Hallo Nicolàs,
Ik ga morgen met je spreadsheet experimenteren.
>>>Je hoeft een negatieve error niet anders af te handelen dan een positieve
Dat doe ik om teveel invloed van grote outliers te voorkomen. Dit voorkomt grote percentuele afwijkingen daar de afwijking begrenst wordt tot 1. Zowel een HFD van 0 of 99 geeft een fout van 1 maximaal.
>> Bepaal de wortel van de kwadratensom van deze errors
Deze manier van fout berkening heb ik inmiddels laten vallen. Het curve fits resultaat wordt beter met de gemiddelde absolute fout. De reden is dat de hyperbool niet altijd perfect past en de grootste afwijkingen teveel invloed krijgen door het kwadraat. Bijvoorbeeld als een van de hyperboolvleugels een andere hoek heeft. Daarnaast zijn outliers minder een probleem omdat de HFD waarde (FWHM) bepaald word als mediaan van aantal sterren HFD waardes in de opname. De mediaan filtert de slechte HFD detecties er uit. Dus aanvullende detecteren van outliers voor de curvefit heeft weinig prioriteit en ik heb de indruk dat het de curve fitting schaad.
Momenteel heb ik de indruk dat er altijd een outlier gevonden word. Deze zit of bij het focus door de seeing of bij een afwijkende hoek van een van de vleugels. Dat heb ik met onderstaande schets proberen weer te geven.
Vanavond heb tijdens een paar uur helder hemel al mijn focus opnames met een speciale versie van CCDCiel bewaard en kan ik meer analyseren.
Han
