Главная | Случайная
Обратная связь

ТОР 5 статей:

Методические подходы к анализу финансового состояния предприятия

Проблема периодизации русской литературы ХХ века. Краткая характеристика второй половины ХХ века

Ценовые и неценовые факторы

Характеристика шлифовальных кругов и ее маркировка

Служебные части речи. Предлог. Союз. Частицы

КАТЕГОРИИ:






Распределение Гаусса




 

Мы будем пользоваться только распределением Гаусса [1, с. 26], представленным на рисунке 8.1.1 кривой 4

   
, (8.2.1)
   
где  
   
(8.2.2)
   

Эта формула распределения вполне приемлема и позволяет легко провести вычисления. Кроме того, оценки ошибок в большинстве случаев оказываются довольно грубыми, и эта неопределенность в их оценке полностью перекрывает ошибки, которые обусловлены произволом выбора в качестве функции распределения формулы (8.2.1). Правда, сказанное выше выполняется не всегда. Например, если результаты измерений дискретны и соответствуют ближайшим делениям шкалы прибора, пользоваться гауссовым распределением нельзя.

Перечислим основные свойства распределения Гаусса:

· Функция f(x) зеркально симметрична относительно истинного значения X измеряемой величины x.

· Площадь под кривой f(x) пропорциональна общему числу измерений. Коэффициент пропорциональности принято выбирать так, чтобы эта площадь равнялась 1; тогда

   
(8.2.3)
   

· Точки перегиба кривой (8.2.1) удалены от X на ± σ. При этом доля результатов всех измерений, попадающая в интервал (- σ, + σ), составляет 68.3 %. В интервале (- 2σ, + 2σ) находится уже 95.4 % всех результатов. В теории вероятности σ называется средним квадратичным отклонением, а σ2 – дисперсией, характеризующей разброс случайной величины (dispersio - рассеяние).

· Функция f(x)называется плотностью распределения и равна числу отсчетов, приходящихся на единичный интервал, так что f(x)dx равно числу попаданий измеряемой величины X в интервал от x до x + dx.

Метод Стьюдента

 

Наша задача состоит в том, чтобы, не выполняя большого числа измерений, найти среднее значение <x>, близкое к истинному значению X измеряемой величины, и погрешность измерений - полуширину доверительного интервала Dx, близкую к , как того требуют Государственные стандарты [2, 3]. Это делается по формулам Стьюдента (У. Госсет, Англия, 1908; Student – его псевдоним). Рекомендуется в качестве истинного значения X брать <x>, вычисляемое по формуле (5.2.1), а случайную ошибку оценивать по формуле

   
(8.3.1)
   

где n – число измерений.

Коэффициенты Стьюдента tp,n зависят от значения надежности p и числа измерений n. Величины этих коэффициентов для заданного p = 0.95 [2, 3] и различных n находят по таблице 1.1.1.

 

Проиллюстрируем эффективность методики Стьюдента при определении среднего значения и доверительного интервала по данным небольшого количества измерений на нашем примере с подсчетом числа шагов.

Для всей серии из n = 2080 испытаний (таблица 8.1.1) коэффициент Стьюдента tp,n равен 2, и после весьма трудоемких вычислений по формулам (5.2.1) и (8.3.1) получаем следующее выражение:

     
X = (6410 ± 150) шагов (p = 0.95). (8.3.2)
     

Однако приведенный результат не является окончательным. В соответствии с излагаемыми далее – в параграфе 9.1 – правилами округления экспериментальных данных, предписывающими, сколько значащих цифр следует оставлять при оценке погрешности, выражение (8.3.2) следует записать в виде (9.1.2):

     
X = (6.41 ± 0.15)∙103 шагов (p = 0.95).  
     

Возвратимся к нашему примеру об измерении расстояния шагами. Для сопоставления результатов обработки большого числа измерений (8.3.2) с гистограммами и кривой распределения удобно отметить эти данные на числовой оси (рисунок 8.1.1, б) в том же масштабе, что и на рисунке 8.1.1, а. Среднее значение (5.2.1) покажем вертикальной черточкой, а доверительный интервал (8.3.1) – круглыми скобками. Из рисунка 8.1.1 видно, что, поскольку расчеты выполнены по очень большому количеству измерений, <x> действительно совпадает с абсциссой максимума кривой распределения, а границы доверительного интервала удалены от максимума вдвое дальше точек перегиба.

Если теперь из всей серии в 2080 испытаний произвольно, скажем, с помощью генератора случайных чисел, выбрать всего 5 значений x, получится приблизительно такой же результат. Пусть, например, выбраны числа x1 = 6251, x2 = 6368, x3 = 6583, x4 = 6483, x5 = 6505. После обработки по Стьюденту получим

     
X = (6438 ± 163) (6.41 ± 0.16)∙103 шагов (p = 0.95). (8.3.3)
     

Отметим эти данные, а также выбранные числа на оси x рисунка 8.1.1, в. Сравнивая выражения (1.1.6 – 1.1.8) и рисунки 8.1.1, а - 8.1.1, в, убеждаемся, что метод Стьюдента позволяет с весьма неплохой точностью находить интересующие нас величины по коротким сериям испытаний. Некоторое расхождение результатов вполне допустимо, особенно если вспомнить об экономии времени и усилий на измерения и обработку при сокращении количества опытов – в нашем примере с 2080 до 5!

 




Не нашли, что искали? Воспользуйтесь поиском:

vikidalka.ru - 2015-2018 год. Все права принадлежат их авторам! Нарушение авторских прав | Нарушение персональных данных