- •Основы статистической обработки результатов измерений отдельных деталей
- •13. Исходные термины и определения
- •14. Способы измерений
- •15. Методы измерений
- •16. Основные правила обработки результатов прямых измерений
- •19. Основные (первичные) понятия теории вероятности, используемые для анализа точности обработки и контроля
- •23. Использование законов распределения случайных величин
- •24. Закон распределения Гаусса
- •25. Основы статистического анализа результатов измерений партии деталей
- •26. Построение гистограмм и полигонов распределения
- •Значения коэффициента Стьюдента tg
- •29. Критерий оценки промахов
- •31. Определение количества вероятного брака деталей
19. Основные (первичные) понятия теории вероятности, используемые для анализа точности обработки и контроля
Случайное событие — событие, которое при наличии совокупности условий F может либо произойти, либо не произойти. Достоверное событие — событие, которое обязательно произойдет при наличии условий F. Вероятностью события А называют отношение числа благоприятствующих ему случаев (исходов) т к общему числу исключающих друг друга случаев п: Р(А) == т/п. Вероятность достоверного события равна единице, невозможного
события — нулю, а случайного события — числу, заключенному между нулем и единицей (0 < Р(А) < 1). Таким образом, для произвольного случайного события справедливо неравенство 0£Р(А)£1. Случайная величина Х — величина, наблюдаемое значение которой зависит от случайных причин и поэтому наперед неизвестно. Случайные величины могут быть дискретными (например, число бракованных деталей в партии и др.) или непрерывными (например, отклонение размера детали от номинала, высота микропрофиля в данной точке и др.). Полный набор всех возможных значений случайной величины Х называется генеральной совокупностью.
Закон распределения случайной величины Х — всякое соотношение, устанавливающее связь между возможными значениями xi случайиой величины Х и соответствующими им вероятностями pi . Его можно задать таблично, аналитически (формулами) или графически. В наиболее обобщенной форме закон распределения описывается с помощью интегральной функции распределения или дифференциальной функцией распределения.
20. Интегральная функция распределения
Функция распределения F(x) — это функция, определяющая вероятность того, что случайная величина Х примет значение меньше данного значения x: F(x)=P(X<x). Из определения следует, что 0£F(x)£1, причем F(-оo)=0 и F(+oo)=l. Вероятность того, что значение случайной функции попадет в интервал (a, b), равна разности значений интегральной функции на концах интервала:
21. Дифференциальная функция распределения
Плотность вероятности f(x) — это первая производная от функции распределения. График функции f(x) называют кривой распределения. Вероятность попадания Х в заданный интервал (a, b) равна
Геометрически эта вероятность равна площади криволинейной трапеции, ограниченной осью абсцисс, прямыми х = а и х == b и кривой распределения (рис. 1, а). Площадь под всей кривой равна единице.
22. Характеристики случайных величин.
Числовые характеристики случайных величин делят на 3 группы: а) характеристики положения случайной величины на числовой оси (математическое ожидание, мода, медиана); б) характеристики рас-
сеяния вокруг некоторого центра группирования (дисперсия, среднее квадратическое отклонение); в) моменты (начальные и центральные).
Математическое ожидание М(Х) (или тx) — это среднее значение случайной величины Х из генеральной совокупности:
Рис. 1. Показатели несимметричности кривых распределения:
а — положительная ассиметрия; б — отрицательная ассиметрия
Мода Мо (X) — это значение Хi с наибольшей вероятностью (или плотностью вероятности). Медиана Me (X) — значение Хёнёi, при котором площадь под кривой распределения делится пополам. В общем случае значения М(Х), Мо(Х), Me (X) могут не совпадать (рис. 1, б).
Дисперсия D (X) случайной величины X— это математическое ожидание квадрата отклонения случайной величины от ее математического ожидания:
Среднее квадратическое отклонение sx — это корень квадратный из дисперсии (является моментом второго порядка).
Моменты больших порядков используют для описания формы кривой распределения. Так, третий центральный момент (^3)
применяют для оценки ассиметрии (скошенности) кривой распределения относительно математического ожидания, вычисляя с его помощью коэффициент ассиметрии А:
Если мода Мо(Х) находится слева от среднего значения тx, то ассиметрия положительна. Если мода расположена справа от среднего значения,, то ассиметрия отрицательна (см. рис. 1). Четвертый центральный момент (m4) характеризует "остроту" вершины кривой распределения. Для этого вычисляют коэффициент эксцесса Е:
Эксцесс положителен для островершинных кривых распределения и отрицателен для плосковершинных. Для закона Гаусса Е=0.