Lataa esitys
Esittely latautuu. Ole hyvä ja odota
JulkaistuSanna Lehtilä Muutettu yli 8 vuotta sitten
1
5. Datan käsittely – lyhyt katsaus Havaitsevan tähtitieteen peruskurssi I, luento 7.4.2006 Thomas Hackman
2
5. Datan käsittely Sisältö Tähtitieteellisten havaintojen virheet Korrelaatio Funktion sovitus Aikasarja-analyysi
3
5.1 Tähtitieteellisten havaintojen virheet Satunnaiset virheet: Kohina Mittaustarkkuus Systemaattiset virheet: Havaintolaitteen aiheuttamat vääristymät Ympäristön aiheuttamat virheet (esim. ilmakehän vaikutukset havaintoihin, käsiteltiin luvussa 2)
4
5.1.1 Havaintojen kohina Signaali-kohinasuhde jossa S on signaali = rekisteröityjen fotonien määrä, ja N on kohina Sama spektri eri S/N -suhteella
5
5.1.2 Havaintolaitteen vaikutukset havaintoihin Aallonpituusherkkyys Resoluutio Laitteen sisäiset sironnat ja heijastumat Optiset virheet Havaintolaitteen liikkuminen Detektorin herkkyysvaihtelut (lämpötilan vaikutus, pikselien herkkyydet …) ym.
6
5.1.3 Havainnon mittaaminen Havaintolaitteen vaikutus havaintoihin voidaan usein esittää muodossa f ovat ”todelliset” arvot, g on havaintolaitteen antama tulos, h on instrumentin aiheuttama vääristymä ja n ovat satunnaiset virheet
7
5.1.4 Virheiden poistaminen Kohinan voi suodattaa, mutta resoluutio kärsii Havaintolaitteen vääristymien korjaaminen esim. flat-field -korjaus Huomattavasti poikkeavat arvot: outliers root-mean-square: jossa f on havaintoihin y sovitettava funktio. Outlierin kriteeri:
8
5.2 Korrelaatio Korrelaatio kertoo kahden muuttajan välisestä riippuvuudesta Korrelaatiokertoimia: Pearson korrelaatiokerroin Spearman järjestyskorrelaatiokerroin Kendallin järjestyskorrelaatiokerroin
9
5.2.1 Pearsonin korrelaatiokerroin Mittaa lineaarista riippuvuutta Otoksen hajonta: jossa x on keskiarvo Kahden muuttujan välinen kovarianssi: Pearsonin korrelaatiokerroin:
10
5.2.2 Korrelaation todennäköisyys Nollahypoteesi: x ja y eivät korreloi Oletetaan: x ja y :lle on saatu r xy Mikä on nollahypoteesin todennäköisyys? Jos N on suuri ( N>20 ) => r xy noudattaa normaalijakaumaa Merkitään => todennäköisyys että korrelaatio ”sattumalta” olisi suurempi kuin r xy :
11
5.3 Funktion sovitus Sovituksen kriteeri yleensä mahdollisimman pieni virheiden neliöiden summa: Sopii erityisesti, jos virheet ovat satunnaisia gaussisesti jakaantuneita
12
5.3.1 Pienimmän neliösumman menetelmä Sovitettava funktio: Määritellään: ovat pisteet johon sovitetaan funktio
13
Pienimmän neliösumman menetelmän ratkaisu Jos N=K saadaan yksiselitteinen ratkaisu yhtälöstä A a = y Kuitenkin jotta sovitus olisi luotettava niin Etsimme ratkaisua jossa on mahdollisimman pieni => ratkaisu saadaan normaaliyhtälöistä:
14
5.3.2 Suoran sovitus Sovitettava funktio
15
Ratkaisu suoran sovitukseen Saamme ratkaisun yhtälöryhmästä Merkitään ratkaisu:
16
5.4 Aikasarja-analyysi Parametriset menetelmät: Sovitetaan dataan jaksollinen funktio Esim. Fourier sarjan sovitus Ei-parametriset menetelmät: Etsitään periodisuutta esim. datan maksimeista tai minimeistä Esim. Kuiper- tai Swanepoel & De Beer - menetelmät
17
Fourier-sarjan sovitus Malli: Huom.: Malli on epälineaarinen => ratkaisua ei saada suoraan pienimmän neliösumman menetelmällä Ratkaisumenetelmä: Three stage period analysis (Jetsu & Pelt 1999) keskiarvo periodi
18
Esimerkki aikasarja-analyysista Tähden HD 199178 valokäyrä, Aikasarja-analyysi
19
Kirjallisuutta H. Karttunen: Datan käsittely, CSC 1994 W.H. Press et al.: Numerical recipes, kotisivu: http://www.nr.com
20
Kurssitiedote: Metsähovin keikka 11.4. klo 18-22 Kokoontuminen A.I. Virtasen aukiolla 17.55 Lähtö Metsähoviin klo 18.00, tilattu linja-auto Metsähovissa n. klo 18.45-21: Teleskoopin ja CCD-kameran esittelyä Havainnot jos sää sallii Vierailu pakollinen osa kurssia, ”keräilyerä” järjestetään myöhemmin
Samankaltaiset esitykset
© 2024 SlidePlayer.fi Inc.
All rights reserved.