Понятие о физической величине. 
Международная система единиц физических величин СИ

1. ПОНЯТИЕ О ФИЗИЧЕСКОЙ ВЕЛИЧИНЕ. МЕЖДУНАРОДНАЯ СИСТЕМА ЕДИНИЦ ФИЗИЧЕСКИХ ВЕЛИЧИН СИ

Под физической величиной понимают характеристику физических объектов или явлений материального мира, общую в качественном отношении для множества объектов или явлений, но индивидуальную для каждого из них в количественном отношении. Например, масса — физическая величина. Она является общей характеристикой физических объектов в качественном отношении, но в количественном отношении для различных объектов имеет свое индивидуальное значение.

Под значением физической величины понимают ее оценку, выражаемую произведением отвлеченного числа на принятую для данной физической величины единицу. Например, в выражении для давления атмосферного воздуха р = 95,2 кПа, 95,2 — отвлеченное число, представляющее числовое значение давления воздуха, кПа — принятая в данном случае единица давления.

Под единицей физической величины понимают физическую величину, фиксированную по размеру и принятую в качестве основы для количественной оценки конкретных физических величин. Например, в качестве единиц длины применяют метр, сантиметр и др.

Одной из важнейших характеристик физической величины является ее размерность. Размерность физической величины отражает связь данной величины с величинами, принятыми за основные в рассматриваемой системе величин.

Система величин, которая определяется Международной системой единиц СИ и которая принята в России, содержит семь основных системных величин, представленных в Табл.1.1.

Существуют две дополнительные единицы СИ — радиан и стерадиан, характеристики которых представлены в Табл.1.2.

Из основных и дополнительных единиц СИ образованы 18 производных единиц СИ, которым присвоены специальные, обязательные к применению наименования. Шестнадцать единиц названы в честь ученых, остальные две — люкс и люмен (см. Табл.1.3).

Специальные наименования единиц могут быть использованы при образовании других производных единиц. Производными единицами, не имеющими специального обязательного наименования являются: площадь, объем, скорость, ускорение, плотность, импульс, момент силы и др.

Наравне с единицами СИ допускается применять десятичные кратные и дольные от них единицы. В Табл.1.4 представлены наименования и обозначения приставок таких единиц и их множители. Такие приставки называются приставками СИ.

Выбор той или иной десятичной кратной или дольной единицы прежде всего определяется удобством ее применения на практике. В принципе выбирают такие кратные и дольные единицы, при которых числовые значения величин находятся в диапазоне от 0,1 до 1000. Например, вместо 4 000 000 Па лучше применять 4 МПа.

Таблица 1.1. Основные единицы СИ

* Кроме температуры Кельвина (обозначение Т) допускается применять также температуру Цельсия (обозначение t), определяемую выражением t = Т — 273,15 К. Температура Кельвина выражается в кельвинах, а температура Цельсия — в градусах Цельсия (°С). Интервал или разность температур Кельвина выражают только в кельвинах. Интервал или разность температур Цельсия допускается выражать как в кельвинах, так и в градусах Цельсия.

Таблица 1.2

Дополнительные единицы СИ

Таблица 1.3

Производные единицы СИ, имеющие специальные наименования

Таблица 1.4

Наименования и обозначения приставок СИ для образования десятичных кратных и дольных единиц и их множители

* Приставки «гекто», «дека», «деци» и «санти» допускается применять только для единиц, получивших широкое распространение, например: дециметр, сантиметр, декалитр, гектолитр.

МАТЕМАТИЧЕСКИЕ ОПЕРАЦИИ С ПРИБЛИЖЕННЫМИ ЧИСЛАМИ

В результате измерений, а также при проведении многих математических операций получаются приближенные значения искомых величин. Поэтому необходимо рассмотреть ряд правил вычислений с приближенными значениями. Эти правила позволяют уменьшить объем вычислительной работы и исключить дополнительные погрешности. Приближенные значения имеют такие величины, как ?, логарифмы и т. п., различные физические постоянные, результаты измерений.

Как известно, любое число записывают с помощью цифр: 1, 2, …, 9, 0; при этом значащими цифрами считают 1, 2, …, 9. Нуль может быть как значащей цифрой, если он стоит в середине или конце числа, так и незначащей, если он стоит в десятичной дроби с левой стороны и указывает лишь разряд остальных цифр.

При записи приближенного числа следует учитывать, что цифры, составляющие его, могут быть верными, сомнительными и неверными. Цифра верна, если абсолютная погрешность числа меньше одной единицы разряда этой цифры (слева от нее все цифры будут верными). Сомнительной называют цифру, стоящую справа от верной цифры, а цифры справа от сомнительной неверные. Неверные цифры необходимо отбросить не только в результате, но и в исходных данных. Округлять число при этом не нужно. Когда погрешность числа не указана, то следует считать, что абсолютная погрешность его равна половине единицы разряда последней цифры. Разряд старшей цифры погрешности показывает разряд сомнительной цифры в числе. В качестве значащих цифр могут быть только верные и сомнительные цифры, но если погрешность числа не указана, то все цифры значащие.

Следует применять следующее основное правило записи приближенных чисел (в соответствии со СТ СЭВ 543−77): приближенное число должно быть записано с таким числом значащих цифр, которое гарантирует верность последней значащей цифры числа, например:

1) запись числа 4,6 означает, что верны только цифры целых и десятых (истинное значение числа может быть 4,64; 4,62; 4,56);

2) запись числа 4,60 означает, что верны и сотые доли числа (истинное значение числа может быть 4,604; 4,602; 4,596);

3) запись числа 493 означает, что верны все три цифры; если за последнюю цифру 3 ручаться нельзя, это число должно быть записано так: 4,9· 10²;

4) при выражении плотности ртути 13,6 г/см³ в единицах СИ (кг/м³) следует писать 13,6· 10³ кг/м³ и нельзя писать 13 600 кг/м³, что означало бы верность пяти значащих цифр, в то время как в исходном числе приведены только три верные значащие цифры.

Результаты экспериментов записывают только значащими цифрами. Запятую ставят сразу после отличной от нуля цифры, а число умножают на десять в соответствующей степени. Нули, стоящие в начале или конце числа, как правило, не записывают. Например, числа 0,435 и 234 000 записываются так 4,35· 10^-3 и 2,34· 10⁵. Подобная запись упрощает вычисления, особенно в случае формул, удобных для логарифмирования.

Округление числа (в соответствии со СТ СЭВ 543−77) представляет собой отбрасывание значащих цифр справа до определенного разряда с возможным изменением цифры этого разряда.

При округлении последняя сохраняемая цифра не изменяется, если:

1) первая отбрасываемая цифра, считая слева направо, меньше 5;

2) первая отбрасываемая цифра, равная 5, получилась в результате предыдущего округления в большую сторону.

При округлении последняя сохраняемая цифра увеличивается на единицу, если

1) первая отбрасываемая цифра больше 5;

2) первая отбрасываемая цифра, считая слева направо, равна 5 (при отсутствии предыдущих округлений или при наличии предыдущего округления в меньшую сторону).

Округление следует выполнять сразу до желаемого числа значащих цифр, а не по этапам, что может привести к ошибкам.

ОБЩАЯ ХАРАКТЕРИСТИКА И КЛАССИФИКАЦИЯ НАУЧНЫХ ЭКСПЕРИМЕНТОВ

Каждый эксперимент представляет собой совокупность трех составных частей: исследуемого явления (процесса, объекта), условий и средств проведения эксперимента. Эксперимент проводится в несколько этапов:

1) предметно-содержательное изучение исследуемого процесса и его математическое описание на основе имеющейся априорной информации, анализ и определение условий и средств проведения эксперимента;

2) создание условий для проведения эксперимента и функционирования исследуемого объекта в желаемом режиме, обеспечивающем наиболее эффективное наблюдение за ним;

3) сбор, регистрация и математическая обработка экспериментальных данных, представление результатов обработки в требуемой форме;

4) содержательный анализ и интерпретация результатов эксперимента;

5) использование результатов эксперимента, например коррекция физической модели явления или объекта, применение модели для прогноза, управления или оптимизации и др.

В зависимости от типа исследуемого объекта (явления) выделяют несколько классов экспериментов: физические, инженерные, медицинские, биологические, экономические, социологические и др. Наиболее глубоко разработаны общие вопросы проведения физических и инженерных экспериментов, в которых исследуются естественные или искусственные физические объекты (устройства) и протекающие в них процессы. При их проведении исследователь может неоднократно повторять измерения физических величин в сходных условиях, задавать желаемые значения входных переменных, изменять их в широких масштабах, фиксировать или устранять влияние тех факторов, зависимость от которых в настоящий момент не исследуется.

Классификацию экспериментов можно провести по следующим признакам:

1) степени близости используемого в эксперименте объекта к объекту, в отношении которого планируется получение новой информации (натурный, стендовый или полигонный, модельный, вычислительный эксперименты);

2) цели проведения — исследование, испытание (контроль), управление (оптимизация, настройка);

3) степени влияния на условия проведения эксперимента (пассивный и активный эксперименты);

4) степени участия человека (эксперименты с использованием автоматических, автоматизированных и неавтоматизированных средств проведения эксперимента).

Результатом эксперимента в широком смысле является теоретическое осмысление экспериментальных данных и установление законов и причинно-следственных связей, позволяющих предсказывать ход интересующих исследователя явлений, выбирать такие условия, при которых удается добиться требуемого или наиболее благоприятного их протекания. В более узком смысле под результатом эксперимента часто понимается математическая модель, устанавливающая формальные функциональные или вероятностные связи между различными переменными, процессами или явлениями.

ОБЩИЕ СВЕДЕНИЯ О СРЕДСТВАХ ПРОВЕДЕНИЯ ЭКСПЕРИМЕНТА

Исходная информация для построения математической модели исследуемого явления добывается с помощью средств проведения эксперимента, представляющих собой совокупность средств измерений различных типов (измерительных устройств, преобразователей и принадлежностей к ним), каналов передачи информации и вспомогательных устройств для обеспечения условий проведения эксперимента. В зависимости от целей эксперимента иногда различают измерительные информационные (исследование), измерительные контролирующие (контроль, испытание) и измерительные управляющие (управление, оптимизация) системы, которые различаются как составом оборудования, так и сложностью обработки экспериментальных данных. Состав средств измерений в существенной степени определяется математической моделью описываемого объекта.

В связи с возрастанием сложности экспериментальных исследований в состав современных измерительных систем включаются вычислительные средства различных классов (ЭВМ, программируемые микрокалькуляторы). Эти средства выполняют как задачи сбора и математической обработки экспериментальной информации, так и задачи управления ходом эксперимента и автоматизации функционирования измерительной системы. Эффективность применения вычислительных средств при проведении экспериментов проявляется в следующих основных направлениях:

1) сокращение времени подготовки и проведении эксперимента в результате ускорения сбора и обработки информации;

2) повышение точности и достоверности результатов эксперимента на основе использования более сложных и эффективных алгоритмов обработки измерительных сигналов, увеличении объема используемых экспериментальных данных;

3) сокращение числа исследователей и появление возможности создания автоматических систем;

4) усиление контроля за ходом проведения эксперимента и повышение возможностей его оптимизации.

Таким образом, современные средства проведения эксперимента представляют собой, как правило, измерительно-вычислительные системы (ИВС) или комплексы, снабженные развитыми вычислительными средствами. При обосновании структуры и состава ИВС необходимо решить следующие основные задачи:

1) определить состав аппаратной части ИВС (средств измерения, вспомогательного оборудования);

2) выбрать тип ЭВМ, входящей в состав ИВС;

3) установить каналы связи между ЭВМ, устройствами, входящими в аппаратную часть ИВС, и потребителем информации;

4) разработать программное обеспечение ИВС.

2. ПЛАНИРОВАНИЕ ЭКСПЕРИМЕНТА И СТАТИСТИЧЕСКАЯ ОБРАБОТКА ЭКСПЕРИМЕНТАЛЬНЫХ ДАННЫХ

ОСНОВНЫЕ ПОНЯТИЯ И ОПРЕДЕЛЕНИЯ

Большинство исследований проводят для установления с помощью эксперимента функциональных или статистических связей между несколькими величинами или для решения экстремальных задач. Классический метод постановки эксперимента предусматривает фиксирование на принятых уровнях всех переменных факторов, кроме одного, значения которого определенным образом изменяют в области его определения. Этот метод составляет основу однофакторного эксперимента (такой эксперимент часто называют пассивным). При однофакторном эксперименте, варьируя один фактор и стабилизируя все прочие на выбранных уровнях, находят зависимость исследуемой величины только от одного фактора. Производя большое число однофакторных экспериментов при изучении многофакторной системы, получают частотные зависимости, представленные многими графиками, имеющими иллюстративный характер. Найденные таким образом частные зависимости невозможно объединить в одну большую. В случае однофакторного (пассивного) эксперимента статистические методы применяют после окончания экспериментов, когда данные уже получены.

Использование однофакторного эксперимента для всестороннего исследования многофакторного процесса требует постановки очень большого числа опытов. Для их выполнения в ряде случаев необходимо значительное время, в течение которого влияние неконтролируемых факторов на результаты опытов может существенно измениться. По этой причине данные большого числа опытов оказываются несопоставимыми. Отсюда следует, что результаты однофакторных экспериментов, полученные при исследовании многофакторных систем, часто малопригодны для практического использования. Кроме того, при решении экстремальных задач данные значительного числа опытов оказываются ненужными, так как получены они для области, далекой от оптимума. Для изучения многофакторных систем наиболее целесообразным является применение статистических методов планирования эксперимента.

Под планированием эксперимента понимают процесс определения числа и условий проведения опытов, необходимых и достаточных для решения поставленной задачи с требуемой точностью.

Планирование эксперимента — это раздел математической статистики. В нем рассматриваются статистические методы планирования эксперимента. Эти методы позволяют во многих случаях при минимальном числе опытов получать модели многофакторных процессов.

Эффективность использования статистических методов планирования эксперимента при исследовании технологических процессов объясняется тем, что многие важные характеристики этих процессов являются случайными величинами, распределения которых близко следуют нормальному закону.

Характерными особенностями процесса планирования эксперимента являются стремление минимизировать число опытов; одновременное варьирование всех исследуемых факторов по специальным правилам — алгоритмам; применение математического аппарата, формализующего многие действия исследователя; выбор стратегии, позволяющей принимать обоснованные решения после каждой серии опытов.

При планировании эксперимента статистические методы применяются на всех этапах исследования и, прежде всего, перед постановкой опытов, разрабатывая схему эксперимента, а также в ходе эксперимента, при обработке результатов и после эксперимента, принимая решения о дальнейших действиях. Такой эксперимент называют активным и он предполагает планирование эксперимента.

Основные преимущества активного эксперимента связаны с тем, что он позволяет:

1) минимизировать общее число опытов;

2) выбирать четкие логически обоснованные процедуры, последовательно выполняемые экспериментатором при проведении исследования;

3) использовать математический аппарат, формализующий многие действия экспериментатора;

4) одновременно варьировать всеми переменными и оптимально использовать факторное пространство;

5) организовать эксперимент таким образом, чтобы выполнялись многие исходные предпосылки регрессионного анализа;

6) получать математические модели, имеющие лучшие в некотором смысле свойства по сравнению с моделями, построенными из пассивного эксперимента;

7) рандомизировать условия опытов, т. е. многочисленные мешающие факторы превратить в случайные величины;

8) оценивать элемент неопределенности, связанный с экспериментом, что дает возможность сопоставлять результаты, получаемые разными исследователями.

Чаще всего активный эксперимент ставят для решения одной из двух основных задач. Первую задачу называют экстремальной. Она заключается в отыскании условий процесса, обеспечивающих получение оптимального значения выбранного параметра. Признаком экстремальных задач является требование поиска экстремума некоторой функции (*проиллюстрировать графиком*). Эксперименты, которые ставят для решения задач оптимизации, называют экстремальными.

Вторую задачу называют интерполяционной. Она состоит в построении интерполяционной формулы для предсказания значений изучаемого параметра, зависящего от ряда факторов.

Для решения экстремальной или интерполяционной задачи необходимо иметь математическую модель исследуемого объекта. Модель объекта получают, используя результаты опытов.

При исследовании многофакторного процесса постановка всех возможных опытов для получения математической модели связана с огромной трудоемкостью эксперимента, так как число всех возможных опытов очень велико. Задача планирования эксперимента состоит в установлении минимально необходимого числа опытов и условий их проведения, в выборе методов математической обработки результатов и в принятии решений.

ОСНОВНЫЕ ЭТАПЫ И РЕЖИМЫ СТАТИСТИЧЕСКОЙ ОБРАБОТКИ ЭКСПЕРИМЕНТАЛЬНЫХ ДАННЫХ

1. Содержательный анализ эксперимента, построение априорной вероятностной математической модели источника экспериментальных данных.

2. Составление плана эксперимента, в частности, определение значений независимых переменных, выбор тестовых сигналов, оценка объема наблюдений. Предварительное обоснование и выбор методов и алгоритмов статистической обработки экспериментальных данных.

3. Проведение непосредственно экспериментальных исследований, сбор экспериментальных данных, их регистрация и ввод в ЭВМ.

4. Предварительная статистическая обработка данных, предназначенная, в первую очередь, для проверки выполнения предпосылок, лежащих в основе выбранного статистического метода построения стохастической модели объекта исследований, а при необходимости — для коррекции априорной модели и изменения решения о выборе алгоритма обработки.

5. Составление детального плана дальнейшего статистического анализа экспериментальных данных.

6. Статистическая обработка экспериментальных данных (вторичная, полная, итоговая обработка), направленная на построение модели объекта исследования, и статистический анализ ее качества. Иногда на этом же этапе решаются и задачи использования построенной модели, например: оптимизируются параметры объекта.

7. Формально-логическая и содержательная интерпретация результатов экспериментов, принятие решения о продолжении или завершении эксперимента, подведение итогов исследования.

Статистическая обработка экспериментальных данных может быть осуществлена в двух основных режимах.

В первом режиме сначала производится сбор и регистрация полного объема экспериментальных данных и лишь затем они обрабатываются. Этот вид обработки называют off-line-обработкой, апостериорной обработкой, обработкой данных по выборке полного (фиксированного) объема. Достоинством этого режима обработки является возможность использования всего арсенала статистических методов анализа данных и, соответственно, наиболее полное извлечение из них экспериментальной информации. Однако оперативность такой обработки может не удовлетворять потребителя, кроме того, управление ходом эксперимента почти невозможно.

Во втором режиме обработка наблюдений производится параллельно с их получением. Этот вид обработки называют on-line-обработкой, обработкой данных по выборке нарастающего объема, последовательной обработкой данных. В этом режиме появляется возможность экспресс-анализа результатов эксперимента и оперативного управления его ходом.

ОБЩИЕ СВЕДЕНИЯ ОБ ОСНОВНЫХ СТАТИСТИЧЕСКИХ МЕТОДАХ

При решении задач обработки экспериментальных данных используются методы, основанные на двух основных составных частях аппарата математической статистики: теории статистического оценивания неизвестных параметров, используемых при описании модели эксперимента, и теории проверки статистических гипотез о параметрах или природе анализируемой модели.

1. Корреляционный анализ. Его сущность состоит в определении степени вероятности связи (как правило, линейной) между двумя и более случайными величинами. В качестве этих случайных величин могут выступать входные, независимые переменные. В этот набор может включаться и результирующая (зависимая переменная). В последнем случае корреляционный анализ позволяет отобрать факторы или регрессоры (в регрессионной модели), оказывающие наиболее существенное влияние на результирующий признак. Отобранные величины используются для дальнейшего анализа, в частности при выполнении регрессионного анализа. Корреляционный анализ позволяет обнаруживать заранее неизвестные причинно-следственные связи между переменными. При этом следует иметь в виду, что наличие корреляции между переменными является только необходимым, но не достаточным условием наличия причинных связей.

Корреляционный анализ используется на этапе предварительной обработки экспериментальных данных.

2. Дисперсионный анализ. Этот метод предназначен для обработки экспериментальных данных, зависящих от качественных факторов, и для оценки существенности влияния этих факторов на результаты наблюдений.

Его сущность состоит в разложении дисперсии результирующей переменной на независимые составляющие, каждая из которых характеризует влияние того или иного фактора на эту переменную. Сравнение этих составляющих позволяет оценить существенность влияния факторов.

3. Регрессионный анализ. Методы регрессионного анализа позволяют установить структуру и параметры модели, связывающей количественные результирующую и факторные переменные, и оценить степень ее согласованности с экспериментальными данными. Этот вид статистического анализа позволяет решать главную задачу эксперимента в случае, если наблюдаемые и результирующие переменные являются количественными, и в этом смысле он является основным при обработке этого типа экспериментальных данных.

4. Факторный анализ. Его сущность состоит в том, что «внешние» факторы, используемые в модели и сильно взаимосвязанные между собой, должны быть заменены другими, более малочисленными «внутренними факторами, которые трудно или невозможно измерить, но которые определяют поведение «внешних» факторов и тем самым поведение результирующей переменной. Факторный анализ делает возможным выдвижение гипотез о структуре взаимосвязи переменных, не задавая эту структуру заранее и не имея о ней предварительно никаких сведений. Эта структура определяется по результатам наблюдений. Полученные гипотезы могут быть проверены в ходе дальнейших экспериментов. Задачей факторного анализа является нахождение простой структуры, которая бы достаточно точно отражала и воспроизводила реальные, существующие зависимости.

4. ОСНОВНЫЕ ЗАДАЧИ ПРЕДВАРИТЕЛЬНОЙ ОБРАБОТКИ ЭКСПЕРИМЕНТАЛЬНЫХ ДАННЫХ

Конечной целью предварительной обработки экспериментальных данных является выдвижение гипотез о классе и структуре математической модели исследуемого явления, определение состава и объема дополнительных измерений, выбор возможных методов последующей статистической обработки. Для этого необходимо решить некоторые частные задачи, среди которых можно выделить следующие:

1. Анализ, отбраковка и восстановление аномальных (ошибочных) или пропущенных измерений, так как экспериментальная информация обычно неоднородна по качеству.

2. Экспериментальная проверка законов распределения полученных данных, оценка параметров и числовых характеристик наблюдаемых случайных величин или процессов. Выбор методов последующей обработки, направленной на построение и проверку адекватности математической модели исследуемому явлению, существенно зависит от закона распределения наблюдаемых величин.

3. Сжатие и группировка исходной информации при большом объеме экспериментальных данных. При этом должны быть учтены особенности их законов распределения, которые выявлены на предыдущем этапе обработки.

4. Объединение нескольких групп измерений, полученных, возможно, в различное время или в различных условиях, для совместной обработки.

5. Выявление статистических связей и взаимовлияния различных измеряемых факторов и результирующих переменных, последовательных измерений одних и тех же величин. Решение этой задачи позволяет отобрать те переменные, которые оказывают наиболее сильное влияние на результирующий признак. Выделенные факторы используются для дальнейшей обработки, в частности, методами регрессионного анализа. Анализ корреляционных связей делает возможным выдвижение гипотез о структуре взаимосвязи переменных и, в конечном итоге, о структуре модели явления.

Для предварительной обработки характерно итерационное решение основных задач, когда повторно возвращаются к решению той или иной задачи после получения результатов на последующем этапе обработки.

1. КЛАССИФИКАЦИЯ ОШИБОК ИЗМЕРЕНИЯ.

Под измерением понимают нахождение значения физической величины экспериментальным путем с помощью специальных технических средств. Измерения могут быть как прямыми, когда искомую величину находят непосредственно из опытных данных, так и косвенными, когда искомую величину определяют на основании известной зависимости между этой величиной и величинами, подвергаемыми прямым измерениям. Значение величины, найденное измерением, называют результатом измерения.

Несовершенство измерительных приборов и органов чувств человека, а часто и природа самой измеряемой величины приводят к тому, что при любых измерениях результаты получаются с определенной точностью, т. е. эксперимент дает не истинное значение измеряемой величины, а лишь ее приближенное значение. Под действительным значением физической величины понимают ее значение, найденное экспериментально и настолько приближающееся к истинному значению, что для данной цели может быть использовано вместо него.

Точность измерения определяется близостью его результата к истинному значению измеряемой величины. Точность прибора определяется степенью приближения его показаний к истинному значению искомой величины, а точность метода — физическим явлением, на котором он основан.

Ошибки (погрешности) измерений характеризуются отклонением результатов измерений от истинного значения измеряемой величины. Ошибка измерения, как и истинное значение измеряемой величины, обычно неизвестна. Поэтому одной из основных задач статистической обработки результатов эксперимента и является оценка истинного значения измеряемой величины по полученным опытным данным. Другими словами, после неоднократного измерения искомой величины и получения ряда результатов, каждый из которых содержит некоторую неизвестную ошибку, ставится задача вычисления приближенного значения искомой величины с возможно меньшей ошибкой.

Ошибки измерений делят на грубые ошибки (промахи), систематические и случайные.

Грубые ошибки. Грубые ошибки возникают вследствие нарушения основных условий измерения или в результате недосмотра экспериментатора. При обнаружении грубой ошибки результат измерения следует сразу отбросить и повторить измерение. Внешним признаком результата, содержащего грубую ошибку, является его резкое отличие по величине от остальных результатов. На этом основаны некоторые критерии исключения грубых ошибок по их величине (будут рассмотрены далее), однако самым надежным и эффективным способом браковки неверных результатов является браковка их непосредственно в процессе самих измерений.

Систематические ошибки. Систематической является такая погрешность, которая остается постоянной или закономерно изменяется при повторных измерениях одной и той же величины. Систематические погрешности появляются из-за неправильной регулировки приборов, неточности метода измерения, какого-либо упущения экспериментатора, использования для вычисления неточных данных.

Систематические ошибки возникают также при проведении сложных измерений. Экспериментатор может и не догадываться о них, хотя они могут быть очень большими. Поэтому в таких случаях нужно тщательно проанализировать методику измерений. Такие ошибки можно обнаружить, в частности, проведя измерения искомой величины другим методом. Совпадение результатов измерений обоими методами служит определенной гарантией отсутствия систематических погрешностей.

При измерениях необходимо сделать все возможное, чтобы исключить систематические погрешности, так как они могут быть так велики, что сильно исказят результаты. Выявленные погрешности устраняют введением поправок.

Случайные ошибки. Случайной ошибкой является составляющая погрешности измерения, которая изменяется случайным образом, т. е. это ошибка измерения, остающаяся после устранения всех выявленных систематических и грубых ошибок. Случайные ошибки вызываются большим числом как объективных, так и субъективных факторов, которые нельзя выделить и учесть в отдельности. Поскольку причины, приводящие к случайным ошибкам, не одинаковы, в каждом эксперименте и не могут быть учтены, исключить такие ошибки нельзя, можно лишь оценить их значение. С помощью методов теории вероятностей можно учесть их влияние на оценку истинного значения измеряемой величины со значительно меньшей ошибкой, чем ошибки отдельных измерений.

Поэтому, когда случайная погрешность больше погрешности измерительного прибора, необходимо многократно повторять одно и то же измерение для уменьшения ее значения. Это позволяет минимизировать случайную погрешность и сделать ее сравнимой с погрешностью прибора. Если же случайная ошибка меньше погрешности прибора, то уменьшать ее не имеет смысла.

Кроме этого, ошибки делят на абсолютные, относительные и инструментальные. Абсолютной ошибкой считают погрешность, выраженную в единицах измеряемой величины. Относительной ошибкой является отношение абсолютной ошибки к истинному значению измеряемой величины. Составляющую ошибки измерения, которая зависит от погрешности применяемых средств измерения, называют инструментальной погрешностью измерения.

2. ПОГРЕШНОСТИ ПРЯМЫХ РАВНОТОЧНЫХ ИЗМЕРЕНИЙ. ЗАКОН НОРМАЛЬНОГО РАСПРЕДЕЛЕНИЯ.

Прямые измерения — это такие измерения, когда значение изучаемой величины находят непосредственно из опытных данных, например снимая показания прибора, измеряющего значение искомой величины. Для нахождения случайной погрешности измерение необходимо провести несколько раз. Результаты таких измерений имеют близкие значения погрешностей и называются равноточными.

Пусть в результате n измерений величины х, проведенных с одинаковой точностью, получен ряд значений: х₁, х₂, …, х_n. Как показано в теории ошибок, наиболее близким к истинному значению х₀ измеряемой величины х является среднее арифметическое значение

. (2.1)

Среднее арифметическое значение рассматривают только как наиболее вероятное значение измеряемой величины. Результаты отдельных измерений в общем случае отличаются от истинного значения х₀. При этом абсолютная погрешность i-го измерения составляет

Dx_i' = х₀ — x_i4

и может принимать как положительные, так и отрицательные значения с равной вероятностью. Суммируя все погрешности, получаем

Откуда

. (2.2)

В этом выражении второе слагаемое в правой части при большом n равно нулю, так как всякой положительной погрешности можно поставить в соответствие равную ей отрицательную. Тогда х₀=. При ограниченном числе измерений будет лишь приближенное равенство х₀. Таким образом, можно назвать действительным значением.

Во всех практических случаях значение х₀ неизвестно и есть лишь определенная вероятность того, что х₀ находится в каком-то интервале вблизи и требуется определить этот интервал, соответствующий этой вероятности. В качестве оценки абсолютной погрешности отдельного измерения используют Dx_i = - x_i.

Она определяет точность данного измерения.

Для ряда измерений определяют среднюю арифметическую погрешность

.

Она определяет пределы, в которых лежит более половины измерений. Следовательно, х₀ с достаточно большой вероятностью попадает в интервал отh до +h. Результаты измерений величины х записывают тогда в виде:

.

Величина х измерена тем точнее, чем меньше интервал, в котором находится истинное значение х₀.

Абсолютная погрешность результатов измерений Dx сама по себе еще не определяет точности измерений. Пусть, например, точность некоторого амперметра составляет 0.1а. Были проведены измерения силы тока в двух электрических цепях. При этом получили следующие значения: 320.1а и 0.20.1а. Из примера видно, что, хотя абсолютная погрешность измерений одинакова, точность измерений различна. В первом случае измерения достаточно точны, а во втором — позволяют судить лишь о порядке величины. Следовательно, при оценке качества измерения необходимо сравнивать погрешность с измеренным значением, что дает более наглядное представление о точности измерений. Для этого вводится понятие относительной погрешности

d_x = Dx /. (2.3)

Относительную погрешность обычно выражают в процентах.

Так как в большинстве случаев измеряемые величины имеют размерность, то и абсолютные погрешности размерны, а относительные ошибки безразмерны. Поэтому с помощью последних можно производить сравнение точности измерений разнородных величин. Наконец, эксперимент должен быть поставлен таким образом, чтобы относительная погрешность оставалась постоянной во всем диапазоне измерений.

Следует отметить, что при правильных и тщательно выполненных измерениях средняя арифметическая погрешность их результата близка к погрешности измеряемого прибора.

Если измерения искомой величины х проведены много раз, то частоты появления того или иного значения х_i можно представить в виде графика, имеющего вид ступенчатой кривой — гистограммы (см. рис. 1), где у — число отсчетов; Dx_i = х_i — x_i+1 (i изменяется от —n до +n). С увеличением числа измерений и уменьшением интервала Dx_i гистограмма переходит в непрерывную кривую, характеризующую плотность распределения вероятности того, что величина x_i окажется в интервале Dx_i.

Под распределением случайной величины понимают совокупность всех возможных значений случайной величины и соответствующих им вероятностей. Законом распределения случайной величины называют всякое соответствие случайной величины возможным значениям их вероятностей. Наиболее общей формой закона распределения является функция распределения Р(х).

Тогда функция р(х) = Р' (х) — плотность распределения вероятности или дифференциальная функция распределения. График плотности распределения вероятностей называется кривой распределения.

Функция р(х) характерна тем, что произведение р(х)dx есть вероятность оказаться отдельному, случайно выбранному значению измеряемой величины в интервале (х, x + dx).

В общем случае эта вероятность может определяться различными законами распределений (нормальный (Гаусса), Пуассона, Бернулли, биномиальный, отрицательный биномиальный, геометрический, гипергеометрический, равномерный дискретный, отрицательный экспоненциальный). Однако чаще всего вероятность появления величины x_i в интервале (х, x + dx) в физических экспериментах описывают нормальным законом распределения — законом Гаусса (см. рис. 2):

(2.4)

где s² — дисперсия генеральной совокупности. Генеральной совокупностью называют все множество возможных значений измерений x_i или возможных значений погрешностей Dx_i.

Широкое использование закона Гаусса в теории ошибок объясняется следующими причинами:

1) равные по абсолютному значению погрешности встречаются одинаково часто при большом числе измерений;

2) малые по абсолютному значению погрешности встречаются чаще, чем большие, т. е. вероятность появления погрешности тем меньше, чем больше ее абсолютное значение;

3) погрешности измерений принимают непрерывный ряд значений.

Однако, эти условия никогда строго не выполняются. Но эксперименты подтвердили, что в области, где погрешности не очень велики, нормальный закон распределения хорошо согласуется с опытными данными. С помощью нормального закона можно найти вероятность появления погрешности того или иного значения.

Распределение Гаусса характеризуется двумя параметрами: средним значением случайной величины и дисперсией s². Среднее значение определяется абсциссой (х =) оси симметрии кривой распределения, а дисперсия показывает, как быстро уменьшается вероятность появления погрешности с увеличением ее абсолютного значения. Кривая имеет максимум при х =. Следовательно, среднее значение является наиболее вероятным значением величины х. Дисперсия определяется полушириной кривой распределения, т. е. расстоянием от оси симметрии до точек перегиба кривой. Она является средним квадратом отклонения результатов отдельных измерений от их среднего арифметического значения по всему распределению. Если при измерении физической величины получают только постоянные значения х =, то s² = 0. Но если значения случайной величины х принимают значения, не равные, то ее дисперсия не равна нулю и положительна. Дисперсия, таким образом, служит мерой флуктуации значений случайной величины.

Мера рассеяния результатов отдельных измерений от среднего значения должна выражаться в тех же единицах, что и значения измеряемой величины. В связи с этим в качестве показателя флуктуации результатов измерений гораздо чаще используют величину

называемую средней квадратичной погрешностью.

Она является важнейшей характеристикой результатов измерений и остается постоянной при неизменности условий эксперимента.

Значение этой величины определяет форму кривой распределения.

Так как при изменении s площадь под кривой, оставаясь постоянной (равной единице), меняет свою форму, то с уменьшением s кривая распределения вытягивается вверх вблизи максимума при х =, и сжимаясь в горизонтальном направлении.

С увеличением s значение функции р(х_i) уменьшается, и кривая распределения растягивается вдоль оси х (см. рис. 2).

Для нормального закона распределения средняя квадратическая погрешность отдельного измерения

(2.5)

а средняя квадратическая погрешность среднего значения

. (2.6)

Средняя квадратическая погрешность более точно характеризует погрешности измерений, чем средняя арифметическая погрешность, так как она получена достаточно строго из закона распределения случайных величин погрешностей. Кроме того, непосредственная связь ее с дисперсией, вычисление которой облегчается рядом теорем, делает среднюю квадратическую погрешность очень удобным параметром.

Наряду с размерной погрешностью s используют и безразмерную относительную погрешность d_s=s/, которая, как и d_x, выражается либо в долях единицы, либо в процентах. Окончательный результат измерений записывают в виде:

. (2.7)

Однако, на практике невозможно провести слишком много измерений, поэтому нельзя построить нормальное распределение, чтобы точно определить истинное значение х₀. В этом случае хорошим приближением к истинному значению можно считать, а достаточно точной оценкой ошибки измерений — выборочную дисперсию, вытекающую из нормального закона распределения, но относящуюся к конечному числу измерений. Такое название величины объясняется тем, что из всего множества значений х_i, т. е. генеральной совокупности выбирают (измеряют) лишь конечное число значений величины х_i (равное n), называемых выборкой. Выборка характеризуется уже выборочным средним значением и выборочной дисперсией.

Тогда выборочная средняя квадратическая погрешность отдельного измерения (или эмпирический стандарт)

(2.8)

а выборочная средняя квадратическая погрешность ряда измерений

. (2.9)

Из выражения (2.9) видно, что, увеличивая число измерений, можно сделать сколь угодно малой среднюю квадратическую погрешность. При n > 10 заметное изменение величины достигается лишь при весьма значительном числе измерений, поэтому дальнейшее увеличение числа измерений нецелесообразно. К тому же, невозможно полностью исключить систематические погрешности, и при, меньшей систематической ошибки дальнейшее увеличение числа опытов также не имеет смысла.

Таким образом, задача нахождения приближенного значения физической величины и его погрешности решена. Теперь необходимо определить надежность найденного действительного значения. Под надежностью измерений понимают вероятность попадания истинного значения в данный доверительный интервал. Интервал (- e,+ e), в котором находится с заданной вероятностью истинное значение х₀, называют доверительным интервалом. Допустим, что вероятность отличия результата измерений х от истинного значения х₀ на величину, большую, чем e, равна 1 — a, т. е.

p(- e?< х₀ <+ e) = 1 — a. (2.10)

В теории ошибок обычно под e понимают величину. Поэтому

p(- ?< х₀ <+) = Ф (t), (2.11)

где Ф (t) — интеграл вероятности (или функция Лапласа), а также нормальная функция распределения:

(2.12) где .

Таким образом, чтобы охарактеризовать истинное значение, требуется знать как погрешность, так и надежность. Если доверительный интервал увеличивается, то возрастает надежность того, что истинное значение х₀ попадает в данный интервал. Высокая степень надежности необходима при ответственных измерениях. Это означает, что в таком случае нужно выбирать большой доверительный интервал или вести измерения с большей точностью (т. е. уменьшить величину), что можно сделать, например, многократным повторением измерений.

Под доверительной вероятностью понимается вероятность того, что истинное значение измеряемой величины попадает в данный доверительный интервал. Доверительный интервал характеризует точность измерения данной выборки, а доверительная вероятность — достоверность измерения.

В подавляющем большинстве экспериментальных задач доверительная вероятность составляет 0.90.95 и более высокая надежность не требуется. Так при t = 1 согласно формулам (2.10 -2.12) 1 — a = Ф (t) = 0.683, т. е. более 68% измерений находится в интервале (-,+). При t = 2 1 — a = 0.955, а при t = 3 параметр 1 — a = 0.997. Последнее означает, что в интервале (-,+) находятся почти все измеренные значения. Из данного примера видно, что интервал действительно содержит большин-ство измеренных значений, т. е. параметр a может служить хорошей характеристикой точности измерений.

До сих пор предполагалось, что число измерений хотя и конечно, но достаточно велико. В действительности же число измерений почти всегда бывает небольшим. Более того, как в технике, так и в научных исследованиях нередко используют результаты двух-трех измерений. В этой ситуации величины и в лучшем случае могут определить лишь порядок величины дисперсии. Существует корректный метод для определения вероятности нахождения искомого значения в заданном доверительном интервале, основанный на использовании распределения Стьюдента (предложенного в 1908 г. английским математиком В.С. Госсетом). Обозначим через интервал, на который может отклоняться среднее арифметическое значение от истинного значения х₀, т. е. Dx = х₀ —. Иными словами, мы хотим определить значение