测试数据处理.pptVIP

测试数据处理 1.1 经典理论回顾 测不准的概念与数学期望 测试结果的置信概率 测试不确定度的表征 1.2 测量信息论 熵 信息熵 最大熵估计 贝叶斯算法 1.3 测量过程的统计控制 1.4 校准方法学 1.1 经典理论回顾 比较 测试就是将未知量与一个假定已知量进行比较的过程. 注意，图中的质量标准是一个形状规则的物体，而未知量则是不规则的。 测不准的概念与数学期望 在任何测试过程中，都不可避免地会产生测试误差。测试误差就是真值与测试值之差。测量信息论就是分析和处理测试误差的理论和方法。 测量误差=真值-测量值 ???? 客观世界的物理真值是永远得不到的!测不准理论! 它只能是测量值的无限近似!只能是数学期望! 无解方程，不确定性，信息熵!!! 以此为出发点,推动了测试科学的发展! 系统误差 系统误差 严格说来，任何测试仪器在物理上都不可能是十全十美的。例如，连接器会导致衰减和反射；“完全相同”的信号通道之间也会有细微的差别；相同放大器的增益大小不一样等等。这些差异是固定的、不变的，它是系统所造成的。由此而产生的测试误差就称为系统误差。 系统误差在相同测试条件下，其误差的大小是恒定的，或者遵循确定规律而变化的，也就是说，系统误差是有规律性的。 系统误差可通过校准来排除或减小。 测试值的数学期望 数学期望 当对一个被测值x进行n次等精度测试，而获得n个测试数据时，由概率论的贝努力(Bernoulli)定理可知：事件发生的频度收敛于它的概率（见下页），即当测试次数为无穷大时，可以用事件发生的频度代替事件发生的概率。这时，测试值x的数学期望为： 式中：n为总的测试次数，ni为取值xi的次数，xi为每次的测试取值。 测试值出现的频度1/n可用概率Pi 代替，因此，测试值x的数学期望值： 可见，测试值 x的数学期望值就是当测试次数n为无穷大时，各次测试值的算术平均值。 测试值的数学期望频度ni/n 一个独立同分布测试数据为： 1.01,1.02,1.01,1.03,1.02,1.15,1.01,1.00,1.01,1.12 取值： 1.00 1.01 1.02 1.03 1.12 1.15 a 频度： 1/10 4/10 2/10 1/10 1/10 1/10 ni/n 概率： 1/10 4/10 2/10 1/10 1/10 1/10 pi 测试值的数学期望频度ni/n 测试值的数学期望 连续函数的数学期望 将离散序列的累加改为积分即可 方差 测试值的数学期望只反映了测试值的大小，而方差则反映了测试数据的离散程度。可以证明，测试值的方差为： 测试值的方差不仅描述了测试数据的离散程度，同时，也说明了随机误差对测试值的影响。这里要说明的是： 方差是的平方后再进行平均，目的是防止正负误差的相互抵消； 平方后再平均的方法，使方差对大的误差有更高的灵敏度； 方差的均方根，称为均方根误差，也称标准偏差，有： 随机误差的统计处理 随机误差根据其概率分布特性的不同有不同的统计处理方法。 高斯分布 在概率论中，中心极限定理认为：如果一个随机变量可以表示为大量独立随机变量之和，而其中每一个随机变量对于总和而言是十分微小的，则可认为这个随机变量服从正态分布，即高斯分布。 显然，随机误差是满足上述条件的。因为造成随机误差的多种因素是彼此独立的，其值也是微小的。因此，随机误差的概率服从高斯分布。这样测试值的随机误差及测试值的概率密度分别为： 高斯分布随机误差和测试值的正态概率分布曲线 从图所示的测试值及测试误差的概率分布曲线，可以看出： 测试误差由于随机误差的影响呈正态分布时， 测试值对称的分布于数学期望的两侧； 绝对值小的随机误差出现的概率大， 而绝对值大的随机误差出现的概率小； 测试值的分散程度可用标准方差来表示， 随机误差大的测试值出现的概率小。 均匀分布概率密度、数学期望、标准偏差 三角分布概率密度和标准偏差 梯形分布标准偏差 反正弦分布密度函数和标准偏差 t分布概率密度函数 标准偏差的合成 有限次测试的算术平均值及其偏差 测试结果的置信概率 异常数据的剔除 测试不确定度的表征 测试不确定度就是表征测试结果正确性的程度。测试的不确定度可用标准偏差表示，也可用测试值的置信区间来表示。因此，不确定度也是一个测试结果质量的定量表征。 测试不确定度可分为三类： (1)标准不确定度： A类：用概率统计方法计算标准不确定度（静态,大样本）； B类：用非概率统计方法计算标准不确定度(动态,小样本)； (2)合成标准不确定度：由各标准