UNIDAD I

ESTADISTICA DE CONTEO Y PROPAGACION

DE ERROR
 OBJETIVOS

 Procesos estocásticos
 Estadística de conteo en la detección de la
radiación
 Distribuciones: Binomial, Normal y Poisson
 Propagación de error
 Limites de detectabilidad
 Mediciones de Radiación

Cualquier medición empleada para monitorear la

radiación emitida por un material radiactivo experimenta
fluctuaciones estadísticas. Esto es porque los materiales
radiactivos son proceso intrínsecamente aleatorios.

El término estadística de conteo incluye:

1. Análisis estadístico necesario para obtener las
medidas de fuentes radiactivas
2. Un marco teórico para poder predecir valores
esperados Ne, como resultado de tales medidas.
 Mediciones de Radiación

Efecto de las fluctuaciones estadísticas.

1. Las medidas no serán idénticas y mostrarán alguna

variación interna. Esta fluctuación, tiene que
cuantificarse y compararse con los resultados de la
predicción usando modelos estadísticos.
2. En el caso de una sola situación de medición,
necesitamos encontrar la incertidumbre y estimar la
precisión de la medición individual
 Caracterización de Datos

 Primero suponemos que tenemos N datos de valores enteros 𝑥1 , 𝑥2 ….,𝑥𝑁 .

Estos valores representan N lecturas exitosas de cualquier contador
utilizado en el área de radiación..

Sum = σ𝑁
𝑖=1 𝑥𝑖

Σ
Media Experimental: 𝑋𝑒 =
𝑁
 Los datos se pueden representar mediante una función de distribución de
frecuencia

# 𝑑𝑒 𝑜𝑐𝑢𝑟𝑟𝑒𝑛𝑐𝑖𝑎𝑠 𝑑𝑒𝑙 𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝑥

F(x) =
# 𝑑𝑒 𝑚𝑒𝑑𝑖𝑑𝑎𝑠 𝑁

La distribución anterior se puede normalizar de la siguiente manera:

σ∞
𝑥=0 𝐹 𝑥 = 1.
 Continue…

Fig.3.1 Distribution
Table 3.1 Example of function for the data given
data distribution in table 3.1 ( Knoll,2010
function ( Knoll,2010 page 66)
page 66)

• La tabla 3.1 muestra un conjunto de datos con 20 entradas: el valor máximo es 14 mientras que el
valor mínimo es 3.

• La figura 3.1 muestra la función de distribución de datos correspondiente.

• - Las barras horizontales representan el conjunto de datos para las 20 entradas de la tabla 3.1.
• - El valor medio experimental 𝑋𝑒 = 8.8 se encuentra en el centro de F (x).
• - La fluctuación en los datos puede entenderse mirando la función de distribución de datos
 La función de distribución de datos se puede utilizar para calcular la media experimental, como se muestra a
continuación:
La media de una distribución se puede encontrar como se muestra a continuación :
𝑋𝑒 = σ∞
𝑥=0 𝑥𝐹(𝑥)
La Varianza de la Muestra

 La varianza de la muestra cuantifica la cantidad de fluctuación en los datos

 Para determinar la varianza de la muestra, el primer paso es encontrar el residuo de cualquier punto de
datos

𝒅𝒊 = 𝒙𝒊 − 𝒙𝒆

Amount Experimental mean

 De la Fig. 3.2, se puede concluir que

 - Los datos tienen los mismos residuos positivos y negativos como se muestra en la parte b
 - El cuadrado de los residuos siempre da resultados positivos. Esto se puede ver claramente en la parte c

Fig. 3.2 (a) El gráfico de los datos dados en la tabla 3.1 valores correspondientes para el d residual para 𝒅 ^ 𝟐 se muestran en la
parte (b) y (c) (Knoll 2010, p.68)
Desviacion

 Se puede definir como la cantidad que difiere del valor medio verdadero X .

𝜀𝑖 = 𝑥𝑖 - 𝑥

Varianza de la muestra

- Se puede definir como la cantidad de dispersión interna para los datos dados.
- Se puede calcular como el promedio del valor de cada desviación después de obtener el cuadrado:
1
𝑆2 = 𝜀2 = σ𝑁
𝑖=1(𝑥𝑖 − 𝑥 . )2
𝑁

- Aquí es difícil de aplicar porque no es fácil obtener 𝑡ℎ𝑒 𝑚𝑒𝑎𝑛 𝑥 solo después de obtener una gran
cantidad de lecturas, por lo que lo más fácil es usar la media experimental 𝑥𝑒 y, por lo tanto, será
más residual que la desviación. Pero con el uso de la media experimental :

1
𝑆2 = σ𝑁
𝑖=1(𝑥𝑖 − 𝑥𝑒 )^2
𝑁 −1

Nota: Esta ecuación con N pequeña, si N es muy grande, usaremos el valor cuadrado medio ya sea
residual o desviación
 Fig.3.3 Funciones de
distribución para dos
conjuntos de datos
diferentes cantidades de
fluctuación interna.( Knoll
2010, p.68).

Small
For narrow Small Sample
deviation from
distribution variance
the mean

For Wide Large sample

Large deviation
distribution variance

Nota: Incluso si aumentamos los datos de 20 a 40, el valor de la varianza de la

muestra seguirá siendo el mismo, ya que es la medida absoluta de la
dispersión interna en los datos.
 Otra forma de calcular la varianza de la muestra es utilizando la función de distribución de
datos :

S 2 = σ∞ 2
𝑥=0( 𝑥 − 𝑥 ) F(x) ……….. (a)

S 2 = 𝑥 2 - ( x )2 …………… ( b)

De la ecuación (a) ya que esta expresión no se puede usar en el cálculo, podemos usar la
expresión en la ecuación (b).

 Concluimos que cualquier conjunto de datos puede explicarse y aclararse utilizando la

función de distribución de datos F (x). Y a partir de esta distribución, los parámetros más
importantes son la media experimental y la varianza de la muestra.
Statistical Models

The Binomial
Distribution

Three-specific
The Poisson
Statistical
Distribution
models
The Gaussian
(Normal)
Distribution
Distribución Binomial

 General:

 El más general de todos los modelos estadísticos.

 Raramente utilizado en aplicaciones nucleares.

 Expression:
La probabilidad de contar el número de éxitos "x" se puede calcular de la siguiente manera:
𝒏!
p(x) = 𝒏−𝒙 ! 𝒙! px (1- p )𝑛−𝑥 n & x are integers

dónde:
n: número de ensayos; La probabilidad de éxito en cada prueba es "p" (no cambia)
Ejemplo de uso de la distribución binomial

 Supongamos que tenemos una canasta con 5 discos numerados del 1 al 5. Si la probabilidad de
seleccionar cualquiera de los discos es la misma, entonces la probabilidad de que el próximo
3
disco elegido tenga el número 2, 3, 4 es:  Probability = = 0.60
5

 Si llevamos a cabo un total de n = 10 ensayos, la probabilidad

 que x ensayos serán exitosos puede calcularse mediante
 usando la Tabla 2, donde x está entre 0 y 10.
 La tabla 3.2 muestra la posibilidad predicha si
 realizar n pruebas. En este caso n = 10
 La gráfica de la distribución binomial se muestra en
 Figura 3.4. La distribución muestra que el número de
 éxitos es 7.

Fig. 3.4 A plot of

Table 3.2 Values of the Bionomial
Bionomial distribution
Distribution of the parameter p=4/6
for p=2/3 and n=10
or 2/3 , n=10 (Knoll 2010, p.71)
(Knoll 2010, p.72)
Propiedades de una distribución binomial

 La distribución está normalizada. σ𝑛𝑥=0 𝑃 𝑥 = 1

 El valor promedio de la distribución se da a continuación:

x= σ𝑛𝑥=0 𝑥𝑃 𝑥 = 0
De la definición de distribución binomial
𝒏!
P (x) = P x (1- P )𝑛−𝑥
𝒏−𝒙 ! 𝒙!

 𝑥=
ҧ Pn
where :
P: Probability
n : # of Trials
Continuar: Distribución binomial

 Variación prevista 𝝈 ^ 𝟐
- Esto está asociado con la probabilidad predicha y también se conoce como la dispersión
sobre la media predicha por el modelo estadístico P (x). 𝜎 2 = σ𝑛𝑥=0( 𝑥 − 𝑥ҧ )2 P(x)

- La cantidad prevista de fluctuación:

• 𝜎 2 = n p (1 - p )
• 𝜎 2 = 𝑥ҧ (1 - p ) where 𝑥ҧ = n p
• 𝜎 2= 𝑥(ҧ 1 − 𝑝)

 Ejemplo:
Suponga que n = 10, p = 0.60

 Media pronosticada 𝑥 ̅ = 6
Varianza prevista = 𝜎 ^ 2 = 6 ∗ 0.4 = 2.4
Desviación estándar prevista 𝜎 = √ (𝜎 ^ 2) = 1.549
Distribución de Poisson
 General:
 Similar a la distribución binomial pero matemáticamente simplificada.
 Para una probabilidad pronosticada pequeña y constante, la distribución binomial se
reduce a la distribución de Poisson.
 Uso :
 Para los experimentos de conteo nuclear donde el número de núcleos es grande y el
tiempo de observación es pequeño en comparación con la vida media.
• Expression :
( 𝒙 )𝒙
P (x) = 𝒆− 𝒙
𝒙!

• Vimos que la distribución binomial requiere dos parámetros n & p.

• En contraste, la distribución de Poisson requiere solo un parámetro 𝑥 ̅ = np
Las propiedades de la distribución de Poisson

 La distribución se normaliza ∑_ (𝑥 = 0) ^ 𝑛▒ 〖𝑃 (𝑥) = 1〗The mean value of the

distribution is x = σ𝑛𝑥=0 𝑥𝑃 𝑥 = 𝑝𝑛

 La varianza predicha 𝜎 ^ 2 = ∑_ (𝑥 = 0) ^ 𝑛▒ 〖(𝑥 −𝑥〗) ^ 2 P (x) = pn

 𝜎 ^ 2 = xThe predicted standard deviation 𝜎 = 𝑥

 Ejemplo:
Si la probabilidad <<<< 1 necesitamos cambiar a la distribución de Poisson
Por ej. En el caso de las vacunas anuales, si tenemos un grupo de muestra de
1,000 personas con 1000 ensayos, la probabilidad de que alguien se vacune hoy es p
= 1/365 = 0.00274. En este caso, necesitamos cambiar a la distribución de Poission.
𝑥 ̅ = pn = 2.74 𝜎 = √ (𝑥 ̅) = 1.66
 Fig.3.5 The Poisson
distribution for a mean
value =2.74 (Knoll 2010, p
75).

( 𝒙 )𝒙
P (x) = 𝒆− 𝒙
𝒙!
La ecuación anterior se usa con un valor medio = 2.74
x P(x)
0 0.065
1 0.177
2 0.242
3 0.221
. .
. .
Distribución Gaussiana o normal

 GENERAL :
 Este tipo de distribución se utiliza en los siguientes casos::

 Si el número promedio de éxitos es grande (> 25)

 Si el valor medio es grande.

 Expresión :

( 𝑥 − 𝑥 )2
1 −
P(x) = 𝑒𝑥𝑝 2𝑥 donde x es un número entero
2𝜋 𝑥
The Properties of the Gaussian or Normal Distribution

 Normalized σ∞
𝑥=0 𝑃 𝑥 = 1

 Mean value x = Predicted variance 𝜎 2

 Only one parameter is needed 𝑥ҧ = np

 Example:

 Por ej. En el caso de las vacunas anuales, si tenemos un grupo de muestra de 10,000
personas con 1000 ensayos, la probabilidad de que alguien se vacune hoy es p = 1/365 =
0.00274. . En este caso, necesitamos cambiar a la distribución gaussiana.

 n= 10,000
 x =np =27.4  Large number Normal distribution to Poisson distribution
is are good for estimating :
1- Statistical properties .
2-Uncertainty.
Continue : The example for Gaussian Distribution

 To calculate the predicted probability :

( 𝑥 − 27.4)2
1 −
P(x) = 𝑒𝑥𝑝 2 ∗27.4
2𝜋 ∗27.4

 The predicted Standard deviation :

𝜎= 𝑥 = 27.4 = 5.23

From Fig 3.6 (a )

• We can see that the distribution symmetric
about the mean value , p(x) depends on the
absolute value of the deviation of any value x
from mean 𝜀 = 𝑥 − ഥ 𝑥

• As the mean value is large , so the p(x) varies

slowly

• From fig.3.6 (b) it can be seen that there is a Fig.3.6 (a) Discrete Gaussian
distribution for mean value x=
shift to zero value of the 𝜖deviation compared to 27.4. (b)Plot of the
the mean value location corresponding continuous from
• It is continuous for Gaussian distribution . the Gaussian .( Knoll 2010,
p.77).
 Continue : The example for Gaussian Distribution

• Distribution is an explicit function of

deviation 𝜀 and continous function (more
than discrete function ).

• From Fig.3.7: We can see the area under

the curve by including the limits
values ​represent any physical quantity .

−𝜖2
2
• G(𝜖) = 𝑒𝑥𝑝 2𝑥
𝜋𝑥

Where :
G (𝜖) 𝑑𝜖 ∶ Differential probability of
observing
a deviation in d𝜖 about 𝜖. Fig.3.7 Comparison of the discrete
and continuous forms of the
Gaussian distribution
Continue : The example for Gaussian Distribution

 The standard deviation 𝜎 of a Gaussian distribution 𝜎 = 𝑥 where x =𝜎 2

𝜖
 The ratio t=
𝜎

A new variable t is introduced here

So the Gaussian distribution can be written with respect the ratio:
𝑑𝜖
G(t) =G(𝜖)
𝑑𝑡
= G(𝜖) 𝜎

𝟐/𝟐
G(t)= 𝟐/𝝅 𝒆−𝒓 This is a universal form of the Gaussian Distribution 0≤ 𝑡 ≤ ∞
Applications of the Statistical Models

 Main applications of Statistical Models in nuclear measurements:

1- Use statistical analysis to show that the internal fluctuation is compatible with statistical
predictions.

2-In order to examine the method available to make uncertainty predictions about uncertainty , one
should associate with single measurement to avoid effect of statistical fluctuation.

Application A: Check the Counting System to See whether Observed Fluctuations are
consistent with
expected statistical fluctuation.

 The counting laboratories are subjected to quality control standards once a month on an
ongoing basis. In this process a record of 20-50 from detector are read using the present
procedure and any abnormal records of fluctuation can be monitored, which helps to find the
defects.
 Fig.3.9An illustration of
From Fig.3.9 we can note : Application A of counting
• N ( in experimental data – left side) is independent measurement of samestatistics-the inspection of a
physical quantity. data for consistency with
statistical model.(Knoll

• 𝑥𝑒 is the value of the center of the distribution . 2010,p80 )

• 𝑆 2 ( Sample variance) : it s used to give us the amount of fluctuation.

• When the value of 𝑥 = 𝑥𝑒 => We have fully specified statistic model

.P(x) is represent Poisson or Gaussian distribution.

• Data distribution function F(x) must be approximated to P(x). When we

draw these we can get the shape and the amplitude of the distribution.

• To make a comparison between the two functions we need to use one

parameter ( mean value ). Since this parameter is equal for each of
these functions we need to look for l for another parameter. This is done
by using the variance parameter, where we take the value of predicted
variance and compare it with the sample variance. This must give same
value in case there is internal fluctuation.
 Fig. 3.10 A direct comparison
of experimental data from
table 3.1 with predictions of a
satirical model( Poisson
distribution for mean value
equal to 8.8 ( Knoll 2010, p
81)
For the same data mentioned in table 3.1 , Fig.3.10 shows the data distribution function for these
data the mean value and the experimental mean value is equal 8.8 , which is not that large so we
can use Poisson instead of the Gaussian distribution , as we know that Poisson is just for discrete x
value .

• Since the sample variance 𝑆 2 = 7.36 ,the predicted variance 𝜎 2 =mean value = 8.8 ( because it
is Poisson). From these value we considered that we have less fluctuation in the data. As we
only have limited data and as these values are close to each other , we need to use another test
which is” Chi-squared test”.

• Chi-squared test is similar to the sample variance :

𝑋 2 = 𝑥1𝑒 σ𝑁
𝑖=1( 𝑥𝑖 - 𝑥𝑒 )
2
using mean value

(𝑁−1)
𝑋2 = 𝑆2 using sample variance.
𝑋𝑒
 If the fluctuation is closely modeled by Poisson  𝑆 2 = 𝜎 2 , since it is Poisson , so we will use x
=𝑥𝑒 .

Table 3.3 Portion of a

Chi squared
Distribution table
(Knoll 2010, p 82).

From the table above , the p s represents the probability for any sample from the Poisson
distribution a large value of 𝑋 2 compared to the specific value in the Table 3.3.

• Very low probability (p< 0.2 ) ⇒ 𝐿𝑎𝑟𝑔𝑒 𝑓𝑙𝑢𝑐𝑡𝑢𝑎𝑡𝑖𝑜𝑛 .

• Very high probability (p> 0.98) ⇒ Small fluctuation .
Fig.3.11 A plot of the Chi-squared distribution. For each curve , p gives the probability that a random sample of n
𝑿𝟐
numbers from a true Poisson distribution would have a larger value than that of the ordinate. For data for which the
𝒗
experimental mean used to calculate 𝑿𝟐 the number of degrees of freedom
v=N-1 (Knoll 2010, p 82)
 Application B: Estimation of the precision of a single measurement.

 In case we need to add a degree of uncertainty to the single reading or measurement

.
 if we need to estimate the sample variance to be expected especially if we are looking
to
repeat the measurement many times. Since we have only one measurement we will
estimate
From fig.3.13 :
• The left hand sidesample variance
represents the by analogy with good statistical model.
experimental data while the right side
represents the statistical model.
• Since we have single measurement x , we
assume that x = x

• The expected sample variance 𝑆 2 ≅ 𝜎 2 of the

statistical model from measurement x

- 𝑆 2= x Provided Poisson or Gaussian

- 𝑆 2 =x because we have only one
measurement.

 𝑆2 ≅ 𝜎 = 𝑥 Fig.3.13 A graphical display

• If x =100 => 𝜎 =10 of error bars associated with
• The mean is large => Normal distribution. experimental data.( Knoll
2010, p.85)
 Table 3.4 example of error interval for a single measurement
x=100
• From the table above, if we consider the uncertainty for the single measurement we will use x∓𝜎
 100 ∓10 which it will have a mean with probability 68%.

• To reach 99% we wll use x ∓ 2.58 𝜎 => 100 ∓ 25.8 .

𝜎
• Fractional standard deviation can be defined as of simple counting measurement, if we record 100
𝑥
counts and fractional standard deviation is 10% , we can reduce it to 1%if we raise the counts to
10,000.

• All above is for general cases , for the nuclear counting we will apply 𝜎 = 𝑥.

 Can not associate the standard deviation with square root if any quantity that t s not directly
measured number of count.
• Association can not apply for the following :
1- Counting rate.
2-Sums of differences of counts.
3- Averages of independent counts
4- Any derives quantity.
Error Propagation
 If we assume that the measurements are performed the expected Row Count and even followed
Gaussian distribution for this case only one parameter will be needed.

 If we assume that the counts was recorded by using back ground free detector system , which record
only half of the quantity emitted by the source from this we can conclude that only 50% is the
efficiency for this detector. And until we get the correct number who get out of the source must be
multiplied by 2 and if this repeated we will get new distribution.

 The new distribution will have a shape of Gaussian distribution , but here we can
not get the 𝜎 𝑠𝑡𝑎𝑛𝑑𝑖𝑜𝑛 𝑎𝑟𝑑 𝑑𝑒𝑣𝑖𝑎𝑡ion from square root of the mean value ,
therefore here we need two parameter the mean value & Standard deviation .

 It is continuous Gaussian distribution :

1 1 ( 𝑥 −𝑥 )2
G(x) dx = 𝜎 exp (- ) dx  Probability of observing value between x
2𝜋 2𝜎 2
and x+dx

−𝑡2
2
G(t ) dt = 𝑒 2 dt
𝜋
 Error propagation :

if we have counts .. x, y , z and related to variables 𝜎x , 𝜎y and 𝜎z

𝜎𝑢 2 𝜎𝑢 2 𝜎𝑢 2
𝜎𝑢 2 = ( ) 𝜎𝑥 2 +( ) 𝜎𝑦 2 +( ) 𝜎𝑧 2 + ……. U= u ( x, y , z, …..) derived
𝜎𝑥 𝜎𝑦 𝜎𝑧
quantity

*This equation known as error propagation formula where x , y and z are independent , and
can be used
in all nuclear measurements.

 The use of this equation will be cleared by using t in some simple cases.

 Case # 1 Sum or differences of counts.

u= x + y or u=x-y
𝜕𝑢 𝜕𝑢
==> =1 or =∓1
𝜕𝑥 𝜕𝑦

 By using the error propagation formula :

𝜎𝑢 2 = (1)2 𝜎𝑥 2 + ( ∓1)2 𝜎𝑦 2
𝜎𝑢 2 = 𝜎𝑥 2 + 𝜎𝑦 2
𝜎𝑢 = 𝜎𝑥 2 + 𝜎𝑦 2
 The application o source and need f this case , when we have radioactive source counts and
need to correct it by subtracting the back ground count:

net counts = total counts – back ground counts  this mean u = x-y

Example :

if the total counts = x = 1000

background counts= y = 500
net count = u = 500
𝜎𝑥 = 𝑥 = 31.622
𝜎𝑦 = 𝑦 = 22.361
𝜎𝑢 = 𝜎𝑥 2 + 𝜎𝑦 2 = 𝑥 + 𝑦 = 38.729

=> net counts = 500 ∓ 38.729

𝜎𝑢
 Case # 2 Multiplication or Division by a constant:
 u=Ax
𝜕𝑢
=A not associate uncertainty
𝜕𝑥
𝜎𝑢 = A 𝜎𝑥
Similarly
𝑥
v=
B
𝜎𝑥
σv =
𝐵
𝜎𝑢 𝜎𝑣
 & are fractional errors same as the original fractional errors.
𝑢 𝑣
 From all above we conclude that the multiply or divide value by constant does not change the
relative error.

 Example:

𝑥
If x is counts recorded over time t , the counting rate = r = , where t measured in small
𝑡
uncertainty
and considered to be constant
x= 1220 , t = 5 s
1220
r= = 224 1/s
5
𝜎𝑥 1220
𝜎𝑟 = = = 6.7 s
𝑡 5
 Counting rate = 224 ∓ 6.7 counts /second
 Case # 3 Multiplication or Division of counts :

 Multiplication
𝜕𝑢 𝜕𝑢
u=xy
𝜕𝑥
=y 𝜕𝑦
=x

𝜎𝑢 2 = 𝑦 2 𝜎𝑥 2 + 𝑥 2 𝜎𝑦 2

𝜎𝑢 2 𝜎𝑥 2 𝜎𝑦 2
( ) = ( ) +( ) divided by 𝑢2 =𝑥 2 𝑦 2
𝑢 𝑥 𝑦

 Division
𝑥 𝜕𝑢 1 𝜕𝑢 𝑥
u= = =-
𝑦 𝜕𝑥 𝑦 𝜕𝑦 𝑦2
1 𝑥 2
𝜎𝑢 2 =( )2 𝜎𝑥 2 +(- ) 𝜎𝑦 2
𝑦 𝑦2
𝜎𝑢 𝜎𝑥 𝜎𝑦 2
( )2 = ( )2 +( )
𝑢 𝑥 𝑦

𝜎𝑥 𝜎𝑦
 In both cases, the fractional error in x and y and => will combine to give the fractional
𝑥 𝑦
error in u
 Example :

To calculate the ratio of two sources activities from independent counts. (Neglect the background)

- Count from Source 1 = N1 = 16265

- Count from Source 2 = N2 = 8192
𝑁1 16265
- Activity ratio R = = = 1.985
𝑁2 8192
𝜎𝑅 2 𝜎𝑁1 2 𝜎𝑁2 2 𝑁1 𝑁2
-( ) = ( ) +( ) = + = 1.835*10−4
𝑅 𝑁1 𝑁2 𝑁12 𝑁22

𝜎𝑅
= 0.0135
𝑅

𝜎𝑅 = 0.013 * R = 0.027

 R = 1.985 ∓ 0.027
 Case # 4 Mean value of multiple independent counts:

If N repeated counts of equal times are recorded from the same source.
These counts are represented as x1 , x2 , x3, ……𝑥𝑁
Also σ = 𝑥1 + 𝑥2 + … … 𝑥𝑁

𝜎𝑢 2 𝜎𝑢 2 𝜎𝑢 2
 To find the expected error in σ. we use 𝜎𝑢 2 = ( ) 𝜎𝑥 2 +( ) 𝜎𝑦 2 +( ) 𝜎𝑧 2 +
𝜎𝑥 𝜎𝑦 𝜎𝑧
…….
𝜕σ
so =1 for independent counts.
𝜕𝑥𝑖

=> 𝜎σ2 = 𝜎𝑥12 + 𝜎𝑥22 + ….. 𝜎𝑥𝑁 2

But 𝜎𝑥𝑖 = 𝑥𝑖
𝜎σ2 = x1 + x2 +…….𝑥𝑁 = σ
𝜎σ = σ
σ
 σ and 𝜎 values would be same if we were dealing with single count & the mean value x =
𝑁

𝜎σ σ 𝑁𝑥 𝑥
 The expected standard deviation 𝜎𝑥= = = =
𝑁 𝑁 𝑁 𝑁
=> 𝑥𝑖 ≅ 𝑥 since any typical count would not be different from the mean .
 Based on N independent counts, the expected error is smaller by a factor of 𝑁 compared to
any single measurement .
 Thus it can be concluded that if we aim to improve the statistical precision of measurement
by factor of 2, we must invest 4 times the initial counting time.
 Case # 5 Combination of independent measurements with unequal
errors:

If each measurement xi has a weighting factor ai, we can calculate the best value
𝑥 , from the linear combination given below: