Распространение неопределенности

редактировать

В статистике, распространение неопределенности (или распространение ошибки ) - это влияние переменных 'неопределенностей (или ошибок, более конкретно случайных ошибок ) на неопределенность функция на их основе. Когда переменные являются значениями экспериментальных измерений, они имеют неопределенности из-за ограничений измерения (например, инструмент точность ), которые распространяются из-за комбинации переменных в функции.

Неопределенность u может быть выражена несколькими способами. Это может быть определено абсолютной ошибкой Δx. Неопределенности также можно определить с помощью относительной погрешности (Δx) / x, которая обычно записывается в процентах. Чаще всего неопределенность величины количественно оценивается с помощью стандартного отклонения, σ, который является положительным квадратным корнем из дисперсии. Тогда значение величины и ее ошибка выражаются в виде интервала x ± u. Если статистическое распределение вероятностей переменной известно или может предполагаться, можно вывести доверительные интервалы для описания области, в которой может быть найдено истинное значение переменной. Например, 68% доверительный интервал для одномерной переменной, принадлежащей нормальному распределению, составляет приблизительно ± одно стандартное отклонение σ от центрального значения x, что означает, что область x ± σ будет охватывать истинное значение примерно в 68% случаев.

Если неопределенности коррелированы, то необходимо учитывать ковариацию. Корреляция может возникать из двух разных источников. Во-первых, ошибки измерения могут быть коррелированы. Во-вторых, когда базовые значения коррелированы по генеральной совокупности, неопределенности средних значений группы будут коррелированы.

Содержание

1 Линейные комбинации
2 Нелинейные комбинации
- 2.1 Упрощение
- 2.2 Пример
- 2.3 Предостережения и предупреждения
  - 2.3.1 Взаимное и смещенное обратное
  - 2.3.2 Отношения
3 Примеры формул
4 Примеры расчетов
- 4.1 Функция обратной тангенсации
- 4.2 Измерение сопротивления
5 См. Также
6 Ссылки
7 Дополнительная литература
8 Внешние ссылки

Линейные комбинации

Пусть ${fk (x 1, x 2,…, xn) } {\ displaystyle \ {f_ {k} (x_ {1}, x_ {2}, \ dots, x_ {n}) \}}$ ${\ displaystyle \ {f_ {k} (x_ {1}, x_ {2}, \ dots, x_ {n}) \}}$ - набор из m функций, которые представляют собой линейные комбинации $n {\ displaystyle n}$ $n$ переменные $x 1, x 2,…, xn {\ displaystyle x_ {1}, x_ {2}, \ dots, x_ {n}}$ $x_ {1}, x_ {2}, \ точки, x_ {n}$ с коэффициентами комбинации $A k 1, A k 2,…, A kn, (k = 1,…, m) {\ displaystyle A_ {k1}, A_ {k2}, \ dots, A_ {kn}, (k = 1, \ dots, m)}$ ${\ displaystyle A_ {k1}, A_ {k2}, \ dots, A_ {kn}, (k = 1, \ dots, m)}$ :

fk = ∑ i = 1 n A ki x i, {\ displaystyle f_ {k} = \ sum _ {i = 1} ^ {n} A_ {ki} x_ {i},}

{\ displaystyle f_ {k} = \ sum _ {i = 1} ^ {n} A_ { ki} x_ {i},}

или в матричной записи

f = A x. {\ displaystyle \ mathbf {f} = \ mathbf {Ax}.}

{\ displaystyle \ mathbf {f} = \ mathbf {Ax}.}

Также пусть матрица дисперсии – ковариации x = (x 1,..., x n) обозначается как $Σ x {\ displaystyle {\ boldsymbol {\ Sigma}} ^ {x}}$ ${\ displaystyle {\ boldsymbol {\ Sigma}} ^ {x}}$ :

Σ x = (σ 1 2 σ 12 σ 13 ⋯ σ 12 σ 2 2 σ 23 ⋯ σ 13 σ 23 σ 3 2 ⋯ ⋮ ⋮ ⋮ ⋱) = (Σ 11 x Σ 12 x Σ 13 x ⋯ Σ 12 x Σ 22 x Σ 23 x ⋯ Σ 13 x Σ 23 x Σ 33 x ⋯ ⋮ ⋮ ⋮ ⋱). {\ displaystyle {\ boldsymbol {\ Sigma}} ^ {x} = {\ begin {pmatrix} \ sigma _ {1} ^ {2} \ sigma _ {12} \ sigma _ {13} \ cdots \ \\ sigma _ {12} \ sigma _ {2} ^ {2} \ sigma _ {23} \ cdots \\\ sigma _ {13} \ sigma _ {23} \ sigma _ {3} ^ {2} \ cdots \\\ vdots \ vdots \ vdots \ ddots \ end {pmatrix}} = {\ begin {pmatrix} {\ Sigma} _ {11} ^ {x} {\ Sigma} _ {12} ^ {x} {\ Sigma} _ {13} ^ {x} \ cdots \\ {\ Sigma} _ {12} ^ {x} {\ Sigma} _ {22} ^ {x } {\ Sigma} _ {23} ^ {x} \ cdots \\ {\ Sigma} _ {13} ^ {x} {\ Sigma} _ {23} ^ {x} {\ Sigma} _ {33} ^ {x} \ cdots \\\ vdots \ vdots \ vdots \ ddots \ end {pmatrix}}.}

{\ displaystyle {\ boldsymbol {\ Sigma}} ^ {x} = {\ begin {pmatrix} \ sigma _ {1} ^ {2} \ sigma _ {12} \ sigma _ {13} \ cdots \\\ sigma _ {12} \ sigma _ {2} ^ {2} \ sigma _ {23} \ cdots \\\ sigma _ {13} \ sigma _ {23} \ sigma _ {3} ^ {2} \ cdots \\\ vdots \ vdots \ vdots \ ddots \ end {pmatrix}} = {\ begin {pmatrix} {\ Sigma} _ {11} ^ {x} {\ Sigma} _ {12} ^ {x} {\ Sigma} _ {13} ^ {x} \ cdots \\ {\ Sigma} _ {12} ^ {x} {\ Sigma} _ {22} ^ {x} {\ Sigma} _ {23} ^ {x} \ cdots \\ {\ Sigma} _ {13} ^ {x} {\ Sigma} _ {23} ^ {x} {\ Sigma} _ {33} ^ {x} \ cdots \ \\ vdots \ vdots \ vdots \ ddots \ end {pmatrix}}.}

Затем матрица дисперсии-ковариации $Σ f {\ displaystyle { \ boldsymbol {\ Sigma}} ^ {f}}$ ${\ displaystyle {\ boldsymbol {\ Sigma}} ^ {f}}$ из f определяется как

Σ ijf = ∑ kn ∑ ln A ik Σ klx A jl, {\ displaystyle \ Sigma _ {ij} ^ {f} = \ sum _ {k} ^ {n} \ sum _ {l} ^ {n} A_ {ik} {\ Sigma} _ {kl} ^ {x} A_ {jl},}

{\ displaystyle \ Sigma _ {ij} ^ {f} = \ sum _ {k} ^ {n} \ sum _ {l} ^ {n} A_ {ik} {\ Sigma} _ {kl} ^ {x} A_ {jl},}

или в матричных обозначениях

Σ f = A Σ x AT. {\ displaystyle {\ boldsymbol {\ Sigma}} ^ {f} = \ mathbf {A} {\ boldsymbol {\ Sigma}} ^ {x} \ mathbf {A} ^ {\ mathrm {T}}.}

{\ displaystyle {\ boldsymbol {\ Sigma}} ^ {f} = \ mathbf {A} {\ boldsymbol {\ Sigma}} ^ {x} \ mathbf {A} ^ {\ mathrm {T}}.}

Это наиболее общее выражение для распространения ошибки от одного набора переменных к другому. Когда ошибки на x не коррелированы, общее выражение упрощается до

Σ ijf = ∑ kn A ik Σ kx A jk, {\ displaystyle \ Sigma _ {ij} ^ {f} = \ sum _ {k} ^ { n} A_ {ik} \ Sigma _ {k} ^ {x} A_ {jk},}

{\ displaystyle \ Sigma _ {ij} ^ {f} = \ sum _ {k} ^ {n} A_ {ik} \ Сигма _ {k} ^ {x} A_ {jk},}

где $Σ kx = σ xk 2 {\ displaystyle \ Sigma _ {k} ^ {x} = \ sigma _ {x_ {k}} ^ {2}}$ ${\ displaystyle \ Sigma _ {k} ^ {x} = \ sigma _ {x_ {k}} ^ {2}}$ - это дисперсия k-го элемента вектора x. Обратите внимание, что даже если ошибки по x могут быть некоррелированными, ошибки по f, как правило, коррелированы; другими словами, даже если $Σ x {\ displaystyle {\ boldsymbol {\ Sigma}} ^ {x}}$ ${\ displaystyle {\ boldsymbol {\ Sigma}} ^ {x}}$ является диагональной матрицей, $Σ f {\ displaystyle {\ boldsymbol { \ Sigma}} ^ {f}}$ ${\ displaystyle {\ boldsymbol {\ Sigma}} ^ {f}}$ в общем случае полная матрица.

Общие выражения для скалярной функции f немного проще (здесь a - вектор-строка):

f = ∑ inaixi = ax, {\ displaystyle f = \ sum _ {i} ^ {n} a_ {i} x_ {i} = \ mathbf {ax},}

{\ displaystyle f = \ sum _ {i} ^ {n} a_ {i} x_ {i} = \ mathbf {ax},}

σ f 2 = ∑ в jnai Σ ijxaj = a Σ xa T. {\ displaystyle \ sigma _ {f} ^ {2} = \ sum _ {i} ^ {n} \ sum _ {j} ^ {n} a_ {i} \ Sigma _ {ij} ^ {x} a_ { j} = \ mathbf {a} {\ boldsymbol {\ Sigma}} ^ {x} \ mathbf {a} ^ {\ mathrm {T}}.}

{\ Displaystyle \ сигма _ {f} ^ {2} = \ sum _ {i} ^ {n} \ sum _ {j} ^ {n} a_ {i} \ Sigma _ {ij} ^ {x} a_ {j} = \ mathbf { a} {\ boldsymbol {\ Sigma}} ^ {x} \ mathbf {a} ^ {\ mathrm {T}}.}

Каждый член ковариации $σ ij {\ displaystyle \ сигма _ {ij}}$ $\ sigma _ {ij}$ может быть выражена через коэффициент корреляции $ρ ij {\ displaystyle \ rho _ {ij}}$ $\ rho _ {ij}$ на $σ ij = ρ ij σ я σ j {\ displaystyle \ sigma _ {ij} = \ rho _ {ij} \ sigma _ {i} \ sigma _ {j}}$ ${\ displaystyle \ sigma _ {ij} = \ rho _ {ij} \ sigma _ {i} \ sigma _ {j}}$ , так что Альтернативное выражение для дисперсии f:

σ f 2 = inai 2 σ i 2 + ∑ in j (j ≠ i) naiaj ρ ij σ i σ j. {\ displaystyle \ sigma _ {f} ^ {2} = \ sum _ {i} ^ {n} a_ {i} ^ {2} \ sigma _ {i} ^ {2} + \ sum _ {i} ^ {n} \ sum _ {j (j \ neq i)} ^ {n} a_ {i} a_ {j} \ rho _ {ij} \ sigma _ {i} \ sigma _ {j}.}

{\ displaystyle \ sigma _ {f} ^ {2} = \ sum _ {i} ^ {n} a_ {i} ^ {2} \ sigma _ {i} ^ {2} + \ sum _ {i} ^ {n} \ sum _ {j (j \ neq i)} ^ {n} a_ {i} a_ {j} \ rho _ {ij} \ sigma _ {i} \ sigma _ {j}.}

В случае, когда переменные в x не коррелированы, это еще больше упрощается до

σ f 2 = ∑ inai 2 σ i 2. {\ displaystyle \ sigma _ {f} ^ {2} = \ sum _ {i} ^ {n} a_ {i} ^ {2} \ sigma _ {i} ^ {2}.}

{\ displaystyle \ sigma _ { f} ^ {2} = \ sum _ {i} ^ {n} a_ {i} ^ {2} \ sigma _ {i} ^ {2}.}

В простейшем виде в случае одинаковых коэффициентов и дисперсий находим

σ f = n | а | σ. {\ displaystyle \ sigma _ {f} = {\ sqrt {n}} \, | a | \ sigma.}

{\ displaystyle \ sigma _ {f} = {\ sqrt {n}} \, | a | \ sigma.}

Нелинейные комбинации

Когда f представляет собой набор нелинейных комбинаций переменные x, может быть выполнено распространение интервала для вычисления интервалов, которые содержат все согласованные значения переменных. При вероятностном подходе функция f обычно должна быть линеаризована путем приближения к разложению ряда Тейлора первого порядка, хотя в некоторых случаях могут быть получены точные формулы, которые не зависят от разложения, как в случае для точной дисперсии продуктов. Расширение Тейлора будет таким:

fk ≈ fk 0 + ∑ in ∂ fk ∂ xixi {\ displaystyle f_ {k} \ приблизительно f_ {k} ^ {0} + \ sum _ {i} ^ {n} {\ гидроразрыв {\ partial f_ {k}} {\ partial {x_ {i}}}} x_ {i}}

f_ {k} \ приблизительно f_ {k} ^ {0} + \ sum _ {i} ^ {n } {\ frac {\ partial f_ {k}} {\ partial {x_ {i}}}} x_ {i}

где $∂ fk / ∂ xi {\ displaystyle \ partial f_ {k} / \ partial x_ {i}}$ $\ partial f_ {k} / \ partial x_ {i}$ обозначает частную производную от f k по i-й переменной, вычисленную как среднее значение всех компонентов вектора x. Или в матричной записи,

f ≈ f 0 + J x {\ displaystyle \ mathrm {f} \ приблизительно \ mathrm {f} ^ {0} + \ mathrm {J} \ mathrm {x} \,}

{\ mathrm {f}} \ приблизительно {\ mathrm {f}} ^ {0} + {\ mathrm {J}} {\ mathrm {x}} \,

, где J - матрица Якоби. Поскольку f - постоянная величина, она не вносит вклад в ошибку f. Следовательно, распространение ошибки происходит в линейном случае, описанном выше, но с заменой линейных коэффициентов, A ki и A kj частными производными, $∂ fk ∂ xi {\ displaystyle {\ frac {\ partial f_ {k}} {\ partial x_ {i}}}}$ ${\ frac {\ partial f_ {k}} {\ partial x_ {i}}}$ и $∂ fk ∂ xj {\ displaystyle {\ frac {\ partial f_ {k}} {\ partial x_ {j}}}}$ ${\ frac {\ partial f_ {k}} { \ partial x_ {j}}}$ . В матричных обозначениях

Σ f = J Σ x J ⊤. {\ displaystyle \ mathrm {\ Sigma} ^ {\ mathrm {f}} = \ mathrm {J} \ mathrm {\ Sigma} ^ {\ mathrm {x}} \ mathrm {J} ^ {\ top}.}

{\ displaystyle \ mathrm {\ Sigma} ^ {\ mathrm {f}} = \ mathrm {J} \ mathrm {\ Sigma} ^ {\ mathrm {x}} \ mathrm {J} ^ {\ top}.}

То есть якобиан функции используется для преобразования строк и столбцов ковариационно-дисперсионной матрицы аргумента. Обратите внимание, что это эквивалентно матричному выражению для линейного случая с $J = A {\ displaystyle \ mathrm {J = A}}$ $\ mathrm {J = A}$ .

Simplification

Пренебрежение корреляциями или допущение независимых переменных дает общую формулу среди инженеров и ученых-экспериментаторов для расчета распространения ошибок используется формула дисперсии:

sf = (∂ f ∂ x) 2 sx 2 + (∂ f ∂ y) 2 sy 2 + (∂ f ∂ z) 2 sz 2 + ⋯ {\ displaystyle s_ {f} = {\ sqrt {\ left ({\ frac {\ partial f} {\ partial x}} \ right) ^ {2} s_ {x} ^ {2} + \ left ({\ frac {\ partial f} {\ partial y}} \ right) ^ {2} s_ {y} ^ {2} + \ left ({\ frac {\ partial f} {\ partial z}} \ right) ^ { 2} s_ {z} ^ {2} + \ cdots}}}

{\ displaystyle s_ {f} = {\ sqrt {\ left ({ \ frac {\ partial f} {\ partial x}} \ right) ^ {2} s_ {x} ^ {2} + \ left ({\ frac {\ partial f} {\ partial y}} \ right) ^ {2} s_ {y} ^ {2} + \ left ({\ frac {\ partial f} {\ partial z}} \ right) ^ {2} s_ {z} ^ {2} + \ cdots}}}

где $sf {\ displaystyle s_ {f}}$ $s_ {f}$ представляет стандартное отклонение функции $f { \ displaystyle f}$ $f$ , $sx {\ displaystyle s_ {x}}$ $s_{x}$ представляет стандартное отклонение $x {\ displaystyle x}$ $x$ , $sy {\ displaystyle s_ {y}}$ $s_ {y}$ представляет собой стандартное отклонение $y {\ displaystyle y}$ $y$ и так далее.

Важно отметить, что эта формула основана на линейных характеристиках градиента $f {\ displaystyle f}$ $f$ , и, следовательно, это хорошая оценка стандартного отклонения из $f {\ displaystyle f}$ $f$ до тех пор, пока $sx, sy, sz,… {\ displaystyle s_ {x}, s_ {y}, s_ {z}, \ ldots}$ ${\ displaystyle s_ {x}, s_ {y}, s_ {z}, \ ldots}$ достаточно малы. В частности, линейное приближение $f {\ displaystyle f}$ $f$ должно быть близко к $f {\ displaystyle f}$ $f$ внутри окрестности радиуса $sx, sy, sz,… {\ displaystyle s_ {x}, s_ {y}, s_ {z}, \ ldots}$ ${\ displaystyle s_ {x}, s_ {y}, s_ {z}, \ ldots}$ .

Пример

Любая нелинейная дифференцируемая функция, $f (a, б) {\ displaystyle f (a, b)}$ $f (a, b)$ , из двух переменных, $a {\ displaystyle a}$ $a$ и $b {\ displaystyle b}$ $b$ , может быть расширено как

f ≈ f 0 + ∂ f ∂ aa + ∂ f ∂ bb {\ displaystyle f \ приблизительно f ^ {0} + {\ frac {\ partial f} {\ partial a}} a + {\ frac {\ partial f} {\ partial b}} b}

f \ приблизительно f ^ {0} + {\ frac {\ partial f} {\ partial a}} a + {\ frac {\ partial f} {\ partial b}} b

, следовательно:

σ f 2 ≈ | ∂ f ∂ a | 2 σ a 2 + | ∂ f ∂ b | 2 σ б 2 + 2 ∂ е ∂ a ∂ е ∂ б σ ab {\ displaystyle \ sigma _ {f} ^ {2} \ приблизительно \ left | {\ frac {\ partial f} {\ partial a}} \ right | ^ {2} \ sigma _ {a} ^ {2} + \ left | {\ frac {\ partial f} {\ partial b}} \ right | ^ {2} \ sigma _ {b} ^ {2} +2 {\ frac {\ partial f} {\ partial a}} {\ frac {\ partial f} {\ partial b}} \ sigma _ {ab}}

{\ displaystyle \ sigma _ {f} ^ {2} \ ок \ left | {\ frac {\ partial f} {\ partial a}} \ right | ^ {2} \ sigma _ {a} ^ {2} + \ left | {\ frac {\ partial f} {\ partial b} } \ right | ^ {2} \ sigma _ {b} ^ {2} +2 {\ frac {\ partial f} {\ partial a}} {\ frac {\ partial f} {\ partial b}} \ sigma _ {ab}}

где $σ f {\ displaystyle \ sigma _ {f}}$ ${\ displaystyle \ sigma _ {f}}$ - стандартное отклонение функции $f {\ displaystyle f}$ $f$ , $σ a {\ displaystyle \ sigma _ {a}}$ ${\ displaystyle \ sigma _ { a}}$ is стандартное отклонение $a {\ displaystyle a}$ $a$ , $σ b {\ displaystyle \ sigma _ {b}}$ ${\ displaystyle \ sigma _ {b}}$ - стандартное отклонение $b {\ displaystyle b}$ $b$ и $σ ab = σ a σ b ρ ab {\ displaystyle \ sigma _ {ab} = \ sigma _ {a} \ sigma _ {b} \ rho _ {ab}}$ ${\ displaystyle \ sigma _ {ab} = \ sigma _ {a} \ sigma _ {b} \ rho _ {ab}}$ - ковариация между $a {\ displaystyle a}$ $a$ и $b {\ displaystyle b}$ $b$ .

В конкретном случае, $f = ab {\ displaystyle f = ab}$ ${\ displaystyle f = ab}$ , $∂ е ∂ a = b, ∂ f ∂ b = a {\ displaystyle {\ frac {\ partial f} {\ partial a}} = b, {\ frac {\ partial f} {\ partial b }} = а}$ ${\ frac {\ partial f} {\ partial a}} = b, {\ frac {\ partial f} {\ partial b}} = a$ . Тогда

σ f 2 ≈ b 2 σ a 2 + a 2 σ b 2 + 2 ab σ ab {\ displaystyle \ sigma _ {f} ^ {2} \ приблизительно b ^ {2} \ sigma _ {a} ^ {2} + a ^ {2} \ sigma _ {b} ^ {2} + 2ab \, \ sigma _ {ab}}

\ sigma _ {f} ^ {2} \ приблизительно b ^ {2} \ sigma _ {a} ^ {2} + a ^ {2} \ sigma _ {b} ^ {2} + 2ab \, \ sigma _ {{ab}}

или

(σ ff) 2 ≈ (σ aa) 2 + (σ bb) 2 + 2 (σ aa) (σ bb) ρ ab {\ displaystyle \ left ({\ frac {\ sigma _ {f}} {f}} \ right) ^ {2} \ приблизительно \ left ( {\ frac {\ sigma _ {a}} {a}} \ right) ^ {2} + \ left ({\ frac {\ sigma _ {b}} {b}} \ right) ^ {2} +2 \ left ({\ frac {\ sigma _ {a}} {a}} \ right) \ left ({\ frac {\ sigma _ {b}} {b}} \ right) \ rho _ {ab}}

{\ displaystyle \ left ({\ frac {\ sigma _ {f}} {f}} \ right) ^ {2} \ приблизительно \ left ({\ frac {\ sigma _ {a}} {a}} \ right) ^ {2 } + \ left ({\ frac {\ sigma _ {b}} {b}} \ right) ^ {2} +2 \ left ({\ frac {\ sigma _ {a}} {a}} \ right) \ left ({\ frac {\ sigma _ {b}} {b}} \ right) \ rho _ {ab}}

где $ρ ab {\ displaystyle \ rho _ {ab}}$ ${\ displaystyle \ rho _ {ab}}$ - корреляция между $a {\ displaystyle a}$ $a$ и $b {\ displaystyle b}$ $b$ .

Если переменные $a {\ displaystyle a}$ $a$ и $b {\ displaystyle b}$ $b$ не коррелированы, $ρ ab = 0 {\ displaystyle \ rho _ {ab} = 0}$ ${\ displaystyle \ rh о _ {ab} = 0}$ . Тогда

(σ f f) 2 ≈ (σ a a) 2 + (σ b b) 2. {\ displaystyle \ left ({\ frac {\ sigma _ {f}} {f}} \ right) ^ {2} \ приблизительно \ left ({\ frac {\ sigma _ {a}} {a}} \ right) ^ {2} + \ left ({\ frac {\ sigma _ {b}} {b}} \ right) ^ {2}.}

{\ displaystyle \ left ({\ frac {\ sigma _ {f}} {f}} \ right) ^ {2} \ приблизительно \ left ({\ frac {\ sigma _ {a}} {a}} \ right) ^ {2} + \ left ({\ frac {\ sigma _ {b}} {b}} \ right) ^ {2}.}

Предостережения и предупреждения

Оценка ошибок для не- линейные функции смещены из-за использования расширения усеченного ряда. Степень этого смещения зависит от характера функции. Например, смещение ошибки, вычисляемой для log (1 + x), увеличивается с увеличением x, поскольку расширение до x является хорошим приближением только тогда, когда x близок к нулю.

Для сильно нелинейных функций существует пять категорий вероятностных подходов для распространения неопределенности; Подробнее см. Количественная оценка неопределенности # Методики прямого распространения неопределенности.

Взаимное и смещенное обратное

В частном случае обратного или обратного $1 / B {\ displaystyle 1 / B}$ $1 / B$ , где $B = N (0, 1) {\ displaystyle B = N (0,1)}$ $B = N (0,1)$ следует стандартному нормальному распределению, результирующее распределение является обратным стандартным нормальным распределением, и существует нет определяемой дисперсии.

Однако в несколько более общем случае сдвинутой обратной функции $1 / (p - B) {\ displaystyle 1 / (pB)}$ ${\ displaystyle 1 / (pB)}$ для $B = N (μ, σ) {\ displaystyle B = N (\ mu, \ sigma)}$ $B = N (\ mu, \ sigma)$ в соответствии с общим нормальным распределением, тогда статистика среднего и дисперсии существует в главном значении смысл, если разница между полюсом $p {\ displaystyle p}$ $p$ и средним значением $μ {\ displaystyle \ mu}$ $\ му$ является действительным.

Коэффициенты

Соотношения также проблематичны; нормальные приближения существуют при определенных условиях.

Примеры формул

В этой таблице показаны дисперсии и стандартные отклонения простых функций от реальных переменных $A, B {\ displaystyle A, B \!}$ $A, B \!$ , со стандартными отклонениями $σ A, σ B, {\ displaystyle \ sigma _ {A}, \ sigma _ {B}, \,}$ ${\ displaystyle \ sigma _ {A}, \ sigma _ {B}, \,}$ ковариация $σ AB {\ displaystyle \ sigma _ {AB}}$ $\ sigma _ {{AB}}$ и точно известные (детерминированные) константы с действительным знаком $a, b {\ displaystyle a, b \,}$ $a, b \,$ (т. Е. $σ a знак равно σ б знак равно 0 {\ displaystyle \ sigma _ {a} = \ sigma _ {b} = 0}$ $\ sigma _ {a} = \ sigma _ {b} = 0$ ). В столбцах «Дисперсия» и «Стандартное отклонение» $A, B {\ displaystyle A, B \!}$ ${\ displaystyle A, B \!}$ следует понимать как ожидаемые значения (т. Е. Значения, вокруг которых мы оцениваем неопределенность), а $f {\ displaystyle f}$ $f$ следует понимать как значение функции, вычисленное при ожидаемом значении $A, B {\ displaystyle A, B \!}$ $A, B \!$ .

Функция	Дисперсия	Стандартное отклонение
$f = a A {\ displaystyle f = aA \,}$ $f = aA \,$	$σ f 2 = a 2 σ A 2 {\ displaystyle \ sigma _ {f} ^ {2} = a ^ {2} \ sigma _ {A} ^ {2}}$ $\ sigma _ {f } ^ {2 } = a ^ {2} \ sigma _ {A} ^ {2}$	$σ f = \| а \| σ A {\ displaystyle \ sigma _ {f} = \| a \| \ sigma _ {A}}$ $\ sigma_f = \| a \| \ sigma_A$
$f = a A + b B {\ displaystyle f = aA + bB \,}$ ${\ displaystyle f = aA + bB \,}$	$σ f 2 = a 2 σ A 2 + b 2 σ B 2 + 2 ab σ AB {\ displaystyle \ sigma _ {f} ^ {2} = a ^ {2} \ sigma _ {A} ^ {2} + b ^ {2 } \ sigma _ {B} ^ {2} + 2ab \, \ sigma _ {AB}}$ $\ sigma _ {f} ^ {2} = a ^ {2} \ sigma _ {A} ^ {2} + b ^ {2} \ sigma _ {B} ^ {2} + 2ab \, \ sigma _ {{AB}}$	$σ f = a 2 σ A 2 + b 2 σ B 2 + 2 ab σ AB {\ displaystyle \ sigma _ {f} = {\ sqrt {a ^ {2} \ sigma _ {A} ^ {2} + b ^ {2} \ sigma _ {B} ^ {2} + 2ab \, \ sigma _ {AB}} }}$ $\ sigma _ {f} = {\ sqrt {a ^ {2} \ sigma _ {A} ^ {2} + b ^ {2} \ sigma _ {B} ^ {2} + 2ab \, \ sigma _ {{AB}}}}$
$е = a A - b B {\ displaystyle f = aA-bB \,}$ ${\ displaystyle f = aA-bB \,}$	$σ f 2 = a 2 σ A 2 + b 2 σ B 2 - 2 ab σ AB {\ displaystyle \ sigma _ {f} ^ {2} = a ^ {2} \ sigma _ {A} ^ {2} + b ^ {2} \ sigma _ {B} ^ {2} -2ab \, \ sigma _ {AB }}$ $\ sigma _ {f} ^ {2} = a ^ {2} \ sigma _ {A } ^ {2} + b ^ {2} \ sigma _ {B} ^ {2} -2ab \, \ sigma _ {{AB}}$	$σ е = a 2 σ A 2 + b 2 σ B 2 - 2 ab σ AB {\ displaystyle \ sigma _ {f} = {\ sqrt {a ^ {2} \ sigma _ {A} ^ {2} + b ^ {2} \ sigma _ {B} ^ {2} -2ab \, \ sigma _ {AB}}}}$ $\ sigma _ {f} = {\ sqrt {a ^ {2} \ sigma _ {A} ^ {2} + b ^ {2} \ sigma _ {B} ^ {2} -2ab \, \ sigma _ {{AB}}}}$
$f = AB {\ displaystyle f = AB \,}$ $f = AB \,$	$σ е 2 ≈ е 2 [(σ AA) 2 + (σ BB) 2 + 2 σ ABAB] {\ displaystyle \ sigma _ {f} ^ {2} \ приблизительно f ^ {2} \ left [\ left ({ \ frac {\ sigma _ {A}} {A}} \ right) ^ {2} + \ left ({\ frac {\ sigma _ {B}} {B}} \ right) ^ {2} +2 { \ frac {\ sigma _ {AB}} {AB}} \ right]}$ ${\ displaystyle \ sigma _ {f} ^ {2} \ приблизительно f ^ {2} \ left [\ left ({\ frac {\ sigma _ {A}} {A}} \ right) ^ {2} + \ left ({\ frac {\ sigma _ {B}} {B}} \ right) ^ { 2} +2 {\ frac {\ sigma _ {AB}} {AB}} \ right]}$	$σ f ≈ \| f \| (σ AA) 2 + (σ BB) 2 + 2 σ ABAB {\ displaystyle \ sigma _ {f} \ приблизительно \ left \| f \ right \| {\ sqrt {\ left ({\ frac {\ sigma _ {A}) } {A}} \ right) ^ {2} + \ left ({\ frac {\ sigma _ {B}} {B}} \ right) ^ {2} +2 {\ frac {\ sigma _ {AB} } {AB}}}}}$ ${\ displaystyl e \ sigma _ {f} \ приблизительно \ left \| f \ right \| {\ sqrt {\ left ({\ frac {\ sigma _ {A}} {A}} \ right) ^ {2} + \ left ({ \ frac {\ sigma _ {B}} {B}} \ right) ^ {2} +2 {\ frac {\ sigma _ {AB}} {AB}}}}}$
$f = AB {\ displaystyle f = {\ frac {A} {B}} \,}$ $f = {\ frac {A} {B}} \,$	$σ f 2 ≈ f 2 [(σ AA) 2 + (σ BB) 2–2 σ ABAB] {\ displaystyle \ sigma _ {f} ^ {2} \ приблизительно f ^ {2} \ left [\ left ({\ frac {\ sigma _ {A}} {A}} \ справа) ^ {2} + \ left ({\ frac {\ sigma _ {B}} {B}} \ right) ^ {2} -2 {\ frac {\ sigma _ {AB}} {AB}} \ справа]}$ $\ sigma _ {f} ^ {2} \ приблизительно f ^ {2} \ left [\ left ({\ frac {\ sigma _ {A}} {A} } \ right) ^ {2} + \ left ({\ frac {\ sigma _ {B}} {B}} \ right) ^ {2} -2 {\ frac {\ sigma _ {{AB}}} { AB}} \ right]$	$σ f ≈ \| f \| (σ AA) 2 + (σ BB) 2 - 2 σ ABAB {\ displaystyle \ sigma _ {f} \ приблизительно \ left \| f \ right \| {\ sqrt {\ left ({\ frac {\ sigma _ {A}) } {A}} \ right) ^ {2} + \ left ({\ frac {\ sigma _ {B}} {B}} \ right) ^ {2} -2 {\ frac {\ sigma _ {AB} } {AB}}}}}$ $\ sigma _ {f} \ приблизительно \ left \| f \ right \| {\ sqrt {\ left ({\ frac {\ sigma _ {A}} {A}} \ right) ^ {2} + \ left ({\ frac { \ sigma _ {B}} {B}} \ right) ^ {2} -2 {\ frac {\ sigma _ {{AB}}} {AB}}}}$
$f = a A b {\ displaystyle f = aA ^ {b} \,}$ $f=aA^{{b}}\,$	$σ f 2 ≈ (ab A b - 1 σ A) 2 = (fb σ AA) 2 {\ displaystyle \ sigma _ {f} ^ {2} \ приблизительно \ left ({a} {b} {A} ^ {b-1} {\ sigma _ {A}} \ right) ^ {2 } = \ left ({\ frac {{f} {b} {\ sigma _ {A}}} {A}} \ right) ^ {2}}$ $\ sigma _ {f} ^ {2} \ приблизительно \ left ({a} {b} {A} ^ {{b-1}} {\ sigma _ {A}} \ right) ^ {2} = \ left ({\ frac {{f} {b} {\ sigma _ {A}}} {A}} \ right) ^ {2}$	$σ f ≈ \| a b A b - 1 σ A \| = \| f b σ A A \| {\ displaystyle \ sigma _ {f} \ приблизительно \ left \| {a} {b} {A} ^ {b-1} {\ sigma _ {A}} \ right \| = \ left \| {\ frac {{f } {b} {\ sigma _ {A}}} {A}} \ right \|}$ $\ sigma _ {f} \ приблизительно \ left \| {a} {b} {A} ^ {{b-1}} {\ sigma _ {A}} \ right \| = \ left \| {\ frac {{f} {b} {\ sigma _ {A} }} {A}} \ right \|$
$f = a ln ⁡ (b A) {\ displaystyle f = a \ ln (bA) \,}$ $е = а \ ln (bA) \,$	$σ е 2 ≈ (a σ AA) 2 {\ displaystyle \ sigma _ {f} ^ {2} \ приблизительно \ left (a {\ frac {\ sigma _ {A}} {A}} \ right) ^ {2 }}$ $\ sigma _ {f} ^ {2} \ приблизительно \ left (a {\ frac {\ sigma _ {A}} {A}} \ right) ^ {2}$	$σ f ≈ \| a σ A A \| {\ displaystyle \ sigma _ {f} \ приблизительно \ left \| a {\ frac {\ sigma _ {A}} {A}} \ right \|}$ $\ sigma _ {f} \ приблизительно \ left \| a {\ frac {\ sigma _ {A}} {A}} \ right \|$
$f = журнал 10 ⁡ (b A) {\ displaystyle е знак равно a \ журнал _ {10} (bA) \,}$ ${\ displaystyle f = a \ log _ {10} (bA) \,}$	$σ f 2 ≈ (a σ AA пер ⁡ (10)) 2 {\ displaystyle \ sigma _ {f} ^ {2} \ приблизительно \ left (a {\ frac {\ sigma _ {A}} {A \ ln (10)}} \ right) ^ {2}}$ $\ sigma _ {f} ^ {2} \ приблизительно \ left (a {\ frac {\ sigma _ {A }} {A \ ln (10)}} \ right) ^ {2}$	$σ f ≈ \| a σ A A ln ⁡ (10) \| {\ displaystyle \ sigma _ {f} \ приблизительно \ left \| a {\ frac {\ sigma _ {A}} {A \ ln (10)}} \ right \|}$ $\ sigma _ {f} \ приблизительно \ left \| a {\ frac {\ sigma _ {A}} {A \ ln (10)}} \ right \|$
$f = aeb A {\ displaystyle f знак равно ae ^ {bA} \,}$ $f = ae ^ {{bA}} \,$	$σ f 2 ≈ f 2 (b σ A) 2 {\ displaystyle \ sigma _ {f} ^ {2} \ приблизительно f ^ {2} \ left (b \ sigma _ {A} \ right) ^ {2}}$ $\ sigma _ {f} ^ {2} \ приблизительно f ^ {2} \ left (b \ sigma _ {A} \ right) ^ {2}$	$σ f ≈ \| f \| \| (b σ A) \| {\ displaystyle \ sigma _ {f} \ приблизительно \ влево \| f \ right \| \ left \| \ left (b \ sigma _ {A} \ right) \ right \|}$ ${\ Displaystyle \ сигма _ {е} \ приблизительно \ влево \| е \ вправо \| \ влево \| \ влево (б \ сигма _ {A} \ вправо) \ вправо \|}$
$f = ab A {\ displaystyle f = a ^ {bA} \,}$ $f = a ^ {{bA}} \,$	$σ f 2 ≈ f 2 (b ln ⁡ (a) σ A) 2 {\ displaystyle \ sigma _ {f} ^ {2} \ приблизительно f ^ {2} (b \ ln (a) \ sigma _ {A}) ^ {2}}$ ${\ displaystyle \ sigma _ {f} ^ { 2} \ приблизительно f ^ {2} (b \ ln (a) \ sigma _ {A}) ^ {2}}$	$σ f ≈ \| f \| \| (b ln ⁡ (a) σ A) \| {\ Displaystyle \ sigma _ {f} \ приблизительно \ влево \| е \ вправо \| \ влево \| (b \ ln (a) \ sigma _ {A}) \ right \|}$ ${\ displaystyle \ sigma _ {f} \ приблизительно \ left \| f \ right \| \ left \| (b \ ln (a) \ sigma _ {A}) \ right \|}$
$f = грех ⁡ (b A) {\ displaystyle f = a \ sin (bA) \,}$ ${\ displaystyle f = a \ sin (bA) \,}$	$σ f 2 ≈ [ab cos ⁡ (b A) σ A] 2 {\ displaystyle \ sigma _ {f} ^ {2} \ приблизительно \ left [ab \ cos (bA) \ sigma _ {A} \ right] ^ {2}}$ ${\ displaystyle \ sigma _ {f} ^ {2} \ приблизительно \ left [ab \ cos (bA) \ sigma _ {A} \ right] ^ {2 }}$	$σ f ≈ \| a b cos ⁡ (b A) σ A \| {\ displaystyle \ sigma _ {f} \ приблизительно \ left \| ab \ cos (bA) \ sigma _ {A} \ right \|}$ ${\ displaystyle \ sigma _ {f} \ приблизительно \ left \| ab \ cos (bA) \ sigma _ {A} \ right \|}$
$f = a cos ⁡ (b A) {\ displaystyle f = a \ cos \ left (bA \ right) \,}$ ${\ displaystyle f = a \ cos \ left (bA \ right) \,}$	$σ f 2 ≈ [ab sin ⁡ (b A) σ A] 2 {\ displaystyle \ sigma _ {f} ^ {2} \ приблизительно \ left [ab \ sin (bA) \ sigma _ {A} \ right] ^ {2}}$ ${\ displaystyle \ sigma _ {f} ^ {2} \ приблизительно \ left [ab \ sin (bA) \ sigma _ {A} \ right] ^ {2}}$	$σ f ≈ \| a b sin ⁡ (b A) σ A \| {\ displaystyle \ sigma _ {f} \ приблизительно \ left \| ab \ sin (bA) \ sigma _ {A} \ right \|}$ ${\ displaystyle \ sigma _ {f} \ ок. \ left \| ab \ sin (bA) \ sigma _ {A} \ right \|}$
$f = a tan ⁡ (b A) {\ displaystyle f = a \ tan \ left (bA \ right) \,}$ ${\ displaystyle f = a \ tan \ left (bA \ right) \,}$	$σ f 2 ≈ [ab sec 2 ⁡ (b A) σ A] 2 {\ displaystyle \ sigma _ {f} ^ {2} \ приблизительно \ left [ab \ сек ^ {2} (bA) \ sigma _ {A} \ right] ^ {2}}$ ${\ displaystyle \ sigma _ {f} ^ {2} \ приблизительно \ left [ab \ sec ^ {2} (bA) \ sigma _ {A} \ right] ^ {2}}$	$σ f ≈ \| a b sec 2 ⁡ (b A) σ A \| {\ displaystyle \ sigma _ {f} \ приблизительно \ left \| ab \ sec ^ {2} (bA) \ sigma _ {A} \ right \|}$ ${\ displaystyle \ sigma _ {f} \ приблизительно \ left \| ab \ sec ^ {2} (bA) \ sigma _ {A} \ right \|}$
$f = AB {\ displaystyle f = A ^ {B} \,}$ $f = A ^ {B} \,$	$σ е 2 ≈ е 2 [(BA σ A) 2 + (пер ⁡ (A) σ B) 2 + 2 B пер ⁡ (A) A σ AB] {\ displaystyle \ sigma _ {f } ^ {2} \ приблизительно f ^ {2} \ left [\ left ({\ frac {B} {A}} \ sigma _ {A} \ right) ^ {2} + \ left (\ ln (A) \ sigma _ {B} \ right) ^ {2} +2 {\ frac {B \ ln (A)} {A}} \ sigma _ {AB} \ right]}$ $\ sigma _ {f} ^ {2} \ приблизительно f ^ {2} \ left [\ left ({ \ frac {B} {A}} \ sigma _ {A} \ right) ^ {2} + \ left (\ ln (A) \ sigma _ {B} \ right) ^ {2} +2 {\ frac { B \ ln (A)} {A}} \ sigma _ {{AB}} \ right]$	$σ f ≈ \| f \| (BA σ A) 2 + (пер ⁡ (A) σ B) 2 + 2 B пер ⁡ (A) A σ AB {\ displaystyle \ sigma _ {f} \ приблизительно \ left \| f \ right \| {\ sqrt { \ left ({\ frac {B} {A}} \ sigma _ {A} \ right) ^ {2} + \ left (\ ln (A) \ sigma _ {B} \ right) ^ {2} +2 {\ frac {B \ ln (A)} {A}} \ sigma _ {AB}}}}$ $\ sigma _ {f} \ приблизительно \ left \| f \ right \| {\ sqrt {\ left ({\ frac {B} {A}} \ sigma _ {A} \ right) ^ {2} + \ left (\ ln (A) \ sigma _ {B} \ right) ^ {2} +2 {\ frac {B \ ln (A)} {A}} \ sigma _ {{AB}}}}$
$f = a A 2 ± b B 2 {\ displaystyle f = {\ sqrt {aA ^ {2} \ pm bB ^ {2}}} \,}$ ${\ displaystyle f = {\ sqrt {aA ^ {2} \ pm bB ^ {2}}} \,}$	$σ f 2 ≈ (A f) 2 a 2 σ A 2 + (B f) 2 b 2 σ B 2 ± 2 ab AB f 2 σ AB {\ displaystyle \ sigma _ {f} ^ {2} \ приблизительно \ left ({\ frac {A} {f}} \ right) ^ {2} a ^ {2} \ sigma _ {A} ^ {2} + \ left ({\ frac {B} {f}} \ right) ^ {2} b ^ {2} \ sigma _ {B} ^ {2} \ pm 2ab {\ frac {AB} {f ^ {2}} } \, \ sigma _ {AB}}$ ${\ displaystyle \ sigma _ {f} ^ {2} \ приблизительно \ left ({\ frac {A} {f} } \ right) ^ {2} a ^ {2} \ sigma _ {A} ^ {2} + \ left ({\ frac {B} {f}} \ right) ^ {2} b ^ {2} \ sigma _ {B} ^ {2} \ pm 2ab {\ frac {AB} {f ^ {2}}} \, \ sigma _ {AB}}$	$σ f ≈ (A f) 2 a 2 σ A 2 + (B f) 2 b 2 σ B 2 ± 2 ab AB f 2 σ AB {\ displaystyle \ sigma _ {f} \ приблизительно {\ sqrt {\ left ({\ frac {A} {f}} \ right) ^ {2} a ^ {2} \ sigma _ {A} ^ {2} + \ left ({ \ frac {B} {f}} \ right) ^ {2} b ^ {2} \ sigma _ {B} ^ {2} \ pm 2ab {\ frac {AB} {f ^ {2}}} \, \ sigma _ {AB}}}}$ ${\ displaystyle \ sigma _ {f} \ ок. {\ sqrt {\ left ({\ frac {A} {f}} \ right) ^ {2} a ^ {2} \ sigma _ {A} ^ {2} + \ left ({\ fra c {B} {f}} \ right) ^ {2} b ^ {2} \ sigma _ {B} ^ {2} \ pm 2ab {\ frac {AB} {f ^ {2}}} \, \ sigma _ {AB}}}}$

Для некоррелированных переменных ( $ρ AB = 0 {\ displaystyle \ rho _ {AB} = 0}$ $\ rho _ {{AB}} = 0$ ) члены ковариации также равны нулю, поскольку $σ AB знак равно ρ AB σ A σ B {\ Displaystyle \ si gma _ {AB} = \ rho _ {AB} \ sigma _ {A} \ sigma _ {B} \,}$ $\ sigma _ {{AB}} = \ rho _ {{AB}} \ sigma _ {A} \ sigma _ {B} \,$ .

В этом случае выражения для более сложных функций могут быть получены путем объединения более простых функций. Например, повторное умножение при отсутствии корреляции дает

f = A B C; (σ f f) 2 ≈ (σ A A) 2 + (σ B B) 2 + (σ C C) 2. {\ displaystyle f = ABC; \ qquad \ left ({\ frac {\ sigma _ {f}} {f}} \ right) ^ {2} \ приблизительно \ left ({\ frac {\ sigma _ {A}} {A}} \ right) ^ {2} + \ left ({\ frac {\ sigma _ {B}} {B}} \ right) ^ {2} + \ left ({\ frac {\ sigma _ {C }} {C}} \ right) ^ {2}.}

{\ displaystyle f = ABC; \ qquad \ left ({\ fr ac {\ sigma _ {f}} {f}} \ right) ^ {2} \ приблизительно \ left ({\ frac {\ sigma _ {A}} {A}} \ right) ^ {2} + \ left ({\ frac {\ sigma _ {B}} {B}} \ right) ^ {2} + \ left ({\ frac {\ sigma _ {C}} {C}} \ right) ^ {2}. }

Для случая $f = AB {\ displaystyle f = AB}$ $f = AB$ у нас также есть выражение Гудмана для точной дисперсии: для некоррелированного случая это

V (XY) = E (X) 2 V (Y) + E (Y) 2 V (X) + E ((X - E (X)) 2 (Y - E ( Y)) 2) {\ Displaystyle V (XY) = E (X) ^ {2} V (Y) + E (Y) ^ {2} V (X) + E ((XE (X)) ^ {2 } (YE (Y)) ^ {2})}

V (XY) = E (X) ^ {2} V (Y) + E (Y) ^ {2} V (X) + E ((XE (X)) ^ {2} (YE (Y)) ^ {2})

и поэтому мы имеем:

σ f 2 = A 2 σ B 2 + B 2 σ A 2 + σ A 2 σ B 2 {\ displaystyle \ sigma _ {f} ^ {2} = A ^ {2} \ sigma _ {B} ^ {2} + B ^ {2} \ sigma _ {A} ^ {2} + \ sigma _ {A} ^ { 2} \ sigma _ {B} ^ {2}}

\ sigma _ {f} ^ {2} = A ^ {2} \ sigma _ {B} ^ {2} + B ^ {2} \ sigma _ {A} ^ {2} + \ sigma _ {A} ^ {2} \ sigma _ {B} ^ {2}

Пример расчетов

Функция обратной тангенсации

Мы можем вычислить распространение неопределенности для функции обратной тангенсации в качестве примера использования частичного производные для распространения ошибки.

Определите

f (x) = arctan ⁡ (x), {\ displaystyle f (x) = \ arctan (x),}

f ( х) = \ arctan (x),

где $Δ x {\ displaystyle \ Delta _ {x}}$ $\ Delta_x$ - это абсолютная погрешность нашего измерения x. Производная f (x) по x равна

d f d x = 1 1 + x 2. {\ displaystyle {\ frac {df} {dx}} = {\ frac {1} {1 + x ^ {2}}}.}

{\ frac {df } {dx}} = {\ frac {1} {1 + x ^ {2}}}.

Следовательно, наша распространенная неопределенность составляет

Δ f ≈ Δ x 1 + Икс 2, {\ Displaystyle \ Delta _ {f} \ приблизительно {\ frac {\ Delta _ {x}} {1 + x ^ {2}}},}

{\ displaystyle \ Delta _ {f} \ приблизительно {\ frac {\ Delta _ {x}} {1 + x ^ {2}}},}

где $Δ f {\ displaystyle \ Delta _ {f}}$ ${\ displaystyle \ Delta _ {f}}$ - абсолютная распространенная неопределенность.

Измерение сопротивления

Практическое применение - это эксперимент, в котором измеряют ток, I и напряжение, В на резисторе , чтобы определить сопротивление, R, используя закон Ома, R = V / I.

Учитывая измеренное переменные с неопределенностями, I ± σ I и V ± σ V, и без учета их возможной корреляции неопределенность вычисляемой величины σ R составляет:

σ R ≈ σ V 2 (1 I) 2 + σ I 2 (- VI 2) 2 = R (σ VV) 2 + (σ II) 2. {\ displaystyle \ sigma _ {R} \ приблизительно {\ sqrt {\ sigma _ {V} ^ {2} \ left ({\ frac {1} {I}} \ right) ^ {2} + \ sigma _ { I} ^ {2} \ left ({\ frac {-V} {I ^ {2}}} \ right) ^ {2}}} = R {\ sqrt {\ left ({\ frac {\ sigma _ { V}} {V}} \ right) ^ {2} + \ left ({\ frac {\ sigma _ {I}} {I}} \ right) ^ {2}}}.}

\ sigma_R \ приблизительно \ sqrt {\ sigma_V ^ 2 \ left (\ frac {1} {I} \ right) ^ 2 + \ sigma_I ^ 2 \ left (\ frac {-V} { I ^ 2} \ right) ^ 2} = R \ sqrt {\ left (\ frac {\ sigma_V} {V} \ right) ^ 2 + \ left (\ frac {\ sigma_I} {I} \ right) ^ 2 }.

См. Также

Ссылки

Дополнительная литература

Bevington, Philip R.; Робинсон, Д. Кейт (2002), Обработка данных и анализ ошибок для физических наук (3-е изд.), McGraw-Hill, ISBN 978-0-07-119926-1
Форнасини, Паоло (2008), Неопределенность физических измерений: введение в анализ данных в физической лаборатории, Springer, стр. 161, ISBN 978-0-387-78649-0
Мейер, Стюарт Л. (1975), Анализ данных для ученых и инженеров, Wiley, ISBN 978-0-471-59995-1
Перальта, М. (2012), Распространение ошибок: как математически прогнозировать ошибки измерения, CreateSpace
Rouaud, M. (2013), Probability, Статистика и оценка: распространение неопределенностей в экспериментальных измерениях (PDF) (сокращенное издание)
Тейлор, Дж. Р. (1997), Введение в анализ ошибок: исследование неопределенностей в физических измерениях (2-е изд.), Университетские научные книги
Ван, КМ; Айер, Хари К. (2005-09-07). «О поправках высшего порядка для распространения неопределенностей». Метрология. 42 (5): 406–410. doi : 10.1088 / 0026-1394 / 42/5/011. ISSN 0026-1394.

Внешние ссылки

Подробное обсуждение измерений и распространения неопределенности с объяснением преимуществ использования формул распространения ошибок и моделирования Монте-Карло вместо простого арифметика значимости
GUM, Руководство по выражению неопределенности в измерениях
EPFL Введение в распространение ошибок, вывод, значение и примеры пакета неопределенностей Cy = Fx Cx Fx '
, программа / библиотека для прозрачного выполнения вычислений с неопределенностями (и корреляциями ошибок).
пакет soerp, программа / библиотека на Python для прозрачного выполнения вычислений * второго порядка * с неопределенностями (и корреляциями ошибок)
Объединенный комитет руководств по метрологии (2011). JCGM 102: Оценка данных измерений - Дополнение 2 к «Руководству по выражению неопределенности в измерениях» - Расширение на любое количество выходных величин (PDF) (Технический отчет). JCGM. Проверено 13 февраля 2013 г.
Калькулятор неопределенности Распространение неопределенности для любого выражения