Методы определения и учета погрешностей

Методы определения и учета погрешностей измерений используются для того, чтобы:

1) на основании результатов измерений получить настоящее (действительное) значение измеряемой величины;

2) определить точность полученных результатов, т. е. степень их соответствия настоящему (действительному) значению.

В процессе определения и учета погрешностей оцениваются:

1) математическое ожидание;

2) среднеквадратическое отклонение.

Точечная оценка параметра (математического ожидания или среднеквадратического отклонения) – это оценка параметра, которая может быть выражена одним числом. Точечная оценка является функцией от экспериментальных данных и, следовательно, сама должна быть случайной величиной, распределенной по закону, зависящему от закона распределения для значений исходной случайной величины Закон распределения значений точечной оценки будет зависеть также от оцениваемого параметра и от числа испытаний (экспериментов).

Точечная оценка бывает следующих видов:

1) несмещенная точечная оценка;

2) эффективная точечная оценка;

3) состоятельная точечная оценка.

Несмещенная точечная оценка – это оценка параметра погрешности, математическое ожидание которой равно этому параметру.

Эффективная точечная оценка – это точечная оценка. дисперсия которой меньше, чем дисперсия другой какой угодно оценки этого параметра.

Состоятельная точечная оценка – это оценка, которая при увеличении числа испытаний стремится к значению параметра, подвергающегося оценке.

Основные методы определения оценок:

1) метод максимального правдоподобия (метод Фишера);

2) метод наименьших квадратов.

1. Метод максимального правдоподобия основывается на идее, что сведения о действительном значении измеряемой величины и рассеивании результатов измерений, полученные путем многократных наблюдений, содержатся в ряде наблюдений.

Метод максимального правдоподобия состоит в поиске оценок, при которых функция правдоподобия проходит через свой максимум.

Оценки максимального правдоподобия – это оценки сред—неквадратического отклонения и оценки истинного значения.

Если случайные погрешности распределены по нормальному закону распределения, то оценка максимального правдоподобия для истинного значения представляет собой среднее арифметическое результатов наблюдений, а оценка дисперсии является средним арифметическим квадратов отклонений значений от математического ожидания.

Преимущества оценок максимального правдоподобия заключается в том, что данные оценки:

1) несмещенные асимптотически;

2) асимптотически эффективные;

3) асимптотически распределены по нормальному закону.

2. Метод наименьших квадратов состоит в том, что из определенного класса оценок берут ту оценку, у которой минимальная дисперсия (самую эффективную). Из всех линейных оценок действительного значения, где присутствуют некоторые постоянные, только среднее арифметическое сводит к наименьшему значению дисперсии. В связи с этим при условии распределения значений случайных погрешностей по нормальному закону распределения оценки, полученные с использованием метода наименьших квадратов, идентичны оценкам максимального правдоподобия. Оценка параметров с помощью интервалов проводится посредством нахождения доверительных интервалов, в пределах которых с заданными вероятностями располагаются действительные значения оцениваемых параметров.

Доверительная граница случайного отклонения – это число, представляющее собой длину доверительного интервала, разделенную пополам.

При достаточно большом количестве испытаний доверительный интервал существенно уменьшается. Если увеличивается число испытаний, то допустимо увеличить число доверительных интервалов.