原子核物理实验方法

《原子核物理实验方法》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第一章放射性测量中的统计学放射性事件与核事件，例如核衰变、带电粒子在介质中损耗能量产生电子—离子对、射线或中子与物质相互作用产生带电粒子等，在一定时间间隔内事件发生的数目和某一事件发生的时刻都是随机的，即具有统计涨落性。因此在实验测量中，一定时间内测到的核事件数目或某种核事件发生的时刻也总是随机的。了解放射性事件随机性方面的知识，一方面可以检验探测器的工作状态是否正常，分析测量值出现的不确定性是出于统计性原因还是仪器本身有其他误差因素，另一方面可对所测得的计数值进行一些合理校正，给定正确的误差范围，这对以后分析掌握辐射探测器的性能，安排实验测量是很有必要的，本章着重讨论在放

2、射性测量中常遇到的一些统计涨落问题。第一节核衰变数和计数的统计分布在放射性测量中，即使所有实验条件都是稳定的，如源的放射性活度、源的位置、源与探测器间的距离、探测器的工作电压等都保持不变，在相同时间内对同一对象进行多次测量，每次测到的计数并不完全相同而是围绕某个平均值上下涨落，这种现象称为放射性计数的统计涨落。这种涨落不是由观测者的主观因素（如观测不准确）造成的，也不是由测量条件变化引起的，而是微观粒子运动过程中的一种规律性现象，是放射性原子核衰变的随机性引起的。在放射性核衰变中，个原子核在某个时间间隔内衰变的数目70是不确定的，这就引起了放射性测量中计数的涨落，它服从统计

3、分布规律。另一方面，原子核衰变发出的粒子能否被探测器所接收并引起计数，也有统计涨落问题，即探测效率的随机性问题。下面我们根据数理统计的理论分别讨论其规律性。一、核衰变的统计分布假定在时刻有个不稳定的原子核，在某一时间内将有一部分核发生衰变。先考虑一个原子核的情形。假如在某一短时间间隔内放射性原子核衰变的概率与此原子核过去的历史和现在的环境无关，则正比于，因此比例常数是该种放射性核素的特征值，因为衰变与不衰变是两种互相排斥的事件，两者概率之和为，所以该原子核经过未发生衰变的概率是若将时间分为许多很短的时间间隔，则，那末该原子核经过未发生衰变的概率为：经过时间后未发生衰变的概率

4、为：令，则，我们有：所以一个放射性原子核经过时间后未发生衰变的概率为，那末对于时刻的个原子核，在经过时间后未发生衰变的原子核数目为：701.1放射性核衰变服从的三种最基本的分布规律，即二项式分布，泊松分布，高斯分布（正态分布）。1．二项式分布二项式分布是最基本的统计分布规律，它广泛地适用于许多随机过程，只要在某个随机过程中具有恒定的事件发生概率。放射性原子核的衰变可以看成数理统计中的伯努利试验问题：在时的个原子核中，任何一个核在时间内衰变的概率为，不衰变的概率为，显然，。这样的情形服从二项式分布，在时间内发生核衰变数为的概率为：1.2即1.3对任何一种分布，有两个最重要的数

5、字特征。一个是数学期望值（简称期望值，在物理中有时也称平均值，用表示），它表示随机变数取值的平均值；另一个是方差，又常用表示，它表示随机变数取值相对于期望值的离散程度。方差的开方根值称均方根差，用表示。对以上的二项式分布，相应的期望值分别为：1.41.5假如，即时间远小于半衰期，可不考虑源活度的变化时，70上式可简化为：1.6在数值较大时，由于值出现在平均值附近的概率较大，即涨落，所以上式还可以简化为：1.7即可用任意一次观测到的衰变核数代替其平均值来进行计算。二项式分布有两个独立的参数和，用起来很方便，而且计算较复杂。对于放射性核衰变来说，总是一个很大的数目，在这种情况下

6、，二项式分布可以简化为泊松分布或高斯分布。2．泊松分布在二项式分布中，当很大，且时，则有：，这样，，这就意味着与和相比足够小。则在平均值附近的值，可得到：1.8a1.8b将上式代入（1.2）式，并注意到，就得到：1.9于是二项式分布即过渡到泊松分布。对于不小于，而不大于时，泊松分布能很好地近似于二项式分布。在泊松分布中，取值范围为所有正整数，并在附近时，有较大值。泊松分布中只存在一个参数，即平均值，。当70较小时，分布是不对称的；若较大时，分布逐渐趋于对称，如图1.1所示，泊松分布的均方根差为：1.100．30．20．10．41923456781210110P(n)图1.1

7、泊松分布的图形—数学期望值3．高斯分布高斯分布又称正态分布，当时，二项式分布可以简化为高斯分布：1.11式中，，其期望值与方差为：1.12高斯分布是对称的，一般当70时，泊松分布就可以用高斯分布来代替了。图1.2中列出了当时这两种分布的图形，可见它们已经很相近了。0.080.060.020.040.10P(n)81012340n此外，在二项式分布与泊松分布中，是离散性随机变数，只限于取整数值。但对高斯分布来说，可以是离散变数，不限于只取整数值，也可以是连续型随机变数。所以（1.11）式的可理解为在处的概率密度函数。