Относительная ошибка среднего значения формула

Абсолютная и относительная погрешности (ошибки).

Пусть некоторая
величина x
измерена n
раз. В результате получен ряд значений
этой величины: x₁,
x₂,
x₃,
…, x_n

Величиной, наиболее
близкой к действительному значению,
является среднее арифметическое этих
результатов:

Отсюда следует,
что каждое физическое измерение должно
быть повторено несколько раз.

Разность между
средним значением
измеряемой
величины и значением отдельного измерения
называется абсолютной
погрешностью отдельного измерения:

(13)

Абсолютная
погрешность может быть как положительной,
так и отрицательной и измеряется в тех
же единицах, что и измеряемая величина.

Средняя абсолютная
ошибка результата — это среднее
арифметическое значений абсолютных
погрешностей отдельных измерений,
взятых по абсолютной величине (модулю):

(14)

Отношения

называются относительными погрешностями
(ошибками) отдельных измерений.

Отношение средней
абсолютной погрешности результата

к среднему арифметическому значению

измеряемой величины называют относительной
ошибкой результата и выражают в процентах:

Относительная
ошибка характеризует точность измерения.

Законы распределения случайных величин.

Результат измерения
физической величины зависит от многих
факторов, влияние которых заранее учесть
невозможно. Поэтому значения, полученные
в результате прямых измерений какого
— либо параметра, являются случайными,
обычно не совпадающие между собой.
Следовательно, случайные
величины —
это такие величины, которые в зависимости
от обстоятельств могут принимать те
или иные значения. Если случайная
величина принимает только определенные
числовые значения, то она называется
дискретной.

Например,
количество заболеваний в данном регионе
за год, оценка, полученная студентом на
экзамене, энергия электрона в атоме и
т.д.

Непрерывная
случайная величина принимает любые
значения в данном интервале.

Например: температура
тела человека, мгновенные скорости
теплового движения молекул, содержание
кислорода в воздухе и т.д.

Под событием
понимается всякий результат или исход
испытания. В теории вероятностей
рассматриваются события, которые при
выполнение некоторых условий могут
произойти, а могут не произойти. Такие
события называются
случайными.
Например, событие, состоящее в появлении
цифры 1 при выполнении условия — бросания
игральной кости, может произойти, а
может не произойти.

Если событие
неизбежно происходит в результате
каждого испытания, то оно называется
достоверным.
Событие называется невозможным,
если оно вообще не происходит ни при
каких условиях.

Два события,
одновременное появление которых
невозможно, называются несовместными.

Пусть случайное
событие А в серии из n
независимых испытаний произошло m
раз, тогда отношение:

называется
относительной частотой события А. Для
каждой относительной частоты выполняется
неравенство:

При небольшом
числе опытов относительная частота
событий в значительной мере имеет
случайный характер и может заметно
изменяться от одной группы опытов к
другой. Однако при увеличении числа
опытов частота событий все более теряет
свой случайный характер и приближается
к некоторому постоянному положительному
числу, которое является количественной
мерой возможности реализации случайного
события А. Предел, к которому стремится
относительная частота событий при
неограниченном увеличении числа
испытаний, называется статистической
вероятностью события:

Например, при
многократном бросании монеты частота
выпадения герба будет лишь незначительно
отличаться от ½. Для достоверного события
вероятность Р(А) равна единице. Если
Р=0, то событие невозможно.

Математическим
ожиданием
дискретной случайной величины называется
сумма произведений всех ее возможных
значений х_i
на вероятность этих значений р_i:

Статистическим
аналогом математического ожидания
является среднее арифметическое значений
:

,

где m_i
— число дискретных случайных величин,
имеющих значение х_i.

Для непрерывной
случайной величины математическим
ожиданием служит интеграл:

,

где р(х) — плотность
вероятности.

Отдельные значения
случайной величины группируются около
математического ожидания. Отклонение
случайной величины от ее математического
ожидания (среднего значения) характеризуется
дисперсией,
которая для дискретной случайной
величины определяется формулой:

(15)

(16)

Дисперсия имеет
размерность случайной величины. Для
того, чтобы оценивать рассеяние
(отклонение) случайной величины в
единицах той же размерности, введено
понятие среднего
квадратичного отклонения
σ(Х), которое
равно корню квадратному из дисперсии:

(17)

Вместо среднего
квадратичного отклонения иногда
используется термин «стандартное
отклонение».

Всякое отношение,
устанавливающее связь между всеми
возможными значениями случайной величины
и соответствующими им вероятностями,
называется законом
распределения случайной величины.
Формы задания закона распределения
могут быть разными:

а) ряд распределения
(для дискретных величин);

б) функция
распределения;

в) кривая распределения
(для непрерывных величин).

Существует
относительно много законов распределения
случайных величин.

Нормальный
закон распределения случайных
величин (закон
Гаусса).
Случайная величина

распределена по
нормальному закону, если ее плотность
вероятности f(x)
определяется формулой:

(18),

где <x>
— математическое ожидание (среднее
значение) случайной величины <x>
= M
(X);

—
среднее квадратичное отклонение;

—
основание натурального логарифма
(неперово число);

f
(x)
– плотность вероятности (функция
распределения вероятностей).

Многие случайные
величины (в том числе все случайные
погрешности) подчиняются нормальному
закону распределения (закону Гаусса).
Для этого распределения наиболее
вероятным значением
измеряемой
величины
является
её среднее
арифметическое
значение.

График нормального
закона распределения изображен на
рисунке (колоколообразная кривая).

Кривая симметрична
относительно прямой х=<x>=α,
следовательно, отклонения случайной
величины вправо и влево от <x>=α
равновероятны. При х=<x>±
кривая асимптотически приближается к
оси абсцисс. Если х=<x>,
то функция распределения вероятностей
f(x)
максимальна и принимает вид:

(19)

Таким образом,
максимальное значение функции f_max(x)
зависит от величины среднего квадратичного
отклонения. На рисунке изображены 3
кривые распределения. Для кривых 1 и 2
<x>
= α = 0 соответствующие значения среднего
квадратичного отклонения различны, при
этом ₂>₁.
(При увеличении 
кривая распределения становится более
пологой, а при уменьшении 
– вытягивается вверх). Для кривой 3 <x>
= α ≠ 0 и ₃
= ₂.

Закон
распределения
молекул в газах по скоростям называется
распределением
Максвелла.
Функция плотности вероятности попадания
скоростей молекул в определенный
интервал

теоретически была определена в 1860 году
английским физиком Максвеллом

. На рисунке
распределение Максвелла представлено
графически. Распределение движется
вправо или влево в зависимости от
температуры газа (на рисунке Т₁
< Т₂).
Закон распределения Максвелла определяется
формулой:

(20),

где m_о
– масса молекулы, k
– постоянная Больцмана, Т – абсолютная
температура газа,
—
скорость молекулы.

Распределение
концентрации молекул газа в атмосфере
Земли (т.е.
в силовом поле) в зависимости от высоты
было дано австрийским физиком Больцманом
и называется
распределением
Больцмана:

(21)

Где n(h)
– концентрация молекул газа на высоте
h,
n₀
– концентрация у поверхности Земли, g
– ускорение свободного падения, m
– масса молекулы.

Распределение
Больцмана.

Совокупность всех
значений случайной величины называется
простым
статистическим рядом.
Так как простой статистический ряд
оказывается большим, то его преобразуют
в вариационный
статистический
ряд или интервальный
статистический ряд. По интервальному

статистическому ряду для оценки вида
функции распределения вероятностей по
экспериментальным данным строят
гистограмму
– столбчатую
диаграмму. (Гистограмма – от греческих
слов “histos”–
столб и “gramma”–
запись).

n

1. h

Гистограмма
распределения Больцмана.

Для построения
гистограммы интервал, содержащий
полученные значения случайной величины
делят на несколько интервалов x_i
одинаковой ширины. Для каждого интервала
подсчитывают число m_i
значений случайной величины, попавших
в этот интервал. После этого вычисляют
плотность частоты случайной величины

для каждого интервала x_i
и среднее значение случайной величины
<x_i
> в каждом интервале.

Затем по оси абсцисс
откладывают интервалы x_i,
являющиеся основаниями прямоугольников,
высота которых равна
(или
высотой

– плотностью относительной частоты
).

Расчетами показано,
что вероятность попадания нормально
распределенной случайной величины в
интервале значений от <x>–
до <x>+
в среднем равна 68%. В границах вдвое
более широких (<x>–2;
<x>+2)
размещается в среднем 95% всех значений
измерений, а в интервале (<x>–3;<x>+3)
– уже 99,7%. Таким образом, вероятность
того, что отклонение значений нормально
распределенной случайной величины
превысит 3
(
– среднее квадратичное отклонение)
чрезвычайно мала (~0,003). Такое событие
можно считать практически невозможным.
Поэтому границы <x>–3
и <x>+3
принимаются за границы практически
возможных значений нормально распределенной
случайной величины («правило трех
сигм»).

Если число измерений
(объем выборки) невелико (n<30),
дисперсия вычисляется по формуле:

(22)

Уточненное среднее
квадратичное отклонение отдельного
измерения вычисляется по формуле:

(23)

Напомним, что для
эмпирического распределения по выборке
аналогом математического ожидания
является среднее арифметическое значение
<x>
измеряемой величины.

Чтобы дать
представление о точности и надежности
оценки измеряемой величины, используют
понятия доверительного интервала и
доверительной вероятности.

Доверительным
интервалом
называется интервал (<x>–x,
<x>+x),
в который по определению попадает с
заданной вероятностью действительное
(истинное) значение измеряемой величины.
Доверительный интервал характеризует
точность полученного результата: чем
уже доверительный интервал, тем меньше
погрешность.

Доверительной
вероятностью
(надежностью)

результата серии измерений называется
вероятность того, что истинное значение
измеряемой величины попадает в данный
доверительный интервал (<x>±x).
Чем больше величина доверительного
интервала, т.е. чем больше x,
тем с большей надежностью величина <x>
попадает в этот интервал. Надежность 
выбирается самим исследователем
самостоятельно, например, =0,95;
0,98. В медицинских и биологических
исследованиях, как правило, доверительную
вероятность (надежность) принимают
равной 0,95.

Если величина х
подчиняется нормальному закону
распределения Гаусса, а <x>
и <>
оцениваются по выборке (числу измерений)
и если объем выборки невелик (n<30),
то интервал (<x>
– t_,n<>,
<x>
+ t_,n<>)
будет доверительным интервалом для
известного параметра х с доверительной
вероятностью .

Коэффициент t_,n
называется коэффициентом
Стьюдента
(этот коэффициент был предложен в 1908 г.
английским математиком и химиком В.С.
Госсетом, публиковавшим свои работы
под псевдонимом «Стьюдент» – студент).

Значении коэффициента
Стьюдента t_,n
зависит от доверительной вероятности

и числа измерений n
(объема выборки). Некоторые значения
коэффициента Стьюдента приведены в
таблице 1.

Таблица 1

n	
0,6	0,7	0,8	0,9	0,95	0,98	0,99
2	1,38	2,0	3,1	6,3	12,7	31,8	63,7
3	1,06	1,3	1,9	2,9	4,3	7,0	9,9
4	0,98	1,3	1,6	2,4	3,2	4,5	5,8
5	0,94	1,2	1,5	2,1	2,8	3,7	4,6
6	0,92	1,2	1,5	2,0	2,6	3,4	4,0
7	0,90	1,1	1,4	1,9	2,4	3,1	3,7
8	0,90	1,1	1,4	1,9	2,4	3,0	3,5
9	0,90	1,1	1,4	1,9	2,3	2,9	3,4
10	0,88	1,1	1,4	1,9	2,3	2,8	3,3

В таблице 1 в верхней
строке заданы значения доверительной
вероятности 
от 0,6 до 0,99, в левом столбце – значение
n.
Коэффициент Стьюдента следует искать
на пересечении соответствующих строки
и столбца.

Окончательный
результат измерений записывается в
виде:

(25)

Где

– полуширина доверительного интервала.

Результат серии
измерений оценивается относительной
погрешностью:

(26)

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]

• #
• #
• #
• #
• #
• #
• #
• #
• #
• #
• #

In statistics, a relative standard error (RSE) is equal to the standard error of a survey estimate divided by the survey estimate and then multiplied by 100. The number is multiplied by 100 so it can be expressed as a percentage. The RSE does not necessarily represent any new information beyond the standard error, but it might be a superior method of presenting statistical confidence.

Relative Standard Error vs. Standard Error

Standard error measures how much a survey estimate is likely to deviate from the actual population. It is expressed as a number. By contrast, relative standard error (RSE) is the standard error expressed as a fraction of the estimate and is usually displayed as a percentage. Estimates with an RSE of 25% or greater are subject to high sampling error and should be used with caution.

Survey Estimate and Standard Error

Surveys and standard errors are crucial parts of probability theory and statistics. Statisticians use standard errors to construct confidence intervals from their surveyed data. The reliability of these estimates can also be assessed in terms of a confidence interval. Confidence intervals are important for determining the validity of empirical tests and research.

A confidence interval is a type of interval estimate, computed from the statistics of the observed data, that might contain the true value of an unknown population parameter. Confidence intervals represent the range in which the population value is likely to lie. They are constructed using the estimate of the population value and its associated standard error. For example, there is approximately a 95% chance (i.e. 19 chances in 20) that the population value lies within two standard errors of the estimates, so the 95% confidence interval is equal to the estimate plus or minus two standard errors.

In layman’s terms, the standard error of a data sample is a measurement of the likely difference between the sample and the entire population. For example, a study involving 10,000 cigarette-smoking adults may generate slightly different statistical results than if every possible cigarette-smoking adult was surveyed.

Smaller sample errors are indicative of more reliable results. The central limit theorem in inferential statistics suggests that large samples tend to have approximately normal distributions and low sample errors.

Standard Deviation and Standard Error

The standard deviation of a data set is used to express the concentration of survey results. Less variety in the data results in a lower standard deviation. More variety is likely to result in a higher standard deviation.

The standard error is sometimes confused with the standard deviation. The standard error actually refers to the standard deviation of the mean. Standard deviation refers to the variability inside any given sample, while a standard error is the variability of the sampling distribution itself.

Relative Standard Error

The standard error is an absolute gauge between the sample survey and the total population. The relative standard error shows if the standard error is large relative to the results; large relative standard errors suggest the results are not significant. The formula for relative standard error is:



Relative Standard Error

=

Standard Error

Estimate

×

1

0

0

where:

Standard Error

=

standard deviation of the mean sample

Estimate

=

mean of the sample

\begin{aligned} &\text{Relative Standard Error} = \frac { \text{Standard Error} }{ \text{Estimate} } \times 100 \\ &\textbf{where:} \\ &\text{Standard Error} = \text{standard deviation of the mean sample} \\ &\text{Estimate} = \text{mean of the sample} \\ \end{aligned}

​Relative Standard Error=EstimateStandard Error​×100where:Standard Error=standard deviation of the mean sampleEstimate=mean of the sample​

Понятие и классификация

Под термином погрешность принято понимать степень отклонения реальной величины от вычисленной. Этот показатель служит мерой точности измерения.

Существует несколько разновидностей погрешности:

1. Абсолютная — оценка ошибки в абсолютных единицах. Величина ее может быть разной в зависимости от способа расчета.
2. Относительная — отношение абсолютной величины к тому значению, которое принято считать истинным. Измеряется в процентах.
3. Приведенная — разновидность относительной. Ее вычисляют отношением абсолютной и условной постоянной величины, определяется в процентах.
4. Приборная или инструментальная — погрешность, которую дают технические средства измерений. Она обусловлена неточной цифровой градуировкой приборов или недостаточной наглядностью. Класс точности приборов будет равен максимальной приведенной погрешности и выражается в процентах. К примеру, класс точности вольтметра ΔU = ±0,75 В.
5. Методическая — связанная с несовершенством метода измерения или его чрезмерным упрощением.
6. Субъективная или операторная — погрешность, связанная с личными свойствами оператора — невнимательностью, утомлением, профессиональной подготовленностью.
7. Случайная. Погрешность, которая может изменяться при разных измерениях. Изменения возможны по знаку или величине отклонения. Причиной может быть техническое несовершенство приборов отсчета или объекта измерения, неблагоприятные для работы условия или особенности измеряемых единиц.
8. Систематическая. Погрешность, изменения которой имеют некоторую закономерность во времени. В качестве частного случая допускают постоянное отклонение, которое не изменяется во времени.
9. Прогрессирующая или дрейфовая — медленно изменяется во времени и не может быть предсказана. Такое отклонение относится к случайным.
10. Грубая или промах. Значительное отклонение от принятой нормы. Возникает в результате неисправности аппаратуры или ошибки экспериментатора.

Выделяют также отклонения прямых или косвенных измерений. Вторая разновидность учитывается в тех случаях, когда измерить величину напрямую невозможно и ее можно посчитать по формулам исходя из других данных.

Абсолютная и относительная погрешности

Абсолютная погрешность величины — это разница между ней и принятым точным значением. Чтобы определить этот показатель, из большего числа вычитают меньшее. Единицы обозначения такие же, как и для основной величины. В формулах обозначается греческой буквой дельта и исследуемой величиной.

Пример: В пакете находится 478 граммов сахара. Это число можно округлить до 500. В этом случае абсолютная погрешность приближения будет 500 — 478 = 22 г

Для вычислений разработана специальная формула: Δа=А-а,

где А — это точная величина,

а — приближенная, это число, которое немного отличается от точного.

Результаты вычисления записывают со знаком ±. Например, длина бумажного рулона составляет 25 м ± 5 см. Наибольшее значение абсолютной погрешности принято называть ее пределом.

Чтобы получить измерения высокой точности, рассчитать абсолютную погрешность недостаточно. Если измерять предмет длиной 30 см и допустить неточность в 1 см, ее величина будет значительной. При измерении 30-метрового участка дороги то же самое отклонение в 1 см допускается, такое измерение будет наиболее точным. При вычислении ускорения свободного падения с помощью маятника неточность не превышает 10 ^-5 м/с. ²

Относительная погрешность — условная величина, равная отношению абсолютной к самому числу.

Пример: количество сахара в пакете равно 478 граммов, абсолютная погрешность составляет 22 грамма, относительная равняется 22: 478 = 0, 046. Если перевести в проценты, получается 4,6%. Для отрезка длиной 10 см погрешность в 1 см будет составлять 10%, а для отрезка в 1 м такая же абсолютная величина составит всего 1%. Относительная оценка считается наиболее точной.

Относительная погрешность может быть случайной, возникающей под действием внешних факторов. Ее размер зависит от способа нахождения.

Методики расчета

Существует несколько методов определения отклонения. Наиболее простой и доступный способ:

1. Необходимые измерения проводят не менее 5 раз. Это дает возможность вычислить наиболее точное значение параметра. Результаты вносят в таблицу excel.
2. Полученные величины складывают и делят на количество замеров. В результате получится действительное значение. Его обычно применяют вместо истинного, так как нет возможности вычислить последнее.
3. Следующий шаг — определение абсолютной погрешности. Ее считают для каждого измерения. Чтобы узнать величину этого показателя, из результата каждого замера вычитают действительное значение. Для обработки данных неважно, положительная или отрицательная получилась цифра. Используют модули полученных чисел, пренебрегая знаками.
4. Чтобы определить относительную погрешность измерения, нужно разделить абсолютную на действительное значение. Полученное число умножают на 100%.

Для определения предельного отклонения выбирают наибольшее значение из всех полученных.

Чтобы получить наиболее точные показатели дискретности цифровых приборов, пользуются средним квадратическим отклонением. Вычислить его можно следующим способом:

1. Каждый показатель абсолютной погрешности возводят в квадрат и записывают.
2. Полученные результаты складывают между собой.
3. Сумму всех квадратов делят на число, которое на единицу меньше количества измерений.
4. Из результата вычислений извлекают квадратный корень — это и будет среднее квадратическое отклонение.

Чтобы вычислить, чему равна относительная погрешность измерения, важно придерживаться некоторых правил. Складывая или вычитая числа, учитывают абсолютные отклонения. Если числа нужно разделить или перемножить, прибегают к относительным показателям. Возведение числа в степень требует умножить относительную погрешность на показатель этой степени.

Результаты фиксируются в виде десятичных дробей. Точное значение может быть очень длинным, вплоть до бесконечного. Для удобства используют только среднее значение. При этом важно помнить о существовании верных и сомнительных цифр. У первой категории цифр разряд бывает выше допустимой погрешности, у второй — ниже.

При расчете относительной погрешности измерения времени формула включает в себя отношение среднего отклонения к среднему значению времени, умноженное на 100%. Эта же закономерность применяется для оценки температуры и других физических величин.

Произвести необходимые расчеты можно с помощью онлайн-калькулятора. В окошки вносятся необходимые данные, после чего программа выдает результат.

Методы Корнфельда и Стьюдента

Некоторые экспериментальные исследования требуют многократного измерения одного и того же показателя с помощью аппаратуры или приспособлений. В этом случае высока вероятность возникновения отклонений разброса. Определить ее величины можно разными способами. Самый распространенный и доступный из них называется по автору — методом Корнфельда.

Он применяется в ситуации, когда какая-либо физическая величина была измерена n раз. В этом случае рекомендован следующий порядок действий:

1. Предполагается, что имеется ряд результатов измерений от Х1 до Хn.
2. Из этих величин выбирают минимальную и максимальную.
3. Вычисляют среднее значение Х.
4. В пределах от наименьшего до наибольшего показателя выбирают доверительный интервал.
5. Чтобы найти абсолютное отклонение, необходимо вычесть из максимального результата измерения величину минимального. Полученную разность делят пополам.

Метод Корнфельда имеет существенный недостаток. Чтобы определить вероятность приведенного результата, необходимо провести большое количество измерений. При этом нет возможности изменить границы доверительного интервала. Более точные данные можно получить, используя метод расчета Стьюдента. Для этого используют специальные таблицы, где отражены так называемые коэффициенты Стьюдента.

Эти показатели вычисляются на основе доверительной вероятности и большого количества измерений.