- •Раздел 10. Основы анализа экспериментальных данных
- •29.2. Классификация погрешностей
- •30. Обзор программного обеспечения для выполнения анализа, обработки и представления экспериментальных данных
- •30.1. Математические (символьные) вычисления
- •30.2. Расчеты и статистическая обработка результатов
- •30.2.1. MathCad
- •30.2.2. Matlab - Scilab - Octave
- •30.3. Построение графиков
- •30.3.1. Sigma Plot
- •30.3.2. Origin
- •30.3.3. Gnuplot
- •30.4. Работа с текстом
- •30.4.1. Ms Word
- •30.4.2. OpenOffice.Org
- •31. Анализ результатов измерений случайной величины.
- •31.1. Гистограмма. Эмпирическое распределение результатов наблюдений
- •31.2. Результат измерения. Доверительный интервал
- •31.3. Нормальное или гауссово распределение
- •31.4. Выборочные дисперсия и среднеквадратичное отклонение
- •31.5. Среднеквадратичная ошибка среднего.
- •31.6. Приборная погрешность. Класс точности прибора.
- •31.7. Сложение случайной и приборной погрешностей. Полная погрешность измерения
- •31.8. Запись и округление результата измерения
- •32. Ошибки косвенных измерений
- •32.1. Функция одной переменной
- •32.2. Функция нескольких переменных
- •32.3. Ошибки и методика эксперимента
- •33. Анализ результатов совместных измерений
- •33.1. Цель и особенности эксперимента по определению функциональной зависимости
- •33.2. Некоторые определения
- •33.3. Интерполяция
- •33.3.1. Глобальная интерполяция
- •33.3.2. Локальная интерполяция
- •33.3.2.1. Кусочно-линейная интерполяция
- •33.3.2.2. Интерполяция кубическими сплайнами
- •33.3.2.3. Интерполирование b-сплайнами
- •33.4. Экстраполяция
- •33.5. Сглаживание данных
- •33.6. Регрессия
- •33.6.1. Выбор вида математической модели
- •33.6.2. Метод наименьших квадратов.
- •33.6.2.1. Линейная зависимость.
- •33.6.2.2. Линеаризация
- •33.6.2.3. Полиномиальная регрессия
- •33.6.2.4. Регрессия линейной комбинацией функций
- •33.6.2.5. Регрессия общего вида.
33. Анализ результатов совместных измерений
33.1. Цель и особенности эксперимента по определению функциональной зависимости
На практике сама необходимость измерений большинства величин вызывается именно тем, что они не остаются постоянными, а изменяются в функции от изменения других величин. В этом случае целью измерений является установление вида функциональной зависимости . Для этого должны одновременно определятся как значения x, так и соответствующие им значения y, а задачей эксперимента является, как принято теперь говорить, установление математической модели исследуемой зависимости.
Определение математической модели включает в себя указание вида модели и определение значений ее параметров (коэффициентов, показателей степени и т. д.). Искомая функция может быть как функцией одной независимой переменной, так и функцией многих переменных. В современной теории эксперимента независимые переменные принято называть факторами, а зависимую переменную y - откликом. В соответствием с этим эксперимент по определению функции вида y=f(x) принято именовать однофакторным, а эксперимент по определению функции вида y=f(x1,x2,...,xk) - многофакторным.
Именно однофакторный эксперимент мы и будем подробно рассматривать. Однако большинство методов обработки прямо переносятся и в случае многофакторного эксперимента.
Возможны два основных варианта реализации совместных измерений величин x и y: активный и пассивный эксперимент.
В активном (или планируемом) эксперименте значения аргумента x1, x2, ..., xk выбирают заранее и последовательно воспроизводят эти значения, выполняя при каждом фиксированном значении аргумента xi измерение соответствующей величины yi. В этом случае x называют контролируемой переменной.
В пассивном (непланируемом) эксперименте значения аргумента заранее не выбирают, а измеряют те значения xi, которые заданы каким-либо образом или произвольно выбраны из числа возможных. При тех же значениях xi измеряют также соответствующие величины yi.
Во многих случаях активный эксперимент является предпочтительным, поскольку за счет рационального выбора значений xi можно получить более точные оценки зависимости, а для обработки можно применять более широкий класс оценок. Однако на практике это не всегда можно реализовать.
Искомая математическая модель функциональной зависимости может быть найдена лишь в результате совместной обработки всех полученных значений x и y. На рис. 33.1 это кривая, проходящая по центру полосы экспериментальных точек, которые могут и не лежать на искомой кривой , а занимать некоторую полосу вокруг нее. Эти отклонения вызваны рядом причин (погрешностями измерений, неполнотой модели и учитываемых факторов, случайным характером самих исследуемых процессов).
Рис. 33.1.. Результаты однофакторного эксперимента
Разделить погрешности, вызванные неточностью измерений x и неточностью измерений y, невозможно, так как смещение точки, например выше кривой, могло быть вызвано как положительной погрешностью при измерении y, так и отрицательной погрешностью при измерении x. Поэтому описанием погрешности исходных данных может быть лишь указание ширины полосы их разброса вокруг найденной кривой зависимости . При этом полоса разброса экспериментальных данных не обязательно будет иметь постоянную ширину по всей своей длине. Она может быть узкой в начале и расширяться в конце или, например, иметь узкий перешеек в средней части и расширяться по концам и т. д. Поэтому вопрос о форме полосы погрешностей должен анализироваться в каждом отдельном случае.
Искомая зависимость , которая строится по набору экспериментальных данных , может быть представлена в различном виде: аналитически (формулой), графически или в виде таблицы. Выбор способа представления зависит от функционального вида и сложности зависимости, а также от способа ее дальнейшего использования на практике. Обычно предпочитают задавать ее в аналитическом виде формулой, поскольку такая форма представления наиболее компактна и позволяет решать широкий круг практических задач. Однако в тех случаях, когда зависимость нельзя достаточно точно аппроксимировать простой функцией или аналитическое построение оказывается слишком трудоемким, приходится задавать ее с помощью графика или таблицы.
Способ задания зависимости определяет обработку данных при ее построении. Если зависимость задается таблицей , то при ее составлении лишь выполняют обработку результатов наблюдений , в каждой точке порознь согласно обычным правилам обработки данных при прямых или косвенных измерениях.
Если зависимость задается аналитически, то в дополнение к этому необходима обработка всего набора данных в целом. При этом задается определенный функциональный вид зависимости и вычисляют оценки ее параметров.
Для графического способа задания зависимости возможны два варианта, близкие к одному из упомянутых выше случаев. Если график строится поточечно (без сглаживания), то выполняется лишь обработка данных в каждой из точек. В промежутках между ними зависимость определяется, например, путем интерполяции. Если график строится со сглаживанием, ориентируясь на определенный функциональный вид зависимости, то обработка выполняется, как и при аналитическом представлении.