Главная страница
Навигация по странице:

  • Математическое ожидание

  • 7. ОБРАБОТКА РЕЗУЛЬТАТОВ ИЗМЕРЕНИЯ НА ОСНОВЕ ЗАКОНА ГУАССА

  • Доверительным интервалом

  • обработка. ОБРАБОТКА РЕЗУЛЬТАТОВ В ИЛ. Методическоепособи е


    Скачать 0.69 Mb.
    НазваниеМетодическоепособи е
    Анкоробработка
    Дата09.03.2023
    Размер0.69 Mb.
    Формат файлаpdf
    Имя файлаОБРАБОТКА РЕЗУЛЬТАТОВ В ИЛ.pdf
    ТипИзложение
    #976795
    страница4 из 5
    1   2   3   4   5
    6. ВЕРОЯТНОСТНЫЕ СВОЙСТВА СЕРИИ НАБЛЮДЕНИЙ
    6.1. Определения основных понятий
    Допустим, что проведено
    N
    наблюдений некоторой физической величины.
    Из-за случайных ошибок отдельные отсчеты
    x x
    x
    N
    1 2
    , ,...,
    неодинаковы.
    Будем считать, что интересующее нас событие произошло, если отсчет
    ξ
    по- пал в заданный интервал
    [ , )
    a b
    Вероятность
    P
    события попадания случайной величины в некоторый интервал
    [ , )
    a b
    называется предел, к которому стремится отношение числа
    m
    наступления этого события к числу
    N
    всех наблюдений, если число наблюде- ний стремится к бесконечности:
    P a
    b
    m
    N
    N
    (
    )
    lim
    ≤ <
    =
    →∞
    ξ
    В теории вероятностей математическая характеристика случайных величин основывается на понятии
    распределение
    вероятности
    F x
    ( )
    , которое является функцией числового аргумента
    x
    и определяет вероятность того, что значение
    ξ
    некоторой случайной величины лежит в интервале
    [
    , )
    −∞
    x
    :
    F x
    P
    x
    ( )
    (
    ).
    =
    −∞ ≤ <
    ξ
    F
    F
    F a
    F b ‰› a b
    (
    )
    ;
    ( )
    ;
    ( )
    ( ) р
    −∞ =
    ∞ =


    0 1
    Распределение вероятностей позволяет найти вероятность того,
    что
    ξ ⊂
    [ , )
    a b
    P a
    b
    F b
    F a
    (
    )
    ( )
    ( ).
    ≤ <
    =

    ξ
    В частности, вероятность того, что значение
    ξ
    непрерывной случайной величины принадлежит бесконечно малому интервалу
    [ ,
    )
    x x dx
    +
    можно выразить как
    P x
    x dx
    f x dx
    (
    )
    ( ) .
    ≤ < +
    =
    ξ
    Функция
    f x
    dF x
    dx
    ( )
    ( )
    =

    называется
    плотностью вероятности
    Основное свойство плотности вероятности состоит в том, что

    +∞


    =
    1
    )
    (
    dx
    x
    f
    Серию из
    N
    отсчетов измеряемой величины можно наглядно представить,
    построив гистограмму

    диаграмму, которая показывает, как часто встреча- ются те или иные отсчеты. Гистограмму строят следующим образом. Весь диапазон наблюдаемых значе- ний разбивают на
    K
    равных интервалов
    (
    интервалов
    классификации
    ) длиной

    x
    и подсчитывают, сколько отсчетов попало в каждый ин- тервал. По оси абсцисс откла- дывают границы интервалов, а по оси ординат - относитель- ную частоту попадания отсче- тов в интервалы, деленную на его длину, т.е. величину
    H
    m
    N x
    k
    k
    =

    , где
    m
    k

    число отсчетов, попавших в k-й интервал. На интервалах, как на основаниях строят прямоугольники высотой
    H
    k
    (рис.1). При
    N
    → ∞
    площадь каждого прямо- угольника будет стремиться к вероятности попадания отсчета в соответствую- щий интервал классификации. Если одновременно устремить длину интервала к нулю (

    x

    0
    , но так, что в любой бесконечно малый интервал попадает бесконечно много отсчетов), то гистограмма превратится в график плотности вероятности.
    Плотность вероятности характеризуется набором параметров

    моментов распределения, два из которых в теории погрешностей имеют главное значе- ние.
    Математическое ожидание
    µ

    это число, в окрестности которого концентрируются значения случайной величины:
    µ =
    −∞


    xf x dx
    ( )
    Дисперсия
    σ
    2

    это число, которое характеризует степень рассеяния значений случайной величины вокруг ее математического ожидания:
    (
    )
    σ
    µ
    2 2
    =

    −∞


    x
    f x dx
    ( )
    Величина
    σ
    называется
    средним (стандартным) квадратическим
    отклонением.
    Рис. 9. Гистограмма
    )
    (
    x
    f
    k
    H
    x

    x
    k
    36 35

    6.2. Нормальное распределение
    В основе теории погрешностей лежат три предположения, подтвержденные опытом:
    1. Отклонения наблюдае- мых значений от истинно- го значения принимают непрерывный ряд.
    2. Погрешности, имею- щие одинаковые абсолют- ные значения, но разные знаки встречаются одина- ково часто.
    3. Чем больше значение погрешности, тем реже оно встречается.
    Из этих предположений следует, что распре- деление вероятности от- счетов измеряемой величи- ны подчиняется, так назы- ваемому, нормальному распределению (закону распределения Гаусса), плотность вероятности кото- рого
    f x
    e
    x
    ( )
    (
    )
    =


    1 2
    2 2
    2
    πσ
    µ
    σ
    ,
    ,
    const
    const
    =
    =
    σ
    µ
    Можно показать, что
    µ

    это математическое ожидание, а
    σ
    2

    дис- персия. Вид плотности распределения для раз- личных значений дис- персии показан на рис.10.
    Приведем без доказатель- ства важные свойства нормального распределе- ния.
    Если
    ξ
    имеет нормальное распределение
    f x
    (
    , )
    µ σ
    (математическое ожиданием
    µ
    и дисперсия
    σ
    2
    ), то
    η
    ξ
    =
    +
    a
    b
    , (
    a
    и
    b
    детерминированные величины) имеет нормальное распределение (рис.11)
    )
    ,
    (
    σ
    µ
    a
    b
    a
    x
    f
    +
    Если
    ξ
    1
    и
    ξ
    2
    нормально рас- пределены с плотностями веро- ятности
    f x
    (
    ,
    )
    µ σ
    1 1
    ,
    f x
    (
    ,
    )
    µ σ
    2 2
    ,
    то
    η ξ ξ
    =
    +
    1 2
    имеет нор- мальное распределение с плот- ностью (рис.12)
    f x
    (
    ,
    )
    µ
    µ
    σ
    σ
    1 2
    1 2
    2 2
    +
    +
    Связь плотности распреде- ления и распределения вероят- ности показана на рис.13., а его вид

    на рис.14.
    Рис. 14. Нормальное распределение
    1
    x
    F(x)
    F(x
    0
    )
    x
    0
    0
    x
    f(x)
    x
    Рис. 13. Связь распределения с его плотностью
    )
    (
    )
    (
    0 0
    x
    x
    P
    x
    F

    =
    f(x)
    x
    1
    µ
    2 1
    σ
    Рис. 12. Изменение плотности вероятности при сложении нормально распределенных случайных величин
    2
    µ
    2 1
    µ
    µ
    +
    2 2
    σ
    2 2
    2 1
    σ
    σ +
    f(x)
    x
    µ
    2 3
    2 3
    2 1
    σ
    σ
    σ
    <
    <
    Дисперсия математическое ожидание
    Рис. 10. Плотность вероятности нормального распределения
    f(x)
    µ
    2
    σ
    Рис. 11. Изменение плотности вероятности при линейном преобразовании нормально распределенной случайной величины
    1 1
    b
    a
    +

    µ
    (
    )
    2 1
    σ

    a
    2 2
    b
    a
    +

    µ
    x
    (
    )
    2 2
    σ

    a
    1 1
    >
    a
    1 2
    <
    a
    37 38

    7. ОБРАБОТКА РЕЗУЛЬТАТОВ ИЗМЕРЕНИЯ НА ОСНОВЕ ЗАКОНА
    ГУАССА
    7.1. Точечные оценки математического ожидания и дисперсии.
    Пусть истинное значение измеряемой величины -
    X
    , а
    x x
    x
    N
    1 2
    , ,...,
    - ряд её отсчетов. Пусть наблюдаемые значения имеют нормальное распределение с математическим ожиданием
    µ
    , совпадающим с истинным значением, и неко- торой дисперсией
    σ
    2
    . Вероятность того, что все отсчеты попадут в бесконеч- но малый интервал
    [
    ,
    )
    x
    x

    +
    δ
    δ
    2 2
    по теореме умножения вероятностей рав- на произведению вероятностей того, что каждый отсчет попадет в этот интер- вал:
    (
    )
    (
    )
    ( )
    P X
    f x
    x
    X
    n
    N
    n
    n
    N
    N
    ( , )
    [ ( ) ]
    exp
    σ
    δ
    πσ
    σ
    δ
    =
    =










    =
    1 2
    2 2
    2 1
    Чем больше
    P
    , тем с большей вероятность наблюдаемые значения груп- пируются вокруг истинного значения. Функция
    P
    N
    δ
    с аргументами
    X ,
    σ
    называется
    правдоподобием эксперимента
    .
    Найдем, при какой связи
    X ,
    σ
    2
    с отсчетами
    x x
    x
    N
    1 2
    , ,...,
    правдоподо- бие максимально. При исследовании функции на экстремум удобно исполь- зовать не саму функцию, а ее логарифм.
    ( )
    (
    )
    L
    P
    N
    N
    x
    X
    N
    n
    n
    N
    =
    = −



    =

    ln(
    )
    (
    / ) ln(
    )
    ln
    (
    ).
    δ
    π
    σ
    σ
    2 2
    2 2
    1 2
    При фиксированном значении
    σ
    максимум
    L
    достигается при


    L
    X
    =
    0
    ,
    т.е.
    (
    )
    x
    X
    n
    n
    N

    =
    =

    1 0
    Из последнего уравнения находим
    X
    x
    N
    x
    n
    n
    N
    =
    =< >
    =

    1
    Следовательно,
    выборочное среднее значение есть максимально прав-
    доподобная оценка истинного значения измеряемой величины
    .
    При фиксированном аргументе
    X
    значение
    σ
    , дающее максимум
    L
    ,
    можно найти из уравнения:

    ∂σ
    L
    =
    0
    ,
    или
    (
    )

    +

    =
    =

    N
    x
    X
    n
    n
    N
    σ
    σ
    2 1
    3 0
    Тогда
    (
    )
    σ =

    =

    x
    X
    N
    n
    n
    N
    2 1
    Следовательно,
    максимально правдоподобная оценка стандарт-
    ного квадратического отклонения равнавыборочному среднему
    квадратическому отклонению отсчетовот истинного значения
    .
    Так как в процессе измерений истинное значение неизвестно, то получен- ная формула не пригодна для расчета погрешности. Выразим
    σ
    через
    < >
    x
    :
    (
    )
    (
    )
    (
    )
    (
    )
    (
    )
    x
    X
    N
    x
    x
    x
    X
    N
    x
    x
    N
    x
    X
    x
    x
    N
    x
    X
    n
    n
    N
    n
    n
    N
    n
    n
    N
    n
    n
    N

    =
    − < > + < > −
    =
    − < >
    +
    + < > −
    − < >
    + < > −
    =
    =
    =
    =




    1 2
    2 1
    2 1
    1 2
    2(
    )
    В этом выражении второе слагаемое равно нулю. Рассмотрим третье сла- гаемое:
    (
    )
    (
    )
    (
    )
    (
    )(
    )
    1 1
    2 1
    2 2
    2 1
    2
    X
    x
    X
    x
    N
    X
    x
    N
    X
    x
    X
    x
    m
    N
    n
    N
    m
    n
    N
    n
    n
    N
    n
    n


    +

    =
    =







    =

    >
    <
    ∑∑


    =
    =
    =
    =
    Второе слагаемое полученного выражения равно нулю при
    N
    → ∞
    , т.к.
    отклонения наблюдаемых значений от истинного встречаются с разными зна- ками одинаково часто. Следовательно
    39 40

    (
    )
    (
    )
    lim lim
    (
    )
    N
    n
    n
    N
    N
    n
    n
    N
    x
    X
    N
    x
    x
    N
    →∞
    =
    →∞
    =

    =
    − < >



    2 1
    2 1
    1
    Величина
    (
    )
    S
    x
    x
    N
    x
    n
    n
    N
    =
    − < >

    =

    2 1
    1
    называется
    выборочным средним квадратическим отклонением оди-
    ночного наблюдения, которое в пределе дает максимально правдо-
    подобную оценку стандартного квадратического отклонения:
    σ =
    →∞
    lim
    N
    x
    S
    При конечном значении
    N
    S
    x
    σ ≈
    Выборочное среднее является суммой
    N
    нормально распределенных слу- чайных величин, имеющих одинаковую дисперсию. Оно представляет случай- ную величину с дисперсией в
    N
    раз меньшей, чем дисперсия слагаемых. По- этому
    выборочное среднее квадратическое отклонение среднего
    S
    x
    < >
    в
    N
    раз меньше чем
    S
    x
    т.е.
    S
    S
    N
    x
    x
    < >
    =
    7.2. Взвешенное среднее значение
    Если получены две независимые точечные оценки
    < >
    x
    1
    и
    < >
    x
    2
    одно- го и того же истинного значения (математического ожидания) с разными дис- персиями
    σ
    1
    и ,
    σ
    2
    то наилучшую оценку
    < >
    x
    общего математического ожидания можно найти с помощью принципа максимального правдоподобия:
    ( ) ( )
    (
    ) (
    )
    L
    x
    X
    x
    X
    = −



    < > −

    < > −
    ln(
    ) ln ln
    2 2
    2 1
    2 1
    2 1
    2 2
    2 2
    2
    π
    σ
    σ
    σ
    σ
    Наилучшую оценку находим из уравнения


    L
    X
    =
    0
    , т.е.
    (
    ) (
    )
    0 2
    2 2
    2 1
    1
    =

    >
    <
    +

    >
    <
    σ
    σ
    X
    x
    X
    x
    Тогда
    < >=
    < >
    +
    < >
    +
    x
    x
    x
    1 1
    2 2
    2 2
    1 2
    2 2
    1 1
    σ
    σ
    σ
    σ
    Дисперсия этой оценки
    σ


    σ


    σ
    2 1
    2 1
    2 2
    2 2
    2
    =
    < >
    < >





     ⋅
    +
    < >
    < >





     ⋅
    x
    x
    x
    x
    или
    (
    )
    σ
    σ
    σ
    2 1
    2 2
    2 1
    1 1
    =
    +

    7.3. Доверительный интервал для математического ожидания
    Как было показано, наилучшей оценкой математического ожидания
    µ
    яв- ляется выборочное среднее значение
    < >
    x
    , которое представляет собой слу- чайную нормально распределенную величину с плотностью вероятности
    f x
    N
    (
    ,
    )
    µ σ
    . Доверительным интервалом для
    µ
    называется интервал
    [
    ,
    ]
    µ
    µ

    +


    x
    x
    , в который с вероятностью
    α
    µ σ
    µ
    µ
    =

    +

    f x
    N dx
    x
    x
    (
    ,
    )


    попадает
    µ
    . Вероятность
    α
    называют доверительной веро-
    ятностью. По заданному значе- нию
    α
    всегда можно рассчитать ширину
    2

    x
    доверительного интервала, если известны значе- ния
    µ
    и
    σ
    (рис.15).
    При обработке результа- тов измерений значения
    µ
    и
    σ
    неизвестны, а могут быть вычис- лены лишь их оценки
    < >
    x
    и
    >
    <
    x
    S
    . Поэтому задачу построения доверительного интервала необходимо сформулировать иначе. Пусть задана доверительная вероятность
    α
    , с которой доверительный интервал шириной
    2

    x
    покрывает неизвестное математиче- ское ожидание
    µ
    . В этом случае границы доверительного интервала являются случайными. Для их определения необходимо из функции распределения ис-
    Рис. 15.
    )
    (
    x
    f
    x
    µ
    Доверительный интервал
    Плотность вероятности
    Доверительная вероятность
    )
    (
    )
    (
    x
    x
    P
    x
    F



    =

    µ
    x

    2 41 42
    ключить неизвестный параметр
    µ
    . Используем линейное преобразование:
    τ
    µ
    σ
    =
    < > −
    < >
    x
    x
    случайной величины
    < >
    x
    , где
    σ
    σ
    < >
    =
    x
    N
    . Случайная величина
    τ
    распределена по нормальному закону с нулевым математическим ожиданием и единичной дисперсией. Тогда
    α
    σ
    σ
    =

    < >
    < >

    f t
    dt
    x
    x
    x
    x
    ( , )
    /
    /
    0 1


    Во многих случаях обработки результатов измерений дисперсия
    σ
    , следо- вательно, и
    >
    <
    x
    σ
    так же неизвестны. Поэтому при обработке используют их оценки
    x
    S
    ,
    >
    <
    x
    S
    и
    >
    <

    >
    <
    =
    Τ
    x
    S
    x
    µ
    . В результате случайная величина
    Τ
    бу- дет распределена не по нормальному закону, а по, так называемому, закону
    Стьюдента с плотностью распределения
    )
    ,
    1
    ,
    0
    (
    N
    x
    f
    , зависящей от числа
    N
    измерений величины
    x
    . В этом случае доверительная вероятность и ширина доверительного интервала связаны соотношением

    >
    <
    >
    <



    =
    x
    x
    S
    x
    S
    x
    dt
    N
    t
    f
    /
    /
    )
    ,
    1
    ,
    0
    (
    α
    Решение последнего уравнения относительно
    x

    представляют в виде:
    >
    <

    =

    x
    S
    N
    t
    x
    )
    ,
    (
    α
    ,
    где функцию от доверительной вероятности и числа измерений
    )
    ,
    (
    N
    t
    α
    назы- вают коэффициентом доверия (коэффициентом Стьюдента). Значения
    )
    ,
    (
    N
    t
    α
    в зависимости от
    α
    и
    N
    приведены в приложении 1. При


    N
    (практи- чески при
    20
    >
    N
    ) распределение Стьюдента совпадает с нормальным рас- пределением. В этом случае коэффициент доверия можно определить по таб- лицам распределения Гаусса.
    1   2   3   4   5


    написать администратору сайта