บทนำ. การประมวลผลผลการวัดในทางปฏิบัติทางกายภาพ การวัดและข้อผิดพลาดในการวัด การวิเคราะห์ผลการวัดโดยตรง
ข้อผิดพลาดแบบสุ่มมีคุณสมบัติดังต่อไปนี้
ด้วยการวัดจำนวนมาก ความคลาดเคลื่อนในขนาดเดียวกันแต่เครื่องหมายตรงข้ามเกิดขึ้นบ่อยเท่าๆ กัน
ข้อผิดพลาดขนาดใหญ่มีโอกาสเกิดขึ้นน้อยกว่าข้อผิดพลาดเล็กน้อย จากความสัมพันธ์ (1) เขียนใหม่ในรูปแบบ
X \u003d x 1 + x 1
X = x 2 + x 2
X = x n + x น
และบวกกันในคอลัมน์สามารถกำหนดมูลค่าที่แท้จริงของค่าที่วัดได้ดังนี้
หรือ
.
(2)
เหล่านั้น. มูลค่าที่แท้จริงของปริมาณที่วัดได้จะเท่ากับค่าเฉลี่ยเลขคณิตของผลการวัดหากมีจำนวนอนันต์ ด้วยค่าที่จำกัดและมากกว่านั้นด้วยการวัดจำนวนเล็กน้อย ซึ่งเรามักจะจัดการในทางปฏิบัติ ความเท่าเทียมกัน (2) จึงเป็นค่าโดยประมาณ
ให้ค่าต่อไปนี้ของปริมาณที่วัดได้ X เป็นผลมาจากการวัดหลายครั้ง: 13.4; 13.2; 13.3; 13.4; 13.3; 13.2; 13.1; 13.3; 13.3; 13.2; 13.3; 13.1. มาสร้างไดอะแกรมการกระจายตัวของผลลัพธ์เหล่านี้ โดยพล็อตการอ่านค่าเครื่องมือตามแกน abscissa ตามลำดับจากน้อยไปมาก ระยะห่างระหว่างจุดที่อยู่ติดกันตามแกน abscissa เท่ากับสองเท่าของข้อผิดพลาดในการอ่านสูงสุดบนอุปกรณ์ ในกรณีของเรา การนับถอยหลังทำได้ถึง 0.1 นี่เท่ากับหนึ่งส่วนของมาตราส่วนที่มีเครื่องหมายบนแกน x บนแกน y เราพล็อตค่าตามสัดส่วนกับจำนวนสัมพัทธ์ของผลลัพธ์ที่สอดคล้องกับการอ่านเครื่องมืออย่างใดอย่างหนึ่งหรืออย่างอื่น จำนวนสัมพัทธ์หรือความถี่สัมพัทธ์ของผลลัพธ์เท่ากับ x k จะแสดงด้วย W(x k) ในกรณีของเรา
เรากำหนด x แต่ละตัวให้กับ
(3)
โดยที่ A คือสัมประสิทธิ์ของสัดส่วน
ไดอะแกรมซึ่งเรียกว่าฮิสโตแกรมแตกต่างจากกราฟปกติตรงที่จุดต่างๆ ไม่ได้เชื่อมต่อกันด้วยเส้นโค้งเรียบ แต่มีการวาดขั้นตอนผ่านจุดเหล่านั้น เห็นได้ชัดว่าพื้นที่ของขั้นตอนเหนือค่า x k เป็นสัดส่วนกับความถี่สัมพัทธ์ของผลลัพธ์นี้ โดยการเลือกสัมประสิทธิ์สัดส่วนในนิพจน์ (3) ด้วยวิธีที่เหมาะสม พื้นที่นี้สามารถทำให้เท่ากับความถี่สัมพัทธ์ของผลลัพธ์ x k จากนั้นผลรวมของพื้นที่ของขั้นตอนทั้งหมดเป็นผลรวมของความถี่สัมพัทธ์ของทั้งหมด ผลลัพธ์ควรเท่ากับหนึ่ง
จากตรงนี้เราจะพบ A=10 เงื่อนไข (4) เรียกว่าเงื่อนไขการทำให้เป็นมาตรฐานสำหรับฟังก์ชัน (3)
หากคุณสร้างชุดการวัดที่มี n การวัดในแต่ละชุด ดังนั้นความถี่สัมพัทธ์ของค่าเดียวกัน x k ที่หาได้จากอนุกรมที่ต่างกันจะมีความแตกต่างกันอย่างมีนัยสำคัญ เมื่อจำนวนการวัดในอนุกรมเพิ่มขึ้น ความผันผวนของค่า W(x k) จะลดลง และค่าเหล่านี้เข้าใกล้จำนวนคงที่ซึ่งเรียกว่าความน่าจะเป็นของผลลัพธ์ x k และแสดงด้วย P (x k ).
ให้เราสมมติว่าในขณะที่ทำการทดสอบ เราจะไม่นับผลลัพธ์เป็นดิวิชั่นทั้งหมดของสเกลหรือการแชร์ของพวกมัน แต่เราสามารถแก้ไขจุดที่ลูกศรหยุดลงได้ จากนั้น สำหรับการวัดจำนวนมากอย่างไม่สิ้นสุด ลูกศรจะไปที่แต่ละจุดบนมาตราส่วน การกระจายผลการวัดในกรณีนี้ได้อักขระต่อเนื่อง และแทนที่จะอธิบายฮิสโตแกรมแบบขั้นบันได y=f(x) เส้นโค้งต่อเนื่อง จากคุณสมบัติของข้อผิดพลาดแบบสุ่ม สามารถสรุปได้ว่าเส้นโค้งนั้นต้องมีความสมมาตร ดังนั้น ค่าสูงสุดของเส้นโค้งนั้นจึงอยู่ที่ค่าเฉลี่ยเลขคณิตของผลการวัด ซึ่งเท่ากับค่าจริงของปริมาณที่วัดได้ ในกรณีของการกระจายผลการวัดอย่างต่อเนื่อง จะไม่มี
มันสมเหตุสมผลแล้วที่จะพูดถึงความน่าจะเป็นของค่าใด ๆ ของพวกเขาเพราะ มีค่าใกล้เคียงกับค่าที่พิจารณาโดยพลการ ตอนนี้เราควรตั้งคำถามถึงความน่าจะเป็นที่จะพบกันระหว่างการวัดผลในช่วงเวลาหนึ่งรอบค่าของ x k เท่ากับ
,
. เช่นเดียวกับในฮิสโตแกรมความถี่สัมพัทธ์ของผลลัพธ์ x เพื่อเท่ากับพื้นที่ของขั้นตอนที่สร้างขึ้นเหนือผลลัพธ์นี้ บนกราฟสำหรับการแจกแจงแบบต่อเนื่องความน่าจะเป็นที่จะพบผลลัพธ์ในช่วงเวลา (
,
) เท่ากับพื้นที่ของสี่เหลี่ยมคางหมูโค้งที่สร้างขึ้นในช่วงเวลานี้และล้อมรอบด้วยเส้นโค้ง f(x) สัญกรณ์ทางคณิตศาสตร์ของผลลัพธ์นี้คือ
ถ้า
น้อย กล่าวคือ พื้นที่ของสี่เหลี่ยมคางหมูโค้งแรเงาจะถูกแทนที่ด้วยพื้นที่โดยประมาณของรูปสี่เหลี่ยมผืนผ้าที่มีฐานเดียวกันและมีความสูงเท่ากับ f(xk) ฟังก์ชัน f(x) เรียกว่าความหนาแน่นของความน่าจะเป็นของการแจกแจงผลการวัด ความน่าจะเป็นที่จะพบ x ในช่วงเวลาหนึ่งเท่ากับความหนาแน่นของความน่าจะเป็นสำหรับช่วงเวลาที่กำหนดคูณด้วยความยาว
เส้นโค้งการกระจายของผลการวัดที่ได้รับจากการทดลองสำหรับส่วนของมาตราส่วนเครื่องมือ หากยังคงดำเนินต่อไป การคาดคะเนแกนแอบซิสซาจากด้านซ้ายและขวาอย่างไม่มีอาการ อธิบายได้ดีในเชิงวิเคราะห์โดยฟังก์ชันของแบบฟอร์ม
(5)
เช่นเดียวกับพื้นที่ทั้งหมดของขั้นตอนทั้งหมดบนฮิสโตแกรมเท่ากับหนึ่งพื้นที่ทั้งหมดระหว่างเส้นโค้ง f (x) กับแกน abscissa ซึ่งมีความหมายว่ามีความน่าจะเป็นที่จะพบค่า x อย่างน้อยในช่วง การวัดก็เท่ากับหนึ่งเช่นกัน การแจกแจงที่อธิบายโดยฟังก์ชันนี้เรียกว่าการแจกแจงแบบปกติ พารามิเตอร์หลักของการแจกแจงแบบปกติคือความแปรปรวน 2 . ค่าประมาณของการกระจายตัวสามารถหาได้จากผลการวัดโดยใช้สูตร
(6)
สูตรนี้ให้การกระจายใกล้กับค่าจริงสำหรับการวัดจำนวนมากเท่านั้น ตัวอย่างเช่น σ 2 จากผลการวัด 100 ครั้ง อาจมีความคลาดเคลื่อนจากค่าจริง 15% พบจากการวัด 10 ครั้งแล้ว 40% ความแปรปรวนกำหนดรูปร่างของเส้นโค้งการกระจายแบบปกติ เมื่อข้อผิดพลาดแบบสุ่มมีขนาดเล็ก การกระจาย ดังต่อไปนี้จาก (6) จะเล็ก เส้นโค้ง f(x) ในกรณีนี้จะแคบและคมชัดกว่าเมื่อใกล้กับค่าจริงของ X และมีแนวโน้มที่จะเป็นศูนย์เร็วกว่าเมื่อเคลื่อนออกจากค่านั้นมากกว่าข้อผิดพลาดขนาดใหญ่ รูปต่อไปนี้จะแสดงให้เห็นว่ารูปแบบของเส้นโค้ง f(x) สำหรับการแจกแจงแบบปกติเปลี่ยนแปลงอย่างไรขึ้นอยู่กับ σ
ในทฤษฎีความน่าจะเป็นนั้นพิสูจน์แล้วว่าถ้าเราไม่พิจารณาการกระจายของผลการวัด แต่การกระจายของค่าเฉลี่ยเลขคณิตที่พบจากชุดของการวัด n ในแต่ละชุดก็เป็นไปตามกฎปกติ แต่มีการกระจาย ที่เล็กกว่า n เท่า
ความน่าจะเป็นที่จะพบผลการวัดในช่วงเวลาหนึ่ง (
) ใกล้ค่าที่แท้จริงของค่าที่วัดได้เท่ากับพื้นที่ของสี่เหลี่ยมคางหมูโค้งที่สร้างขึ้นในช่วงเวลานี้และล้อมรอบด้วยเส้นโค้ง f(x) จากด้านบน ค่าช่วงเวลา
มักจะวัดเป็นหน่วยตามสัดส่วนกับรากที่สองของความแปรปรวน
ขึ้นอยู่กับค่าของ k ต่อช่วงเวลา
มีสี่เหลี่ยมคางหมูโค้งของพื้นที่ขนาดใหญ่หรือเล็กกว่าเช่น
โดยที่ F(k) เป็นฟังก์ชันบางอย่างของ k การคำนวณแสดงว่า for
k=1,
k=2,
k=3,
นี่แสดงว่าในช่วงเวลานั้น
คิดเป็นประมาณ 95% ของพื้นที่ใต้เส้นโค้ง f(x) ข้อเท็จจริงนี้เป็นข้อตกลงอย่างสมบูรณ์กับคุณสมบัติที่สองของข้อผิดพลาดแบบสุ่ม ซึ่งระบุว่าข้อผิดพลาดขนาดใหญ่ไม่น่าจะเกิดขึ้น ข้อผิดพลาดมากกว่า
เกิดขึ้นด้วยความน่าจะเป็นน้อยกว่า 5% นิพจน์ (7) ที่เขียนใหม่สำหรับการแจกแจงค่าเฉลี่ยเลขคณิตของการวัด n จะใช้รูปแบบ
(8)
ค่า ใน (7) และ (8) สามารถกำหนดได้บนพื้นฐานของผลการวัดเท่านั้นโดยประมาณโดยสูตร (6)
แทนค่านี้ ในนิพจน์ (8) เราจะไปทางขวาไม่ใช่ F (k) แต่ฟังก์ชั่นใหม่บางอย่างขึ้นอยู่กับขนาดของช่วงเวลาที่พิจารณาของค่า X เท่านั้น แต่ยังขึ้นอยู่กับจำนวนการวัดที่ทำ
และ
เพราะ สำหรับการวัดจำนวนมากเท่านั้น สูตร (6) จะมีความแม่นยำเพียงพอ
เมื่อแก้ไขระบบความไม่เท่าเทียมกันสองอย่างในวงเล็บทางด้านซ้ายของนิพจน์นี้เทียบกับค่าที่แท้จริงของ X แล้ว เราสามารถเขียนมันใหม่ในรูปแบบ
นิพจน์ (9) กำหนดความน่าจะเป็นที่ค่าที่แท้จริงของ X อยู่ในช่วงระยะเวลาหนึ่ง เกี่ยวกับความคุ้มค่า . ความน่าจะเป็นในทฤษฎีข้อผิดพลาดนี้เรียกว่า ความน่าเชื่อถือ และช่วงเวลาที่สอดคล้องกับค่าจริง เรียกว่า ช่วงความเชื่อมั่น การทำงาน
คำนวณขึ้นอยู่กับ t n และ n และได้รวบรวมตารางรายละเอียดแล้ว ตารางมี 2 อินพุต: pt n และ n ด้วยความช่วยเหลือของมันสำหรับจำนวนการวัดที่กำหนด n เป็นไปได้ที่จะค้นหาโดยให้ค่าความน่าเชื่อถือ Р ค่าของ t n เรียกว่าค่าสัมประสิทธิ์ของนักเรียน
การวิเคราะห์ตารางแสดงให้เห็นว่าสำหรับการวัดจำนวนหนึ่งที่มีความต้องการความน่าเชื่อถือที่เพิ่มขึ้น เราได้รับค่าที่เพิ่มขึ้นของ t n เช่น การเพิ่มช่วงความมั่นใจ ความน่าเชื่อถือเท่ากับหนึ่งจะสอดคล้องกับช่วงความเชื่อมั่นเท่ากับอนันต์ ด้วยความน่าเชื่อถือที่แน่นอน เราสามารถทำให้ช่วงความเชื่อมั่นสำหรับค่าจริงแคบลงโดยการเพิ่มจำนวนการวัด เนื่องจาก S n ไม่เปลี่ยนแปลงมากนัก และ ลดลงทั้งโดยการลดตัวเศษและการเพิ่มตัวส่วน เมื่อทำการทดสอบจำนวนมากเพียงพอแล้ว จึงเป็นไปได้ที่จะสร้างช่วงความเชื่อมั่นของค่าเล็กน้อยใดๆ แต่สำหรับ n จำนวนมาก การเพิ่มขึ้นอีกในจำนวนการทดลองจะลดช่วงความเชื่อมั่นลงอย่างช้าๆ และปริมาณงานคำนวณเพิ่มขึ้นอย่างมาก บางครั้งในทางปฏิบัติจะสะดวกที่จะใช้กฎโดยประมาณ: เพื่อลดช่วงความเชื่อมั่นที่พบจากการวัดจำนวนเล็กน้อยหลายครั้ง จำเป็นต้องเพิ่มจำนวนการวัดด้วยปัจจัยเดียวกัน
ตัวอย่างการประมวลผลผลการวัดโดยตรง
ลองใช้ข้อมูลการทดลองสามผลลัพธ์แรกจาก 12 รายการตามที่สร้างฮิสโตแกรม X: 13.4; 13.2; 13.3.
ลองถามตัวเราเองถึงความน่าเชื่อถือ ซึ่งปกติแล้วจะได้รับการยอมรับในห้องปฏิบัติการเพื่อการศึกษา P = 95% จากตารางสำหรับ P = 0.95 และ n = 3 เราพบ t n = 4.3
หรือ
ด้วยความน่าเชื่อถือ 95% ผลลัพธ์สุดท้ายมักจะเขียนเป็นความเท่าเทียมกัน
หากช่วงความเชื่อมั่นของค่าดังกล่าวไม่เหมาะสม (เช่น ในกรณีที่ข้อผิดพลาดของเครื่องมือวัดเป็น 0.1) และเราต้องการลดค่าลงครึ่งหนึ่ง เราควรเพิ่มจำนวนการวัดเป็นสองเท่า
หากเราเอา เช่น 6 ค่าสุดท้ายของผลลัพธ์ 12 อันเดียวกัน (สำหรับ 6 ค่าแรกแนะนำให้ทำการคำนวณเอง)
X: 13.1; 13.3; 13.3; 13.2; 13.3; 13.1,
แล้ว
ค่าของสัมประสิทธิ์ t n หาได้จากตารางสำหรับ Р = 0.95 และ n = 6; ตัน = 2.6.
ในกรณีนี้
ลองพลอตช่วงความเชื่อมั่นสำหรับค่าจริงในกรณีแรกและตัวที่สองบนแกนตัวเลขกัน
ช่วงเวลาที่คำนวณจากการวัด 6 ครั้งเป็นไปตามที่คาดไว้ภายในช่วงเวลาที่พบจากการวัดสามครั้ง
ข้อผิดพลาดของเครื่องมือทำให้เกิดข้อผิดพลาดอย่างเป็นระบบในผลลัพธ์ ซึ่งขยายช่วงความเชื่อมั่นที่แสดงบนแกน 0.1 ดังนั้นผลลัพธ์ที่เขียนโดยคำนึงถึงข้อผิดพลาดของเครื่องมือจึงมีรูปแบบ
1)
2)
ในกรณีทั่วไป ขั้นตอนการประมวลผลผลลัพธ์ของการวัดโดยตรงมีดังนี้ (สันนิษฐานว่าไม่มีข้อผิดพลาดอย่างเป็นระบบ)
กรณีที่ 1จำนวนการวัดน้อยกว่าห้า
1) ตามสูตร (6) จะพบผลลัพธ์โดยเฉลี่ย xกำหนดเป็นค่าเฉลี่ยเลขคณิตของผลลัพธ์ของการวัดทั้งหมด กล่าวคือ
2) ตามสูตร (12) ข้อผิดพลาดที่แน่นอนของการวัดแต่ละรายการจะถูกคำนวณ
.
3) ตามสูตร (14) ค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ยจะถูกกำหนด
.
4) ตามสูตร (15) คำนวณข้อผิดพลาดสัมพัทธ์เฉลี่ยของผลการวัด
.
5) บันทึกผลสุดท้ายในรูปแบบต่อไปนี้:
, ที่
.
กรณีที่ 2. จำนวนการวัดมากกว่าห้า
1) ตามสูตร (6) จะพบผลลัพธ์โดยเฉลี่ย
.
2) ตามสูตร (12) ข้อผิดพลาดที่แน่นอนของการวัดแต่ละรายการจะถูกกำหนด
.
3) ตามสูตร (7) จะคำนวณความคลาดเคลื่อนกำลังสองเฉลี่ยของการวัดครั้งเดียว
.
4) คำนวณค่าเบี่ยงเบนมาตรฐานสำหรับค่าเฉลี่ยของค่าที่วัดได้โดยใช้สูตร (9)
.
5) ผลสุดท้ายจะถูกบันทึกไว้ในแบบฟอร์มต่อไปนี้
.
บางครั้งข้อผิดพลาดในการวัดแบบสุ่มอาจน้อยกว่าค่าที่อุปกรณ์วัด (เครื่องมือ) สามารถลงทะเบียนได้ ในกรณีนี้ สำหรับการวัดจำนวนเท่าใดก็ได้ จะได้ผลลัพธ์เดียวกัน ในกรณีดังกล่าว เป็นค่าคลาดเคลื่อนสัมบูรณ์โดยเฉลี่ย
ใช้การแบ่งส่วนของเครื่องมือ (เครื่องมือ) ครึ่งหนึ่ง ค่านี้บางครั้งเรียกว่าการจำกัดหรือข้อผิดพลาดของเครื่องมือและแสดงแทน
(สำหรับเวอร์เนียร์และนาฬิกาจับเวลา
เท่ากับความเที่ยงตรงของเครื่องมือ)
การประเมินความน่าเชื่อถือของผลการวัด
ในการทดลองใดๆ จำนวนของการวัดปริมาณทางกายภาพมักจะถูกจำกัดด้วยเหตุผลอย่างใดอย่างหนึ่ง เนื่องจาก กับนี่อาจเป็นงานในการประเมินความน่าเชื่อถือของผลลัพธ์ กล่าวอีกนัยหนึ่ง กำหนดด้วยความน่าจะเป็นที่สามารถโต้แย้งได้ว่าข้อผิดพลาดที่เกิดขึ้นในกรณีนี้ไม่เกินค่าที่กำหนดไว้ ε ความน่าจะเป็นนี้เรียกว่าความน่าจะเป็นของความมั่นใจ ลองแสดงมันด้วยตัวอักษร
ปัญหาผกผันสามารถกำหนดได้: เพื่อกำหนดขอบเขตของช่วงเวลา
เพื่อให้มีความน่าจะเป็น
อาจกล่าวได้ว่ามูลค่าที่แท้จริงของการวัดปริมาณ
จะไม่เกินกว่าที่กำหนดซึ่งเรียกว่าช่วงความเชื่อมั่น
ช่วงความเชื่อมั่นเป็นตัวกำหนดความถูกต้องของผลลัพธ์ที่ได้ และช่วงความเชื่อมั่นเป็นตัวกำหนดลักษณะความน่าเชื่อถือ วิธีการแก้ปัญหาทั้งสองกลุ่มนี้มีอยู่และได้รับการพัฒนาอย่างละเอียดโดยเฉพาะในกรณีที่มีการกระจายข้อผิดพลาดในการวัดตามกฎปกติ ทฤษฎีความน่าจะเป็นยังมีวิธีการกำหนดจำนวนการทดลอง (การวัดซ้ำ) ที่ให้ความแม่นยำและความน่าเชื่อถือของผลลัพธ์ที่คาดหวัง ในงานนี้ วิธีการเหล่านี้ไม่ได้รับการพิจารณา (เราจะจำกัดตัวเองให้กล่าวถึงวิธีการเหล่านี้) เนื่องจากงานดังกล่าวมักจะไม่ถูกจัดวางเมื่อปฏิบัติงานในห้องปฏิบัติการ
อย่างไรก็ตาม สิ่งที่น่าสนใจเป็นพิเศษคือกรณีของการประเมินความน่าเชื่อถือของผลลัพธ์ของการวัดปริมาณทางกายภาพด้วยการวัดซ้ำในจำนวนที่น้อยมาก ตัวอย่างเช่น,
. นี่เป็นกรณีที่เรามักพบบ่อยในการปฏิบัติงานในห้องปฏิบัติการทางฟิสิกส์ ในการแก้ปัญหาประเภทนี้ แนะนำให้ใช้วิธีการโดยยึดหลักการกระจายตัวของนักเรียน (กฎหมาย)
เพื่อความสะดวกในการใช้งานจริงของวิธีการที่อยู่ระหว่างการพิจารณา มีตารางที่คุณสามารถกำหนดช่วงความเชื่อมั่นได้
สอดคล้องกับระดับความเชื่อมั่นที่กำหนดหรือแก้ปัญหาผกผัน
ด้านล่างนี้คือส่วนต่างๆ ของตารางที่กล่าวถึงซึ่งอาจจำเป็นในการประเมินผลการวัดในชั้นเรียนในห้องปฏิบัติการ
ให้ตัวอย่างเช่นผลิต เท่ากัน (ภายใต้เงื่อนไขเดียวกัน) การวัดปริมาณทางกายภาพบางอย่าง และคำนวณมูลค่าเฉลี่ย . จำเป็นต้องหาช่วงความเชื่อมั่น สอดคล้องกับระดับความเชื่อมั่นที่กำหนด . โดยทั่วไปปัญหาจะได้รับการแก้ไขด้วยวิธีต่อไปนี้
ตามสูตรโดยคำนึงถึง (7) คำนวณ
จากนั้นสำหรับค่าที่กำหนด นและหาตามตาราง (ตารางที่ 2) ค่า . ค่าที่คุณกำลังมองหาคำนวณจากสูตร
(16)
เมื่อแก้ปัญหาผกผัน พารามิเตอร์จะถูกคำนวณก่อนโดยใช้สูตร (16) ค่าที่ต้องการของความน่าจะเป็นของความเชื่อมั่นนั้นนำมาจากตาราง (ตารางที่ 3) สำหรับตัวเลขที่กำหนด และค่าพารามิเตอร์ที่คำนวณได้ .
ตารางที่ 2ค่าพารามิเตอร์สำหรับจำนวนการทดลองที่กำหนด
และระดับความมั่นใจ
ตารางที่ 3ค่าของความน่าจะเป็นของความเชื่อมั่นสำหรับการทดลองจำนวนหนึ่ง นและพารามิเตอร์ ε
บทบัญญัติหลักของวิธีการประมวลผลผลลัพธ์ของการวัดโดยตรงด้วยการสังเกตหลายครั้งถูกกำหนดไว้ใน GOST 8.207-76
ใช้เป็นผลการวัด เฉลี่ย ข้อมูล นการสังเกตซึ่งไม่รวมข้อผิดพลาดอย่างเป็นระบบ สันนิษฐานว่าผลลัพธ์ของการสังเกตหลังจากการยกเว้นข้อผิดพลาดอย่างเป็นระบบจากข้อผิดพลาดนั้นเป็นของการแจกแจงแบบปกติ ในการคำนวณผลลัพธ์ของการวัด จำเป็นต้องแยกข้อผิดพลาดอย่างเป็นระบบออกจากการสังเกตแต่ละครั้งและด้วยเหตุนี้จึงได้ผลลัพธ์ที่แก้ไข ผม- การสังเกต ค่าเฉลี่ยเลขคณิตของผลลัพธ์ที่แก้ไขเหล่านี้จะถูกคำนวณและนำมาเป็นผลการวัด ค่าเฉลี่ยเลขคณิตเป็นการประมาณการที่สม่ำเสมอ ไม่มีอคติ และมีประสิทธิภาพภายใต้การแจกแจงแบบปกติของข้อมูลเชิงสังเกต
ควรสังเกตว่าบางครั้งในวรรณคดีแทนคำว่า ผลการสังเกตบางครั้งก็ใช้คำนี้ ผลการวัดเดี่ยวซึ่งไม่รวมข้อผิดพลาดอย่างเป็นระบบ ในเวลาเดียวกัน ค่าเฉลี่ยเลขคณิตเป็นที่เข้าใจกันว่าเป็นผลการวัดในชุดการวัดหลายชุด สิ่งนี้ไม่ได้เปลี่ยนสาระสำคัญของขั้นตอนการประมวลผลผลลัพธ์ที่แสดงด้านล่าง
เมื่อประมวลผลกลุ่มผลการสังเกตทางสถิติ ควรทำสิ่งต่อไปนี้: การดำเนินงาน :
1. ขจัดข้อผิดพลาดที่เป็นระบบที่ทราบจากการสังเกตแต่ละครั้งและรับผลลัพธ์ที่ถูกต้องจากการสังเกตแต่ละครั้ง x.
2. คำนวณค่าเฉลี่ยเลขคณิตของผลการสังเกตที่แก้ไขแล้ว นำมาจากผลการวัด:
3. คำนวณค่าประมาณของค่าเบี่ยงเบนมาตรฐาน
กลุ่มสังเกตการณ์:
ตรวจสอบห้องว่าง ผิดพลาดอย่างมหันต์ – มีค่าใดเกิน ±3 . หรือไม่ ส. ด้วยกฎการแจกแจงแบบปกติที่มีความน่าจะเป็นเท่ากับ 1 (0.997) ค่าของความแตกต่างนี้ไม่ควรเกินขีดจำกัดที่ระบุ หากเป็นเช่นนั้น ค่าที่สอดคล้องกันควรถูกแยกออกจากการพิจารณา และการคำนวณและการประเมินควรทำซ้ำอีกครั้ง เอส
4. คำนวณค่าประมาณ RMS ของผลการวัด (ค่าเฉลี่ย
เลขคณิต)
5. ทดสอบสมมติฐานเกี่ยวกับการแจกแจงแบบปกติของผลการสังเกต
มีวิธีการประมาณหลายวิธีในการตรวจสอบความปกติของการกระจายผลการสังเกต บางคนได้รับใน GOST 8.207-76 หากจำนวนการสังเกตน้อยกว่า 15 ตาม GOST นี้จะไม่ตรวจสอบการแจกแจงแบบปกติ ขีดจำกัดความเชื่อมั่นของข้อผิดพลาดแบบสุ่มจะถูกกำหนดก็ต่อเมื่อทราบล่วงหน้าว่าผลการสังเกตเป็นของการกระจายนี้ โดยประมาณ ลักษณะของการกระจายสามารถตัดสินได้โดยการสร้างฮิสโตแกรมของผลการสังเกต วิธีการทางคณิตศาสตร์สำหรับการตรวจสอบความปกติของการแจกแจงจะกล่าวถึงในเอกสารเฉพาะทาง
6. คำนวณขีดจำกัดความเชื่อมั่น e ของข้อผิดพลาดแบบสุ่ม (องค์ประกอบสุ่มของข้อผิดพลาด) ของผลการวัด
ที่ไหน tq- ค่าสัมประสิทธิ์นักเรียน ขึ้นอยู่กับจำนวนการสังเกตและระดับความมั่นใจ ตัวอย่างเช่น เมื่อ น= 14, พี= 0,95 tq= 2.16. ค่าของสัมประสิทธิ์นี้มีให้ในภาคผนวกของมาตรฐานที่ระบุ
7. คำนวณขีด จำกัด ของข้อผิดพลาดเชิงระบบทั้งหมดที่ไม่ยกเว้น (TSE) ของผลการวัด Q (ตามสูตรในหัวข้อ 4.6)
8. วิเคราะห์อัตราส่วนของ Q และ :
หาก แสดงว่า NSP ถูกละเลยเมื่อเปรียบเทียบกับข้อผิดพลาดแบบสุ่ม และขีดจำกัดข้อผิดพลาดของผลลัพธ์ ด=อี..ถ้า > 8 ข้อผิดพลาดแบบสุ่มสามารถละเลยและขีดจำกัดข้อผิดพลาดของผลลัพธ์ ด=Θ . หากไม่พบความไม่เท่าเทียมกันทั้งสอง ระยะขอบของข้อผิดพลาดของผลลัพธ์จะพบโดยการสร้างองค์ประกอบของการแจกแจงข้อผิดพลาดแบบสุ่มและ NSP ตามสูตร: , โดยที่ ถึง– ค่าสัมประสิทธิ์ขึ้นอยู่กับอัตราส่วนของข้อผิดพลาดแบบสุ่มและ NSP ส อี- การประเมินค่าเบี่ยงเบนมาตรฐานรวมของผลการวัด การประมาณค่าเบี่ยงเบนมาตรฐานทั้งหมดคำนวณโดยสูตร:
.
ค่าสัมประสิทธิ์ K คำนวณโดยสูตรเชิงประจักษ์:
.
ระดับความเชื่อมั่นในการคำนวณและต้องเท่ากัน
ข้อผิดพลาดจากการใช้สูตรสุดท้ายสำหรับการจัดองค์ประกอบของชุดเครื่องแบบ (สำหรับ NSP) และการกระจายแบบปกติ (สำหรับข้อผิดพลาดแบบสุ่ม) ถึง 12% ที่ระดับความเชื่อมั่นที่ 0.99
9. บันทึกผลการวัด มีสองตัวเลือกสำหรับการเขียนผลการวัด เนื่องจากจำเป็นต้องแยกความแตกต่างระหว่างการวัด เมื่อได้มูลค่าของปริมาณที่วัดได้เป็นเป้าหมายสูงสุด และการวัด ผลลัพธ์จะถูกใช้สำหรับการคำนวณหรือการวิเคราะห์เพิ่มเติม
ในกรณีแรก การทราบข้อผิดพลาดรวมของผลการวัดก็เพียงพอแล้ว และด้วยข้อผิดพลาดความเชื่อมั่นแบบสมมาตร ผลการวัดจะแสดงในรูปแบบ: , โดยที่
ผลการวัดอยู่ที่ไหน
ในกรณีที่สอง ควรทราบลักษณะของส่วนประกอบของข้อผิดพลาดในการวัด - การประมาณค่าเบี่ยงเบนมาตรฐานของผลการวัด ขอบเขตของ NSP จำนวนการสังเกตที่ทำ ในกรณีที่ไม่มีข้อมูลเกี่ยวกับรูปแบบของฟังก์ชันการกระจายขององค์ประกอบข้อผิดพลาดของผลลัพธ์และความจำเป็นในการประมวลผลผลลัพธ์หรือการวิเคราะห์ข้อผิดพลาดเพิ่มเติม ผลการวัดจะแสดงในรูปแบบ:
หากขอบเขตของ NSP คำนวณตามข้อ 4.6 ความน่าจะเป็นของความเชื่อมั่น P จะถูกระบุเพิ่มเติม
ค่าประมาณและอนุพันธ์ของค่าสามารถแสดงได้ทั้งในรูปแบบสัมบูรณ์ นั่นคือ ในหน่วยของปริมาณที่วัดได้ และแบบสัมพัทธ์ นั่นคือ เป็นอัตราส่วนของค่าสัมบูรณ์ของปริมาณที่กำหนดต่อผลการวัด ในกรณีนี้ การคำนวณตามสูตรของส่วนนี้ควรทำโดยใช้ปริมาณที่แสดงในรูปแบบสัมบูรณ์หรือแบบสัมพัทธ์เท่านั้น
ฟิสิกส์เป็นวิทยาศาสตร์เชิงทดลอง ซึ่งหมายความว่ากฎทางกายภาพได้รับการจัดตั้งขึ้นและทดสอบโดยการรวบรวมและเปรียบเทียบข้อมูลการทดลอง เป้าหมายของการประชุมเชิงปฏิบัติการทางกายภาพคือเพื่อให้นักเรียนได้สัมผัสกับปรากฏการณ์ทางกายภาพขั้นพื้นฐาน เรียนรู้วิธีการวัดค่าตัวเลขของปริมาณทางกายภาพอย่างถูกต้องและเปรียบเทียบกับสูตรทางทฤษฎี
การวัดทั้งหมดสามารถแบ่งออกเป็นสองประเภท - ตรงและ ทางอ้อม.
ที่ โดยตรงในการวัด ค่าของปริมาณที่ต้องการจะได้รับโดยตรงจากการอ่านค่าของเครื่องมือวัด ตัวอย่างเช่น ความยาววัดด้วยไม้บรรทัด เวลาตามนาฬิกา เป็นต้น
หากอุปกรณ์ไม่สามารถวัดปริมาณทางกายภาพที่ต้องการได้โดยตรง แต่แสดงผ่านปริมาณที่วัดได้โดยใช้สูตร การวัดดังกล่าวจะเรียกว่า ทางอ้อม.
การวัดปริมาณใดๆ ไม่ได้ให้ค่าที่ถูกต้องแม่นยำของปริมาณนี้ การวัดแต่ละครั้งมีข้อผิดพลาด (ข้อผิดพลาด) อยู่เสมอ ข้อผิดพลาดคือความแตกต่างระหว่างค่าที่วัดได้กับค่าจริง
ข้อผิดพลาดแบ่งออกเป็น เป็นระบบและ สุ่ม.
เป็นระบบเรียกว่าข้อผิดพลาดที่คงที่ตลอดชุดการวัดทั้งหมด ข้อผิดพลาดดังกล่าวเกิดจากความไม่สมบูรณ์ของเครื่องมือวัด (เช่น ค่าออฟเซ็ตเป็นศูนย์ของอุปกรณ์) หรือวิธีการวัด โดยหลักการแล้ว จะถูกแยกออกจากผลลัพธ์สุดท้ายโดยการแนะนำการแก้ไขที่เหมาะสม
ข้อผิดพลาดอย่างเป็นระบบยังรวมถึงข้อผิดพลาดของเครื่องมือวัดด้วย ความแม่นยำของอุปกรณ์ใดๆ มีจำกัด และมีลักษณะเฉพาะตามระดับความแม่นยำ ซึ่งมักจะระบุไว้บนมาตราส่วนการวัด
สุ่มเรียกว่า ผิดพลาด ซึ่งแตกต่างกันไปในการทดลองต่างๆ และสามารถเป็นได้ทั้งทางบวกและทางลบ ข้อผิดพลาดแบบสุ่มเกิดจากสาเหตุที่ขึ้นอยู่กับทั้งอุปกรณ์วัด (แรงเสียดทาน ช่องว่าง ฯลฯ) และสภาวะภายนอก (การสั่นสะเทือน ความผันผวนของแรงดันไฟฟ้าในเครือข่าย ฯลฯ)
ข้อผิดพลาดแบบสุ่มไม่สามารถตัดออกโดยสังเกตได้ แต่อิทธิพลที่มีต่อผลลัพธ์สามารถลดลงได้ด้วยการวัดซ้ำ
การคำนวณข้อผิดพลาดในการวัดโดยตรง ค่าเฉลี่ย และข้อผิดพลาดสัมบูรณ์เฉลี่ย
สมมติว่าเรากำลังสร้างชุดการวัดค่า X เนื่องจากการมีข้อผิดพลาดแบบสุ่ม เราได้รับ นความหมายที่แตกต่างกัน:
X 1, X 2, X 3 ... X น
จากผลการวัด มักจะใช้ค่าเฉลี่ย
ความแตกต่างระหว่างค่าเฉลี่ยและผลลัพธ์ ผม-การวัด th เรียกว่าความคลาดเคลื่อนสัมบูรณ์ของการวัดนี้
ในการวัดความคลาดเคลื่อนของค่าเฉลี่ย เราสามารถหาค่าเฉลี่ยของความคลาดเคลื่อนสัมบูรณ์ของการวัดครั้งเดียวได้
(2)
ค่า
เรียกว่า ค่าคลาดเคลื่อนของค่าเฉลี่ยเลขคณิต (หรือหมายถึงค่าสัมบูรณ์)
จากนั้นผลการวัดควรเขียนในรูปแบบ
(3)
ในการกำหนดลักษณะความถูกต้องของการวัด จะใช้ข้อผิดพลาดสัมพัทธ์ ซึ่งมักจะแสดงเป็นเปอร์เซ็นต์
(4)
ในกรณีทั่วไป ขั้นตอนการประมวลผลผลลัพธ์ของการวัดโดยตรงมีดังนี้ (สันนิษฐานว่าไม่มีข้อผิดพลาดอย่างเป็นระบบ)
กรณีที่ 1จำนวนการวัดน้อยกว่าห้า
xกำหนดเป็นค่าเฉลี่ยเลขคณิตของผลลัพธ์ของการวัดทั้งหมด กล่าวคือ
2) ตามสูตร (12) ข้อผิดพลาดที่แน่นอนของการวัดแต่ละรายการจะถูกคำนวณ
3) ตามสูตร (14) ค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ยจะถูกกำหนด
.
4) ตามสูตร (15) คำนวณข้อผิดพลาดสัมพัทธ์เฉลี่ยของผลการวัด
5) บันทึกผลสุดท้ายในรูปแบบต่อไปนี้:
กรณีที่ 2. จำนวนการวัดมากกว่าห้า
1) ตามสูตร (6) จะพบผลลัพธ์โดยเฉลี่ย
2) ตามสูตร (12) ข้อผิดพลาดที่แน่นอนของการวัดแต่ละรายการจะถูกกำหนด
3) ตามสูตร (7) จะคำนวณความคลาดเคลื่อนกำลังสองเฉลี่ยของการวัดครั้งเดียว
.
4) คำนวณค่าเบี่ยงเบนมาตรฐานสำหรับค่าเฉลี่ยของค่าที่วัดได้โดยใช้สูตร (9)
5) ผลสุดท้ายจะถูกบันทึกไว้ในแบบฟอร์มต่อไปนี้
บางครั้งข้อผิดพลาดในการวัดแบบสุ่มอาจน้อยกว่าค่าที่อุปกรณ์วัด (เครื่องมือ) สามารถลงทะเบียนได้ ในกรณีนี้ สำหรับการวัดจำนวนเท่าใดก็ได้ จะได้ผลลัพธ์เดียวกัน ในกรณีเช่นนี้ การแบ่งสัดส่วนครึ่งหนึ่งของเครื่องมือ (เครื่องมือ) ถือเป็นข้อผิดพลาดสัมบูรณ์โดยเฉลี่ย ค่านี้บางครั้งเรียกว่าการจำกัดหรือข้อผิดพลาดของเครื่องมือ และแสดงแทน (สำหรับเครื่องมือเวอร์เนียร์และนาฬิกาจับเวลา จะเท่ากับความแม่นยำของเครื่องมือ)
การประเมินความน่าเชื่อถือของผลการวัด
ในการทดลองใดๆ จำนวนของการวัดปริมาณทางกายภาพมักจะถูกจำกัดด้วยเหตุผลอย่างใดอย่างหนึ่ง ในการนี้ สามารถตั้งค่างานเพื่อประเมินความน่าเชื่อถือของผลลัพธ์ได้ กล่าวอีกนัยหนึ่ง กำหนดด้วยความน่าจะเป็นที่สามารถโต้แย้งได้ว่าข้อผิดพลาดที่เกิดขึ้นในกรณีนี้ไม่เกินค่าที่กำหนดไว้ ε ความน่าจะเป็นนี้เรียกว่าความน่าจะเป็นของความมั่นใจ ลองแสดงมันด้วยตัวอักษร
ปัญหาผกผันสามารถกำหนดได้: เพื่อกำหนดขอบเขตของช่วงเวลา เพื่อให้สามารถโต้แย้งได้ว่าค่าที่แท้จริงของการวัดปริมาณจะไม่เกินกว่าที่กำหนดซึ่งเรียกว่าช่วงความเชื่อมั่น
ช่วงความเชื่อมั่นเป็นตัวกำหนดความถูกต้องของผลลัพธ์ที่ได้ และช่วงความเชื่อมั่นเป็นตัวกำหนดลักษณะความน่าเชื่อถือ วิธีการแก้ปัญหาทั้งสองกลุ่มนี้มีอยู่และได้รับการพัฒนาอย่างละเอียดโดยเฉพาะในกรณีที่มีการกระจายข้อผิดพลาดในการวัดตามกฎปกติ ทฤษฎีความน่าจะเป็นยังมีวิธีการกำหนดจำนวนการทดลอง (การวัดซ้ำ) ที่ให้ความแม่นยำและความน่าเชื่อถือของผลลัพธ์ที่คาดหวัง ในงานนี้ วิธีการเหล่านี้ไม่ได้รับการพิจารณา (เราจะจำกัดตัวเองให้กล่าวถึงวิธีการเหล่านี้) เนื่องจากงานดังกล่าวมักจะไม่ถูกจัดวางเมื่อปฏิบัติงานในห้องปฏิบัติการ
อย่างไรก็ตาม สิ่งที่น่าสนใจเป็นพิเศษคือกรณีของการประเมินความน่าเชื่อถือของผลลัพธ์ของการวัดปริมาณทางกายภาพด้วยการวัดซ้ำในจำนวนที่น้อยมาก ตัวอย่างเช่น, . นี่เป็นกรณีที่เรามักพบบ่อยในการปฏิบัติงานในห้องปฏิบัติการทางฟิสิกส์ ในการแก้ปัญหาประเภทนี้ แนะนำให้ใช้วิธีการโดยยึดหลักการกระจายตัวของนักเรียน (กฎหมาย)
เพื่อความสะดวกในการใช้งานจริงของวิธีการที่อยู่ระหว่างการพิจารณา มีตารางที่คุณสามารถกำหนดช่วงความเชื่อมั่นที่สอดคล้องกับความน่าจะเป็นของความเชื่อมั่นที่กำหนดหรือแก้ปัญหาผกผัน
ด้านล่างนี้คือส่วนต่างๆ ของตารางที่กล่าวถึงซึ่งอาจจำเป็นในการประเมินผลการวัดในชั้นเรียนในห้องปฏิบัติการ
ตัวอย่างเช่น ให้วัดปริมาณทางกายภาพที่แน่นอน (ภายใต้เงื่อนไขเดียวกัน) ที่แม่นยำเท่ากันและคำนวณค่าเฉลี่ยของปริมาณนั้น จำเป็นต้องหาช่วงความเชื่อมั่นที่สอดคล้องกับระดับความเชื่อมั่นที่กำหนด โดยทั่วไปปัญหาจะได้รับการแก้ไขด้วยวิธีต่อไปนี้
ตามสูตรโดยคำนึงถึง (7) คำนวณ
จากนั้นสำหรับค่าที่กำหนด นและหาค่าตามตาราง (ตารางที่ 2) ค่าที่คุณกำลังมองหาคำนวณจากสูตร
เมื่อแก้ปัญหาผกผัน พารามิเตอร์จะถูกคำนวณก่อนโดยใช้สูตร (16) ค่าที่ต้องการของความน่าจะเป็นของความเชื่อมั่นนั้นนำมาจากตาราง (ตารางที่ 3) สำหรับตัวเลขที่ระบุและพารามิเตอร์ที่คำนวณได้
ตารางที่ 2ค่าพารามิเตอร์สำหรับจำนวนการทดลองที่กำหนด
และระดับความมั่นใจ
น | 0,5 | 0,6 | 0,7 | 0,8 | 0,9 | 0,95 | 0.98 | 0,99 | 0.995 | 0,999 |
1,000 | 1,376 | 1,963 | 3,08 | 6,31 | 12,71 | 31,8 | 63,7 | 127,3 | 637,2 | |
0,816 | 1,061 | 1,336 | 1,886 | 2,91 | 4,30 | 6,96 | 9,92 | 14,1 | 31,6 | |
0,765 | 0,978 | 1,250 | 1,638 | 2,35 | 3,18 | 4,54 | 5,84 | 7,5 | 12,94 | |
0,741 | 0,941 | 1,190 | 1,533 | 2,13 | 2,77 | 3,75 | 4,60 | 5,6 | 8,61 | |
0,727 | 0,920 | 1,156 | 1,476 | 2,02 | 2,57 | 3,36 | 4,03 | 4,77 | 6,86 | |
0.718 | 0,906 | 1,134 | 1,440 | 1,943 | 2,45 | 3,14 | 3,71 | 4,32 | 5,96 | |
0,711 | 0,896 | 1,119 | 1,415 | 1,895 | 2,36 | 3,00 | 3,50 | 4,03 | 5,40 | |
0,706 | 0,889 | 1,108 | 1,397 | 1,860 | 2,31 | 2,90 | 3,36 | 3,83 | 5,04 | |
0,703 | 0,883 | 1,110 | 1,383 | 1,833 | 2,26 | 2,82 | 3,25 | 3,69 | 4,78 |
ตารางที่ 3ค่าของความน่าจะเป็นของความเชื่อมั่นสำหรับการทดลองจำนวนหนึ่ง นและพารามิเตอร์ ε
น | 2,5 | 3,5 | ||
0,705 | 0,758 | 0,795 | 0,823 | |
0,816 | 0,870 | 0,905 | 0,928 | |
0,861 | 0,912 | 0,942 | 0,961 | |
0,884 | 0,933 | 0,960 | 0,975 | |
ข | 0,898 | 0,946 | 0,970 | 0,983 |
0,908 | 0,953 | 0,976 | 0,987 | |
0,914 | 0,959 | 0,980 | 0,990 | |
0,919 | 0.963 | 0,983 | 0,992 | |
0,923 | 0,969 | 0,985 | 0,993 |
การประมวลผลผลลัพธ์ของการวัดทางอ้อม
ไม่ค่อยมีเนื้อหาในห้องปฏิบัติการหรือการทดลองทางวิทยาศาสตร์ลดลงเพื่อให้ได้ผลลัพธ์จากการวัดโดยตรง โดยส่วนใหญ่ ปริมาณที่ต้องการจะเป็นหน้าที่ของปริมาณอื่นๆ อีกหลายอย่าง
งานของการประมวลผลการทดลองด้วยการวัดทางอ้อมคือการคำนวณค่าที่น่าจะเป็นไปได้มากที่สุดของค่าที่ต้องการและประเมินข้อผิดพลาดของการวัดทางอ้อมตามผลการวัดโดยตรงของปริมาณ (อาร์กิวเมนต์) ที่เกี่ยวข้องกับค่าที่ต้องการโดยการพึ่งพาฟังก์ชันบางอย่าง
มีหลายวิธีในการจัดการการวัดทางอ้อม พิจารณาสองวิธีต่อไปนี้
ให้ปริมาณทางกายภาพบางอย่างถูกกำหนดโดยวิธีการวัดทางอ้อม
ผลลัพธ์ของการวัดโดยตรงของอาร์กิวเมนต์ x, y, z แสดงไว้ในตาราง สี่.
ตารางที่ 4
หมายเลขประสบการณ์ | x | y | z | … |
… | ||||
… | ||||
… | … | … | … | … |
… | … | … | … | … |
… | … | … | … | … |
น | … |
วิธีแรกในการประมวลผลผลลัพธ์มีดังนี้ โดยใช้สูตรที่คำนวณได้ (17) ค่าที่ต้องการจะคำนวณจากผลลัพธ์ของการทดสอบแต่ละครั้ง
(17)
วิธีการที่อธิบายไว้ในการประมวลผลผลลัพธ์นั้น โดยหลักการแล้ว ในทุกกรณีของการวัดทางอ้อมโดยไม่มีข้อยกเว้น อย่างไรก็ตาม เป็นการเหมาะสมที่สุดที่จะใช้เมื่อจำนวนของการวัดอาร์กิวเมนต์ซ้ำๆ มีน้อย และสูตรการคำนวณสำหรับค่าที่วัดทางอ้อมนั้นค่อนข้างง่าย
ในวิธีที่สองของการประมวลผลผลลัพธ์ของการทดลอง ขั้นแรกโดยใช้ผลลัพธ์ของการวัดโดยตรง (ตารางที่ 4) ค่าเฉลี่ยเลขคณิตของอาร์กิวเมนต์แต่ละรายการรวมถึงข้อผิดพลาดของการวัดจะถูกคำนวณก่อน ทดแทน , , ,... ลงในสูตรการคำนวณ (17) กำหนดค่าที่น่าจะเป็นที่สุดของปริมาณที่วัดได้
(17*)