简谈测量数据处中的正态分布.docxVIP

简谈测量数据处理中的正态分布 彭碧瑶 201312123010 摘要：基于概率论与数理统计中的正态分布，在实际生产生活中应用广泛，其也可以在测量过程中得以应用。对于测量数据的处理，正态分布的分布方式与模型在误差分析过程发挥着巨大作用。 0.引言 在测量工作的进行过程中，对于部分客观存在的量，无论测量仪器多么精密、测量方法多么合理，其测量结果总会存在带小不同的差异，用术语来说便是误差。而这时，正态分布模型及其曲线在误差分析和数据处理便发挥了重要作用。 1.高斯法导出的偶然误差曲线 实际上，测量数据误差的产生原因有很多，正态分布也并不是都能适用的。而在测量过程中所产生的偶然误差（看似无规律）则恰好符合正态分布，因此对于偶然误差的分析与减小，正态分布便是不可或缺的处理数据方式。 人们通过大量的实践，总结出偶然误差所具有的特点： ①具有界限：在固定的观测条件下，误差的绝对值有一定的限定，换句话说就是超出一定的界限值的误差，其出现的概率为零； ②聚集中间：绝对值较小的误差比绝对值较大的误差出现的概率大； ③左右对称：绝对值相等的正负误差出现的概率相等； ④互相抵偿：偶然误差的数学期望为零。 因此，高斯结合实际测量，导出了偶然误差分布曲线的解析表达式，也就是一维正态分布的密度函数曲线的解析式。 高斯法的一个关键是：当n→∞时，?l=∑lin 即算术平均数趋近于该变量的数学期望。因此，可以认为观测值误差Δ和观测值改正数v有相同的特性。 设对某随机变量观测n次，出现n个误差Δ1，Δ2，…，Δn，其联合出现的概率为 P(Δ1，Δ2，…，Δn）=f(Δ1)dΔ·f(Δ2)dΔ…f(Δn)dΔ 出现这一组Δ，而不出现其他一组，说明这一组误差联合出现的概率最大，上式有最大值，等价于G=f(Δ1)·f(Δ2)…·f(Δn)=max 或lnG=ln f(Δ1)+lnf(Δ2)+…+lnf(Δn)=lnf(v1)+ln f(v2)+…+ln f(vn)=max 式中，vi=?l-li是?l=∑lin函数，不同的?l有不同的vi 要在上式最大条件下找出?l，或者说找到这样一个?l，使一组v1，v2，…，vn出现的概率最大，因此将上式求导并令其等于零，即 d(lnG) 因为dvid?l=1 再令 则有 φ 又因为 v1 则必有 φ 即 d[lnf(v)]=Cvdv lnf(v)=∫Cvdv=1 f(v)=e12C q其中，A,C是两个待定的常数。因为v和Δ具有相同的特性，将上式的v换成Δ，即 f(Δ)= A·e 因为因变量为Δ2，上式为偶函数，即满足f(Δ)=f(-Δ),又因为Δ绝对值大，f(Δ)小，即为降函数，令1 又由偶然误差性质知： -∞+∞f(Δ 令t=hΔ,则dt=hdΔ,有 A- A 即 f(v)=hπe-h2 得 σ2= 由此可得 f(?) 这就是偶然误差分布曲线的解析表达式，若将Δ作为一般的随机变量并用x表示，则数学期望不等于零，设为μ，则由上式可知一维正态分布的密度函数曲线的表达式为 f(x) 取f(Δ)的一价导数并令其等于零，即 f(?)1σ2π 当Δ=0时，f(0)= 1σ2π为函数的最大值。取f(Δ)的二价导数并令其等于零，即 f(?) 由此求出的Δ为曲线拐点的横坐标，其值为 Δ拐=σ 以上便是由高斯法导出偶然分布曲线的关系式以及特殊点。 2.衡量误差的指标 在上面我们已经推出了偶然误差分布曲线符合正态分布的表达式，那么其性质也可以和正态分布对应。 在测量数据处理中，需要评定结果的精度，即指偶然误差分布的密集或离散程度，也就是离散度的大小。而精度的高低则与上式中的h和σ有关。 在测量中定义按有限次数观测的偶然误差求得的标准差称为中误差，即σ。在σ的几何意义中，σ越小，上面曲线的形状越陡峭，曲线在纵轴方向的顶峰越高，在纵轴两侧越迅速逼近纵轴，表示大误差出现的频率越小，小误差出现的频率越大，偶然误差分布越集中，其对应的精度越高；反之，σ越大，上面曲线的形状越平缓，曲线在纵轴方向的定峰越低，在纵轴两侧越缓慢逼近纵轴，表示大误差出现的频率越大，小误差出现的频率越小，偶然误差分布越分散，其对应的精度越低。 而在正态分布曲线具有两个拐点，其值为变量的数学期望，对于偶然误差而言，数学期望是零，所以拐点为±σ。根据正态分布的性质，设以k倍的中误差作为区间，则偶然误差在此区间中出现的概率为P(?kσ)= 分别以k=1,k=2,k=3代入上式，可以得到偶然误差的绝对值不大于中误差