《误差理论与数据处理》——基本概念和随机误差处理

这篇具有很好参考价值的文章主要介绍了《误差理论与数据处理》——基本概念和随机误差处理。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。


学习目标:

复习整理《误差理论与数据处理》


学习内容:

第一章基本概念

一、基本公式

(真值可以用高一等级精度的标准所测得的量值称之为实际值)

误差= 测得值 - 真值
绝对误差 = 测得值 - 真值

相对误差 = 绝对误差 / 真值
示值误差 = 测得值 - 真值
引用误差 = 示值误差 / 测量范围上限值 (可用以判断仪表精度等级)

仪表精度等级:0.1 、0.2 、0.5 、1.0 、1.5 、2.0
若引用误差为0.8,则其仪表精度等级为1.0

二、误差来源:

(一)测量装置误差
1、标准量具误差
2、仪器误差
3、附件误差即附属工具误差
(二)环境误差
(三)方法误差
(四)人员误差

三、误差分类

1、系统误差:在同一条件下。多次测量同一量值时,绝对值和符号保持不变,或是条件改变时,按照一定规律变化的误差。

2、随机误差:在同一条件下。多次测量同一量值时,绝对值和符号以不可预定的方式变化的误差。

3、粗大误差:超出在规定条件下预期的误差。

四、精度

1、准确度:反映测量结果中系统误差的影响程度
1、精密度:反映测量结果中随机误差的影响程度
1、准确度:反映测量结果中系统误差和随机误差综合的影响程度

五、有效数字与数据运算

(一)数字舍入规则
1、若舍去部分的数值,大于保留部分的末位的半个单位,则末位加 1
2、若舍去部分的数值,小于保留部分的末位的半个单位,则末位不变
3、若舍去部分的数值,等于保留部分的末位的半个单位,则末位凑成偶数

(二)数据运算规则
近似数中加减运算时,各数据按照以小数位最少的数据位数为准,结果也是位数以小数位最少的相同; 乘除运算中,按照有效位数最少为标准。

第二章基本性质与处理

一、随机误差

1、产生原因:测量装置方面的因素、环境方面的因素、人员方面的因素。
2、正态分布:若测量中不包含系统误差和粗大误差,则测量的随机误差一般满足正态分布的特征,多数随机误差都服从正态分布。

正态分布特征:对称性、单峰性、有界性、抵偿性。

设被测量的真值为 L 0 L_{0} L0,一系列测得值为 l i l_{i} li,则测量列中的随机误差 δ i \delta_{i} δi 为:
δ i = l i − L 0 \delta _{i}=l_{i}-L_{0} δi=liL0
正态分布的分布密度 f ( δ ) f\left( \delta\right) f(δ) 为:
f ( δ ) = 1 δ 2 π e − δ / ( 2 σ 2 ) f\left( \delta\right) =\dfrac{1}{\delta \sqrt{2\pi }}e^{-\delta /\left( 2\sigma ^{2}\right) } f(δ)=δ2π 1eδ/(2σ2)
其分布函数 F ( δ ) F\left( \delta\right) F(δ) 为:
F ( δ ) = 1 σ 2 π ∫ − ∞ δ e − δ 2 / ( 2 σ 2 ) d δ F\left(\delta\right) =\dfrac{1}{\sigma \sqrt{2\pi }}\int _{-\infty }^{\delta }e^{-\delta^{2}/\left( 2\sigma ^{2}\right) }d\delta F(δ)=σ2π 1δeδ2/(2σ2)dδ
其中 σ \sigma σ 为标准差(或称为均方根误差), e e e 为自然对数的底,值 2.7182 。
他的数学期望为:
E = ∫ − ∞ ∞ δ f ( δ ) d δ = 0 E=\int _{-\infty }^{\infty }\delta f\left( \delta\right) d\delta=0 E=δf(δ)dδ=0
他的方差为:
σ 2 = ∫ − ∞ ∞ δ 2 f ( δ ) d δ \sigma ^{2}=\int _{-\infty }^{\infty }\delta ^{2}f\left( \delta\right) d\delta σ2=δ2f(δ)dδ
它的平均误差为:
θ = ∫ − ∞ ∞ ∣ δ ∣ f ( δ ) d δ = 0.7979 σ ≈ 4 5 σ \theta=\int _{-\infty }^{\infty }|\delta|f\left( \delta\right) d\delta=0.7979\sigma\approx\dfrac{4}{5}\sigma θ=δf(δ)dδ=0.7979σ54σ
由此可以得到:
∫ − p p f ( δ ) d δ = 1 2 \int ^{p}_{-p}f\left( \delta \right) d\delta=\dfrac{1}{2} ppf(δ)dδ=21
可解得或然误差为:
ρ = 0.6745 σ ≈ 2 3 σ \rho =0.6745\sigma \approx \dfrac{2}{3}\sigma ρ=0.6745σ32σ
真误差的公式,误差处理,其他,线性代数,概率论
3、算术平方值:在系列测量中,被测量的 n 个测得值 l i li li 的代数和除以 n 而得到的值。
x ‾ = l 1 + l 2 + … ln ⁡ n = ∑ i = 1 n l i n \overline{x}=\dfrac{l_{1}+l_{2}+\ldots \ln }{n}=\dfrac{\sum ^{n}_{i=1}li}{n} x=nl1+l2+ln=ni=1nli

算术平均值和真值最接近。根据概率论的大数定律可知,若测量次数无限增长,则算术平均值必然趋近于真值。

∑ i = 1 n δ i = ∑ i = 1 n l i − n L 0 \sum ^{n}_{i=1}\delta _{i}=\sum ^{n}_{i=1}l_{i-n}L_{0} i=1nδi=i=1nlinL0
L 0 = ∑ i = 1 n l i n − ∑ i = 1 n δ i n L_{0}=\dfrac{\sum ^{n}_{i=1}li}{n }-\dfrac{\sum ^{n}_{i=1}\delta _{i}}{n} L0=ni=1nlini=1nδi
L 0 = x ‾ − ∑ i = 1 n δ i n L_{0}=\overline{x}-\dfrac{\sum ^{n}_{i=1}\delta _{i}}{n } L0=xni=1nδi
其中 n n n 趋近于无穷,则 ∑ i = 1 n δ i n \dfrac{\sum ^{n}_{i=1}\delta _{i}}{n } ni=1nδi 趋近于0。
算术平均值的计算校验通常用残余误差:
∑ i = 1 n v i = ∑ i = 1 n l i − n x ‾ \sum ^{n}_{i=1}v_{i}=\sum ^{n}_{i=1}l_{i}-n\overline{x} i=1nvi=i=1nlinx
当有 ∑ i = 1 n v i = 0 \sum ^{n}_{i=1}v_{i}=0 i=1nvi=0 时,则算术平均值正确,非零时说明算术平均值存在误差,进行修正。

n n n 为偶数, ∣ ∑ i = 1 n v i ∣ ≤ n 2 A \left| \sum ^{n}_{i=1}v_{i}\right| \leq \dfrac{n}{2}A i=1nvi2nA,则算术平均值正确;
n n n为奇数时, ∣ ∑ i = 1 n v i ∣ ≤ n − 1 2 A \left| \sum ^{n}_{i=1}v_{i}\right| \leq \dfrac{n-1}{2}A i=1nvi2n1A,则算术平均值正确;

	A为实际求得算术平均值末位数的一个单位

4、测量的标准差
(一)单次测量的标准差
标准差 σ \sigma σ 值越小,则e的指数的绝对值越大,因而 f ( δ ) f\left( \delta\right) f(δ) 减小的越快,即曲线变陡。而 σ \sigma σ 值越小,则e的前面系数变大,曲线变高。

在等精度测量列中,单次测量的标准差计算:
σ = δ 1 2 + δ 2 2 + … + δ n 2 n = ∑ i = 1 n δ i 2 n \sigma =\sqrt{\dfrac{\delta _{1}^{2}+\delta _{2}^{2}+\ldots +\delta _{n}^{2}}{n}}=\sqrt{\dfrac{\sum ^{n}_{i=1}\delta _{i}^{2}}{n}} σ=nδ12+δ22++δn2 =ni=1nδi2
贝塞尔公式(单次测量的标准差的估计值):

σ = ∑ i = 1 n v i 2 n − 1 \sigma =\sqrt{\dfrac{\sum ^{n}_{i=1}v _{i}^{2}}{n-1}} σ=n1i=1nvi2
评估单次测量的不可靠性的参数有或然误差 ρ \rho ρ 和平均误差 θ \theta θ
ρ ≈ 2 3 ∑ i = 1 n ν i 2 n − 1 \rho \approx \dfrac{2}{3}\sqrt{\dfrac{\sum ^{n}_{i=1}\nu _{i}^2}{n-1}} ρ32n1i=1nνi2
θ ≈ 4 5 ∑ i = 1 n ν i 2 n − 1 \theta\approx \dfrac{4}{5}\sqrt{\dfrac{\sum ^{n}_{i=1}\nu _{i}^2}{n-1}} θ54n1i=1nνi2
真误差的公式,误差处理,其他,线性代数,概率论
(二)测量列算术平均值的标准差:
σ x ‾ = σ n \sigma _{\overline{x}}=\dfrac{\sigma }{\sqrt{n}} σx=n σ
其中或然误差R和平均误差T
R = 2 3 σ x ‾ = 2 3 σ n = ρ n R=\dfrac{2}{3}\sigma _{\overline{x}}=\dfrac{2}{3}\dfrac{\sigma }{\sqrt{n}}=\dfrac{\rho }{\sqrt{n}} R=32σx=32n σ=n ρ
T = 4 5 σ x ‾ = 4 5 σ n = θ n T=\dfrac{4}{5}\sigma _{\overline{x}}=\dfrac{4}{5}\dfrac{\sigma }{\sqrt{n}}=\dfrac{\theta }{\sqrt{n}} T=54σx=54n σ=n θ
6、标准差的其他算法
别捷尔斯法:
σ = 1.253 ∑ i = 1 n ∣ v i ∣ n ( n − 1 ) \sigma =1.253\dfrac{\sum ^{n}_{i=1}\left| v_{i}\right| }{\sqrt {n\left( n-1\right) }} σ=1.253n(n1) i=1nvi
σ x ‾ = 1.253 ∑ = 1 n ∣ v i ∣ n ( n − 1 ) \sigma_{\overline{x}} =1.253\dfrac{\sum ^{n}_{=1}\left| v_{i}\right| }{n\sqrt {\left( n-1\right) }} σx=1.253n(n1) =1nvi

极差法:选取最小值 x m i n x_{min} xmin和最大值 x m a x x_{max} xmax,两者之差为极差 ω n = x m a x − x m i n \omega_{n}=x_{max}-x_{min} ωn=xmaxxmin,求出极差的数学期望为 E ( ω n ) = d n σ E(\omega_{n})=d_{n}\sigma E(ωn)=dnσ,既得 σ = ω n d n \sigma=\dfrac{\omega_{n}}{d_{n}} σ=dnωn

最大误差法:

σ = ∣ δ i ∣ m a x K n \sigma=\dfrac{|\delta _{i}|_{max}}{K_{n}} σ=Knδimax

5、极限误差
(一)单次测量的极限误差
随机误差在 − δ -\delta δ + δ +\delta +δ 范围内的概率为:
P ( ± δ ) = 1 σ 2 π ∫ − δ + δ e − δ 2 / ( 2 σ 2 ) d δ = 2 σ 2 π ∫ 0 δ e − δ 2 / ( 2 σ 2 ) d δ \begin{aligned}P\left( \pm \delta \right) =\dfrac{1}{\sigma \sqrt{2\pi }}\int ^{+\delta }_{-\delta }e^{-\delta ^{2}/\left(2\sigma^{2}\right) }d\delta \end{aligned} =\dfrac{2}{\sigma\sqrt{2\pi }}\int _{0}^{\delta }e^{ -\delta ^{2}/(2\sigma ^{2}) }d\delta P(±δ)=σ2π 1δ+δeδ2/(2σ2)dδ=σ2π 20δeδ2/(2σ2)dδ
引入变量t , t = δ σ t=\dfrac{\delta}{\sigma} t=σδ δ = t σ \delta=t\sigma δ=tσ
得到:
P ( ± δ ) = 2 σ 2 π ∫ 0 δ e − δ 2 / ( 2 σ 2 ) d δ = 2 Φ ( t ) P\left( \pm \delta \right)=\dfrac{2}{\sigma\sqrt{2\pi }}\int _{0}^{\delta }e^{ -\delta ^{2}/(2\sigma ^{2}) }d\delta=2\Phi \left( t\right) P(±δ)=σ2π 20δeδ2/(2σ2)dδ=(t)
其中 Φ ( t ) \Phi \left( t\right) Φ(t)为概率积分。可查表得到
真误差的公式,误差处理,其他,线性代数,概率论
真误差的公式,误差处理,其他,线性代数,概率论

单次测量的极限误差: δ l i m = ± t σ \delta_{lim}=±t\sigma δlim=±tσ

(二)算术平均值的极限误差
表达式为: δ l i m x ‾ = ± t α σ x ‾ \delta_{lim}\overline{x}=±t_{\alpha}\sigma_{\overline{x}} δlimx=±tασx
α \alpha α通常取0.01,0.02,0.05。而 ν = n − 1 \nu=n-1 ν=n1
真误差的公式,误差处理,其他,线性代数,概率论
6、不等精度测量
在不等精度测量中,各测得值的可靠程度并不一样,因而不能依靠登进肚里的算术平均值作为最后测量结果,需要计算出各测量结果的所占比重值,可靠程度值叫做“权”。

计算方式:
假设同一个被测量有m组不等精度的测量结果,这m组测量结构是从单次测量精度相同而测量次数不同的一系列测量值求得算术平均值 x ‾ i \overline{x}_{i} xi,得到各组算术平均值的标准 σ x ‾ i \sigma_{\overline{x}_{i}} σxi。权表示为
p 1 : p 2 : … : p m = 1 σ x ‾ 1 2 : 1 σ x ‾ 2 2 : … : 1 σ x ‾ m 2 p_{1}:p_{2}:\ldots :p_{m}=\dfrac{1}{\sigma _{\overline{x}_{1}}^{2}}:\dfrac{1}{\sigma _{\overline{x}_{2}}^2}:\ldots :\dfrac{1}{\sigma _{\overline{x}_{m}}^2} p1:p2::pm=σx121:σx221::σxm21
权的算术平均值:m组测量次数为 n 1 , n 2 , … , n m n_{1},n_{2},\ldots ,n_{m} n1,n2,,nm x 0 {x}_{0} x0为任选参考值。
x ‾ = x 0 + ∑ i = 1 m p i ( x ‾ i − x 0 ) ∑ i = 1 m p i \overline{x}=x_{0}+\dfrac{\sum ^{m}_{i=1}p_{i}\left( \overline{x}_{i}-x_{0}\right) }{\sum ^{m}_{i=1}p_{i}} x=x0+i=1mpii=1mpi(xix0)
权的算术平均值的标准差:其中 v x ‾ i = x ‾ i − x ‾ v_{\overline{x}_{i}}=\overline{x}_{i}-\overline{x} vxi=xix
σ i = ∑ i = 1 m p i v x ‾ i 2 ( m − 1 ) ∑ i = 1 m p i \sigma _{i}=\sqrt{\dfrac{\sum ^{m}_{i=1}p_{i}v_{\overline{x}_{i}}^{2}}{\left( m-1\right) \sum ^{m}_{i=1}p_{i}}} σi=(m1)i=1mpii=1mpivxi2
7、随机误差的其他分布
(一)均匀分布:
均匀分布其特点是误差有一确定的范围,在此范围内,误差出现的概率各处相等,又称矩形分布或等概率分布。分布密度 f ( δ ) f(\delta) f(δ) 和分布函数 F ( δ ) F(\delta) F(δ)
真误差的公式,误差处理,其他,线性代数,概率论
(二)反正弦分布
真误差的公式,误差处理,其他,线性代数,概率论
(三)三角分布
当两个误差限相同且服从均匀分布的随机误差求和,其和的分布规律服从三角分布,又称为辛普逊分布。
真误差的公式,误差处理,其他,线性代数,概率论文章来源地址https://www.toymoban.com/news/detail-596044.html

到了这里,关于《误差理论与数据处理》——基本概念和随机误差处理的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 大数据英文考试复习——第六章(大数据处理概念)

    前言 1.并行处理(parallel data processing): 2.分布式数据处理(distributed data processing): 3.Hadoop与Mapreduce 4.SCV原理(SCV principle) 5.实验【Mapreduce programming】 5.1 实验内容: 5.2 实验流程: 1.上传实验文件: 2.为文件赋予可执行权限: 3.启动Hadoop: 4.拷贝文件到Hadoop中: 5.3 英语答

    2024年01月25日
    浏览(43)
  • 大数据采集技术与预处理学习一:大数据概念、数据预处理、网络数据采集

    目录 大数据概念: 1.数据采集过程中会采集哪些类型的数据? 2.非结构化数据采集的特点是什么? 3.请阐述传统的数据采集与大数据采集的区别? ​​​​​​​ ​​​​​​​4.大数据采集的数据源有哪些?针对不同的数据源,我们可以采用哪些不同的方法和工具? 数据

    2024年01月25日
    浏览(54)
  • 【大数据】流处理基础概念(二):时间语义(处理时间、事件时间、水位线)

    流处理基础概念(一):Dataflow 编程基础、并行流处理 流处理基础概念(二):时间语义(处理时间、事件时间、水位线) 流处理基础概念(三):状态和一致性模型(任务故障、结果保障) 😊 如果您觉得这篇文章有用 ✔️ 的话,请给博主一个一键三连 🚀🚀🚀 吧 (点

    2024年02月19日
    浏览(45)
  • RWEQ风蚀方程模型与ArcGIS数据处理Python代码库添加结合理论研究和科研实践

       RWEQ模型是应用比较普遍的能适应大区域定量估算风蚀量的模型。该模型是基于大量野外实验的一种经验模型,在实际测定风力导致的土壤侵蚀量以及当地的气象、地表植被、土壤湿度、地表的结皮和地表的可蚀性等因子的基础上得出的一个经验方程。 1、掌握土壤风蚀模

    2024年02月13日
    浏览(59)
  • 机器学习案例:运营商客户流失的数据分析 #数据去重#数据分组整合#缺失值处理#相关性分析#样本平衡#决策树、随机森林、逻辑回归

    前提: 随着业务快速发展、电信市场的竞争愈演愈烈。如何最大程度地挽留在网用户、吸取新客户,是电信企业最 关注的问题之一。 客户流失 会给企业带来一系列损失,故在发展用户每月增加的同时,如何挽留和争取更多 的用户,也是一项非常重要的工作。 能否利用大数

    2024年02月08日
    浏览(52)
  • Vue.js核心概念简介:组件、数据绑定、指令和事件处理

    本文介绍了Vue.js的四个核心概念:组件、数据绑定、指令和事件处理。每个概念都通过一个简单的示例进行了详细的解释。通过学习这些概念,您将能够充分利用Vue.js的强大功能,构建高效、灵活的Web应用程序。 1 组件 组件是Vue.js的核心概念之一,它允许您将UI分解为相互作

    2024年02月04日
    浏览(59)
  • 头歌(educoder)基本数据处理-通关代码

    以下代码都写在Begin和End注释中,即,主方法中 本关卡题目没说明白,问了人,百了度,确定是题目不清,就直接根据测试集来写代码了。 听说过水仙花,没听说过火仙草。谁知道火仙草数可以私信

    2024年02月06日
    浏览(62)
  • 【MySQL基础 | 第一篇】数据处理之基本查询

    查询语句属于DML(Data Manipulation Language)数据操作语言的其中一种,用于从数据库中提取所需的数据。通过灵活的条件和组合,查询语句帮助用户有效地获取、过滤和排序数据,满足各种信息需求。 SELECT 标识选择哪些列 FROM 标识从哪个表中选择 注意: SQL 语言大小写不敏感

    2024年02月10日
    浏览(44)
  • 【大数据】流处理基础概念(三):状态和一致性模型(任务故障、结果保障)

    流处理基础概念(一):Dataflow 编程基础、并行流处理 流处理基础概念(二):时间语义(处理时间、事件时间、水位线) 流处理基础概念(三):状态和一致性模型(任务故障、结果保障) 😊 如果您觉得这篇文章有用 ✔️ 的话,请给博主一个一键三连 🚀🚀🚀 吧 (点

    2024年01月25日
    浏览(49)
  • 【MATLAB数据处理实用案例详解(17)】——利用概念神经网络实现柴油机故障诊断

    柴油机的结构较为复杂,工作状况非常恶劣,因此发生故障的可能性较大。本例采用概率神经网络建立分类模型,采集柴油机振动信号作为输入,成功实现了故障有无的判断和故障类型的判断。 柴油机故障诊断可以抽象对一种分类问题,有无故障的判断,是一种二分类问题,

    2024年02月03日
    浏览(48)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包