Michelson干涉仪的调节和使用数据处理.docxVIP

Michelson干涉仪的调节和使用数据处理原始数据记录从原始数据记录表中可以看到，有一对数据点（300,33989）偏差较大（通过下面的散点图我们可以更加直观地看出来），属于错误数据，应予以剔除，由此得到表二初步处理的数据。实验数据处理下面用最小二乘法来处理表中数据。根据统计学的知识知道，d关于N的经验回归方程可以写作，上式中，，，其中，相关系数r反映了变量之间线性相关的程度，且.为求回归直线方程，所需计算列表如下：将表中数据代入公式，有相关系数=-0.999698显然，d与N存在高度线性相关关系。所以我们可以进行进一步地回归分析，即由可得回归方程.根据回归方程，作回归直线如下:根据，有，取为上述曲线的斜率的绝对值（即），得mm=646nm.已知钠光灯的波长的标称值为λ0=589.3nm，则百分误差9.6216.实验结果d关于N的线性相关系数r=-0.999698，我们有很大的把握确定d与N存在线性相关关系；通过Michelson干涉仪进行相关测量得到钠光的波长为λ=646nm，百分误差相关说明由于实验操作失误等原因，导致部分数据从原始数据记录表里剔除，这会影响我们套用最小二乘法公式进行计算吗？我们从最小二乘法解决问题的思想出发，对上述问题进行必要的说明。假设我们通过实验测得n组数据，如下面表格所示.试验次数i12…nxix1x2…xnyiy1y2…yn通过画散点图我们可以发现，xi和yi大致的散布在一条直线附近。显然这样的直线还可以画很多条，而我们希望找出其中的一条，它能最好的反映y与x之间的关系。换言之，我们要找一条直线，使其“最贴近”这些已知的数据点。记此直线的方程为.①这里在y的上方加“^”，是为了区分y的实际值yi，表示当x取值为xi（i=1,2，…，n）时，Y的相应观察值为yi，而直线上对应于xi的纵坐标是。①式叫做y对x的回归直线方程，b叫做回归系数。现在的问题是如何求回归直线方程①，即如何确定a和回归系数b。如上图，我们发现，离差刻画了实际值观察值yi与回归直线上相应点的纵坐标之间的偏离程度。我们希望这n个离差的构成的总离差越小越好，这样才能使我们的直线很贴近已知的点。一个自然的想法是把这n个离差加起来作为总离差即，但是离差有正有负，直接相加会相互抵消，这样就无法反映这条直线与已知数据点的贴近程度。通常是用离差的平方和，即作为总离差，并使之达到最小(这便是最小二乘法的渊源)。这样回归直线就是所有直线中Q取得最小值的那一条。视Q为a、b的函数，则上述求Q最小值的问题可以转换为求方程组的解来解决，即令亦即将括号内的各项进行整理合并，并把未知数a、b分离出来，得若记，，，则有，至此，我们已经清楚了用最小二乘法解决一元线性回归问题的原理，从中可以看出，该方法并未对已知数据有这样的限制，如自变量x要均匀变化等。因此，该实验数据处理得并无不妥之处（指从中剔除数据）。