1.1+误差分析第一节.pptVIP

试验设计与数据处理（第二版） Experiment Design and Data Processing 引 言 0.1 试验设计与数据处理的发展概况 20世纪20年代，英国生物统计学家及数学家费歇（R．A．Fisher）提出了方差分析 20世纪50年代，日本统计学家田口玄一将试验设计中应用最广的正交设计表格化 数学家华罗庚教授也在国内积极倡导和普及的“优选法” 我国数学家王元和方开泰于1978年首先提出了均匀设计 0.2 试验设计与数据处理的意义 0.2.1 试验设计的目的: 合理地安排试验,力求用较少的试验次数获得较好结果 例：某试验研究了3个影响因素： A：A1，A2，A3 B：B1，B2，B3 C：C1，C2，C3 全面试验：27次 正交试验：9次 0.2.2 数据处理的目的 通过误差分析，评判试验数据的可靠性； 确定影响试验结果的因素主次，抓住主要矛盾，提高试验效率； 确定试验因素与试验结果之间存在的近似函数关系，并能对试验结果进行预测和优化； 试验因素对试验结果的影响规律，为控制试验提供思路； 确定最优试验方案或配方。 第1章 试验数据的误差分析 误差分析（error analysis） ：对原始数据的可靠性进行客观的评定 误差（error） ：试验中获得的试验值与它的客观真实值在数值上的不一致 试验结果都具有误差，误差自始至终存在于一切科学实验过程中 客观真实值——真值 1.1 真值与平均值 1.1.1 真值（true value） 真值：在某一时刻和某一状态下，某量的客观值或实际值 真值一般是未知的 相对的意义上来说，真值又是已知的 平面三角形三内角之和恒为180° 国家标准样品的标称值 国际上公认的计量值 高精度仪器所测之值 多次试验值的平均值 1.1.2 平均值（mean） （1）算术平均值（arithmetic mean） 等精度试验值 适合： 试验值服从正态分布 （2）加权平均值(weighted mean) 适合不同试验值的精度或可靠性不一致时 wi——权重 加权和 （3）对数平均值（logarithmic mean） 说明： 若数据的分布具有对数特性，则宜使用对数平均值 对数平均值≤算术平均值 如果1/2≤x1/x2≤2 时，可用算术平均值代替 设两个数：x1＞0，x2 ＞0 ，则 （4）几何平均值（geometric mean） 当一组试验值取对数后所得数据的分布曲线更加对称时，宜采用几何平均值。 几何平均值≤算术平均值 设有n个正试验值：x1，x2，…，xn，则 （5）调和平均值（harmonic mean） 常用在涉及到与一些量的倒数有关的场合 调和平均值≤几何平均值≤算术平均值 设有n个正试验值：x1，x2，…，xn，则： 常用在涉及到与一些量的倒数有关的场合 调和平均值≤几何平均值≤算术平均值 1.2 误差的基本概念 1.2.1 绝对误差（absolute error） （1）定义 绝对误差＝试验值－真值 或 （2）说明 真值未知，绝对误差也未知 可以估计出绝对误差的范围： 绝对误差限或绝对误差上界 或 绝对误差估算方法： 最小刻度的一半为绝对误差； 最小刻度为最大绝对误差； 根据仪表精度等级计算： 绝对误差=量程×精度等级% 1.2.2 相对误差（relative error） （1）定义： 或 或 （2）说明： 真值未知，常将Δx与试验值或平均值之比作为相对误差： 或 可以估计出相对误差的大小范围： 相对误差限或相对误差上界 相对误差常常表示为百分数（%）或千分数（‰） ∴ 1.2.3 算术平均误差 (average discrepancy) 定义式： 可以反映一组试验数据的误差大小 试验值 与算术平均值 之间的偏差 —— 1.2.4 标准误差 (standard error) 当试验次数n无穷大时，总体标准差： 试验次数为有限次时，样本标准差： 表示试验值的精密度，标准差↓，试验数据精密度↑  （1）定义：以不可预知的规律变化着的误差，绝对误差时正时负，时大时小 （2）产生的原因： 偶然因素 （3）特点：具有统计规律 小误差比大误差出现机会多 正、负误差出现的次数近似相等 当试验次数足够多时，误差的平均值趋向于零 可以通过增加试验次数减小随机误差 随机误差不可完全避免的 1.3.1 随机误差 （random error ） 1.3 试验数据误差的来源及分类 1.3.2 系统误差（systematic e