深入地理解科学知识。
他们可以通过对数据的分析，找出规律和差异，进一步加深对科学知识的理解和应用。
结论：数据统计分析在小学科学实验教学中具有重要的意义。
通过数据的收集、整理、分析和比较，可以培养学生的科学思维和实验技能，提高他们对科学问题的解决能力。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
实验数据分析中的 误差、概率和统计§1 实验测量及误差§2 粒子物理实验的测量数据 §3 粒子物理实验的数据分析§1 实验测量及误差大量科学问题（自然科学、社会科学）的研究与解决依赖于实验或测量数据（包括统计数据）。
§1.1 实验测量的目的及分类 》目的：得到一个或多个待测量的数值及误差（确定数值）； 确定多个量之间的函数关系（寻找规律，确定分布）。
》分类：1. 测量方式直接测量 － 用测量仪器直接测得待测量 （尺量纸的长度） 间接测量 －直接测量量为x r，待测量为y r ，y r 是x r 的函数 ()y f x =r r例如待测量为大楼高度h ， 实测量为距离和仰角,x θ， 则tan h x θ=。
绝大部分问题是间接测量问题。
2. 测量过程静态测量 － 待测量在测量过程中不变多次测量求得均值动态测量 － 待测量在测量过程中变化 例雷达站测离飞行气球的距离多次测量求得气球的运动轨迹3. 测量对象待测量 － 固定常量 待测量 － 随机变量例放射源单位时间内的计数 （假定寿命极长） 每次测量值不一定相同。
粒子物理实验数据分析中处理的都是间接、动态、随机变量的测量和处理问题。
随机变量――一次测量所得的值是不确定的，无穷多次测量，一定测量值的概率是确定的。
（统计规律性） 离散随机变量――测量值是离散的分立值（掷硬币和扔骰子试验） 二项分布、泊松分布、多项分布。
连续随机变量――测量值一个区间内的所有值均匀分布、指数分布、正态分布、2χ分布、F 分布、t 分布。
描述随机变量的特征量――概率分布或概率密度非负性、 可加性、 归一性()0.f x ≥ 233121()()().x x x x x x f x dx f x dx f x dx +=⎰⎰⎰ () 1.f x dx Ω=⎰()0.i P x ≥ ()()().i j i j P x x P x P x ⋃=+ 1() 1.ni i P x ==∑期望值（概率意义上的平均值）离散型()()i i iE X x p x μ==∑连续型 ()xf x dx Ω=⎰方差（标准离差σ的平方）离散型 2()()(),i i iV X x p x μ=-∑连续型 2()()().V X x f x dx Ωμ=-⎰§1.2 测量误差及其分类1．报导误差的重要性• 物理量的测量值及其误差是衡量其可靠性及精度的依据。
• 没有误差的结果是没有意义的，因而是无法引用的。
• 要改正只给测量中心值、不给误差的坏习惯。
2．误差分类• 过失误差（粗差）－过失造成的误差操作、记录、运算中的错误，测量条件的突然改变…。
• 统计误差（随机误差）－ 待测量为随机变量，服从某种概率分布 统计误差一般为待测量（随机变量）的标准差。
x μσ=±，x σσμ+-+-=。
μ一般理解为期望值。
• 系统误差 － 测量仪器、方法、理论模型的误差 测量环境变化导致的误差 测量仪器、测量方法的误差测量所依据的理论模型、（经验公式）的误差 ……导致系统误差的因素一般可分为带有随机性质和不带有随机性质的两类。
带有随机性质的系统误差由其分布的标准差决定。
不带随机性质的系统误差，由于有多种来源，每种来源导致的误差大小和符号不易确定，通常只能一起处理，考虑为一个随机变量。
系统误差的分析是一件特别复杂的、细致的工作，只能针对具体问题具体分析。
系统误差的分析是一件特别费时的工作, 往往占分析工作70%以上的时间• 系统误差的随机性质－－许多情况下，测量仪器或设备对一个常数值的物理量的测定过程中包含了许多随机过程，对同一个常数值的物理量的多次测定成为一个分布，即测定值成为一个随机变量。
李雅普诺夫中心极限定理：设相互独立的随机变量12,,,n X X X L 有有限的数学期望和方差，当n 很大时，随机变量1nii X =∑近似地服从正态分布。
在许多物理量测量中，系统误差是由许多相互独立的随机因素合成的，根据该定理可知，系统误差近似地服从正态分布。
例如单能光子束射入碘化钠晶体(NaI(T1)),用光电倍增管测量晶体中的闪烁荧光，光电倍增管的输出电信号经过放大器等电子学线路，最后测量出脉冲幅度谱。
这一测量中涉及一系列相互独立的随机过程，如 :光子在晶体中的能量损失，（电子对效应，康普顿效应，光电效应，电离能损，…） 能量损失转化为不同波长光的概率分布， 光在晶体中的透射率率随光波长的概率分布， 光在晶体中的透射率随不同路程长度的概率分布， 晶体表面的反射折射系数随光波长的概率分布， 光在倍增管窗玻璃中的穿透率随光波长的概率分布，光子在光电倍增管阴极上产生光电子的量子效率的波长分布， 光子在光电倍增管阴极上产生光电子的量子效率随击中 位置的分布， 电子的倍增过程中倍增系数的涨落， ……因此，最后测到的全能峰的脉冲幅度近似于正态分布。
―测量值报导st sys μσσ±±μ：通过测量得到的对待测量真值的估计ststsys σσμσ+-+-±， syssysst σσμσ+-+-±，sysst st sysσσσσμ++--++--。
系统误差与统计误差从来源知相互独立t σ=tμσ±，t t σσμ+-+-。
§1.3 测量数据表示及运算1．数据位数• 误差应与测量精度一致, 测量值末位应与误差末位相同；7.550.03,± 7.60.1,± 7.550.1,± X 7.60.03,± X 。
• 需要对多个测量数据进行运算以得到结果，可将测量值多写一个估计位数字，珠峰高度 8848.430.21± 米。
• 误差最多只能写两位有效数字8.630.25±, 8.6320.246± X • 直接测量值（原始数据）误差必须有根据。
直接测量值是以后一切运算、推断的基础，其测量（中心）值及其误差必须给得准确，有根据。
2．数据修约规则• 测量（中心）值 -- 4舍5入舍去部分0.5>，末位＋1；舍去部分0.5<，末位不变；舍去部分0.5=，末位为奇数， ＋1，末位为偶数， 不变。
• 测量误差 -- 进位保守性原则：进位而非舍入 2.42 2.53．多个实验数据之间的运算由于测量值总有误差，即使被测物理量原本是常量，由于测量误差的存在，测量值转化成为随机变量进行运算才是合理的。
因此多个实验（测量）数据之间的运算要按随机变量之间的运算规则来进行。
即根据误差传播公式进行。
木桶效应 － 木桶存水的多少取决于高度最短的那块板误差运算 － 最终的误差取决于各项中最差的测量值 （保守原则）运算结果的相对误差与参与运算的多个实验数据中最大的相对误差相对应。
例加减：位数最靠前的为准，相对误差最大的为准。
(3.50.1)(0.430.05) 3.930.15 3.90.2±+±→±→±。
乘除：数字位数最少的为准，相对误差最大的为准。
(3.50.1)(0.430.05) 1.5050.180 1.50.2±⨯±→±→±。
§1.4 误差与概率分布被测物理量X ，看作是随机变量，有对应的概率分布 离散分布：被测到 i x 的概率是i p连续分布：被测到 ],(dx x x +的概率是dx x f )(期望值 μ ⎰∑===dxx xf p x x E iii )()(μ方差 2)(x x V σ=dxx f x p x x V iii )()()()(22⎰∑-=-=μμ实验报导值： m mσμ±, 要尽可能做到 .,σσμμ→→m m , m m σμ±,要做到这一点，关键是要知道被测量x 服从什么分布。
（1） 多丝室的空间分辨（均匀分布）带电粒子穿过多丝室，靠近的两根丝感应出电信号。
设丝距为d ，问空间分辨为多大？d •←→• • • •――――――――――――――――――――――――――――→ X↑ 粒子入射 空间分辨，即多丝室在X 方向上的定位能力。
d or d /2 ?当两根丝感应出电信号，可以判断粒子入射位置在此两根丝之间。
在没有其他知识的情况下，认为入射位置为0d →间的均匀分布是合理的假定。
于是()1/,f x d = (:0)x d →/2d μ=， 22/12d σ=。
空间分辨2d σ=（2） 探测器的探测效率及误差》 伯努利分布――定义和概率分布伯努利试验――随机试验可能的结果只有两种：“成功”X=1； “失败”X=0。
随机变量X 的概率分布为(1)P X p ==， (0)1(01),P X pp ==-<<》 二项分布 ―― n 个伯努利随机变量之和 定义和概率分布独立地进行n 次伯努利试验，事件“成功”的发生次数r 可为0到n 之间的任一个正整数， r 是一个随机变量，它可以视为n 个伯努利分布随机变量之和：12.n r X X X =+++L事件“成功”发生r 次(0)r n ≤≤的概率等于(;,)(1)0,1,,r rn rn B r n p C p p r n -=-=L其中p 是一次伯努利试验中事件“成功”的概率。
随机变量r 的均值、方差 (),()(1).E r np V r np p μ≡==-》探测效率及其误差用探测器对粒子作计数，当一个粒子穿过探测器时，测量结果只可能是记到一次计数，或者没记到计数，没有其它可能。
这样，n 个粒子穿过探测器时，探测器记到r 次计数的概率由二项分布描述。
》 一个粒子穿过探测器得到一次计数的概率称为探测效率ε， 显然它就等于二项分布的参数p 。
事实上ε是依靠有限次测量确定的，即/r n ε=。
当n 足够大，p ε≅。
》 有限次测量确定的ε是有误差的，ε的方差为()(1)/(1)/,r V V p p n n n εεε⎛⎫==-≅- ⎪⎝⎭所以探测效率的误差(标准偏差)为2(1)1.r r nn n εεεσ-⎛⎫==- ⎪⎝⎭》 εσ有如下性质：0.5ε=时，εσ达到极大值0.5/n ；εσ对于0.5ε=为对称分布；当ε接近0或1时，εσ达到极小。
为了能实验地测定ε，探测器计数r 最小需等于1，即 min1/,n ε=此时min 1/1/.n n εεσσ==≅》探测效率的相对误差则为11.R n εσεεε-== 当min max 1/,1;n R R εε=≅=≅ 随着ε的增大R 迅速下降。
当1,0R ε==。
Rn§1.5 误差传播公式前面已经提到，多个实验（测量）数据之间的运算要按随机变量之间的运算规则来进行。