Kamys B Statystyczne metody opracowania pomiarów 1

background image

STATYSTYCZNE METODY OPRACOWANIA

POMIARÓW I

B. Kamys 2014/15

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

1 / 80

background image

Podstawy teorii prawdopodobie«stwa

DEFINICJA:

Zbiór zdarze« elementarnych

- zbiór takich zdarze«, które

sie wzajemnie wykluczaja oraz wyczerpuja wszystkie

mo»liwo±ci (tzn. w ka»dym mo»liwym przypadku

przynajmniej jedno z nich musi zachodzi¢).

DEFINICJA:

Zdarzeniem

jest dowolny podzbiór zdarze« elementarnych E.

DEFINICJA:

Zdarzeniem pewnym

jest zdarzenie zawieraja ce wszystkie

elementy zbioru E (zachodzi zawsze).

DEFINICJA:

Zdarzeniem niemo»liwym

jest zdarzenie nie zawieraja ce

»adnego elementu zbioru E tj. zbiór pusty ∅.

DEFINICJA:

Zdarzenie A zawiera sie w zdarzeniu B

je»eli ka»de

zdarzenie elementarne nale»a ce do zbioru A nale»y do B:

A ⊂ B

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

2 / 80

background image

Podstawy teorii prawdopodobie«stwa

DEFINICJA:

Zdarzenia A i B sa równe

gdy A ⊂ B i B ⊂ A.

DEFINICJA:

Suma zdarze« A + B

to zdarzenie zawieraja ce te i tylko te zdarzenia elementarne,

które nale»a do któregokolwiek ze zdarze« A, B (suma

logiczna zbiorów zdarze« elementarnych A S B).

DEFINICJA:

Ró»nica zdarze« A − B

to zdarzenie zawieraja ce te i tylko te zdarzenia elementarne,

które nale»a do zdarzenia A a nie nale»a do zdarzenia B.

DEFINICJA:

Iloczyn zdarze« A · B

to zdarzenie zawieraja ce te i tylko te

zdarzenia elementarne, które nale»a do wszystkich zdarze« A,

B (tzn. w je zyku zbiorów A T B).

DEFINICJA:

Zdarzeniem przeciwnym do A:

A nazywamy ró»nice

E −

A .

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

3 / 80

background image

Podstawy teorii prawdopodobie«stwa

INTUICYJNE OKRE‘LENIE:

Zdarzenie losowe

to takie, o którym zwykle

nie mo»emy powiedzie¢ czy zajdzie w danych warunkach czy

te» nie zajdzie.

DEFINICJA:

Zdarzeniem losowym

- nazywamy zdarzenie speªniaja ce

poni»sze warunki:

1

W zbiorze zdarze« losowych znajduje sie zdarzenie

pewne oraz zdarzenie niemo»liwe.

2

Je»eli zdarzenia A

1

,

A

2

, ...

w ilo±ci sko«czonej lub

przeliczalnej sa zdarzeniami losowymi to ich iloczyn i ich

suma sa równie» zdarzeniami losowymi.

3

Je»eli A

1

i A

2

sa zdarzeniami losowymi to ich ró»nica

jest równie» zdarzeniem losowym.

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

4 / 80

background image

Podstawy teorii prawdopodobie«stwa

DEFINICJA:

Zmienna losowa

nazywamy jednoznaczna funkcje

rzeczywista X (e) okre±lona na zbiorze E zdarze«

elementarnych taka , »e ka»demu przedziaªowi warto±ci funkcji

X typu (−∞, x) odpowiada zdarzenie losowe.

DEFINICJA:

Zmienna losowa

typu skokowego (dyskretnego)

to taka,

która przyjmuje tylko co najwy»ej przeliczalny zbiór warto±ci.

DEFINICJA:

Zmienna losowa

typu cia gªego

- mo»e przyjmowa¢ dowolne

warto±ci od minus do plus niesko«czono±ci.

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

5 / 80

background image

Podstawy teorii prawdopodobie«stwa

DEFINICJA:

Denicja prawdopodobie«stwa

Aksjomat 1:

Ka»demu zdarzeniu losowemu przyporza dkowana jest

jednoznacznie nieujemna liczba rzeczywista zwana

prawdopodobie«stwem.

Aksjomat 2:

Prawdopodobie«stwo zdarzenia pewnego jest równe jedno±ci.

Aksjomat 3:

Je»eli zdarzenie losowe Z jest suma sko«czonej lub

przeliczalnej liczby rozªa cznych zdarze« losowych Z

1

,Z

2

,..

to prawdopodobie«stwo zrealizowania sie zdarzenia Z jest

równe sumie prawdopodobie«stw zdarze« Z

1

,Z

2

, ..

Aksjomat 4:

Prawdopodobie«stwo warunkowe

zdarzenia A pod

warunkiem, »e zachodzi zdarzenie B; P(A | B) wyra»a sie

wzorem:

P(A | B) =

P(A·B)

P(B)

Prawdopodobie«stwo to jest nieokre±lone, gdy

prawdopodobie«stwo zdarzenia B wynosi zero.

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

6 / 80

background image

Podstawy teorii prawdopodobie«stwa

Wªasno±ci prawdopodobie«stwa

Zdarzenie przeciwne do A

:

P(A) = 1 − P(A)

Dowód:

A + A = E a wie c P(A + A) = P(E) = 1,

z drugiej strony A i A wykluczaja sie wie c

P(A + A) = P(A) + P(A).
Sta d P(A) = P(E) − P(A) czyli P(A) = 1 − P(A) c.b.d.o.

Zdarzenie niemo»liwe

:

P(∅) = 0

Dowód:
E

i ∅ wykluczaja sie wie c P(E + ∅) = P(E) + P(∅) oraz

E + ∅ = E

a wie c P(E + ∅) = P(E), czyli P(∅) = 0

c.b.d.o.

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

7 / 80

background image

Podstawy teorii prawdopodobie«stwa

Wªasno±ci prawdopodobie«stwa

Zdarzenie A zawiera sie w B

:

P(A) ≤ P(B)

Dowód: P(B) = P(A + (A · B)) = P(A) + P(A · B) ≥ P(A)
c.b.d.o.

Dowolne zdarzenie losowe

:

0 ≤ P(A) ≤ 1

Dowód: Dla ka»dego zdarzenia jest prawdziwe:
∅ ⊂

A + ∅ = A = A · E ⊂ E

a wie c prawdopodobie«stwa zdarze« ∅, A i E speªniaja :

0 ≤ P(A) ≤ 1
c.b.d.o.

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

8 / 80

background image

Podstawy teorii prawdopodobie«stwa

Wªasno±ci prawdopodobie«stwa

Suma dowolnych zdarze« A + B

:

P(A + B) = P(A) + P(B) − P(A · B)

Dowód:

Zarówno A + B jak i B mo»emy zapisa¢ jako sumy rozªa cznych

(wykluczaja cych sie ) zdarze«:

A + B = A + (B − A · B) oraz

B = A · B + (B − A · B),

stosujemy aksjomat nr 3 denicji prawdopodobie«stwa,

P(A + B) = P(A) + P(B − A · B),

P(B) = P(A · B) + P(B − A · B)

odejmujemy stronami: P(A + B) = P(A) + P(B) − P(A · B)
c.b.d.o.

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

9 / 80

background image

Podstawy teorii prawdopodobie«stwa

Wªasno±ci prawdopodobie«stwa

Iloczyn zdarze« A · B

:

P(A · B) = P(B) · P(A | B) = P(A) · P(B | A)

Dowód:
Wynika to automatycznie z 4 aksjomatu denicji
prawdopodobie«stwa.

DEFINICJA:

Zdarzenie

A jest niezale»ne od B

gdy P(A | B) = P(A).

TWIERDZENIE:

Je»eli A nie zale»y od B to B nie zale»y od A.

Dowód:

Korzystamy z dwu wzorów na prawdopodobie«stwo A · B

podanych wy»ej, przy czym w pierwszym z nich uwzgle dniamy, »e

A jest niezale»ne od B. Wówczas z porównania obu wzorów

dostajemy P(B | A) = P(B).
c.b.d.o.

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

10 / 80

background image

Podstawy teorii prawdopodobie«stwa

Wªasno±ci prawdopodobie«stwa

WKW niezale»no±ci:

P(A · B) = P(A) · P(B)

Dowód:

Wynika to automatycznie ze wzoru na prawdopodobie«stwo

iloczynu zdarze«.
c.b.d.o

Formuªa caªkowitego prawdopodobie«stwa:

Je»eli istnieje zbiór zdarze« A

1

,

A

2

, ...

wykluczaja cych sie wzajemnie i wyczerpuja cych

wszystkie mo»liwo±ci wówczas prawdopodobie«stwo

dowolnego zdarzenia B mo»e by¢ zapisane naste puja co:

P(B) = P

i

P(A

i

) ·

P(B | A

i

)

Dowód:
B = P

i

B · A

i

(suma rozªa cznych zdarze«) a wie c

P(B) = P

i

P(B · A

i

) a ka»dy skªadnik mo»na zapisa¢ jako

P(A

i

) ·

P(B | A

i

)

. c.b.d.o.

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

11 / 80

background image

Ilo±ciowy opis zmiennych losowych

Ilo±ciowy opis zmiennych losowych uzyskujemy stosuja c

Dystrybuante (Zwana cze sto przez statystyków funkcja rozkªadu)

Rozkªad prawdopodobie«stwa (Tylko dla zmiennych dyskretnych)

Funkcje ge sto±ci prawdopodobie«stwa (Tylko dla zmiennych

cia gªych) oraz wielko±ci charakteryzuja ce te powy»ej wymienione twory.

DEFINICJA:

Dystrybuanta F(x)

nazywamy prawdopodobie«stwo tego, »e

zmienna losowa X przyjmie warto±¢ mniejsza od x.

(X - to symbol zmiennej losowej a x to jej konkretna

warto±¢). Oczywi±cie dystrybuanta jest funkcja x.

F (x) ≡ P(X < x)

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

12 / 80

background image

Ilo±ciowy opis zmiennych losowych

Wªasno±ci dystrybuanty:

1

0 ≤ F (x) ≤ 1

2

F (−∞) = 0

3

F (+∞) = 1

4

F (x) jest niemaleja ca funkcja

5

F (x) nie posiada wymiaru

Przykªad:

Dla rzutu kostka do gry, gdzie jako zmienna losowa przyje to

liczbe wyrzuconych punktów:

F (x) = 0 dla x ≤ 1,

=

1/6 dla 1 < x ≤ 2,

=

2/6 dla 2 < x ≤ 3,

=

3/6 dla 3 < x ≤ 4,

=

4/6 dla 4 < x ≤ 5,

=

5/6 dla 5 < x ≤ 6,

=

1 dla x > 6

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

13 / 80

background image

Ilo±ciowy opis zmiennych losowych

DEFINICJA:

Rozkªad prawdopodobie«stwa

: Je»eli x

i

(

i = 1, 2, ...) sa

warto±ciami dyskretnej zmiennej losowej to rozkªadem

prawdopodobie«stwa nazywamy zespóª prawdopodobie«stw:

P(X = x

i

) =

p

i

P

i

p

i

=

1

Przykªad:

Rozkªad prawdopodobie«stwa dla rzutu kostka do gry

omawianego powy»ej: p

i

=

1/6 dla i = 1, 2..6.

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

14 / 80

background image

Ilo±ciowy opis zmiennych losowych

DEFINICJA:

Funkcja ge sto±ci prawdopodobie«stwa f(x):

f (x)dx ≡ P(x ≤ X ≤ x + dx)

Wªasno±ci funkcji ge sto±ci prawdopodobie«stwa:

1

f (x) ≥ 0,

2

f (x) jest unormowana

tj.R

+∞

−∞

f (x)dx = 1

3

f (x) =

dF (x)

dx

4

wymiar f (x) = wymiar(1/x)

Przykªad:

Rozkªad jednostajny na odcinku [a, b]:

f (x) =

0

dla

x < a

1/(b − a) dla

a ≤ x ≤ b

0

dla

x > b

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

15 / 80

background image

Funkcje zmiennej losowej

Funkcja Y zmiennej losowej X:

Y = Y (X )

jest równie» zmienna losowa . Dlatego te» mo»na dla niej

okre±li¢ dystrybuante , rozkªad prawdopodobie«stwa lub

funkcje ge sto±ci prawdopodobie«stwa. Sa one prosto

zwia zane z odpowiednimi wielko±ciami dla zmiennej X .

Nale»y rozpatrzy¢ niezale»nie przypadek, gdy funkcja Y (X )

jest monotoniczna oraz gdy nie posiada tej wªasnosci

. W

pierwszym wypadku mo»na jednoznacznie okre±li¢ funkcje

odwrotna X = X (Y ) a w drugim caªy przedziaª warto±ci X

trzeba podzieli¢ na rozªa czne podprzedziaªy, w których

funkcja be dzie monotoniczna a wyniki doda¢

(prawdopodobie«stwa rozªa cznych zdarze« sumuja sie ).

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

16 / 80

background image

Funkcje zmiennej losowej

Dla monotonicznej funkcji Y = Y(X):

Dystrybuanta G(y) rosna cej funkcji Y(X)

wynosi:

G(y) = F (x(y))

Dowód:

Wychodza c z denicji dla Y(X) rosna cej:

G(y) = P(Y < y)

=

P (X (Y ) < x)

=

F (x(y))

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

17 / 80

background image

Funkcje zmiennej losowej

Dla monotonicznej funkcji Y = Y(X):

Dystrybuanta G(y) maleja cej funkcji Y(X)

wynosi:

G(y) = 1 − F (x(y)) − P (x; y = y(x))

Dowód:

Wychodza c z denicji dystrybuanty

G(y) = P(Y < y)

=

P (X (Y ) > x)

=

1 − P (X (Y ) ≤ x)

=

1 − P (X (Y ) < x) − P (X (Y ) = x)

=

1 − F (x(y)) − P (x; Y = y(x)) c.b.d.o.

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

18 / 80

background image

Funkcje zmiennej losowej

Rozkªad prawdopodobie«stwa P(y):

P(y

i

) =

P(x

i

;

y

i

=

Y (x

i

))

bo dla

funkcji monotonicznej warto±ci x

i

sa jednoznacznie zwia zane

z wartosciami y

i

.

Funkcja ge sto±ci prawdopodobie«stwa g(y):

g(y) = f (x(y)) |

dx(y)

dy

|

gdzie X (Y ) jest funkcja odwrotna do Y (X ). Z denicji:

f (x)dx = P(x ≤ X < x + dx) a to prawdopodobie«stwo

przy jednoznacznym zwia zku mie dzy X i Y wynosi

P(y ≤ Y < y + dy) = g(y)dy.

Iloraz niesko«czenie maªych przyrostów dy/dx równy jest

pochodnej z dokªadno±cia do znaku. A wie c moduª przy

pochodnej pojawia sie sta d, »e przy maleja cej funkcji Y (X )

pochodna be dzie ujemna a iloraz niesko«czenie maªych

przyrostów jest zawsze dodatni.

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

19 / 80

background image

Funkcje zmiennej losowej

Przykªad dla funkcji monotonicznej:

Y (X ) = aX + b ; a i b to

rzeczywiste staªe.

Rozkªad prawdopodobie«stwa:

P(Y = y

i

) =

P(ax

i

+

b = y

i

) =

P(x

i

=

y

i

b

a

)

.

Dystrybuanta:

dla a > 0

G(y) = F

x =

y−b

a



dla a < 0

G(y) = 1 − F

x =

y−b

a



P

x =

y−b

a



Ge sto±¢ prawdopodobie«stwa:

g(y) =

1

|

a|

f (x =

y−b

a

)

.

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

20 / 80

background image

Funkcje zmiennej losowej

Przykªad dla funkcji niemonotonicznej:

Y (X ) = X

2

1.) Rozkªad prawdopodobie«stwa

wynosi:

P(y

i

) =

P(X

2

=

y

i

) =

P(X = −

√y

i

) +

P(X = +

√y

i

)

2.) Dystrybuanta

wynosi:

G(y) = P(Y < y) = P(X

2

<

y)

=

P(−

y < X < +

y)

G(y) = 0 dla y ≤ 0
G(y) = F (

y) − F (−

y) dla y ≥ 0

3.) Rozkªad ge sto±ci prawdopodobie«stwa

wynosi:

g(y) = 0 dla y < 0

g(y) = |

1

2

√y

|

f (

y) +

1

2

√y f

(−

y)

=

1

2

√y

(

f (

y) + f (−

y)) dla y ≥ 0

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

21 / 80

background image

Charakterystyki opisowe

W praktycznych zastosowaniach cze sto wystarcza poznanie warto±ci

pewnych wielko±ci, które charakteryzuja rozkªad prawdopodobie«stwa

zamiast peªnej informacji o rozkªadzie.

Oto najcze ±ciej stosowane:

DEFINICJA:

fraktyl x

q

(zwany równie»

kwantylem

) jest to taka warto±¢

zmiennej losowej, »e prawdopodobie«stwo znalezienia

mniejszych od niej warto±ci wynosi q:

P(X < x

q

) ≡

F (x

q

) =

q

Najwa»niejsze fraktyle to

dolny kwartyl: x

0.25

,

górny kwartyl: x

0.75

oraz

mediana: x

0.5

.

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

22 / 80

background image

Charakterystyki opisowe

DEFINICJA:

Moda

(zwana równie»

warto±cia modalna

) jest to taka

warto±¢ zmiennej losowej, dla której rozkªad

prawdopodobie«stwa (lub funkcja ge sto±ci

prawdopodobie«stwa) przyjmuje maksimum.

DEFINICJA:

Rozkªady prawdopodobie«stwa posiadaja ce jedna mode

zwane sa

jednomodalnymi

a te, które maja wie cej ni» jedna

-

wielomodalnymi

.

DEFINICJA:

Warto±¢ oczekiwana

,

warto±¢ ±rednia

lub

nadzieja

matematyczna

. Be dziemy go oznaczali przez E(X)

(stosuje sie równie» oznaczenie M(X) lub ^

X ).

E(X ) ≡ P

i

x

i

·

p

i

dla zmiennych dyskretnych,

E(X ) ≡ R x · f (x) dx

dla zmiennych cia gªych

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

23 / 80

background image

Charakterystyki opisowe

INTERPRETACJA E(X):

E(X ) jest wspóªrze dna punktu, który

byªby ±rodkiem masy rozkªadu praw-

dopodobie«stwa (lub pola pod funkcja

ge sto±ci prawdopodobie«stwa) gdyby

prawdopodobie«stwa poszczególnych

warto±ci x

i

traktowa¢ jako masy

(lub odpowiednio ge sto±¢ prawdodo-

bie«stwa jako zwykªa ge sto±¢).

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

24 / 80

background image

Charakterystyki opisowe

WŠASNO‘CI E(X)

: E(X ) jest operatorem liniowym a wie c:

1

E(P

i

C

i

·

X

i

) =

P

i

C

i

·

E(X

i

)

co w szczególnych przypadkach daje:

E(C) = C

E(C · X ) = C · E(X )

E(X

1

+

X

2

) =

E(X

1

) +

E(X

2

)

2

Dla zmiennych niezale»nych X

1

, ...,

X

n

E



Q

i

X

i



=

Q

i

E {X

i

}

UWAGA:

Warunkiem koniecznym i wystarczaja cym by

zmienne

byªy

niezale»ne

jest aby wspólny rozkªad prawdopodobie«stwa

faktoryzowaª sie :

f (X

1

,

X

2

, ..,

X

n

) =

f

1

(

X

1

) ·

f

2

(

X

2

)...

f

n

(

X

n

)

.

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

25 / 80

background image

Charakterystyki opisowe

Dla funkcji zmiennej X; Y = Y (X )

warto±¢ oczekiwana E(Y ) mo»e by¢

znaleziona przy pomocy rozkªadu zmiennej X bez

konieczno±ci szukania rozkªadu g(y):

E(Y ) = P

i

y(x

i

) ·

p

i

,

E(Y ) = R y(x) · f (x) · dx

odpowiednio dla zmiennej dyskretnej i dla zmiennej cia gªej.

DEFINICJA:

Momentem rozkªadu rze du k wzgle dem punktu x

0

,

nazywamy naste puja ca wielko±¢:

m

k

(

x

0

) ≡

E{(x − x

0

)

k

}

czyli

m

k

(

x

0

) ≡

R (

x − x

0

)

k

·

f (x) · dx

m

k

(

x

0

) ≡

P

i

(

x

i

x

0

)

k

p(x

i

)

odpowiednio dla zmiennych cia gªych i dyskretnych.

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

26 / 80

background image

Charakterystyki opisowe

Najwa»niejszymi momentami sa te, które

liczone sa wzgle dem pocza tku ukªadu wspóªrze dnych tj. x

0

=

0

(oznacza sie je zwykle przez

m

k

)

oraz

momenty liczone wzgle dem x

0

=

m

1

tj. wzgle dem pierwszego momentu

liczonego od pocza tku ukªadu wspóªrze dnych. Te ostatnie momenty

nazywa sie

momentami centralnymi

(zwykle oznaczane sa przez

µ

k

).

UWAGA:

m

1

E(x); µ

1

0

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

27 / 80

background image

Charakterystyki opisowe

DEFINICJA:

µ

2

, zwany

wariancja

lub

dyspersja

. Be dziemy go oznacza¢

przez σ

2

(

X ) lub var(X ) (stosuje sie równie» oznaczenie

D(X )).

DEFINICJA:

Pierwiastek z wariancji nazywany jest

odchyleniem

standardowym

i oznaczany σ(X ) ale czasami u»ywa sie

równie» nazwy

dyspersja

.

σ

2

(

X ) ≡ P

i

(

x

i

E(x))

2

·

p

i

zmienna dyskretna

σ

2

(

X ) ≡ R (x − E(x))

2

·

f (x) · dx

zmienna cia gªa

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

28 / 80

background image

Charakterystyki opisowe

WŠASNO‘CI WARIANCJI:

Wariancja mo»e by¢ wyra»ona przez momenty

liczone wzgle dem pocza tku ukªadu wspóªrze dnych:

σ

2

(

X ) = m

2

m

2

1

σ

2

(

X ) = E(X

2

) −

E

2

(

X )

DOWÓD:

Korzystamy z trzeciej wªasno±ci warto±ci oczekiwanej tj.

m

2

(

E(X )) ≡ E((X − E(X ))

2

)

=

E(X

2

2X · E(X ) + E

2

(

X ))

=

E(X

2

) −

2E(X ) · E(X ) + E

2

(

X )

=

E(X

2

) −

E

2

(

X )

c.b.d.o.

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

29 / 80

background image

Charakterystyki opisowe

var(C) = 0

bo E(C

2

) −

E

2

(

C) = C

2

C

2

=

0 c.b.d.o.

var(C · X ) = C

2

·

var(X )

jest to naste pstwo liniowo±ci E(X), przez która deniowali±my var(X).

var(C

1

·

X + C

2

) =

C

2

1

·

var(X )

Przesuni¦cie skali o C

2

nie zmienia wariancji a pomno»enie zmiennej

przez C

1

wprowadza czynnik C

2

1

j.w.

Dla zmiennych niezale»nych var(P

i

C

i

·

X

i

) =

P

i

C

2

i

·

var(X )

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

30 / 80

background image

Charakterystyki opisowe

DOWÓD:

Wzór ten ªatwo wyprowadzi¢ przypominaja c denicje

wariancji i korzystaja c z trzeciej wªasno±ci warto±ci
oczekiwanej: var(y = P

i

C

i

·

X

i

) ≡

E



(

y − E(Y ))

2

.

Po wstawieniu do wzoru oraz podniesieniu do kwadratu

otrzymamy

sume kwadratów

wyra»e« C

i

· (

X

i

E(X

i

))

oraz

iloczyny mieszane

tych wyra»e«.

Iloczyny mieszane znikna w chwili gdy podziaªa na nie

zewne trzny operator warto±ci oczekiwanej (bo

E (X − E(X )) = E(X ) − E(X ) = 0).

Zaªo»enie niezale»no±ci jest potrzebne przy liczeniu warto±ci

oczekiwanej z iloczynów mieszanych (wówczas warto±¢

oczekiwana iloczynu równa jest iloczynowi warto±ci

oczekiwanych). Suma warto±ci oczekiwanych z kwadratów

wyra»e« C

i

· (

X

i

E(X

i

))

jest wªa±nie poszukiwanym przez

nas wyra»eniem.

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

31 / 80

background image

Charakterystyki opisowe

Interpretacja wariancji wynika z

nierówno±ci Czebyszewa

, która mo»na

zapisa¢ naste puja co:

P (| X − E(X ) |≥ a · σ(X )) ≤ a

2

TWIERDZENIE:

Prawdopodobie«stwo odchylenia warto±ci zmiennej losowej od warto±ci

oczekiwanej E(X) o a -krotna warto±¢ odchylenia standardowego jest

mniejsze lub równe od

1

a

2

.

Twierdzenie to jest sªuszne dla wszystkich rozkªadów, które posiadaja

wariancje (a wie c, co za tym idzie i warto±¢ oczekiwana ). Liczba a jest

dowolna dodatnia liczba .

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

32 / 80

background image

Charakterystyki opisowe

INTERPRETACJA WARIANCJI:

Korzystaja c z nierówno±ci Czebyszewa

dochodzimy do wniosku, »e

wariancja (lub odchylenie standardowe) jest miara rozrzutu

zmiennej losowej dokoªa warto±ci oczekiwanej .

Jest to bardzo wa»ny wniosek bo w analizie danych

do±wiadczalnych

uto»samiamy warto±¢ oczekiwana pomiarów

wykonanych w obecno±ci przypadkowych niepewno±ci

pomiarowych

z warto±cia prawdziwa

mierzonej wielko±ci.

Wtedy

miara przypadkowej niepewno±ci pomiarowej jest

odchylenie standardowe

bo ono okre±la rozrzut wyników

dokoªa warto±ci prawdziwej.

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

33 / 80

background image

Podstawowe poje cia teorii estymacji

DEFINICJA:

W statystyce sko«czony zespóª do±wiadcze« nazywamy

próba

a wnioskowanie na podstawie próby o wªasno±ciach

niesko«czonego (zwykle) zespoªu wszystkich mo»liwych

do±wiadcze« zwanego

populacja generalna

, nazywamy

estymacja

.

DEFINICJA:

Przez

próbe prosta

rozumiemy cia g niezale»nych

do±wiadcze« odnosza cych sie do tej samej populacji

generalnej.

DEFINICJA:

Statystyka

nazywamy taka funkcje zmiennych losowych

obserwowanych w próbie, która sama jest zmienna losowa .

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

34 / 80

background image

Podstawowe poje cia teorii estymacji

DEFINICJA:

Estymatorem T

n

(

x

1

,

x

2

, ..

x

n

; θ)

parametru θ lub w skrócie

T

n

(θ)

nazywamy statystyke o rozkªadzie

prawdopodobie«stwa zale»nym od θ. Tu 'x

1

,

x

2

, ..

' oznaczaja

wyniki pomiarów próby.

DEFINICJA:

Estymacja punktowa

to taka estymacja, która polega na

oszacowaniu warto±ci danego parametru θ przez warto±¢ jego

estymatora T

n

(θ)

.

DEFINICJA:

Estymacja przedziaªowa

polega na szukaniu przedziaªu

liczbowego, wewna trz którego z zaªo»onym

prawdopodobie«stwem le»y prawdziwa warto±¢ parametru.

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

35 / 80

background image

Podstawowe poje cia teorii estymacji

DEFINICJA:

Estymator T

n

(θ)

, jest

zgodny

je»eli dla ka»dego  > 0 jest

speªniony warunek:

lim

n→∞

P(| T

n

(θ) − θ |< ) =

1

W takim przypadku u»ywa sie cze sto okre±lenia, »e

estymator speªnia prawo wielkich liczb

.

PRZYKŠAD:

TWIERDZENIE (Bernoulli):

Wzgle dna cze sto±¢

pojawiania sie zdarzenia A w cia gu n do±wiadcze« speªnia

prawo wielkich liczb czyli jest zgodnym estymatorem

prawdopodobie«stwa zdarzenia A: P(A).

lim

n→∞

P(| n

A

/

n − P(A) |< ) = 1

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

36 / 80

background image

Podstawowe poje cia teorii estymacji

DEFINICJA:

Estymator

speªniaja cy mocne prawo wielkich liczb

to

taki, który jest zbie»ny do estymowanego parametru z

prawdopodobie«stwem równym jedno±ci:

P(lim

n→∞

T

n

(θ) = θ) =

1

PRZYKŠAD:

TWIERDZENIE: F.P.Cantelli

udowodniª w 1917 roku, »e

wzgle dna cze sto±¢ pozytywnego zako«czenia do±wiadczenia;

n

A

/

n jest zbie»na do prawdopodobie«stwa zdarzenia A;

P(A) z prawdopodobie«stwem równym jedno±ci:

P(lim

n→∞

(

n

A

/

n) = P(A)) = 1

czyli wzgle dna cze sto±¢ speªnia mocne prawo wielkich liczb.

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

37 / 80

background image

Podstawowe poje cia teorii estymacji

DEFINICJA:

Estymatorem nieobcia »onym

T

n

(θ)

parametru θ

nazywamy taki estymator, którego warto±¢ oczekiwana równa

jest warto±ci estymowanego parametru niezale»nie od

rozmiarów próby:

E(T

n

(θ)) = θ

DEFINICJA:

Obcia »eniem estymatora 'B

n

'

nazywamy ró»nice jego

warto±ci oczekiwanej i warto±ci estymowanego parametru:

B

n

=

E(T

n

(θ)) − θ

DEFINICJA:

Estymatorem obcia »onym

nazywamy taki estymator,

którego obcia »enie jest ró»ne od zera.

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

38 / 80

background image

Podstawowe poje cia teorii estymacji

DEFINICJA:

Estymatorem asymptotycznie nieobcia »onym

nazywamy

taki estymator obcia »ony, którego obcia »enie zmierza do zera

gdy rozmiary próby niesko«czenie rosna :

lim

n→∞

B

n

=

0

TWIERDZENIE:

Je»eli wariancja estymatora nieobcia »onego lub

asymptotycznie nieobcia »onego da »y do zera gdy rozmiary

próby rosna nieograniczenie wówczas estymator ten jest

zgodny.

TWIERDZENIE:

Je»eli T

n

(θ)

jest zgodnym estymatorem θ i je»eli h(θ)

jest wielomianem lub ilorazem wielomianów to estymator

h(T

n

(θ))

jest estymatorem zgodnym dla h(θ).

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

39 / 80

background image

Rozkªad normalny (Gaussa)

DEFINICJA:

Cia gªa zmienna losowa X, której funkcja ge sto±ci

prawdopodobie«stwa ma naste puja ca posta¢:

f (X ) =

1

2π B

exp



−(

X −A)

2

2B

2



nazywa sie

zmienna o rozkªadzie normalnym

N(A, B).

Warto±¢ oczekiwana:

E(X ) = A

Odchylenie standardowe:

σ(

X ) = B

Sta d ªatwo wida¢, »e N(A, B) ≡ N (E(X ), σ(X ))

Dystrybuanta:

rozkªadu normalnego nie wyra»a sie przez funkcje

elementarne.

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

40 / 80

background image

Rozkªad normalny (Gaussa)

Warto zapamie ta¢ naste puja ce warto±ci prawdopodobie«stwa znalezienia

zmiennej X w danym przedziale:

P(E(X ) − σ(X ) < X < E(X ) + σ(X )) = 0.6827

P(E(X ) − 2σ(X ) < X < E(X ) + 2σ(X )) = 0.9545
P(E(X ) − 3σ(X ) < X < E(X ) + 3σ(X )) = 0.9973

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

41 / 80

background image

Rozkªad normalny (Gaussa)

UWAGA:

Dowolna zmienna Y o rozkªadzie normalnym mo»na

standaryzowa¢

tworza c wielko±¢ Z o rozkªadzie

standardowym normalnym N(0, 1)

:

Z = (Y − E(Y ))/σ(Y ).

Standaryzacja jest wa»na ze wzgle du na mo»liwo±¢

tablicowania zarówno funkcji ge sto±ci prawdopodobie«stwa,

jak i dystrybuanty rozkªadu N(0, 1) a potem wykorzystania

faktu, »e maja c zmienna X o rozkªadzie N(0, 1) mo»emy

stworzy¢ zmienna Y o rozkªadzie N(A, B) przez prosta

transformacje : Y = B ∗ X + A .

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

42 / 80

background image

Rozkªad normalny (Gaussa)

Centralne Twierdzenie Graniczne

(intuicyjne sformuªowanie)

Zmienna Z be da ca standaryzowana suma nieza-

le»nych zmiennych losowych bedzie miaªa standar-

dowy rozkªad normalny gdy liczba skªadników w

sumie da »y do niesko«czono±ci oraz w sumie nie

wyste puja zmienne o wariancjach dominuja cych w

stosunku do reszty skªadników.

Wªa±nie to twierdzenie powoduje, »e rozkªad normalny jest

wyró»nionym rozkªadem - bardzo cze sto stosowanym w

statystyce.

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

43 / 80

background image

Podstawy rachunku niepewno±ci pomiarowych

Motto:

Wynik pomiaru bez podania dokªadno±ci do±wiad-

czenia (podania niepewno±ci pomiaru) jest bezwar-

to±ciowy.

DEFINICJA:

Pomiarem bezpo±rednim

nazywamy do±wiadczenie, w

którym przy pomocy odpowiednich przyrza dow mierzymy

(porównujemy z jednostka ) interesuja ca nas wielko±¢ zyczna .

Przykªad:

Pomiar dªugo±ci przedmiotu przy pomocy linijki

Pomiar dªugo±ci odcinka czasu przy pomocy zegara

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

44 / 80

background image

Podstawy rachunku niepewno±ci pomiarowych

DEFINICJA:

Pomiarem po±rednim

nazywamy do±wiadczenie, w którym

wyznaczamy warto±¢ interesuja cej nas wielko±ci zycznej

przez pomiar innych wielko±ci zycznych zwia zanych z dana

wielko±cia znanym zwia zkiem funkcyjnym.

Przykªad:

Pomiar oporu elektrycznego przewodnika: mierzymy

spadek napie cia U na przewodniku i pra d I przez niego

pªyna cy a opór R wyznaczamy z prawa Ohma:

R = U/I .

Pomiar ge sto±ci stopu, z którego zbudowany jest

prostopadªo±cian: mierzymy bezpo±rednio dªugo±¢

krawe dzi a, b i c prostopadªo±cianu i jego mase m a

ge sto±¢ wyznaczamy ze wzoru: ρ = m/(a · b · c).

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

45 / 80

background image

Podstawy rachunku niepewno±ci pomiarowych

DEFINICJA:

Bªe dem pomiaru e

nazywano (tradycyjnie) ró»nice

pomie dzy warto±cia x uzyskana w do±wiadczeniu a prawdziwa

(nieznana ) warto±cia x

0

danej wielko±ci:

e = x − x

0

UWAGA:

Zgodnie z Mi¦dzynarodow¡ Norm¡ ISO okre±lenie

bª¡d

zast¦puje si¦ okre±leniem

niepewno±¢ pomiarowa

.

Niepewno±¢ pomiaru wielko±ci x oznacza si¦ u(x) .

Podziaª niepewno±ci pomiarowych:

Niepewno±ci pomiarowe dzielimy na

grube

systematyczne

przypadkowe

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

46 / 80

background image

Podstawy rachunku niepewno±ci pomiarowych

DEFINICJA:

Niepewno±ci grube

to takie, które pojawiaja sie w wyniku

pomyªki eksperymentatora (np. odczyt na niewªa±ciwej skali

przyrza du) lub w wyniku niesprawno±ci aparatury pomiarowej.

Zwykle sa one na tyle du»e, »e mo»na je ªatwo zauwa»y¢.

Dla uniknie cia takich niepewno±ci pomiarowych nale»y

starannie zorganizowa¢ proces pomiaru i u»ywa¢ do

do±wiadcze« tylko wªa±ciwie wytestowanych przyrza dów.

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

47 / 80

background image

Podstawy rachunku niepewno±ci pomiarowych

DEFINICJA:

Niepewno±ci systematyczne

to takie, które podczas

wykonywania pomiaru systematycznie przesuwaja wyniki

pomiarów w jedna strone w stosunku do prawdziwej warto±ci.

Moga mie¢ one ró»ne przyczyny. Najcze ±ciej to:

Niewªa±ciwy sposób przeprowadzania pomiaru

(np.

Bªa d paralaksy

)

Stosowanie zªych przyrza dów

(np. waga szalkowa o ró»nej dªugo±ci ramion)

Stosowanie nieprzemy±lanej metody (patrz poni»ej)

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

48 / 80

background image

Podstawy rachunku niepewno±ci pomiarowych

Przykªad:

Przy pomiarze oporu mo»emy zastosowa¢ dwa ró»ne

schematy podªa czenia woltomierza i amperomierza:

V

A

Rysunek:

Schemat pierwszy: Woltomierz podªa czony równolegle

do opornika a szeregowo do nich amperomierz.

Systematycznie

zawy»amy warto±¢ pra du I a wie c zani»amy opór.

V

A

Rysunek:

Schemat drugi: Woltomierz podªa czony równolegle do

ukªadu szeregowo poªa czonych opornika i amperomierza.

Systematycznie zawy»amy warto±¢ napie cia U a wie c zawy»amy

opór.

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

49 / 80

background image

Podstawy rachunku niepewno±ci pomiarowych

Niepewno±ci systematyczne sa trudne do zauwa»enia i oszacowania.

Dla ich uniknie cia stosuje sie :

staranne przemy±lenie metody pomiaru w poszukiwaniu mo»liwych

¹ródeª niepewno±ci systematycznych i wybór metody, która nie jest

nimi obarczona, np. opór w powy»szym przykªadzie mo»na mierzy¢

metoda mostka.

zmiane metody pomiaru , aby wyeliminowa¢ ukryte, niekontrolowane

¹ródªa niepewno±ci systematycznych. Na przykªad, wa»ne staªe

zyczne takie jak pre dko±¢ ±wiatªa c byªy wielokrotnie mierzone

ró»nymi metodami, gªównie po to aby upewni¢ sie , »e uniknie to

niepewno±ci systematycznych,

pomiary wzgle dne polegaja ce na tym, »e mierzymy równocze±nie, ta

sama metoda dwie wielko±ci - jedna dobrze znana a druga - te , która

chcemy zmierzy¢.

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

50 / 80

background image

Podstawy rachunku niepewno±ci pomiarowych

DEFINICJA:

Niepewno±ci przypadkowe

to takie, które zmieniaja sie od

pomiaru do pomiaru, powoduja c odchylenia od warto±ci

prawdziwej zarówno w dóª jak i w gór¦.

Zakªada sie , »e spowodowane sa one przez wiele

niezale»nych przyczyn o porównywalnym znaczeniu.

Metody statystyki pozwalaja na oszacowanie tego typu

efektów zarowno jako±ciowo jak i ilo±ciowo. Nie mówia

jednak nic o niepewno±ciach systematycznych czy grubych.

Dlatego dalsze rozwa»ania be da dotyczyªy
tylko niepewno±ci przypadkowych .

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

51 / 80

background image

Podstawy rachunku niepewno±ci pomiarowych

Rozkªad niepewno±ci przypadkowych

Rozkªad niepewno±ci przypadkowej u

to N(0, σ(u)) czyli

f(u) =

1

2π σ(u)

exp



u

2

2

(

u)



bo gdy mamy do czynienia tylko z niepewno±ciami

przypadkowymi wówczas:

Sa speªnione zaªo»enia centralnego twierdzenia

granicznego a wie c rozkªad niepewno±ci pomiarowych

jest rozkªadem normalnym.

Warto±¢ oczekiwana niepewno±ci przypadkowej u znika

(z zaªo»enia równe prawdopodobie«stwo odchylenia w

góre i w dóª w stosunku do prawdziwej warto±ci

mierzonej wielko±ci).

Miara wielko±ci niepewno±ci przypadkowej jest

odchylenie standardowe rozkªadu niepewno±ci: σ(u).

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

52 / 80

background image

Podstawy rachunku niepewno±ci pomiarowych

Rozkªad pomiarów obarczonych niepewno±ciami

przypadkowymi

Rozkªad pomiarów:

Pomiary przeprowadzane w obecno±ci jedynie

niepewno±ci przypadkowych maja rozkªad N (x

0

, σ(

u)) bo

wynik pomiaru x jest przesunie ty od prawdziwej warto±ci x

0

o

niepewno±¢ przypadkow¡ u:

x = x

0

+

u

a transformacja rozkªadu f (u) do g(x) daje wzór:

g(x) =

1

2π σ(u)

exp



−(

x−x

0

)

2

2

(

u)

.

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

53 / 80

background image

Podstawy rachunku niepewno±ci pomiarowych

Rozkªad pomiarów obarczonych niepewno±ciami

przypadkowymi

WNIOSKI:

Z poni»szych faktów wynika, »e:

szukanie prawdziwej warto±ci mierzonej wielko±ci i

jej niepewno±ci to estymacja warto±ci oczekiwanej

i odchylenia standardowego pomiarów

Warto±¢ prawdziwa mierzonej wielko±ci jest równa

warto±ci oczekiwanej pomiarów (je»eli sa tylko

niepewno±ci przypadkowe).

Rozrzut pomiarów dokoªa warto±ci prawdziwej jest

okre±lony przez odchylenie standardowe σ(u) rozkªadu

niepewno±ci przypadkowych.

Miara niepewno±ci pojedynczego pomiaru jest

odchylenie standardowe pomiarów.

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

54 / 80

background image

Podstawy rachunku niepewno±ci pomiarowych

Estymator warto±ci oczekiwanej

Estymator E(x)

to ±rednia arytmetyczna niezale»nych pomiarów wielko±ci

x. Be dziemy ja oznacza¢ przez x :

T

n

(

E(x)) ≡ x =

1

n

P

n

i=1

x

i

Koªmogorow pokazaª, »e x speªnia mocne prawo

wielkich liczb a wie c oczywi±cie jest zgodny,

Estymator x jest nieobcia »ony.

E(

1

n

P

i

x

i

) =

1

n

P

i

E(x

i

) =

1

n

(

n · E(x)) = E(x) c.b.d.o.

Tu wykorzystano fakt, »e wszystkie warto±ci oczekiwane sa
sobie równe E(x

i

) =

E(x).

Mo»na pokaza¢, »e x jest najbardziej efektywnym

estymatorem E(x).

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

55 / 80

background image

Podstawy rachunku niepewno±ci pomiarowych

Estymator warto±ci oczekiwanej

TWIERDZENIE:

Estymator x warto±ci oczekiwanej E(x) ma rozkªad

normalny N

E(x),

σ(

x)

n

 gdzie n jest liczba pomiarów w

próbie.

WNIOSKI:

Odchylenie standardowe ±redniej arytmetycznej x jest

n - krotnie mniejsze od odchylenia standardowego

pojedynczego pomiaru.

Odchylenie standardowe σ(x) czyli

niepewno±¢

pomiarowa ±redniej arytmetycznej u(¯x)

charakteryzuje dokªadno±¢ wyznaczenia prawdziwej

warto±ci x w danym konkretnym pomiarze

skªadaja cym sie z n niezale»nych do±wiadcze«.

Aby opisa¢ dokªadno±¢ metody pomiarowej

podajemy

niepewno±¢ pomiarow¡ pojedynczego

pomiaru

tj. u(x) ≡ σ(x) .

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

56 / 80

background image

Podstawy rachunku niepewno±ci pomiarowych

Estymator odchylenia standardowego

Estymator S(x):

S(x) ≡

q

1

n−1

P

n

i=1

(

x

i

x)

2

Jest to

zgodny, asymptotycznie nieobcia »ony

estymator.

ZALECA SI† STOSOWANIE TEGO ESTYMATORA

Estymator s(x):

s(x) ≡

q

1

n

P

n

i=1

(

x

i

x)

2

Jest to

zgodny, asymptotycznie nieobcia »ony i najbardziej

efektywny

estymator

Estymator S(x):

S(x) ≡

q

n−1

2

Γ(

n−1

2

)

Γ(

n

2

)

·

S(x)

Jest to

zgodny i nieobcia »ony

estymator

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

57 / 80

background image

Podstawy rachunku niepewno±ci pomiarowych

Estymator odchylenia standardowego

UWAGA:

Wspóªczynnik k

n

o który ró»ni sie S(x) od S(x) jest

znacza co ró»ny od 1.0

tylko dla maªych prób

i mo»e by¢ w

przybli»eniu zasta piony przez wstawienie do wzoru na S(X )

zamiast 1/(n − 1) czynnika 1/(n − 1.45).

n

k

n

q

n−1

n−1.45

3 1.1284

1.1359

4 1.0853

1.0847

5 1.0640

1.0615

6 1.0506

1.0482

7 1.0423

1.0397

10 1.0280

1.0260

15 1.0181

1.0165

20 1.0134

1.0121

25 1.0104

1.0095

50 1.0051

1.0046

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

58 / 80

background image

Podstawy rachunku niepewno±ci pomiarowych

Zapis wyników pomiarów

KONWENCJA:

Stosuje sie naste puja ca

konwencje zapisu wyników

,

gdzie jako miar¦ niepewno±ci pomiaru podaje si¦

niepewno±¢

standardow¡ u(x) ≡ S(¯x)

.

Pozostawia sie tylko

dwie cyfry znacza ce

standardowej niepewno±ci pomiarowej, np. 0,023.

Wynik pomiaru obliczamy tak aby wyznaczy¢ jedno

miejsce dziesie tne dalej ni» miejsce dziesie tne, na

którym zaokra glono niepewno±¢ pomiarow¡, a

naste pnie zaokra glamy do tego samego miejsca

dziesie tnego, do którego wyznaczono niepewno±¢

pomiarow¡, np. zamiast 1,9024 bierzemy 1,902.

Wynik wraz z niepewno±ci¡ pomiarow¡ podajemy w

ten sposób, »e

po wypisaniu wyniku dopisujemy

w nawiasie dwie cyfry znacz¡ce reprezentuj¡ce

niepewno±¢ pomiaru i podajemy jednostk¦

, np.

m = 1,902(23) kg

lub

m = 1,902(0,023) kg

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

59 / 80

background image

Podstawy rachunku niepewno±ci pomiarowych

Zapis wyników pomiarów

KONWENCJA (c.d.):

Stosuje si¦ równie» zapis:

x = (wynik(x) ± U(x)) jednostka(x)

, gdzie

U(x) ≡ k · u(x)

tzw.

niepewno±¢ rozszerzona

.

k przyjmuje warto±ci 2 ≤ k ≤ 3 przy czym

domy±lnie, tzn. je»eli nie podaje si¦ tego jawnie,

przyjmuje si¦ k = 2.

UWAGA: ten zapis jest identyczny jak zapis stosowany

dawniej (przed przyj¦ciem aktualnej konwencji zapisu)

ale wtedy podawaªo si¦

standardow¡ niepewno±¢ u(x)

zamiast

rozszerzonej niepewno±ci U(x) ≡ k · u(x)

.

Zapis przykªadowy przytaczanego powy»ej wyniku:

masa = (1,902 ± 0.046) kg

.

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

60 / 80

background image

Podstawy rachunku niepewno±ci pomiarowych

Zapis wyników pomiarów

UWAGA:

Zastosowanie konwencji, w której zapisujemy wynik i jego

niepewno±¢ w formie: (wynik ± niepewno±¢ pomiaru)

mo»e prowadzi¢ do nieporozumienia, gdy nie napiszemy

wyra¹nie, »e stosujemy now¡ konwencj¦ i »e jako

wspóªczynnik rozszerzenia niepewno±ci

bierzemy

k = 2

.

Zaleca si¦ wi¦c stosowanie zapisu, w którym podaje si¦

w nawiasie 2 cyfry znacz¡ce standardowej niepewno±ci

pomiarowej. W przeciwnym wypadku nale»y wyra¹nie

zaznaczy¢, »e podajemy rozszerzon¡ niepewno±¢

standardow¡ oraz wypisa¢ warto±¢ k.

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

61 / 80

background image

Podstawy rachunku niepewno±ci pomiarowych

Zapis wyników pomiarów

UWAGA:

Poniewa» omawiana metoda szacowania niepewno±ci opiera

si¦ o statystyczny rozrzut pomiarów rz¡dzony rozkªadem

Gaussa, to

Niepewno±¢ standardowa

pomiaru okre±la przedziaª

warto±ci mierzonej wielko±ci gdzie z

prawdopodobie«stwem ≈ 0.68 znajduje si¦ prawdziwa

warto±¢ mierzonej wielko±ci.

Rozszerzona niepewno±¢ z czynnikiem rozszerzenia

k=2

okre±la przedziaª, gdzie z

prawdopodobie«stwem ≈ 0.95 znajduje si¦ prawdziwa

warto±¢.

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

62 / 80

background image

Podstawy rachunku niepewno±ci pomiarowych

Zapis wyników pomiarów

Metoda A

szacowania niepewno±ci pomiarowych to wg normy ISO

opisane powy»ej wnioskowanie o niepewno±ci pomiaru

z rozrzutu statystycznego wyników pomiaru

Metoda B

stosuje si¦, gdy nie mo»emy takiego rozrzutu zaobserwowa¢ ,

np. gdy

Dziaªka skali przyrz¡du pomiarowego jest wi¦ksza od

obserwowanego rozrzutu,

Pomiar mo»na wykona¢ tylko jednokrotnie bo, np.

towarzyszy mu zniszczenie badanego obiektu,

itp.

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

63 / 80

background image

Podstawy rachunku niepewno±ci pomiarowych

Zapis wyników pomiarów

W metodzie B:

Szukamy takiego przedziaªu [a, b] warto±ci mierzonej

wielko±ci x, »e wszystkie warto±ci x ∈ [a, b] (np.

dªugo±¢ [a, b] to wielko±¢ dziaªki skali przyrz¡du).

Zakªadamy funkcj¦ g¦sto±ci prawdopodobie«stwa

zmiennej x; najcz¦±ciej zakªada si¦ jednostajny rozkªad:

f (x) = 1/(b − a).

Odchylenie standardowe tej wielko±ci bierzemy jako

warto±¢ niepewno±ci standardowej, np. dla rozkªadu

jednostajnego

u(x) ≡ σ(x) = (b − a)/(2

3).

UWAGA:

Poniewa» (b − a)/2 ≡ ∆x, gdzie ∆x to (tradycyjnie) tzw.

bª¡d maksymalny

wi¦c wtedy

standardowa niepewno±¢

u(x) = ∆x/

3.

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

64 / 80

background image

Rozkªad liczby pozytywnie zako«czonych do±wiadcze«

TWIERDZENIE:

Je»eli prawdopodobie«stwo zrealizowania sie danego

zdarzenia losowego w pojedynczym do±wiadczeniu jest

równe p to liczba k zrealizowanych zdarze« w N

niezale»nych do±wiadczeniach rza dzona jest

rozkªadem

Bernoulliego

(dwumianowym, binomialnym):

P(k) =

N!

k!(N−k)!

p

k

(

1 − p)

N−k

;

k = 0, 1, ..N

Šatwo mo»na pokaza¢, »e

E(k) = N · p
σ(

k) = pN · p · (1 − p)

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

65 / 80

background image

Rozkªad liczby pozytywnie zako«czonych do±wiadcze«

Graniczny przypadek:

cze sto realizowany w zyce atomowej, ja der

atomowych i cza stek elementarnych to sytuacja gdy N jest

bardzo du»e

, p

bardzo maªe

a warto±¢ oczekiwana

rejestrowanych zdarze« E(k) ≡ N · p jest

staªa

.

Przykªad:

N - liczba radioaktywnych ja der w badanej próbce,

p - prawdopodobie«stwo rozpadu pojedynczego

radioaktywnego ja dra w jednostce czasu,

k - liczba rejestrowanych rozpadów w jednostce czasu

Rozkªad Poissona

jest wtedy graniczna postacia rozkªadu Bernoulliego:

P(k) =

λ

k

k!

exp(−λ)

Warto±¢ oczekiwana i odchylenie standardowe wyra»aja sie

wzorem:

E(k) = λ
σ(

k) =

λ

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

66 / 80

background image

Rozkªad liczby pozytywnie zako«czonych do±wiadcze«

Niepewno±¢ statystyczna

Liczba rejestrowanych w danym okresie czasu zdarze« k rza dzonych

powy»szymi prawami jest zmienna losowa a wie c prawdziwa liczba

zdarze« to E(k) a jej niepewno±¢ to σ(k). Nazywana jest ona

niepewno±ci¡ statystyczn¡

(tradycyjnie bª¦dem statystycznym).

ESTYMATOR prawdziwej liczby zdarze«

to liczba k zarejestrowanych

zdarze« podczas pojedynczego pomiaru:

T

n

(

E(k)) = k

ESTYMATOR niepewno±ci statystycznej:

to

u(k) ≡ T

n

(σ(

k)) =

k

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

67 / 80

background image

Rozkªad liczby pozytywnie zako«czonych do±wiadcze«

Niepewno±¢ statystyczna

POZORNY PARADOKS:

Im dªu»ej mierzymy tym niepewno±¢ liczby

zarejestrowanych zdarze« jest wie ksza.

WYTŠUMACZENIE:

Istotna jest statystyczna niepewno±¢

wzgle dna

u

r

(

k) a nie bezwzgle dna u(k):

u

r

(

k) ≡ u(k)/k =

1

k

NOMENKLATURA:

Pomiar z maª¡ wzgle dn¡ niepewno±ci¡ statystyczn¡

to pomiar z

dobra statystyka

a z du»¡ wzgle dn¡

niepewno±ci¡ statystyczn¡ to pomiar ze

zªa statystyka

.

UWAGA:

Nale»y zwraca¢ uwage , »e

niepewno±¢ statystyczna ma

identyczny wymiar jak liczba zdarze«, tj. wymiar

odwrotny do czasu

mimo, »e ilo±ciowo jest pierwiastkiem z

liczby zdarze«.

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

68 / 80

background image

Rozkªad liczby pozytywnie zako«czonych do±wiadcze«

Niepewno±¢ statystyczna

W praktyce interesuje nas obok odpowiedzi na pytanie:

Ile zdarze« zachodzi w okre±lonym czasie ?

równie» odpowied¹ na pytanie:

Ile zachodzi zdarze« DANEGO TYPU ?

PRZYKŠAD:

Rejestrujemy produkty reakcji ja drowej. Chcemy wiedzie¢

nie tylko ile reakcji zachodzi ale tak»e ile jest produktów

posiadaja cych okre±lona energie .

PYTANIA:

1

Jakim rozkªadem rza dzona jest liczba zdarze« w ka»dym

przedziale ('kanale') energii?

2

Co by sie staªo gdyby±my dodali liczby zdarze« z kilku

sa siednich kanaªów (dla poprawienia 'statystyki' liczby

zdarze«) ?

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

69 / 80

background image

Rozkªad liczby pozytywnie zako«czonych do±wiadcze«

Niepewno±¢ statystyczna

Korzystamy z twierdzenia:

TWIERDZENIE:

Rozkªad prawdopodobie«stwa sumy sko«czonej liczby

niezale»nych skªadników, z których ka»dy rza dzony jest

rozkªadem Poissona o parametrze λ

i

jest równie» rozkªadem

Poissona ale o nowym parametrze λ = P

i

λ

i

.

ODPOWIED™ na 1 pytanie:

Liczba zdarze« w ka»dym kanale jest rza dzona

rozkªadem Poissona ale ka»dy z tych rozkªadów ma zwykle

ró»ny parametr λ

i

.

ODPOWIED™ na 2 pytanie:

Liczba zdarze« w kilku wysumowanych

kanaªach k = P

i

k

i

be dzie rza dzona rozkªadem Poissona z

parametrem λ, którego estymator jest równy

T

n

(λ ≡

E(k)) = P

i

k

i

.

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

70 / 80

background image

Pomiary po±rednie

DEFINICJA:

Je»eli w do±wiadczeniu mierzymy wielko±ci X

1

,

X

2

, ..,

X

N

a

naste pnie wyliczamy warto±¢ funkcji Y = Y(X

1

,

X

2

, ..,

X

N

)

to taka procedure nazywamy

pomiarem po±rednim

.

ESTYMATOR:

Estymatorem E(Y) pomiaru po±redniego

jest warto±¢

funkcji Y wyliczona dla argumentów, które sa estymatorami

prawdziwych warto±ci X

1

,

X

2

, ..

X

N

tzn. dla ±rednich

arytmetycznych X

1

,

X

2

, ...,

X

N

:

T

n

(

E(Y (X

1

,

X

2

, ..

X

N

))) =

Y (X

1

,

X

2

, ...,

X

N

)

lub inaczej

E(Y (X

1

,

X

2

, ..

X

N

)) ≈

Y (X

1

,

X

2

, ...,

X

N

)

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

71 / 80

background image

Pomiary po±rednie

Niepewno±¢ pomiaru po±redniego

ESTYMATOR:

niepewno±ci pomiaru po±redniego, tzw.

zªo»ona

niepewno±¢ standardowa

(tradycyjnie:

bªa d ±redni

kwadratowy

) liczy sie naste puja co (UWAGA: wzory s¡

sªuszne przy zaªo»eniu, »e pomiary X

1

,

X

2

, ..,

X

N

byªy

wykonywane niezale»nie odpowiednio n

1

,

n

2

, ..,

n

N

razy):

σ(

Y ) ≈

s

N

P

i=1



Y

X

i



2

X

i

=

X

i

· σ

2

(

X

i

)

UWAGA:

X

1

,

X

2

, ..

X

N

to ró»ne wielko±ci a nie kolejne pomiary

wielko±ci "X ",

Pochodne liczone wzgle dem 'X

i

' to pochodne

cza stkowe tzn. liczone przy zaªo»eniu, »e pozostaªe

zmienne 'X

j6=i

' sa ustalone,

Zamiast wariancji zmiennej σ

2

(

X

i

)

u»ywa sie jej

estymatora tzn. S

2

(

X

i

)

(n

i

- krotnie mniejszego od

estymatora S

2

(

X

i

)).

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

72 / 80

background image

Pomiary po±rednie

Bª¡d maksymalny

Bªa d maksymalny pomiaru po±redniego

to tradycyjne poj¦cie, które

stosowano, gdy nie mo»na byªo oszacowa¢ niepewno±ci

pomiaru bezpo±redniego z rozrzutu wyników. Liczono go wg

poni»szego wzoru, tzn.

metoda ró»niczki zupeªnej

.

∆(

Y ) ≈

N

P

i=1

|

Y

X

i

| · ∆(

X

i

)

Tu moduªy pochodnych sa wyliczane dla jednokrotnie

zmierzonych wielko±ci X

i

a symbol ∆(X

i

)

oznacza

maksymalny bªa d tej wielko±ci mierzonej bezpo±rednio.

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

73 / 80

background image

Pomiary po±rednie

Bª¡d maksymalny

Zgodnie z now¡ NORM:

Nie nale»y u»ywa¢ poj¦cia bª¦du maksymalnego lecz liczy¢

niepewno±¢ pomiaru po±redniego jako

zªo»on¡ niepewno±¢

pomiarow¡

wstawiaj¡c zamiast niepewno±ci pomiarów

bezpo±rednich otrzymanych "metod¡ A"(tzn. z rozrzutu

pomiarów) niepewno±ci oszacowane "metod¡ B".

Nale»y tak post¦powa¢ bo:

W odró»nieniu od zªo»onej niepewno±ci standardowej

bªa d maksymalny nie ma interpretacji statystycznej

.

Šatwo mo»na pokaza¢ , »e bª¡d maksymalny obliczony

metoda ró»niczki zupeªnej

jest zawsze wie kszy od

zªo»onej niepewno±ci standardowej.

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

74 / 80

background image

Pomiary po±rednie

Regresja liniowa

DEFINICJA:

Regresja liniowa zmiennej Y wzgle dem zmiennej X

to

linia prosta Y = a · X + b z parametrami a i b dobranymi

tak aby minimalizowa¢ sume kwadratów odchyle«

wspóªrze dnych (y

i

,

i = 1, 2, ..n) zespoªu n punktów o

wspóªrze dnych (x

1

,

y

1

),(x

2

,

y

2

),... (x

n

,

y

n

) od tej linii:

Q

2

=

n

P

i=1

(

y

i

a · x

i

b)

2

Zmienna Y nazywana jest

zmienna obja±niana

a

zmienna X

zmienna obja±niaja ca

.

UWAGA:

Regresja liniowa X wzgle dem Y tj. prosta X = c · Y + d

pokrywa sie z regresja liniowa Y wzgle dem X tj. prosta

Y = a · X + b znaleziona dla tego samego zespoªu punktów

do±wiadczalnych tylko wtedy gdy zwia zek pomie dzy X i Y

jest funkcyjnym zwia zkiem liniowym (a nie zale»no±cia

statystyczna ).

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

75 / 80

background image

Pomiary po±rednie

Regresja liniowa

Specyczna sytuacja:

polegaja ca na tym, »e:

zmienna obja±niaja ca X ma

zaniedbywalnie maªe

niepewno±ci

i jest traktowana jako nielosowa zmienna.

zmienna obja±niana Y jest zmienna losowa o

znanej

niepewno±ci standardowej

σ(

y

i

)

dla punktu o

wspóªrz¦dnych (x

i

,

y

i

)

.

Wtedy dostajemy takie estymatory parametrów regresji:

T

n

(

a) =

n

P

i=1

w

i

y

i

(

x

i

− ¯

x

w

)

n

P

i=1

w

i

(

x

i

− ¯

x

w

)

2

T

n

(

b) = ¯y

w

T

n

(

a) · ¯x

w

gdzie w

i

1/σ

2

(

y

i

),

¯

x

w

n

X

i=1

w

i

x

i

/

n

X

i=1

w

i

,

¯

y

w

n

X

i=1

w

i

y

i

/

n

X

i=1

w

i

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

76 / 80

background image

Pomiary po±rednie

Regresja liniowa

Niepewno±ci standardowe estymatorów parametrów a i b

równie» wyra»aja

sie analitycznymi wzorami:

σ (

T

n

(

a)) = 1/

v
u
u
t

n

X

i=1

w

i

(

x

i

− ¯

x

w

)

2

σ (

T

n

(

b)) =

v
u
u
u
t

1

n

P

i=1

w

i

+

¯

x

2

w

n

P

i=1

w

i

(

x

i

− ¯

x

w

)

2

Niepewno±¢ standardowa warto±ci Y przewidzianej przez linie regresji

(zale»na od x):

σ (

y (x)) =

v
u
u
u
u
t

1

n

P

i=1

w

i

+

(

x − ¯x

w

)

2

n

P

i=1

w

i

(

x

i

− ¯

x

w

)

2

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

77 / 80

background image

Pomiary po±rednie

Regresja liniowa

Jeszcze prostsza sytuacja:

polegaja ca na tym, »e:

zmienna obja±niana Y jest zmienna losowa o

identycznej

niepewno±ci standardowej σ(Y ) dla wszystkich

punktów.

Wtedy dostajemy proste, analityczne wzory na estymatory

parametrów regresji:

T

n

(

b) =

(

P

i

x

i

2

) · (

P

i

y

i

) − (

P

i

x

i

) · (

P

i

x

i

·

y

i

)

W

T

n

(

a) =

n · (P

i

x

i

·

y

i

) − (

P

i

x

i

) · (

P

i

y

i

)

W

W ≡ n ·

X

i

x

2

i

− (

X

i

x

i

)

2

Wska¹nik sumowania i przebiega warto±ci od 1 do n.

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

78 / 80

background image

Pomiary po±rednie

Regresja liniowa

Niepewno±ci standardowe estymatorów parametrów a i b

równie» wyra»aja

sie analitycznymi wzorami:

T

n

(σ(

b)) = σ(Y ) ·

s

P

i

x

2

i

W

T

n

(σ(

a)) = σ(Y ) ·

r

n

W

Niepewno±¢ standardowa warto±ci Y przewidzianej przez linie regresji

(zale»na od x):

T

n

(σ(

Y (x))) = σ(Y ) ·

s 1

n

+

(

x − x)

2

P

i

(

x

i

x)

2

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

79 / 80

background image

Pomiary po±rednie

Regresja liniowa

UWAGA:

W praktyce opuszcza sie symbol estymatora, zarówno dla

parametrów regresji a, b jak i dla warto±ci Y przewidzianej

przez regresje , tzn. zamiast T

n

(

a) pisze sie po prostu a, itd.

ale nale»y pamie ta¢, »e sa to estymatory. W powy»szych

wzorach zastosowano naste puja ce oznaczenia:

T

n

(σ(

Y (x)))

to estymator niepewno±ci warto±ci Y (x)

przewidzianej przez regresje ,

σ(

Y )

to niepewno±¢ pomiarowa wspóªrze dnej Y

i

z

zaªo»enia taka sama dla wszystkich punktów,

x

to ±rednia arytmetyczna warto±ci zmiennej

kontrolowanej wyliczona ze wspóªrze dnych punktów

x

1

,

x

2

, ...

x

n

,

x

- to warto±¢ zmiennej kontrolowanej X , dla której

wyliczamy warto±¢ regresji liniowej Y (x) i estymator

niepewno±ci regresji liniowej T

n

(σ(

Y (x))).

B. Kamys (Instytut Fizyki UJ)

SMOP I

2014/15

80 / 80


Document Outline


Wyszukiwarka

Podobne podstrony:
B Kamys Statystyczne metody opracowania i pomiarów
B Kamys Statystyczne metody opracowania wyników pomiarów
B Kamys Statystyczne metody opracowania wyników pomiarów
pytanie4, wisisz, wydzial informatyki, studia zaoczne inzynierskie, statystyczne metody wspomagania
pytania swd z odpowiedziami mini, wisisz, wydzial informatyki, studia zaoczne inzynierskie, statysty
METODYKA OPRACOWYWANIA WYNIKÓW POMIAROWYCH, MET0DYKA-spr., POLITECHNIKA RADOMSKA
Statystyczne metody pomiarów
Metrologia-lab-Metodyka opracowań wyników pomiarowych, METPOM S, POLITECHNIKA RADOMSKA
uzu0.4, wisisz, wydzial informatyki, studia zaoczne inzynierskie, statystyczne metody wspomagania de
SWD3, wisisz, wydzial informatyki, studia zaoczne inzynierskie, statystyczne metody wspomagania decy
swd-ustny-2, wisisz, wydzial informatyki, studia zaoczne inzynierskie, statystyczne metody wspomagan
swd5, wisisz, wydzial informatyki, studia zaoczne inzynierskie, statystyczne metody wspomagania decy
egzaminswd v2, wisisz, wydzial informatyki, studia zaoczne inzynierskie, statystyczne metody wspomag
Metrologia-lab-Metodyka opracowań wyników pomiarowych, Metodyka opracowań wyników pomiarowychspr, PO
egzaminswd, wisisz, wydzial informatyki, studia zaoczne inzynierskie, statystyczne metody wspomagani
Analiza dynamiki, wisisz, wydzial informatyki, studia zaoczne inzynierskie, statystyczne metody wspo

więcej podobnych podstron