Среднее арифметическое результатов измерений как найти - Исправление недочетов и поиск решений вместе с Examum.ru

Карл
Фридрих Гаусс (1777-1855 гг.) — немецкий
математик и астроном предложил погрешность
одного измерения определять по средней
квадратичной погрешности. Суть его
предложения состоит в том, что каждая
погрешность ряда возводится в квадрат,
затем складываются все погрешности,
полученная сумма делится на число
измерений и извлекается квадратный
корень. Полученную погрешность одного
измерения Гаусс назвал средней
квадратической погрешностью (СКП).

33.Обнаружение грубых погрешностей.

Грубая погрешность
измерения — это явно ошибочные результаты
измерений, сильно отличающиеся от
ожидаемых, и целиком вытекающие из
неправильного отсчета, производимого
человеком при измерении.

Метод исключения
грубых промахов по Q-критерию

Метод заключается
в расчете величины Q:

Q = (x1 — x2) / R,

где x1 – возможный
промах измерений

x2 – результат
измерения, ближайший по значению к х1

R – размах
варьирования, т.е. разность между
наибольшим и наименьшим значениями.

Если Q < Qтаб –
результат остается

Если Q > Qтаб –
результат отбрасывается.

34.Обработка
прямых неравно точных измерений.
Погрешность функции измеренных величин.

Веса
измерений. Неравноточными называют
измерения, выполненные приборами
различной точности, разным числом
приемов, в различных условиях.

При
неравноточных измерениях точность
каждого результата измерений
характеризуется своей среднеквадратической
погрешностью. Наряду со средней
квадратической погрешностью при
обработке неравноточных измерений
пользуются относительной характеристикой
точности – весом измерения. Вес i-го
измерения вычисляют по формуле

(5.9)

где с –
произвольная постоянная, назначаемая
вычислителем, m_i –
средняя квадратическая погрешность i-го
измерения.

Так,
имея ряд результатов измерений l₁, l₂,
…, l_n ,
со средними квадратическими
погрешностями m₁, m₂ ,
…, m_n,
определяют их веса:

p₁= c
/ m₁², p₂= c
/ m₂²,
…, p_n= c
/ m_n².

Часто
постоянную с для
удобства дальнейших вычислений назначают
так, чтобы веса p_i оказались
целыми числами.

Рассмотрим
смысл произвольной постоянной с.
Предположим, что в результате фиксирования
значения с вес j-го
измерения стал равен 1, то есть p_j= c
/ m_j² =
1. Отсюда находим c = m_j².
Следовательно, постоянная с есть
квадрат средней квадратической
погрешности m² такого
измерения, вес которого принят за единицу
(с =
m²).

Теперь
(5.9) можем записать так

.
(5.10)

Кратко
m называют средней квадратической
погрешностью единицы веса.

Вес
арифметической средины.
Рассмотрим вес арифметической средины
равноточных измерений. Примем в формуле
(5.8) за единицу вес одного измерения, то
есть m = m,
и запишем .

Тогда
согласно (5.10) вес Р арифметической
средины L будет
равен

P
= =
n.
(5.11)

Вывод.
Если за единицу веса принят вес одного
измерения, то согласно (5.11) вес
арифметической средины равен числу
измерений.

Следствие.
Если результат l измерения
имеет вес р,
то можем считать, что l является
средним арифметическим из ризмерений
с весом 1.

Общая
арифметическая средина результатов
неравноточных измерений.
Пусть имеем результаты многократных
неравноточных измерений одной
величины: l₁, l₂,
…, l_n,
выполненных с весами p₁, p₂,
…, p_n.

Представим
каждый из результатов l_i (i =
1, 2, …, n)
как среднее из p_i результатов
с весом 1. Получим такой ряд результатов
равноточных измерений:

l₁ —
результат p₁ измерений
с весом 1,

l₂ —
результат p₂ измерений
с весом 1,

¼¼¼¼¼¼¼¼¼¼¼¼¼¼¼¼

l_n —
результат p_n измерений
с весом 1,

где
общее число измерений с весом 1
равно p₁ + p₂ +¼+ p_n .

Нами
составлен ряд результатов равноточных
измерений, позволяющий найти окончательное
значение измеряемой величины как среднее
арифметическое из всех результатов
измерений

.
(5.12)

Значение,
вычисляемое по формуле (5.12), называют общей
арифметической срединой или весовым
средним.

Оценки
точности результатов неравноточных
измерений.
Приведем без вывода формулы характеристик
точности, используемых при обработке
прямых неравноточных измерений.

Средняя
квадратическая погрешность m измерения,
имеющего вес, равный единице:

—
формула Гаусса: .

Формула
применяется, когда известно достаточно
точное, близкое к истинному,
значение X измеряемой
величины.

—
формула Бесселя: ,

где v_i —
поправки к результатам измерений:

Средняя
квадратическая погрешность общей
арифметической средины

Обработка
результатов неравноточных измерений.
Математическая обработка ряда результатов
прямых неравноточных измерений одной
величины выполняется в следующей
последовательности.

1.
Вычисление весового среднего (общей
арифметической средины)

2. Вычисление
поправок к результатам измерений:

(i =
1, 2,…, n).

Контролем
правильности вычислений служит равенство

3. Вычисление
средней квадратической погрешности
одного измерения по уклонениям от
арифметической средины, используя
формулу Бесселя для неравноточных
измерений:

4. Вычисление
средней квадратической погрешности
весового среднего

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]

Источник

Результат любого измерения не определён однозначно и имеет случайную составляющую.
Поэтому адекватным языком для описания погрешностей является язык вероятностей.
Тот факт, что значение некоторой величины «случайно», не означает, что
она может принимать совершенно произвольные значения. Ясно, что частоты, с которыми
возникает те или иные значения, различны. Вероятностные законы, которым
подчиняются случайные величины, называют распределениями.

2.1 Случайная величина

Случайной будем называть величину, значение которой не может быть достоверно определено экспериментатором. Чаще всего подразумевается, что случайная величина будет изменяться при многократном повторении одного и того же эксперимента. При интерпретации результатов измерений в физических экспериментах, обычно случайными также считаются величины, значение которых является фиксированным, но не известно экспериментатору. Например смещение нуля шкалы прибора. Для формализации работы со случайными величинами используют понятие вероятности. Численное значение вероятности того, что какая-то величина примет то или иное значение определяется либо как относительная частота наблюдения того или иного значения при повторении опыта большое количество раз, либо как оценка на основе данных других экспериментов.

Замечание.
Хотя понятия вероятности и случайной величины являются основополагающими, в литературе нет единства в их определении. Обсуждение формальных тонкостей или построение строгой теории лежит за пределами данного пособия. Поэтому на начальном этапе лучше использовать «интуитивное» понимание этих сущностей. Заинтересованным читателям рекомендуем обратиться к специальной литературе: [5].

Рассмотрим случайную физическую величину x, которая при измерениях может
принимать непрерывный набор значений. Пусть
P[x0,x0+δ⁢x] — вероятность того, что результат окажется вблизи
некоторой точки x0 в пределах интервала δ⁢x: x∈[x0,x0+δ⁢x].
Устремим интервал
δ⁢x к нулю. Нетрудно понять, что вероятность попасть в этот интервал
также будет стремиться к нулю. Однако отношение
w⁢(x0)=P[x0,x0+δ⁢x]δ⁢x будет оставаться конечным.
Функцию w⁢(x) называют плотностью распределения вероятности или кратко
распределением непрерывной случайной величины x.

Замечание. В математической литературе распределением часто называют не функцию
w⁢(x), а её интеграл W⁢(x)=∫w⁢(x)⁢𝑑x. Такую функцию в физике принято
называть интегральным или кумулятивным распределением. В англоязычной литературе
для этих функций принято использовать сокращения:
pdf (probability distribution function) и
cdf (cumulative distribution function)
соответственно.

Гистограммы.

Проиллюстрируем наглядно понятие плотности распределения. Результат
большого числа измерений случайной величины удобно представить с помощью
специального типа графика — гистограммы.
Для этого область значений x, размещённую на оси абсцисс, разобьём на
равные малые интервалы — «корзины» или «бины» (англ. bins)
некоторого размера h. По оси ординат будем откладывать долю измерений w,
результаты которых попадают в соответствующую корзину. А именно,
пусть k — номер корзины; nk — число измерений, попавших
в диапазон x∈[k⁢h,(k+1)⁢h]. Тогда на графике изобразим «столбик»
шириной h и высотой wk=nk/n.
В результате получим картину, подобную изображённой на рис. 2.1.

Рис. 2.1: Пример гистограммы для нормального распределения (x¯=10,
σ=1,0, h=0,1, n=104)

Высоты построенных столбиков будут приближённо соответствовать значению
плотности распределения w⁢(x) вблизи соответствующей точки x.
Если устремить число измерений к бесконечности (n→∞), а ширину корзин
к нулю (h→0), то огибающая гистограммы будет стремиться к некоторой
непрерывной функции w⁢(x).

Самые высокие столбики гистограммы будут группироваться вблизи максимума
функции w⁢(x) — это наиболее вероятное значение случайной величины.
Если отклонения в положительную и отрицательную стороны равновероятны,
то гистограмма будет симметрична — в таком случае среднее значение ⟨x⟩
также будет лежать вблизи этого максимума. Ширина гистограммы будет характеризовать разброс
значений случайной величины — по порядку величины
она, как правило, близка к среднеквадратичному отклонению sx.

Свойства распределений.

Из определения функции w⁢(x) следует, что вероятность получить в результате
эксперимента величину x в диапазоне от a до b
можно найти, вычислив интеграл:

Px∈[a,b]=∫abw⁢(x)⁢𝑑x.

(2.1)

Согласно определению вероятности, сумма вероятностей для всех возможных случаев
всегда равна единице. Поэтому интеграл распределения w⁢(x) по всей области
значений x (то есть суммарная площадь под графиком w⁢(x)) равен единице:

Это соотношение называют условием нормировки.

Среднее и дисперсия.

Вычислим среднее по построенной гистограмме. Если размер корзин
h достаточно мал, все измерения в пределах одной корзины можно считать примерно
одинаковыми. Тогда среднее арифметическое всех результатов можно вычислить как

Переходя к пределу, получим следующее определение среднего значения
случайной величины:

где интегрирование ведётся по всей области значений x.
В теории вероятностей x¯ также называют математическим ожиданием
распределения.
Величину

σ2=(x-x¯)2¯=∫(x-x¯)2⁢w⁢𝑑x

(2.3)

называют дисперсией распределения. Значение σ есть
срекднеквадратичное отклонение в пределе n→∞. Оно имеет ту
же размерность, что и сама величина x и характеризует разброс распределения.
Именно эту величину, как правило, приводят как характеристику погрешности
измерения x.

Доверительный интервал.

Обозначим как P|Δ⁢x|<δ вероятность
того, что отклонение от среднего Δ⁢x=x-x¯ составит величину,
не превосходящую по модулю значение δ:

P|Δ⁢x|<δ=∫x¯-δx¯+δw⁢(x)⁢𝑑x.

(2.4)

Эту величину называют доверительной вероятностью для
доверительного интервала |x-x¯|≤δ.

2.2 Нормальное распределение

Одним из наиболее примечательных результатов теории вероятностей является
так называемая центральная предельная теорема. Она утверждает,
что сумма большого количества независимых случайных слагаемых, каждое
из которых вносит в эту сумму относительно малый вклад, подчиняется
универсальному закону, не зависимо от того, каким вероятностным законам
подчиняются её составляющие, — так называемому нормальному
распределению (или распределению Гаусса).

Доказательство теоремы довольно громоздко и мы его не приводим (его можно найти
в любом учебнике по теории вероятностей). Остановимся
кратко на том, что такое нормальное распределение и его основных свойствах.

Плотность нормального распределения выражается следующей формулой:

w𝒩⁢(x)=12⁢π⁢σ⁢e-(x-x¯)22⁢σ2.

(2.5)

Здесь x¯ и σ
— параметры нормального распределения: x¯ равно
среднему значению x, a σ —
среднеквадратичному отклонению, вычисленным в пределе n→∞.

Как видно из рис. 2.1, распределение представляет собой
симметричный
«колокол», положение вершины которого
соответствует x¯ (ввиду симметрии оно же
совпадает с наиболее вероятным значением — максимумом
функции w𝒩⁢(x)).

При значительном отклонении x от среднего величина
w𝒩⁢(x)
очень быстро убывает. Это означает, что вероятность встретить отклонения,
существенно большие, чем σ, оказывается пренебрежимо
мала. Ширина «колокола» по порядку величины
равна σ — она характеризует «разброс»
экспериментальных данных относительно среднего значения.

Замечание. Точки x=x¯±σ являются точками
перегиба графика w⁢(x) (в них вторая производная по x
обращается в нуль, w′′=0), а их положение по высоте составляет
w⁢(x¯±σ)/w⁢(x¯)=e-1/2≈0,61
от высоты вершины.

Универсальный характер центральной предельной теоремы позволяет широко
применять на практике нормальное (гауссово) распределение для обработки
результатов измерений, поскольку часто случайные погрешности складываются из
множества случайных независимых факторов. Заметим, что на практике
для приближённой оценки параметров нормального распределения
случайной величины используются выборочные значения среднего
и дисперсии: x¯≈⟨x⟩, sx≈σx.

x-x0σ2=2w⁢(x)σ1=1

Рис. 2.2: Плотность нормального распределения

Доверительные вероятности.

Вычислим некоторые доверительные вероятности (2.4) для нормально
распределённых случайных величин.

Замечание. Значение интеграла вида ∫e-x2/2⁢𝑑x
(его называют интегралом ошибок) в элементарных функциях не выражается,
но легко находится численно.

Вероятность того, что результат отдельного измерения x окажется
в пределах x¯±σ оказывается равна

P|Δ⁢x|<σ=∫x¯-σx¯+σw𝒩⁢𝑑x≈0,68.

Вероятность отклонения в пределах x¯±2⁢σ:

а в пределах x¯±3⁢σ:

Иными словами, при большом числе измерений нормально распределённой
величины можно ожидать, что лишь треть измерений выпадут за пределы интервала
[x¯-σ,x¯+σ]. При этом около 5%
измерений выпадут за пределы [x¯-2⁢σ;x¯+2⁢σ],
и лишь 0,27% окажутся за пределами
[x¯-3⁢σ;x¯+3⁢σ].

Пример. В сообщениях об открытии бозона Хиггса на Большом адронном коллайдере
говорилось о том, что исследователи ждали подтверждение результатов
с точностью «5 сигма». Используя нормальное распределение (2.5)
нетрудно посчитать, что они использовали доверительную вероятность
P≈1-5,7⋅10-7=0,99999943. Такую точность можно назвать фантастической.

Полученные значения доверительных вероятностей используются при
стандартной записи результатов измерений. В физических измерениях
(в частности, в учебной лаборатории), как правило, используется P=0,68,
то есть, запись

означает, что измеренное значение лежит в диапазоне (доверительном
интервале) x∈[x¯-δ⁢x;x¯+δ⁢x] с
вероятностью 68%. Таким образом погрешность ±δ⁢x считается
равной одному среднеквадратичному отклонению: δ⁢x=σ.
В технических измерениях чаще используется P=0,95, то есть под
абсолютной погрешностью имеется в виду удвоенное среднеквадратичное
отклонение, δ⁢x=2⁢σ. Во избежание разночтений доверительную
вероятность следует указывать отдельно.

Замечание. Хотя нормальный закон распределения встречается на практике довольно
часто, стоит помнить, что он реализуется далеко не всегда.
Полученные выше соотношения для вероятностей попадания значений в
доверительные интервалы можно использовать в качестве простейшего
признака нормальности распределения: в частности, если количество попадающих
в интервал ±σ результатов существенно отличается от 2/3 — это повод
для более детального исследования закона распределения ошибок.

Сравнение результатов измерений.

Теперь мы можем дать количественный критерий для сравнения двух измеренных
величин или двух результатов измерения одной и той же величины.

Пусть x1 и x2 (x1≠x2) измерены с
погрешностями σ1 и σ2 соответственно.
Ясно, что если различие результатов |x2-x1| невелико,
его можно объяснить просто случайными отклонениями.
Если же теория предсказывает, что вероятность обнаружить такое отклонение
слишком мала, различие результатов следует признать значимым.
Предварительно необходимо договориться о соответствующем граничном значении
вероятности. Универсального значения здесь быть не может,
поэтому приходится полагаться на субъективный выбор исследователя. Часто
в качестве «разумной» границы выбирают вероятность 5%,
что, как видно из изложенного выше, для нормального распределения
соответствует отклонению более, чем на 2⁢σ.

Допустим, одна из величин известна с существенно большей точностью:
σ2≪σ1 (например, x1 — результат, полученный
студентом в лаборатории, x2 — справочное значение).
Поскольку σ2 мало, x2 можно принять за «истинное»:
x2≈x¯. Предполагая, что погрешность измерения
x1 подчиняется нормальному закону с и дисперсией σ12,
можно утверждать, что
различие считают будет значимы, если

Пусть погрешности измерений сравнимы по порядку величины:
σ1∼σ2. В теории вероятностей показывается, что
линейная комбинация нормально распределённых величин также имеет нормальное
распределение с дисперсией σ2=σ12+σ22
(см. также правила сложения погрешностей (2.7)). Тогда
для проверки гипотезы о том, что x1 и x2 являются измерениями
одной и той же величины, нужно вычислить, является ли значимым отклонение
|x1-x2| от нуля при σ=σ12+σ22.

Пример. Два студента получили следующие значения для теплоты испарения
некоторой жидкости: x1=40,3±0,2 кДж/моль и
x2=41,0±0,3 кДж/моль, где погрешность соответствует
одному стандартному отклонению. Можно ли утверждать, что они исследовали
одну и ту же жидкость?
Имеем наблюдаемую разность |x1-x2|=0,7 кДж/моль,
среднеквадратичное отклонение для разности
σ=0,22+0,32=0,36 кДж/моль.
Их отношение |x2-x1|σ≈2. Из
свойств нормального распределения находим вероятность того, что измерялась
одна и та же величина, а различия в ответах возникли из-за случайных
ошибок: P≈5%. Ответ на вопрос, «достаточно»
ли мала или велика эта вероятность, остаётся на усмотрение исследователя.

Замечание. Изложенные здесь соображения применимы, только если x¯ и
его стандартное отклонение σ получены на основании достаточно
большой выборки n≫1 (или заданы точно). При небольшом числе измерений
(n≲10) выборочные средние ⟨x⟩ и среднеквадратичное отклонение
sx сами имеют довольно большую ошибку, а
их распределение будет описываться не нормальным законом, а так
называемым t-распределением Стъюдента. В частности, в зависимости от
значения n интервал ⟨x⟩±sx будет соответствовать несколько
меньшей доверительной вероятности, чем P=0,68. Особенно резко различия
проявляются при высоких уровнях доверительных вероятностей P→1.

2.3 Независимые величины

Величины x и y называют независимыми если результат измерения одной
из них никак не влияет на результат измерения другой. Для таких величин вероятность того, что x окажется в некоторой области X, и одновременно y — в области Y,
равна произведению соответствующих вероятностей:

Обозначим отклонения величин от их средних как Δ⁢x=x-x¯ и
Δ⁢y=y-y¯.
Средние значения этих отклонений равны, очевидно, нулю: Δ⁢x¯=x¯-x¯=0,
Δ⁢y¯=0. Из независимости величин x и y следует,
что среднее значение от произведения Δ⁢x⋅Δ⁢y¯
равно произведению средних Δ⁢x¯⋅Δ⁢y¯
и, следовательно, равно нулю:

Δ⁢x⋅Δ⁢y¯=Δ⁢x¯⋅Δ⁢y¯=0.

(2.6)

Пусть измеряемая величина z=x+y складывается из двух независимых
случайных слагаемых x и y, для которых известны средние
x¯ и y¯, и их среднеквадратичные погрешности
σx и σy. Непосредственно из определения (1.1)
следует, что среднее суммы равно сумме средних:

Найдём дисперсию σz2. В силу независимости имеем

Δ⁢z2¯=Δ⁢x2¯+Δ⁢y2¯+2⁢Δ⁢x⋅Δ⁢y¯≈Δ⁢x2¯+Δ⁢y2¯,

то есть:

Таким образом, при сложении независимых величин их погрешности
складываются среднеквадратичным образом.

Подчеркнём, что для справедливости соотношения (2.7)
величины x и y не обязаны быть нормально распределёнными —
достаточно существования конечных значений их дисперсий. Однако можно
показать, что если x и y распределены нормально, нормальным
будет и распределение их суммы.

Замечание. Требование независимости
слагаемых является принципиальным. Например, положим y=x. Тогда
z=2⁢x. Здесь y и x, очевидно, зависят друг от друга. Используя
(2.7), находим σ2⁢x=2⁢σx,
что, конечно, неверно — непосредственно из определения
следует, что σ2⁢x=2⁢σx.

Отдельно стоит обсудить математическую структуру формулы (2.7).
Если одна из погрешностей много больше другой, например,
σx≫σy,
то меньшей погрешностью можно пренебречь, σx+y≈σx.
С другой стороны, если два источника погрешностей имеют один порядок
σx∼σy, то и σx+y∼σx∼σy.

Эти обстоятельства важны при планирования эксперимента: как правило,
величина, измеренная наименее точно, вносит наибольший вклад в погрешность
конечного результата. При этом, пока не устранены наиболее существенные
ошибки, бессмысленно гнаться за повышением точности измерения остальных
величин.

Пример. Пусть σy=σx/3,
тогда σz=σx⁢1+19≈1,05⁢σx,
то есть при различии двух погрешностей более, чем в 3 раза, поправка
к погрешности составляет менее 5%, и уже нет особого смысла в учёте
меньшей погрешности: σz≈σx. Это утверждение
касается сложения любых независимых источников погрешностей в эксперименте.

2.4 Погрешность среднего

Выборочное среднее арифметическое значение ⟨x⟩, найденное
по результатам n измерений, само является случайной величиной.
Действительно, если поставить серию одинаковых опытов по n измерений,
то в каждом опыте получится своё среднее значение, отличающееся от
предельного среднего x¯.

Вычислим среднеквадратичную погрешность среднего арифметического
σ⟨x⟩.
Рассмотрим вспомогательную сумму n слагаемых

Если {xi} есть набор независимых измерений
одной и той же физической величины, то мы можем, применяя результат
(2.7) предыдущего параграфа, записать

σZ=σx12+σx22+…+σxn2=n⁢σx,

поскольку под корнем находится n одинаковых слагаемых. Отсюда с
учётом ⟨x⟩=Z/n получаем

Таким образом, погрешность среднего значения x по результатам
n независимых измерений оказывается в n раз меньше погрешности
отдельного измерения. Это один из важнейших результатов, позволяющий
уменьшать случайные погрешности эксперимента за счёт многократного
повторения измерений.

Подчеркнём отличия между σx и σ⟨x⟩:

величина σx — погрешность отдельного
измерения — является характеристикой разброса значений
в совокупности измерений {xi}, i=1..n. При
нормальном законе распределения примерно 68% измерений попадают в
интервал ⟨x⟩±σx;

величина σ⟨x⟩ — погрешность
среднего — характеризует точность, с которой определено
среднее значение измеряемой физической величины ⟨x⟩ относительно
предельного («истинного») среднего x¯;
при этом с доверительной вероятностью P=68% искомая величина x¯
лежит в интервале
⟨x⟩-σ⟨x⟩<x¯<⟨x⟩+σ⟨x⟩.

2.5 Результирующая погрешность опыта

Пусть для некоторого результата измерения известна оценка его максимальной
систематической погрешности Δсист и случайная
среднеквадратичная
погрешность σслуч. Какова «полная»
погрешность измерения?

Предположим для простоты, что измеряемая величина в принципе
может быть определена сколь угодно точно, так что можно говорить о
некотором её «истинном» значении xист
(иными словами, погрешность результата связана в основном именно с
процессом измерения). Назовём полной погрешностью измерения
среднеквадратичное значения отклонения от результата измерения от
«истинного»:

Отклонение x-xист можно представить как сумму случайного
отклонения от среднего δ⁢xслуч=x-x¯
и постоянной (но, вообще говоря, неизвестной) систематической составляющей
δ⁢xсист=x¯-xист=const:

Причём случайную составляющую можно считать независимой от систематической.
В таком случае из (2.7) находим:

σполн2=⟨δ⁢xсист2⟩+⟨δ⁢xслуч2⟩≤Δсист2+σслуч2.

(2.9)

Таким образом, для получения максимального значения полной
погрешности некоторого измерения нужно квадратично сложить максимальную
систематическую и случайную погрешности.

Если измерения проводятся многократно, то согласно (2.8)
случайная составляющая погрешности может быть уменьшена, а систематическая
составляющая при этом остаётся неизменной:

Отсюда следует важное практическое правило
(см. также обсуждение в п. 2.3): если случайная погрешность измерений
в 2–3 раза меньше предполагаемой систематической, то
нет смысла проводить многократные измерения в попытке уменьшить погрешность
всего эксперимента. В такой ситуации измерения достаточно повторить
2–3 раза — чтобы убедиться в повторяемости результата, исключить промахи
и проверить, что случайная ошибка действительно мала.
В противном случае повторение измерений может иметь смысл до
тех пор, пока погрешность среднего
σ⟨x⟩=σxn
не станет меньше систематической.

Замечание. Поскольку конкретная
величина систематической погрешности, как правило, не известна, её
можно в некотором смысле рассматривать наравне со случайной —
предположить, что её величина была определена по некоторому случайному
закону перед началом измерений (например, при изготовлении линейки
на заводе произошло некоторое случайное искажение шкалы). При такой
трактовке формулу (2.9) можно рассматривать просто
как частный случай формулы сложения погрешностей независимых величин
(2.7).
Подчеркнем, что вероятностный закон, которому подчиняется
систематическая ошибка, зачастую неизвестен. Поэтому неизвестно и
распределение итогового результата. Из этого, в частности, следует,
что мы не можем приписать интервалу x±Δсист какую-либо
определённую доверительную вероятность — она равна 0,68
только если систематическая ошибка имеет нормальное распределение.
Можно, конечно, предположить,
— и так часто делают — что, к примеру, ошибки
при изготовлении линеек на заводе имеют гауссов характер. Также часто
предполагают, что систематическая ошибка имеет равномерное
распределение (то есть «истинное» значение может с равной вероятностью
принять любое значение в пределах интервала ±Δсист).
Строго говоря, для этих предположений нет достаточных оснований.

Пример. В результате измерения диаметра проволоки микрометрическим винтом,
имеющим цену деления h=0,01 мм, получен следующий набор из n=8 значений:

Вычисляем среднее значение: ⟨d⟩≈386,3 мкм.
Среднеквадратичное отклонение:
σd≈9,2 мкм. Случайная погрешность среднего согласно
(2.8):
σ⟨d⟩=σd8≈3,2
мкм. Все результаты лежат в пределах ±2⁢σd, поэтому нет
причин сомневаться в нормальности распределения. Максимальную погрешность
микрометра оценим как половину цены деления, Δ=h2=5 мкм.
Результирующая полная погрешность
σ≤Δ2+σd28≈6,0 мкм.
Видно, что σслуч≈Δсист и проводить дополнительные измерения
особого смысла нет. Окончательно результат измерений может быть представлен
в виде (см. также правила округления
результатов измерений в п. 4.3.2)

d=386±6⁢мкм,εd=1,5%.

Заметим, что поскольку случайная погрешность и погрешность
прибора здесь имеют один порядок величины, наблюдаемый случайный разброс
данных может быть связан как с неоднородностью сечения проволоки,
так и с дефектами микрометра (например, с неровностями зажимов, люфтом
винта, сухим трением, деформацией проволоки под действием микрометра
и т. п.). Для ответа на вопрос, что именно вызвало разброс, требуются
дополнительные исследования, желательно с использованием более точных
приборов.

Пример. Измерение скорости
полёта пули было осуществлено с погрешностью δ⁢v=±1 м/c.
Результаты измерений для n=6 выстрелов представлены в таблице:

Усреднённый результат ⟨v⟩=162,0⁢м/с,
среднеквадратичное отклонение σv=13,8⁢м/c, случайная
ошибка для средней скорости
σv¯=σv/6=5,6⁢м/с.
Поскольку разброс экспериментальных данных существенно превышает погрешность
каждого измерения, σv≫δ⁢v, он почти наверняка связан
с реальным различием скоростей пули в разных выстрелах, а не с ошибками
измерений. В качестве результата эксперимента представляют интерес
как среднее значение скоростей ⟨v⟩=162±6⁢м/с
(ε≈4%), так и значение σv≈14⁢м/с,
характеризующее разброс значений скоростей от выстрела к выстрелу.
Малая инструментальная погрешность в принципе позволяет более точно
измерить среднее и дисперсию, и исследовать закон распределения выстрелов
по скоростям более детально — для этого требуется набрать
бо́льшую статистику по выстрелам.

Пример. Измерение скорости
полёта пули было осуществлено с погрешностью δ⁢v=10 м/c. Результаты
измерений для n=6 выстрелов представлены в таблице:

Усреднённый результат ⟨v⟩=163,3⁢м/с,
σv=12,1⁢м/c, σ⟨v⟩=5⁢м/с,
σполн≈11,2⁢м/с. Инструментальная
погрешность каждого измерения превышает разброс данных, поэтому в
этом опыте затруднительно сделать вывод о различии скоростей от выстрела
к выстрелу. Результат измерений скорости пули:
⟨v⟩=163±11⁢м/с,
ε≈7%. Проводить дополнительные выстрелы при такой
большой инструментальной погрешности особого смысла нет —
лучше поработать над точностью приборов и методикой измерений.

2.6 Обработка косвенных измерений

Косвенными называют измерения, полученные в результате расчётов,
использующих результаты прямых (то есть «непосредственных»)
измерений физических величин. Сформулируем основные правила пересчёта
погрешностей при косвенных измерениях.

2.6.1 Случай одной переменной

Пусть в эксперименте измеряется величина x, а её «наилучшее»
(в некотором смысле) значение равно x⋆ и оно известно с
погрешностью σx. После чего с помощью известной функции
вычисляется величина y=f⁢(x).

В качестве «наилучшего» приближения для y используем значение функции
при «наилучшем» x:

Найдём величину погрешности σy. Обозначая отклонение измеряемой
величины как Δ⁢x=x-x⋆, и пользуясь определением производной,
при условии, что функция y⁢(x) — гладкая
вблизи x≈x⋆, запишем

где f′≡d⁢yd⁢x — производная фукнции f⁢(x), взятая в точке
x⋆. Возведём полученное в квадрат, проведём усреднение
(σy2=⟨Δ⁢y2⟩,
σx2=⟨Δ⁢x2⟩), и затем снова извлечём
корень. В результате получим

Пример. Для степенной функции
y=A⁢xn имеем σy=n⁢A⁢xn-1⁢σx, откуда

σyy=n⁢σxx,или εy=n⁢εx,

то есть относительная погрешность степенной функции возрастает пропорционально
показателю степени n.

Пример. Для y=1/x имеем ε1/x=εx
— при обращении величины сохраняется её относительная
погрешность.

Упражнение. Найдите погрешность логарифма y=ln⁡x, если известны x
и σx.

Упражнение. Найдите погрешность показательной функции y=ax,
если известны x и σx. Коэффициент a задан точно.

2.6.2 Случай многих переменных

Пусть величина u вычисляется по измеренным значениям нескольких
различных независимых физических величин x, y, …
на основе известного закона u=f⁢(x,y,…). В качестве
наилучшего значения можно по-прежнему взять значение функции f
при наилучших значениях измеряемых параметров:

Для нахождения погрешности σu воспользуемся свойством,
известным из математического анализа, — малые приращения гладких
функции многих переменных складываются линейно, то есть справедлив
принцип суперпозиции малых приращений:

где символом fx′≡∂⁡f∂⁡x обозначена
частная производная функции f по переменной x —
то есть обычная производная f по x, взятая при условии, что
все остальные аргументы (кроме x) считаются постоянными параметрами.
Тогда пользуясь формулой для нахождения дисперсии суммы независимых
величин (2.7), получим соотношение, позволяющее вычислять
погрешности косвенных измерений для произвольной функции
u=f⁢(x,y,…):

σu2=fx′⁣2⁢σx2+fy′⁣2⁢σy2+…

(2.11)

Это и есть искомая общая формула пересчёта погрешностей при косвенных
измерениях.

Отметим, что формулы (2.10) и (2.11) применимы
только если относительные отклонения всех величин малы
(εx,εy,…≪1),
а измерения проводятся вдали от особых точек функции f (производные
fx′, fy′ … не должны обращаться в бесконечность).
Также подчеркнём, что все полученные здесь формулы справедливы только
для независимых переменных x, y, …

Остановимся на некоторых важных частных случаях формулы
(2.11).

Пример. Для суммы (или разности) u=∑i=1nai⁢xi имеем

σu2=∑i=1nai2⁢σxi2.

(2.12)

Пример. Найдём погрешность степенной функции:
u=xα⋅yβ⋅…. Тогда нетрудно получить,
что

σu2u2=α2⁢σx2x2+β2⁢σy2y2+…

или через относительные погрешности

εu2=α2⁢εx2+β2⁢εy2+…

(2.13)

Пример. Вычислим погрешность произведения и частного: u=x⁢y или u=x/y.
Тогда в обоих случаях имеем

εu2=εx2+εy2,

(2.14)

то есть при умножении или делении относительные погрешности складываются
квадратично.

Пример. Рассмотрим несколько более сложный случай: нахождение угла по его тангенсу

u=arctgyx.

В таком случае, пользуясь тем, что (arctgz)′=11+z2,
где z=y/x, и используя производную сложной функции, находим
ux′=uz′⁢zx′=-yx2+y2,
uy′=uz′⁢zy′=xx2+y2, и наконец

σu2=y2⁢σx2+x2⁢σy2(x2+y2)2.

Упражнение. Найти погрешность вычисления гипотенузы z=x2+y2
прямоугольного треугольника по измеренным катетам x и y.

По итогам данного раздела можно дать следующие практические рекомендации.

•

Как правило, нет смысла увеличивать точность измерения какой-то одной
величины, если другие величины, используемые в расчётах, остаются
измеренными относительно грубо — всё равно итоговая погрешность
скорее всего будет определяться самым неточным измерением. Поэтому
все измерения имеет смысл проводить примерно с одной и той же
относительной погрешностью.
•

При этом, как следует из (2.13), особое внимание
следует уделять измерению величин, возводимых при расчётах в степени
с большими показателями. А при сложных функциональных зависимостях
имеет смысл детально проанализировать структуру формулы
(2.11):
если вклад от некоторой величины в общую погрешность мал, нет смысла
гнаться за высокой точностью её измерения, и наоборот, точность некоторых
измерений может оказаться критически важной.
•

Следует избегать измерения малых величин как разности двух близких
значений (например, толщины стенки цилиндра как разности внутреннего
и внешнего радиусов): если u=x-y, то абсолютная погрешность
σu=σx2+σy2
меняется мало, однако относительная погрешность
εu=σux-y
может оказаться неприемлемо большой, если x≈y.

Источник

2.4. Точность и достоверность результата измерения

Применение рассмотренных выше элементов общей теории измерений необходимо для обеспечения точности и достоверности результата измерения. При многократных наблюдениях получают ряд значений, обрабатывая которые находят результат измерения. Для обработки применяют инструменты математической статистики, рассматривая ряд значений как выборку из генеральной совокупности. Опираясь на теорию вероятностей, математическая статистика позволяет оценить надежность и точность выводов, делаемых на основании ограниченного статистического материала.

Точность характеризуется значением, обратным значению относительной погрешности. Величина, обратная абсолютной погрешности, называется мерой точности. В зависимости от требуемой точности, в процессе измерений могут применяться как однократные, так и многократные наблюдения. Если выполняется лишь одно наблюдение, то результат наблюдения является результатом измерения. Если выполняется больше одного наблюдения, результат измерения получают в итоге обработки результатов наблюдений, как правило, в виде среднего арифметического.

Требуемая точность технических измерений может также обеспечиваться повторением многократных наблюдений. В этом случае многократные наблюдения одного и того же объекта выполняются несколько раз. Чтобы сократить время, необходимое для обработки нескольких рядов многократных наблюдений, в начале процесса обработки применяют индикаторы, позволяющие определить предпочтительный ряд и в дальнейшем обрабатывать только этот ряд.

Такими индикаторами является сумма остаточных погрешностей и сумма квадратов остаточных погрешностей. Эти индикаторы являются косвенной характеристикой несмещенности и эффективности оценки, полученной при обработке результатов многократных наблюдений.

Если измерения проводились несколько раз и получено несколько рядов результатов наблюдений, то при одинаковом количестве наблюдений в разных рядах наименьшую сумму остаточных погрешностей будет иметь тот ряд, в котором результаты распределились симметрично относительно среднего арифметического значения, т.е. наиболее близко к нормальному закону. Для дальнейших вычислений рекомендуется выбирать именно его, т.к. он в наибольшей степени будет удовлетворять условию равноточности, а при исключенной систематической погрешности — условию несмещенности оценки результата измерения.

Несмещенная оценка — статистическая оценка, математическое ожидание которой совпадает с оцениваемой величиной. Про несмещенную оценку говорят, что она лишена систематической ошибки.

Однако симметричность не является исчерпывающей характеристикой распределения. Следующим важным в метрологии признаком является компактность распределения. По этому признаку при фиксированном числе наблюдений предпочтительный ряд может быть определен индикатором эффективности. Эффективной называется та из нескольких возможных несмещенных оценок, которая имеет наименьшую дисперсию. Условию эффективности будет удовлетворять ряд с наименьшей суммой квадратов остаточных погрешностей.

Очевидно, что в практической метрологии эффективная оценка является предпочтительной. Признак эффективности свидетельствует о том, что субъективная составляющая случайной погрешности минимальна, наблюдения выполнялись более аккуратно и будет обеспечен наименьший размер случайной погрешности.

В теоретической метрологии рассматривается также состоятельная оценка, являющаяся идеальной моделью для многократных измерений, к которой желательно стремиться, но получить ее практически невозможно. При состоятельной оценке истинное и действительное значение совпадают, погрешность равна нулю. Это достигается бесконечным увеличением числа наблюдений. Состоятельной называется оценка, в которой при числе наблюдений, стремящемся к бесконечности, дисперсия стремится к нулю.

Достоверность результата измерения полагается высокой, если близка к единице ( — вероятность, с которой истинное значение физической величины удалено от действительного значения на интервал, не превышающий погрешности). В технических измерениях значение , как правило, принимается равным 0,95. Это говорит о том, что если проводить такие измерения 100 раз, то в 95 случаях истинное значение окажется удалено от действительного значения на интервал, размеры которого не превышают погрешности, а в 5 случаях окажется удалено на интервал, превышающий погрешность. Поэтому в измерениях, имеющих непосредственное влияние на безопасность и здоровье, значение принимается равным 0,99. Такую же вероятность назначают при однократных измерениях.
Это объясняется тем, что при прочих равных обстоятельствах (в первую очередь, при одинаковом числе наблюдений), размеры и Delta взаимосвязаны: чем больше , тем больше Delta , следовательно, назначая высокую степень уверенности, мы рассматриваем наихудший вариант контролируемых событий.

Задавая большую степень неопределенности контролируемым посредством измерений событиям, мы получаем большую уверенность в том, что они произойдут.

Существует способ одновременно увеличивать достоверность и уменьшать неопределенность результата измерений, т.е. увеличивать и уменьшать Delta . Этот способ — увеличение числа наблюдений, . Однако дополнительные наблюдения делают более дорогим процесс измерения. В этой связи актуален рассмотренный в первом разделе вопрос корректной записи результатов измерений.

2.5. Прямые равноточные измерения с многократными наблюдениями

ГОСТ 8.207-76 Прямые измерения

Метод прямых равноточных измерений с многократными наблюдениями является основополагающим, используется в технических измерениях для повышения достоверности результата, является основой для многих методов метрологических измерений, для методов косвенных измерений.

Классификация прямых и многократных измерений рассмотрена выше. Требование прямых измерений связано с правилами учета погрешности. Современные средства измерений, как правило, являются сложными устройствами, выполняющими косвенное измерение физических величин. Однако результаты, как правило, рассматриваются как результаты прямых измерений, — поскольку погрешность косвенных измерений внутри средства измерений уже учитывается его классом точности.

Равноточность измерений истолковывается в широком смысле, как одинаковая распределенность (в узком смысле равноточность измерений понимается как одинаковость меры точности всех результатов измерений). Наличие грубых ошибок (промахов) означает нарушение равноточности как в широком, так и в узком смысле.

На практике условие равноточности считается выполненным, если наблюдения производятся одним и тем же оператором, в одинаковых условиях внешней среды, с помощью одного и того же средства измерения. При таких условиях будут получены равнорассеянные (по-другому, равноточные, от слов равная точность), т.е. одинаково распределенные случайные величины

Метод прямых равноточных измерений с многократными наблюдениями изложен в ГОСТ 8.207 — 76. В этом разделе дополнительно к ГОСТ 8.207 — 76 приводятся необходимые для выполнения расчетов сведения и комментарии.

Комментарии к ГОСТ 8.207 — 76. Раздел 2. Результат измерения и оценка его среднего квадратического отклонения

Результат измерения находят как среднее арифметическое результатов наблюдений:

$overline A=frac 1nsumlimits_{i=1}^n x_i,$

где — число наблюдений.

Для оценки среднего квадратического отклонения результата измерения находим случайные отклонения результатов отдельных наблюдений, принимаем их за остаточные погрешности,

Для минимизации случайной и систематической составляющих погрешности, при наличии нескольких групп наблюдений (реализаций), используют два свойства остаточных погрешностей: сумма остаточных погрешностей равна нулю,

$sumlimits_{i=1}^n nu_i = 0,$

и сумма квадратов остаточных погрешностей минимальна,

$sumlimits_{i=1}^n nu_i^2 = min.$

Для дальнейших вычислений рекомендуется выбрать реализацию, удовлетворяющую этим условиям.

Степень рассеяния результатов наблюдений вокруг среднего арифметического значения характеризуется средним квадратическим отклонением, (СКО):

$sigma = sqrt{frac{sumlimits_{i=1}^n(x_i-overline A)^2}{n}}.$

Среднее квадратическое отклонение результатов наблюдения — числовая характеристика из теории вероятности, в практической метрологии вместо него применяется оценка СКО:

$S = sqrt{frac{sumlimits_{i=1}^n(x_i-overline A)^2}{n-1}}.$

Оценка СКО учитывает ограниченность объем а выборки: при малом объем е выборки оценка СКО будет заметно больше, чем СКО, а при большом объем е выборки оценка СКО не будет заметно отличаться от СКО.

Полученное значение СКО результатов наблюдения не так универсально, как среднее арифметическое исправленных результатов наблюдений и не может быть непосредственно принято за значение случайной погрешности результата измерения. Для этого, прежде всего, необходимо восстановить размерность физической величины, ликвидировав нелинейность преобразования физической величины, разделив СКО результатов наблюдения на корень из . Полученное значение принимают за оценку среднего квадратического отклонения результата измерения:

$S(overline A) = sqrt{frac{sumlimits_{i=1}^n(x_i-overline A)^2}{n(n-1)}}.$

Комментарии к ГОСТ 8.207 — 76. Раздел 4. Доверительные границы не исключенной систематической погрешности результата измерения

Источники систематической погрешности разнообразны. Ее могут вызвать условия измерения, метод измерения, особенности средства измерения и другие причины. Существенный вклад вносит и трудно исключается инструментальная составляющая систематической погрешности. Эту составляющую будем рассматривать в качестве не исключенной систематической погрешности. При этом различаются основная и дополнительная инструментальная погрешность. Обе погрешности определяются классом точности средства измерения. Дополнительная погрешность возникает при выходе условий измерения за нормальные пределы и принимается равной удвоенному значению основной погрешности.

Предположим, что наблюдения были получены в результате измерения цифровым вольтметром, имеющим класс точности, обозначенный цифрой 1,5 в кружочке, причем условия измерения выходили за нормальные пределы.

Основная инструментальная погрешность:

$theta_{hatimath tilde n acuteimath} = overline Afrac{1,5%}{100%}.$

Дополнительная инструментальная погрешность:

$theta_{ddot a hatimath ddotimath} = 2theta_{hatimath tilde n acuteimath}.$

Вычисление систематической составляющей погрешности, theta и случайной составляющей погрешности, , а также определение на их основе погрешности результата измерения, Delta , выполняется согласно ГОСТ 8.207 — 76.

Источник

Среднее арифметическое

Предлагаемая здесь программа расчета среднего арифметического умеет не только считать статистические параметры исследуемого множества чисел, но и приводить исходные данные к стандартному виду, а так же упорядочивать их по возрастанию или убыванию…

Содержание:

Определение среднего арифметического
Расчет среднего арифметического
Свойства среднего арифметического
Прикладное значение среднего арифметического
Задания ЕГЭ, на тему «Среднее арифметическое»

Прежде чем начать что-либо считать будет уместно вспомнить определение предмета расчетов:

Среднее арифметическое^[1] значение (чаще используется термин, просто, «среднее арифметическое» или «среднее») множества заданных чисел определяется как число равное сумме всех чисел множества, делённой на их количество:

a_{ср.арифм} =

Для начала расчета введите исходные числа в одно из полей ввода-вывода данных.
В первое поле можно ввести последовательность чисел, разделенных точкой с запятой (программа попытается так же преобразовать к стандартному виду, например, вставленную копию последовательности чисел с плавающей точкой, разделенных пробелами, запятой или точкой с запятой).
Во второе поле можно вводить числа по одному — они автоматически будут добавляться к данным первого поля, если расчет не запустился автоматически, кликните по зеленой кнопке, показывающей количество чисел в исследуемом массиве:

Расчет среднего арифметического

Введите исходные данные

Введите число

Что-то пошло не так…
Прямое восхождение не может быть больше 24 часов,
минуты и секунды больше 60,
а склонение по абсолютной величине не должно быть больше 90°

Среднее арифметическое, a_ср

Дисперсия^[2], σ²

Среднеквадратическое отклонение^[3], σ

Коэффициент вариации^[4], V

Размах вариации^[5], R

Среднее линейное отклонение^[6], δ

Design by Sergey Ov for abc2home.ru

ВНИМАНИЕ! При перезагрузке страницы введенная информация не сохраняется, если Вы не сгенерировали код для записи результатов работы в командной строке:

Сохранить расчет среднего арифметического в истории браузера

Адресную строку с кодом из Ваших данных Вы можете можете переслать на любое устройство и воспроизвести на нем результаты расчетов

После того как будут введены хотя бы два исходных числа цвет квадратной кнопки на поле ввода данных должен поменяться с оранжевого на зеленый и автоматически начнется расчет среднего арифметического и сопутствующих параметров, если это не произошло, то кликните по зеленому полю кнопки.

Страницы по теме «Расчет средних значений»

Среднее арифметическое — расчет онлайн, определение, формула
Среднеквадратическое отклонение — расчет онлайн, определение, формула
Среднее геометрическое — расчет онлайн, определение, формула
Среднее гармоническое и среднее степенное — расчет онлайн, определения, формулы
Среднее квадратическое — расчет онлайн, определение, формула

Свойства среднего арифметического

1. Среднее арифметическое значение множества заданных неотрицательных чисел лежит между минимальным и максимальным числами из этого множества.

2. Кроме того среднее арифметическое подчиняется неравенству о средних для множества положительных вещественных чисел

a_min ≤ a_{ср. гарм} ≤ a_{ср. геом} ≤ a_{ср. арифм} ≤ a _{ср.квадр} ≤ a _max ^[2*] ,

то есть для любого множества действительных чисел среднее арифметическое никогда не бывает больше среднего квадратического^[1]:

Прикладное значение среднего арифметического

Среднее арифметическое значений исследуемых данных находит широкое прикладное применение в метрологии и статистике.
При обработке результатов измерений во многих случаях их окончательные значения определяются как среднее арифметическое от значений, полученных в результате эксперимента, при этом среднеквадратическое отклонение будет являться оценкой ошибки измерений, поэтому дисперсия и среднеквадратическое отклонение так же включены в результаты расчетов.

Задания ЕГЭ, на тему «Среднее арифметическое»

Задание 1:

Среднее арифметическое 7 натуральных чисел равно 12. К ним добавили восьмое число такое, что среднее арифметическое этих восьми чисел равно 14. Найдите восьмое число.

Решение:

Согласно оределению среднего арифметического для 7 чисел имеем:

a_{ср.арифм 7} =

= 12

А для 8 чисел получется, что

a_{ср.арифм 8} =

= 14

откуда

S₇ = 12 × 7 = 84;

S₇ + a₈ = 14 × 8 = 112;

a₈ = 112 — S₇ = 112 — 84 = 28;

Ответ: a₈ = 28

Задание 2:

На доске написано более 40, но менее 50 целых чисел. Среднее арифметическое этих чисел равно -4, среднее арифметическое всех положительных из них равно 5, а среднее арифметическое всех отрицательных из них равно -5.
а). Сколько чисел написано на доске?

б). Каких чисел написано больше: положительных или отрицательных?

в). Какое наибольшее количество положительных чисел может быть среди них?

Решение:

Пусть всего n чисел, 40 < n < 50.
Пусть k — количество положительных чисел, рассматриваемого множества;
m — количество отрицательных, и p — число нулей.
Тогда

k + m + p = n

по определению среднего арифметического сумма множества чисел равна призведению среднего арафметического и их количества и по условию задачи имеем:

5·k + -5·m + 0·p = -4·n (2.1)

5·(k — m) = -4·n (2.2)

(включаем логику [обычную])

а). Очевидно, что левая часть полученного равенства 2.2 делится на 5, поэтому nтоже должно делиться на 5. По условию 40 < n < 50, отсюда

n = 45.

Таким образом, написано 45 целых чисел.

б). Подставим в равенство 2.2 полученное для n значение, тогда

5·k + -5·m = -180 или m — k = 36; m = 36 + k, (2.3)

поскольку m ≥ 0 и k ≥ 0, то m > k, то есть отрицательных чисел больше, чем положительных.

в). Для определения наибольшего возможного количества целых положительных чисел удовлетворяющих условиям задачи, возпользуемся выражениями 2.1 и 2.3 с подставленным значением n. С учетом того, что p ≥ 0получаем:

k + m ≤ 45;
m = 36 + k

или подставляя в первое значение m:

2·k ≤ 45-36, k ≤ 4,5

Таким образом положительных чисел может быть не более 4.

Ответ: а) 45; б) отрицательных; в) 4.

P.S. На этой странице используется Бета версия программы расчета среднего арифметического, об обнаруженных недочетах, а так же возможных пожеланиях просьба сообщить на форум сайта (окно для входа на форум находится в нижней части страницы).

1. Другие кому-то, возможно, более привычные определения:
Среднее арифметическое нескольких чисел равно сумме этих чисел,
делённой на количество слагаемых в этой сумме (Математика, 5 класс).
Средним арифметическим ряда чисел называется частное от деления суммы этих чисел на число слагаемых (Алгебра, Макарычев, 7 класс).

2. Если вычислено арифметическое среднее заданного множества чисел, то во многих случаях, становится желательной оценка рассеяния значений этих чисел относительно среднего. Оценка расходимости квадратов значений этих чисел от среднего и является оценкой дисперсии.
Вообще термин дисперсия появился в рамках теорий вероятностей. Одной из ее основополагающих характеристик является дисперсия случайной величины как мера разброса значений случайной величины относительно её математического ожидания.
Не углубляясь в дебри Тер-Вера, здесь приводим только используемую для наших расчетов формулу дисперсии:

σ²=

(a₁ — a_cp)² + (a₂ — a_cp)² + …+ (a_n — a_cp)²

3. Среднеквадратическое отклонение σ вычисляется как корень квадратный от дисперсий и возвращает нас в область сопоставимых со средним арифметическим величин:

σ =

√

(a₁ — a_cp)² + (a₂ — a_cp)² + …+ (a_n — a_cp)²

4. Коэффициент вариации ряда чисел — мера относительного разброса их значений; показывает, какую долю от среднего значения этой величины составляет её средний разброс. Исчисляется в процентах:

V =

× 100%

5. Размахом ряда чисел называется разность между наибольшим и наименьшим из этих чисел. Таким образом, размах вариации может быть представлен следующей формулой:

R = a_max — a_min

6. Среднее линейное отклонение определяется как средняя арифметическая величина абсолютных значений отклонений каждого из ряда чисел от их среднего арифметического:

δ =

● Главная
▸ Статьи
▸ Блог
▸ Копилка
✔ Среднее арифметическое — онлайн расчет

Источник

Математическая обработка и формы представления результатов измерений

Анализ математической обработки результатов измерений позволяет выделить следующие типовые задачи:

обработка результатов прямых многократных измерений одной и той же физической величины (серии измерений);
расчет результатов косвенных измерений физической величины;
обработка результатов измерений массива номинально одинаковых величин;
обработка результатов измерений разных величин или изменяющейся физической величины.

Для повышения достоверности и представительности результатов достаточно часто прибегают к многократным повторениям операции измерений одной и той же физической величины. При этом каждый единичный результат называют наблюдением при измерении, а результат измерений получают как интегральную оценку всего массива наблюдений. Поэтому в метрологии под математической обработкой результатов измерений традиционно понимают обработку результатов многократных прямых или косвенных измерений одной и той же физической величины.

Математическая обработка включает два принципиально разных направления: детерминированную обработку результатов измерений и статистическую обработку. Детерминированная математическая обработка результатов измерений в обязательном порядке применяется при получении результатов косвенных измерений. Например, для определения плотности некоторого вещества измеряют массу и объем одного и того же образца, в линейно-угловых измерениях часто рассчитывают угол по результатам измерений длин.

Статистическая обработка результатов прямых измерений

Статистическая обработка результатов измерений рассмотрена во многих литературных источниках. Корректное выполнение статистической обработки «исправленных» результатов измерений заключается в строгом соблюдении требований действующей метрологической нормативной документации (ГОСТ 8.207-76, МИ 1317-86 и др.).

Подготовка массива результатов измерений к статистической обработке заключается в исправлении результатов измерений. Задача-максимум состоит в исключении из результатов измерений всех систематических составляющих, задача минимум — в исключении переменных систематических составляющих. Следует признать, что любое исключение погрешностей не бывает абсолютным; в результатах могут содержаться не-выявлеш1ые систематические составляющие, а также всегда остаются неиск’люченные остатки систематических погрешностей.

Рассмотрим порядок статистической обработки исправленных результатов прямых равнорассеянных измерений одной и той же величины.

Расчет среднего арифметического значения (получение точечной оценки результата измерения):

Расчет отклонений результатов наблюдений от среднего арифметического:

Расчет оценки СКО результатов наблюдений:

Проверка гипотезы о сходимости эмпирического и теоретического распределений по критериям согласия.

При для проверки принадлежности распределения к нормальному предпочтительно использование критериев Пирсона или Мизеса-Смирнова . При для проверки принадлежности распределения к нормальному предпочтительным является составной критерий (принятое условное обозначение ).

Проверки по критериям согласия проводят при уровнях значимости от 10% до 2%. Принятые значения уровней значимости приводят в описании методики выполнения измерений или обработки результатов измерений.

При проверку принадлежности распределения к нормальному не проводят, а качественную оценку формируют на основе априорной информации о виде (законе) распределения случайной величины, что позволяет затем перейти к соответствующей количественной оценке.

Статистическая проверка наличия результатов с грубыми погрешностями.

При нормальном распределении погрешностей можно применять упрощенную процедуру отбраковывания экстремальных отклонений, например, по критерию :

Соблюдение неравенства позволяет утверждать, что проверяемый результат содержит грубую погрешность и должен исключаться из рассмотрения. Если отбракован хотя бы один результат с грубой погрешностью обработка повторяется с п. 1.

Расчет оценки среднего квадратического отклонения результата измерения (оценки СКО среднего арифметического значения):

Расчет значения границы погрешности результата измерения (по модулю):

где — коэффициент Стьюдента, зависящий от числа результатов наблюдений и принятой доверительной вероятности — доверительная вероятность.

Обычно принимают доверительную вероятность или (в особых случаях) 0,99 и выше. Особые случаи — те, в которых результаты измерений связаны со здоровьем и безопасностью жизни людей, с возможными значительными экономическими потерями и т.д.

Запись результата измерения в установленной форме:

где — точечная оценка результата измерений, рассчитанная как среднее арифметическое значение для всей серии наблюдений.

В случае наличия значимых неисключенных систематических составляющих погрешности значения границ погрешности результата измерения определяют в соответствии с требованиями ГОСТ 8.207- 76.

Статистическая обработка результатов косвенных измерений

Порядок статистической обработки результатов косвенных измерений можно представить следующим образом:

Определение оценки каждой частной погрешности с учетом ее весового коэффициента

где

Определение оценки погрешности (среднего квадратического отклонения) результата косвенного измерения. Оценку погрешности результата косвенного измерения рассчитывают с учетом весовых коэффициентов частных погрешностей. При значимой стохастической связи оценка среднего квадратического отклонения (оценка погрешности косвенного измерения) рассчитывается с учетом коэффициента корреляции (определяют традиционными статистическими расчетами)

При практическом отсутствии корреляции между величинами, получаемыми в результате прямых измерений

Результаты прямых и косвенных измерений должны отвечать требованиям обеспечения единства измерений, т.е. в описании результата следует использовать узаконенные единицы физических величин и указывать оценки погрешностей. Информацию о единицах физических величин можно найти в нормативной документации, специальной и справочной литературе.

Стандартное определение единства измерений требует, чтобы погрешности были известны с заданной вероятностью, из чего следует:

в описание результата входят только стохастически представляемые погрешности, значит, систематические составляющие по возможности должны быть исключены;

• неисключенные остатки систематической составляющей погрешности измерения могут входить в описание результата измерений как рандомизированные величины, значения которых соизмеримы со случайной составляющей погрешности измерения;

если неисключенные остатки систематической составляющей погрешности измерения существенно меньше случайной составляющей, ими пренебрегают, но возможна (хотя и нежелательна) обратная ситуация, когда собственно случайная составляющая оказывается пренебрежимо малой по сравнению с неисключенной систематической составляющей.

Формы представления результатов измерений

Форма представления результата измерения обычно предполагает наличие:

точечной оценки результата измерения;
характеристики погрешности результата измерения (или ее статистической оценки);

-указания условий измерений, для которых действительны приведенные оценки результата и погрешностей. Условия указываются непосредственно или путем ссылки на документ, удостоверяющий приведенные характеристики погрешностей.

В качестве точечной оценки результата измерения при измерении с многократными наблюдениями принимают среднее арифметическое значение результатов рассматриваемой серии.

Характеристики погрешности измерений можно указывать в единицах измеряемой величины (абсолютные погрешности) или в относительных единицах (относительные погрешности).

При указании границы интервала погрешности измерений рекомендуемое значение вероятности .

Требования к оформлению результата измерений:

наименьшие разряды должны быть одинаковы у точечной оценки результата и у характеристик погрешностей;
характеристики погрешностей (или их статистические оценки) выражают числом, содержащим не более двух значащих цифр, при этом для статистических оценок цифра второго разряда округляется в большую сторону, если последующая цифра неуказываемого младшего разряда больше нуля;
допускается характеристики погрешностей (или их статистические оценки) выражать числом, содержащим одну значащую цифру, при этом для статистических оценок второй разряд (неуказываемый младший) округляется в большую сторону при отбрасывании цифры младшего разряда равной или больше бив меньшую сторону при цифре меньше 5.

Пример простейшей формы представления результатов измерений:

Эта лекция взята со страницы лекций по нормированию точности:

Нормирование точности: курс лекций

Возможно эти страницы вам помогут:

Источник

33.Обнаружение грубых погрешностей.

2.1 Случайная величина

Гистограммы.

Свойства распределений.

Среднее и дисперсия.

Доверительный интервал.

2.2 Нормальное распределение

Доверительные вероятности.

Сравнение результатов измерений.

2.3 Независимые величины

2.4 Погрешность среднего

2.5 Результирующая погрешность опыта

2.6 Обработка косвенных измерений

2.6.1 Случай одной переменной

2.6.2 Случай многих переменных

2.4. Точность и достоверность результата измерения

2.5. Прямые равноточные измерения с многократными наблюдениями

Среднее арифметическое

Расчет среднего арифметического

Что-то пошло не так… Прямое восхождение не может быть больше 24 часов, минуты и секунды больше 60, а склонение по абсолютной величине не должно быть больше 90°

Страницы по теме «Расчет средних значений»

Свойства среднего арифметического

Прикладное значение среднего арифметического

Задания ЕГЭ, на тему «Среднее арифметическое»

Математическая обработка и формы представления результатов измерений

Что-то пошло не так…
Прямое восхождение не может быть больше 24 часов,
минуты и секунды больше 60,
а склонение по абсолютной величине не должно быть больше 90°