《第二章讲稿1.docVIP

开场白：同学们我们上一节课学习了测量平差的基本概念，知道测量必然带来误差，没有误差的观测数据是不存在的。并且学习了测量误差的分类及其各种误差的基本性质，我们本课程的学习内容是只带有偶然误差的数据处理，偶然误差服从正态分布，希望大家认真复习好所学过的概率和数理统计方面的知识。 本次课程我们将学习如何来衡量观测结果的精度。 第二章 误差理论基础 §1.1正态分布 无论在理论还是在实用上，正态分布都是一种重要的分别，这是因为： （1）设有相互独立的随机变量，，…，其总和为，无论这些随机变量原来服从什么分布，也无论他们是同分布或不同分布，只要它们具有有限的均值和方差，且其中每一个随机变量对其总和的影响都是均匀地小，也就是说，没有一个比其它的变量占有绝对优势，那么，其总和将是服从或近似服从正态分布的随机变量。 则是这一系列个别因素引起的基本误差项，，…之和，即，如果每一个对其总和的影响都是均匀的小，那么总和测量误差就是服从正态分布的随机变量。 （2）有许多种分布，例如在后面章节要提到的二项式分布，分布，分布等等，当时，它们多趋于正态分布，或者说，许多种分布都是以正态分布为其极限分布的。 由此可见，正态分布时一种常见的概率分布，是处理观测数据的基础。 在观测值仅含偶然误差的情况下，精度与观测质量具有相同的含义，它与误差的分布状况有着直接的关系，并取决于测量条件。测量条件好，误差分布的离散度小，观测质量高，精度高；测量条件差，误差分布的离散度大，观测质量低，精度也低。测量条件相同，误差分布的离散度相同，观测质量相同，也就是等质量或等精度观测。 一、一维正态分布 服从正态分布的一维随机变量的概率密度函数是： ， 其中和是分布密度的两个参数。正态分布也称为高斯分布。对一维随机变量服从参数为和的正态分布，一般记为～。 一维正态随机变量的数学期望和方差分别为 在推导过程中需要注意到 ， 一维正态随机变量出现在给定区间内的概率是： 如果令 则上式变为 由概率论知道 二、N维正态分布 服从N维正态分布的随机的概率密度函数是： N维正态随机变量的数学期望和方差分别为 其中 这里是第i个随机变量的方差，是第j个随机变量的互协方差。算得各三角形的闭合差。由于作业中已尽量剔除了粗差和系统性影响，这些三角形闭合差，就整体而言，都是偶然因素所至，故为偶然误差。它们的数值分布情况列于下面的表内（等于分界数值的闭合差，统计在数值小的区间中）。 表2.2.1 误差的区间 单位是角秒 为负值 为正值 总数 个数 频率 个数 频率 0.00~0.50 0.50~1.00 1.00~1.50 1.50~2.00 2.00~2.50 2.50~3.00 3.00~3.50 3.50 ~ ∞ 121 90 78 51 39 15 9 0 0.15 0.11 0.10 0.06 0.05 0.02 0.01 0.00 0.30 0.22 0.20 0.12 0.10 0.04 0.02 0.00 123 104 75 55 27 20 10 0 0.15 0.13 0.09 0.07 0.03 0.02 0.01 0.00 0.30 0.26 0.18 0.14 0.06 0.04 0.02 0.00 244 194 153 106 66 35 19 0 总和 403 0.50 414 0.50 817 考察这一统计表，不难发现如下的规律：（1）这些闭合差在数值上不会超出一定界限，或者说超出一定界限的闭合差出现的概率为零；（2）绝对值小的闭合差比绝对值大的闭合差出现的概率要大；（3）绝对值相等的正负闭合差个数大致相等。 上述情况，不仅表现于这个例子里，在大量的测量结果中，偶然误差都有与此完全一致的规律性。 为了对偶然误差的分布情况有个更直观的了解，并为进一步从理论上加以探讨，可按下述方法作出以上实例的解析图。具体作法是先在横轴上截出表中的各误差区间并以之为底，再以误差出现于相应区间的频率除以区间间隔（此处取）的商为高，即，作一系列长方形，则得如图2.2.1所示的直方图。图中每一长方形面积即为误差出现于该相应区间的频率，长方形面积之和等于1，长方形的高则表示相应区间的误差分布密度。这种图通常称为直方图，它形象地表示了误差的分布情况。 由此可知，在独立等精度条件下所得的一组观测误差，只要误差的总个数足够多，那么，误差出现在各区间的频率总是稳定在某一常数附近，而且当观测个数愈多时，稳定程度愈高。如表2.2.1，如果在观测条件不变的情况下，再继续观测更多的三角形，则可以预见，随着观测个数的增加，误差出现在各区间的频率其变动的幅