Upload
ngongoc
View
219
Download
0
Embed Size (px)
Citation preview
B.Kamys; Notatki do wykªadu SMOP-I 2014/15 1
Statystyczne Metody OpracowaniaPomiarów I
B. Kamys; Instytut Fizyki UJ
Spis tre±ci
1 Elementy teorii prawdopodobie«stwa 2
1.1 De�nicje podstawowych poj¦¢ . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Wªasno±ci prawdopodobie«stwa . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2 Podstawowe poj¦cia teorii estymacji 5
3 Ilo±ciowy opis zmiennych losowych 7
4 Funkcje zmiennej losowej 9
5 Charakterystyki rozkªadu prawdopodobie«stwa 11
6 Rozkªad normalny (Gaussa) 15
7 Podstawy rachunku niepewno±ci pomiarowych 17
7.1 Rozkªad pomiarów . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
7.2 Estymator warto±ci oczekiwanej . . . . . . . . . . . . . . . . . . . . . . . . . . 22
7.3 Estymator odchylenia standardowego . . . . . . . . . . . . . . . . . . . . . . . 23
7.4 Zapis wyników pomiarów . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
7.5 Rozkªad liczby pozytywnie zako«czonych do±wiadcze« . . . . . . . . . . . . . . 26
7.6 Niepewno±¢ statystyczna . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
7.7 Pomiary po±rednie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
7.7.1 Estymator E(Y) dla pomiaru po±redniego Y . . . . . . . . . . . . . . . . 29
7.7.2 Niepewno±¢ pomiaru po±redniego . . . . . . . . . . . . . . . . . . . . . 29
7.7.3 Bª¡d maksymalny . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
8 Regresja liniowa 31
9 Indeks 34
B.Kamys; Notatki do wykªadu SMOP-I 2014/15 2
1 ELEMENTY TEORII PRAWDOPODOBIE�STWA
1.1 DEFINICJE PODSTAWOWYCH POJ��
DEFINICJA: Zbiór zdarze« elementarnych - zbiór takich zdarze«, które si�e wzajemnie wyklu-
czaj�a oraz wyczerpuj�a wszystkie mo»liwo±ci (tzn. w ka»dym mo»liwym przypadku przynaj-
mniej jedno z nich musi zachodzi¢).
DEFINICJA: Zdarzeniem jest dowolny podzbiór zdarze« elementarnych E .
DEFINICJA: Zdarzeniem pewnym jest zdarzenie zawieraj�ace wszystkie elementy zbioru E (za-
chodzi zawsze).
DEFINICJA: Zdarzeniem niemo»liwym jest zdarzenie nie zawieraj�ace »adnego elementu zbioru
E tj. zbiór pusty Ø.
DEFINICJA: Zdarzenie A zawiera si�e w zdarzeniu B je»eli ka»de zdarzenie elementarne na-
le»�ace do zbioru A nale»y do B: 'A ⊂ B'
DEFINICJA: Zdarzenia A i B s�a równe
gdy A ⊂ B i B ⊂ A.
DEFINICJA: Suma zdarze« A+B
to zdarzenie zawieraj�ace te i tylko te zdarzenia elementarne, które nale»�a do któregokolwiek
ze zdarze« A, B,... (suma logiczna zbiorów zdarze« elementarnych 'A⋃
B⋃
..').
DEFINICJA: Ró»nica zdarze« A-B
to zdarzenie zawieraj�ace te i tylko te zdarzenia elementarne, które nale»�a do zdarzenia A a
nie nale»�a do zdarzenia B.
DEFINICJA: Iloczyn zdarze« A.B
to zdarzenie zawieraj�ace te i tylko te zdarzenia elementarne, które nale»�a do wszystkich
zdarze« A, B (tzn. w j�ezyku zbiorów 'A⋂
B').
DEFINICJA: Zdarzeniem przeciwnym do A: A nazywamy ró»nic�e 'E-A'
DEFINICJA: Zdarzeniem losowym - nazywamy zdarzenie speªniaj�ace poni»sze warunki:
1. W zbiorze zdarze« losowych znajduje si�e zdarzenie pewne oraz zdarzenie niemo»-
liwe.
2. Je»eli zdarzenia A1, A2,... w ilo±ci sko«czonej lub przeliczalnej s�a zdarzeniami losowymi
to ich iloczyn i ich suma s�a równie» zdarzeniami losowymi.
B.Kamys; Notatki do wykªadu SMOP-I 2014/15 3
3. Je»eli A1 i A2 s�a zdarzeniami losowymi to ich ró»nica jest równie» zdarzeniem loso-
wym.
INTUICYJNE OKRE�LENIE: Zdarzenie losowe to takie, o którym nie mo»emy po-
wiedzie¢ czy zajdzie w danych warunkach czy te» nie zajdzie.
DEFINICJA: Zmienn�a losow�a nazywamy jednoznaczn�a funkcj�e rzeczywist�a X(e) okre-
±lon�a na zbiorze E zdarze« elementarnych tak�a, »e ka»demu przedziaªowi warto±ci funkcji
X typu (-∞,x) odpowiada zdarzenie losowe.
DEFINICJA: Zmienna losowa typu skokowego (dyskretnego) to taka, która przyjmuje
tylko co najwy»ej przeliczalny zbiór warto±ci. Zmienna losowa typu ci�agªego - mo»e przyj-
mowa¢ dowolne warto±ci od minus do plus niesko«czono±ci.
DEFINICJA: De�nicja prawdopodobie«stwa
Aksjomat 1: Ka»demu zdarzeniu losowemu przyporz�adkowana jest jednoznacznie nie-
ujemna liczba rzeczywista zwana prawdopodobie«stwem.
Aksjomat 2: Prawdopodobie«stwo zdarzenia pewnego jest równe jedno±ci.
Aksjomat 3: Je»eli zdarzenie losowe Z jest sum�a sko«czonej lub przeliczalnej liczby rozª�acznych
zdarze« losowych Z1,Z2,.. to prawdopodobie«stwo zrealizowania si�e zdarzenia Z jest
równe sumie prawdopodobie«stw zdarze« Z1,Z2, ..
Aksjomat 4: Prawdopodobie«stwo warunkowe zdarzenia A pod warunkiem, »e zachodzi
zdarzenie B; 'P(A|B)' wyra»a si�e wzorem:
P(A|B) = P (A.B)P (B)
Prawdopodobie«stwo to jest nieokre±lone, gdy prawdopodobie«stwo zdarzenia B wy-
nosi zero.
1.2 W�ASNO�CI PRAWDOPODOBIE�STWA
1.) Zdarzenie przeciwne do A :
P(A) = 1 - P(A)
Dowód:
A+A = E a wi�ec P(A+A) = P(E) = 1,
z drugiej strony A i A wykluczaj�a si�e wi�ec
P(A+A) = P(A) + P(A).
St�ad P(A) = P( E) - P(A) czyli P(A) = 1 - P(A) c.b.d.o.
B.Kamys; Notatki do wykªadu SMOP-I 2014/15 4
2.) Zdarzenie niemo»liwe :
P(Ø) = 0
Dowód:
E i Ø wykluczaj�a si�e wi�ec P(E+Ø)=P(E)+P(Ø) oraz E+Ø=E a wi�ec P(E+Ø)=P(E), czyli
P(Ø) = 0
c.b.d.o.
3.) Zdarzenie A zawiera si�e w B :
P(A) ≤ P(B)
Dowód: P(B) = P(A+(A.B)) = P(A)+P(A.B) ≥ P(A) c.b.d.o.
4.) Dowolne zdarzenie losowe :
0 ≤ P(A) ≤ 1
Dowód: Dla ka»dego zdarzenia jest prawdziwe:
Ø ⊂ A+Ø = A = A.E ⊂ E
a wi�ec prawdopodobie«stwa zdarze« Ø,A i E speªniaj�a:
0 ≤ P(A) ≤ 1 c.b.d.o.
5.) Suma dowolnych zdarze« A+B :
P(A+B) = P(A) + P(B) - P(A.B)
Dowód:
Zarówno A+B jak i B mo»emy zapisa¢ jako sumy rozª�acznych (wykluczaj�acych si�e) zdarze«:
A+B = A+ (B −A.B) oraz
B = A.B + (B −A.B),
stosujemy aksjomat nr 3 de�nicji prawdopodobie«stwa,
P (A+B) = P (A) + P (B −A.B),
P (B) = P (A.B) + P (B −A.B)
odejmujemy stronami: P(A+B) = P(A) + P(B) - P(A.B) c.b.d.o.
6.) Iloczyn zdarze« A.B :
P(A.B) = P(B).P(A|B) = P(A).P(B|A)
Dowód:
Wynika to automatycznie z 4 aksjomatu de�nicji prawdopodobie«stwa.
B.Kamys; Notatki do wykªadu SMOP-I 2014/15 5
DEFINICJA: Zdarzenie A jest niezale»ne od B gdy P(A|B) = P(A).
7.) Je»eli A nie zale»y od B to B nie zale»y od A. Dowód:
Korzystamy z dwu wzorów na prawdopodobie«stwo A.B podanych wy»ej, przy czym w pierw-
szym z nich uwzgl�edniamy, »e A jest niezale»ne od B. Wówczas z porównania obu wzorów
dostajemy P(B|A) = P(B).
c.b.d.o.
8.) WKW niezale»nosci: P(A.B) = P(A).P(B) Dowód:
Wynika to automatycznie ze wzoru na prawdopodobie«stwo iloczynu zdarze«.
c.b.d.o
9.) Formuªa 'caªkowitego prawdopodobie«stwa': Je»eli istnieje zbiór zdarze« A1, A2
... wykluczaj�acych si�e wzajemnie i wyczerpuj�acych wszystkie mo»liwo±ci wówczas praw-
dopodobie«stwo dowolnego zdarzenia B mo»e by¢ zapisane nast�epuj�aco:
P(B) =∑iP (Ai).P (B | Ai)
Dowód:
B =∑
i B.Ai (suma rozª�acznych zdarze«) a wiec P(B) =∑
i P(B.Ai) a ka»dy skªadnik mo»na
zapisa¢ jako P(Ai).P(B|Ai). c.b.d.o.
2 PODSTAWOWE POJ�CIA TEORII ESTYMACJI
DEFINICJA: W statystyce sko«czony zespóª do±wiadcze« nazywamy prób�a a wniosko-
wanie na podstawie próby o wªasno±ciach niesko«czonego (zwykle) zespoªu wszystkich mo»-
liwych do±wiadcze« zwanego populacj�a generaln�a , nazywamy estymacj�a .
DEFINICJA: Przez prób�e prost�a rozumiemy ci�ag niezale»nych do±wiadcze« odnosz�acych
si�e do tej samej populacji generalnej.
DEFINICJA: Statystyk�a nazywamy tak�a funkcj�e zmiennych losowych obserwowanych w
próbie, która sama jest zmienn�a losow�a.
DEFINICJA: Estymatorem Tn(x1, x2, ..xn; θ) parametru θ lub w skrócie Tn(θ) nazy-
wamy statystyk�e o rozkªadzie prawdopodobie«stwa zale»nym od θ. Tu x1, x2, .. oznaczaj�a
wyniki pomiarów próby a przez rozkªad prawdopodobie«stwa rozumiemy przyporz�adkowanie
B.Kamys; Notatki do wykªadu SMOP-I 2014/15 6
prawdopodobie«stw ró»nym warto±ciom statystyki Tn.
DEFINICJA: Estymacja punktowa to taka estymacja, która polega na oszacowaniu war-
to±ci danego parametru θ przez warto±¢ jego estymatora.
DEFINICJA: Estymacja przedziaªowa polega na szukaniu przedziaªu liczbowego, wewn�atrz
którego z zaªo»onym prawdopodobie«stwem le»y prawdziwa warto±¢ parametru.
DEFINICJA: Estymator Tn(θ), jest zgodny je»eli dla ka»dego ε > 0 jest speªniony
warunek:
limn→∞P (| Tn(θ)− θ |< ε) = 1
W takim przypadku u»ywa si�e cz�esto okre±lenia, »e estymator speªnia prawo wielkich liczb .
PRZYK�AD:TWIERDZENIE (Bernoulli): Wzgl�edna cz�esto±¢ pojawiania si�e zdarzenia
'A' w ci�agu 'n' do±wiadcze« speªnia prawo wielkich liczb czyli jest zgodnym estymatorem
prawdopodobie«stwa zdarzenia A: P(A).
limn→∞ P( | nA/n - P(A) |< ε ) = 1
DEFINICJA:
Estymator speªniaj�acy mocne prawo wielkich liczb to taki, który jest zbie»ny do estymowa-
nego parametru z prawdopodobie«stwem równym jedno±ci.
P( limn→∞ Tn(θ) = θ ) = 1
PRZYK�AD:
TWIERDZENIE: F.P.Cantelli udowodniª w 1917 roku, »e wzgl�edna cz�esto±¢ pozytyw-
nego zako«czenia do±wiadczenia; nA/n jest zbie»na do prawdopodobie«stwa zdarzenia A;
P(A) z prawdopodobie«stwem równym jedno±ci:
P( limn→∞ (nA/n) = P(A) ) = 1
czyli wzgl�edna cz�esto±¢ speªnia mocne prawo wielkich liczb.
B.Kamys; Notatki do wykªadu SMOP-I 2014/15 7
3 ILO�CIOWY OPIS ZMIENNYCH LOSOWYCH
Ilo±ciowy opis zmiennych losowych uzyskujemy stosuj�ac
• Dystrybuant�e (Zwan�a cz�esto przez statystyków funkcj�a rozkªadu)
• Rozkªad prawdopodobie«stwa (Tylko dla zmiennych dyskretnych)
• Funkcj�e g�esto±ci prawdopodobie«stwa (Tylko dla zmiennych ci�agªych) oraz wielko±ci
charakteryzuj�ace te powy»ej wymienione twory.
DEFINICJA: Dystrybuant�a F(x) nazywamy prawdopodobie«stwo tego, »e zmienna lo-
sowa X przyjmie warto±¢ mniejsz�a od x. ('X' - to symbol zmiennej losowej a 'x' to jej
konkretna warto±¢). Oczywi±cie dystrybuanta jest funkcj�a x.
F(x) ≡ P( X < x )
Wªasno±ci dystrybuanty:
1. 0 ≤ F(x) ≤ 1
2. F(-∞) = 0
3. F(+∞) = 1
4. F(x) jest niemalej�ac�a funkcj�a
5. F(x) nie posiada wymiaru
Przykªad:
Dla rzutu kostk�a do gry, gdzie jako zmienn�a losow�a przyj�eto liczb�e wyrzuconych punktów:
F (x) = 0 dla x ≤ 1,
= 1/6 dla 1 < x ≤ 2,
= 2/6 dla 2 < x ≤ 3,
= 3/6 dla 3 < x ≤ 4,
= 4/6 dla 4 < x ≤ 5,
= 5/6 dla 5 < x ≤ 6,
= 1 dla x > 6
B.Kamys; Notatki do wykªadu SMOP-I 2014/15 8
DEFINICJA: Rozkªad prawdopodobie«stwa : Je»eli xi (i=1,2,...) s�a warto±ciami dys-
kretnej zmiennej losowej to rozkªadem prawdopodobie«stwa nazywamy zespóª prawdopo-
dobie«stw:
P(X=xi) = pi,∑i pi = 1
Przykªad:
Rozkªad prawdopodobie«stwa dla rzutu kostk�a do gry omawianego powy»ej: pi = 1/6 dla
i = 1,2 .. 6.
DEFINICJA:
Funkcja g�esto±ci prawdopodobie«stwa f(x)
f(x)dx ≡ P(x ≤ X < x+dx)
Wªasno±ci funkcji g¦sto±ci prawdopodobie«stwa:
1. f(x) ≥ 0,
2. f(x) jest unormowana tj.∫ +∞−∞ f(x)dx = 1
3. f(x)=dF (x)dx
4. Wymiar f(x) = wymiar (1/x)
Przykªad:
Rozkªad jednorodny w przedziale [a,b]:
f(x) = 0 dla x < a
= 1/(b− a) dla a ≤ x ≤ b
= 0 dla b < x
B.Kamys; Notatki do wykªadu SMOP-I 2014/15 9
4 FUNKCJE ZMIENNEJ LOSOWEJ
Funkcja Y zmiennej losowej X: Y = Y(X) jest równie» zmienn�a losow�a. Dlatego te» mo»na
dla niej okre±li¢ dystrybuant�e, rozkªad prawdopodobie«stwa lub funkcj�e g�esto±ci prawdopo-
dobie«stwa. S�a one prosto zwi�azane z odpowiednimi wielko±ciami dla zmiennej X. Nale»y
rozpatrzy¢ niezale»nie przypadek, gdy funkcja Y(X) jest monotoniczna oraz gdy nie posiada
tej wªasnosci.
a) Funkcja Y = Y(X) jest monotoniczna.
Mo»na wówczas jednoznacznie okre±li¢ funkcj�e odwrotn�a X=X(Y).
1. Dystrybuanta funkcji Y(X): G(y)
Y(X) jest rosn�aca :
G(y) = F(x(y))
Y(X) jest malej�aca :
G(y) = 1 - F(x(y)) - P(x;y=y(x)
Dowód: Wychodz�ac z de�nicji dla Y(X) rosn�acej:
G(y) = P (Y < y)
= P (X(Y ) < x)
= F (x(y))
dla Y(X) malej�acej:
G(y) = P (Y < y)
= P (X(Y ) > x)
= 1− P (X(Y ) ≤ x)
= 1− P (X(Y ) < x)− P (X(Y ) = x)
= 1− F (x(y))− P (x;Y = y(x)) c.b.d.o.
2. Rozkªad prawdopodobie«stwa P(y):
P(yi) = P(xi;yi=Y(xi))
B.Kamys; Notatki do wykªadu SMOP-I 2014/15 10
3. Funkcja g�esto±ci prawdopodobie«stwa g(y):
g(y) = f(x(y)) | dx(y)dy|
gdzie X(Y) jest funkcj�a odwrotn�a do Y(X).
Z de�nicji: f(x) dx = P(x ≤ X < x+dx) a to prawdopodobie«stwo przy jednoznacznym
zwi�azku mi�edzy X i Y wynosi P(y ≤ Y < y+dy)=g(y) dy.
Znak moduªu przy pochodnej pojawia si�e st�ad, »e przy malej�acej funkcji Y(X) pochodna
b�edzie ujemna co powodowaªoby, »e g(y) byªaby ujemna a zgodnie z de�nicj�a musi by¢ nie-
ujemna.
Przykªad dla funkcji monotonicznej:
Y(X) = a X + b; a i b to rzeczywiste staªe
1. Rozkªad prawdopodobie«stwa:
P(Y=yi) = P(a xi + b =yi) = P(xi =yi−b
a)
2. Dystrybuanta:
dla a > 0, G(y) = F(x = y−ba
),
dla a < 0, G(y)=1 - F(x= y−ba
) - P(x=y−ba
)
3. G�esto±¢ prawdopodobie«stwa:
g(y)= 1|a| f(x=
y−ba
)
b.) Funkcja Y(X) nie jest monotoniczna .
Wówczas dzielimy obszar zmienno±ci X na przedziaªy, w których Y(X) jest monoto-
niczna i powtarzamy powy»sze rozwa»ania sumuj�ac przyczynki od rozª�acznych prze-
dziaªów.
B.Kamys; Notatki do wykªadu SMOP-I 2014/15 11
Przykªad dla funkcji niemonotonicznej:
Y(X)=X2
1. Rozkªad prawdopodobie«stwa:
P(yi) = P(X2=yi) = P(X=-√yi)+P(X=+
√yi)
2. Dystrybuanta:
G(y) = P(Y <y) = P(X2 < y) =
P(-√y < X < +
√y)
G(y) = 0 dla y ≤ 0
G(y) = F (√y)− F (−√y) dla y ≥ 0
3. Rozkªad g�esto±ci prawdopodobie«stwa:
g(y) = 0 dla y < 0
g(y) = |−1
2√y| f(√y) +
1
2√yf(−√y)
=1
2√y
(f(√y) + f(−√y)) dla y ≥ 0
5 CHARAKTERYSTYKI ROZK�ADU PRAWDOPODOBIE�STWA
W praktycznych zastosowaniach cz�esto wystarcza poznanie warto±ci pewnych wielko±ci, które
charakteryzuj�a rozkªad prawdopodobie«stwa zamiast peªnej informacji o rozkªadzie.
Oto najcz¦±ciej stosowane:
DEFINICJA: fraktyl xq (zwany równie» kwantylem) jest to warto±¢ zmiennej losowej, dla
której dystrybuanta przyjmuje warto±¢ 'q'.
F(xq) = q
Najwa»niejsze fraktyle to dolny kwartyl: x0.25 , górny kwartyl: x0.75 oraz mediana: x0.5.
B.Kamys; Notatki do wykªadu SMOP-I 2014/15 12
DEFINICJA: Moda (zwana równie» warto±ci�a modaln�a jest to taka warto±¢ zmiennej loso-
wej, dla której rozkªad prawdopodobie«stwa (lub funkcja g�esto±ci prawdopodobie«stwa) przyjmuje
maksimum.
DEFINICJA: Rozkªady prawdopodobie«stwa posiadaj�ace jedn�a mod�e zwane s�a
jednomodalnymi a te, które maj�a wi�ecej ni» jedn�a - wielomodalnymi.
DEFINICJA: Momentem rozkªadu rz�edu 'k'
wzgl�edem punktu x0, nazywamy nast�epuj�ac�a wielko±¢:
mk(x0) ≡∫(x - x0)
k f(x) dx
mk(x0) ≡∑i (xi-x0)
k p(xi)
dla zmiennych ci�agªych i dyskretnych odpowiednio.
Najwa»niejszymi momentami s�a te, które liczone s�a wzgl�edem pocz�atku ukªadu wspóªrz�ednych
tj. x0=0 - (b�edziemy je oznaczali przez ' mk ' ) oraz momenty liczone wzgl�edem X0 = m1 tj.
wzgl�edem pierwszego momentu wzgl�edem pocz�atku ukªadu wspóªrz�ednych. Te ostatnie momenty
nazywa si�e momentami centralnymi (b�edziemy je oznacza¢ przez ' µk ').
DEFINICJA:m1 zwany warto±ci�a oczekiwan�a, warto±ci�a ±redni�a lub nadziej�a matematyczn�a.
B�edziemy go oznaczali przez E(X) (stosuje si�e równie» oznaczenie M(X) lub X ).
E(X) ≡∑i pi xi dla zmiennych dyskretnych,
E(X) ≡∫f(x) x dx dla zmiennych ci�agªych
Je»eli powy»sza caªka (lub suma) sa bezwzgl�ednie zbie»ne to mówimy, »e istnieje warto±¢ oczeki-
wana. W przeciwnym wypadku (nawet je»eli caªka jest zbie»na) mówimy, »e warto±¢ oczekiwana
nie istnieje !
Interpretacja E(X):
E(X) jest wspóªrz�edn�a punktu, który byªby ±rodkiem masy rozkªadu prawdopodobie«stwa (lub
pola pod funkcj�a g�esto±ci prawdopodobie«stwa) gdyby prawdopodobie«stwa poszczególnych war-
to±ci "xi"traktowa¢ jako masy (lub odpowiednio g¦sto±¢ prawdodobie«stwa jako zwykª�a g�esto±¢).
B.Kamys; Notatki do wykªadu SMOP-I 2014/15 13
Wªasno±ci E(X):
E(X) jest operatorem liniowym a wi�ec:
1. E(∑i Ci Xi) =
∑i Ci E(Xi)
Co w szczególnych przypadkach daje:
(a) E(C)=C
(b) E(CX)=C.E(X)
(c) E(X1 + X2)=E(X1)+E(X2)
2. Dla zmiennych niezale»nych X1, ... , Xn
E(Πi Xi) = Πi E(Xi)
UWAGA: Warunkiem koniecznym i wystarczaj�acym by zmienne byªy niezale»ne jest aby
wspólny rozkªad prawdopodobie«stwa faktoryzowaª si�e: f(X1,X2,..,Xn) = f1(X1) . f2(X2)
... f3(Xn). Rozkªady wielu zmiennych losowych omówimy pó¹niej.
3. Dla funkcji zmiennej X; Y=Y(X)
warto±¢ oczekiwana E(Y) mo»e by¢ znaleziona przy pomocy rozkªadu zmiennej X bez ko-
nieczno±ci szukania rozkªadu f(y):
E(Y) =∑i y(xi) pi, E(Y) =
∫y(x) f(x) dx
dla zmiennej dyskretnej i dla zmiennej ci�agªej odpowiednio.
Korzystaj�ac z tej wªasno±ci zauwa»amy natychmiast,
»e dowolny moment mk(x0) mo»e by¢ potraktowany jako warto±¢ oczekiwana
funkcji Y(X)=(X-x0)k:
mk(x0) ≡∫dx f(x) (x-x0)
k = E((x-x0)k)
DEFINICJA: µ2, zwany wariancj�a lub dyspersj�a
B�edziemy go oznacza¢ przez ' σ2(X) ' lub ' var(X) ' (stosuje si�e równie» oznaczenie ' D(X) ').
Pierwiastek z wariancji nazywany jest odchyleniem standardowymi oznaczany ' σ(X)' ale czasami
u»ywa si�e równie» nazwy ' dyspersja '.
σ2(X) ≡∑ipi (xi - E(x))
2 zmienna dyskretna
σ2(X) ≡∫f(x)(x-E(x))2 dx zmienna ci�agªa
B.Kamys; Notatki do wykªadu SMOP-I 2014/15 14
Wªasno±ci wariancji:
1. Wariancja mo»e by¢ wyra»ona przez momenty liczone wzgl�edem pocz�atku ukªadu wspóªrz�ednych:
σ2(X) = m2 −m21
σ2(X) = E(X2)− E2(X)
Dowód: Korzystamy z trzeciej wªasno±ci warto±ci oczekiwanej tj.
m2(E(X)) = E((X − E(X))2)
= E(X2 − 2X.E(X) + E2(X))
= E(X2)− 2E(X).E(X) + E2(X)
= E(X2)− E2(X)
c.b.d.o.
Posªugujac si�e tym przedstawieniem wariancji dostajemy natychmiast nast�epuj�ace wªasno-
±ci:
(a) var(C)=0 .
bo E(C2)-E2(C)=C2-C2=0 c.b.d.o.
(b) var(CX)=C2var(X)
jest to nast�epstwo liniowo±ci E(X), przez któr�a de�niowali±my var(X).
(c) var(C1X+C2) = C2 var(X)
2. Dla zmiennych niezale»nych
var(∑i Ci Xi) =
∑i C
2i var(X)
Wzór ten ªatwo wyprowadzi¢ korzystaj�ac z 3 wªasno±ci warto±ci oczekiwanej:
var(y=∑iCiXi) ≡ E((y − E(Y ))2).
Po wstawieniu do wzoru oraz podniesieniu do kwadratu otrzymamy sum�e kwadratów wyra»e«
' Ci(Xi - E(Xi)) ' oraz iloczyny mieszane tych wyra»e«. Iloczyny mieszane znikn�a w chwili gdy
podziaªa na nie zewn�etrzny operator warto±ci oczekiwanej (poniewa» E(X-E(X))=E(X)-E(X)=0).
Zaªo»enie niezale»no±ci jest potrzebne przy liczeniu warto±ci oczekiwanej z iloczynów mieszanych
(wówczas warto±¢ oczekiwana iloczynu równa jest iloczynowi warto±ci oczekiwanych). Suma war-
to±ci oczekiwanych z kwadratów wyra»e« 'Ci(Xi-E(Xi))' jest wªa±nie oczekiwanym przez nas
wyra»eniem.
B.Kamys; Notatki do wykªadu SMOP-I 2014/15 15
Interpretacja wariancji wynika z nierówno±ci Czebyszewa, któr�a mo»na zapisa¢ nast�epuj�aco:
P( | X-E(X) | ≥ a.σ(X)) ≤ a−2
TWIERDZENIE:
Prawdopodobie«stwo odchylenia warto±ci zmiennej losowej od warto±ci oczekiwanej E(X) o 'a'
-krotn�a warto±¢ odchylenia standardowego jest mniejsze lub równe od 1a2 .
Twierdzenie to jest sªuszne dla wszystkich rozkªadów, które posiadaj�a wariancj�e (a wi�ec, co za tym
idzie i warto±¢ oczekiwan�a). Liczba ' a ' jest dowoln�a dodatni�a rzeczywist�a liczb�a.
Interpretacja wariancji
Korzystaj�ac z powy»szego twierdzenia dochodzimy do wniosku, »e wariancja (lub odchylenie
standardowe) jest miar�a rozrzutu zmiennej losowej dokoªa warto±ci oczekiwanej.
Jest to bardzo wa»ny wniosek bo w analizie danych do±wiadczalnych uto»samiamy
warto±¢ oczekiwan�a pomiarów wykonanych w obecno±ci bª�edów przypadkowych z
warto±ci�a prawdziw�a mierzonej wielko±ci. Wtedy miar�a bª�edu przypadkowego
jest odchylenie standardowe bo ono okre±la rozrzut wyników dokoªa warto±ci prawdzi-
wej.
6 ROZK�AD NORMALNY (Gaussa)
DEFINICJA:
Ci�agªa zmienna losowa X, której funkcja g�esto±ci prawdopodobie«stwa ma nast�epuj�ac�a posta¢:
f(X) = 1√2π B
exp(−(X−A)2
2B2 )
nazywa si�e zmienn�a o rozkªadzie normalnym N(A,B).
Wªasno±ci rozkªadu normalnego f(X) ≡ N(A,B):
Warto±¢ oczekiwana: E(X) = A
Odchylenie standardowe: σ(X) = B
B.Kamys; Notatki do wykªadu SMOP-I 2014/15 16
St�ad ªatwo wida¢, »e N(A,B) ≡ N( E(X),σ(X) )
Dystrybuanta rozkªadu normalnego nie wyra»a si�e przez funkcje elementarne.
Warto zapami�eta¢ nast�epuj�ace warto±ci prawdopodobie«stwa znalezienia zmiennej X
w danym przedziale:
P( E(X) - σ(X) ≤ X < E(X) + σ(X) ) = 0.6827
P( E(X) - 2σ(X) ≤ X < E(X) + 2σ(X) ) = 0.9545
P( E(X) - 3σ(X) ≤ X < E(X) + 3σ(X) ) = 0.9973
Uwaga:
Dowoln�a zmienn�a Y o rozkªadzie normalnym mo»na standaryzowa¢ tworz�ac wielko±¢ Z o rozkªa-
dzie 'standardowym normalnym' N(0,1):
Z = (Y - E(Y))/σ(Y).
Standaryzacja jest wa»na ze wzgl�edu na mo»liwo±¢ tablicowania zarówno funkcji g�esto±ci praw-
dopodobie«stwa, jak i dystrybuanty rozkªadu N(0,1) a potem wykorzystania faktu, »e maj�ac
zmienn�a X o rozkªadzie N(0,1) mo»emy stworzy¢ zmienn�a Y o rozkªadzie N(A,B) przez prost�a
transformacj�e: Y = B*X+A .
Co wi¦cej, przez standaryzacj¦ sprowadzamy wszystkie warto±ci oryginalnej zmiennej do obszaru
w pobli»u zera a jednostk¡ jest odchylenie standardowe. Dzi¦ki temu mo»na porównywa¢ rozkªady
wielko±ci ró»ni¡ce si¦ znacznie poªo»eniem centrum i skal¡ warto±ci.
Centralne Twierdzenie Graniczne (Intuicyjne sformuªowanie)
Zmienna Z b�ed�aca standaryzowan�a sum�a niezale»nych zmiennych losowych bedzie miaªa standar-
dowy rozkªad normalny gdy liczba skªadników w sumie d�a»y do niesko«czono±ci oraz w sumie nie
wyst�epuj�a zmienne o wariancjach dominuj�acych w stosunku do reszty skªadników.
Wªa±nie to twierdzenie powoduje, »e rozkªad normalny jest wyró»nionym rozkªadem
- bardzo cz¦sto stosowanym w statystyce.
B.Kamys; Notatki do wykªadu SMOP-I 2014/15 17
7 PODSTAWY RACHUNKU NIEPEWNO�CI POMIAROWYCH
Wynik pomiaru bez podania dokªadno±ci do±wiadczenia (niepewno±ci pomiaru)
jest bezwarto±ciowy.
DEFINICJA: Pomiarem bezpo±rednim nazywamy do±wiadczenie, w którym przy po-
mocy odpowiednich przyrz�adow mierzymy (porównujemy z jednostk�a) interesuj�ac�a
nas wielko±¢ �zyczn�a.
Przykªad:
• Pomiar dªugo±ci przedmiotu przy pomocy linijki
• Pomiar dªugo±ci odcinka czasu przy pomocy zegara
DEFINICJA: Pomiarem po±rednim nazywamy do±wiadczenie, w którym wyznaczamy
warto±¢ interesuj�acej nas wielko±ci �zycznej przez pomiar innych wielko±ci �zycznych
zwi�azanych z dan�a wielko±ci�a znanym zwi�azkiem funkcyjnym.
Przykªad:
• Pomiar oporu elektrycznego przewodnika: mierzymy spadek napi�ecia 'U' na
przewodniku i pr�ad 'I' przez niego pªyn�acy a opór 'R' wyznaczamy z prawa
Ohma: R=U/I.
• Pomiar g�esto±ci stopu, z którego zbudowany jest prostopadªo±cian: mierzymy
bezpo±rednio dªugo±¢ kraw�edzi 'a','b' i 'c' prostopadªo±cianu i jego mas�e 'm' a
g�esto±¢ wyznaczamy ze wzoru: ρ = m/(a . b . c).
DEFINICJA: Tradycyjnie bª�edem pomiaru 'e' nazywano ró»nic�e pomi�edzy warto±ci�a
'X' uzyskan�a w do±wiadczeniu a prawdziw�a (nieznan�a) warto±ci�a 'X0' danej wielko±ci:
e = X-X0
Bª�edy dzielono na grube, systematyczne i przypadkowe
B.Kamys; Notatki do wykªadu SMOP-I 2014/15 18
Zgodnie z NORM� ISO (Mi¦dzynarodowej Organizacji Normalizacyjnej) wprowadzon¡ w
1995 roku nale»y unika¢ sªowa �bª¡d� zast¦puj¡c go sªowami �niepewno±ci pomiarowe�.
�Bª¡d� nale»y zarezerwowa¢ tylko dla pomyªek eksperymentatora (tj. do bª¦dów grubych)
lub niewªa±ciwej metody pomiarowej (tj. do bª¦dów systematycznych) - patrz poni»ej.
Norma zaleca u»ywanie symbolu u(x) dla niepewno±ci pomiaru zmiennej x. Symbol ten
pochodzi od angielskiego sªowa �uncertainty� ≡ �niepewno±¢�.
DEFINICJA: Bª�edy grube to bª�edy, które pojawiaj�a si�e w wyniku pomyªki ekspery-
mentatora (np. odczyt na niewªa±ciwej skali przyrz�adu) lub w wyniku niesprawno±ci
aparatury pomiarowej. Zwykle s�a one na tyle du»e, »e mo»na je ªatwo zauwa»y¢.
Dla unikni�ecia tych bª�edów nale»y starannie zorganizowa¢ proces pomiaru i u»y-
wa¢ do do±wiadcze« tylko wªa±ciwie wytestowanych przyrz�adów.
DEFINICJA: Bª�edy systematyczne to takie, które podczas wykonywania pomiaru
systematycznie przesuwaj�a wyniki pomiarów w jedn�a stron�e w stosunku do prawdzi-
wej warto±ci.
Przykªad: Przy pomiarze oporu mo»emy zastosowa¢ dwa ró»ne schematy podª�aczenia wol-
tomierza i amperomierza:
1. Woltomierz podª�aczony równolegle do oporu a szeregowo do nich amperomierz. Wów-
czas spadek napi�ecia mierzony jest rzeczywi±cie na oporniku ale pr�ad mierzony przez
amperomierz odpowiada nie samemu pr�adowi pªyn�acemu przez przewodnik lecz sumie
pr�adów - opornika i woltomierza. Systematycznie zawy»amy warto±¢ pr�adu 'I' co w
przypadku gdy opór woltomierza nie jest wielokrotnie wi�ekszy od oporu przewodnika
mo»e prowadzi¢ do znacz�acego bª�edu.
V
A
2. Woltomierz podª�aczony jest równolegle do ukªadu szeregowo poª�aczonego opornika i
amperomierza. Wówczas woltomierz mierzy spadek napi�ecia na przewodniku oraz na
amperomierzu równocze±nie. Systematycznie zawy»amy napi�ecie 'U' co w przypadku
gdy opór wewn�etrzny amperomierza nie jest wielokrotnie mniejszy od oporu przewod-
nika mo»e prowadzi¢ do znacz�acego bª¦du.
B.Kamys; Notatki do wykªadu SMOP-I 2014/15 19
V
A
Bªedy systematyczne s�a trudne do zauwa»enia i oszacowania. Dla ich unikni�ecia
stosuje si�e:
• staranne przemy±lenie metody pomiaru w poszukiwaniu mo»liwych ¹ródeª bª�edów
systematycznych i rezygnacja z metod, które prowadz�a do takich bª�edów,
• zmian�e metody pomiaru np. opór w powy»szym przykªadzie mo»na mierzy¢ me-
tod�a mostka, która nie wprowadza takich systematycznych bª�edów jak omówione
najprostsze schematy pomiaru. Wa»ne staªe �zyczne takie jak pr�edko±¢ ±wiatªa
'c' byªy wielokrotnie mierzone ró»nymi metodami, gªównie po to by upewni¢
si�e, »e unikni�eto bª�edów systematycznych,
• unikanie oczywistych ¹ródeª bª�edu jak np. "bª�ad paralaksy"polegaj�acy na od-
czytaniu skali nie patrz�ac na ni�a z kierunku prostopadªego,
• pomiary wzgl�edne polegaj�ace na tym, »e mierzymy równocze±nie, t�a sam�a me-
tod�a dwie wielko±ci - jedn�a dobrze znan�a a drug�a - t�e, któr�a chcemy zmierzy¢.
Odnosz�ac wynik pomiaru nieznanej wielko±ci do wyniku pomiaru znanej wiel-
ko±ci zwykle mo»emy wyeliminowa¢ bª�edy systematyczne.
DEFINICJA: Przypadkowe niepewno±ci pomiarowe (zwane tradycyjnie �bª¦dami przy-
padkowymi�) to niepewno±ci, które zmieniaj�a si�e od pomiaru do pomiaru, powoduj�ac
odchylenia od warto±ci prawdziwej zarówno w dóª jak i w gór¦. Zakªada si�e, »e spo-
wodowane s�a one przez wiele niezale»nych przyczyn o porównywalnym znaczeniu.
Metody statystyki pozwalaj�a na oszacowanie tego typu niepewno±ci zarówno jako-
±ciowo jak i ilo±ciowo. Nie mówi�a jednak nic o bª�edach systematycznych czy grubych.
Dlatego dalsze rozwa»ania dotyczy¢ b¦d¡ tylko niepewno±ci przypadkowych.
Je»eli mamy do czynienia tylko z niepewno±ciami przypadkowymi to s�a speªnione
zaªo»enia centralnego twierdzenia granicznego a wi�ec:
Rozkªad niepewno±ci przypadkowej u to rozkªad N(0,σ(u)).
B.Kamys; Notatki do wykªadu SMOP-I 2014/15 20
f(u) = 1√2π σ(u)
exp( −u2
2σ2(u))
7.1 ROZK�AD POMIARÓW
Poniewa» warto±¢ oczekiwana niepewno±ci przypadkowej jest z de�nicji równa zero
i rozrzut niepewno±ci dokoªa warto±ci oczekiwanej niepewno±ci jest okre±lony przez
odchylenie standardowe σ(u) a wynik pomiaru 'X' ró»ni si�e od niepewno±ci pomiaro-
wej 'u' tylko przesuni�eciem skali wspóªrz�ednych o 'X0' (warto±¢ prawdziw�a mierzonej
wielko±ci) to rozkªad warto±ci mierzonej 'X' jest rozkªadem Gaussa N(X0, σ(u)):
f(X) = 1√2π σ(u)
exp(−(X−X0)2
2σ2(u)).
WA�NE WNIOSKI:
• Warto±¢ prawdziwa mierzonej wielko±ci jest równa warto±ci oczekiwanej pomia-
rów (je»eli s�a tylko niepewno±ci przypadkowe).
• Rozrzut pomiarów dokoªa warto±ci prawdziwej jest okre±lony przez odchylenie
standardowe σ(e) rozkªadu niepewno±ci przypadkowych.
• Miar�a niepewno±ci pojedynczego pomiaru jest odchylenie standardowe pomia-
rów.
Z powy»szych faktów wynika, »e:
Szukanie prawdziwej warto±ci mierzonej wielko±ci i jej niepewno±ci to
estymacja warto±ci oczekiwanej i odchylenia standardowego pomiarów
DEFINICJA: Estymatorem nieobci�a»onym Tn(θ) parametru θ nazywamy taki estymator,
którego warto±¢ oczekiwana równa jest warto±ci estymowanego parametru niezale»nie
od rozmiarów próby:
E(Tn(θ)) = θ
B.Kamys; Notatki do wykªadu SMOP-I 2014/15 21
DEFINICJA: Obci�a»eniem estymatora 'Bn' nazywamy ró»nic�e jego warto±ci oczekiwanej
i warto±ci estymowanego parametru:
Bn = E(Tn(θ)) - θ
DEFINICJA: Estymatorem obci�a»onym nazywamy taki estymator, którego obci�a»enie
jest ró»ne od zera.
DEFINICJA: Estymatorem asymptotycznie nieobci�a»onym nazywamy taki estymator obci�a»ony,
którego obci�a»enie zmierza do zera gdy rozmiary próby niesko«czenie rosn�a:
limn→∞ Bn = 0
TWIERDZENIE:
Je»eli wariancja estymatora nieobci�a»onego lub asymptotycznie nieobci�a»onego d�a»y
do zera gdy rozmiary próby rosn�a nieograniczenie wówczas estymator ten jest zgodny.
TWIERDZENIE:
Je»eli Tn(θ) jest zgodnym estymatorem θ i je»eli h(θ) jest wielomianem lub ilorazem
wielomianów to estymator h(Tn(θ)) jest estymatorem zgodnym dla h(θ).
DEFINICJA:
Je»eli mamy zbiór estymatorów tego samego parametru θ: T(1)n (θ),T(2)
n (θ), ... T(k)n (θ),
wówczas ten spo±ród nich nazywany jest najbardziej efektywnym, który ma najmniejsz�a
wariancj�e.
OD 'DOBREGO' ESTYMATORA �A�DAMY ABY:
• speªniaª mocne prawo wielkich liczb lub byª zgodny
• O ile to mo»liwe chcemy by byª:
� Nieobci�a»ony,
� Najbardziej efektywny.
B.Kamys; Notatki do wykªadu SMOP-I 2014/15 22
7.2 ESTYMATOR WARTO�CI OCZEKIWANEJ
Jako estymator warto±ci oczekiwanej Tn(E(X)) przyjmuje si�e ±redni�a arytmetyczn�a nie-
zale»nych pomiarów wielko±ci X. B�edziemy j�a oznacza¢ przez X :
Tn(E(X)) ≡ X = 1n
∑ni=1Xi
Estymator ten posiada optymalne wªasno±ci:
1. Koªmogorow pokazaª, »eX speªnia mocne prawo wielkich liczb a wi�ec oczywi±cie
jest zgodny,
2. Estymator X jest nieobci�a»ony.
E( 1n
∑i Xi) =
1n
∑i E(Xi) =
1n(n.E(X)) = E(X) c.b.d.o.
Tu wykorzystano fakt, »e wszystkie warto±ci oczekiwane s�a równe E(Xi)=E(X).
3. Mo»na pokaza¢, »e X jest najbardziej efektywnym estymatorem E(X).
TWIERDZENIE:
Estymator X warto±ci oczekiwanej E(X) ma rozkªad normalny N(E(X),σ(X)√n
) gdzie 'n'
jest liczb�a pomiarów w próbie.
WNIOSKI:
1. Odchylenie standardowe ±redniej arytmetycznej X jest√n - krotnie mniejsze
od odchylenia standardowego pojedynczego pomiaru.
2. Odchylenie standardowe σ(X) czyli standardowa niepewno±¢ pomiaru ±redniej
arytmetycznej u(X) (wg tradycyjnej nomenklatury bª�ad ±redni kwadratowy
±redniej arytmetycznej ) charakteryzuje dokªadno±¢ wyznaczenia prawdziwej war-
to±ci X w danym pomiarze skªadaj�acym si�e z n niezale»nych do±wiadcze«.
3. Aby charakteryzowa¢ dokªadno±¢ metody pomiarowej nale»y jako miar�e dokªad-
no±ci poda¢ standardow¡ niepewno±¢ pojedynczego pomiaru u(X) ≡ σ(X) (wg
tradycyjnej nomenklatury - bª¡d pojedynczego pomiaru) .
4. W granicach wyznaczonych przez σ(X) powinno le»e¢ 68.27% wszystkich po-
miarów a nie wszystkie pomiary.
B.Kamys; Notatki do wykªadu SMOP-I 2014/15 23
7.3 ESTYMATOR ODCHYLENIA STANDARDOWEGO
(1) S(X) ≡√
1n−1
∑ni=1(Xi −X)2
Jest to zgodny, asymptotycznie nieobci�a»ony estymator.
UWAGA: zaleca si¦ u»ywa¢ tego estymatora odchylenia standardowego.
(2) s(X) ≡√
1n
∑ni=1(Xi −X)2
Jest to zgodny, asymptotycznie nieobci�a»ony i najbardziej efektywny estymator
(3)S(X) ≡ kn S(X)
gdzie kn =√n−1
2
Γ(n−12
)
Γ(n2
)
Jest to zgodny i nieobci�a»ony estymator σ(X).
Wspóªczynnik "kn"mo»na zast�api¢ z niezªym przybli»eniem przez wstawienie do
wzoru na S(X) zamiast 1/(n-1) czynnika 1/(n-1.45).
Poni»ej podajemy w tabelce przykªadowe warto±ci wspóªczynnika kn dla ró»nych
'n':
n kn√
n−1n−1.45
3 1.1284 1.1359
4 1.0853 1.0847
5 1.0640 1.0615
6 1.0506 1.0482
7 1.0423 1.0397
10 1.0280 1.0260
15 1.0181 1.0165
20 1.0134 1.0121
25 1.0104 1.0095
50 1.0051 1.0046
B.Kamys; Notatki do wykªadu SMOP-I 2014/15 24
7.4 ZAPIS WYNIKÓW POMIARÓW
Poniewa» z do±wiadczenia nie uzyskujemy prawdziwej warto±ci oczekiwanej E(X)
oraz odchylenia standardowego σ(X) a tylko ich estymatory wi�ec nie podaje si�e ich
warto±ci z peªn�a (uzyskan�a z oblicze«) liczb�a cyfr znacz�acych.
KONWENCJA: Stosuje si�e nast�epuj�ac�a konwencje� zapisu wyników, gdzie jako miar¦
niepewno±ci pomiaru podaje si¦ niepewno±¢ standardow¡ u(x) ≡ S(x).
• Pozostawia si�e tylko dwie cyfry znacz�ace standardowej nie-
pewno±ci pomiarowej, np. 0,023.
• Wynik pomiaru obliczamy tak aby wyznaczy¢ jedno
miejsce dziesi�etne dalej ni» miejsce dziesi�etne, na któ-
rym zaokr�aglono niepewno±¢ pomiarow¡, a nast�epnie za-
okr�aglamy do tego samego miejsca dziesi�etnego, do którego
wyznaczono niepewno±¢ pomiarow¡, np. zamiast 1,9024
bierzemy 1,902.
• Wynik wraz z niepewno±ci¡ pomiarow¡ podajemy w ten
sposób, »e po wypisaniu wyniku dopisujemy w nawiasie dwie
cyfry znacz¡ce reprezentuj¡ce niepewno±¢ pomiaru i podajemy
jednostk¦, np.
m = 1,902(23) kg lub m = 1,902(0,023) kg
INNA FORMA ZAPISU:
•
Stosuje si¦ równie» zapis:
x = (wynik(x)± U(x)) jednostka(x) , gdzie U(x) ≡ k · u(x)
tzw. niepewno±¢ rozszerzona.
Wspóªczynnik rozszerzenia �k� przyjmuje warto±ci 2 ≤ k ≤ 3
przy czym domy±lnie, tzn. je»eli nie podaje si¦ tego jawnie,
przyjmuje si¦ k = 2.
• UWAGA: ten zapis jest identyczny jak zapis stosowany dawniej (przed przyj¦-
ciem aktualnej konwencji zapisu) ale wtedy podawaªo si¦ standardow¡ niepewno±¢
u(x) zamiast rozszerzonej niepewno±ci U(x) ≡ k · u(x).
B.Kamys; Notatki do wykªadu SMOP-I 2014/15 25
•
Zapis przykªadowy przytaczanego
powy»ej wyniku:
masa = (1,902 ± 0.046) kg .
UWAGA: Zastosowanie formy zapisu: (wynik ± niepewno±¢ pomiaru) mo»e pro-
wadzi¢ do nieporozumienia, gdy nie napiszemy wyra¹nie, »e stosujemy now¡ konwen-
cj¦ i »e jako wspóªczynnik rozszerzenia niepewno±ci bierzemy k = 2.
Zaleca si¦ wi¦c stosowanie zapisu, w którym podaje si¦ w nawiasie
2 cyfry znacz¡ce standardowej niepewno±ci pomiarowej. W prze-
ciwnym wypadku nale»y wyra¹nie zaznaczy¢, »e podajemy rozsze-
rzon¡ niepewno±¢ standardow¡ oraz wypisa¢ warto±¢ k.
UWAGA: Poniewa» omawiana metoda szacowania niepewno±ci opiera si¦ o staty-
styczny rozrzut pomiarów rz¡dzony rozkªadem Gaussa, to
• Niepewno±¢ standardowa pomiaru okre±la przedziaª warto±ci mierzonej wielko±ci
gdzie
z prawdopodobie«stwem ≈ 0.68 znajduje si¦ prawdziwa warto±¢ mierzonej wiel-
ko±ci.
• Rozszerzona niepewno±¢ z czynnikiem rozszerzenia k=2 okre±la przedziaª,
gdzie
z prawdopodobie«stwem ≈ 0.95 znajduje si¦ prawdziwa warto±¢.
Norma ISO okre±lania niepewno±ci pomiarowych proponuje zastosowanie dwu me-
tod do tego celu:
Metoda A szacowania niepewno±ci pomiarowych to opisane powy»ej wnioskowanie o
niepewno±ci pomiaru z rozrzutu statystycznego wyników pomiaru
Metoda B stosuje si¦, gdy nie mo»emy takiego rozrzutu zaobserwowa¢ , np. gdy
• Dziaªka skali przyrz¡du pomiarowego jest wi¦ksza od obserwowanego roz-
rzutu,
• Pomiar mo»na wykona¢ tylko jednokrotnie bo, np. towarzyszy mu znisz-
czenie badanego obiektu, itp.
B.Kamys; Notatki do wykªadu SMOP-I 2014/15 26
W metodzie B: post¦pujemy nast¦puj¡co:
• Szukamy takiego przedziaªu [a, b] warto±ci mierzonej wielko±ci x, »e wszyst-
kie warto±ci x ∈ [a, b] (np. dªugo±¢ [a, b] to wielko±¢ dziaªki skali przyrz¡du).
• Zakªadamy funkcj¦ g¦sto±ci prawdopodobie«stwa zmiennej x; najcz¦±ciej
zakªada si¦ jednostajny rozkªad: f(x) = 1/(b− a).
• Odchylenie standardowe tej wielko±ci bierzemy jako warto±¢ niepewno±ci
standardowej, np. dla rozkªadu jednostajnego
u(x) ≡ σ(x) = (b− a)/(2√
3).
UWAGA: Poniewa» (b−a)/2 ≡ ∆x, gdzie ∆x to (tradycyjnie) tzw. bª¡d maksymalny
wi¦c wtedy standardowa niepewno±¢
u(x) = ∆x/√
3.
7.5 ROZK�AD LICZBY POZYTYWNIE ZAKO�CZONYCH DO�WIAD-
CZE�
TWIERDZENIE: Je»eli prawdopodobie«stwo zrealizowania si�e danego zdarzenia lo-
sowego w pojedynczym do±wiadczeniu jest równe 'p' to liczba 'k' zrealizowanych
zdarze« w 'N ' niezale»nych do±wiadczeniach rz�adzona jest rozkªadem Bernoulliego
( dwumianowym, binomialnym):
P (k) = N!k!(N−k)!
pk(1− p)N−k; k = 0, 1, ..N
�atwo mo»na pokaza¢, »e
E(k) = N · pσ(k) =
√N · p · (1− p)
W �zyce cz�esto zdarza si�e sytuacja gdy 'N ' jest bardzo du»e, 'p' bardzo maªe a
warto±¢ oczekiwana rejestrowanych zdarze« E(k) ≡ N · p jest staªa. np. N - liczba
radioaktywnych j�ader w badanej próbce, p - prawdopodobie«stwo rozpadu pojedynczego radioaktyw-
nego j�adra w jednostce czasu, k - liczba rejestrowanych rozpadów w jednostce czasu
B.Kamys; Notatki do wykªadu SMOP-I 2014/15 27
W takiej sytuacji rozkªad Bernoulliego przechodzi w rozkªad Poissona:
P (k) = λk
k!exp(−λ)
Warto±¢ oczekiwana i odchylenie standardowe wyra»aj�a si�e wzorem:
E(k) = λ
σ(k) =√λ
Mo»na pokaza¢, »e dla dla N ⇒∞ rozkªad Bernoulliego i rozkªad Poissona d�a»�a
do rozkªadu normalnego N(N.p,√N.p.(1− p)) i N(λ,
√λ) odpowiednio.
7.6 NIEPEWNO�� STATYSTYCZNA
Liczba rejestrowanych w danym okresie czasu zdarze« 'k' rz�adzonych powy»szymi
prawami jest zmienn�a losow�a a wi�ec �prawdziwa� liczba zdarze« to E(k) a jej niepew-
no±¢ to σ(k). T¦ niepewno±¢ nazywana jest �niepewno±ci¡ statystyczn¡� (tradycyjnie
�bª¦dem statystycznym�).
ESTYMATOR prawdziwej liczby zdarze« i jej niepewno±ci statystycznej.
Jako estymator prawdziwej liczby zdarze« przyjmuje si�e liczb�e �k� zarejestrowa-
nych zdarze« podczas pojedynczego pomiaru:
Tn(E(k)) = k
a jako estymator niepewno±ci statystycznej pierwiastek z tej liczby:
Tn(σ(k)) =√
k
POZORNY PARADOKS: Im dªu»ej mierzymy tym statystyczna niepewno±¢ liczby
zarejestrowanych zdarze« jest wi�eksza.
WYT�UMACZENIE: Istotna jest statystyczna niepewno±¢ wzgl�edna a nie bezwzgl�edna:
Tn(σ(k)E(k)
) = 1√k.
B.Kamys; Notatki do wykªadu SMOP-I 2014/15 28
NOMENKLATURA: Pomiar z maª¡ statystyczn¡ niepewno±ci¡ wzgl�edn¡ to pomiar z
DOBRA� a z du»¡ statystyczn¡ niepewno±ci¡ wzgl¦dn¡ to pomiar ze Z�A� STATYSTYKA� .
W praktyce do opisu rejestracji liczby zdarze« stosujemy rozkªad Poissona. Inte-
resuje nas jednak nie tylko odpowied¹ na pytanie:
'Ile zdarze« zachodzi w okre±lonym czasie ?'
ale równie» odpowied¹ na inne pytanie:
'Ile zachodzi zdarze« DANEGO TYPU ?'
PRZYK�AD: Rejestrujemy produkty reakcji j�adrowej. Chcemy wiedzie¢ nie tylko
ile reakcji zachodzi ale tak»e ile jest produktów posiadaj�acych okre±lon�a energi�e.
PYTANIA:
1. Jakim rozkªadem rz�adzona jest liczba zdarze« w ka»dym przedziale (�kanale�)
energii?
2. Co by si�e staªo gdyby±my dodali liczby zdarze« z kilku s�asiednich kanaªów (dla
poprawienia �statystyki� liczby zdarze«) ?
ODPOWIEDZI:
ad 1 Liczba zdarze« w ka»dym kanale jest rz�adzona rozkªadem Poissona ale ka»dy z
tych rozkªadów ma zwykle ró»ny parametr λ.
ad 2 Korzystaj�ac z poni»szego twierdzenia:
TWIERDZENIE
Rozkªad prawdopodobie«stwa sumy sko«czonej liczby niezale»nych skªadników,
z których ka»dy rz�adzony jest rozkªadem Poissona o parametrze λi jest równie»
rozkªadem Poissona ale o nowym parametrze λ =∑iλi .
stwierdzamy, »e liczba zdarze« w kilku wysumowanych kanaªach k =∑iki b�edzie
dalej rz�adzona rozkªadem Poissona z parametrem λ, którego estymator jest
równy Tn(E(k)) =∑iki.
B.Kamys; Notatki do wykªadu SMOP-I 2014/15 29
7.7 POMIARY PO�REDNIE
Je»eli w do±wiadczeniu mierzymy wielko±ci X1, X2, .. XN a nast�epnie wyliczamy
warto±¢ funkcji Y = Y(X1, X2, .. XN) to tak�a procedur�e nazywamy pomiarem po-
±rednim.
7.7.1 ESTYMATOR E(Y) POMIARU PO�REDNIEGO Y
Estymatorem E(Y) jest warto±¢ funkcji Y wyliczona dla argumentów, które s�a esty-
matorami X1, X2, .. XN tzn. dla ±rednich arytmetycznych X1,X2, ...,XN :
Tn(E(Y(X1,X2, ..XN))) = Y(X1,X2, ...,XN)
lub inaczej
E(Y(X1,X2, ..XN)) ≈ Y(X1,X2, ...,XN)
7.7.2 NIEPEWNO�� POMIARU PO�REDNIEGO
Przy zaªo»eniu, »e pomiary X1, X2, .. XN byªy wykonywane niezale»nie odpowied-
nio n1, n2, .. nN razy, niepewno±¢ pomiaru po±redniego nazywana wg NORMY
ISO �niepewno±ci¡ zªo»on¡� (tradycyjnie bª¦dem ±rednim kwadratowym) oszacowuje
si�e nast�epuj�aco:
σ(Y ) ≈√N∑i
( ∂Y∂Xi
)2Xi=Xi
· σ2(Xi)
UWAGA:
1. X1, X2, .. XN to ró»ne wielko±ci a nie kolejne pomiary wielko±ci "X",
2. Pochodne liczone wzgl�edem 'Xi' to pochodne cz�astkowe tzn. liczone przy zaªo-
»eniu, »e pozostaªe zmienne 'X' s�a ustalone,
3. Zamiast wariancji zmiennej σ2(Xi) u»ywa si�e jej estymatora tzn. S2(Xi) N-
krotnie mniejszego od estymatora S2(Xi).
Je»eli pomiary wielko±ci mierzonych bezpo±rednio byªy wykonywane jednokrotnie
to nie mo»emy oszacowa¢ σ(X) z rozrzutu (tj. metod¡ A wg NORMY ISO) lecz
stosujemy metod¦ B oszacowania niepewno±ci standardowej pomiaru bezpo±redniego
opisan¡ powy»ej.
B.Kamys; Notatki do wykªadu SMOP-I 2014/15 30
7.7.3 B�A�D MAKSYMALNY
Bª¡d maksymalny pomiaru po±redniego to tradycyjne poj¦cie, które stosowano, gdy
nie mo»na byªo oszacowa¢ niepewno±ci pomiaru bezpo±redniego z rozrzutu wyników.
Liczono go wg poni»szego wzoru, tzn. metoda� ró»niczki zupeªnej.
∆(Y ) ≈N∑i| ∂Y∂Xi| ·∆(Xi)
Tu moduªy pochodnych s�a wyliczane dla jednokrotnie zmierzonych wielko±ci Xi a
symbol ∆(Xi) oznacza maksymalny bª�ad tej wielko±ci mierzonej bezpo±rednio.
Zgodnie z NORM� ISO : Nie nale»y u»ywa¢ poj¦cia bª¦du maksymalnego po-
miaru po±redniego lecz liczy¢ niepewno±¢ pomiaru po±redniego jako zªo»on¡ niepew-
no±¢ pomiarow¡ wstawiaj¡c zamiast niepewno±ci pomiarów bezpo±rednich otrzyma-
nych "metod¡ A"(tzn. z rozrzutu pomiarów) niepewno±ci oszacowane "metod¡ B".
Nale»y tak post¦powa¢ bo:
• W odró»nieniu od zªo»onej niepewno±ci standardowej bª�ad maksymalny nie ma
interpretacji statystycznej.
• �atwo mo»na pokaza¢ , »e bª¡d maksymalny obliczony metod�a ró»niczki zupeªnej
jest zawsze wi�ekszy od zªo»onej niepewno±ci standardowej.
B.Kamys; Notatki do wykªadu SMOP-I 2014/15 31
8 REGRESJA LINIOWA
DEFINICJA Regresja liniowa zmiennej Y wzgle�dem zmiennej X to linia prosta
Y = a ·X + b,
której parametry �a� i �b� dobiera si¦ tak aby minimalizowa¢ sum�e kwadratów
odchyle« wspóªrz�ednych (Yi, i = 1, 2, ..n) zespoªu 'n' punktów o wspóªrz�ednych
(X1, Y1),(X2, Y2),... (Xn, Yn) od linii.
UWAGA Regresja liniowa X wzgl�edem Y tj. prosta X = c · Y + d pokrywa
si�e z regresj�a liniow�a Y wzgl�edem X tj. prost�a Y = a · X + b znalezion�a dla tego
samego zespoªu punktów do±wiadczalnych tylko wtedy gdy zwi�azek pomi�edzy X i Y
jest funkcyjnym zwi�azkiem liniowym (a nie zale»no±ci�a statystyczn�a).
Rozwa»ymy tu specy�czn�a sytuacj�e polegaj�ac�a na tym, »e:
• zmienna X ma zaniedbywalnie maªe niepewno±ci pomiarowe
(mówimy wtedy, »e 'X jest zmienn�a kontrolowan�a')
• zmienna obja±niana Y jest zmienn�a losow�a o znanej niepewno±ci standardowej σ(yi)
dla ka»dego punktu o wspóªrz¦dnych (xi, yi).
Wtedy dostajemy nast¦puj¡ce estymatory parametrów regresji:
Tn (a) =
n∑i=1
wiyi (xi − xw)
n∑i=1
wi (xi − xw)2
Tn (b) = yw − Tn (a) · xw
gdzie
wi ≡ 1/σ2(yi), xw ≡
n∑i=1
wixi
n∑i=1
wi
, yw ≡
n∑i=1
wiyi
n∑i=1
wi
B.Kamys; Notatki do wykªadu SMOP-I 2014/15 32
Niepewno±ci standardowe estymatorów parametrów a i b równie» wyra»aj�a si�e ana-
litycznymi wzorami:
σ (Tn (a)) = 1/
√√√√ n∑i=1
wi (xi − xw)2
σ (Tn (b)) =
√√√√√ 1n∑i=1
wi
+x2w
n∑i=1
wi (xi − xw)2
Niepewno±¢ standardowa warto±ci Y przewidzianej przez lini�e regresji (zale»na od x):
σ (y (x)) =
√√√√√√ 1n∑i=1
wi
+(x− xw)2
n∑i=1
wi (xi − xw)2
Mo»emy spotka¢ si¦ z jeszcze prostsz¡ sytuacj¡ polegaj¡c¡ na tym, »e:
• Zmienna X jest zmienn¡ kontrolowan¡ a niepewno±¢ standardowa zmiennej Y
jest taka sama dla wszystkich punktów i wynosi σ(Y ).
Wtedy dostajemy proste, analityczne wzory na estymatory parametrów regresji:
Tn(b) =(∑iXi
2) · (∑i Yi)− (
∑iXi) · (
∑iXi · Yi)
W
Tn(a) =n · (
∑iXi · Yi)− (
∑iXi) · (
∑i Yi)
W
W ≡ n ·∑i
X2i − (
∑i
Xi)2
Wska¹nik sumowania �i� przebiega warto±ci od 1 do �n�.
B.Kamys; Notatki do wykªadu SMOP-I 2014/15 33
Niepewno±ci standardowe estymatorów parametrów �a� i �b� równie» wyra»aj�a si�e
analitycznymi wzorami:
u(b) ≡ Tn(σ(b)) = σ(Y ) ·
√∑iX
2i
W
u(a) ≡ Tn(σ(a)) = σ(Y ) ·√n
W
Mo»emy równie» poda¢ wzór na niepewno±¢ standardow¡ warto±ci Y przewidzia-
nej przez lini�e regresji (zale»n¡ od X):
u(Y (X)) ≡ Tn(σ(Y (X))) = σ(Y ) ·
√√√√ 1
n+
(X −X)2∑i (Xi −X)2
Symbol X oznacza tu ±redni¡ arytmetyczn¡.
• Tn(σ(Y (X))) to estymator niepewno±ci standardowej warto±ci Y (X) przewi-
dzianej przez regresj�e,
• σ(Y ) to niepewno±c pomiaru wspóªrz�ednej Yi (z zaªo»enia taka sama dla wszyst-
kich punktów).
Gdy jej nie znamy wpisujemy tu (i do wzorów na niepewno±ci parametrów a i b) estymator
Tn(σ(Y )),
• X to ±rednia arytmetyczna warto±ci zmiennej kontrolowanej wyliczona ze wspóªrz�ednych
punktów X1,X2,... Xn,
• X - to warto±¢ zmiennej kontrolowanej X, dla której wyliczamy warto±¢ regresji
liniowej Y (X) oraz estymator niepewno±ci regresji liniowej Y (X) dla tej warto±ci
argumentu X.
B.Kamys; Notatki do wykªadu SMOP-I 2014/15 34
9 INDEKS
- Bª¡dde�nicja 17,
gruby 18,
maksymalny 30,
przypadkowy 19,
systematyczny 18,
statystyczny 27,
- Centralne twierdzenie graniczne 16
- Dystrybuantazmiennej losowej 7 ,
funkcji zmiennej losowej 9,
- Estymacjapunktowa 6,
przedziaªowa 6
- Estymatorasymptotycznie nieobci¡»ony 21,
standardowej niepewno±ci pojedynczego pomiaru 24,
standardowej niepewno±ci pomiaru po±redniego 29,
standardowej niepewno±ci parametrów regresji liniowej 32,
standardowej niepewno±ci regresji liniowej 33,
standardowej niepewno±ci ±redniej arytmetycznej 22,
niepewno±ci statystycznej 27,
najbardziej efektywny 21,
nieobci¡»ony 20,
obci¡»ony 21,
odchylenia standardowego 23,
prawdopodobie«stwa 6,
speªniaj¡cy mocne prawo wielkich liczb 6,
warto±ci oczekiwanej 22,
zgodny (speªniaj¡cy prawo wielkich liczb) 6,
- Kwantyl (fraktyl)dolny kwartyl 11,
górny kwartyl 11,
mediana 11
B.Kamys; Notatki do wykªadu SMOP-I 2014/15 35
- Moda 12
- Moment 12
- Niepewno±¢ pomiarowametoda A wyznaczania 25,
metoda B wyznaczania 25,
rozszerzona 24,
rozszerzona - zapis 24,
standardowa pomiaru bezpo±redniego 20,
standardowa pomiaru po±redniego (niepewno±¢ zªo»ona) 29,
standardowa - zapis 24,
statystyczna 27,
statystyczna - wzgl¦dna 27,
- Prawdopodobie«stwode�nicja 3,
estymator 6,
g¦sto±¢ 8,
rozkªad 8,
wªasno±ci 3,
- Regresja liniowa 31
- RozkªadBernoulliego (dwumianowy, binomialny) 26,
Gaussa (normalny) 15,
Poissona 27,
- Statystyka 5
- Warto±¢ oczekiwana
(nadzieja matematyczna, warto±¢ ±rednia) 12
- Wariancja
(dyspersja, kwadrat odchylenia standardowego) 13
- Wspóªczynnik rozszerzenia (niepewno±ci pomiarowej), 24
- Zapis wyników, 24
B.Kamys; Notatki do wykªadu SMOP-I 2014/15 36
- Zdarzenia 2elementarne 2,
iloczyn zdarze« 2,
losowe 2, 3,
niemo»liwe 2,
niezale»ne 5,
pewne 2,
przeciwne 2,
ró»nica zdarze« 2,
suma zdarze« 2,
- Zmiennalosowa 3,
losowa skokowa 3
SZANOWNY CZYTELNIKU !
• Notatki, które czytasz nie maj¡ zast¡pi¢ wykªadu SMOP-I, co najlepiej wi-
da¢ po tym, »e prawie nie zawieraj¡ komentarzy. S¡dz¦ jednak, »e mog¡ by¢
po»yteczne dla tych, którzy chc¡ znale¹¢ w jednym miejscu podstawowe de�-
nicje i wzory niezb¦dne do analizy statystycznej danych na poziomie Pierw-
szej Pracowni Fizycznej. Mog¡ równie» stanowi¢ wst¦p do nauki bardziej
zaawansowanych metod statystycznych - wykªadanych w ramach wykªadu
SMOP-II.
• Mam nadziej¦, »e w tych notatkach jest stosunkowo maªo pomy-
ªek. Jednak»e wielokrotnie przekonaªem si¦, »e bª¦dów nie robi¡
tylko ci co nic nie robi¡ a wi¦c z pewno±ci¡ znajd¡ si¦ tu bª¦dy.
B¦d¦ wdzi¦czny za powiadomienie mnie o tych bª¦dach oraz za wszelkie
uwagi, które pomog¡ poprawi¢ te notatki oraz jako±¢ wykªadu na nich opar-
tego.
(B. Kamys; [email protected])