Beim Einschalten der Gauss-Approximation (die man doch recht
häufig braucht, wenn die Unsicherheiten nicht nur Poisson sind),
habe ich noch ein Problem mit kafe2.
Dazu wird eine Kostenfuktion gebraucht, die statt Poisson(x;lambda)
Gauss (x, lambda, sigma=sqrt(lamda)) verwendet, aber in jedem Iterationsschritt
sigma aus sqrt(lambda) berechnet
Über den Histogramm-Fit müssten wir auch noch einmal generell reden:
außer den Poisson-Unsicherheiten mit sigma = sqrt(N_model) brauchen
wir noch eine allgemeinere Möglichkeit, bei der die Unsicherheiten
von außen vorgegeben werden können (z.B. bei korrigierten oder skalierten
und auch bei gewichteten Histogrammeinträgen).
Im allgemeinsten Fall kann das sehr kompliziert werden, aber meist reicht
ein Ansatz sigma_i = sqrt(a_i* N_model_i + sigma_c_i**2), mit einer konstanten
Unsicherheit sigma_c in jedem bin.
Beim Einschalten der Gauss-Approximation (die man doch recht
häufig braucht, wenn die Unsicherheiten nicht nur Poisson sind),
habe ich noch ein Problem mit kafe2.
Dazu wird eine Kostenfuktion gebraucht, die statt Poisson(x;lambda)
Gauss (x, lambda, sigma=sqrt(lamda)) verwendet, aber in jedem Iterationsschritt
sigma aus sqrt(lambda) berechnet
Über den Histogramm-Fit müssten wir auch noch einmal generell reden:
außer den Poisson-Unsicherheiten mit sigma = sqrt(N_model) brauchen
wir noch eine allgemeinere Möglichkeit, bei der die Unsicherheiten
von außen vorgegeben werden können (z.B. bei korrigierten oder skalierten
und auch bei gewichteten Histogrammeinträgen).
Im allgemeinsten Fall kann das sehr kompliziert werden, aber meist reicht
ein Ansatz sigma_i = sqrt(a_i* N_model_i + sigma_c_i**2), mit einer konstanten
Unsicherheit sigma_c in jedem bin.