- •Федеральное агентство по образованию
- •Введение
- •1 Задание на проектирование
- •1.1 Исходные данные
- •1.2 Задачи курсового проекта
- •2 Структура курсового проекта
- •3.7 Заключение
- •3.8 Список использованных источников
- •4 Теоретические сведения, необходимые для выполнения расчета
- •4. 1 Задача обработки результатов прямых равноточных измерений
- •4. 2 Предварительная обработка данных
- •4.2.1 Графическое представление выборочных результатов
- •4.2.2 Проверка нормальности распределения по критерию χ2(Пирсона)
- •4.2.3 Определение систематической погрешности
- •4.2.4 Расчет статистических характеристи выборок
- •4.2.5Отсев аномальных значений
- •4.2.6 Интервальная оценка
- •4.3 Проверка однородности дисперсий
- •4.4 Регрессионный анализ полиномиальной модели
- •4.4.1 Метод наименьших квадратов для моделей с одной переменной
- •4.5 Определение суммарной погрешности измерения температуры
- •4.6 Расчет количества тепла, переносимого газом в единицу времени и погрешности такого измерения
- •Приложение б
- •Приложение в (обязательное)
- •Приложение г
- •(Обязательное)
- •Оформление пояснительной записки
- •Г. 1 Общие положения
- •Г. 2 Построение пояснительной записки
- •Г. З Изложение текста пояснительной записки
- •Г.4 Оформление математических формул и технических расчетов
- •Г.5 Оформление иллюстраций
- •Г.6 Оформление таблиц
- •Г.7 Содержание
- •Приложение д
4.2.6 Интервальная оценка
Поскольку среднее арифметическое не совпадает полностью с истинным значением, при измерениях необходимо оценить его точность и надежность, необходимо знать, к каким ошибкам может привести замена истинного значения на его точечную оценку. Чтобы дать представление о точности и надежности оценки mв математической статистике используются так называемаяинтервальная оценка,основанная на понятиях доверительного интервала и доверительной вероятности.
Для построения доверительного интервала необходимо задаться доверительной вероятностью β – вероятностью, с которой диапазон практически возможных значений ошибки, возникающей при замене истинного значения на среднее арифметическое, будет ± ε, то есть с вероятностью β неизвестное значение параметра апопадет в интервал
Iβ = (m-ε; m+ε) (4.11)
Здесь ε является абсолютной случайной погрешностью:
ΔСл = ε
В зависимости от вида функции распределения случайной ошибки можно построить точный или приближенный доверительный интервал. В том случае, когда случайная величина xраспределена по закону, отличному от нормального, строят приближенный доверительный интервал.
Половину длины интервала εопределяют по формуле:
(4.12)
где D- оценка дисперсии величиныx;
параметр ;
где Ф-1(β)– обратная функция Лапласа,tβопределяются по таблице Д9 Приложения Д в зависимости от доверительной вероятности β. Сам доверительный интервал выглядит следующим образом:
(4.13)
В том случае, когда величина xраспределена по нормальному закону строят точный доверительный интервал, определяют точное значение ε по формуле (4.12) с той разницей, что параметрtβв данном случае – коэффициент Стьюдента и определяется он по таблице Д в зависимости от доверительной вероятности β и числа степеней свободыn– 1, гдеn- количество измерений.
4.3 Проверка однородности дисперсий
Экспериментаторы часто планируют получение выборок одинакового объема, однако, если в опытах обнаруживаются промахи, то после их исключения объемы выборок оказываются различными. В этом случае проверка однородности нескольких дисперсий, найденных по выборкам различного объема используют критерий Бартлетта. Для того чтобы при заданном уровне значимости qпроверить гипотезу об однородности дисперсии нормальных совокупностей, надо вычислить наблюдаемое значение критерия Бартлетта В =V/Cи по таблице критических точек распределенияχ2найти критическую точкуχ2табл(q,k). Гипотеза об однородности дисперсий принимается, если
(4.14)
где В - расчетная величина;
χ2табл- значение при уровне значимости q и числе степеней свободыk.
(4.15)
4.4 Регрессионный анализ полиномиальной модели
Зависимость ΔМ(Tt) вычисляется методом наименьших квадратов по рассчитанным значениям ΔМ и средним значениямTtдля всех пяти заданных совокупностей данных. Зависимость ΔМ(Tt) взять квадратичной.
4.4.1 Метод наименьших квадратов для моделей с одной переменной
Метод наименьших квадратов(МНК) – основной метод статистической обработки результатов с целью получения математического описания объекта. Цель метода – получение регрессионной зависимости y=f(X1), которая с достаточной точностью описывала бы результат эксперимента. График зависимостиy=f(X1) – это искомая кривая. Значениям фактора Х1, равным Х11, Х12, …, Х1N, соответствуют точки на кривой. Эти точки являются значениями выходной величины, рассчитанными по уравнению регрессииf=(X1).
(4.16)
Затем находим величину n , которая равна, приn=1,2,…., которая характеризует отклонение результата в заданной точке.
Согласно методу наименьших квадратов (МНК), оценки для коэффициентов регрессии отыскиваются из условия минимума суммы квадратов отклонения Ф:
, (4.17)
Исходя из сформированного требования, найдем формулы для вычисления коэффициента регрессии в простейшем случае квадратичной модели с единственным фактором Х1. Это модель вида:
y=C0+C1Х1+С2Х12 (4.18)
Для отыскания трёх неизвестных коэффициентов регрессии С0, С1 и С2 надо решить следующую систему из трёх линейных уравнений с тремя неизвестными:
(4.19)
Для окончательного определения характера зависимости методической погрешности от температуры рекомендуется оценить значимость коэффициентов регрессионной модели.