Материал: А27103 Василинец И. М., Колодязная В.С. Методы исследования

Личные погрешности измерений зависят от физических особенностей аналитика при прочих равных условиях. Неоднократное изучение личных ошибок разных аналитиков показало, что эти ошибки следует относить и к систематическим, и к случайным. Известно, что аналитику присуща некоторая средняя величина личной ошибки, которую следует считать систематической и учитывать при обработке наблюдений.

Грубыми называют погрешности, приводящие к явному искажению результата измерений. Примерами грубых погрешностей являются: неправильный отсчет по шкале прибора, неверное определение по диаграмме самопишущего прибора, неверная запись, пропуски в отсчете наблюдений и др. Наблюдения, содержащие грубые погрешности, принято отбрасывать, при необходимости измерение повторяют.

Таким образом, произведя единичное измерение, мы не можем быть уверены в том, что результат соответствует действительности. Для большей точности, как правило, производят не одно измерение, а некоторое количество. Для отбраковки измерений, содержащих грубые погрешности, для определения результата с минимальным отклонением от действительной величины, определения необходимого количества измерений для получения результата с необходимой точностью применяют методы математической статистики.

На предприятиях пищевых отраслей промышленности необходимо иметь сведения о качественных показателях сырья, идущего на производство продукции, а также готовой продукции как за короткий срок (отдельные партии, смена, сутки), так и за длительный период времени (среднемесячные данные). Особенно точные данные о среднем качестве сырья и готовой продукции следует иметь за месячный период работы предприятия, так как на основании этих данных часто составляют сырьевой и материальный балансы, по которым оценивается эффективность работы предприятия.

Часто в течение смены, суток и месяца сырье поступает в производство в виде непрерывного потока. Готовая продукция также идет на склад в виде такого потока. Если бы в течение исследуемого периода времени характеристики сырья и готовой продукции оставались постоянными, т. е. материал был бы однородным по длине потока, то проба, отобранная от движущего потока материала в любом месте и в любое время, была бы всегда представительной. На практике чаще всего наблюдается совершенно иное.

Важнейшие характеристики сырья и готовой продукции колеблются в достаточно широких пределах на протяжении определенного периода времени. Представительная проба должна обладать такими же свойствами, как и представляемая ею партия материала. Только при этом условии результаты испытаний пробы можно считать характерными для всего материала. В действительности проба представляет опробуемый материал только с некоторым приближением. Эта погрешность в основном обусловлена случайными изменениями характеристик сырья и готовой продукции. Представительность пробы тем выше, чем однороднее материал и чем больше величина пробы.

В силу того что изменения качественных характеристик сырья и готовой продукции предприятий подчиняются законам случайных величин, вопрос, каким должен быть объем представительной пробы, решается с помощью методов теории вероятности и математической статистики.

= 0; = min.

Если массы отдельных партий материала, от которых взяты пробы, одинаковы, то в этом случае

(2.6)

Арифметическое среднее значение имеет следующие свойства:

= 0; = min. (2.7)

Второе свойство лежит в основе метода обработки наблюдений, называемого "способом наименьших квадратов".

Теория случайных погрешностей основывается на двух положениях:

при очень большом числе измерений случайные погрешности, равные по величине, но различные по знаку, встречаются одинаково часто;

малые погрешности случаются чаще, чем большие; очень большие погрешности не встречаются.

Если результаты измерений освобождены от систематических погрешностей, то при неограниченном увеличении числа измерений среднее арифметическое стремится к истинному значению измеряемой величины, а остаточные погрешности – к случайным погрешностям.

Следовательно, все теоретические выводы и предположения, относящиеся к случайным погрешностям, можно применять при достаточно большом числе измерений к остаточным погрешностям.

При повторных измерениях частота появления равных по величине случайных погрешностей подчиняется закону нормального распределения случайных погрешностей и выражается уравнением

у = , (2.8)

где y – частота появления случайных погрешностей определенного значения δ; σ – средняя квадратичная погрешность ряда измерений,

_j = . (2.9)

2.2.1. Параметры точности ряда измерений

Степень достоверности полученных числовых значений измерений величины, т. е. точность измерения, вполне и однозначно характеризуется средней квадратичной погрешностью ряда измерений:

_s = (2.10)

Параметр  определяет совокупность случайных погрешностей; ² называется рассеиванием или дисперсией.

Практически σ вычисляется по остаточным погрешностям υ конечного ряда измерений. Кроме параметра точности σ, в теории случайных погрешностей рассматриваются: вероятная погрешность ряда измерений ζ, средняя арифметическая погрешность ряда измерений , и наиболее возможная погрешность ряда измерений δ_lim. Погрешности ζ, и δ_lim связаны числовыми соотношениями со среднеквадратичной погрешностью и поэтому также являются параметрами точности и могут применяться для характеристики точности измерений:

ζ = 0,6745 σ; (2.11)

δ_lim = 3σ = 4,5 ζ; (2.12)

= 0,7979 σ ≈ 4/5 σ. (2.13)

Для вычисления средней арифметической погрешности ряда измерений пользуются также уравнением

= (2.14)

При увеличении числа измерений n свыше 25 средние погрешности ряда измерений мало изменяются по величине.

В математической статистике доказано, что среднее квадратическое отклонение выборочного среднего _s от своего математического ожидания может быть вычислено по формуле

_s = , (2.15)

где N – количество опробуемого материала, измеренное числом элементарных проб одинаковой массы (численность генеральной совокупности).

При небольших по массе пробах по сравнению с массой всей оп-робуемой партии материала отношение n / N близко к 0, следовательно, множитель (1– n / N), можно принять равным 1. Тогда уравнение 2.15 будет иметь вид

_s = (2.16)

Отсюда следует, что погрешность при составлении генеральной пробы является функцией неоднородности материала, выраженной _j, и числа элементарных проб n, из которых составляется генеральная проба. Чтобы уменьшить погрешность, необходимо иметь более однородный по качеству материал или увеличивать число проб.

Неоднородность качества материала по исследуемому признаку является свойством материала и часто не поддается управлению. Поэтому повышение точности пробы может быть практически достигнуто в результате увеличения числа элементарных проб, из которых составляется генеральная проба, характеризующая данную партию материала.

Если _j – заданное допустимое среднеквадратичное отклонение исследуемого признака j, то потребное количество элементарных проб

n = . (2.17)

Таким образом, теория случайных ошибок позволяет оценить точность и надежность измерения при данном количестве параллельных замеров или определить минимальное количество замеров, гарантирующее требуемую точность и надежность измерений. Наряду с этим возникает необходимость исключить грубые ошибки ряда, определить достоверность полученных данных и т. д.

В исследованиях наиболее часто применяется закон нормального распределения.

Для большой выборки и нормального закона распределения общими оценочными характеристиками измерения являются дисперсия D и коэффициент вариации k_в для параметра j:

D_j = = ; (2.18)

. (2.19)

Дисперсия характеризует однородность измерения. Чем выше D, тем больше разброс измерений. Коэффициент вариации характеризует изменчивость. Чем выше k_в, тем больше изменчивость измерений относительно средних значений; k_в оценивает также разброс при оценке нескольких выборок.

Доверительным называется интервал значений l_i, в который попадает истинное значение l_д измеряемой величины с заданной вероятностью. Доверительной вероятностью (достоверностью) измерения называется вероятность того, что истинное значение измеряемой величины попадает в данный доверительный интервал, т. е. в зону а ≤ х_д ≤ b:

a_j = L_j – _j и b_j = L_j + _j. (2.20)

Величина _j является наибольшей допустимой погрешностью параметра j и определяется в долях единицы или процентах:

_j = = . (2.21)

Величина t является гарантийным коэффициентом. Допустимая погрешность _j для каждого из параметров j должна задаваться, поэтому ре-шение уравнения (2.21) относительно величины n_j позволяет определить число необходимых элементарных проб:

n = . (2.22)

Если отбор проб производится из движущегося непрерывного потока и пробы берутся через равные интервалы времени, то, обозначая Т – период отбора генеральной пробы (сменной, суточной и т. д.) в часах, τ – интервалы между отборами элементарных пробы в минутах, имеем

. (2.23)

Вероятность того, что истинные значения величины l_д измеренных показателей l_j попадут в пределы _j, называется доверительной вероятностью (достоверностью) р_д. Она определяется в долях единицы или в процентах и вычисляется по распределению Лапласа. Интегральная функция Лапласа определяется выражением

(t) = – . (2.24)

При числе повторений измерений n → ∞ вероятность того, что измеряемый параметр l_j находится в пределах –Δ_j ‹ l_j ‹ + ∆_j, велика и стремится к φ(t).Таким образом, при t = 0,5 вероятность того, что l_j находится в пределах –Δ_j ‹ l_j ‹ ∆_j, составляет 38 %; при t = 1,0 – 68 %; при t = 3 – 99,73 %.

Данная функция в литературе чаще всего приводится в табличной форме (табл. 2.1).

Если случайная величина измеренного параметра l_j значительно выходит за пределы –Δ_j ‹l_j ‹ + Δ_j , ее исключают из расчета.

Таблица 2.1