Всё о метрологии

Широкое распространение нормального распределения погрешностей в практике измерений объясняется центральной предельной теоремой теории вероятностей, являющейся одной из самых замечательных математических теорем, в разработке которой принимали участие многие крупнейшие математики — Муавр, Лаплас, Гаусс, Чебышев и Ляпунов. Центральная предельная теорема утверждает, что распределение случайных погрешностей будет близко в нормальному всякий раз, когда результаты наблюдения формируются под влиянием большого числа независимо действующих факторов, каждый из которых оказывает лишь незначительное действие по сравнению с суммарным действием всех остальных.

3. Предположим, что результаты наблюдений распределены нормально, но их среднеквадратическое отклонение является величиной случайной, изменяющейся от опыта к опыту. Такое предположение более осторожное, чем предположение о неизменности σ X в течение всего времени измерений. В этом случае, рассуждая таким же образом, как и прежде, легко найти, что энтропия обращается в максимум, если результаты наблюдений имеют распределение Лапласа с плотностью

(30)

где m X — математическое ожидание, σ X — среднеквадратическое отклонение результатов наблюдения. Распределением Лапласа следует пользоваться в тех случаях, когда точностные характеристики заранее неизвестны или нестабильны во времени.

Дифференциальная функция распределения случайных погрешностей получается подстановкой δ= x-m X и σ X =σ δв выражение (30):

Асимметрия распределения равна нулю, поскольку распределение симметрично относительно нуля, а эксцесс в соответствии с формулой (22) составляет

Таким образом, по сравнению с нормальным распределением ( Ех = 0) равномерное распределение является более плосковершинным ( Ех = -1.2), а распределение Лапласа — более островершинным ( Ех = 3).

Мы подошли к решению вопроса о том, как на основании полученной в эксперименте группы результатов наблюдений оценить истинное значение, т.е. найти результат измерений, как оценить его точность, т.е. меру его приближения к истинному значению.

Эта задача является частным случаем статистической задачи нахождения оценок параметров функции распределения случайной величины на основании выборки — ряда значений, принимаемых этой величиной в n независимых опытах. Оцениваемыми параметрами являются математическое ожидание и среднеквадратическое отклонение, поскольку только они входят в выражение для дифференциальных функций всех трех рассмотренных выше распределений. В уравнениях (25) и (30) для нормального распределения и распределения Лапласа эти параметры входят явно, а в уравнения (23) и (24) для равномерного распределения — не явно, поскольку

α = σ δ√3, b = m X +α = m X +σ X √3, a = m X -α = m X -σ X√3

Оценку â параметра а назовем точечной , если она выражается одним числом. Любая точечная оценка, вычисленная на основании опытных данных, является их функцией и поэтому сама должна представлять собой случайную величину с распределением, зависящим от распределения исходной случайной величины, в том числе от самого оцениваемого параметра и от числа опытов n .

К точечным оценкам предъявляется ряд требований, определяющих их пригодность для описания самих параметров.

1. Оценка называется состоятельной , если при увеличении числа наблюдений она приближается (сходится по вероятности) к значению оцениваемого параметра.

2. Оценка называется несмещенной , если ее математическое ожидание равно оцениваемому параметру.

3. Оценка называется эффективной , если ее дисперсия меньше дисперсии любой другой оценки данного параметра.

На практике не всегда удается удовлетворить одновременно все эти требования, однако выбору оценки должен предшествовать ее критический анализ со всех перечисленных выше точек зрения.

Существует несколько методов определения оценок. Наиболее распространен метод максимального правдоподобия , теоретически обоснованный математиком Р. Фишером. Идея метода заключается в следующем. Вся получаемая в результате многократных наблюдений информация об истинном значении измеряемой величины и рассеивании результатов сосредоточена в ряде наблюдений X 1, X 2, …, X n , где n — число наблюдений. Их можно рассматривать как n независимых случайных величин с одной и той же дифференциальной функцией распределения p X ( x , Q , σ x ). Вероятность P i получения в эксперименте некоторого результата X i , лежащего в интервале x i ±Δ x , где Δ x — некоторая малая величина, равна соответствующему элементу вероятности P i = p X ( x , Q , σ x )Δ x .

Независимость результатов наблюдений позволяет найти априорную вероятность появления одновременно всех экспериментальных данных, т.е. всего ряда наблюдений X 1, X 2, …, X n как произведение этих вероятностей:

Если рассматривать Q и σ x как неизвестные параметры распределения, то, подставляя различные значения Q и σ x в эту формулу, мы будем получать различные значения вероятности P ( X 1, X 2, …, X n ) при каждом фиксированном ряде наблюдений X 1, X 2, …, X n . При некоторых значениях и вероятность получения экспериментальных данных P ( X 1, X 2, …, X n ) достигает наибольшего значения. В соответствии с методом максимального правдоподобия именно эти значения и принимаются в качестве точечных оценок истинного значения и среднеквадратического отклонения результатов наблюдений.

Таким образом, метод максимального правдоподобия сводится к отысканию таких оценок и , при которых функция правдоподобия