Относительная ошибка результата формула - Ремонт и установка крупной бытовой техники

Статья обновлена 10.07.2022

Что такое погрешность измерения

Любой расчет состоит из истинного и вычисляемого значения. При этом всегда должны учитываться значения ошибки или погрешности. Погрешность — это расхождение между истинным значением и вычисляемым. В маркетинге выделяют следующие виды погрешностей.

Математическая погрешность. Она описывается алгебраической формулой и бывает абсолютной, относительной и приведенной. Абсолютная погрешность измерения — это разница между вычисляемым и истинным значением. Относительная погрешность вычисляется в процентном соотношении истинного значения и полученного. Вычисление погрешности приведенной схоже с относительной, указывается она также в процентах, но дает разницу между нормирующей шкалой и полученными данными, то есть между эталонными и полученными значениями.
Оценочная погрешность. В маркетинге она бывает случайной и систематической. Случайная погрешность возникает из-за любых факторов, которые случайным образом влияют на измерение переменной в выборке. Систематическая погрешность вызывается факторами, которые систематически влияют на измерение переменной в выборке.

Математическая погрешность: формула для каждого типа

Если определение погрешности можно провести точным путем, она считается математической. Зачем нужно вычисление этого значения в маркетинге?

Погрешности возникают настолько часто, что популярной практикой в исследованиях является включение значения погрешности в окончательные результаты. Для этого используются формулы. Математическая погрешность — это значение, которое отражает разницу между выборкой и фактическим результатом. Если при расчетах учитывалась погрешность, в тексте исследования указывается что-то вроде: «Абсолютная погрешность для этих данных составляет 3,25%». Погрешность можно вычислить с любыми цифрами: количество человек, участвующих в опросе, погрешность суммы, затраченной на маркетинговый бюджет, и так далее.

Формулы погрешностей вычисляются следующим образом.

Абсолютная погрешность измерений: формула

Формула дает разницу между измеренным и реальным значением.

Формула абсолютной погрешности

Относительная погрешность: формула

Формула использует значение абсолютной погрешности и вычисляется в процентах по отношению к фактическому значению.

Формула относительной погрешности

Приведенная погрешность: формула

Формула также использует значение абсолютной погрешности. В чем измеряется приведенная погрешность? Тоже в процентах, но в качестве «эталона» используется не реальное значение, а единица измерения любой нормирующей шкалы. Например, для обычной линейки это значение равно 1 мм.

Формула приведенной погрешности

Классификация оценочной погрешности

Определение погрешности в оценках — это всегда методическая погрешность, то есть допустимое значение ошибки, основанное на методах проведения исследования. Погрешность метода вызывает два типа погрешностей — случайные и систематические. Таблица погрешностей в графической форме покажет все возможные типы.

Классификация оценочной погрешности

Что такое случайная погрешность

Случайная погрешность бывает статической и динамической. Динамическая погрешность возникает, когда мы имеем дело с меняющимися значениями — например, количество человек в выборке при маркетинговом исследовании. Статическая погрешность описывает ошибки при вычислении неизменных величин — вроде количества вопросов в вопроснике. Все они относятся к случайным погрешностям.

Типичный пример возникновения случайной погрешности — настроение участников маркетингового опроса. Как известно, эмоциональный настрой человека всегда влияет на его производительность. В ходе тестирования одни люди могут быть в хорошем расположении духа, а другие — в «миноре». Если настроение влияет на их ответы по заданному критерию выборки, это может искусственно завышать или занижать наблюдаемые оценки. Например, в случае с истинным значением 1 случайная погрешность может дать как -0,8, так и +0,5 к этому числу. Очень часто это случается при оценке времени ответа, например.

Случайная погрешность добавляет изменчивости данным, но не оказывает постоянного влияния на всю выборку. Вместо этого она произвольно изменяет измеряемые значения в диапазоне. В маркетинговой практике считается, что все случайные погрешности в распределении перекрывают друг друга и практически не влияют на конечный результат. Поэтому случайная погрешность считается «шумом» и в расчет не принимается. Эту погрешность нельзя устранить совсем, но можно уменьшить, просто увеличив размер выборки.

Что такое систематическая погрешность

Систематическая погрешность существует в результатах исследования, если эти результаты показывают устойчивую тенденцию к отклонению от истинных значений. Иными словами, если полученные цифры постоянно выше или ниже расчетных, речь идет о том, что в данных имеется систематическая погрешность.

В маркетинговых исследованиях есть два основных типа систематической погрешности: погрешность выборки и погрешность измерения.

Погрешность выборки

Погрешность выборки возникает, когда выборка, используемая в исследовании, не репрезентативна для всей совокупности данных. Типы такой погрешности включают погрешность структуры, погрешность аудитории и погрешность отбора.

Погрешность структуры

Погрешность структуры возникает из-за использования неполной или неточной основы для выборки. Распространенным источником такой погрешности в рамках маркетинговых исследований является проведение какого-либо опроса по телефону на основе существующего телефонного справочника или базы данных абонентов. Многие данные там указаны неполно или неточно — например, если люди недавно переехали или изменили свой номер телефона. Также такие данные часто указывают неполную или неверную демографию.

Если в качестве основы для исследования взят телефонный справочник, оно подвержено погрешности структуры, так как не учитывает всех возможных респондентов.

Погрешность аудитории

Погрешность аудитории возникает, если исследователь не знает, как определить аудиторию для исследования. Пример — оценка результатов исследования, проведенного среди клиентов крупного банка. Доля ответов на анкету составила чуть менее 1%. Анализ профессий всех опрошенных показал, что процент пенсионеров среди них в 20 раз выше, чем в целом по городу. Если эта группа значительно различается по интересующим переменным, то результаты будут неверными из-за погрешности аудитории.

Погрешность отбора

Даже если маркетологи правильно определили структуру и аудиторию, они не застрахованы от погрешности отбора. Она возникает, когда процедуры отбора являются неполными, неправильными или не соблюдаются должным образом. Например, интервьюеры при полевом исследовании могут избегать людей, которые живут в муниципальных домах. Потому что, по их мнению, жители вряд ли согласятся пройти такой опрос. Если жители муниципальных домов отличаются от тех, кто проживает в домах бизнес-класса, в результаты опроса будет внесена погрешность отбора.

Как минимизировать погрешность выборки

Знайте свою аудиторию.
Знайте, кто покупает ваш продукт, использует его, работает с вами и так далее. Имея базовую социально-экономическую информацию, можно составить стабильную выборку целевой аудитории. Маркетинговые исследования часто касаются одной конкретной группы населения — например, пользователей Facebook или молодых мам.
Разделите аудиторию на группы.
Вместо случайной выборки разбейте аудиторию на группы в соответствии с их численностью в общей совокупности данных. Например, если люди с определенной демографией составляют 35% населения, убедитесь, что 35% респондентов исследования отвечают этому условию.
Увеличьте размер выборки.
Больший размер выборки приводит к более точному результату.

Погрешность измерения

Погрешность измерения представляет собой серьезную угрозу точности исследования. Она возникает, когда существует разница между искомой информацией — то есть истинным значением, и информацией, фактически полученной в процессе измерения. К таким погрешностям приводят различные недостатки процесса исследования. Погрешность измерения, в основном, вызывается человеческим фактором — например, формулировкой вопросника, ошибками ввода данных и необъективными выводами.

К погрешностям измерения приводят следующие виды ошибок.

Ошибка цели

Ошибка цели возникает, когда существует несоответствие между информацией, фактически необходимой для решения проблемы, и данными , которые собирает исследование. Например, компания Kellogg впустую потратила миллионы на разработку завтраков для снижения уровня холестерина. Реальный вопрос, который нужно было бы задать в исследовании, заключался в том, купят ли люди овсяные хлопья для решения своей проблемы. Ответ «Нет» обошелся бы компании дешевле.

Предвзятость ответов

Некоторые люди склонны отвечать на конкретный вопрос определенным образом. Тогда возникает предвзятость ответа. Предвзятость ответа может быть результатом умышленной фальсификации или неосознанного искажения фактов.

Умышленная фальсификация происходит, когда респонденты целенаправленно дают неверные ответы на вопросы. Есть много причин, по которым люди могут сознательно искажать информацию. Например, они хотят скрыть или хотят казаться лучше, чем есть на самом деле.

Бессознательное искажение информации происходит, когда респондент пытается быть правдивым, но дает неточный ответ. Этот тип предвзятости может возникать из-за формата вопроса, его содержания или по другим причинам.

Предвзятость интервьюера

Интервьюер оказывает влияние на респондента — сознательно или бессознательно. Одежда, возраст, пол, выражение лица, язык тела или тон голоса могут повлиять на ответы некоторых или всех респондентов.

Ошибка обработки

Примеры включают наводящие вопросы или элементы дизайна анкеты, которые затрудняют запись ответов или приводят к ошибкам в них.

Ошибка ввода

Это ошибки, возникающие при вводе информации. Например, документ может быть отсканирован неправильно, и его данные по ошибке перенесутся неверно. Или люди, заполняющие опросы на смартфоне или ноутбуке, могут нажимать не те клавиши.

Виды проводимых маркетинговых исследований различны, поэтому универсальных рецептов не существует. Мы дадим несколько общих советов, используемых для минимизации систематических погрешностей разного типа.

Как минимизировать погрешность измерения

Предварительно протестируйте.
Погрешностей обработки и предвзятости можно избежать, если проводить предварительные тесты вопросника до начала основных интервью.
Проводите выборку случайным образом.
Чтобы устранить предвзятость, при выборке респондентов можно включать каждого четвертого человека из общего списка.
Тренируйте команду интервьюеров и наблюдателей.
Отбор и обучение тех, кто проводит исследования, должен быть тщательным. Особое внимание нужно уделять соблюдению инструкций в ходе каждого исследования.
Всегда выполняйте проверку сделанных записей.
Чтобы исключить ошибки ввода, все данные, вводимые для компьютерного анализа, должны быть перепроверены как минимум дважды.

Мир без ошибок не может существовать. Но понимание факторов, влияющих на маркетинговые исследования и измеряемые погрешности, имеет важное значение для сбора качественных данных.

Источник

Статья обновлена 10.07.2022

Что такое погрешность измерения

Математическая погрешность. Она описывается алгебраической формулой и бывает абсолютной, относительной и приведенной. Абсолютная погрешность измерения — это разница между вычисляемым и истинным значением. Относительная погрешность вычисляется в процентном соотношении истинного значения и полученного. Вычисление погрешности приведенной схоже с относительной, указывается она также в процентах, но дает разницу между нормирующей шкалой и полученными данными, то есть между эталонными и полученными значениями.
Оценочная погрешность. В маркетинге она бывает случайной и систематической. Случайная погрешность возникает из-за любых факторов, которые случайным образом влияют на измерение переменной в выборке. Систематическая погрешность вызывается факторами, которые систематически влияют на измерение переменной в выборке.

Математическая погрешность: формула для каждого типа

Формулы погрешностей вычисляются следующим образом.

Абсолютная погрешность измерений: формула

Формула дает разницу между измеренным и реальным значением.

Формула абсолютной погрешности

Относительная погрешность: формула

Формула относительной погрешности

Приведенная погрешность: формула

Формула приведенной погрешности

Классификация оценочной погрешности

Что такое случайная погрешность

Что такое систематическая погрешность

Погрешность выборки

Погрешность структуры

Погрешность аудитории

Погрешность отбора

Как минимизировать погрешность выборки

Знайте свою аудиторию.
Знайте, кто покупает ваш продукт, использует его, работает с вами и так далее. Имея базовую социально-экономическую информацию, можно составить стабильную выборку целевой аудитории. Маркетинговые исследования часто касаются одной конкретной группы населения — например, пользователей Facebook или молодых мам.
Разделите аудиторию на группы.
Вместо случайной выборки разбейте аудиторию на группы в соответствии с их численностью в общей совокупности данных. Например, если люди с определенной демографией составляют 35% населения, убедитесь, что 35% респондентов исследования отвечают этому условию.
Увеличьте размер выборки.
Больший размер выборки приводит к более точному результату.

Погрешность измерения

К погрешностям измерения приводят следующие виды ошибок.

Ошибка цели

Предвзятость ответов

Предвзятость интервьюера

Ошибка обработки

Ошибка ввода

Как минимизировать погрешность измерения

Предварительно протестируйте.
Погрешностей обработки и предвзятости можно избежать, если проводить предварительные тесты вопросника до начала основных интервью.
Проводите выборку случайным образом.
Чтобы устранить предвзятость, при выборке респондентов можно включать каждого четвертого человека из общего списка.
Тренируйте команду интервьюеров и наблюдателей.
Отбор и обучение тех, кто проводит исследования, должен быть тщательным. Особое внимание нужно уделять соблюдению инструкций в ходе каждого исследования.
Всегда выполняйте проверку сделанных записей.
Чтобы исключить ошибки ввода, все данные, вводимые для компьютерного анализа, должны быть перепроверены как минимум дважды.

Абсолютная и относительная погрешности (ошибки).

Пусть некоторая
величина x
измерена n
раз. В результате получен ряд значений
этой величины: x₁,
x₂,
x₃,
…, x_n

Величиной, наиболее
близкой к действительному значению,
является среднее арифметическое этих
результатов:

Отсюда следует,
что каждое физическое измерение должно
быть повторено несколько раз.

Разность между
средним значением
измеряемой
величины и значением отдельного измерения
называется абсолютной
погрешностью отдельного измерения:

(13)

Абсолютная
погрешность может быть как положительной,
так и отрицательной и измеряется в тех
же единицах, что и измеряемая величина.

Средняя абсолютная
ошибка результата — это среднее
арифметическое значений абсолютных
погрешностей отдельных измерений,
взятых по абсолютной величине (модулю):

(14)

Отношения

называются относительными погрешностями
(ошибками) отдельных измерений.

Отношение средней
абсолютной погрешности результата

к среднему арифметическому значению

измеряемой величины называют относительной
ошибкой результата и выражают в процентах:

Относительная
ошибка характеризует точность измерения.

Законы распределения случайных величин.

Результат измерения
физической величины зависит от многих
факторов, влияние которых заранее учесть
невозможно. Поэтому значения, полученные
в результате прямых измерений какого
— либо параметра, являются случайными,
обычно не совпадающие между собой.
Следовательно, случайные
величины —
это такие величины, которые в зависимости
от обстоятельств могут принимать те
или иные значения. Если случайная
величина принимает только определенные
числовые значения, то она называется
дискретной.

Например,
количество заболеваний в данном регионе
за год, оценка, полученная студентом на
экзамене, энергия электрона в атоме и
т.д.

Непрерывная
случайная величина принимает любые
значения в данном интервале.

Например: температура
тела человека, мгновенные скорости
теплового движения молекул, содержание
кислорода в воздухе и т.д.

Под событием
понимается всякий результат или исход
испытания. В теории вероятностей
рассматриваются события, которые при
выполнение некоторых условий могут
произойти, а могут не произойти. Такие
события называются
случайными.
Например, событие, состоящее в появлении
цифры 1 при выполнении условия — бросания
игральной кости, может произойти, а
может не произойти.

Если событие
неизбежно происходит в результате
каждого испытания, то оно называется
достоверным.
Событие называется невозможным,
если оно вообще не происходит ни при
каких условиях.

Два события,
одновременное появление которых
невозможно, называются несовместными.

Пусть случайное
событие А в серии из n
независимых испытаний произошло m
раз, тогда отношение:

называется
относительной частотой события А. Для
каждой относительной частоты выполняется
неравенство:

При небольшом
числе опытов относительная частота
событий в значительной мере имеет
случайный характер и может заметно
изменяться от одной группы опытов к
другой. Однако при увеличении числа
опытов частота событий все более теряет
свой случайный характер и приближается
к некоторому постоянному положительному
числу, которое является количественной
мерой возможности реализации случайного
события А. Предел, к которому стремится
относительная частота событий при
неограниченном увеличении числа
испытаний, называется статистической
вероятностью события:

Например, при
многократном бросании монеты частота
выпадения герба будет лишь незначительно
отличаться от ½. Для достоверного события
вероятность Р(А) равна единице. Если
Р=0, то событие невозможно.

Математическим
ожиданием
дискретной случайной величины называется
сумма произведений всех ее возможных
значений х_i
на вероятность этих значений р_i:

Статистическим
аналогом математического ожидания
является среднее арифметическое значений
:

где m_i
— число дискретных случайных величин,
имеющих значение х_i.

Для непрерывной
случайной величины математическим
ожиданием служит интеграл:

где р(х) — плотность
вероятности.

Отдельные значения
случайной величины группируются около
математического ожидания. Отклонение
случайной величины от ее математического
ожидания (среднего значения) характеризуется
дисперсией,
которая для дискретной случайной
величины определяется формулой:

(15)

(16)

Дисперсия имеет
размерность случайной величины. Для
того, чтобы оценивать рассеяние
(отклонение) случайной величины в
единицах той же размерности, введено
понятие среднего
квадратичного отклонения
σ(Х), которое
равно корню квадратному из дисперсии:

(17)

Вместо среднего
квадратичного отклонения иногда
используется термин «стандартное
отклонение».

Всякое отношение,
устанавливающее связь между всеми
возможными значениями случайной величины
и соответствующими им вероятностями,
называется законом
распределения случайной величины.
Формы задания закона распределения
могут быть разными:

а) ряд распределения
(для дискретных величин);

б) функция
распределения;

в) кривая распределения
(для непрерывных величин).

Существует
относительно много законов распределения
случайных величин.

Нормальный
закон распределения случайных
величин (закон
Гаусса).
Случайная величина

распределена по
нормальному закону, если ее плотность
вероятности f(x)
определяется формулой:

(18),

где <x>
— математическое ожидание (среднее
значение) случайной величины <x>
= M
(X);

—
среднее квадратичное отклонение;

—
основание натурального логарифма
(неперово число);

f
(x)
– плотность вероятности (функция
распределения вероятностей).

Многие случайные
величины (в том числе все случайные
погрешности) подчиняются нормальному
закону распределения (закону Гаусса).
Для этого распределения наиболее
вероятным значением
измеряемой
величины
является
её среднее
арифметическое
значение.

График нормального
закона распределения изображен на
рисунке (колоколообразная кривая).

Кривая симметрична
относительно прямой х=<x>=α,
следовательно, отклонения случайной
величины вправо и влево от <x>=α
равновероятны. При х=<x>±
кривая асимптотически приближается к
оси абсцисс. Если х=<x>,
то функция распределения вероятностей
f(x)
максимальна и принимает вид:

(19)

Таким образом,
максимальное значение функции f_max(x)
зависит от величины среднего квадратичного
отклонения. На рисунке изображены 3
кривые распределения. Для кривых 1 и 2
<x>
= α = 0 соответствующие значения среднего
квадратичного отклонения различны, при
этом ₂>₁.
(При увеличении 
кривая распределения становится более
пологой, а при уменьшении 
– вытягивается вверх). Для кривой 3 <x>
= α ≠ 0 и ₃
= ₂.

Закон
распределения
молекул в газах по скоростям называется
распределением
Максвелла.
Функция плотности вероятности попадания
скоростей молекул в определенный
интервал

теоретически была определена в 1860 году
английским физиком Максвеллом

. На рисунке
распределение Максвелла представлено
графически. Распределение движется
вправо или влево в зависимости от
температуры газа (на рисунке Т₁
< Т₂).
Закон распределения Максвелла определяется
формулой:

(20),

где m_о
– масса молекулы, k
– постоянная Больцмана, Т – абсолютная
температура газа,
—
скорость молекулы.

Распределение
концентрации молекул газа в атмосфере
Земли (т.е.
в силовом поле) в зависимости от высоты
было дано австрийским физиком Больцманом
и называется
распределением
Больцмана:

(21)

Где n(h)
– концентрация молекул газа на высоте
h,
n₀
– концентрация у поверхности Земли, g
– ускорение свободного падения, m
– масса молекулы.

Распределение
Больцмана.

Совокупность всех
значений случайной величины называется
простым
статистическим рядом.
Так как простой статистический ряд
оказывается большим, то его преобразуют
в вариационный
статистический
ряд или интервальный
статистический ряд. По интервальному

статистическому ряду для оценки вида
функции распределения вероятностей по
экспериментальным данным строят
гистограмму
– столбчатую
диаграмму. (Гистограмма – от греческих
слов “histos”–
столб и “gramma”–
запись).

Гистограмма
распределения Больцмана.

Для построения
гистограммы интервал, содержащий
полученные значения случайной величины
делят на несколько интервалов x_i
одинаковой ширины. Для каждого интервала
подсчитывают число m_i
значений случайной величины, попавших
в этот интервал. После этого вычисляют
плотность частоты случайной величины

для каждого интервала x_i
и среднее значение случайной величины
<x_i
> в каждом интервале.

Затем по оси абсцисс
откладывают интервалы x_i,
являющиеся основаниями прямоугольников,
высота которых равна
(или
высотой

– плотностью относительной частоты
).

Расчетами показано,
что вероятность попадания нормально
распределенной случайной величины в
интервале значений от <x>–
до <x>+
в среднем равна 68%. В границах вдвое
более широких (<x>–2;
<x>+2)
размещается в среднем 95% всех значений
измерений, а в интервале (<x>–3;<x>+3)
– уже 99,7%. Таким образом, вероятность
того, что отклонение значений нормально
распределенной случайной величины
превысит 3
(
– среднее квадратичное отклонение)
чрезвычайно мала (~0,003). Такое событие
можно считать практически невозможным.
Поэтому границы <x>–3
и <x>+3
принимаются за границы практически
возможных значений нормально распределенной
случайной величины («правило трех
сигм»).

Если число измерений
(объем выборки) невелико (n<30),
дисперсия вычисляется по формуле:

(22)

Уточненное среднее
квадратичное отклонение отдельного
измерения вычисляется по формуле:

(23)

Напомним, что для
эмпирического распределения по выборке
аналогом математического ожидания
является среднее арифметическое значение
<x>
измеряемой величины.

Чтобы дать
представление о точности и надежности
оценки измеряемой величины, используют
понятия доверительного интервала и
доверительной вероятности.

Доверительным
интервалом
называется интервал (<x>–x,
<x>+x),
в который по определению попадает с
заданной вероятностью действительное
(истинное) значение измеряемой величины.
Доверительный интервал характеризует
точность полученного результата: чем
уже доверительный интервал, тем меньше
погрешность.

Доверительной
вероятностью
(надежностью)

результата серии измерений называется
вероятность того, что истинное значение
измеряемой величины попадает в данный
доверительный интервал (<x>±x).
Чем больше величина доверительного
интервала, т.е. чем больше x,
тем с большей надежностью величина <x>
попадает в этот интервал. Надежность 
выбирается самим исследователем
самостоятельно, например, =0,95;
0,98. В медицинских и биологических
исследованиях, как правило, доверительную
вероятность (надежность) принимают
равной 0,95.

Если величина х
подчиняется нормальному закону
распределения Гаусса, а <x>
и <>
оцениваются по выборке (числу измерений)
и если объем выборки невелик (n<30),
то интервал (<x>
– t__,_n<>,
<x>
+ t__,_n<>)
будет доверительным интервалом для
известного параметра х с доверительной
вероятностью .

Коэффициент t__,_n
называется коэффициентом
Стьюдента
(этот коэффициент был предложен в 1908 г.
английским математиком и химиком В.С.
Госсетом, публиковавшим свои работы
под псевдонимом «Стьюдент» – студент).

Значении коэффициента
Стьюдента t__,_n
зависит от доверительной вероятности

и числа измерений n
(объема выборки). Некоторые значения
коэффициента Стьюдента приведены в
таблице 1.

Таблица 1

n	
0,6	0,7	0,8	0,9	0,95	0,98	0,99
2	1,38	2,0	3,1	6,3	12,7	31,8	63,7
3	1,06	1,3	1,9	2,9	4,3	7,0	9,9
4	0,98	1,3	1,6	2,4	3,2	4,5	5,8
5	0,94	1,2	1,5	2,1	2,8	3,7	4,6
6	0,92	1,2	1,5	2,0	2,6	3,4	4,0
7	0,90	1,1	1,4	1,9	2,4	3,1	3,7
8	0,90	1,1	1,4	1,9	2,4	3,0	3,5
9	0,90	1,1	1,4	1,9	2,3	2,9	3,4
10	0,88	1,1	1,4	1,9	2,3	2,8	3,3

В таблице 1 в верхней
строке заданы значения доверительной
вероятности 
от 0,6 до 0,99, в левом столбце – значение
n.
Коэффициент Стьюдента следует искать
на пересечении соответствующих строки
и столбца.

Окончательный
результат измерений записывается в
виде:

(25)

Где

– полуширина доверительного интервала.

Результат серии
измерений оценивается относительной
погрешностью:

(26)

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]

Определение относительной погрешности измерений

Относительная погрешность измерений – это отношение абсолютной погрешности измерений к истинному значению измеряемой величины, в долях или процентах:

$ δ = frac{Delta x}{x_{ист}}$ или $ δ = frac{Delta x}{x_{ист}} cdot 100 text{%} $

Правила округления

На практике относительную погрешность округляют до двух значащих цифр, выполняя округление с избытком, т.е. всегда увеличивая последнюю значащую цифру на единицу.

Например:

Для x = 1, $7 pm 0,2$ относительная погрешность измерений

$δ = frac{0,2}{1,7} cdot 100 text{%} approx 11,8 text{%} approx 12 text{%}$ — погрешность достаточно велика.

Внимание!

Чем меньше относительная погрешность измерения, тем оно точнее.

Примеры

Пример 1. Согласно данным эксперимента, проведенного в 1975 году, скорость света равна $c = 299 792 458 pm 1,2 м/с$. Найдите относительную погрешность измерений в этом эксперименте в долях и процентах.

$$ δ = frac{1,2}{299 792 458} approx 4,0 cdot 10^{-9} $$

$$δ = 4,0 cdot 10^{-9} cdot 100 text{%} approx (4,0 cdot 10^{-7} ) text{%} $$

Пример 2. В результате школьного эксперимента ускорение свободного падения оказалось равным $g = 10,0 pm 0,1 м/с^2$. Определите относительную погрешность для данного эксперимента, а также относительную погрешность по отношению к табличной величине $g_0 = 9,81 м/с^2$. Что вы можете сказать о систематической ошибке эксперимента?

Для данного эксперимента $δ = frac{0,1}{10,0} cdot 100 text{%} = 1,0 text{%} $

Относительная погрешность по отношению к табличной величине:

$$ δ_{таб} = frac{|g-g_0 |}{g_0} cdot 100 text{%}, δ_{таб} = frac{|10,0-9,81|}{9,81} cdot 100 text{%} approx 1,9 text{%} $$

Согласно полученным результатам $9,9 le g le 10,1$, табличное значение в этот отрезок не входит. В эксперименте присутствует систематическая ошибка: результаты систематически завышены.

Пример 3. При взвешивании масса слона оказалась равной $M = 3,63 pm 0,01$ т, а масса муравья $m = 41,2 pm 0,5$ мг. Какое измерение точнее?

Найдем относительные погрешности измерений:

$$ δ_M = frac{0,01}{3,63} cdot 100 text{%} approx 0,28 text{%} $$

$$ δ_m = frac{0,5}{41,2} cdot 100 text{%} approx 1,21 text{%} approx ↑1,3 text{%} $$

Таким образом, масса слона определена точнее.

Пример 4. Вольтметр измеряет напряжение с относительной погрешностью 0,5%. Найдите границы точного значения величины, если при измерении получено $V_0$ = 5 В.

Абсолютная погрешность измерений данным вольтметром:

$$ Delta V = V_0 cdot δ, Delta V = 5 cdot 0,005 = 0,025 (В) approx 0,03(В) $$

Границы точного значения:

$$ V = 5,00 pm 0,03 (В) или 4,97 le V le 5,03 (В) $$

ВИДЕО УРОК

Абсолютная погрешность.

Разность между истинным значением измеряемой величины
и её приближённым значением называется абсолютной погрешностью.

Для подсчёта
абсолютной погрешности необходимо из большего числа вычесть меньшее число.

Существует формула
абсолютной погрешности. Обозначим точное число буквой А, а буквой а –
приближение к точному числу. Приближённое число – это число, которое
незначительно отличается от точного и обычно заменяет его в вычислениях. Тогда
формула будет выглядеть следующим образом:

∆а = А – а.

ПРИМЕР:

В школе учится 374 ученика. Если округлить это число до 400,
то абсолютная погрешность измерения равна:

400 – 374 = 26.

ПРИМЕР:

На предприятии 1284 рабочих и
служащих. При округлении этого числа до 1300 абсолютная
погрешность составляет

1300 – 1284 = 16.

При округлении до 1280 абсолютная
погрешность составляет

1284 – 1280 = 4.

Редко когда можно
точно знать значение измеряемой величины, чтобы рассчитать абсолютную
погрешность. Но при выполнении различных измерений мы обычно представляем себе
границы абсолютной погрешности и всегда можем сказать, какого определённого
числа она не превосходит.

ПРИМЕР:

Торговые весы могут дать абсолютную погрешность, не
превышающую 5 г, а аптекарские – не превышающую одной сотой грамма.

Записывают
абсолютную погрешность числа, используя знак
±.

ПРИМЕР:

Длина рулона обоев составляет.

30 м ± 3
см.

Границу абсолютной
погрешности называют предельной абсолютной погрешностью.

Но абсолютная
погрешность не даёт нам представление о качестве измерения, то есть о том,
насколько тщательно это измерение выполнено. Чтобы понять эту мысль, достаточно
разобраться в таком примере.

ПРИМЕР:

Допустим, что при измерении коридора длиной в 20
м мы допустили абсолютную погрешность
всего только в 1 см. Теперь представим себе, что, измеряя корешок книги,
имеющий 18
см длины, мы тоже допустили абсолютную
погрешность в 1 см. Тогда понятно, что первое измерение нужно признать
превосходным, но зато второе – совершенно неудовлетворительным. Это значит, что
на 20
м ошибка в 1
см вполне допустима и неизбежна, но
на 18
см такая ошибка является очень грубой.

Отсюда ясно, что для оценки качества измерения
существенна не сама абсолютная погрешность, а та доля, какую она составляет от
измеряемой величины. При измерении коридора длиной в 20 м погрешность в 1 см
составляет

долю
измеряемой величины, а при измерении корешка книги погрешность в 1 см составляет

долю
измеряемой величины.

Делаем вывод, что измеряя корешок книги, имеющий 18
см длины и допустив погрешность в 1
см, можно считать измерение с большой ошибкой. Но если погрешность в 1
см была допущена при измерении коридора
длиной в 20
м, то это измерение можно считать максимально точным.

Если ошибка,
возникающая при измерении линейкой или каким либо другим измерительным
инструментом, значительно меньше, чем деления шкалы этой линейки, то в качестве
абсолютной погрешности измерения обычно берут половину деления. Если деления на
линейке нанесены достаточно точно, то ошибка при измерении близка к нулю.

Тогда
значение измеряемой длины предмета будет значение ближайшей метки линейки.
Поэтому, если измерение выполнено аккуратно, то истинная длина предмета может
отличаться от измеренной длины не более чем на половину деления шкалы, то есть 0,5 мм.

ПРИМЕР:

Для измерения длины болта использованы метровая линейка с
делениями 0,5 см и линейка с
делениями 1 мм. В обоих случаях получен результат 3,5
см. Ясно, что в первом случае отклонение найденной длины 3,5
см от истинной, не
должно по модулю превышать 0,5 см, во втором случае
0,1 см.

Если этот же результат получится при измерении
штангенциркулем, то

p(l; 3,5) = |l – 3,5 ≤ 0,01|.

Данный пример показывает зависимость абсолютной
погрешности и границ, в которых находится точный результат, от точности
измерительных приборов. В одном случае ∆l = 0,5 и, следовательно,

3
≤ l ≤ 4,

в другом – ∆l = 0,1 и

3,4
≤ l ≤ 3,6.

ПРИМЕР:

Длина листа бумаги формата А4 равна (29,7 ± 0,1)
см. А расстояние от Санкт-Петербурга до Москвы равно (650 ± 1) км. Абсолютная погрешность в первом случае
не превосходит одного миллиметра, а во втором – одного километра. Необходимо
сравнить точность этих измерений.

РЕШЕНИЕ:

Если вы думаете, что длина листа измерена точнее потому,
что величина абсолютной погрешности не
превышает 1 мм, то вы ошибаетесь.
Напрямую сравнить эти величины нельзя. Проведём некоторые рассуждения.

При измерении длины листа абсолютная погрешность не
превышает 0,1 см на 29,7 см, то есть в процентном отношении это составляет

0,1
: 29,7 ∙ 100% ≈ 0,33%

измеряемой величины.

Когда мы измеряем расстояние от Санкт-Петербурга до
Москвы, то абсолютная погрешность не превышает
1 км
на 650 км, что в процентном соотношении составляет

1
: 650 ∙ 100% ≈ 0,15%

измеряемой величины.

Видим, что расстояние между городами измерено точнее, чем
длинна листа формата А4.

Истинное значение
измеряемой величины известно бывает лишь в очень редких случаях, а поэтому и
действительная величина абсолютной погрешности почти никогда не может быть вычислена.
На практике абсолютной погрешности недостаточно для точной оценки измерения.
Поэтому на практике более важное значение имеет определение относительной
погрешности измерения.

Относительная погрешность.

Абсолютная
погрешность, как мы убедились, не даёт возможности судить о качестве измерения.
Поэтому для оценки качества приближения вводится новое понятие – относительная
погрешность. Относительная погрешность позволяет судить о качестве измерения.

Относительная погрешность –
это частное от деления абсолютной погрешности на модуль приближённого значения
измеряемой величины, выраженная в долях или процентах.

Относительная
погрешность величина всегда положительная. Это следует из того, что абсолютная погрешность
всегда положительная величина, и мы делим её на модуль приближённого значения
измеряемой величины, а модуль тоже всегда положителен.

ПРИМЕР:

Округлим дробь 14,7 до целых и найдём относительную погрешность приближённого
значения:

14,7 ≈ 15,

Для вычисления
относительной погрешности, кроме приближённого значения, нужно знать ещё и
абсолютную погрешность. Обычно абсолютная погрешность неизвестна, поэтому
вычислить относительную погрешность нельзя. В таких случаях ограничиваются
оценкой относительной погрешности.

ПРИМЕР:

При измерении в (сантиметрах) толщины
b
стекла и длины l книжной полки
получили следующие результаты:

b ≈ 0,4 с
точностью до 0,1,

l ≈ 100 с
точностью до 0,1.

Абсолютная погрешность каждого из этих измерений не
превосходит 0,1. Однако 0,1 составляет
существенную часть числа 0,4 и
ничтожную часть числа 100. Это показывает, что качество второго
измерения намного выше, чем первого.

В результате измерения нашли,
что b ≈ 0,4 с точностью до 0,1, то
есть абсолютная погрешность измерения не превосходит 0,1.
Значит, отношение абсолютной погрешности к приближённому значению меньше или равно

то есть относительная погрешность приближения не превосходит 25%.

Аналогично найдём, что
относительная погрешность приближения, полученного при измерении длины полки,
не превосходит

Говорят, что в первом случае измерение выполнено с
относительной точностью до 25%,
а во втором – с относительной точностью до 0,1%.

ПРИМЕР:

Если взять абсолютную погрешность в 1
см, при измерении длины отрезков 10
см и 10
м, то относительные погрешности будут соответственно равны 10% и 0,1%. Для
отрезка длиной в 10 см погрешность
в 1
см очень велика, это ошибка в 10%. А для десятиметрового отрезка 1 см не имеет значения, эта ошибка всего в 0,1%.

Чем меньше относительная погрешность
измерения, тем оно точнее.

Различают
систематические и случайные погрешности.

Систематической погрешностью называют ту погрешность, которая остаётся неизменной при
повторных измерениях.

Случайной погрешностью называют ту погрешность, которая возникает в результате
воздействия на процесс измерения внешних факторов и может изменять своё
значение.

В большинстве
случаев невозможно узнать точное значение приближённого числа, а значит, и
точную величину погрешности. Однако почти всегда можно установить, что
погрешность (абсолютная или относительная) не превосходит некоторого числа.

ПРИМЕР:

Продавец взвешивает арбуз на чашечных весах. В наборе
наименьшая гиря – 50
г. Взвешивание показало 3600 г. Это число – приближённое. Точный вес арбуза
неизвестен. Но абсолютная погрешность не превышает 50
г. Относительная погрешность не превосходит

⁵⁰/₃₆₀₀ ≈
1,4%.

Число, заведомо превышающее абсолютную погрешность (или в худшем случае равное ей), называется предельной абсолютной
погрешностью.

Число, заведомо превышающее относительную погрешность (или в худшем случае равное ей), называется предельной относительной
погрешностью.

В предыдущем примере
за предельную абсолютную погрешность можно взять 50 г, а за предельную относительную погрешность 1,4%.

Величина предельной
погрешности не является вполне определённой. Так в предыдущем примере можно
принять за предельную абсолютную погрешность
100 г, 150 г и вообще всякое
число, большее чем 50 г.
На практике берётся по возможности меньшее значение предельной погрешности. В
тех случаях, когда известна точная величина погрешности, эта величина служит
одновременно предельной погрешностью. Для каждого приближённого числа должна
быть известна его предельная погрешность (абсолютная или относительная). Когда
она прямо не указана, подразумевается что предельная абсолютная погрешность
составляет половину единицы последнего выписанного разряда. Так, если приведено
приближённое число 4,78 без указания предельной погрешности, то подразумевается,
что предельная абсолютная погрешность составляет 0,005. В следствии этого соглашения всегда можно обойтись без указания
предельной погрешности числа.

Предельная
абсолютная погрешность обозначается греческой буквой ∆ (<<дельта>>),
предельная относительная погрешность – греческой буквой δ
(<<дельта малая>>). Если приближённое число обозначить буквой а,

Правила округления.

На практике
относительную погрешность округляют до двух значащих цифр, выполняя округление
с избытком, то есть, всегда увеличивая последнюю значащую цифру на единицу.

ПРИМЕР:

Для х = 1,7 ± 0,2 относительная погрешность измерений равна:

ПРИМЕР:

Длина карандаша измерена линейкой с миллиметровым
делением. Измерение показало 17,9 см. Какова предельная относительная погрешность этого
измерения ?

РЕШЕНИЕ:

Здесь а =
17,9 см. Можно принять ∆ = 0,1 см, так как с точностью
до 1 мм
измерить карандаш нетрудно, а значительно уменьшить предельную
погрешность не удастся (при навыке можно прочесть на хорошей линейке и 0,02 и даже 0,01 см, но
у самого карандаша рёбра могут отличаться на большую величину). Относительная погрешность равна

Округляя, находим

ПРИМЕР:

Цилиндрический поршень имеет около 35
мм в диаметре. С какой точностью нужно
его измерить микрометром, чтобы предельная относительная погрешность составляла 0,05% ?

РЕШЕНИЕ:

По условию, предельная относительная
погрешность должна составлять 0,05% от 35 мм. Следовательно, предельная абсолютная
погрешность равна

или, усиливая, 0,02
мм.

Можно воспользоваться
формулой

Подставляя в формулу

а = 35,

𝛿 = 0,0005,

имеем

Значит,

∆
= 35 × 0,0005 = 0,0175 мм.

Действия над приближёнными числами.

Сложение и вычитание приближённых чисел.

Абсолютная погрешность суммы двух величин равна сумме
абсолютных погрешностей отдельных слагаемых.

ПРИМЕР:

Складываются приближённые числа

265 и 32.

РЕШЕНИЕ:

Пусть предельная погрешность первого есть 5,
а второго 1. Тогда предельная погрешность суммы равна

5
+ 1 = 6.

Так, если истинное значение первого есть 270,
а второго 33, то приближённая сумма

265
+ 32 = 297

на 6 меньше истинной

270
+ 33 = 303.

ПРИМЕР:

Найти сумму приближённых чисел:

0,0909
+ 0,0833 + 0,0769 + 0,0714 + 0,0667

+ 0,0625 + 0,0588 + 0,0556 + 0,0526.

РЕШЕНИЕ:

Сложение даёт следующий результат – 0,6187.

Предельная погрешность каждого слагаемого

0,00005.

Предельная погрешность суммы:

0,00005
∙ 9 = 0,00045.

Значит, в последнем (четвёртом) знаке суммы возможна ошибка до 5
единиц. Поэтому округляем сумму до третьего знака, то есть до тысячных.
Получаем 0,619,
здесь все знаки верные.

При значительном
числе слагаемых обычно происходит взаимная компенсация погрешностей, поэтому
истинная погрешность суммы лишь в исключительных случаях совпадает с предельной
погрешностью или близка к ней. Насколько редки эти случаи, видно из предыдущего
примера, где 9 слагаемых. Истинная величина каждого из них может
отличаться в пятом знаке от взятого приближённого значения на 1, 2, 3, 4 или даже на 5 единиц в ту и в другую сторону.

Например, первое
слагаемое может быть больше своего истинного значения на 4 единицы пятого знака, второе – на две, третье – меньше
истинного на одну единицу и так далее.

Расчёт показывает,
что число всех возможных случаев распределения погрешностей составляет около
одного миллиарда. Между тем лишь в двух случаях погрешность суммы может
достигнуть предельной погрешности 0,00045,
это произойдёт:

– когда истинная величина каждого слагаемого больше
приближённой величины на 0,00005;

– когда истинная величина каждого слагаемого меньше
приближённой величины на 0,00005.

Значит, случаи,
когда погрешность суммы совпадает с предельной, составляют только 0,0000002% всех возможных случаев.

Дальнейший расчёт
показывает, что случаи, когда погрешность суммы девяти слагаемых может
превысить три единицы последнего знака, тоже очень редки. Они составляют
лишь 0,07%
из числа всех
возможных. Две единицы последнего знака погрешность может превысить 2% всех возможных случаев, а одну единицу –
примерно в 25%.
В остальных 75% случаев погрешность девяти слагаемых не
превышает одной единицы последнего знака.

ПРИМЕР:

Найти сумму точных чисел:

0,0909
+ 0,0833 + 0,0769 + 0,0714 + 0,0667

+ 0,0625 + 0,0588 + 0,0556 + 0,0526.

РЕШЕНИЕ:

Сложение даёт следующий результат – 0,6187.

Округлим их до тысячных и сложим:

0,091
+ 0,083 + 0,077 + 0,071 + 0,067

+ 0,062 + 0,059 + 0,056 + 0,053 = 0,619.

Предельная погрешность суммы:

0,0005
∙ 9 = 0,0045.

Приближённая сумма отличается от истинной на 0,0003,
то есть на треть единицы последнего знака приближённых чисел. Все три знака
приближённой суммы верны, хотя теоретически последняя цифра могла быть грубо
неверной.

Произведём в наших слагаемых округление до сотых. Теперь
предельная погрешность суммы будет:

0,005
∙ 9 = 0,045.

Между тем получим:

0,09
+ 0,08 + 0,08 + 0,07 + 0,07

+ 0,06 + 0,06 + 0,06 + 0,05 = 0,62.

Истинная погрешность составляет только 0,0013.

Предельная абсолютная погрешность разности двух величин
равна сумме предельных абсолютных погрешностей уменьшаемого и вычитаемого.

ПРИМЕР:

Пусть предельная погрешность приближённого
уменьшаемого 85 равна 2,
а предельная погрешность вычитаемого 32 равна 3.
Предельная погрешность разности

85
– 32 = 53

есть

2
+ 3 = 5.

В самом деле, истинное значение уменьшаемого и
вычитаемого могут равняться

85
+ 2 = 87 и

32
– 3 = 29.

Тогда истинная разность есть

87
– 29 = 58.

Она на 5 отличается от
приближённой разности 53.

Относительная погрешность суммы и разности.

Предельную
относительную погрешность суммы и разности легко найти, вычислив сначала
предельную абсолютную погрешность.

Предельная
относительная погрешность суммы (но не разности!) лежит между наименьшей и
наибольшей из относительных погрешностей слагаемых. Если все слагаемые имеют
одну и ту же (или примерно одну и ту же) предельную относительную погрешность,
то и сумма имеет ту же (или примерно ту же) предельную относительную
погрешность. Другими словами, в этом случае точность суммы (в процентном
выражении) не уступает точности слагаемых. При значительном же числе слагаемых
сумма, как правило, гораздо точнее слагаемых.

ПРИМЕР:

Найти предельную абсолютную и предельную относительную
погрешность суммы чисел:

24,4
+ 25,2 + 24,7.

РЕШЕНИЕ:

В каждом слагаемом суммы

24,4
+ 25,2 + 24,7 = 74,3

предельная относительная погрешность примерно одна и та
же, а именно:

0,05
: 25 = 0,2%.

Такова же она и для суммы.

Здесь предельная абсолютная погрешность равна 0,15,
а относительная

0,15
: 74,3 ≈ 0,15 : 75 = 0,2%.

В противоположность
сумме разность приближённых чисел может быть менее точной, чем уменьшаемое и
вычитаемое. <<Потеря точности>> особенно велика в том случае, когда
уменьшаемое и вычитаемое мало отличаются друг от друга.

Относительные погрешности при сложении и вычитании
складывать нельзя.

Умножение и деление приближённых чисел.

При делении и умножении чисел требуется сложить
относительные погрешности.

ПРИМЕР:

Пусть перемножаются приближённые числа 50 и 20, и пусть предельная относительная погрешность первого
сомножителя есть 0,4%, а второго
0,5%.

Тогда предельная относительная погрешность произведения

50
× 20 = 1000

приближённо равна 0,9%.
В самом деле предельная абсолютная погрешность первого сомножителя есть

50
× 0,004 = 0,2,

а второго

20
× 0,005 = 0,1.

Поэтому истинная величина произведения не больше чем

(50
+ 0,2)(20 + 0,1) = 1009,02,

и не меньше, чем

(50
– 0,2)(20 – 0,1) = 991,022.

Если истинная величина произведения есть 1009,2,
то погрешность произведения равна

1009,2
– 1000 = 9,02,

а если 991,02, то погрешность произведения равна

1000
– 991,02 = 8,98.

Рассмотренные два случая – самые неблагоприятные. Значит,
предельная абсолютная погрешность произведения есть 9,02.
Предельная относительная погрешность равна

9,02
: 1000 = 0,902%,

то есть приближённо 0,9%.

Задания к уроку 16

Задание 1

Задание 2

Задание 3

Урок 1. Числовые неравенства
Урок 2. Свойства числовых неравенств
Урок 3. Сложение и умножение числовых неравенств
Урок 4. Числовые промежутки
Урок 5. Линейные неравенства
Урок 6. Системы линейных неравенств
Урок 7. Нелинейные неравенства
Урок 8. Системы нелинейных неравенств
Урок 9. Дробно-рациональные неравенства
Урок 10. Решение неравенств с помощью графиков
Урок 11. Неравенства с модулем
Урок 12. Иррациональные неравенства
Урок 13. Неравенства с двумя переменными
Урок 14. Системы неравенств с двумя переменными
Урок 15. Приближённые вычисления

Материал из MachineLearning.

Перейти к: навигация, поиск

Содержание

1 Введение
- 1.1 Постановка вопроса. Виды погрешностей
2 Виды мер точности
3 Предельные погрешности
4 Погрешности округлений при представлении чисел в компьютере
5 Погрешности арифметических операций
6 Погрешности вычисления функций
7 Числовые примеры
8 Список литературы
9 См. также

Введение

Постановка вопроса. Виды погрешностей

Процесс исследования исходного объекта методом математического моделирования и вычислительного эксперимента неизбежно носит приближенный характер, так как на каждом этапе вносятся погрешности. Построение математической модели связано с упрощением исходного явления, недостаточно точным заданием коэффициентов уравнения и других входных данных. По отношению к численному методу, реализующему данную математическую модель, указанные погрешности являются неустранимыми, поскольку они неизбежны в рамках данной модели.

При переходе от математической модели к численному методу возникают погрешности, называемые погрешностями метода. Они связаны с тем, что всякий численный метод воспроизводит исходную математическую модель приближенно. Наиболее типичными погрешностями метода являются погрешность дискретизации и погрешность округления.
При построении численного метода в качестве аналога исходной математической задачи обычно рассматривается её дискретная модель. Разность решений дискретизированной задачи и исходной называется погрешностью дискретизации. Обычно дискретная модель зависит от некоторого параметра (или их множества) дискретизации, при стремлении которого к нулю должна стремиться к нулю и погрешность дискретизации.
Дискретная модель представляет собой систему большого числа алгебраических уравнений. Для её решения используется тот или иной численный алгоритм. Входные данные этой системы, а именно коэффициенты и правые части, задаются в ЭВМ не точно, а с округлением. В процессе работы алгоритма погрешности округления обычно накапливаются, и в результате, решение, полученное на ЭВМ, будет отличаться от точного решения дискретизированной задачи. Результирующая погрешность называется погрешностью округления (вычислительной погрешностью). Величина этой погрешности определяется двумя факторами: точностью представления вещественных чисел в ЭВМ и чувствительностью данного алгоритма к погрешностям округления.

Итак, следует различать погрешности модели, дискретизации и округления. В вопросе преобладания какой-либо погрешности ответ неоднозначен. В общем случае нужно стремиться, чтобы все погрешности имели один и тот же порядок. Например, нецелесообразно пользоваться разностными схемами, имеющими точность 10⁻⁶, если коэффициенты исходных уравнений задаются с точностью 10⁻².

Виды мер точности

Мерой точности вычислений являются абсолютные и относительные погрешности. Абсолютная погрешность определяется формулой

$Delta(tilde a)=|tilde a-a|,$

где $tilde a$ – приближение к точному значению $a$ .
Относительная погрешность определяется формулой

$delta(tilde a)=frac{|tilde a-a|}{a}.$

Относительная погрешность часто выражается в процентах. Абсолютная и относительная погрешности тесно связаны с понятием верных значащих цифр. Значащими цифрами числа называют все цифры в его записи, начиная с первой ненулевой цифры слева. Например, число 0,000129 имеет три значащих цифры. Значащая цифра называется верной, если абсолютная погрешность числа не превышает половины веса разряда, соответствующего этой цифре. Например, $tilde a=9348$ , абсолютная погрешность $Delta(tilde a)=15$ . Записывая число в виде

$9348=9cdot10^3+3cdot10^2+4cdot10^1+8cdot10^0,$

имеем $0,5cdot10^1<Delta(tilde a)<0,5cdot10^2$ , следовательно, число имеет две верных значащих цифр (9 и 3).

В общем случае абсолютная погрешность должна удовлетворять следующему неравенству:

$Delta(tilde a)<0,5cdot10^{m-n+1} ,$

где $m$ — порядок (вес) старшей цифры, $n$ — количество верных значащих цифр.
В рассматриваемом примере $Delta(tilde a)le0,5cdot10^{3-2+1}le0,5cdot10^2=50$ .

Относительная погрешность связана с количеством верных цифр приближенного числа соотношением:

$delta(tilde a)lefrac{Delta(tilde a)}{alpha_m}10^mlefrac{10^{m-n+1}}{alpha_m10^m}lefrac{1}{alpha_m10^{n-1}},$

где $alpha_m$ — старшая значащая цифра числа.

Для двоичного представления чисел имеем $delta(tilde a)le2^{-n}$ .

Тот факт, что число $tilde a$ является приближенным значением числа $a$ с абсолютной погрешностью $Delta(tilde a)$ , записывают в виде

$a=tilde apmDelta(tilde a),$

причем числа $tilde a$ и $Delta(tilde a)$ записываются с одинаковым количеством знаков после запятой, например, $a=2,347pm0,002$ или $a=2,347pm2cdot10^{-3}$ .

Запись вида

$a=tilde a(1pmdelta(tilde a))$

означает, что число $tilde a$ является приближенным значение числа $a$ с относительной погрешностью $delta(tilde a)$ .

Так как точное решение задачи как правило неизвестно, то погрешности приходится оценивать через исходные данные и особенности алгоритма. Если оценка может быть вычислена до решения задачи, то она называется априорной. Если оценка вычисляется после получения приближенного решения задачи, то она называется апостериорной.

Очень часто степень точности решения задачи характеризуется некоторыми косвенными вспомогательными величинами. Например точность решения системы алгебраических уравнений

$AX=F$

характеризуется невязкой

$R=F-Atilde X,$

где $tilde X$ — приближенное решение системы.
Причём невязка достаточно сложным образом связана с погрешностью решения $Delta(X)=tilde X-X$ , причём если невязка мала, то погрешность может быть значительной.

Предельные погрешности

Пусть искомая величина $a$ является функцией параметров $t_1, ldots , t_n in Omega, qquad a*$ — приближенное значение $a$ . Тогда предельной абсолютной погрешностью называется величина

$D(a^*) = suplimits_{(t_1, ldots ,t_n) in Omega } left|{a(t_1, ldots ,t_n) - a^*}right| ,$

Предельной относительной погрешностью называется величина $D(a*)/| a*|$ .

Пусть $left|{t_j - t_j^*}right| le Delta (t_j^* ), qquad j = 1 div n$ — приближенное значение $a^* = a(t_1^*, ldots ,t_n^* )$ . Предполагаем, что $a$ — непрерывно дифференцируемая функция своих аргументов. Тогда, по формуле Лагранжа,

$a(t_1, ldots ,t_n) - a^* = sumlimits_{j = 1}^n gamma_j (alpha )(t_j - t_j^*),$

где $gamma_j (alpha ) = a^{prime}_{t_j}(t_1^* + alpha (t_1 - t_1^*), ldots ,t_n^* + alpha (t_n - t_n^*)), qquad 0 le alpha le 1$ .

Отсюда

$left|{a(t_1, ldots ,t_n) - a^*}right| le D_1 (a^*) = sumlimits_{j = 1}^n b_j Delta (t_j^*),$

где $b_j = suplimits_Omega left|{a^{prime}_{t_j}(t_1, ldots ,t_n)}right|$ .

Можно показать, что при малых $rho = sqrt{{(Delta (t_1^* ))}^2 + ldots + {(Delta (t_n^* ))}^2 }$ эта оценка не может быть существенно улучшена. На практике иногда пользуются грубой (линейной) оценкой

$left|{a(t_1, ldots ,t_n) - a^*}right| le D_2 (a^*),$

где $D_2 (a^*) = sumlimits_{j = 1} left|{gamma_j (0)}right| Delta (t^*)$ .

Несложно показать, что:

$Delta ( pm t_1^* pm , ldots , pm t_n^*) = Delta (t_1^* ) + ldots + Delta (t_n^* )$ — предельная погрешность суммы или разности равна сумме предельных погрешностей.
$delta (t_1^* cdots t_m^* cdot d_1^{* - 1} cdots d_m^{* - 1} ) = delta (t_1^* ) + ldots + delta (t_m^*) + delta (d_1^*) + ldots + delta (d_n^*)$ — предельная относительная погрешность произведения или частного приближенного равна сумме предельных относительных погрешностей.

Погрешности округлений при представлении чисел в компьютере

Одним из основных источников вычислительных погрешностей является приближенное представление чисел в компьютере, обусловленное конечностью разрядной сетки (см. Международный стандарт представления чисел с плавающей точкой в ЭВМ). Число $a$ , не представимое в компьютере, подвергается округлению, т. е. заменяется близким числом $tilde a$ , представимым в компьютере точно.
Найдем границу относительной погрешности представления числа с плавающей точкой. Допустим, что применяется простейшее округление – отбрасывание всех разрядов числа, выходящих за пределы разрядной сетки. Система счисления – двоичная. Пусть надо записать число, представляющее бесконечную двоичную дробь

$a=underbrace{pm2^p}_{order}underbrace{left(frac{a_1}{2}+frac{a_2}{2^2}+dots+frac{a_t}{2^t}+frac{a_{t+1}}{2^{t+1}}+dotsright)}_{mantissa},$

где $a_j={01$ , $qquad (j=1,2,...)$ — цифры мантиссы.
Пусть под запись мантиссы отводится t двоичных разрядов. Отбрасывая лишние разряды, получим округлённое число

$tilde a=pm2^pleft(frac{a_1}{2}+frac{a_2}{2^2}+dots+frac{a_t}{2^t}right).$

Абсолютная погрешность округления в этом случае равна

$a-tilde a=pm2^pleft(frac{a_{t+1}}{2^{t+1}}+frac{a_{t+2}}{2^{t+2}}+dotsright).$

Наибольшая погрешность будет в случае $a_{t+1}=1, qquad a_{t+2}=1,$ , тогда

$|a-tilde a|lepm2^pfrac{1}{2^{t+1}}underbrace{left(1+frac{1}{2}+frac{1}{2^2}+dotsright)}_{=2}=2^{p-t}.$

Т.к. $|M|ge0,5$ , где $M$ — мантисса числа $a$ , то всегда $a_1=1$ . Тогда $|a|ge2^pcdot2^{-1}=2^{p-1}$ и относительная погрешность равна $frac{|a-tilde a|}{|a|}le2^{-t+1}$ . Практически применяют более точные методы округления и погрешность представления чисел равна

( 1 )

$frac{|a-tilde a|}{|a|}le2^{-t},$

т.е. точность представления чисел определяется разрядностью мантиссы $t$ .
Тогда приближенно представленное в компьютере число можно записать в виде $tilde a=a(1pmepsilon)$ , где $|epsilon|le2^{-t}$ – «машинный эпсилон» – относительная погрешность представления чисел.

Погрешности арифметических операций

При вычислениях с плавающей точкой операция округления может потребоваться после выполнения любой из арифметических операций. Так умножение или деление двух чисел сводится к умножению или делению мантисс. Так как в общем случае количество разрядов мантисс произведений и частных больше допустимой разрядности мантиссы, то требуется округление мантиссы результатов. При сложении или вычитании чисел с плавающей точкой операнды должны быть предварительно приведены к одному порядку, что осуществляется сдвигом вправо мантиссы числа, имеющего меньший порядок, и увеличением в соответствующее число раз порядка этого числа. Сдвиг мантиссы вправо может привести к потере младших разрядов мантиссы, т.е. появляется погрешность округления.

Округленное в системе с плавающей точкой число, соответствующее точному числу $x$ , обозначается через $fl(x)$ (от англ. floating – плавающий). Выполнение каждой арифметической операции вносит относительную погрешность, не большую, чем погрешность представления чисел с плавающей точкой (1). Верна следующая запись:

$fl(abox b)=abox b(1pmepsilon),$

где $box$ — любая из арифметических операций, $|epsilon|le2^{-t}$ .

Рассмотрим трансформированные погрешности арифметических операций. Арифметические операции проводятся над приближенными числами, ошибка арифметических операций не учитывается (эту ошибку легко учесть, прибавив ошибку округления соответствующей операции к вычисленной ошибке).

Рассмотрим сложение и вычитание приближенных чисел. Абсолютная погрешность алгебраической суммы нескольких приближенных чисел равна сумме абсолютных погрешностей слагаемых.

Если сумма точных чисел равна

$S=a_1+a_2+dots+a_n,$

сумма приближенных чисел равна

$tilde S=a_1+Delta(a_1)+a_2+Delta(a_2)+dots+a_n+Delta(a_n),$

где $Delta(a_i), qquad i=1,2,...,n$ — абсолютные погрешности представления чисел.

Тогда абсолютная погрешность суммы равна

$Delta(S)=Delta(a_1)+Delta(a_2)+dots+Delta(a_n).$

Относительная погрешность суммы нескольких чисел равна

( 2 )

$delta(S)=frac{Delta(S)}{S}=frac{a_1}{S}left(frac{Delta(a_1)}{a_1}right)+frac{a_2}{S}left(frac{Delta(a_2)}{a_2}right)+dots=frac{a_1delta(a_1)+a_2delta(a_2)+dots}{S},$

где $delta(a_i), qquad i=1,2,...,n$ — относительные погрешности представления чисел.

Из (2) следует, что относительная погрешность суммы нескольких чисел одного и того же знака заключена между наименьшей и наибольшей из относительных погрешностей слагаемых:

$min quad delta(a_k)ledelta(S)le max quad delta(a_k), qquad k=1,2,...,n, quad a_k>0.$

При сложении чисел разного знака или вычитании чисел одного знака относительная погрешность может быть очень большой (если числа близки между собой). Так как даже при малых $Delta(a_i)$ величина $S$ может быть очень малой. Поэтому вычислительные алгоритмы необходимо строить таким образом, чтобы избегать вычитания близких чисел.

Необходимо отметить, что погрешности вычислений зависят от порядка вычислений. Далее будет рассмотрен пример сложения трех чисел.

$S=x_1+x_2+x_3,$

$tilde S_1=(x_1+x_2)(1+delta_1),$

( 3 )

$tilde S=(tilde S_1+x_3)(1+delta_2)=(x_1+x_2)(1+delta_1)(1+delta_2)+x_3(1+delta_2).$

При другой последовательности действий погрешность будет другой:

$tilde S_1=(x_3+x_2)(1+delta_1),$

$tilde S=(x_3+x_2)(1+delta_1)(1+delta_2)+x_1(1+delta_2).$

Из (3) видно, что результат выполнения некоторого алгоритма, искаженный погрешностями округлений, совпадает с результатом выполнения того же алгоритма, но с неточными исходными данными. Т.е. можно применять обратный анализ: свести влияние погрешностей округления к возмущению исходных данных. Тогда вместо (3) будет следующая запись:

$tilde S=tilde x_1+tilde x_2+tilde x_3,$

где $tilde x_1=x_1(1+delta_1)(1+delta_2), quad tilde x_2=x_2(1+delta_1)(1+delta_2), quad tilde x_3=x_3(1+delta_2).$

При умножении и делении приближенных чисел складываются и вычитаются их относительные погрешности.

$S=a_1cdot a_2,$

$tilde S=a_1cdot a_2(1+delta(a_1))(1+delta(a_2))$ ≅ $a_1cdot a_2(1+delta(a_1)+delta(a_2)),$

с точностью величин второго порядка малости относительно $delta$ .

Тогда $delta(S)=delta(a_1)+delta(a_2)$ .

Если $S=frac{a_1}{a_2}$ , то $Delta(S)=frac{a_1(1+delta_1)}{a_2(1+delta_2)}-frac{a_1}{a_2}=frac{a_1(delta_1-delta_2)}{a_2(1+delta_2)}approx frac{a_1}{a_2}(delta_1-delta_2), qquad delta(S)$ ≅ $delta_1-delta_2.$

При большом числе n арифметических операций можно пользоваться приближенной статистической оценкой погрешности арифметических операций, учитывающей частичную компенсацию погрешностей разных знаков:

$delta_Sigma approx delta_{fl} quad sqrt{n},$

где $delta_Sigma$ – суммарная погрешность, $|delta_{fl}|leepsilon$ – погрешность выполнения операций с плавающей точкой, $epsilon$ – погрешность представления чисел с плавающей точкой.

Погрешности вычисления функций

Рассмотрим трансформированную погрешность вычисления значений функций.

Абсолютная трансформированная погрешность дифференцируемой функции $y=f(x)$ , вызываемая достаточно малой погрешностью аргумента $Delta(x)$ , оценивается величиной $Delta(y)=|f'(x)|Delta(x)$ .

Если $f(x)>0$ , то $delta(y)=frac{|f'(x)|}{f(x)}Delta(x)=left|(ln(f(x)))'right|cdotDelta(x)$ .

Абсолютная погрешность дифференцируемой функции многих аргументов $y=f(x_1, x_2, ..., x_n)$ , вызываемая достаточно малыми погрешностями $Delta(x_1), Delta(x_2), ..., Delta(x_n)$ аргументов $x_1, x_2, ...,x_n$ оценивается величиной:

$Delta(y)=sumlimits_{i=1}^nleft|frac{partial f}{partial x_i}right|Delta(x_i)$ .

Если $f(x_1,x_2,...,x_n)>0$ , то $delta(y)=sumlimits_{i=1}^nfrac{1}{f}cdotleft|frac{partial f}{partial x_i}right|cdotDelta(x_i)=sumlimits_{i=1}^{n}left|frac{partial l_n(f)}{partial x_i}right|Delta(x_i)$ .

Практически важно определить допустимую погрешность аргументов и допустимую погрешность функции (обратная задача). Эта задача имеет однозначное решение только для функций одной переменной $y=f(x)$ , если $f(x)$ дифференцируема и $f'(x)not=0$ :

$Delta(x)=frac{1}{|f'(x)|}Delta(y)$ .

Для функций многих переменных задача не имеет однозначного решения, необходимо ввести дополнительные ограничения. Например, если функция $y=f(x_1,x_2,...,x_n)$ наиболее критична к погрешности $Delta(x_i)$ , то:

$Delta(x_i)=frac{Delta(y)}{left|frac{partial f}{partial x_i}right|}qquad$ (погрешностью других аргументов пренебрегаем).

Если вклад погрешностей всех аргументов примерно одинаков, то применяют принцип равных влияний:

$Delta(x_i)=frac{Delta(y)}{nleft|frac{partial f}{partial x_i}right|},qquad i=overline{1,n}.$

Числовые примеры

Специфику машинных вычислений можно пояснить на нескольких элементарных примерах.

ПРИМЕР 1. Вычислить все корни уравнения

$x^4 - 4x^3 + 8x^2 - 16x + 15.underbrace{99999999}_8 = {(x - 2)}^4 - 10^{- 8} = 0.$

Точное решение задачи легко найти:

$(x - 2)^2 = pm 10^{- 4},$

$x_1= 2,01; x_2= 1,99; x_{3,4}= 2 pm 0,01i.$

Если компьютер работает при $delta _M > 10^{ - 8}$ , то свободный член в исходном уравнении будет округлен до $16,0$ и, с точки зрения представления чисел с плавающей точкой, будет решаться уравнение $(x-2)^4= 0$ , т.е. $x_{1,2,3,4} = 2$ , что, очевидно, неверно. В данном случае малые погрешности в задании свободного члена $approx10^{-8}$ привели, независимо от метода решения, к погрешности в решении $approx10^{-2}$ .

ПРИМЕР 2. Решается задача Коши для обыкновенного дифференциального уравнения 2-го порядка:

$u''(t) = u(t), qquad u(0) = 1, qquad u'(0) = - 1.$

Общее решение имеет вид:

$u(t) = 0,5[u(0) + u'(0)]e^t + 0,5[u(0) - u'(0)]e^{- t}.$

При заданных начальных данных точное решение задачи: $u(x) = e^{-t}$ , однако малая погрешность $delta$ в их задании приведет к появлению члена $delta e^t$ , который при больших значениях аргумента может существенно исказить решение.

ПРИМЕР 3. Пусть необходимо найти решение обыкновенного дифференциального уравнения:

$stackrel{cdot}{u} = 10u,qquad u = u(t), u(t_0) = u_0,qquad t in [0,1].$

Его решение: $u(t) = u_0e^{10(t - t_0 )}$ , однако значение $u(t_0)$ известно лишь приближенно: $u(t_0) approx u_0^*$ , и на самом деле $u^*(t) = u_0^*e^{10(t - t_0)}$ .

Соответственно, разность $u* - u$ будет:

$u^* - u = (u_0^* - u_0)e^{10(t - t_0)}.$

Предположим, что необходимо гарантировать некоторую заданную точность вычислений $epsilon > 0$ всюду на отрезке $t in [0,1]$ . Тогда должно выполняться условие:

$|{u^*(t) - u(t)}| le varepsilon.$

Очевидно, что:

$maxlimits_{t in [0,1]} |{u^*(t) - u(t)}| = |{u*(1) - u(1)}| = |{u_0^* - u_0}|e^{10(1 - t_0)}.$

Отсюда можно получить требования к точности задания начальных данных $delta: qquad|u_0^* - u_0| < delta, qquad delta le varepsilon e^{ - 10}$ при $t_0= 0$ .

Таким образом, требование к заданию точности начальных данных оказываются в $e^{10}$ раз выше необходимой точности результата решения задачи. Это требование, скорее всего, окажется нереальным.

Решение оказывается очень чувствительным к заданию начальных данных. Такого рода задачи называются плохо обусловленными.

ПРИМЕР 4. Решением системы линейных алгебраических уравнений (СЛАУ):

$left{ begin{array}{l} u + 10v = 11, 100u + 1001v = 1101; end{array} right.$

является пара чисел ${1, quad 1}$ .

Изменив правую часть системы на $0,01$ , получим возмущенную систему:

$left{ begin{array}{l} u + 10v = 11.01, 100u + 1001v = 1101; end{array} right.$

с решением ${11.01, quad 0.00}$ , сильно отличающимся от решения невозмущенной системы. Эта система также плохо обусловлена.

ПРИМЕР 5. Рассмотрим методический пример вычислений на модельном компьютере, обеспечивающем точность $delta_M = 0,0005$ . Проанализируем причину происхождения ошибки, например, при вычитании двух чисел, взятых с точностью до третьей цифры после десятичной точки $u = 1,001,quad v = 1,002$ , разность которых составляет $Delta = |v_M - u_M| = 0,001$ .

В памяти машины эти же числа представляются в виде:

$u_M = u(1 + delta_M^u), quad v_M = v(1 + delta_M^v)$ , причем $mid delta_M^umid le delta_M$ и $mid delta_M^vmid le delta_M.$

Тогда:

$u_M - u approx udelta_M^u, quad v_M - v approx vdelta_M^v.$

Относительная ошибка при вычислении разности $u_M - v_M$ будет равна:

$delta = frac{(u_M - v_M) - (u - v)}{(u - v)} = frac{(u_M - u) - (v_M - v)}{(u - v)} = frac{delta_M^u - delta_M^v}{(u - v)}.$

Очевидно, что $delta = left|{frac{delta_M^u - delta_M^v}{Delta }} right| le frac{2delta_M}{0,001} approx 2000delta_M = 1$ , т.е. все значащие цифры могут оказаться неверными.

ПРИМЕР 6. Рассмотрим рекуррентное соотношение $u_{i+1} = qu_i, quad i ge 0, quad u_0 = a,quad q > 0, quad u_i > 0.$

Пусть при выполнении реальных вычислений с конечной длиной мантиссы на $i$ -м шаге возникла погрешность округления, и вычисления проводятся с возмущенным значением $u_i^M = u_i + delta_i$ , тогда вместо $u_{i+1}$ получим $u_{i + 1}^M = q(u_i + delta_i) = u_{i + 1} + qdelta_i$ , т.е. $delta_{i + 1} = qdelta_i,quad i = 0,1,ldots$ .

Следовательно, если $|q| > 1$ , то в процессе вычислений погрешность, связанная с возникшей ошибкой округления, будет возрастать (алгоритм неустойчив). В случае $mid qmid le 1$ погрешность не возрастает и численный алгоритм устойчив.

Список литературы

А.А.Самарский, А.В.Гулин. Численные методы. Москва «Наука», 1989.
http://www.mgopu.ru/PVU/2.1/nummethods/Chapter1.htm
http://www.intuit.ru/department/calculate/calcmathbase/1/4.html

См. также

Практикум ММП ВМК, 4й курс, осень 2008

Источник

Вычисление абсолютной и относительной погрешностей измерений при прямых измерениях

1. Абсолютная погрешность

Оценить отклонение
каждого из результатов измерения от
истинной величины можно лишь при наличии
данных большого числа измерений с
использованием теории вероятности.
Однако на практике, в лабораторных
условиях проводят 3-5 измерений. В этом
случае абсолютная погрешность отдельного
i-го
измерения будет следующей:

|DА_i|
= |А_СР
— А_i|,

где
А_СР
— средняя величина размера А. Средняя
арифметическая величина всех ½DА_i½
значений

называется
абсолютной погрешностью опыта.
Окончательный результат измерения
может быть записан в виде

А = А_СР
±
DА_СР,

где
А — искомая величина, которая лежит
внутри интервала

А_СР
±
DА_СР.

апример, если сделаем несколько
измерений длины заготовки в столярной
мастерской и получим среднее значение
l_СР= 75.5 см, а среднее
арифметическое абсолютной погрешности
l_СР= 0.3 см, то результат
запишется в виде

l
= (75.5 ± 0.3) см.

Это
означает, что истинное значение длины
заготовки лежит в интервале от 75.2 см до
75.8 см. При этом не имеет смысла вычислять
среднее значение с большим числом знаков
после запятой, так как от этого точность
не увеличивается.

2. Относительная погрешность

Абсолютная
погрешность измерения не характеризует
точности проведенных измерений. Поэтому
для того, чтобы сравнить точность
различных измерений и величин разной
размерности, находят среднюю относительную
погрешность результата (Е_А).
Относительная погрешность определяется
отношением абсолютной погрешности к
среднему арифметическому значению
измеряемой величины, которая определяется
в процентах:

Е_А=100%.

Относительная
погрешность показывает, какая часть
абсолютной погрешности приходится на
каждую единицу измеренной величины.
Это дает возможность оценить точность
проведенных измерений, качество работы.

Так,
например, пусть при измерении бруска
длиной l
= 1.51 см была допущена абсолютная
погрешность 0.03 мм, а при измерении
расстояния от Земли до Луны L
= 3.64^.10⁵
км абсолютная погрешность составила
100 км. Может показаться, что первое
измерение выполнено намного точнее
второго. Однако о точности измерения
можно судить по относительной погрешности,
а она показывает, что второе измерение
было выполнено в семь раз точнее первого:

E_l
=

100% = 0.2%

и
Е_L
=
100%
= 0.03%.

Вычисление абсолютных и относительных погрешностей при косвенных2 измерениях

В
большинстве случаев при выполнении
физических экспериментов исследуемая
величина не может быть измерена
непосредственно, а является функцией
одной или нескольких переменных,
измеренных непосредственно. При косвенных
измерениях абсолютная и относительная
погрешности результатов измерений
находятся вычислением через абсолютные
и относительные погрешности непосредственно
измеренных величин.

Использование формул дифференцирования

Для
определения абсолютных и относительных
погрешностей искомой величины при
косвенных измерениях можно воспользоваться
формулами дифференцирования, потому
что абсолютная ошибка функции равна
абсолютной ошибке аргумента, умноженной
на производную этой функции, то есть
полному дифференциалу функции.

Рассмотрим
это более подробно. Допустим, что
физическая величина А является функцией
многих переменных:

A
= f
(x,
y,
z
…).

Правило
I. Вначале
находят абсолютную погрешность величины
А, а затем относительную погрешность.
Для этого необходимо:

1) Найти полный
дифференциал функции

) Заменить бесконечно малые dx, dу,
dz, … соответствующими абсолютными
ошибками аргументовDx,
Dy,
Dz,
… (при этом знаки «минус» в абсолютных
ошибках аргументов заменяют знаками
«плюс», так чтобы величина ошибки
была максимальной):

Применяя
это правило к частным случаям, получим:

—
абсолютная погрешность суммы равна
сумме абсолютных погрешностей слагаемых.
Если X
= a
+ b,
то DX
= Da
+ Db;

—
абсолютная погрешность разности равна
сумме абсолютных погрешностей
уменьшаемого и вычитаемого. Если X
= a
— b,
то DX
= Da
+ Db;

—
абсолютная погрешность произведения
двух сомножителей равна сумме произведений
среднего значения первого множителя
(a_CP)
на абсолютную погрешность второго и
среднего значения второго множителя
(b_CP)
на абсолютную погрешность первого. Если
X
= а 
b,
то DX
= a_CP

Db
+ b_CP
Dа.
Если X
= a ⁿ, то DX
= nа_CPⁿ^-1Dа;

—
абсолютная погрешность дроби равна
сумме произведения знаменателя на
абсолютную погрешность числителя и
числителя на абсолютную погрешность
знаменателя, деленной на квадрат
знаменателя. Если X
=,
то DX=.

3) По определению
найдем относительную погрешность

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]

#
#
#
#
#
#
#
#
#
#
12.02.2015183.3 Кб27Пример работы по теме ПЕРЕСКАЗ.doc
#

Источник

Определение относительной погрешности измерений

$ δ = frac{Delta x}{x_{ист}}$ или $ δ = frac{Delta x}{x_{ист}} cdot 100 text{%} $

Правила округления

Например:

Для x = 1, $7 pm 0,2$ относительная погрешность измерений

$δ = frac{0,2}{1,7} cdot 100 text{%} approx 11,8 text{%} approx 12 text{%}$ — погрешность достаточно велика.

Внимание!

Чем меньше относительная погрешность измерения, тем оно точнее.

Примеры

$$ δ = frac{1,2}{299 792 458} approx 4,0 cdot 10^{-9} $$

$$δ = 4,0 cdot 10^{-9} cdot 100 text{%} approx (4,0 cdot 10^{-7} ) text{%} $$

Для данного эксперимента $δ = frac{0,1}{10,0} cdot 100 text{%} = 1,0 text{%} $

Относительная погрешность по отношению к табличной величине:

$$ δ_{таб} = frac{|g-g_0 |}{g_0} cdot 100 text{%}, δ_{таб} = frac{|10,0-9,81|}{9,81} cdot 100 text{%} approx 1,9 text{%} $$

Найдем относительные погрешности измерений:

$$ δ_M = frac{0,01}{3,63} cdot 100 text{%} approx 0,28 text{%} $$

$$ δ_m = frac{0,5}{41,2} cdot 100 text{%} approx 1,21 text{%} approx ↑1,3 text{%} $$

Таким образом, масса слона определена точнее.

Абсолютная погрешность измерений данным вольтметром:

$$ Delta V = V_0 cdot δ, Delta V = 5 cdot 0,005 = 0,025 (В) approx 0,03(В) $$

Границы точного значения:

$$ V = 5,00 pm 0,03 (В) или 4,97 le V le 5,03 (В) $$

Источник

1) Абсолютная погрешность.

Абсолютную погрешность принято обозначать прописной греческой буквой дельта (Δ).

Чтобы найти абсолютную погрешность, следует воспользоваться формулой:

Δ = |x – x0|

где

Δ — абсолютная погрешность;

x — приближённое (практическое) значение измеряемой величины;

x0 — точное (истинное/теоретическое) значение измеряемой величины.

Абсолютная погрешность имеет ту же единицу измерения, что и измеряемая величина. Например: если измеряемая величина измеряется в метрах, то и абсолютная погрешность будет измеряться в метрах; если изм. величину мы измеряем в килограммах, то и абсолютную погрешность — тоже в килограммах. И так далее.

2) Относительная погрешность.

Относительная погрешность, как правило, обозначается строчной греческой буквой дельта (δ).

Чтобы найти относительную погрешность, следует воспользоваться формулой:

δ = |x – x0|/x0

где

δ — относительная погрешность;

x — приближённое (практическое) значение измеряемой величины;

x0 — точное (истинное/теоретическое) значение измеряемой величины.

Относительная погрешность является безразмерной величиной. Относительная погрешность либо имеет единицу измерения 1 (доли единицы), либо измеряется в процентах.

Чтобы перевести относительную погрешность из долей единицы в проценты, необходимо умножить её на 100.

δ (%) = δ * 100 = (|x – x0|/x0) * 100

Для примера рассмотрим такую задачу.

Ученик измерял линейкой длину карандаша. В результате измерений ученик получил результат, равный 152 мм. Истинная же длина карандаша, измеренная штангенциркулем, равняется 151,7 мм. Вопрос: чему равна абсолютная и относительная погрешность результата измерений ученика?

Дано:

x = 152 мм;

x0 = 151,7 мм.

Найти:

Δ — ?

δ — ?

Решение.

1) Найдём абсолютную погрешность.

Δ = |x – x0| = |152 мм – 151,7 мм| = |0,3 мм| = 0,3 мм.

2) Найдём относительную погрешность.

δ = |x – x0|/x0 = (|152 мм – 151,7 мм|/151,7 мм) * 100% = (0,3 мм : 151,7 мм) * 100% = 0,198 %.

Ответ: Δ = 0,3 мм; δ = ок. 0,198 % (приближённое значение).

Источник