Контрольна робота по компьютерной графике
Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования
"Тихоокеанский
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 |
2 |
2 Проверка гипотезы о виде распределения |
12 |
3 Объединение результатов |
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,
- вычисление оценки СКО измерений и оценки СКО среднего арифметического;
- построение доверительного
интервала для неизвестного
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:
- при любом законе распределения ошибок (с конечными математическим ожиданием и дисперсией) СА является несмещенной и состоятельной оценкой математического ожидания (истинного значения).
- дисперсия СА в п раз меньше дисперсии отдельных результатов
измерений, то есть дисперсии ошибок; - в случае нормального распределения ошибок измерений СА является эффективной оценкой математического ожидания;
- 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
Обычно пользуются корнем квадратным из выражения (3) для вычисления оценки СКО по выборке:
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
Для оценки СКО среднего арифметического получаем из (4)
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
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:
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:
или
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
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:
- 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 |
- 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
- 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 |
- 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
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
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:
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 "Логистике"
- Контрольна робота по «Логістика»
- Контрольна робота по «Макроекономіка»
- Контрольна робота по "Маркетингу послуг готельного господарства у туризмі"
- Контрольна робота по "Менеджмент"
- Контрольна робота по "Менеджменту"
- Контрольна робота по "Менеджменту"
- Контрольна робота по "Економіці"
- Контрольна робота по "Економічний аналіз"
- Контрольна робота по „Ефективність управління підприємством”
- Контрольна робота по "Информатики"
- Контрольна робота по "Інновацій"
- Контрольна робота по «Інформатика та комп’ютерна техніка»
- Контрольна робота по «Інформаційне забезпечення»