大学物理绪论组收集和分析

目录

​编辑

随机误差的估计

算术平均值的标准偏差

 不确定度(Uncertainty)是测量学中的一个重要概念,用于表示测量结果的可靠程度。它反映了测量值可能偏离真值(即被测量的客观真实值)的程度。

A类不确定度的计算方法

 

以下是一个Python代码示例,用于计算A类不确定度(标准偏差):

 B类不确定度

 间接测量结果不确定度的合成

假设我们有一个间接测量量 \( Y = f(X_1, X_2, \ldots, X_n) \),其中 \( X_i \) 是直接测量量,\( f() \) 是包含这些直接测量量的函数。我们已经知道了每个直接测量量 \( X_i \) 的不确定度 \( \Delta X_i \)。

以下是一个Python函数示例,它接受一个函数f(表示间接测量量与直接测量量之间的关系)、一个包含直接测量量值的列表x_values以及一个包含直接测量量不确定度的列表delta_x_values,然后返回间接测量结果的不确定度delta_y:

 对数微分法

 Python代码来演示对数微分法:


随机误差的估计

不可控制的因素影响而产生的误差。这些因素可能是测量环境的微小变化、测量设备的不稳定、甚至是操作人员的微小动作变化等。随机误差使得在同一条件下对同一量进行多次测量时,得到的结果会时大时小、时正时负,呈现出随机性。

随机误差的估计通常涉及以下几个方面:

  1. 多次测量:通过多次测量并计算平均值,可以减小随机误差的影响。这是因为随机误差在多次测量中会有所抵消。多次测量的平均值比单次测量值更接近真实值。

  2. 标准偏差:标准偏差(σ)是衡量随机误差大小的一个重要参数。它反映了测量数据的离散程度。在统计学中,标准偏差可以通过测量数据的平方差的平均值的平方根来计算。

  3. 贝塞尔公式:贝塞尔公式用于估计随机误差的大小,它表明在一定置信水平下(例如68.3%),随机误差的绝对值不会超过某个数值。这为随机误差的控制提供了依据。

  4. 置信区间:置信区间是根据一定置信水平(例如95%),由统计方法推断出的测量结果可能的区间范围。这意味着该区间包含真实值的概率为指定的置信水平。

  5. 相对误差:相对误差是随机误差绝对值与测量结果之比,通常用来衡量随机误差对测量结果的影响程度。

算术平均值的标准偏差

算术平均值的标准偏差(或称为标准误差)通常用于估计样本均值与总体均值之间的差异。当我们只有样本数据时,我们不知道总体的真实均值,但我们可以使用样本均值作为估计,并使用标准偏差来量化这个估计的不确定性。

样本的标准偏差(SD)和样本大小(n)之间的关系用于计算算术平均值的标准偏差(也称为标准误差,SE)。标准误差的计算公式为:

SE = SD / √n

其中,SD 是样本的标准偏差,n 是样本大小(即样本中的观测值数量)。

以下是一个使用 Python 计算算术平均值的标准偏差的示例:

import numpy as np  # 假设我们有一个样本数据  
sample_data = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])  # 计算样本的算术平均值  
sample_mean = np.mean(sample_data)  # 计算样本的标准偏差  
sample_sd = np.std(sample_data, ddof=1)  # ddof=1 是为了得到样本的标准偏差的无偏估计  # 计算算术平均值的标准偏差(标准误差)  
n = len(sample_data)  
se = sample_sd / np.sqrt(n)  print(f"样本的算术平均值: {sample_mean}")  
print(f"样本的标准偏差: {sample_sd}")  
print(f"算术平均值的标准偏差(标准误差): {se}")

 不确定度(Uncertainty)是测量学中的一个重要概念,用于表示测量结果的可靠程度。它反映了测量值可能偏离真值(即被测量的客观真实值)的程度。

  1. A类不确定度(也称为统计不确定度):来源于随机因素,如测量过程中的偶然误差,其大小可通过统计方法获得,例如通过观测测量结果的分布来估算。

  2. B类不确定度(也称为系统不确定度):来源于可确定的非随机因素,如仪器的校准误差、环境条件的变化等,其大小可通过分析和评估各种影响因素来估算。

A类不确定度的计算方法

A类不确定度的计算方法通常基于贝塞尔公式(Bessel's formula)或标准偏差(standard deviation)的估计。以下是详细的计算步骤:

  1. 进行多次独立重复测量
    首先,在相同的测量条件下,对被测量进行多次(至少5次)独立重复测量。确保每次测量都是独立的,即每次测量之间不存在相互影响。

  2. 计算测量结果的平均值
    将所有测量结果相加,然后除以测量次数,得到测量结果的平均值(算术平均值)。

    公式为:(\bar{x} = \frac{1}{N} \sum_{i=1}^{N} x_i)

    其中,(\bar{x}) 是平均值,(N) 是测量次数,(x_i) 是第 (i) 次的测量结果。

  3. 计算测量结果的偏差
    对于每次测量,计算其与平均值的偏差(残差)。

    公式为:(d_i = x_i - \bar{x})

    其中,(d_i) 是第 (i) 次测量的偏差。

  4. 计算偏差的平方和
    将所有偏差的平方相加。

    公式为:(\sum_{i=1}{N} d_i2)

  5. 计算A类不确定度
    将偏差的平方和除以测量次数减一((N-1)),然后取平方根,得到A类不确定度(标准偏差)。

    公式为:(s = \sqrt{\frac{1}{N-1} \sum_{i=1}{N} d_i2})

    其中,(s) 是A类不确定度(标准偏差)。

  6. 自由度
    在A类不确定度的计算中,自由度(degrees of freedom)是一个重要的参数,它等于测量次数减一((N-1))。

以下是一个Python代码示例,用于计算A类不确定度(标准偏差):

import math  # 假设这是你的测量数据列表  
measurements = [10.1, 10.2, 9.9, 10.0, 10.3]  # 计算平均值  
mean = sum(measurements) / len(measurements)  # 计算偏差的平方和  
sum_of_squared_deviations = sum((x - mean) ** 2 for x in measurements)  # 计算A类不确定度(标准偏差)  
standard_deviation = math.sqrt(sum_of_squared_deviations / (len(measurements) - 1))  # 输出结果  
print(f"平均值: {mean}")  
print(f"A类不确定度(标准偏差): {standard_deviation}")

 B类不确定度

 

 间接测量结果不确定度的合成

 

 

间接测量结果不确定度的合成是指将所有影响间接测量结果的不确定度分量综合起来,得到一个总的不确定度。这个过程涉及到对不确定度分量的量化、合成以及最终的不确定度表达。

间接测量结果的不确定度合成涉及到误差传递的问题,即如何从一系列直接测量量的不确定度来评估最终间接测量结果的不确定度。这里介绍一种常用的合成方法——方和根合成法。

假设我们有一个间接测量量 \( Y = f(X_1, X_2, \ldots, X_n) \),其中 \( X_i \) 是直接测量量,\( f() \) 是包含这些直接测量量的函数。我们已经知道了每个直接测量量 \( X_i \) 的不确定度 \( \Delta X_i \)。

首先,需要计算间接测量量 \( Y \) 对于每个直接测量量 \( X_i \) 的偏导数,然后利用这些偏导数来评估间接测量量的不确定度 \( \Delta Y \)。

具体步骤如下:

1. 计算间接测量量 \( Y = f(X_1, X_2, \ldots, X_n) \) 对每个直接测量量 \( X_i \) 的偏导数 \( \frac{\partial Y}{\partial X_i} \)。

2. 计算每个 \( \frac{\partial Y}{\partial X_i} \) 的不确定度 \( \Delta \frac{\partial Y}{\partial X_i} \)。这个值可以通过链规则来得到:

   \( \Delta \frac{\partial Y}{\partial X_i} = \frac{\partial Y}{\partial X_i} \cdot \frac{\Delta X_i}{X_i} \)。

3. 合成 \( \Delta Y \) 的平方:

   \( (\Delta Y)^2 = \sum_{i=1}^{n} \left( \frac{\partial Y}{\partial X_i} \cdot \frac{\Delta X_i}{X_i} \right)^2 \)。

4. 求出 \( \Delta Y \) 的值:

   \( \Delta Y = \sqrt{(\Delta Y)^2} \)。

这样,我们就得到了间接测量结果 \( Y \) 的不确定度 \( \Delta Y \)。注意,这里的 \( \Delta Y \) 是合成的标准差,它代表了由于各个直接测量量的不确定性所带来的综合影响。

在实际应用中,可能还需要考虑其他因素,例如非线性效应、相关性等,这会使得不确定度的合成变得更加复杂。不过,对于许多简单的情况,上述方法是足够使用的。

 这也太难了吧:

我们可以编写一个函数来执行间接测量结果的不确定度合成。但是,需要注意的是,通常我们不会直接计算偏导数的不确定度((\Delta \frac{\partial Y}{\partial X_i})),而是直接使用偏导数和直接测量量的不确定度来合成间接测量结果的不确定度。

以下是一个Python函数示例,它接受一个函数f(表示间接测量量与直接测量量之间的关系)、一个包含直接测量量值的列表x_values以及一个包含直接测量量不确定度的列表delta_x_values,然后返回间接测量结果的不确定度delta_y

⬇️⬇️⬇️

import numpy as np  def propagate_uncertainty(f, x_values, delta_x_values):  # 计算偏导数(这里假设f是一个可微分的函数,我们使用numpy的梯度近似)  def numerical_gradient(f, x):  h = 1e-7  # 选择一个小的步长  grad = np.zeros_like(x)  it = np.nditer(x, flags=['multi_index'], op_flags=['readwrite'])  while not it.finished:  ix = it.multi_index  old_value = x[ix]  x[ix] = old_value + h  fxh1 = f(x)  x[ix] = old_value - h  fxh2 = f(x)  grad[ix] = (fxh1 - fxh2) / (2 * h)  x[ix] = old_value  # 还原值以用于下一次迭代  it.iternext()  return grad  # 计算间接测量量的值  y_value = f(x_values)  # 计算间接测量量的不确定度  grad = numerical_gradient(f, x_values)  delta_y_squared = sum((grad[i] * delta_x_values[i] / x_values[i])**2 for i in range(len(x_values)))  delta_y = np.sqrt(delta_y_squared)  return delta_y  # 示例:计算 Y = X1 + X2 的不确定度,其中 X1 = 10 (± 0.1), X2 = 20 (± 0.2)  
def f(x):  return x[0] + x[1]  x_values = np.array([10, 20])  
delta_x_values = np.array([0.1, 0.2])  delta_y = propagate_uncertainty(f, x_values, delta_x_values)  
print(f"Indirect measurement uncertainty: {delta_y}")

 对数微分法

 

 

对数微分法是在处理某些特定函数(如幂函数或多项积函数)时,通过求函数的对数导数来简化求导过程的一种方法。

  1. 求对数导数
    • 对函数f取对数,然后求导,得到的对数导数可以方便地转化为原函数的导数。
  2. 利用链式法则
    • 对数微分法依赖于链式法则和对数的性质,将复杂的乘积或幂函数转化为和或差的形式,从而简化求导过程。
  3. 应用于不确定度计算
    • 在间接测量值的不确定度计算中,当函数关系复杂时,可以使用对数微分法来简化计算过程。具体做法是先将函数转化为对数形式,然后应用全微分公式和链式法则来计算不确定度。

使用sympy库来处理符号计算,包括函数的对数导数、全微分以及不确定度的计算。以下是一个使用sympy来演示对数微分法以及如何将其应用于不确定度计算的例子。

首先,需要安装sympy库(如果你还没有安装的话):

pip install sympy

 Python代码来演示对数微分法:

import sympy as sp  # 定义变量  
x1, x2, x3 = sp.symbols('x1 x2 x3')  
uc_x1, uc_x2, uc_x3 = sp.symbols('uc_x1 uc_x2 uc_x3', real=True, positive=True) # 变量为正实数  # 假设的复杂函数(例如多项积函数)  
f = x1**2 * x2 * sp.exp(x3)  # 对数微分法  
# 对函数取对数  
log_f = sp.log(f)  # 对对数函数求导  
diff_log_f_x1 = sp.diff(log_f, x1)  
diff_log_f_x2 = sp.diff(log_f, x2)  
diff_log_f_x3 = sp.diff(log_f, x3)  # 转换为原函数的导数(链式法则)  
df_dx1 = f * diff_log_f_x1  
df_dx2 = f * diff_log_f_x2  
df_dx3 = f * diff_log_f_x3  # 现在,假设我们要计算不确定度  
# 假设直接测量值的不确定度是已知的  
# 使用全微分公式计算合成不确定度  
du_f = sp.sqrt(  (df_dx1.subs({x1: 1, x2: 1, x3: 1}) * uc_x1)**2 +  (df_dx2.subs({x1: 1, x2: 1, x3: 1}) * uc_x2)**2 +  (df_dx3.subs({x1: 1, x2: 1, x3: 1}) * uc_x3)**2  
)  # 打印结果  
print(f"df/dx1 = {df_dx1}")  
print(f"df/dx2 = {df_dx2}")  
print(f"df/dx3 = {df_dx3}")  
print(f"The combined uncertainty is: {du_f}")  # 注意:在实际应用中,x1, x2, x3的值将不会是1,而是你测量或估计的值。  
# 这里为了简化计算,我们假设了x1=x2=x3=1。

 定义了一个复杂的函数f,然后使用对数微分法来找到它的导数。

接着,利用全微分公式来计算合成不确定度,这里假设了x1=x2=x3=1和相应的不确定度uc_x1uc_x2uc_x3。在实际情况中,需要将x1x2x3替换为实际的测量值。

 休息

 

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/diannao/30059.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

cephfs的形式使用ceph,大致思路

有很多方式可以使用ceph,感觉作者的大概的思路就是,把ceph当成一个存储中心,然后可以通过很多中不同的方式把数据放到这个存储中心来,也可以读取。 ceph存储数据的大致思路是,建立osd,把osd当数据存储基点…

健身小程序:智能化助力个人健身旅程

一、智能化功能的核心 健身小程序的智能化功能主要体现在以下几个方面: 智能健身计划推荐:小程序内置了先进的算法,能够根据用户的身体状况、健身目标和时间安排,智能推荐个性化的健身计划。这些计划不仅科学合理,而且…

TCP协议是安全的吗?

不安全 虽然 TCP 提供了一种可靠且高效的数据传输方式,但它不提供任何加密或身份验证机制来保护数据。因此,传输的数据可能会被未经授权的用户拦截和读取,而且其真实性无法验证。 因此,为了确保 TCP 通信的安全,必须…

ThreeJS-截屏下载pdf或者图片时白屏

JS-页面截图下载为pdf 关于如何下载为 pdf 在上面的这篇文章中有写,大家可以看下,下载图片代码在最下面 这时我们发现 three 部分是空白的如下: 这就多少有点尴尬了,这时我们习惯性的看下后台报错 是不是发现了惊喜,…

足底筋膜炎怎么治疗效果好得快

足底筋膜炎症状:疼痛是足底筋膜炎最典型和常见的症状。患者通常会感到足跟或足底区域的疼痛,这种疼痛可能表现为刺痛、钝痛或灼热感。疼痛的程度和频率因人而异,但通常会在早晨起床后或长时间休息后首次站立时最为明显。这是因为休息时足底筋…

.NET C# 读写CSV及转换DataTable

目录 .NET C# 读写CSV及转换DataTable1. 依赖库2. CSVUtil2.1 CSV 转 DataTable2.2 DataTable 转 CSV 文本2.3 DataTable 转 CSV2.4 私有方法 .NET C# 读写CSV及转换DataTable 1. 依赖库 using System.Data; using System.IO; using System.Text; using System.Text.RegularE…

eclipse宝刀未老

Theia 是一个高度可定制的、开源的、基于 Web 的集成开发环境(IDE)框架。它由 Eclipse Foundation 主导,旨在为云和本地环境提供现代化的、全功能的 IDE 解决方案。Theia 的核心目标是提供一个灵活的平台,开发者可以根据自己的需求…

睡眠脑电 | 多导睡眠图技术

摘要 多导睡眠图(PSG)一词由Holland等人于1974年提出,用于描述在睡眠期间同时记录、分析和解释多个生理特征。PSG是诊断睡眠障碍患者和增进我们对正常睡眠认识的重要工具。这是一个复杂的过程,应由训练有素的技术人员执行。本文回顾了多导睡眠图(PSG)的…

头歌----恶意流量监测

第一关:RE库的使用 任务描述 本关任务:编写一个能正则匹配出 ip 地址的小程序。 相关知识 为了完成本关任务,你需要掌握: re 的主要功能函数;re.search 函数;例子。 re 的主要功能函数 常用的功能函…

【设计模式之基于特性的动态路由映射模式】

在ASP.NET Core中,路由是核心功能之一,用于将HTTP请求映射到相应的控制器操作。虽然“路由驱动设计模式”是一个我刚杜撰出来的设计模式名称,但我们可以基于ASP.NET Core的路由特性,构建一种以路由为中心的设计模式。 以下是一个…

C#.Net筑基-类型系统②常见类型

01、结构体类型Struct 结构体 struct 是一种用户自定义的值类型,常用于定义一些简单(轻量)的数据结构。对于一些局部使用的数据结构,优先使用结构体,效率要高很多。 可以有构造函数,也可以没有。因此初始…

独孤思维:副业闷声发财,没有多少人希望你好

01 做副业,一定要留有余地。 害人之心不可有,防人之心不可无。 很多人,喜欢晒收益,喜欢吹嘘多牛b。 被同行盯上,看着眼红,反手就各种搞事情。 独孤经历过,也看到过很多同行被搞过。 不要公…

阿里又出AI神器,颠覆传统图像编辑,免费开源!

文章首发于公众号:X小鹿AI副业 大家好,我是程序员X小鹿,前互联网大厂程序员,自由职业2年,也一名 AIGC 爱好者,持续分享更多前沿的「AI 工具」和「AI副业玩法」,欢迎一起交流~ 最近阿里开源了 Mi…

C#面:阐述 POCO 是什么意思

POCO是“Plain Old CLR Object”的缩写,意为“普通的旧CLR对象”。它是一种编程模式,用于描述一个简单的、纯粹的C#对象,没有任何特殊的依赖或框架限制。POCO对象通常只包含属性和方法,没有任何特殊的基类或接口。 在C#中&#x…

003.Linux SSH协议工具

我 的 个 人 主 页:👉👉 失心疯的个人主页 👈👈 入 门 教 程 推 荐 :👉👉 Python零基础入门教程合集 👈👈 虚 拟 环 境 搭 建 :👉&…

国内 大数据平台

国内有多个类似阿里云天池大数据平台的数据集平台,这些平台主要提供开源数据集、数据竞赛、数据分析工具等资源,帮助数据科学家、研究人员和企业进行数据分析与机器学习开发。以下是一些较为知名的国内平台: 1. DataFountain(Dat…

MySQL字符集与 排序规则 详解

在MySQL中,字符集(Character Set)和排序规则(Collation)是两个至关重要的概念,它们共同决定了数据库中数据的存储和检索方式。本文将详细解析MySQL中的字符集和排序规则,帮助读者更好地理解它们…

python中的特殊方法使用

__new__()构造器 范例:使用“__new__()”方法 # coding : utf-8class Message: # 默认object子类def __new__(cls, *args, **kwargs): # 特殊方法print("【new】cls %s、args %s、kwargs …

最新麻豆MDYS14源码 油条视频 苹果CMS系统 附搭建教程

在数字化的时代,视频网站已经成为人们获取娱乐和信息的主要渠道之一。而在众多的视频网站中,使用麻豆MDYS14源码搭建的网站无疑是最具有吸引力的。本文将为你介绍麻豆MDYS14源码的基本特性,以及如何利用它打造一款完美的视频网站。 首先&…

如何设计实现一个分布式注册中心

1、确定需求和目标 服务发现:客户端能够查找和连接到服务提供者。 负载均衡:将请求分发到不同的服务提供者实例上。 容错处理:能够处理服务提供者的故障,并确保系统的可用性和健壮性。 高可用性和可扩展性:能够处理…