數值分析.docVIP

數據分析 實驗數據之分析，主要為由已得之數據中擷取相關的資訊，以形成一摘要與可理解的數值描述。在處理這問題時，我們常常用用到統計與機率的結果，故於此也將簡單的介紹相關的之概念。 實驗中對數值的量測，通常以重複數次相同的步驟來求取。對實驗數據結果上較常用的資訊為這些重複量測數值的”質量中心”與分佈的大小，前者為統計機率上所謂的的期望值（又稱平均值），而後者為提供該實驗結果”誤差” 的訊息。一般實驗結果的誤差可分類為系統誤差與隨機誤差兩類。系統誤差主因於整個量測系統所產生的誤差，這包含因儀器校正，操作者主觀認定與外界未掌控之環境便因所引起的誤差。此類誤差通常可經由仔細的儀器重新校正，重複試驗，交互試驗檢測與實驗流程設計等等方式予以改善。只是有些時候，這類的誤差非常難以找出。然而，操作者本身的經驗與實驗態度往往為主要的決定因素之一。隨機誤差則為一些無法控制或確定的因素所引起。通常這類的誤差的形成，可以機率的概念來理解。 除了實驗為對已知數值進行量測，而其結果的誤差多半指量測數值的平均值與已知數值的差之外，實驗上的誤差指的為相對此組實驗數據平均值之標準差，亦即為其量測結果相對於平均值分佈的大小。在表示式子上常以來表示，前者為平均值，後者為標準差。標準差可直接以數值大小來表示，或以平均值的百分比表示之。有一點要在此特別提出的是，對未歸一化分佈所求得的標準差大小會與其量測值的大小成比例，故於此種情況下，常以相對誤差（定義為標準差除以平均值）來表示該實驗結果的誤差。由於誤差的決定多半藉由統計分析的方法，因而我們於此先從簡單的一些統計概念著手： 函數分佈 在瞭解分佈函數之前，我們先引進所有隨機變數(random, or stochastic variable)的概念，若一參數X的值為試驗所決定，則稱X為隨機變數。 例題：X表可能出現正面的次數，則我們有 S為投擲三次結果所形成的標本空間，而為第i種結果，如(正,反,反)， 通常人們稱X為隨機變數(因X的值由投擲硬幣試驗結果定)，f(x)為X變數的〝機率函數〞。 離散隨機變數(Discrete stochastic Variables) 令X為標本空間S的隨機變數，。 為標本空間S的機率分佈，滿足 且 一旦能決定，分佈函數，x的所有訊息都成可知。只是在實際求取上有點困難，通常我們無法確切決定，n階矩量(nth moment)定義為 這些量中有些有其特殊名稱，如稱為平均值或期望值，而的組合稱為變異數(variance)，而標準差(standard deviation)則定義成變異數的平方根 隨機變數的期望值通常是告訴我們相對應機率函數的〝(質量)中心〞位置在那兒，而變異數則顯示函數分佈對比〝中心〞的平均距離，亦言之為此分佈的〝寬度〞。當變異數很小時，代表分佈函數在期望值處為一十分尖銳的峰值分佈。 例題：x為出現點數合的隨機變數，其可能值為2,3,……12，1,2,3,4,5,6,5,4,3,2,1)/36， 變異數 標準差 註解：實驗上量取N個數據，直覺上最簡單且直接的方式求其平均數的方式為： 相對的，其標準差則可寫為 由於計算N個數據的標準差時，需先計算平均值，所以數據中的獨立變數僅有 N-1 個，因此計算（有限次數）平均值時分母改為N-1 較為合理。由此標準差定義，只測量一次時，標準差是無法確定的（若分母仍為N，則標準差將為零），而當N→∞時，分母為N 或 N-1 則沒有什麼差別了。 簡易實驗（一）：分別擲二個骰子五次與十次，試個別求出現點數和之期望值與標準差為何？試著討論一下每個人實驗的精確度與準確度，試問自己能否由此結果體會標準差的含意。 ＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊ 定理 若隨機變數X的變異數為，而a, b為常數，則aX + b的變異數為 在某些時候，為討論與計算上方便，我們常將原來的變數轉變成一個具有與原變數相同機率分佈的新變數，而此新變數具有其特定的期望值與變異數。上例中若 , ，則新的隨機變數之期望值為0，變異數為1。習慣上，我們將具有此特性（期望值為0，變異數為1）的變數稱為標準化隨機變數。 ＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊ 在實驗測量上，隨機誤差幾乎是不可避免的。雖然它的出現通常是無跡可尋，但是經由足夠多次的重複試驗，可以統計與機率的規律來描述其特性。由於誤差所代表的意涵為數據分佈的狀況，故我們於此稍加對機率函數分佈做點簡介。 二項分佈(Binopsial Distribution) 在處理實際問題的過程