Автор работы: Пользователь скрыл имя, 15 Января 2012 в 13:56, реферат
Отраслью науки, изучающей измерения, является метрология. Слово «метрологи» образовано из двух греческих слов: «метрон» - мера и «логос» - учение. Дословный перевод слова "метрология" - учение о мерах. Долгое время метрология оставалась в основном описательной наукой о различных мерах и соотношениях между ними.
Введение 2
II. Погрешности. Основные определения и классификация 5
III. Заключение. Конечная схема 19
IV. Выводы 20
V. Список использованной литературы 22
в)
Средние. Арифметические погрешности
средние из ряда результатов измерений
физической величины одинакового достоинства
есть наиболее вероятное значение измеряемой
физической величины. При неограниченном
увеличении числа измерений и в отсутствии
систематических погрешностей арифметическое
среднее стремится к истинному значению
измеряемой величины. Дисперсия среднего
арифметического ряда измерений всегда
имеет меньшую погрешность, чем погрешность
каждого определенного измерения. Из этого
следует, что если необходимо повысить
точность результата (при исключенной
систематической погрешности) в 2 раза,
то количество измерений надо увеличить
в 4 раза.
г) Среднеарифметические. Средние арифметические погрешности единичных измерения - это обобщенная характеристика рассеяния отдельных результатов равноточных независимых измерений, вычисляемая как среднее арифметическое абсолютных значений разностей результатов измерений и арифметического среднего этих измерений. Если число измерений более 30, то средняя арифметическая погрешность = 0.8 * . Пусть l1, l2, l3, …, ln – результаты измерений некоторой величины. Х – истинное значение этой величины. Тогда истинные погрешности:
d1 = l1 – Х;
d2 = l2 – Х;
d3 = l3 –
Х.
Тогда:
dп = ln
– Х.
Сумма этих равенств даёт:
d1 + d2 + d3
+...+dп = l1 + l2 + l3 +...+lп – пХ,
т.е.:
[d] = [l] –
пХ.
Разделив на n, запишем согласно третьему свойству случайных погрешностей:
lim (d1 + d2
+ d3 +…+dп)/п = 0
Или в другой записи будем иметь:
lim [d]/п
= 0,
Из этого выражения видно, что арифметическая середина может быть приня-таза истинное значение измеренной величины, и названа вероятнейшим значением измеряемой величины.
д) Среднеквадратичные. Средние квадратические погрешности единичных измерений - это обобщенная характеристика рассеяния отдельных результатов равноточных независимых измерений, вычисляемая как квадратный корень из отношения:
-
числитель - сумма квадратов отклонений
результатов измерений от
- знаменатель - количество измерений минус 1. Если число измерений более 30, то средняя квадратическая погрешность = 1.25 .
При
оценке точности данного ряда
равноточных измерений l1, l2, l3 ,…,
ln одной и той же величины
Х, сопровождавшихся
2.3. Грубые промахи.
Грубые
промахи (погрешности) - это погрешности,
не характерные для
Если
в процессе измерений удается
найти причины, вызывающие существенные
отличия, и после устранения этих
причин повторные измерения не подтверждают
подобных отличий, то такие измерения
могут быть исключены из рассмотрения.
Но необдуманное отбрасывание резко
отличающихся от других результатов
измерений может привести к существенному
искажению характеристик
III.
Заключение. Конечная
схема
Для
окончательного закрепления указанной
темы все погрешности были сведены
в единую схему.
ПО ФОРМЕ ЧИСЛОВОГО ВЫРАЖЕНИЯ | ПО ЗАКОНОМЕРНОСТЯМ ПРОЯВЛЕНИЯ |
ОТНОСИТЕЛЬ-
НЫЕ |
ГРУБЫЕ
ПРОМАХИ |
|||||
АБСОЛЮТ-
НЫЕ |
ПРИВЕДЕН-
НЫЕ |
СИСТЕМАТИ-
ЧЕСКИЕ |
СЛУЧАЙНЫЕ |
ПО
ВИДУ
|
ПРЕДЕЛЬНЫЕ | |||
ВЕРОЯТНЫЕ | ||||
МЕТОДИЧЕСКИЕ | ПЕРЕМЕННЫЕ | СРЕДНИЕ | ||
ИНСТРУМЕН-
ТАЛЬНЫЕ |
ПОСТОЯННЫЕ | СРЕДНЕАРИФМЕ-
ТИЧЕСКИЕ | ||
СУБЪЕКТИВНЫЕ | ДИНАМИЧЕСКИЕ И СТАТИЧЕСКИЕ | СРЕДНЕКВАД-
РАТИЧНЫЙ | ||
ЛИЧНОСТНЫЕ | ИЗМЕНЯЮЩИЕСЯ ПО СЛОЖНОМУ ЗАКОНУ |
IV.
Выводы
Очень широко среди практиков распространено мнение, что все затруднения с вероятностной оценкой погрешности объясняются лишь их слабой подготовкой в области математической статистики и теории вероятностей. Все необходимые для этого задачи, дескать, давно решены в теории вероятностей и теории случайных процессов. Стоит лишь как следует овладеть премудростью этих наук, и все сложности разрешатся сами собой. Но это верно лишь отчасти. Очень многое применительно к нуждам оценки погрешностей еще ждет своей разработки.
Так, например, нельзя же ожидать, что для всего разнообразия законов распределения погрешностей математики дадут таблицы квантилей. Такие таблицы заняли бы целый том. Нужно какое-то другое решение, например, в виде приближенных формул, а такие формулы нужно разработать. Подобное положение наблюдается и с методикой суммирования погрешностей. Строгое математическое решение в пике многомерного распределения для практики бесполезно. То же самое относится и к имитационному моделированию по методу Монте-Карло, так как оно не может дать общего решения, а численные решения всякий раз должны проводиться заново. Нужны упрощенные, практические методы. Это особенно относится к расчету погрешности косвенных измерений, где из-за математической сложности необходимо ограничиться самыми примитивными методами.
Не лучше положение и со сравнительной эффективностью различных оценок центра, рассеянием оценок контр эксцесса, энтропийного коэффициента и энтропийного значения, исключением промахов при распределениях, отличных от нормального. Даже такой, казалось бы, классический спрос математической статистики, как оптимальное число интервалов группирования экспериментальных данных для построения полигона или гистограммы, оказывается, имеет почти столько же «оптимальных» решений, сколько излагающих его авторов. Всюду рекомендуемое использование критериев согласия для идентификации формы распределения практически не позволяет произвести желаемой идентификации при тех данных, которыми исследователь фактически располагает.
Подобный перечень как теоретических, так и практических задач можно было бы дать по обработке однофакторных и многофакторных экспериментов. Здесь также большое количество нужных для практики задач в области разработки удобных методов описания параметров многомерного мениска погрешностей при многофакторном эксперименте и в использовании так называемых «робастных», т. е. не зависящих от вида закона распределения, устойчивых методов оценки параметров модели и исключения промахов, которые позволяют устранить неустойчивость при получении решений МНК для многомерных задач.
Тем не менее, дальнейшая разработка устойчивых, не зависимых от вида распределения методов, представляет собой одно из наиболее перспективных направлений развития методов обработки данных. На основе существующих методов уже сейчас могут быть созданы удобные программы для обработки данных исследования на ЭВМ.
Особого
внимания заслуживает анализ путей
повышения эффективности
V.
Список использованной
литературы
1. | Тюрин Н. И. «Введение в метрологию»,– М., Издательство Стандартов, 1973. |
2. | Кудряшов Л. С., Гуринович Г. В., Рензяева Т. В. «Метрология, стандартизация, сертификация и управление качеством пищевой продукции». Учебное пособие. - Кемерово, 1997. |
3. | Бурдук Г. Д. «Основы метрологии». – М., 1975. |
4. | Козлов М. Г. «Метрология и стандартизация». |