Теория погрешностей измерений

Основные понятия и определения

При численном решении математических и прикладных задач, почти неизбежно появление на том или ином этапе их решения погрешностей следующих 3-х типов.

1 Погрешность задачи. Она связана с приближенным характером исходной, содержательной модели (в частности, с невозможностью учесть все факторы в процессе изучения моделируемого явления), а также ее математического ожидания, параметрами которого служат приближенные числа. Для вычислителя погрешность задачи следует считать неустранимой (безусловной), хотя поставщик задачи иногда может ее изменить.

2 Погрешность метода. Это погрешность, связанная со способом решения поставленной математической задачи и появляющаяся в результате подмены исходной математической модели другой (другими) например линейной моделью. При создании численных методов закладывается возможность отслеживания таких погрешностей и доведение их до сколь угодно малого уровня. Отсюда погрешность метода — устранимая (или условная). Всякий численный метод воспроизводит исходную математическую модель приближенно.

3 Погрешность округлений (погрешность действий). Обусловлена необходимостью, выполнять арифметические операции над числами, усеченными до количества разрядов, зависящих от применяемой техники. Ее величина зависит от 2-х факторов: точности представления вещественных чисел в ЭВМ и чувствительности данного алгоритма к погрешностям окружения.

Все три типа таких погрешностей в сумме дают полную погрешность результата решения задачи.

Алгоритм называется устойчивым, если в процессе его работы вычислительные погрешности возрастают незначительно, и неустойчивым — в противоположном случае.

При использовании неустойчивых вычислительных алгоритмов накопление погрешностей округления приводит в процессе счета к переполнению арифметического устройства ЭВМ.

Итак, следует различать погрешности модели, метода и вычислительную. Какая же из этих трех погрешностей является преобладающей? Ответ здесь неоднозначен. Видимо, типичной является ситуация, возникающая при решении задач математической физики, когда погрешность модели значительно превышает погрешность метода, а погрешностью округления в случае устойчивых алгоритмов можно пренебречь по сравнению с погрешностью метода. С другой стороны, при решении, например, систем обыкновенных дифференциальных уравнений возможно применение столь точных методов, что их погрешность будет сравнима с погрешностью округления.

В общем случае нужно стремиться, чтобы все указанные погрешности имели один и тот же порядок.

Например, нецелесообразно пользоваться разностными схемами, имеющими точность, если коэффициенты исходных уравнений задаются с точностью .

Рассмотрим несколько возможных подходов к учету погрешностей действий.

Пусть и — два «близких числа»; - точное, — приближенное.

Величина называется абсолютной погрешностью приближенного числа, а, но чаще — относительной погрешностью.

Числа и такие, что и называются оценками (границами) абсолютной и относительной погрешностей соответственно (предельные погрешности). Для их расчета используется аналитический (классический) способ учета погрешностей действий, предполагающий точное оценивание погрешностей, основанное либо на правилах подсчета погрешностей арифметических действий, либо на параллельной работе с верхними и нижними границами исходных данных. Этот способ громоздок, учитывает крайние, наихудшие случаи взаимодействия погрешностей.

Существуют вероятностно статистические законы, которые используются при больших однотипных вычислениях.

Технический подход связан с именем известного русского кораблестроителя, математика и механика А. Н. Крылова.

Принцип Крылова: приближенное число должно записывается так, чтобы в нем все значащие цифры, кроме последней, были верными и лишь последняя была бы сомнительна, и притом в среднем (в вероятностном смысле) не более чем на единицу. Напомним, что значащими цифрами числа в его позиционной записи называются все его цифры, начинающиеся с 1-й ненулевой слева.

Значащую цифру называют верной (в широком смысле), если абсолютная погрешность числа не превосходит единицы разряда, в которой стоит эта цифра (или половины единицы разряда — в этом случае термин — «верная в узком смысле»).

Чтобы результаты арифметических действий, совершаемых над приближенными числами, записанными в соответствии с принципом А. Н. Крылова, тоже соответствовали этому принципу нужно придерживаться следующих простых правил.

1 При сложении и вычитании приближениях чисел в результате следует сохранять столько десятичных данных, сколько их в приближенном данном с наименьшем количеством десятичных знаков;

2 При умножении и делении в результате нужно сохранять столько значащих цифр, сколько их имеет приближенное данное с наименьшим числом значащих цифр;

3 Результаты промежуточных данных должны иметь 1−2 запасных знаков, затем их отбрасывают.

Погрешности измерений

Причины возникновения погрешностей определяются совокупностью большого числа факторов, под влиянием которых складывается суммарная погрешность измерения. Их можно объединить в две основные группы.

1. Факторы, проявляющиеся весьма нерегулярно и столь же неожиданно исчезающие или проявляющиеся с интенсивностью, которую трудно предвидеть. К ним относятся, например, перекосы элементов приборов в их направляющих, нерегулярные изменения моментов трения в опорах, малые флюктуации влияющих величин, изменения внимания операторов и др.

Доля, или составляющая, суммарной погрешности измерения (1), определяемая действием факторов этой группы, называется случайной погрешностью измерения. Ее основная особенность в том, что она случайно изменяется при повторных измерениях одной и той же величины.

При создании измерительной аппаратуры и организации процесса измерения в целом интенсивность проявления большинства факторов данной группы удается свести к общему уровню, так что все они влияют более или менее одинаково на формирование случайной погрешности. Однако некоторые из них, например внезапное падение напряжения в сети электропитания, могут проявиться неожиданно сильно, в результате чего погрешность примет размеры, явно выходящие за границы, обусловленные ходом эксперимента в целом. Такие погрешности в составе случайной погрешности называются грубыми. К ним тесно примыкают промахи — погрешности, зависящие от наблюдателя и связанные с неправильным обращением со средствами измерений, неверным отсчетом показаний или ошибками при записи результатов.

2. Факторы, постоянные или закономерно изменяющиеся в процессе измерительного эксперимента, например плавные изменения влияющих величин или погрешности применяемых при измерениях образцовых мер. Составляющие суммарной погрешности (1), определяемые действием факторов этой группы, называются систематическими погрешностями измерения. Их отличительная особенность в том, что они остаются постоянными или закономерно изменяются при повторных измерениях одной и той же величины. До тех пор, пока систематические погрешности больше случайных, их зачастую можно вычислить или исключить из результатов измерений надлежащей постановкой опыта.

Таким образом, мы имеем два типа погрешностей измерения:

· случайные (в том числе грубые погрешности и промахи), изменяющиеся случайным образом при повторных измерениях одной и той же величины;

· систематические погрешности, остающиеся постоянными или закономерно изменяющиеся при повторных измерениях.

В процессе измерения оба вида погрешностей проявляются одновременно, и погрешность измерения можно представить в виде суммы:

где — случайная, а — систематическая погрешности.

Для получения результатов, минимально отличающихся от истинных значений величин, проводят многократные наблюдения за измеряемой величиной с последующей математической обработкой опытных данных. Поэтому наибольшее значение имеет изучение погрешности как функции номера наблюдения, т. е. времени. Тогда отдельные значения погрешностей можно будет трактовать как набор значений этой функции:

В общем случае погрешность является случайной функцией времени, которая отличается от классических функций математического анализа тем, что нельзя сказать, какое значение она примет в момент времени t. Можно указать лишь вероятности появления ее значений в том или ином интервале. В серии экспериментов, состоящих из ряда многократных наблюдений, мы получаем одну реализацию этой функции. При повторении серии при тех же значениях величин, характеризующих факторы второй группы, неизбежно получаем новую реализацию, отличающуюся от первой.

Реализации отличаются друг от друга из-за влияния факторов первой группы, а факторы второй группы, одинаково проявляющиеся при получении каждой реализации, придают им некоторые общие черты (рис. 1).

Погрешность измерений, соответствующая каждому моменту времени, называется сечением случайной функции. В каждом сечении в большинстве случаев можно найти среднее значение погрешности, относительно которого группируются погрешности в различных реализациях. Если через полученные таким образом точки провести плавную кривую, то она будет характеризовать общую тенденцию изменения погрешности во времени. Нетрудно заметить, что средние значения определяются действием факторов второй группы и представляют собой систематическую погрешность измерения в момент времени, а отклонения от среднего в сечении, соответствующией реализации, дают нам значения случайной погрешности. Последние являются уже представителями случайных величин — объектов изучения классической теории вероятностей.

Предположим, что, т. е. систематические погрешности тем или иным способом исключены из результатов наблюдений, будем рассматривать только случайные погрешности, средние значения которых равны нулю в каждом сечении. Предположим далее, что случайные погрешности в различных сечениях не зависят друг от друга, т. е. знание случайной погрешности в одном сечении как ординаты одной реализации не дает нам никакой дополнительной информации о значении, принимаемом этой реализацией в любом другом сечении. Тогда случайную погрешность можно рассматривать как случайную величину, а ее значения при каждом из многократных наблюдений одной и той же физической величины — как ее эмпирические проявления, т. е. как результаты независимых наблюдений над ней.

В этих условиях случайная погрешность измерений определяется как разность между исправленным результатом Х измерения и истинным значением Q измеряемой величины:

причем исправленным будем называть результат измерений, из которого исключены систематические погрешности.

При проведении измерений целью является оценка истинного значения измеряемой величины, которое до опыта неизвестно. Результат измерения включает в себя помимо истинного значения еще и случайную погрешность, следовательно, сам является случайной величиной. В этих условиях фактическое значение случайной погрешности, полученное при поверке, еще не характеризует точности измерений, поэтому не ясно, какое же значение принять за окончательный результат измерения и как охарактеризовать его точность.

Ответ на эти вопросы можно получить, используя при метрологической обработке результатов измерения методы математической статистики, имеющей дело именно со случайными величинами.

Описание случайных погрешностей с помощью функций распределения

Рассмотрим результат наблюдений Х за постоянной физической величиной Q как случайную величину, принимающую различные значения Z, в различных наблюдениях за ней. Значения будем называть результатами отдельных наблюдений.

Наиболее универсальный способ описания случайных величин заключается в отыскании их интегральных или дифференциальных функций распределения.

Под интегральной функцией распределения результатов наблюдений понимается зависимость вероятности того, что результат наблюдения в i-м опыте окажется меньшим некоторого текущего значения х, от самой величины х:

десь и в дальнейшем большие буквы используются для обозначения случайных величин, а маленькие — значений, принимаемых случайными величинами. Поскольку функция распределения вероятности представляет собой вероятность, то она удовлетворяет следующим свойствам:

На рис. 2 показаны примеры функций распределения вероятности.

Более наглядным является описание свойств результатов наблюдений и случайных погрешностей с помощью дифференциальной функции распределения, иначе называемой плотностью распределения вероятностей:

Физический смысл f (x) состоит в том, что произведение f (x) dx представляет вероятность попадания случайной величины Х в интервал от х до х + dx, т. е.

Свойства плотности распределения вероятности:

? — вероятность достоверного события равна 1;

иными словами, площадь, заключенная между кривой дифференциальной функции распределения и осью абсцисс, равна единице;

? — вероятность попадания случайной величины в интервал от до .

От дифференциальной функции распределения легко перейти к интегральной путем интегрирования:

Размерность плотности распределения вероятностей, как это следует из формулы (7), обратна размерности измеряемой величины, поскольку сама вероятность — величина безразмерная.

Используя понятия функций распределения, легко получить выражения для вероятностей того, что результат наблюдений Х или случайная погрешность примет при проведении измерения некоторое значение в интервале или .

В терминах интегральной функции распределения имеем:

т.е. вероятность попадания результата наблюдений или случайной погрешности в заданный интервал равна разности значений функции распределения на границах этого интервала.

Заменяя в полученных формулах интегральные функции распределения на соответствующие плотности распределения вероятностей получим формулы для искомой вероятности в терминах дифференциальной функции распределения:

Результаты наблюдений в значительной степени сконцентрированы вокруг истинного значения измеряемой величины и по мере приближения к нему элементы вероятности их появления возрастают. Это дает основание принять за оценку истинного значения измеряемой величины координату центра тяжести фигуры, образованной осью абсцисс и кривой распределения, и называемую математическим ожиданием результатов наблюдений:

В заключение можно дать более строгое определение постоян-ной систематической и случайной погрешностей.

Систематической постоянной погрешностью называется отклонение математического ожидания результатов наблюдений от истинного значения измеряемой величины:

а случайной погрешностью — разность между результатом единичного наблюдения и математическим ожиданием результатов

В этих обозначениях истинное значение измеряемой величины составляет

Моменты случайных погрешностей

погрешность измерение случайный округление Функция распределения является самым универсальным способом описания поведения случайных погрешностей. Однако для определения функций распределения необходимо проведение весьма кропотливых научных исследований и обширных вычислительных работ. Поэтому к такому способу описания случайных погрешностей прибегают иногда при исследовании принципиально новых мер и измерительных приборов.

Значительно чаще бывает достаточно охарактеризовать случайные погрешности с помощью ограниченного числа специальных величин, называемых моментами.

Начальным моментом n-го порядка результатов наблюдений называется интеграл вида

При n=1

т.е. первый начальный момент совпадает с математическим ожиданием результатов измерений.

Центральным моментом n-го порядка результатов наблюдений называется интеграл вида

Вычислим первый центральный момент:

Таким образом, первый центральный момент результатов наблюдений равен нулю. Важно отметить, что начальные и центральные моменты случайных погрешностей совпадают между собой и с центральными моментами результатов наблюдений, поскольку математическое ожидание случайных погрешностей равно нулю.

Особое значение наряду с математическим ожиданием результатов наблюдений имеет второй центральный момент, называемый дисперсией результатов наблюдений.

При n=2

Дисперсия D[X] случайной погрешности равна дисперсии результатов наблюдений и является характеристикой их рассеивания относительно математического ожидания.

Значительно чаще в качестве характеристики рассеивания используется положительное значение корня квадратного из дисперсии, называемое средним квадратическим отклонением результатов наблюдений:

С помощью среднеквадратического отклонения можно оценить вероятность того, что при однократном наблюдении случайная погрешность по абсолютной величине не превзойдет некоторой наперед заданной величины, т. е. вероятность. Для этого рассмотрим формулу, известную как неравенство Чебышева:

Полагая, можно найти вероятность того, что результат однократного наблюдения отличается от истинного значения на величину, большую утроенного среднеквадратического отклонения, т. е. вероятность того, что случайная погрешность окажется больше :

Вероятность того, что погрешность измерения не превысит, составит соответственно Неравенство Чебышева дает только нижнюю границу для вероятности, меньше которой она не может быть ни при каком распределении. Обычно значительно больше 0.89. Так, например, в случае нормального распределения погреш-ностей эта вероятность составляет 0.9973.

Для более подробного описания распределения используются моменты более высоких порядков.

Третий момент случайных погрешностей служит характеристикой асимметрии. В общем случае любой нечетный момент случайной погрешности характеризует асимметрию распределения. Действительно, если распределение обладает свойством симметрии, то все функции вида, где s = l, 3, 5…, являются нечетными функциями (рис. 3).

Отличие этих моментов от нуля как раз и указывает на асимметрию распределения. Простейшим из нечетных моментов является третий момент. Чтобы получить безразмерную характеристику, третий момент делят на третью степень среднеквадратического отклонения и получают коэффициент асимметрии, или просто асимметрию Sk распределения:

Для иллюстрации сказанного на рис. 4 приведены три кривые распределения случайных погрешностей с положительной, отрицательной и нулевой асимметрией.

Четвертый момент служит для характеристики плосковершинности или островершинности распределения случайных погрешностей. Эти свойства описываются с помощью эксцесса — безразмерной характеристики, определяемой выражением

Число 3 вычитают из отношения потому, что для широко распространенного нормального распределения погрешностей. Таким образом, для нормального распределения эксцесс равен нулю, более плосковершинные распределения обладают отрицательным эксцессом, более островершинные — положительным (рис. 5).

погрешность измерение случайный округление