Реферат: Погрешности при измерениях
Очень широко среди практиков распространено мнение, что все затруднения с вероятностной оценкой погрешности объясняются лишь их слабой подготовкой в области математической статистики и теории вероятностей. Бее необходимые для этого задачи, дескать, давно решены в теории вероятностей и теории случайных процессов. Стоит лишь как следует овладеть премудростью этих наук и все сложности разрешатся сами собой. Но это верно лишь отчасти. Очень многое применительно к нуждам оценки погрешностей еще ждет своей разработки.
Так, например, нельзя же ожидать, что для всего разнообразия законов распределения погрешностей математики дадут таблицы квантилей. Такие таблицы заняли бы целый том. Нужно какое-то другое решение, например, в виде приближенных формул, а такие формулы нужно разработать. Подобное положение наблюдается и с методикой суммирования погрешностей. Строгое математическое решение в пике многомерного распределения для практики бесполезно. То же самое относится и к имитационному моделированию но методу Монте-Карло, так как оно не может дать общего решения, а численные решения всякий раз должны проводиться заново. Нужны упрощенные, практические методы. Это особенно относится к расчету погрешности косвенных измерений где из-за математической сложности необходимо ограничиться самыми примитивными методами.
Не лучше положение и со сравнительной эффективностью различных оценок центра, рассеянием оценок контрэксцесса, энтропийного коэффициента и энтропийного значения, исключением промахов при распределениях, отличных от нормального. Даже такой, казалось бы, классический спрос математической статистики, как оптимальное число интервалов группирования экспериментальных данных для построения полигона или гистограммы, оказывается, имеет почти столько же «оптимальных» решений, сколько излагающих его авторов. Всюду рекомендуемое использование критериев согласия для идентификации формы распределения практически не позволяет произвести желаемой идентификации при тех данных, которыми исследователь фактически располагает.
Подобный перечень как теоретических, так и практических задач можно было бы дать по обработке однофакторных и многофакторных экспериментов. Здесь также большое количество нужных для практики задач в области разработки удобных методов описания параметров многомерного мениска погрешностей при многофакторном эксперименте и в использовании так называемых «робастных», т. е. не зависящих от вида закона распределения, устойчивых методов оценки параметров модели и исключения промахов, которые позволяют устранить неустойчивость при получении решений МНК для многомерных задач.
Тем не менее дальнейшая разработка устойчивых, не зависимых от вида распределения методов, представляет собой одно яз наиболее перспективных направлений развития методов обработки данных. На основе существующих методов уже сейчас могут быть созданы удобные программы для обработки данных исследования на ЭВМ.
Особого внимания заслуживает анализ путей повышения эффективности измерительного эксперимента. Это прежде всего разработка шкалы затрат на подготовку, постановку и проведение эксперимента и шкалы достигаемого эффекта с учетом как параметров мениска погрешностей, так и протяженности варьирования факторов. Естественно, что оценка результата сложного многофакторного эксперимента одним числом крайне примитивна. Здесь нужен системный, комплексный подход, своеобразная квалиметрия процесса измерения, в какой-то степени аналогичная квалиметрии СИ.
Одним словом, нерешенных вопросов в области оценки погрешностей результатов измерений вполне достаточно. Эти трудные и неблагодарные задачи еще ожидают энтузиастов дня их разрешения.
Список использованной литературы
1. В.Д. Цюцюра, С.В. Цюцюра. Метрологія та основи вимірювань. Навч. посібн., К., "Знання -Прес", 2003.
2. Новицкий П.В. Оценка погрешностей результатов измерений. 1991.
3. Олейник Б.М. и др. Приборы и методы измерений, 1987.
4. Е.С. Левшина, П.В. Новицкий. Измерения физических величин. 1983.