# Zählratenstatistik #
1 Rechnungen zur Poisson-Verteilung
1.1 Poisson-Verteilung
1.2 Abstandsverteilungen für Poisson-verteilte Signale
1.3 Totzeitverluste für Poisson-verteilte Signale
1.3.1 Totzeitkorrekturrechnung für nicht-paralysierende Totzeit
1.3.2 Signalabstandsverteilung nach nicht-paralysierender Totzeit
1.3.3 Totzeitkorrekturrechnung für paralysierende Totzeit
1.3.4 Signalabstandsverteilung nach paralysierender Totzeit
1.3.5 Tabelle Totzeitverluste
2 Anwendungen
2.1 Kaskadierte Zähler
2.2 Vorgeschaltete Untersetzer
2.2.1 Verteilung der untersetzten Datenrate
2.2.2 Totzeitverlustrechnung für die untersetzte Datenrate
2.2.3 Abstandsverteilung der untersetzten Datenrate
2.3 Fifo-Speicher
2.4 Dominierende Totzeit
2.5 Beseitigen von Nachimpulsen
2.6 Lifetime-Messung
# Zählratenstatistik #
**********************
*(Totzeiten, Signalabstandsverteilungen)*
März 1995 K. Huber, Strahlenzentrum Univ. Gießen
Version 22.Nov.2024
1 Rechnungen zur Poisson-Verteilung
***********************************
Bei den folgenden Betrachtungen wird davon ausgegangen, dass die
Ereignisraten Poisson-verteilt sind.
1.1 Poisson-Verteilung
======================
Die Poisson-Verteilung wird in der folgenden Form benutzt:
Wahrscheinlichkeit P[n] für das Eintreffen von genau n Ereignissen im
Zeitintervall [0,t]
P[n](R,t) = (R*t)^n / n! * e^-(R*t)
t: Zeit > 0
R: Ereignisrate > 0
n: 0,1,...,~
Sum[n=0,~]P[n] = e^+(R*t) * e^-(R*t) = 1
Sum[n=0,~](n*P[n]) = R*t * Sum[n=0,~]P[n] = R*t
P[n+1] = R*t / (n+1) * P[n]
dP[n]/dt = R * (P[n-1] - P[n])
Int(P[n])dt = -1/R * Sum[i=0,n]P[i]
Int[0,~]P[n]dt = 1/R
1.2 Abstandsverteilungen für Poisson-verteilte Signale
======================================================
Die Änderung von P[0] zur Zeit t ist die Wahrscheinlichkeit für das
Eintreffen des ersten Ereignisses seit t=0. Legt man t=0 auf den
Zeitpunkt des vorausgegangenen Ereignisses, was man ohne Einschränkung
tun kann, so erhält man die Wahrscheinlichkeit für das Auftreten des
Abstandes t. P[0] wird um die Wahrscheinlichkeit kleiner, mit der das
Ereingnis zur Zeit t eintrifft.
Die Änderung von P[1] enthält zwei Komponenten (s.o.): zum Einen muss
es um den Anteil wachsen, den P[0] verloren hat, und zum Andern verliert
es durch die Wahrscheinlichkeit des Eintreffens eines zweiten
Ereignisses. Der zweite Anteil gibt uns die Abstandsverteilung des
zweiten Ereignisses vom Startereignis.
dP[0]/dt = R * (0 - P[0])
dP[1]/dt = R * (P[0] - P[1])
...
dP[n]/dt = R * (P[n-1] - P[n])
Die Abstandsverteilung A[n] der n-ten Ereignisse nach einem
Startereignis ist daher:
A[n] = R * P[n-1]
Int[0,~](A[n])dt = 1
Von besonderem Interesse ist A[1], die Abstandsverteilung zwischen zwei
benachbarten Ereignissen:
A[1] = R * P[0] = R * e^-(R*t)
Für Poisson-verteilte Signale ist es eine abfallende
Exponentialfunktion, die, da sie in logarithmischer Darstellung eine
Gerade ergibt, bequem zur Diagnose von experimentellen Störungen wie
Totzeiten oder Nachimpulsen dienen kann.
1.3 Totzeitverluste für Poisson-verteilte Signale
=================================================
1.3.1 Totzeitkorrekturrechnung für nicht-paralysierende Totzeit
---------------------------------------------------------------
Ereignisse, die in eine Totzeit fallen, tragen selber nicht zur Totzeit
bei.
R Eingangsrate vor der Totzeit
r Ausgangsrate nach der Totzeit
Td Totzeit
Vd = R*Td Totzeitverluste Vd im Totzeitintervall Td
bei Poisson-verteilter Eingangsrate R
Tt = r*t*Td gesamte Totzeit Tt in der Zeit t für die Ausgangsrate r
Rv = R*Tt/t Rate Rv der Totzeitverluste
R = r + Rv Bilanz der Raten
= r * (1 + R*Td)
R = r / (1 - r*Td) Totzeitkorrektur
r = R / (1 + R*Td) inverse Totzeitkorrektur
Die erste Gleichung ist nur für Poisson-verteilte Eingangsraten richtig.
Bei periodischer Eingangsrate und R*Td < 1 würden keine Totzeitverluste
auftreten.
Diese Gleichung ist auch direkt aus der Poisson-Verteilung herzuleiten:
V = 1*P[1] + 2*P[2] + ... + n*P[n] + ...
= R*T*P[0] + R*T*P[1] + ... + R*T*P[n-1] + ...
= R*T
1.3.2 Signalabstandsverteilung nach nicht-paralysierender Totzeit
-----------------------------------------------------------------
Nach den vorausgegangenen Überlegungen kann man den Zeitnullpunkt für
die Abstandsmessung beliebig legen und erhält für Poisson-verteilte
Ereignisse immer die gleiche Abstandsverteilung. Das erste nach einer
vorausgegangenen Totzeit auftretende Ereignis hat deshalb von dem
Totzeit auslösenden Ereignis die gewohnte Abstandsverteilung P[0]
verschoben um die Totzeit T und vermindert um die Totzeitverluste in T.
A[1,T] = U(t-T) * r * P[0](t-T) = U(t-T) * R / (1 + R*T) * P[0](t-T)
U(t) = 0 für t<0; 1 für t>=0; (Sprungfunktion)
1.3.3 Totzeitkorrekturrechnung für paralysierende Totzeit
---------------------------------------------------------
Ereignisse, die in eine Totzeit fallen, verlängern die Totzeit durch das
Starten eines neuen Totzeitintervalls.
A = R * e^-(R*t) Abstandsverteilung der Ereignisse bei Eingangsrate R
w = R * Int[T,~](e^-(R*t))dt
= e^-(R*T) Wahrsch. w für Abstand größer Totzeit T
r = R * e^-(R*T) gemessene Rate, max für R*T=1
R = ??? Totzeitkorrektur nur numerisch lösbar, oder für RT<<1
näherungsweise durch Reihenentwicklung
1.3.4 Signalabstandsverteilung nach paralysierender Totzeit
-----------------------------------------------------------
Diese Nuss ist noch zu knacken!
1.3.5 Tabelle Totzeitverluste
-----------------------------
*Tab.: rel. Totzeitverluste:*
R*T !paralys paralys
0.00 0.000 0.000
0.10 0.091 0.095
0.20 0.167 0.181
0.30 0.231 0.259
0.40 0.286 0.330
0.50 0.333 0.393
0.60 0.375 0.451
0.80 0.444 0.551
1.00 0.500 0.632
1.50 0.600 0.777
2.00 0.667 0.865
2.50 0.714 0.918
3.00 0.750 0.950
4.00 0.800 0.982
5.00 0.833 0.993
6.00 0.857 0.998
8.00 0.889 1.000
10.00 0.909 1.000
2 Anwendungen
*************
*Die folgenden Betrachtungen setzen stets eine feste,
nicht-paralysierende Totzeit voraus!*
2.1 Kaskadierte Zähler
======================
Einige der (Eigenbau-) Datenerfassungsgeräte liefern über einen Ausgang
einen Zählimpuls für jeden Totzeitverlust. Da ein nachgeschalteter
Zähler jedoch ebenfalls eine Totzeit hat, gehen dort wiederum Ereignisse
verloren, die man mit einem weiteren Zähler registrieren könnte usw..
Prinzipiell sollte jedoch aus den ersten beiden Raten die Originalrate
berechenbar sein, falls die Totzeiten gleich sind und die Originalrate
konstant ist.
Die Zählrate Z[0] und die Totzeitverluste V[0] der ersten Datenerfassung
mit Totzeit T[0] sind
Z[0] = R/(1 + R*T[0])
V[0] = R - Z[0]
= R * R*T[0]/(1 + R*T[0])
Die zweite Datenerfassung erhält die gleiche primäre Datenrate R, jedoch
um die V[0]/R verkürzte Zeit
Z[1] = R/(1 + R*T[1]) * V[0]/R
= R/(1 + R*T[1]) * R*T[0]/(1 + R*T[0])
V[1] = V[0] - Z[1]
= R * R*T[0]/(1 + R*T[0]) * R*T[1]/(1 + R*T[1])
usw...
Z[n] = R/(1 + R*T[n]) * V[n-1]/R
= 1/T[n] * Prod[i=0,n](R*T[i]/(1 + R*T[i]))
= Z[n-1] * T[n-1]/T[n] * R*T[n]/(1 + R*T[n])
V[n] = V[n-1] - Z[n]
= R - Sum[i=0,n]Z[i]
= R * Prod[i=0,n](R*T[i]/(1 + R*T[i]))
= V[n-1] * R*T[n]/(1 + R*T[n])
V[n]/Z[n] = R*T[n]
V[n]/R = Prod[i=0,n](R*T[i]/(1 + R*T[i]))
V[~] = 0
-> R = Sum[i=0,~]Z[i]
Für den Fall T[0]=T[1]=T genügen Z[0] und Z[1] zur Berechnung von V[1],
R und T
R = Z[0]^2 / (Z[0] - Z[1])
= Z[0] + Z[1] * Sum[i=0,~]((Z[1]/Z[0])^i)
V[1] = Z[1]^2 / (Z[0] - Z[1])
T = Z[1] / Z[0]^2
Für den Fall T[0], T[1]=T[2]=T benötigt man Z[0], Z[1] und Z[2] zur
Berechnung von R, V[2], T[0] und T
R = Z[0] + Z[1]^2 / (Z[1] - Z[2])
= Z[0] + Z[1] + Z[2] * Sum[i=0,~]((Z[2]/Z[1])^i)
V[2] = Z[2]^2 / (Z[1] - Z[2])
T[0] = Z[1]^2 / (Z[0]^2 * (Z[1] - Z[2]) + Z[0]*Z[1]^2)
T = Z[2] / (Z[0] * (Z[1] - Z[2]) + Z[1]^2)
2.2 Vorgeschaltete Untersetzer
==============================
Bei zu hohen Zählraten ist zur Vermeidung von Totzeitverlusten die
Vorschaltung eines schnellen Untersetzers zu empfehlen (z.B. 1/10,
50MHz). Dies hat zum einen den Effekt, dass die zu übertragende Rate
reduziert wird und zum anderen, dass die statistischen Schwankungen der
Zählrate herabgesetzt werden, wodurch sich ebenfalls die Totzeitverluste
reduzieren.
R Originalrate, Poisson-verteilt
Ru untersetzte Rate
U >1 Untersetzungsverhältnis
S <U systematischer Fehler durch Untersetzung
F(R) statistischer Fehler von R
R= U * Ru + S
F(R)= SQRT(R)= SQRT(U*Ru+S)
F(Ru)= F(R)/U= SQRT(U*Ru+S)/U= SQRT(Ru+S/U) / SQRT(U)
für S<<R und 1<<Ru: F(Ru)~~ SQRT(Ru/U)
Bei der Auswertung ist zu beachten, dass der statistische Fehler nicht
mehr wie gewohnt durch SQRT(Ru) gegeben ist. Additiv hinzu kommt ein
systematischer Fehler S < U, der daher rührt, dass der Untersetzer
jeweils U Ereignisse sammeln muss bevor ein Ãœbertrag erscheint.
2.2.1 Verteilung der untersetzten Datenrate
-------------------------------------------
Nach Durchlaufen eines 1/u - Untersetzters geht die Datenrate R in eine
Rate Ru = R/u über, die keine Poisson-Verteilung mehr hat. Da jeweils
erst nach u Eingangsereignissen ein Ereignis am Ausgang erscheint, ist
die Wahrscheinlichkeit für das Auftreten von n Ereignissen am Ausgang
bis zur Zeit t
U[n] = P[m] = (R*t)^m / m! * e^-(R*t) mit m = u * n
2.2.2 Totzeitverlustrechnung für die untersetzte Datenrate
----------------------------------------------------------
In einer dem Untersetzer nachfolgenden nicht-paralysierenden Totzeit T
gehen
V(u,R) = Sum[n=1,~](n * U[n])
= Sum[n=1,~](n * (R*T)^m / m! * e^-(R*T))
Ereignisse verloren.
speziell:
V(u=1,R) = Sum[n=1,~](n * P[n])
= Sum[n=1,~](R*T * P[n-1])
= (R*T) * Sum[n=0,~](P[n])
= (R*T)
V(u=1,R/u) = (R*T)/u
Da für
V(u,R) = (R*T)/u * Sum[n=1,~]((R*T)^(m-1) / (m-1)! * e^-(R*T))
nur die höheren Glieder m = u-1, 2u-1,... der e^(R*T) Reihe einen
Beitrag leisten, beschränken wir uns für (R*T)<1 und u>4 auf den Term
n=1:
V(u,R,n=1) = (R*T)/u * (R*T)^(u-1) / (u-1)! * e^-(R*T))
= (R*T) * (R*T)^(u-1) / u! * e^-(R*T))
Die Totzeitverluste werden im Vergleich zur Eingangsrate R um mehr als
1/u! reduziert und werden z.B. bei einer 1/10-Untersetzung (1/10! =
2.8*10^-7) völlig venachlässigbar. Im Vergleich zu einer Eingangsrate
R/u werden sie um mehr als 1/(u-1)! reduziert.
2.2.3 Abstandsverteilung der untersetzten Datenrate
---------------------------------------------------
Bei einem u-fachen Untersetzer ist die Wahrscheinlichkeit für das
Eintreffen des u-ten Ereignisses von Interesse, da nur jedes u-te
Ereignis am Ausgang erscheint. Wie oben gezeigt ist die
Abstandsverteilung A[u] der u-ten Ereignisse bei der Eingangsrate R:
A[u] = R * P[u-1]
Mittelwerte von A[u]:
M(A[u]) = Int[0,~](t * A[u])dt / Int[0,~](A[u])dt
= u/R * Int[0,~](A[u]+1)dt
= u/R (war ja zu erwarten)
M(A[u]^2) = Int[0,~](t^2 * A[u])dt / Int[0,~](A[u])dt
= u * (u + 1) / R^2 * Int[0,~](A[u]+2)dt
= u * (u + 1) / R^2
Streuung um den Mittelwert:
S[u](R) = (A[u] - [M(A[u]))^2 = M(A[u]^2) - M(A[u])^2 = u / R^2
Die Streuung einer Poisson-verteilten gleichen Rate R/u hingegen ist
S[1](R/u) = u^2 / R^2,
also das u-fache. Die "statistischen Spitzen" werden geglättet.
(Kein Textformat-Bild vorhanden, siehe: html, pdf, dvi)
*Abb. Abstandsverteilungen*
2.3 Fifo-Speicher
=================
Sobald ganze Datenworte mit einem Ereignis verbunden sind können
vorgeschaltete Untersetzer oder Zählerkaskaden nicht benutzt werden zur
Vermeidung von Totzeitverlusten. Hier können dann Fifo-Speicher
weiterhelfen.
Dies ist der nicht ganz überzeugende Versuch das Problem als
Markov-System bzw. Markov-Kette zu betrachten. Aber die Ergebnisse
scheinen zu stimmen.(?)
*Markov-Ketten-Modell für einen Fifo:*
.--> /----\ -----l----> /----\ -----l----> /----\ ---.
m |S(0)| |S(1)| |S(M)| l
`--- \----/ <----m----- \----/ <----m----- \----/ <--'
S(n): Besetzungswahrscheinlichkeit für Zustand mit n
Ereignissen im Fifo
S(0): Fifo ist leer
S(m): Fifo ist voll
l,m: Ãœbergangswahrscheinlichkeiten
l: Einströmung
m: Bedienung
Ein Zustand S(n) wird zerstört mit der Wahrscheinlichkeit
(l + m) * S(n)
Und er wird aus den Nachbarn erzeugt mit der Wahrscheinlichkeit
m * S(0) + m * S(1) (n=0)
l * S(n-1) + m * S(n+1)
l * S(M-1) + l * S(M) (n=M)
Das System ist im Gleichgewicht, wenn beide Wahrscheinlichkeiten gleich
sind
l * S(0) = m * S(1)
(l + m) * S(n) = l * S(n-1) + m * S(n+1)
m * S(M) = l * S(M-1)
Durch rekursives Einsetzen erhält man für die
Besetzungswahrscheinlichkeiten S(n)
S(1) = (l/m)^1 * S(0)
S(2) = (l/m)^2 * S(0)
...
S(n) = (l/m)^n * S(0)
Für einen Fifo der Tiefe M gilt außerdem
Sum[n=0,M]S(n) = 1 = Sum[n=0,M]<(l/m)^n * S(0)>
S(0) = 1 / Sum[n=0,M]<(l/m)^n>
= (1 - l/m) / (1 - (l/m)^(M+1)) l/m != 1
= 1 / (M + 1) l/m = 1
und damit
S(n) = (l/m)^n * (1 - l/m) / (1 - (l/m)^(M+1)) l/m != 1
= 1 / (M + 1) l/m = 1
Die Wahrscheinlichkeit, dass der Fifo belegt ist, ergibt sich dann zu
S(M) = (l/m)^M * (1 - l/m) / (1 - (l/m)^(M+1)) l/m != 1
= 1 / (M + 1) l/m = 1
und die Rate der Verluste zu
V = S(M) * l
Für l/m << 1 kann man abschätzen
S(M) ~ (l/m)^M
Bleibt noch die Frage, wie die Ãœbergangswahrscheinlichkeiten l und m zu
verstehen sind. Setzt man
l = R Ereignisrate
m = 1/T Bedienung mit Totzeit T (Bedienrate)
so erhält man einleuchtende Ergebnisse für einige überprüfbare Fälle
(M=1, M=~, R*T<<1, R*T=1), obwohl dies nicht den Markov-Vorausetztungen
(zufällige Ereignisse, die Vergangenheit hat keinen Einfluss)
entspricht. Insbesondere ist die Bedienung eine direkte Folge eines
vorausgegangenen Ereignisses und nicht zufällig.
Die Ãœbergangswahrscheinlichkeit l kann man sich aus der
Poisson-Verteilung der Ereignisrate als Wahrscheinlichkeit für das
Auftreten des ersten Ereignisses "gleich jetzt" (t=0) folgendermaßen
ableiten:
d(P[1]) / dt [t=0] = R
d(P[n>1]) / dt [t=0] = 0
Für die Bedienrate mit Totzeit T geht das so nicht. Es gibt Rechnungen
mit "negativ exponentieller" Bedienrate. Da soll das analog
funktionieren:
B = 1 - e^-(t/T) (???)
d(B) / dt [t=0] = 1/T
Haben wir aber nicht!
Wenn sowohl Ereignisrate als auch Bedienrate periodisch wären, so
hätte man für R*T<1 garkeine Totzeitverluste zu erwarten. Mit einer
zufälligen Ereignisrate scheint es aber noch zu funktionieren. Der
Unterschied ist in der Formel für die Totzeitverluste
V = R * S(M)
zu berücksichtigen, die so nur richtig ist für eine zufällige
Ereignisrate. Bei periodischen Ereignissen mit R*T<1 wäre die
vorausgegangene Bedienung bereits beendet, wenn das nächste Ereignis
eintrifft. Zufällige Ereignisse scheinen die Vergangenheit ausreichend
abzukoppeln.
*Beispiel:*
Für ein Gerät mit Totzeit T und einem Datenregister (M = 1) sind die
Totzeitverluste bei einer Rate R
V = R * S(M) = R*R*T / (1 + R*T)
Das gleiche Ergebnis erhält man mit der üblichen Totzeitrechnung (s.o.).
*Ergebnis:*
Ein Fifo kann die Totzeitverluste erheblich vermindern.
V ~ R * (R/T)^M R*T << 1
V = R / (M + 1) R*T = 1
Für R*T << 1 genügt bereits ein Fifo mit wenigen Speicherplätzen.
Für R*T = 1 können die Verluste mit einem M = 100 Fifo auf 1% begrenzt
werden.
Das Fifo auf der Rechneranpassung ist mit M = 2048 deutlich größer
gewählt, da es mögliche Unterbrechungen bei der Datenverarbeitung durch
den Rechner überbrücken muss:
z.B.: M / R = 2000 / 100kHz = 20ms
2.4 Dominierende Totzeit
========================
Gelegentlich sind Totzeiverluste nicht berechenbar da z.B. die Totzeit
nicht bekannt oder veränderlich ist. In einem solchen Fall kann mit der
"Programmierbaren Totzeit" eine Totzeit erzeugt werden, die die
vorausgehenden, unbekannten Totzeiten dominiert.
Hier soll untersucht werden, inwiefern eine dominierende Totzeit
geeignet ist, unbekannte Totzeiten so zu überdecken, dass
Totzeitkorrekturrechnungen möglich werden.
Wie die folgenden Ãœberlegungen zeigen, kann eine solche dominierende
Totzeit nur näherungsweise funktionieren. Die Rechnungen zeigen zeigen
in welcher Größenordnung Abweichungen zu erwarten sind und wie man sie
eventuell minimieren kann.
Wie Simulationen gezeigt haben, sind die Abweichungen für eine
nicht-paralysierende dominierende Totzeit deutlich kleiner als für eine
paralysierende.
*Nicht-paralysierende dominierende Totzeit*
Die primäre Totzeit wird ebenfalls als nicht-paralysierend und konstant
vorausgesetzt.
Für nicht-paralysierende Totzeiten ergibt sich folgendes Verhalten:
E0 E1 E2 E3
En __|____|_____|______|____
T0 __|^^^^^^^^|_____________
Td __|^^^^^^^^^^^^^^^|______
T2 _____________|^^^^^^^^|__
Te __|^^^^^^^^^^^^^^^^^^^|__
• Ein erstes Ereignis E0 hat eine primäre Totzeit T0 und löst die
dominierende Totzeit Td aus.
• Das folgende Ereignis E1 geht bereits durch die primäre Totzeit T0
verloren und liefert keinen Beitrag zur Totzeit.
• Das Ereignis E2 wird durch die dominierende Totzeit Td verworfen
verlängert aber die effektive Totzeit Te.
• Das Ereignis E3 hingegen fällt in die Totzeit von E2 und geht damit
ebenfalls verloren.
Die Totzeitverluste können daher größer sein als die dominierende
Totzeit erwarten lässt. Für T0=0 oder Td=T0 ist die
Totzeitverlustrechnung Td exakt.
*Rechnung*
R: Eingangsrate vor allen Totzeiten
r: Ausgangsrate nach den Totzeiten
r': Ausgangsrate bei T0 = 0
Tp: primäre Totzeit
Td: dominierende Totzeit (nicht-paralysierend Vd=R*Td)
Vp: zusätzliche Totzeitverluste durch Tp bei Tp < Td
Vd: Totzeitverluste durch Td bei Tp = 0
E0 E1 E2 E3
En __|____|_____|______|__________
Tp __|^^^^^^^^^^^|________________
Td __|^^^^^^^^^^^^^^^|____________
Tx ______________|^^^|____________
Tp ________________|^^^^^^^^^^^|__
Ty __________________|^^^^^^^^^|__
Tx = Td - Tp
Ty = Tp - Tx/2
Vy = R*Ty * R*Tx = R^2 * (Td-Tp) * (3Tp-Td)/2
für Td = Tp --> Vy = 0
für Td = 2Tp --> Vy = 1/2 * (R*Tp)^2
*Paralysierende dominierende Totzeit*
Für eine nicht-paralysierende primäre Totzeit und eine paralysierende
dominierende Totzeit ergibt sich folgendes Verhalten:
E0 E1 E2 E3
En __|____|_____|______|___________
T0 __|^^^^^^^^|____________________
Td __|^^^^^^^^^^|^^^^^^^^^^^^^^^|__
T2 _____________|^^^^^^^^|_________
Te __|^^^^^^^^^^^^^^^^^^^^^^^^^^|__
• Ein erstes Ereignis E0 hat eine primäre Totzeit T0 und löst die
dominierende Totzeit Td aus.
• Das folgende Ereignis E1 geht bereits durch die primäre Totzeit T0
verloren und hat deshalb keine weitere dominierende Totzeit zur
Folge.
• Das Ereignis E2 wird durch die dominierende Totzeit Td verworfen
löst aber eine neue dominierende Totzeit Td aus.
• Das Ereignis E3 hingegen fällt in die Totzeit von E2 und geht damit
ebenfalls verloren ohne Td neu zu starten.
Durch die primären Verluste von E1 und E3 wird die effektive Totzeit Td
zu kurz. Für T0->0 verschwindet dieser Verlust.
*Rechnung*
R: Eingangsrate vor allen Totzeiten
r: Ausgangsrate nach den Totzeiten
r': Ausgangsrate bei T0 = 0
Tp: primäre Totzeit
Td: dominierende Totzeit (nicht-paralysierend Vd=R*Td)
Vp: zusätzliche Totzeitverluste durch Tp bei Tp < Td
Vd: Totzeitverluste durch Td bei Tp = 0
Rechnung schwierig, noch ungelöst....
*Simulationsrechnungen*
Die folgenden Grafiken sind Ergebnisse von Monte-Carlo-Simulationen, da
für echte Messungen keine ausreichend gute Poisson-verteilte
Ereignisraten zur Verfügung standen. Der Versuch das Ganze mittels
Faltungsintegralen zu berechnen ist ebenfalls an der Komplexität der
Probleme gescheitert.
Sie zeigen die Abstandsverteilungen von Poisson-verteilten Ereignissen
nach Durchlaufen von ein bzw. zwei Totzeiten. Wie man sieht haben
Totzeiten einen markanten Einfluss auf die Abstandsverteilung und sind
nicht nur ein Abschneiden von kurzen Abständen.
Die Abstandsverteilung von Poisson-verteilten Ereignissen ist eine
abfallende Exponentialfunktion, in logarithmischer Darstellung also eine
Gerade. Eine solche Verteilung lässt sich aus Zufallszahlen leicht
herstellen, sodass eine Monte-Carlo-Rechnung ein bequemes Werkzeug zur
Untersuchung der Auswirkungen einer Totzeit bei den verschiedenen
Anwendungen ist.
(Kein Textformat-Bild vorhanden, siehe: html, pdf, dvi)
(Kein Textformat-Bild vorhanden, siehe: html, pdf, dvi)
*wie zuvor, Ausschnitt*
(Kein Textformat-Bild vorhanden, siehe: html, pdf, dvi)
2.5 Beseitigen von Nachimpulsen
===============================
Insbesondere Channeltrons haben die unschöne Eigenschaft nach einem
echten Ereignis noch Nachimpulse zu liefern, die eine
Wirkungsquerschnittmessung deutlich verfälschen können.
(Kein Textformat-Bild vorhanden, siehe: html, pdf, dvi)
*Totzeit (500ns) und Nachimpulse (bis ca. 4 us) eines Channeltrons*
In dieser logarithmischen Darstellung der Ereignisabstände ist eine
markannte Abweichung von der zu erwartenden Geraden durch die
Poisson-verteilten Ereignisse zu erkennen. Mit einer geeigneten Totzeit
kann der Bereich der Nachimpulse ausgeblendet werden.
Wie man sich leicht überlegen kann, ist die nicht-paralysierende Totzeit
nicht dazu geeignet, da nach wie vor beliebig kurze Ereignisabstände
auftreten können.
Die paralysierende Totzeit hingegen entfernt alle Ereignisse, die zu
ihrem Vorgänger einen kürzeren Abstand haben als die Totzeit.
Allerdings mit Nebenwirkungen, s.o.
Siehe auch:
<http://www.strz.uni-giessen.de/ExpHelp/datarout/datarout.html>
<http://www.strz.uni-giessen.de/ExpHelp/datarout/datarout.pdf>
2.6 Lifetime-Messung
====================
Bei unbekannter bzw. variabler Totzeit eines Datenerfassungsgerätes
oder wechselnder Ereignisrate ist es i.a. nicht möglich im Nachhinein
eine Totzeitkorrekturrechnung durchzuführen. Deshalb bietet das
Data-Routing zwei Möglichkeiten zur direkten Messung von Totzeiten an.
*Lifetime-Messung mit der IFS-Karte*
*Lifetime-Messung mit der Zähler/Uhr-Karte*