高斯分布——在误差测量中的推导
设 a a a 为真值, x 1 x_{1} x1 为测量值, δ 1 \delta_{1} δ1 为误差,那么
误差为 δ 1 \delta_{1} δ1 的观测值 x 1 x_{1} x1 出现的概率为 f ( δ 1 ) d δ 1 f(\delta_{1})d\delta_{1} f(δ1)dδ1
误差为 δ 2 \delta_{2} δ2 的观测值 x 2 x_{2} x2 出现的概率为 f ( δ 2 ) d δ 2 f(\delta_{2})d\delta_{2} f(δ2)dδ2
⋯ \cdots ⋯
误差为 δ N \delta _{N} δN 的观测值 x N x_{N} xN 出现的概率为 f ( δ N ) d δ N f(\delta_{N})d\delta_{N} f(δN)dδN
由于 δ 1 \delta_{1} δ1, δ 2 \delta_{2} δ2, ⋯ \cdots ⋯, δ N \delta_{N} δN 彼此独立,所以这些误差同时出现的概率 P P P 是各误差概率的相乘积,即
P = P 1 ⋅ P 2 ⋯ P N = f ( δ 1 ) f ( δ 2 ) ⋯ f ( δ N ) d δ 1 d δ 1 ⋯ d δ N (1) \begin{aligned} P&=P_{1}·P_{2}\cdots P_{N}\\ &=f(\delta_{1})f(\delta_{2})\cdots f(\delta_{N})\mathrm{d}\delta_{1}\mathrm{d}\delta_{1}\cdots \mathrm{d}\delta_{N} \end{aligned} \tag{1} P=P1⋅P2⋯PN=f(δ1)f(δ2)⋯f(δN)dδ1dδ1⋯dδN(1)
这里
δ 1 = x 1 − a , δ 2 = x 2 − a , ⋯ , δ N = x N − a (2) \delta_{1}=x_{1}-a,\delta_{2}=x_{2}-a,\cdots,\delta_{N}=x_{N}-a \tag{2} δ1=x1−a,δ2=x2−a,⋯,δN=xN−a(2)
因为 δ 1 \delta_{1} δ1, δ 2 \delta_{2} δ2, ⋯ \cdots ⋯, δ N \delta_{N} δN 等未知量是 a a a 的函数,故 P P P 也是 a a a 的函数,只有当概率 P P P 是最大值时, a a a 的值才是最可靠值,因此可从 P P P 对 a a a 求微分,并使之等于零而求出。为了计算简便,可先取 (1) 式的对数:
ln P = ln f ( δ 1 ) + ln f ( δ 2 ) + ⋯ + ln f ( δ N ) + ln d δ 1 + ln d δ 2 + ⋯ + ln d δ N \begin{aligned} \ln P=&\ln f(\delta_{1})+\ln f(\delta_{2})+\cdots+\ln f(\delta_{N})\\ &+\ln \mathrm{d}\delta_{1}+\ln \mathrm{d}\delta_{2}+\cdots+\ln \mathrm{d}\delta_{N} \end{aligned} lnP=lnf(δ1)+lnf(δ2)+⋯+lnf(δN)+lndδ1+lndδ2+⋯+lndδN
注意上式中取 ln P \ln P lnP 之后, ln ( ) \ln () ln() 为一个单调函数,并不改变 P ( a ) P(a) P(a) 的极大值点。
上式中的 d δ 1 \mathrm{d}\delta_{1} dδ1, d δ 2 \mathrm{d}\delta_{2} dδ2, ⋯ \cdots ⋯, d δ N \mathrm{d}\delta_{N} dδN 是任意假设的微分量,因此可以看成是与 a a a 无关,微分上式并使之为零,可得:
d ln P d a = d ln f ( δ 1 ) d δ 1 d δ 1 d a + d ln f ( δ 2 ) d δ 2 d δ 2 d a + ⋯ + d ln f ( δ N ) d δ N d δ N d a \frac{\mathrm{d}\ln P}{\mathrm{d}a}=\frac{\mathrm{d}\ln f(\delta_{1})}{\mathrm{d}\delta_{1}}\frac{\mathrm{d}\delta_{1}}{\mathrm{d}a}+\frac{\mathrm{d}\ln f(\delta_{2})}{\mathrm{d}\delta_{2}}\frac{\mathrm{d}\delta_{2}}{\mathrm{d}a}+\cdots+\frac{\mathrm{d}\ln f(\delta_{N})}{\mathrm{d}\delta_{N}}\frac{\mathrm{d}\delta_{N}}{\mathrm{d}a} dadlnP=dδ1dlnf(δ1)dadδ1+dδ2dlnf(δ2)dadδ2+⋯+dδNdlnf(δN)dadδN
从 (2) 式得:
d δ 1 d a = d δ 2 d a = ⋯ = d δ N d a = − 1 \frac{\mathrm{d}\delta_{1}}{\mathrm{d}a}=\frac{\mathrm{d}\delta_{2}}{\mathrm{d}a}=\cdots=\frac{\mathrm{d}\delta_{N}}{\mathrm{d}a}=-1 dadδ1=dadδ2=⋯=dadδN=−1
因而有:
d ln f ( δ 1 ) δ 1 d δ 1 δ 1 + d ln f ( δ 2 ) δ 2 d δ 2 δ 2 + ⋯ + d ln f ( δ N ) δ N d δ N δ N = 0 (3) \frac{\mathrm{d}\ln f(\delta_{1})}{\delta_{1}\mathrm{d}\delta_{1}}\delta_{1}+\frac{\mathrm{d}\ln f(\delta_{2})}{\delta_{2}\mathrm{d}\delta_{2}}\delta_{2}+\cdots+\frac{\mathrm{d}\ln f(\delta_{N})}{\delta_{N}\mathrm{d}\delta_{N}}\delta_{N}=0 \tag{3} δ1dδ1dlnf(δ1)δ1+δ2dδ2dlnf(δ2)δ2+⋯+δNdδNdlnf(δN)δN=0(3)
由于随机误差的抵偿性,有:
δ 1 + δ 2 + ⋯ + δ N = ∑ δ i = 0 (4) \delta_{1}+\delta_{2}+\cdots+\delta_{N}=\sum\delta_{i}=0 \tag{4} δ1+δ2+⋯+δN=∑δi=0(4)
若 (3) 式与 (4) 式同时成立,一定有:
d ln f ( δ 1 ) δ 1 d δ 1 = d ln f ( δ 2 ) δ 2 d δ 2 = ⋯ = d ln f ( δ N ) δ N d δ N = k \frac{\mathrm{d}\ln f(\delta_{1})}{\delta_{1}\mathrm{d}\delta_{1}}=\frac{\mathrm{d}\ln f(\delta_{2})}{\delta_{2}\mathrm{d}\delta_{2}}=\cdots=\frac{\mathrm{d}\ln f(\delta_{N})}{\delta_{N}\mathrm{d}\delta_{N}}=k δ1dδ1dlnf(δ1)=δ2dδ2dlnf(δ2)=⋯=δNdδNdlnf(δN)=k
式中 k k k 为任意常量,现单就任意误差 δ \delta δ 而言,有:
d ln f ( δ ) δ d δ = k \frac{\mathrm{d}\ln f(\delta)}{\delta \mathrm{d}\delta}=k δdδdlnf(δ)=k
将它积分,得:
ln f ( δ ) = 1 2 k δ 2 + ln σ \ln f(\delta)=\frac{1}{2}k\delta^{2}+\ln \sigma lnf(δ)=21kδ2+lnσ
或:
f ( δ ) = c e 1 2 k δ 2 f(\delta)=ce^{\frac{1}{2}k\delta^{2}} f(δ)=ce21kδ2
式中 c c c 为常量。根据随机误差的单峰性,当 δ = 0 \delta=0 δ=0 时, f ( δ ) f(\delta) f(δ) 有最大值,当误差绝对值增大时出现的概率应减小,即上式应在 δ \delta δ 绝对值增加时, f ( δ ) f(\delta) f(δ) 应减小,故指数项必有负号,令 1 2 k = − k 2 \frac{1}{2}k=-k^{2} 21k=−k2,则:
f ( δ ) = c e − k 2 δ 2 f(\delta)=ce^{-k^{2}\delta^{2}} f(δ)=ce−k2δ2
再由误差为 − ∞ -\infty −∞ 至 + ∞ +\infty +∞ 之间时,所有误差出现的概率总和应等于 1,可确定积分常数 c c c:
c ∫ e − k 2 δ 2 d δ = 1 c\int e^{-k^{2}\delta^{2}}\mathrm{d}\delta=1 c∫e−k2δ2dδ=1
求得 c = k π c=\frac{k}{\sqrt{\pi}} c=π k,所以:
f ( δ ) = k π e − k 2 δ 2 f(\delta)=\frac{k}{\sqrt{\pi}}e^{-k^{2}\delta^{2}} f(δ)=π ke−k2δ2
上述推导来自兰州大学实验书中的推导。
注意上述推导中并没有对对数的底数做限制,即不一定非得是 e e e 为底,这是为何?这是因为正态分布函数的底数具有随意性可以在不同底数间互换:
令
A α β = f ( δ ) = k π e − k 2 δ 2 A\alpha^{\beta}=f(\delta)=\frac{k}{\sqrt{\pi}}e^{-k^{2}\delta^{2}} Aαβ=f(δ)=π ke−k2δ2
可得:
f ( δ ) = A α − ln α A π k α − k 2 δ 2 ln α = A ′ α − k ′ 2 δ 2 f(\delta)=A\alpha^{-\ln_{\alpha}\frac{A\sqrt{\pi}}{k}}\alpha^{-\frac{k^{2}\delta^{2}}{\ln \alpha}}=A'\alpha^{-k'^{2}\delta^{2}} f(δ)=Aα−lnαkAπ α−lnαk2δ2=A′α−k′2δ2
上述形式与正态分布形式上无异,性质上也差不多,但是 A ′ A' A′ 和 k ′ k' k′ 中仍然含有 ln \ln ln,这就说明了上述推导并不严谨,但是在何处呢?
现代的对于误差函数的推导是直接利用特征函数,需要分别证明两个东西:
1)中心极限定理;
2)正态分布的再生性。
前者证明了独立同分布的正态分布属性,后者证明了不同正态分布的随机变量之和(假设不同分布的误差变量具有可加性)仍为正态分布。上述两个证明在教材中可以轻易找到。
之所以需要上述两个证明,我们可以举一个例子:
设炮弹射击的目标位置是原点 ( 0 , 0 ) (0,0) (0,0),炮弹的落点为 ( X , Y ) (X,Y) (X,Y),它的一个坐标,例如 X X X,也是落点对目标沿 x x x 轴的偏差, X X X(或 Y Y Y)是随机的。产生偏差的原因有种种:瞄准时有误差 X 1 X_{1} X1,炮弹或炮身结构所引起的误差 X 2 X_{2} X2,空气阻力产生的误差 X 3 X_{3} X3 等等。因而, X X X 可看成这些误差的总和:
X = ∑ i ∑ k X i k = ∑ i X i = ∑ k X k X=\sum_{i}\sum_{k}X_{ik}=\sum_{i}X_{i}=\sum_{k}X_{k} X=i∑k∑Xik=i∑Xi=k∑Xk
其中 X i k X_{ik} Xik 表示第 i i i 种误差的第 k k k 次取值, X i X_{i} Xi 表示第 i i i 中误差的均值, X k X_{k} Xk 表示第 k k k 个所有不同分布下的误差的平均值,后一种解释是非常重要的,其说明了不同分布的随机变量相加之后再去看平均值也是遵循正态分布的,这种多分布下变通的理解是非常重要的。
高斯分布——在误差测量中的推导相关推荐
- 非球面测量中全息误差的处理
**本文转载自微信公众号-光学资讯 计算全息是一种快速测量非球面的方法.但要注意尽量减少测量误差. 在许多光学系统中,非球面透镜因其高光学性能.轻量化和紧凑的外形尺寸而优于传统的球面透镜.然而,测量非 ...
- c语言摄影测量共线方程,摄影测量中的共线条件方程
<摄影测量中的共线条件方程>由会员分享,可在线阅读,更多相关<摄影测量中的共线条件方程(42页珍藏版)>请在人人文库网上搜索. 1.2-5 共线条件方程,共线条件方程,已知不同 ...
- 测绘计算机编程在在道路中的应用,CASIO系列编程计算器在公路测量中的应用.doc...
CASIO系列编程计算器在公路测量中的应用 关于CASIO系列可编程计算器在公路施工测量中的应用 2008-03-04 17:54 分类:测绘 字号: 大大? 中中? 小小 ???????? 前言:传 ...
- 《3D ISP核心技术算法》系列(1)——ToF测量中的多径现象与消除方法
<3D ISP核心技术算法>系列文章是上海数迹智能科技有限公司结合自身多年来在3D ISP技术方向上的积累,推出的系列型科普文章.系列文章将对影响3D成像质量的主要问题逐一进行讲解,深入浅 ...
- 热分析技术清单:导热材料热扩散系数闪光法测量中的样品厚度选择
本文由"上海依阳实业有限公司"原创 原文网址:http://www.eyoungindustry.com/2013/1024/45.html 摘要:本文主要针对各向同性.有限尺寸. ...
- 高程计算机编程序,卡西欧CASIO系列编程计算器在公路测量中的应用.doc
关于CASIO系列可编程计算器在公路施工测量中的应用 摘要:CASIO系列可编程计算器在公路施工测量工作中,只需输入里程,即可提供线路任意点坐标.高程.并解决了缓和曲线段以知线外任意点坐标,求对应线路 ...
- 关于倾斜测量中的“无感惯导”
文章目录 一.什么叫倾斜测量? 二.倾斜测量原理? 三. 为什么需要无感惯导? 四. 武大关于倾斜测量的方法 第一次听说"无感惯导"这个概念,我本来以为是什么惯导新算法,后来发现应 ...
- 图像传感器binning_CCD的Binning技术在光信号测量中的应用研究
CCD 的 Binning 技术在光信号测量中的应用研究* 韦晓茹,蔡志坚,居戬之 [摘 要] 摘要:为了降低 CCD 噪声,提高信噪比,根据噪声的特性,提出用 CCD 的 Binning 技术用于噪 ...
- 干涉测量中的衍射效应
1.引言 干涉测量中的误差包含随机误差与系统误差.通过多次测量取平均值可以减少随机误差,但是系统误差无法平均.衍射效应引起的误差,如几何误差,是系统性的,不能通过取平均的方式来减少.如果未校准,他们将 ...
最新文章
- 作为候选人,你需要问些什么?你需要查些什么?这些关乎你的利益和未来!
- 考前多熟记的知识点(1)~(3)《系统集成项目管理工程师软考辅导》
- ArrayList、LinkedList、 Vector、Map 用法比较
- gradle 上传jar包_gradle 打包jar上传到nexus 同时上传源码jar
- Java零基础如何去学习Java编程
- 安装DelayExchange插件
- 细胞分裂java移植_胚胎移植前,先调理好你的子宫内膜!
- 怎么通过media foundation将图像数据写入虚拟摄像头_[Camera]摄像头镜像
- java中int转成String位数不足前面补零 java格式化2位数不足补零
- Web框架——Flask系列之abort函数与自定义异常处理(十三)
- pcl里面的3D特征
- 强大的PHP给图片加水印
- Postgres不同数据库间访问
- 剑指offer——面试题37:两个链表的第一个公共结点
- 斯诺登给普通人开发了个「反监控」的 App
- 单片机控制点阵字符显示及字模提取原理
- Matlab在线运行网址
- java spy_Java Spy - 代码跟踪神器
- 拓扑结构计算机网络结构,什么是计算机网络的拓扑结构
- WTL自绘界面库(CQsButton)
热门文章
- vue实现3D饼状图
- 2021年处暑是什么时候?处暑的习俗有哪些?
- Notion-我的最后一款笔记应用
- 如何把PDF文档转换成TXT格式文件
- Tcl/tk实例-工具栏和菜单-图片预览工具
- Android菜鸟的成长笔记(3)——给QQ登录界面说So Easy
- AIX AIO, DIO, CIO
- C++学习从基础到高阶(基于黑马程序员教程)
- 我的世界java版控制键_我的世界:教你几个实用的快捷键小技巧,萌新可能对此一无所知!...
- [C/C++]_[初级]_[static_cast,reinterpret_cast,dynimic_cast的使用场景和区别]