Контрольна робота по компьютерной графике

Федеральное государственное бюджетное  образовательное учреждение высшего  профессионального образования 

"Тихоокеанский государственный  университет"

 

Кафедра начертательной геометрии и машинной графики

 

 

 

 

 

Контрольна робота

По компьютерной графике

Вариант 31

 

 

 

 

 

 

 

 

 

Выполнил студент

 

Специальность

ЗЧС ЗФУО

Курс (год обучения)

3(2 г.)

Номер зачетной книжки

090442366

Фамилия

Куренёва

Имя

Анна

Отчество

Валентиновна

Проверил

 

 

 

 

 

 

 

 

 

 

 

 

Хабаровск  2012 г.

 

СОДЕРЖАНИЕ

 

1 Обработка многократных измерений

2

2 Проверка гипотезы о виде  распределения

12

3 Объединение результатов измерений

18

Список литературы

23


 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

1 ОБРАБОТКА МНОГОКРАТНЫХ ИЗМЕРЕНИЙ

 

Цель работы: освоить основные приемы статистической обработки результатов многократных измерений:

- построение вариационного ряда, гистограммы частот (частостей);

- нахождение среднего  арифметического, медианы, моды; проверка гипотезы о виде закона распределения по виду гистограммы и проверка на промахи;

- вычисление оценки СКО  измерений и оценки СКО среднего арифметического;

- построение доверительного  интервала для неизвестного истинного  значения.

 

При многократных, измерениях (число измерений 4) физической величины (ФВ) постоянного размера за результат измерений обычно принимается среднее арифметическое (СА):

Иногда, вместо СА, используют медиану при нечетном числе измерений:

;

а при четном пользуются формулой

,

причем предварительно результаты измерений  располагают в неубывающем порядке (такой ряд измерений называется вариационным) Х1<Х2<....<Хп.

Реже используется мода как значение, соответствующее максимуму гистограммы.

Все эти оценки определяются по выборке и выражаются одним числом, то есть точкой на числовой оси, и называются точечными выборочными оценками.

Важными свойствами точечных оценок являются следующие:

- Несмещенность - оценка (например ) параметра (Xист) называется несмещенной, если ее математическое ожидание совпадает с оцениваемым параметром (Хист);

- cостоятельность - оценка называется состоятельной, если с увеличением объема выборки п (числа измерений) вероятность того, что оценка сходится к истинному значению, возрастает и стремится к единице при объеме выборки, стремящемся к бесконечности;

- эффективность - оценка называется эффективной, если она обладает минимальной дисперсией по сравнению с другими оценками.

Чаще всего используется среднее  арифметическое. Оно обладает весьма важными преимуществами перед другими оценками:

  1. при любом законе распределения ошибок (с конечными математическим ожиданием и дисперсией) СА является несмещенной и состоятельной оценкой математического ожидания (истинного значения).
  2. дисперсия СА в п раз меньше дисперсии отдельных результатов 
    измерений, то есть дисперсии ошибок;
  3. в случае нормального распределения ошибок измерений СА является эффективной оценкой математического ожидания;
  4. в случае нормального распределения ошибок измерений СА распределено нормально, а при других распределениях ошибок — асимптотически нормально, то есть быстро сходится к нормальному с ростом числа измерений (увеличением объема выборки).

Найденное по выборке случайных  величин  является случайной величиной. Разность между ним и неизвестным истинным значением = - Xиап, называемая в метрологии погрешностью, остается неизвестной (эта разность также случайная величина, ее правильнее называть ошибкой среднего арифметического). Если бы дисперсия случайной величины X  была известна, то дисперсия СА, вычисленного по выборке объема n, была бы тоже известна:

В этом случае можно было бы построить доверительный интервал для Хист:

,

где - СКО среднего арифметического; - квантиль (критическое значение) нормального нормированного распределения, соответствующая двухстороннему уровню значимости (или доверительной вероятности Рд = 1 - ).

При неизвестной дисперсии  (и неизвестном истинном значении Xист) ее точечной несмещенной и состоятельной, а при нормальном распределении ошибок и эффективной оценкой является выборочная оценка дисперсии

     (3)

Обычно пользуются корнем квадратным из выражения (3) для вычисления оценки СКО по выборке:

,     (4)

хотя это выражение  не вполне строго и по (4) в качестве оценки СКО является смещенной. Более точное, хотя и тоже приближенное выражение для оценки СКО имеет вид

      (5)

Для оценки СКО среднего арифметического  получаем из (4)

      (6)

 

Для построения доверительного интервала  для X ист воспользуемся соотношением, называемым дробью Стьюдента, которое имеет t - распределение.

.

Пользуясь таблицами t-распределения можем построить доверительный интервал для истинного значения Хист

,    (7)

где - квантили распределения при уровне значимости /2, то есть доверительной вероятности Рд = 1- , и числе степеней свободы (числе независимых слагаемых в (4) и (6)) .

Интервал  в метрологии называется доверительной случайной погрешностью.

Доверительным интервалом по выражению (7) в метрологии пользуются, когда ошибки измерений имеют нормальное распределение.

Если установить вид распределения  не удается, что бывает при малом объеме выборки, погрешности результата измерения можно оцепить с помощью неравенства Чебышева:

.     (8)

Задаваясь значением Рд и приравнивая его к правой части (8), находим соответствующее значение .

Поскольку обычно неизвестно, вместо него используют выборочную оценку . При этом, однако, нельзя утверждать, что интервал накроет неизвестное истинное значение с вероятностью, большей или равной заданной, так как является случайной величиной и может быть больше (тогда вероятность накрытия Хиет будет больше заданной) или меньше (тогда вероятность будет меньше).

Среднее арифметическое весьма чувствительно к промахам (грубым ошибкам), то есть не является робастной (устойчивой) оценкой, такой результат подлежит исключению. Прежде всего таковыми могут оказаться Хmin или Хтах . При нормальном распределении случайных ошибок измерений вопрос об исключении отдельного результата решается с помощью статистических критериев. Вычисляй предварительные оценки и , можно проверить Хmin и Хmax по статистике для резко выделяющихся наблюдений:

     (9)

или

     (10)

Вычисленные по формуле (9 или 10) значения статистики следует сравнить с критическим (предельным для данной статистики) значением. Если вычисленное значение превышает кр результат признается промахом и должен быть отброшен. После исключения промаха вычисления и производятся заново без учета отброшенного результата.

Для построения гистограммы  вариационный ряд разбивают на интервалы одинаковой, произвольной или специальным образом выбираемой длины. В простейшем случае берутся интервалы одинаковой длины. 

Число результатов отдельных  измерений в каждом интервале nk называется частотой попадания в k-й интервал, а относительная частота -  называется частостью, где п — общее число измерений. Если отложить по оси абсцисс границы интервалов, а по оси ординат — частоты или частости, то, можно построить график в виде прямоугольников, ширина которых равна длине интервала, а высота — соответствующей частоте или частости. Такой график называется гистограммой частот или гистограммой частостей соответственно. На гистограмме частот сумма всех высот прямоугольников равна и, а на гистограмме частостей - единице. Существует также гистограмма статистического распределения.   Дня   ее   построения   по   оси   ординат  откладывают  значения , где - длина k-го интервала.

Если длины всех интервалов одинаковы ( = сопst), все три гистограммы совпадут при соответствующем выборе масштаба по оси ординат. Построив любую из гистограмм с интервалами одинаковой длины, можно по ее общему виду сделать предварительное заключение о возможном виде закона распределения. Это заключение будет более надежным, если на гистограмму нанести и теоретические значения частот, частостей или дифференциальной функции распределения, соединив их плавной кривой. При этом теоретические значения следует относить к серединам интервалов. Теоретические значения вычисляются в соответствии с предполагаемым законом распределения, в котором неизвестные параметры заменяются, их выборочными оценками.

Частость есть оценка вероятности попадания результата в k-й интервал. Теоретическая вероятность Рк может быть вычислена по формуле

,  (11)

где    Хк, Хк+1   — нижняя  и верхняя границы к-го  интервала;

; Ф(Zk) - значение интегральной функции нормированного нормального распределения для Z = Zk.

Для вычисления оценки СКО применить  формулу 

,

где  Wn,j = Xmax,j - Xmin,j; j – номер подмассива; n – объем подмассива; dn – табулированный коэффициент.

 

 

 

 

 

 

 

Выполнение работы:

    1. Массив экспериментальных данных

6,68

7,63

7,69

9,52

6,77

7,35

4,88

7,58

7,35

7,27

9,64

6,29

7,57

7,25

8,64

8,36

8,81

9,57

6,38

6,97

8,87

6,58

9,08

8,54

8,79

9,51

7,68

9,7

9,84

7,64

8,3

8,84


 

    1. Вариационный ряд

4,88; 6,29; 6,38; 6,58; 6,68; 6,77; 6,97; 7,25; 7,27; 7,35; 7,35; 7,57; 7,58; 7,63; 7,64; 7,68; 7,69; 8,3; 8,36; 8,54; 8,64; 8,79; 8,81; 8,84; 8,87; 9,08; 9,51; 9,52; 9,57; 9,64; 9,7; 9,84

 

    1. Размах варьирования и шаг гистограммы

N = 32

hрасч. = 0,992

 

Таблица 1 – Данные для построения гистограммы

№ интервала 

Интервал

Середина интервала

Определяемая частота mi 

Частость

mi/N

от

до

1

4,880

5,872

5,38

1

0,25

2

5,872

6,864

6,37

5

0,21875

3

6,864

7,856

7,36

11

0,34375

4

7,856

8,848

8,35

7

0,15625

5

8,848

9,840

9,34

8

0,03125


 

 

 

 

 

 

    1. Гистограмма

Рисунок 1 – Гистограмма 

 

= 7,987

= 7,685

= 7,36 - максимум гистограммы.

= 1,208

 

Таблица 2 - Данные для построения кривой теоретических вероятностей

№ границы интервала 

Значение границы интервала

Ф (Zk) 

Pk=Ф(Zk+1) - Ф(Zk)

1

4,880

-2,57

0,9963

 

2

5,872

-1,75

0,9599

0,0364

3

6,864

-0,93

0,8238

0,1361

4

7,856

-0,11

0,5438

0,28

5

8,848

0,71

0,7611

0,2173

6

9,840

1,53

0,937

0,1759


Рисунок 2 - Кривая теоретических вероятностей

 

Вывод: предположение о нормальном законе распределения принимаем.

 

Так как гипотезу о нормальном законе распределения опровергаем, то для  построения доверительного интервала  для неизвестного значения Хист,  воспользуемся неравенством Чебышева, тогда получим доверительный интервал:

при этом

= 0,214

Доверительный интервал для Хист [4,88; 9,84].

 

 

 

 

 

 

 

2  ПРОВЕРКА ГИПОТЕЗЫ  О ВИДЕ РАСПРЕДЕЛЕНИЯ

 

Цель: освоить основные методы и приемы проверки гипотезы о виде закона распределения результатов отдельных измерений методом линеаризации интегральной эмпирической функции распределения с помощью критерия Колмогорова и критерия согласия  на примере нормального распределения.

 

При обработке экспериментальных  данных и определении погрешности результатов измерений, основополагающим является допущение о нормальности закона распределения ошибок измерений. Это допущение должно быть подтверждено. В работе 1 вывод о нормальности закона распределения делается по визуальному соответствию гистограммы частостей и теоретической кривой вероятности, то есть субъективно. Более объективными являются методы, использующие вероятностную бумагу и статистические критерии.

Вероятностной называется бумага для  построения графика интегральной функции распределения, у которой масштаб по оси абсцисс равномерен, а по оси ординат — неравномерен (кроме равномерного распределения) и соответствует проверяемому закону распределения. График интегральной функции распределения превращается на соответствующей вероятностной бумаге в прямую линию. Установить прямолинейность проще, чем определить соответствие (близость) двух плавных кривых.

Существуют нормальная, логарифмически нормальная и т.д. вероятностные бумаги. При отсутствии вероятностной бумаги и в случае равномерного распределения пользуются обычной миллиметровой, вычисляя значения ординат в соответствии с проверяемым законом распределения.

Для проверки гипотезы о  виде закона распределения необходимо расположить результаты измерений в неубывающем порядке, то есть построить вариационный ряд измерений:

Получаем (n+1) интервал:

Поставив в соответствие каждому значению Хi вариационного ряда в качестве оценки функции распределения F(X) i/(n+1)-ю долю эмпирической функции распределения и пользуясь таблицами предполагаемого закона распределения, находят теоретические значения аргумента, соответствующие значениям, полученным в опыте для оценки интегральной функции Fn(Xi). Поскольку между Zi и Xi существует линейная связь

(при неизвестных и заменяем их выборочными точечными оценками), вычислять соответствующие теоретические значения Хтеор   нет необходимости, так как характер графика не изменится, если по оси ординат мы отложим значения   Z1, Z2 и так далее, а соответствующие им опытные значения Х1, Х2 и так далее отложим по оси абсцисс. Расположение точек на графике вдоль прямой линии подтверждает линейную зависимость между экспериментальными значениями измерений Хi и теоретическими Zi что свидетельствует о возможности принятия гипотезы о виде закона распределения.

Проведя на глаз прямую линию через точки, можно приближенно найти оценки Xгр, Sхгр   значений Хист , . Значение абсциссы и точке пересечения ее с построенной прямой равно  . Значение Sхгр можно найти по углу наклона прямой. Эти оценки, как и само установление факта прямолинейности, являются приближенными.

Использование критерия Колмогорова. Для определения допустимых отклонений эмпирической функции распределения от теоретической существуют непараметрические (свободные от распределения) критерии Колмогорова, Смирнова и другие.

Более наглядное представление  о критерии Колмогорова можно  получить, построив график эмпирической функции распределения, на который наносится также теоретическая интегральная функция, соответствующая проверяемому закону распределения. При этом, как и ранее, при неизвестных и используют их выборочные точечные оценки.

Найденное по графику во всем интервале значений Хi максимальное отклонение эмпирической функции от теоретической Dmax сравнивается с допустимым   значением   Dп кр.   Гипотеза  отклоняется,   если Dmax> Dп кр.

Использование критерия согласия

При объеме выборки n > 40 для проверки гипотезы о виде распределения применяют критерий согласия (критерий Пирсона). Он применяется для группированных данных (как при построении гистограммы), когда в каждом интервале находится не менее 5 измерений. Если число измерений в интервале оказывается меньше 5, этот интервал объединяют с соседним. Критерий согласия имеет вид:

где пк — число данных в k-м интервале {k = 1, 2,..., r); Рk — теоретическая вероятность попадания случайной величины Хi в k-й интервал, равная при нормальном законе

    (14)

где Xk - нижняя, а Хk+1 - верхняя границы интервала; - теоретическая интегральная функция нормированного нормального распределения; п - объем выборки; r - число интервалов; - число степеней свободы; j - число параметров закона распределения, определяемых по выборке.

В случае нормального распределения j = 2, так как по выборке оцениваются два параметра распределения - математическое ожидание и дисперсия. В случае распределения Пуассона j = 1, так как математическое ожидание и дисперсия его равны, по выборке определяется один параметр.

Вычисленное по (14) значение сравнивается с табличным (критическим) при выбранном одностороннем уровне значимости . Если гипотеза о виде распределения принимается, в противном случае она отвергается и строится новая гипотеза — предполагается другой закон. Если вид закона подобрать не удается, то пользуются неравенством Чебышева для определения случайной погрешности (построение доверительного интервала для Хист).

 

Выполнение работы:

Таблица 3 – Данные для проверки закона распределения по вероятностной бумаге

i

Xi

Fn(Xi)=Ф(Zi)

Zi

i

Xi

Fn(Xi)=Ф(Zi)

Zi

1

4,88

0.0303

-1.88

9,12

7,69

0.5152

0.04

2

6,29

0.0606

-1.55

9,3

8,3

0.5455

0.11

3

6,38

0.0909

-1.34

9,78

8,36

0.5758

0.19

4

6,58

0.1212

-1.17

10,03

8,54

0.6061

0.27

5

6,68

0.1515

-1.03

10,12

8,64

0.6364

0.35

6

6,77

0.1818

-0.91

10,46

8,79

0.6667

0.43

7

6,97

0.2121

-0.8

10,74

8,81

0.697

0.52

8

7,25

0.2424

-0.7

10,78

8,84

0.7273

0.6

9

7,27

0.2727

-0.6

11,14

8,87

0.7576

0.7

10

7,35

0.303

-0.52

11,32

9,08

0.7879

0.8

11

7,35

0.3333

-0.43

11,66

9,51

0.8182

0.91

12

7,57

0.3636

-0.35

1198

9,52

0.8485

1.03

13

7,58

0.3939

-0.27

12,66

9,57

0.8788

1.17

14

7,63

0.4242

-0.19

12,84

9,64

0.9091

1.34

15

7,64

0.4545

-0.11

13,62

9,7

0.9394

1.55

16

7,68

0.4848

-0.04

15

9,84

0.9697

1.88


 

 

 

Рисунок 2 – График проверки нормального закона распределения

 

Вывод: гипотеза о нормальном законе распределения не подтверждается

 

Dп кр = 0,24

 

Таблица 4 – Данные для проверки закона распределения по критерию Колмогорова

Номер границы инт. k

Значение границы интервала Xk

Ф (Zk)

Ф (Zk) – Dn, кр

Ф (Zk) + Dn, кр

1

4,880

0,9963

0,7563

 

2

5,872

0,9599

0,7199

1,1999

3

6,864

0,8238

0,5838

1,0638

4

7,856

0,5438

0,3038

0,7838

5

8,848

0,7611

0,5211

1,0011

6

9,840

0,937

0,697

 

 

Рисунок 3

 

Вывод: гипотеза о нормальном законе распределения не подтверждается.

 

Таблица 5 – Данные для проверки по критерию согласия Пирсона

№ интервала 

Интервал 

Число знач. в  интервале nk

Теоретич. вероятность Pk

nPk

от

до

1

4,880

5,872

1

0,0364

0,0364

25,5089275

2

5,872

6,864

5

0,1361

0,6805

27,4181929

3

6,864

7,856

11

0,28

3,08

20,3657143

4

7,856

8,848

7

0,2173

1,5211

19,7346297

5

8,864

9,840

8

0,1759

1,4072

30,8875866


 

= 123,92

= 5.991

Вывод: закон о нормальном распределении случайной величины не подтверждается.

 

3 ОБЪЕДИНЕНИЕ  РЕЗУЛЬТАТОВ ИЗМЕРЕНИЯ

 

Цель работы:

- изучить основные особенности объединения результатов разных серий измерений в общий массив;

- приобрести практические навыки обработки экспериментальных данных, полученных в нескольких сериях измерений при отсутствии систематических ошибок и нормальном законе распределения случайных ошибок измерений.

 

Измерительную информацию о физической величине постоянного (одного и того же) размера часто получают в разное время, в разных условиях, разными методами, разные операторы. Если объединить все результаты измерений в общий массив, то можно получить более точный и надежный результат за счет увеличения объема выборки. Однако объединение возможно только при условии однородности серий.

В математической статистике однородными  называются выборки (серии), взятые из одной генеральной совокупности, то есть имеющие одинаковый вид закона распределения, одинаковые математические ожидания и одинаковые дисперсии. В метрологии серии называются однородными, если подчиняются закону распределения одного вида с одинаковыми математическими ожиданиями (дисперсии могут быть различными).

Если дисперсии в сериях одинаковы (не выборочные их оценки, а сами дисперсии), то в простейшем случае для двух серий измерений критерий однородности (t –критерий) имеет вид:

                                     (16)

 

где X1 и X2 - средние арифметические в сериях; n1 и n2 - объемы серий; ta/2v - табличное значение t – статистики (табл. 3 прил.); S2X об - объединенная оценка дисперсии σ2:

                               (17)

где S2X,1 и S2X,2 – выборочные оценки дисперсии в сериях; vоб = n1 + n2 - 2 число степеней свободы оценки S2Xоб и табличного значения ta/2,vоб   .

Прежде чем воспользоваться  критерием (16), необходимо убедиться, что S2X,1 и S2X,2 есть оценки одной и той же дисперсии σ2. Только в этом случае может быть использована объединенная оценка дисперсии S2Xоб в виде (17). Проверка гипотезы о равенстве дисперсий в сериях осуществляется с помощью F - критерия (критерия дисперсионного отношения).

      (18)

где S2X,max — максимальная из двух оценок S2X,1 и S2X,2, V1 - число степеней свободы числителя (у = n-1); S2X,min  - минимальная из двух оценок, V2 - число степеней свободы знаменателя. Значение Fα, v1, v2 берется из таблиц F - распределения при одностороннем уровне значимости а и числах степеней свободы числителя V1 и знаменателя V2.

Контрольна робота по компьютерной графике