- •200106 «Информационно-измерительная техника и технологии»
- •Введение
- •1.2. Сигналы
- •1.3. Преобразование измерительных сигналов
- •1.4. Спектр периодических сигналов
- •1.5. Модуляция
- •1.5.1. Амплитудная модуляция
- •1.5.2. Частотная модуляция
- •1.5.3. Фазовая модуляция
- •1.5.4. Двукратные виды модуляции
- •1.6. Квантование
- •1.6.1. Квантование по уровню
- •1.6.2. Квантование по времени
- •1.6.3. Квантование по уровню и времени
- •1.7. Кодирование
- •1.7.1. Цифровые коды
- •1.7.2. Помехи
- •1.8. Модель канала
- •Раздел 2 измерительные каналы и их разделение
- •2.1. Канал связи и его характеристики
- •2.2. Согласование канала с источником информации
- •2.3. Линии связи для передачи измерительной информации
- •2.4. Структуры линий связи
- •2.5. Многоканальные системы для передачи измерительной информации
- •2.6. Погрешность систем с частотным разделением каналов
- •2.7. Погрешности систем с временным разделением каналов
- •Раздел 3 принципы обработки данных
- •3.1. Виды погрешностей
- •3.2. Обработка результатов измерений. Оценки измеряемой величины
- •3.3. Обработка результатов прямых равноточных измерений
- •3.4. Обработка результатов косвенных измерений
- •3.5. Обработка результатов совместных измерений
- •3.6. Обработка результатов неравноточных измерений
- •3.7. Проверка статистических гипотез
- •3.7.1. Проверка соответствия гипотезы и экспериментальных данных
- •3.7.2. Исключение резко отклоняющихся значений
- •3.8. Построение эмпирических распределений
- •3.9. Критерии согласия
- •3.9.1. Критерий согласия Пирсона
- •3.9.2. Критерий согласия Колмогорова
- •Раздел 4 планирование многофакторного эксперимента
- •4.1. Задачи планирования эксперимента
- •4.2. Пассивные эксперименты
- •4.3. Дисперсионный анализ
- •4.4. Регрессионный анализ
- •4.5. Активный эксперимент
- •4.6. Полный факторный эксперимент
- •4.7. Дробный факторный эксперимент
- •4.8. Устранение влияния временного дрейфа
- •4.9. Проведение факторного эксперимента и обработка его результатов
- •4.10. Оптимизация
- •4.11. Рандомизация
- •Раздел 5 введение в алгоритмическую теорию измерений
- •5.1. Вводные замечания
- •5.2. Развитие понятий числа и измерения величин
- •5.3. Теория шкал и алгоритмические измерения
- •5.4. Алгоритмы измерения в номинальной шкале, аддитивной и порядка
- •5.5. Моделирование цифровых алгоритмических измерений
- •5.6. Эквивалентность между фильтрацией и алгоритмическим измерением
- •5.7. Моделирование сигналов. Дискретизация
- •5.7.1. Модели дискретизации аналогового сигнала
- •5.7.2. Дискретизация с усреднением
- •5.7.3. Дискретизация сигналов конечной длительности
- •5.8. Цифровое представление информации
- •5.9. Системы счисления с иррациональными основаниями
- •5.9.1. Золотая пропорция
- •5.9.2. Числа Фибоначчи
- •5.9.4. Код золотой p-пропорции
- •5.10. Общий алгоритм метрологического кодирования
- •5.10.1. Алгоритм Стахова
- •5.10.2.Фибоначчиевы алгоритмы цифрового метрологического кодирования
- •Раздел 6 введение в информационную теорию измерений
- •6.1. Основные положения теории информации
- •6.1.1. Энтропия
- •6.1.2. Единицы измерения энтропии
- •6.1.3. Условная энтропия (энтропия помехи)
- •6.1.4. Суммирование нескольких погрешностей
- •6.1.5. Явление «краевой эффект». Приближенность информационных оценок каналов передачи информации
- •6.1.6. Основные положения теории информации для характеристики процесса измерения
- •6.2. Сущность измерения
- •6.2.1. Понятие натурального ряда однородных величин
- •6.2.2. Понятие шкалы реперов измеряемой величины
- •6.2.3. Измерение как сужение интервала неопределенности
- •6.3. Измерительные преобразования, функциональные шкалы, единицы измеряемой величины
- •6.3.1. Функциональная шкала измеряемой величины
- •6.3.2. Понятие единицы измерения
- •6.3.3. Метод построения измерительных устройств
- •6.4. Измерительные преобразования и преобразователи
- •6.5. Энтропийное значение погрешности
- •6.5.1. Математическое определение энтропийного значения погрешности
- •6.5.2. Эффективное значение погрешности
- •6.6. Сравнение энтропийного и среднеквадратического значений погрешности для плавных симметричных одномодальных законов распределения погрешностей
- •6.7. Энтропийное значение погрешности – основной критерий точности приборов и измерений
- •6.8. Определение энтропийного значения погрешности на практике
- •6.9. Суммирование погрешностей измерительных устройств
- •6.10. Статистическое суммирование погрешностей при наличии корреляции
- •6.11. Энтропийное значение результирующей погрешности
- •6.12. Суммирование погрешностей с равномерными законами распределения вероятностей
- •6.13. Суммирование погрешностей при равномерном и нормальном законах распределения составляющих результирующей погрешности
- •6.14. Суммирование погрешностей при произвольной степени корреляции и произвольных законах распределения вероятностей составляющих результирующей погрешности
- •И объемов (n) выборок
- •Интервала
- •Оглавление
3.7.2. Исключение резко отклоняющихся значений
При обработке результатов измерений очень часто возникает необходимость обнаружить грубые погрешности и исключить из экспериментальных данных соответствующие результаты. Указанная задача также требует проверки гипотез и решается статистическими методами.
Будем считать, что результаты измерений xi имеют нормальное распределение. Чтобы проверить возможность отбросить сомнительный результат хс (хс – наибольший или наименьший из результатов), вычислим величину
(3.7.1)
где и вычисляют с учетом всех n измерений.
Если все xi распределены нормально, то распределение величины не будет зависеть от параметров закона распределения xi, но будет зависеть от числа измерений n. Имеются таблицы (таблица «Процентные точки -распределения») распределения максимальных по модулю отклонений результатов измерений от их среднего значения
(3.7.2)
Таким образом, проверяется гипотеза о том, что результат хс не содержит грубой погрешности. Условием принятия этой гипотезы является .
Задаваясь уровнем значимости и учитывая число измерений n, по таблице «Процентные точки -распределения» находим значение . Сравниваем вычисленное по (3.7.1) значение с . Если < , то гипотеза не противоречит экспериментальным данным. В противном случае гипотеза отклоняется, а соответствующий результат хс исключается из массива экспериментальных данных. После этого снова вычисляются оценки и , а описанная выше процедура может быть повторена для следующего подозреваемого результата.
Пример 3.7.3. При условиях, заданных в примере 3.7.1, необходимо проверить гипотезу, состоящую в том, что наибольший результат измерений xс = 7,8 не содержит грубой погрешности.
Решение. Вычислим
Принимаем уровень значимости = 0,05. Для n = 10 по таблице «Процентные точки -распределения» находим = 2,414. Так как > , то гипотеза отклоняется, т.е. следует считать, что результат xс = 7,8 содержит грубую погрешность, а следовательно, должен быть исключен из экспериментальных данных.
3.8. Построение эмпирических распределений
При исследовании случайных процессов необходимо знать не только числовые характеристики случайных величин, но законы их распределения. Поэтому необходимо знать закон распределения случайной величины по статистическим данным, полученным в эксперименте. Пусть в результате эксперимента получено п значений случайной величины х1, х2, ..., хп (статистический ряд). Под статистической функцией распределения случайной величины X понимают частоту события X < х в данном статистическом интервале.
(3.8.1)
Статистическая функция распределения любой случайной величины является прерывной ступенчатой функцией, скачки которой соответствуют наблюдаемым значениям случайной величины (рис. 3.8.1); они равны частотам появления этих значений , где – число появлений i-ro значения случайной величины в п опытах.
Рис. 3.8.1. Статистическая функция распределения
Кроме статистического интегрального закона распределения вводят понятие статистического дифференциального закона распределения, под которым понимают зависимость плотности распределения наблюдаемых значений случайной величины
(3.8.2)
где – частота появления случайной величины в интервале в п опытах. Для наглядности статистический дифференциальный закон распределения представляют гистограммой (рис. 3.8.2).
Для определения законов распределения случайной величины X проводят эксперимент, получают n значения случайной величины, по ним строят статистические законы распределения. При n эмпирическая функция распределения приближается к истинной функции распределения. В реальности число опытов ограничено. Поэтому необходимо определять закон распределения случайной величины по ограниченному числу опытов. При обработке ограниченного по объему статистического материала приходится решать вопрос о том, как подобрать для данного статистического ряда теоретическую кривую распределения, выражающую лишь существенные черты статистического материала, а не случайности, связанные с недостаточным объемом экспериментальных данных. Такая задача подбора теоретической кривой распределения называется задачей выравнивания статистических рядов.
Рис. 3.8.2. Гистограмма статистического дифференциального закона
распределения
Принципиальный вид теоретической кривой выбирается либо заранее из соображений, связанных с существом задачи, либо исходя из внешнего вида статистического распределения. Аналитическое выражение выбранной кривой распределения зависит от некоторых параметров; задача выравнивания статистического ряда переходит в задачу рационального выбора тех значений параметров, при которых соответствие между статистическим и теоретическим распределениями наилучшее.
Любая выбранная аналитическая функция f(х), с помощью которой выравнивается статистическое распределение, должна обладать основными свойствами плотности распределения:
(3.8.3)
Допустим, что функция f(х), с помощью которой выравнивается данное статистическое распределение, выбрана. В выражение этой функции входит несколько параметров a, b, .... Требуется подобрать эти параметры так, чтобы функция f(х) наилучшим образом описывала данный статистический материал. Наиболее часто для решения этой задачи применяется метод моментов. Согласно ему, параметры а, b, ... выбираются так, чтобы несколько важнейших числовых характеристик теоретического распределения были равны соответствующим статистическим характеристикам. Например, если теоретическая кривая f(х) зависит только от двух параметров а и b, они выбираются так, чтобы математическое ожидание и дисперсия теоретического распределения совпадали с соответствующими статистическими характеристиками и . Если кривая f(х) зависит от трех параметров, можно подобрать их так, чтобы совпали первые три момента и т.д.
Пример 3.8.1. Пусть в результате эксперимента над случайной величиной X, которая может принимать значения в интервале (-; +), получен статистический ряд (500 измерений):
Ii |
-4; -3 |
-3; -2 |
-2; -1 |
-1; 0 |
0; 1 |
1; 2 |
2; 3 |
3; 4 |
ni |
6 |
25 |
72 |
133 |
120 |
88 |
46 |
10 |
Pi |
0,012 |
0,05 |
0,144 |
0,266 |
0,24 |
0,176 |
0,092 |
0,02 |
Требуется выровнять это распределение при помощи нормального закона:
Решение. Определим статистические моменты случайной величины X – математическое ожидание и дисперсию:
где – представитель i-го разряда; – частота i-го разряда; k – число разрядов.
Выберем параметры и нормального закона так, чтобы выполнялись условия:
т.е. = 0,168; = 1,448. Тогда получим:
Используя таблицу «Распределение функции », вычислим значения на границах рядов:
x |
-4 |
-3 |
-2 |
-1 |
0 |
1 |
2 |
3 |
4 |
|
0,004 |
0,025 |
0,090 |
0,199 |
0,274 |
0,234 |
0,124 |
0,041 |
0,008 |
На рис. 3.8.3 приведены гистограмма и выравнивающая ее кривая распределения.
Рис. 3.8.3. Гистограмма и выравнивающая кривая
Пример 3.8.2. С целью исследования закона распределения ошибки измерения дальности с помощью радиодальномера произведено 400 измерений дальности. Результаты опытов представлены в виде статистического ряда:
Ii |
20; 30 |
30; 40 |
40; 50 |
50; 60 |
60; 70 |
70; 80 |
80; 90 |
90; 100 |
ni |
21 |
72 |
66 |
38 |
51 |
56 |
64 |
32 |
Pi |
0,052 |
0,180 |
0,165 |
0,095 |
0,128 |
0,140 |
0,160 |
0,080 |
Выровнять статистический ряд с помощью закона равномерной плотности.
Решение. Закон равномерной плотности выражается формулой:
Выражения для математического ожидания и дисперсии для закона равномерной плотности имеют вид:
Для того чтобы упростить вычисления, перенесем начало отсчета в точку x0 = 60 и примем за представителя каждого разряда его середину. Ряд распределения примет вид:
|
-35 |
-25 |
-15 |
-5 |
5 |
15 |
25 |
35 |
Pi |
0,052 |
0,180 |
0,165 |
0,095 |
0,128 |
0,140 |
0,160 |
0,080 |
где – среднее для разряда значение ошибки радиодальномера X' при новом начале отсчета.
Приближенное значение статистического среднего ошибки X' равно:
Второй статистический момент величины X' равен:
откуда статистическая дисперсия:
Переходя к прежнему началу отсчета, получим новое статистическое среднее:
и ту же статистическую дисперсию
Параметры закона равномерной плотности определяются уравнениями:
Решая эти уравнения относительно и , имеем:
,
откуда
На рис. 3.8.4 показаны гистограмма и выравнивающий ее закон равномерной плотности .
Рис. 3.8.4. Гистограмма и выравнивающая кривая
На практике часто случается так, что заранее закон теоретический закон распределения не известен. Поэтому рассмотрим вопрос о том, каким выбрать теоретическое распределение по статистическому ряду, когда заранее вид теоретического распределения не известен. В этом случае пользуются системой кривых Пирсона (рис. 3.8.5).
Для применения кривых на рис. 3.8.5 необходимо знать значения 1 и 2, которые определяются как
где 2, 3, 4 – второй, третий, четвертый центральные моменты случайной величины соответственно. Однако значения 1 и 2 обычно неизвестны. Поэтому для того, чтобы узнать, будут ли надлежащим образом описаны полученные данные (статистический ряд) одним из показанных на рис. 3.8.5 распределений, необходимо найти выборочные оценки и .
Рис 3.8.5. Система кривых Пирсона
Для определения и необходимо найти статистические моменты , , по следующим формулам:
. (3.8.4)
Определив , и, нанеся эту точку на графики рис. 3.8.5, можно узнать, какое распределение наиболее подходит для выравнивания статистического ряда.
При применении этого метода необходимо следующие ограничения:
1) и являются лишь оценками для 1 и 2 и подвержены колебаниям от выборки к выборке, поэтому этим методом пользоваться не рекомендуется при малом числе наблюдений (например, меньше 200);
2) в общем случае форма распределения не определяется однозначно его нормированными показателями асимметрии (1) и островершинности (2).