ભૌતિક જથ્થાના માપનમાં ભૂલો અને
માપન પરિણામોની પ્રક્રિયા
માપીનેવિશેષ તકનીકી માધ્યમોનો ઉપયોગ કરીને પ્રાયોગિક ધોરણે ભૌતિક જથ્થાના મૂલ્યો શોધવાનું કહેવાય છે. માપન પ્રત્યક્ષ અથવા પરોક્ષ હોઈ શકે છે. મુ પ્રત્યક્ષમાપમાં, ભૌતિક જથ્થાનું ઇચ્છિત મૂલ્ય સીધા માપવાના સાધનોનો ઉપયોગ કરીને જોવા મળે છે (ઉદાહરણ તરીકે, કેલિપરનો ઉપયોગ કરીને શરીરના પરિમાણોને માપવા). પરોક્ષમાપન કહેવાય છે જેમાં ભૌતિક જથ્થાનું ઇચ્છિત મૂલ્ય માપેલ જથ્થા અને સીધા માપને આધિન જથ્થા વચ્ચેના જાણીતા કાર્યાત્મક સંબંધના આધારે જોવા મળે છે. ઉદાહરણ તરીકે, સિલિન્ડરનું વોલ્યુમ V નક્કી કરતી વખતે, તેનો વ્યાસ D અને ઊંચાઈ H માપવામાં આવે છે, અને પછી સૂત્ર અનુસારપી D 2/4 તેના વોલ્યુમની ગણતરી કરો.
માપવાના સાધનોની અચોક્કસતાને કારણે અને માપ દરમિયાન તમામ આડ અસરોને ધ્યાનમાં લેવામાં મુશ્કેલીને કારણે, માપન ભૂલો અનિવાર્યપણે ઊભી થાય છે. અચોક્કસતાઅથવા ભૂલમાપન એ માપેલ ભૌતિક જથ્થાના સાચા મૂલ્યમાંથી માપન પરિણામના વિચલનને કહે છે.
માપન ભૂલ સામાન્ય રીતે અજ્ઞાત છે, કારણ કે માપેલ જથ્થાનું સાચું મૂલ્ય છે. તેથી, માપન પરિણામોની પ્રાથમિક પ્રક્રિયાનું કાર્ય એક અંતરાલ સ્થાપિત કરવાનું છે જેમાં આપેલ સંભાવના સાથે, માપેલ ભૌતિક જથ્થાનું સાચું મૂલ્ય સ્થિત છે.
માપન ભૂલોનું વર્ગીકરણ
ભૂલોને ત્રણ પ્રકારમાં વહેંચવામાં આવી છે:
1) અસંસ્કારી અથવા ભૂલો,
2) વ્યવસ્થિત,.
3) રેન્ડમએકંદર ભૂલો
- આ ભૂલભરેલા માપ છે જે ઉપકરણ પર બેદરકાર વાંચન, રેકોર્ડિંગ રીડિંગ્સની અયોગ્યતાના પરિણામે ઉદ્ભવે છે. ઉદાહરણ તરીકે, પરિણામને 2.65 ને બદલે 26.5 તરીકે રેકોર્ડ કરવું; 13 ને બદલે 18 ના સ્કેલ પર ગણવું વગેરે.- ભૂલો કે જે, પુનરાવર્તિત માપન દરમિયાન, સ્થિર રહે છે અથવા ચોક્કસ કાયદા અનુસાર બદલાય છે. આ ભૂલો માપન પદ્ધતિની ખોટી પસંદગી, અપૂર્ણતા અથવા સાધનોની ખામીને કારણે હોઈ શકે છે (ઉદાહરણ તરીકે, શૂન્ય ઓફસેટ હોય તેવા ઉપકરણનો ઉપયોગ કરીને માપન). શક્ય તેટલી વ્યવસ્થિત ભૂલોને દૂર કરવા માટે, તમારે હંમેશા માપન પદ્ધતિનું કાળજીપૂર્વક વિશ્લેષણ કરવું જોઈએ અને ધોરણો સાથે સાધનોની તુલના કરવી જોઈએ. ભવિષ્યમાં, અમે ધારીશું કે તમામ વ્યવસ્થિત ભૂલો દૂર કરવામાં આવી છે, સિવાય કે સાધનોના ઉત્પાદનમાં અચોક્કસતા અને ગણતરીની ભૂલોને કારણે. અમે આ ભૂલ કહીશું હાર્ડવેર
રેન્ડમ ભૂલો - આ ભૂલો છે જેનું કારણ અગાઉથી ધ્યાનમાં લઈ શકાતું નથી. અવ્યવસ્થિત ભૂલો આપણી ઇન્દ્રિયોની અપૂર્ણતા પર, બદલાતી બાહ્ય પરિસ્થિતિઓ (તાપમાન, દબાણ, ભેજ, હવાના કંપન વગેરેમાં ફેરફાર)ની સતત ક્રિયા પર આધાર રાખે છે. અવ્યવસ્થિત ભૂલો દૂર કરી શકાતી નથી; તે બધા માપમાં અનિવાર્યપણે હાજર હોય છે, પરંતુ સંભાવના સિદ્ધાંતની પદ્ધતિઓનો ઉપયોગ કરીને તેનું મૂલ્યાંકન કરી શકાય છે.
સીધા માપન પરિણામોની પ્રક્રિયા
ભૌતિક જથ્થાના સીધા માપનના પરિણામે તેના સંખ્યાબંધ મૂલ્યો મેળવવા દો:
x 1, x 2, ... x n.
સંખ્યાઓની આ શ્રેણીને જાણીને, તમારે માપેલ મૂલ્યના સાચા મૂલ્યની સૌથી નજીકનું મૂલ્ય સૂચવવાની અને રેન્ડમ ભૂલની તીવ્રતા શોધવાની જરૂર છે.
આ સમસ્યાનો ઉકેલ સંભાવના સિદ્ધાંતના આધારે કરવામાં આવે છે, જેની વિગતવાર રજૂઆત અમારા અભ્યાસક્રમના અવકાશની બહાર છે.
. (1)
માપેલ ભૌતિક જથ્થાનું સૌથી સંભવિત મૂલ્ય (સાચા મૂલ્યની નજીક) એ અંકગણિત સરેરાશ ગણવામાં આવે છેઅહીં x i એ i-th માપનનું પરિણામ છે; n - માપની સંખ્યા. રેન્ડમ માપન ભૂલનો અંદાજ ચોક્કસ ભૂલની તીવ્રતા દ્વારા કરી શકાય છે ડી
, (2)
x, જે સૂત્રનો ઉપયોગ કરીને ગણવામાં આવે છે જ્યાં t(a,n) – વિદ્યાર્થીનો ગુણાંક, માપન n અને આત્મવિશ્વાસના સ્તરની સંખ્યાના આધારે a,n) – વિદ્યાર્થીનો ગુણાંક, માપન n અને આત્મવિશ્વાસના સ્તરની સંખ્યાના આધારે .
આત્મવિશ્વાસ મૂલ્યપ્રયોગકર્તાએ પોતે પૂછ્યું.
સંભાવના,n) – વિદ્યાર્થીનો ગુણાંક, માપન n અને આત્મવિશ્વાસના સ્તરની સંખ્યાના આધારે અવ્યવસ્થિત ઘટના એ આપેલ ઘટના માટે અનુકૂળ કેસોની સંખ્યા અને સમાન સંભવિત કેસોની કુલ સંખ્યાનો ગુણોત્તર છે.
ચોક્કસ ઘટનાની સંભાવના 1 છે, અને અશક્ય ઘટનાની સંભાવના 0 છે.
આપેલ આત્મવિશ્વાસની સંભાવનાને અનુરૂપ વિદ્યાર્થીનું ગુણાંક મૂલ્ય અને માપ n ની ચોક્કસ સંખ્યા, કોષ્ટકમાંથી મળી આવે છે. 1. |
કોષ્ટક 1,n) – વિદ્યાર્થીનો ગુણાંક, માપન n અને આત્મવિશ્વાસના સ્તરની સંખ્યાના આધારે |
|||
0,95 |
0,98 |
|||
1,38 |
12,7 |
31,8 |
||
1,06 |
||||
0,98 |
||||
0,94 |
||||
0,92 |
||||
0,90 |
||||
0,90 |
||||
0,90 |
||||
0,88 |
||||
0,84 |
નંબર,n) – વિદ્યાર્થીનો ગુણાંક, માપન n અને આત્મવિશ્વાસના સ્તરની સંખ્યાના આધારે પરિમાણો n,n) – વિદ્યાર્થીનો ગુણાંક, માપન n અને આત્મવિશ્વાસના સ્તરની સંખ્યાના આધારે =0.95.
જો કે, માત્ર માપની સંખ્યામાં વધારો કરવાથી એકંદર ભૂલને શૂન્ય સુધી ઘટાડી શકાતી નથી, કારણ કે કોઈપણ માપન ઉપકરણ ભૂલ આપે છે.અહીં x i એ i-th માપનનું પરિણામ છે; n - માપની સંખ્યા. રેન્ડમ માપન ભૂલનો અંદાજ ચોક્કસ ભૂલની તીવ્રતા દ્વારા કરી શકાય છે ચાલો સંપૂર્ણ ભૂલ શબ્દોનો અર્થ સમજાવીએ,n) – વિદ્યાર્થીનો ગુણાંક, માપન n અને આત્મવિશ્વાસના સ્તરની સંખ્યાના આધારે x અને આત્મવિશ્વાસની સંભાવના
. આ વિશ્વાસ અંતરાલની અંદર માપેલ મૂલ્ય xનું સાચું મૂલ્ય છે.
ફિગ.1જો સમાન જથ્થાના માપને સમાન પરિસ્થિતિઓ હેઠળ સમાન સાધનો સાથે પુનરાવર્તિત કરવામાં આવે છે, તો માપેલ જથ્થા x ist નું સાચું મૂલ્ય સમાન વિશ્વાસ અંતરાલમાં આવશે, પરંતુ હિટ વિશ્વસનીય નહીં હોય, પરંતુ સંભાવના સાથે
aઅહીં x i એ i-th માપનનું પરિણામ છે; n - માપની સંખ્યા. રેન્ડમ માપન ભૂલનો અંદાજ ચોક્કસ ભૂલની તીવ્રતા દ્વારા કરી શકાય છે સંપૂર્ણ ભૂલની તીવ્રતાની ગણતરી કર્યા પછી
±D x. ભૌતિક જથ્થાના માપનની ચોકસાઈનું મૂલ્યાંકન કરવા માટે, ગણતરી કરોસંબંધિત ભૂલ
. (3)
, જે સામાન્ય રીતે ટકાવારી તરીકે દર્શાવવામાં આવે છે,
આમ, પ્રત્યક્ષ માપના પરિણામોની પ્રક્રિયા કરતી વખતે, નીચેના કરવું આવશ્યક છે:
1. માપ n વખત લો.
2. સૂત્ર (1) નો ઉપયોગ કરીને અંકગણિત સરેરાશની ગણતરી કરો. 3. આત્મવિશ્વાસનું સ્તર સેટ કરો
a (સામાન્ય રીતે a = 0.95 લો).,n) – વિદ્યાર્થીનો ગુણાંક, માપન n અને આત્મવિશ્વાસના સ્તરની સંખ્યાના આધારે 4. કોષ્ટક 1 નો ઉપયોગ કરીને, આપેલ આત્મવિશ્વાસની સંભાવનાને અનુરૂપ વિદ્યાર્થી ગુણાંક શોધો
અને પરિમાણોની સંખ્યા n.
5. સૂત્ર (2) નો ઉપયોગ કરીને સંપૂર્ણ ભૂલની ગણતરી કરો અને તેની ઇન્સ્ટ્રુમેન્ટલ સાથે સરખામણી કરો.વધુ ગણતરીઓ માટે, જે મોટું છે તે લો.
6. સૂત્ર (3) નો ઉપયોગ કરીને, સંબંધિત ભૂલની ગણતરી કરો
ઇ.
સંબંધિત ભૂલ સૂચવે છે
ઇ
અને આત્મવિશ્વાસની સંભાવના
પરોક્ષ માપન પરિણામોની પ્રક્રિયાઅહીં x i એ i-th માપનનું પરિણામ છે; n - માપની સંખ્યા. રેન્ડમ માપન ભૂલનો અંદાજ ચોક્કસ ભૂલની તીવ્રતા દ્વારા કરી શકાય છે અમુક કાર્યાત્મક સંબંધ દ્વારા ઇચ્છિત ભૌતિક જથ્થા y ને અન્ય જથ્થાઓ x 1, x 2, ... x k સાથે સંબંધિત થવા દો±D Y=f(x 1 , x 2 , ... x k) (4)
x 1 , x 2 , ... x k મૂલ્યોમાં પ્રત્યક્ષ માપન અને ટેબ્યુલર ડેટામાંથી મેળવેલ મૂલ્યો છે. તે સંપૂર્ણ નક્કી કરવા માટે જરૂરી છે
. (5)
y અને સંબંધી y મૂલ્યમાં ભૂલો.અહીં x i એ i-th માપનનું પરિણામ છે; n - માપની સંખ્યા. રેન્ડમ માપન ભૂલનો અંદાજ ચોક્કસ ભૂલની તીવ્રતા દ્વારા કરી શકાય છે x i - મૂલ્ય x i ની સંપૂર્ણ ભૂલ. જો x i સીધા માપના પરિણામે મેળવવામાં આવે છે, તો તેનું સરેરાશ મૂલ્ય
ટેબ્યુલર મૂલ્યો પસંદ કરતી વખતે આ ધ્યાનમાં લેવું આવશ્યક છે (
, g, વગેરે) સંબંધિત ભૂલ સૂત્રમાં શામેલ છે. તેમની કિંમત એવી રીતે પસંદ કરવી આવશ્યક છે કે તેમની સંબંધિત ભૂલ એ સૌથી મોટી સંબંધિત ભૂલ કરતાં ઓછી તીવ્રતાનો ક્રમ છે.
y=
- તેમાં સરેરાશ મૂલ્યો xi ને બદલીને સૂત્ર (4) માંથી મેળવેલ પરોક્ષ માપનું સરેરાશ મૂલ્ય;
.
Dy=e
. (6)
સામાન્ય રીતે વાસ્તવિક માપમાં બંને રેન્ડમ અને વ્યવસ્થિત (હાર્ડવેર) ભૂલો હોય છે. જો પ્રત્યક્ષ માપની ગણતરી કરેલ રેન્ડમ ભૂલ બે કે તેથી વધુ વખત ઇન્સ્ટ્રુમેન્ટલ ભૂલ કરતાં શૂન્ય અથવા ઓછી હોય, તો પછી પરોક્ષ માપની ભૂલની ગણતરી કરતી વખતે, ઇન્સ્ટ્રુમેન્ટલ ભૂલને ધ્યાનમાં લેવી આવશ્યક છે. જો આ ભૂલો બે કરતા ઓછા વખતથી અલગ હોય, તો સૂત્રનો ઉપયોગ કરીને સંપૂર્ણ ભૂલની ગણતરી કરવામાં આવે છે.
, (7)
=10.0 મીમી અને =40.0 મીમી. સિલિન્ડરના વોલ્યુમના પરોક્ષ માપનની સંબંધિત ભૂલ સૂત્ર દ્વારા નક્કી કરવામાં આવે છેજ્યાં ડી ડી અને ડી H - વ્યાસ અને ઊંચાઈના સીધા માપની સંપૂર્ણ ભૂલો. અમે સૂત્ર (2) નો ઉપયોગ કરીને તેમના મૂલ્યોની ગણતરી કરીએ છીએ: D D=0.01 mm; ડી H=0.13 mm. ચાલો ગણતરી કરેલ ભૂલોની હાર્ડવેર ભૂલો સાથે સરખામણી કરીએ, જે કેલિપરના વિભાજન મૂલ્યની બરાબર છે.<0.1, поэтому в формуле (7) подставим вместо અહીં x i એ i-th માપનનું પરિણામ છે; n - માપની સંખ્યા. રેન્ડમ માપન ભૂલનો અંદાજ ચોક્કસ ભૂલની તીવ્રતા દ્વારા કરી શકાય છે ડી
ડી ડી 0.01 મીમી નથી, પરંતુ 0.1 મીમી છે. p મૂલ્ય પસંદ કરવું આવશ્યક છે જેથી સંબંધિત ભૂલડીપી/પી સૂત્રમાં (7) અવગણવામાં આવી શકે છે. માપેલા મૂલ્યો અને ગણતરી કરેલ સંપૂર્ણ ભૂલોના વિશ્લેષણમાંથીડી ડી અને ડી H તે જોઈ શકાય છે કે વોલ્યુમ માપનમાં સંબંધિત ભૂલમાં સૌથી મોટો ફાળો ઊંચાઈ માપનમાં ભૂલ દ્વારા કરવામાં આવે છે. સંબંધિત ઊંચાઈની ગણતરી ભૂલ આપે છે e એચ =0.01.તેથી, મૂલ્ય
પી
તમારે 3.14 લેવાની જરૂર છે. આ કિસ્સામાં
1. જો માપ એકવાર કરવામાં આવે અથવા બહુવિધ માપનના પરિણામો સમાન હોય, તો ચોક્કસ માપન ભૂલ માટે તમારે ઇન્સ્ટ્રુમેન્ટલ ભૂલ લેવાની જરૂર છે, જે મોટા ભાગના વગાડવા માટે વપરાયેલ ઉપકરણના વિભાજન મૂલ્યની બરાબર છે (વધુ માહિતી માટે ઇન્સ્ટ્રુમેન્ટલ ભૂલ, "માપવાના સાધનો" વિભાગ જુઓ).
2. જો ટેબ્યુલર અથવા પ્રાયોગિક ડેટા ભૂલ દર્શાવ્યા વિના આપવામાં આવે છે, તો આવી સંખ્યાઓની સંપૂર્ણ ભૂલ છેલ્લા નોંધપાત્ર અંકના અડધા ક્રમની બરાબર લેવામાં આવે છે.
અંદાજિત સંખ્યાઓ સાથેની ક્રિયાઓ
વિવિધ ગણતરીની ચોકસાઈનો મુદ્દો ખૂબ જ મહત્વપૂર્ણ છે, કારણ કે ગણતરીની ચોકસાઈને વધુ પડતો અંદાજ આપવાથી ઘણાં બિનજરૂરી કામ થાય છે. વિદ્યાર્થીઓ ઘણીવાર પાંચ કે તેથી વધુ નોંધપાત્ર આંકડાઓની ચોકસાઈ સાથે જરૂરી જથ્થાની ગણતરી કરે છે. તે સમજવું જોઈએ કે આ ચોકસાઈ અતિશય છે. સચોટતાની મર્યાદાની બહાર ગણતરીઓ હાથ ધરવાનો કોઈ અર્થ નથી કે જે સીધી રીતે માપેલા જથ્થાને નિર્ધારિત કરવાની ચોકસાઈ દ્વારા સુનિશ્ચિત કરવામાં આવે છે. માપન પર પ્રક્રિયા કર્યા પછી, તેઓ ઘણીવાર વ્યક્તિગત પરિણામોની ભૂલોની ગણતરી કરતા નથી અને આ સંખ્યામાં સાચા નોંધપાત્ર અંકોની સંખ્યા દર્શાવીને મૂલ્યના અંદાજિત મૂલ્યની ભૂલનો ન્યાય કરે છે.
નોંધપાત્ર આંકડાઅંદાજિત સંખ્યા એ શૂન્ય સિવાયના તમામ અંકો છે, તેમજ બે કિસ્સાઓમાં શૂન્ય છે:
1) જ્યારે તે નોંધપાત્ર આંકડાઓ વચ્ચે હોય (ઉદાહરણ તરીકે, નંબર 1071 માં ચાર નોંધપાત્ર આંકડાઓ છે);
2) જ્યારે તે સંખ્યાના અંતમાં રહે છે અને જ્યારે તે જાણીતું છે કે અનુરૂપ અંકનું એકમ આ સંખ્યામાં હાજર નથી. ઉદાહરણ. 5.20 નંબરમાં ત્રણ મહત્વપૂર્ણ આંકડાઓ છે, અને આનો અર્થ એ છે કે જ્યારે માપવામાં આવે ત્યારે આપણે માત્ર એકમો જ નહીં, પરંતુ દસમા અને સોમાને પણ ધ્યાનમાં લીધા હતા, અને 5.2 નંબરમાં ફક્ત બે મહત્વપૂર્ણ આંકડાઓ છે, અને આનો અર્થ એ છે કે આપણે ફક્ત સંપૂર્ણ સંખ્યાઓને ધ્યાનમાં લીધી છે અને દસમો
અંદાજિત ગણતરીઓ નીચેના નિયમોના પાલનમાં થવી જોઈએ.
1. જ્યારે ઉમેરો અને બાદબાકી કરોપરિણામે, તેઓ ઓછા દશાંશ સ્થાનો સાથેની સંખ્યામાં સમાયેલ હોય તેટલા દશાંશ સ્થાનોનો સંગ્રહ કરે છે. ઉદાહરણ તરીકે: 0.8934+3.24+1.188=5.3214» 5.32.
2. રકમ સોમાં ગોળાકાર હોવી જોઈએ, એટલે કે. 5.32 ની બરાબર લો.જ્યારે ગુણાકાર અને ભાગાકારપરિણામે, તેઓ ઓછામાં ઓછા નોંધપાત્ર અંકો ધરાવતા અંદાજિત સંખ્યા જેટલા નોંધપાત્ર અંકો જાળવી રાખે છે. ઉદાહરણ તરીકે, તમારે 8.632 ને ગુણાકાર કરવાની જરૂર છે ´ 2.8 ´
3.53. તેના બદલે આ અભિવ્યક્તિનું મૂલ્યાંકન કરવું જોઈએ
મધ્યવર્તી પરિણામોની ગણતરી કરતી વખતે, નિયમોની ભલામણ કરતાં વધુ એક અંક જાળવી રાખવામાં આવે છે (કહેવાતા ફાજલ અંક). અંતિમ પરિણામમાં, ફાજલ અંક કાઢી નાખવામાં આવે છે. પરિણામના છેલ્લા નોંધપાત્ર અંકના મૂલ્યને સ્પષ્ટ કરવા માટે, તમારે તેના પછીના અંકની ગણતરી કરવાની જરૂર છે. જો તે પાંચ કરતાં ઓછું હોય, તો તેને ખાલી કાઢી નાખવું જોઈએ, અને જો તે પાંચ અથવા પાંચ કરતાં વધુ હોય, તો તેને કાઢી નાખ્યા પછી, અગાઉના અંકમાં એક વધારવો જોઈએ. સામાન્ય રીતે, નિરપેક્ષ ભૂલને એક નોંધપાત્ર અંક પર છોડી દેવામાં આવે છે, અને માપેલ મૂલ્યને તે અંક પર ગોળાકાર કરવામાં આવે છે જેમાં સંપૂર્ણ ભૂલનો નોંધપાત્ર અંક સ્થિત છે.
3. વિધેયોના મૂલ્યોની ગણતરીનું પરિણામ x n , , log( x) અમુક અંદાજિત સંખ્યા xસંખ્યામાં જેટલા છે તેટલા નોંધપાત્ર આંકડા હોવા જોઈએ x. ઉદાહરણ તરીકે: .
આલેખન
પ્રયોગશાળાના કાર્ય દરમિયાન મેળવેલા પરિણામો ઘણીવાર મહત્વપૂર્ણ અને ગ્રાફિકલી પ્રસ્તુત કરવા માટે જરૂરી હોય છે. ગ્રાફ બનાવવા માટે, તમારે લેવાયેલા માપના આધારે એક કોષ્ટક બનાવવાની જરૂર છે, જેમાં એક જથ્થાનું દરેક મૂલ્ય બીજાના ચોક્કસ મૂલ્યને અનુરૂપ હોય.
ગ્રાફ પેપર પર ગ્રાફ બનાવવામાં આવે છે. જ્યારે આલેખની રચના કરતી વખતે, સ્વતંત્ર ચલના મૂલ્યો એબ્સિસા અક્ષ પર અને ફંક્શનના મૂલ્યો ઓર્ડિનેટ અક્ષ પર લખવા જોઈએ. દરેક અક્ષની નજીક તમારે ચિત્રિત જથ્થાનું હોદ્દો લખવાની જરૂર છે અને તે કયા એકમોમાં માપવામાં આવે છે તે દર્શાવવાની જરૂર છે (ફિગ. 2).
ફિગ.2
ગ્રાફના સાચા બાંધકામ માટે, સ્કેલની પસંદગી મહત્વપૂર્ણ છે: વળાંક સમગ્ર શીટ પર કબજો કરે છે, અને લંબાઈ અને ઊંચાઈમાં ગ્રાફના પરિમાણો લગભગ સમાન છે. સ્કેલ સરળ હોવો જોઈએ. સૌથી સહેલો રસ્તો એ છે કે જો માપેલ મૂલ્યનું એકમ (0.1; 10; 100, વગેરે) 1, 2 અથવા 5 સે.મી.ને અનુરૂપ હોય તો તે ધ્યાનમાં રાખવું જોઈએ કે સંકલન અક્ષોનું આંતરછેદ જરૂરી નથી. પ્લોટ કરેલ મૂલ્યોના શૂન્ય મૂલ્યો (ફિગ. 2).
પ્રાપ્ત કરેલ દરેક પ્રાયોગિક મૂલ્ય ગ્રાફ પર એકદમ ધ્યાનપાત્ર રીતે રચાયેલ છે: બિંદુ, ક્રોસ, વગેરે સાથે.
માપેલા મૂલ્યો માટે ભૂલો વિશ્વાસ અંતરાલની લંબાઈના સેગમેન્ટના સ્વરૂપમાં સૂચવવામાં આવે છે, જેની મધ્યમાં પ્રાયોગિક બિંદુઓ સ્થિત છે. કારણ કે ભૂલો સૂચવવાથી ગ્રાફમાં ગડબડ થાય છે, આ ત્યારે જ થાય છે જ્યારે ભૂલો વિશેની માહિતીની ખરેખર જરૂર હોય: પ્રાયોગિક બિંદુઓનો ઉપયોગ કરીને વળાંક બાંધતી વખતે, ગ્રાફનો ઉપયોગ કરીને ભૂલો નક્કી કરતી વખતે, જ્યારે સૈદ્ધાંતિક વળાંક (આકૃતિ 2) સાથે પ્રાયોગિક ડેટાની તુલના કરવામાં આવે ત્યારે. ઘણીવાર તે એક અથવા ઘણા બિંદુઓ માટે ભૂલ સૂચવવા માટે પૂરતું છે.
પ્રાયોગિક બિંદુઓ દ્વારા સરળ વળાંક દોરવા જરૂરી છે. ઘણીવાર પ્રાયોગિક બિંદુઓ એક સરળ તૂટેલી રેખા દ્વારા જોડાયેલા હોય છે. આ સૂચવે છે કે જમ્પલીક રીતે જથ્થાઓ એકબીજા પર આધાર રાખે છે. અને આ અસંભવિત છે. વળાંક સરળ હોવો જોઈએ અને તે ચિહ્નિત બિંદુઓમાંથી પસાર થઈ શકતો નથી, પરંતુ તેમની નજીક હોઈ શકે છે જેથી આ બિંદુઓ તેનાથી સમાન અંતરે વળાંકની બંને બાજુએ હોય.
જો કોઈ બિંદુ નોંધપાત્ર રીતે ગ્રાફની બહાર આવે છે, તો આ માપનું પુનરાવર્તન કરવું જોઈએ. તેથી, પ્રયોગ દરમિયાન સીધા ગ્રાફ બનાવવાની સલાહ આપવામાં આવે છે. આલેખ પછી નિરીક્ષણોને નિયંત્રિત કરવા અને સુધારવા માટે સેવા આપી શકે છે.
માપવાના સાધનો અને તેમની ભૂલોનો હિસાબΔ ભૌતિક જથ્થાના સીધા માપ માટે, માપન સાધનોનો ઉપયોગ થાય છે.કોઈપણ માપન સાધનો માપેલા મૂલ્યનું સાચું મૂલ્ય આપતા નથી.Δ આ, પ્રથમ, એ હકીકતને કારણે છે કે ઉપકરણના સ્કેલ પર માપેલ મૂલ્યની ચોક્કસ ગણતરી કરવી અશક્ય છે, અને બીજું, માપન સાધનોના ઉત્પાદનમાં અચોક્કસતા. પ્રથમ પરિબળને ધ્યાનમાં લેવા માટે, ગણતરી ભૂલ Δx o રજૂ કરવામાં આવે છે, બીજા માટે - અનુમતિપાત્ર ભૂલ:
.
x ડી
.
આ ભૂલોનો સરવાળો ઉપકરણની ઇન્સ્ટ્રુમેન્ટલ અથવા સંપૂર્ણ ભૂલ બનાવે છે
x ± અનુમતિપાત્ર ભૂલ રાજ્યના ધોરણો દ્વારા પ્રમાણિત છે અને પાસપોર્ટ અથવા ઉપકરણના વર્ણનમાં દર્શાવેલ છે.વાંચન ભૂલ સામાન્ય રીતે સાધનના અડધા સ્કેલ ડિવિઝન મૂલ્યની બરાબર લેવામાં આવે છે, પરંતુ કેટલાક સાધનો માટે (સ્ટોપવોચ, એનરોઇડ બેરોમીટર) - ઇન્સ્ટ્રુમેન્ટ ડિવિઝન મૂલ્યની બરાબર (કારણ કે આ સાધનોના તીરની સ્થિતિ એક વિભાગ દ્વારા કૂદકામાં બદલાય છે. ) અને કેટલાક સ્કેલ વિભાગો પણ, જો પ્રાયોગિક પરિસ્થિતિઓ વિશ્વાસપૂર્વક એક વિભાગમાં ગણતરી કરવાની મંજૂરી આપતી નથી (ઉદાહરણ તરીકે, જાડા પોઇન્ટર અથવા નબળી લાઇટિંગ સાથે). આમ, ગણતરીની ભૂલ પ્રયોગકર્તા પોતે જ સ્થાપિત કરે છે, જે ચોક્કસ પ્રયોગની શરતોને ખરેખર પ્રતિબિંબિત કરે છે.
જો અનુમતિપાત્ર ભૂલ વાંચન ભૂલ કરતાં નોંધપાત્ર રીતે ઓછી હોય, તો તેને અવગણી શકાય છે. સામાન્ય રીતે ઉપકરણની સંપૂર્ણ ભૂલ ઉપકરણના સ્કેલ ડિવિઝનની બરાબર લેવામાં આવે છે. ± (3–4) µm (0–25 mmની માપન શ્રેણી સાથે માઇક્રોમીટર માટે). ગણતરીની ભૂલને વિભાજન મૂલ્યના અડધા ગણવામાં આવે છે. આમ, માઇક્રોમીટરની સંપૂર્ણ ભૂલને વિભાજન મૂલ્યની બરાબર લઈ શકાય છે, એટલે કે. 0.01 મીમી.
વજન કરતી વખતે, તકનીકી ભીંગડાની અનુમતિપાત્ર ભૂલ લોડ પર આધાર રાખે છે અને 20 થી 200 ગ્રામ સુધીના લોડ માટે 50 મિલિગ્રામ અને 20 ગ્રામથી ઓછા લોડ માટે 25 મિલિગ્રામ છે.
ડિજિટલ સાધનોની ભૂલ ચોકસાઈ વર્ગ દ્વારા નક્કી કરવામાં આવે છે.
મોટા ભાગના કિસ્સાઓમાં, પ્રયોગ દરમિયાન, કેટલાક સાધનો દ્વારા ઘણી માત્રાને માપવામાં આવે છે, અને અંતિમ પરિણામ મેળવવા માટે, આ માપનની પ્રક્રિયા ગાણિતિક ક્રિયાઓનો ઉપયોગ કરીને કરવી આવશ્યક છે: ઉમેરા, ગુણાકાર, વગેરે. તેથી, પ્રયોગની સીમાંત અને સરેરાશ ચોરસ ભૂલોની ગણતરી કરીને સમગ્ર પ્રયોગની ચોકસાઈનું મૂલ્યાંકન કરવું જરૂરી છે.
મહત્તમ સંબંધિત પ્રાયોગિક ભૂલની ગણતરી માટેના નિયમો:
1. સરવાળાની ભૂલ એ શરતોની સંબંધિત ભૂલોમાં સૌથી મોટી અને સૌથી નાની વચ્ચેની છે. સામાન્ય રીતે, ક્યાં તો સૌથી મોટી ભૂલ અથવા અંકગણિત સરેરાશ મૂલ્યને ધ્યાનમાં લેવામાં આવે છે (પ્રયોગશાળાના કાર્યમાં આપણે અંકગણિત સરેરાશ મૂલ્યનો ઉપયોગ કરીશું).
2. ઉત્પાદન અથવા ભાગની ભૂલ અનુક્રમે પરિબળો અથવા ડિવિડન્ડ અને વિભાજકની સંબંધિત ભૂલોના સરવાળા જેટલી હોય છે.
3. ભૂલ nમાં આધારની મી ડિગ્રી nઆધારની સંબંધિત ભૂલ ગણી.
પરોક્ષ માપના પરિણામની રુટ સરેરાશ ચોરસ ભૂલની ગણતરી કરવા માટે, માપનના પરિણામોની સ્વતંત્રતાની ખાતરી કરવી જરૂરી છે. આ કિસ્સામાં, રુટ એટલે કે મૂલ્યની ગણતરી કરવામાં ચોરસ ભૂલ ડબલ્યુ, જે સીધા માપેલા પરિમાણોનું કાર્ય છે x, y, z, ... સૂત્ર દ્વારા નક્કી થાય છે:
ફંક્શનના આંશિક ડેરિવેટિવ્ઝની ગણતરી પરિમાણોના સરેરાશ મૂલ્યો પર ક્યાં કરવામાં આવે છે x, y, z, …, - અનુક્રમે સુધારેલ ભિન્નતા x, y, z, ….
ઉદાહરણ. પરોક્ષ માપની ભૂલનું નિર્ધારણ
પુનરાવર્તિત માપનના પરિણામે, 3 પરસ્પર સ્વતંત્ર પરિમાણોની સરેરાશ મૂલ્યો અને રૂટ-મીન-સ્ક્વેર ભૂલો પ્રાપ્ત થઈ હતી:
a) મહત્તમ સંબંધિત માપન ભૂલ અને કાર્ય નક્કી કરવામાં મહત્તમ સંબંધિત ભૂલ
b) સરેરાશ મૂલ્ય અને રુટ એટલે કાર્ય નક્કી કરવામાં ચોરસ ભૂલ
a) મહત્તમ સંબંધિત માપન ભૂલો શોધો x, y, zસૂત્ર અનુસાર (13):
કાર્ય નક્કી કરવામાં મહત્તમ સંબંધિત ભૂલ
ચાલો, પ્રયોગની મહત્તમ સંબંધિત ભૂલની ગણતરી માટેના નિયમો અનુસાર શોધીએ:
b) ફંક્શનના સરેરાશ મૂલ્યની ગણતરી કરો
ફોર્મ્યુલા (14) નો ઉપયોગ કરીને ફંક્શન નક્કી કરવામાં રૂટ-મીન-ચોરસ ભૂલની ગણતરી કરવા માટે, અમે આંશિક ડેરિવેટિવ્સ શોધીએ છીએ:
અને સરેરાશ મૂલ્યો પર તેમની ગણતરી કરો x, y, z:
ફોર્મ્યુલા (14) માં અવેજીમાં, આપણને મળે છે:
4. રેખીય રીગ્રેસન મોડેલ લાક્ષણિકતાઓની ગણતરી
પરિબળો વચ્ચેના સંબંધો સ્થાપિત કરવા માટેની અસરકારક પદ્ધતિઓમાંની એક સહસંબંધ-રીગ્રેશન વિશ્લેષણ છે.
સહસંબંધ-રીગ્રેસન પદ્ધતિનું કાર્ય એક પ્રયોગમૂલક સમીકરણ શોધવાનું છે જે પરિણામી પરિમાણ વચ્ચેના સંબંધને લાક્ષણિકતા આપે છે. વાયચોક્કસ ઇનપુટ પરિબળ સાથે એક્સ.
સંચારના સ્વરૂપ તરીકે વાયઅને એક્સગણતરીમાં તેની સરળતાને કારણે રેખીય અવલંબનનો વ્યાપકપણે ઉપયોગ થાય છે, અને તે હકીકતને કારણે પણ કે તેના પર અન્ય ઘણા પ્રકારની અવલંબન ઘટાડી શકાય છે.
રેખીય રીગ્રેસન મોડેલની ગણતરીમાં નીચેના પગલાં શામેલ છે:
1. સૈદ્ધાંતિક રેખીય રીગ્રેસન સમીકરણની ગણતરી;
2. જોડાણની મજબૂતાઈનું મૂલ્યાંકન, સહસંબંધ ગુણાંકની ગણતરી;
3. સહસંબંધ ગુણાંકના મહત્વનું મૂલ્યાંકન;
4. રીગ્રેસન સમીકરણ ગુણાંકના મહત્વનું મૂલ્યાંકન;
5. રીગ્રેસન સમીકરણ અને આત્મવિશ્વાસ મર્યાદાની પર્યાપ્તતા નક્કી કરવી.
લીનિયર રીગ્રેશન વાયપર એક્સફોર્મ ધરાવે છે:
જ્યાં α અને β એ રીગ્રેશન પેરામીટર્સ છે (β એ રીગ્રેસન ગુણાંક કહેવાય છે).
રીગ્રેસન પેરામીટર્સ α અને β ના આંકડાકીય અંદાજો પસંદ કરવામાં આવ્યા છે જેથી કરીને ફોર્મ્યુલા દ્વારા ગણવામાં આવતા મૂલ્યો પ્રાયોગિક મૂલ્યોની શક્ય તેટલી નજીક હોય. સ્ક્વેર વિચલનોનો સરવાળો નિકટતાના માપ તરીકે પસંદ કરવામાં આવે છે. સમાન બિંદુઓ પર સૈદ્ધાંતિક મૂલ્યોમાંથી પ્રયોગમૂલક મૂલ્યોના વિચલનોના વર્ગોના સરવાળાને ઘટાડીને પરિમાણો શોધવાની પદ્ધતિને લઘુત્તમ ચોરસ પદ્ધતિ કહેવામાં આવે છે.
આ પદ્ધતિ અનુસાર મેળવેલ શ્રેષ્ઠ પરિમાણ મૂલ્યો સૂત્રો દ્વારા નક્કી કરવામાં આવે છે:
સરેરાશ મૂલ્યો ક્યાં અને છે એક્સઅને વાય, જેની ગણતરી સૂત્રોનો ઉપયોગ કરીને કરવામાં આવે છે:
ધ્યાનમાં લેતા (15), અમે ફોર્મમાં પ્રયોગમૂલક રીગ્રેસન લાઇન લખીએ છીએ:
રેખીય સહસંબંધ અવલંબનની શક્તિ વાયઅને એક્સસહસંબંધ ગુણાંક દર્શાવે છે આર. ગુણાંક આર 1 થી બદલાય છે. તે જેટલો નજીક છે, તેટલો મજબૂત રેખીય સંબંધ વાયઅને એક્સ, મર્યાદિત કિસ્સામાં, જો , ત્યાં ચોક્કસ રેખીય કાર્યાત્મક અવલંબન છે વાયથી એક્સ. જો, તો પછી વાયઅને એક્સસહસંબંધ નથી. સહસંબંધ ગુણાંકનો અંદાજ લગાવીને આરનમૂના સહસંબંધ ગુણાંક તરીકે સેવા આપે છે, જે સૂત્ર દ્વારા ગણવામાં આવે છે:
નમૂનાના ડેટામાંથી નિર્ધારિત સહસંબંધ ગુણાંક સામાન્ય વસ્તીને અનુરૂપ વાસ્તવિક મૂલ્ય સાથે સુસંગત ન હોઈ શકે. નમૂનાના સહસંબંધ ગુણાંકના મહત્વ વિશે આંકડાકીય પૂર્વધારણાને ચકાસવા માટે, ઉપયોગ કરો tવિદ્યાર્થીની ટી-ટેસ્ટ, જેનું અવલોકન કરેલ મૂલ્ય સૂત્રનો ઉપયોગ કરીને ગણવામાં આવે છે:
નિર્ણાયક મૂલ્ય tસ્વતંત્રતાની ડિગ્રી અને મહત્વના સ્તરની સંખ્યા માટે માપદંડ α વિદ્યાર્થીઓના વિતરણના નિર્ણાયક મુદ્દાઓના કોષ્ટકોમાંથી જોવા મળે છે. જો , તો પછી સહસંબંધ ગુણાંકના શૂન્ય મૂલ્ય વિશેની ધારણાની પુષ્ટિ થતી નથી, અને નમૂના સહસંબંધ ગુણાંક નોંધપાત્ર છે. જો, તો મૂલ્ય આરશૂન્યની નજીક.
રીગ્રેસન સમીકરણ (16) માં સમાવિષ્ટ પરિમાણોનો અંદાજ કાઢવા માટે, વ્યવહારિક સમસ્યાઓ હલ કરતી વખતે, આપણે આત્મવિશ્વાસના અંતરાલ બાંધવા માટે પોતાને મર્યાદિત કરી શકીએ છીએ. આપેલ વિશ્વસનીયતા γ માટે, પરિમાણો અને β માટે વિશ્વાસ અંતરાલ સૂત્રો દ્વારા નક્કી કરવામાં આવે છે:
નિર્ણાયક મૂલ્ય ક્યાં છે t- સ્વતંત્રતા અને મહત્વના સ્તરની ડિગ્રીની સંખ્યા માટે માપદંડ, જે વિદ્યાર્થી વિતરણના નિર્ણાયક બિંદુઓના કોષ્ટકોમાંથી જોવા મળે છે, - શેષ વિભિન્નતાનું વર્ગમૂળ, જે સૂત્ર દ્વારા જોવા મળે છે:
પ્રયોગમૂલક રીગ્રેસન સમીકરણ પ્રાપ્ત કર્યા પછી, તે નિરીક્ષણ પરિણામોને કેટલી સારી રીતે અનુરૂપ છે તે તપાસો. રીગ્રેસન સમીકરણના મહત્વ વિશેની પૂર્વધારણાને ચકાસવા માટે, ઉપયોગ કરો એફ-ફિશર માપદંડ, જેનું અવલોકન કરેલ મૂલ્ય સૂત્રનો ઉપયોગ કરીને ગણવામાં આવે છે:
સુધારેલ તફાવત ક્યાં છે વાય, જે સૂત્ર દ્વારા ગણવામાં આવે છે:
નિર્ણાયક મૂલ્ય એફ-ફિશર-સ્નેડેકોર વિતરણના નિર્ણાયક બિંદુઓના કોષ્ટકોમાંથી સ્વતંત્રતાની ડિગ્રીની સંખ્યા અને મહત્વ સ્તર α માટેના માપદંડો જોવા મળે છે. જો , તો પછી રીગ્રેસન સમીકરણની તુચ્છતા વિશેની પૂર્વધારણાની પુષ્ટિ થઈ નથી, અને સમીકરણ નિરીક્ષણ પરિણામોને અનુરૂપ છે. જો , તો પરિણામી સમીકરણ નજીવું છે.
પ્રયોગમૂલક સમીકરણ આપેલ અવલોકન પ્રણાલીને કેટલી સારી રીતે વર્ણવે છે તેના માપની બીજી લાક્ષણિકતા એ નિર્ધારણનો ગુણાંક છે ડી, જે સૂત્ર દ્વારા ગણવામાં આવે છે:
ગુણાંક જેટલા નજીક છે ડીએક માટે, વધુ સારું વર્ણન.
એકવાર મૉડલ બની ગયા પછી, તેનો ઉપયોગ વિશ્લેષણ અને આગાહી માટે થાય છે. પરિબળને સમીકરણ (17) માં બદલીને આગાહી કરવામાં આવે છે. પરિણામી બિંદુ અંદાજ છે:
અનુમાનિત મૂલ્ય માટે આત્મવિશ્વાસ અંતરાલ છે:
નિર્ણાયક મૂલ્ય ક્યાં છે tસ્વતંત્રતા અને મહત્વના સ્તરની ડિગ્રીની સંખ્યા માટે માપદંડ, જે વિદ્યાર્થી વિતરણના નિર્ણાયક મુદ્દાઓના કોષ્ટકોમાંથી મળે છે.
ઉદાહરણ.લીનિયર રીગ્રેસન મોડલ બનાવવું
નિરીક્ષણ ડેટાના આધારે, રેખીય રીગ્રેસન સમીકરણના પરિમાણો નક્કી કરો વાયપર એક્સ. રીગ્રેસન અને સહસંબંધ ગુણાંક શોધો અને નમૂના સહસંબંધ ગુણાંકના મહત્વ વિશેની પૂર્વધારણાનું પરીક્ષણ કરો. રીગ્રેસન સમીકરણના પરિમાણો માટે આત્મવિશ્વાસ અંતરાલો શોધો. નિર્ધારણનો ગુણાંક નક્કી કરો. પરિણામી રીગ્રેસન સમીકરણના મહત્વ વિશેની પૂર્વધારણાનું પરીક્ષણ કરો. મોડેલ દ્વારા અનુમાનિત મૂલ્ય શોધો yખાતે x=x 0 અને તેના માટે વિશ્વાસ અંતરાલ શોધો. મહત્વના સ્તરને 0.05 ની બરાબર લો.
એક્સ | ||||||||
વાય | 0,5 | 0,7 | 0,9 | 1,1 | 1,4 | 1,4 | 1,7 | 1,9 |
રીગ્રેસન સમીકરણના પરિમાણો મેળવવા માટે, ચાલો એક કોષ્ટક બનાવીએ. કોષ્ટક 2
0,5 0,7 0,9 1,1 1,4 1,4 1,7 1,9 | -40 -28 -11 | -0,7 -0,5 -0,3 -0,1 0,2 0,2 0,5 0,7 | 0,49 0,25 0,09 0,01 0,04 0,04 0,25 0,49 | 3,3 -0,2 1,8 2,6 10,5 23,8 | 0,43 0,661 0,998 1,239 1,373 1,450 1,604 1,854 | 0,0049 0,0015 0,0077 0,0193 0,0007 0,0025 0,0092 0,0021 | ||
9,6 | 1,66 | 83,8 | 0,0479 |
કોષ્ટકની છેલ્લી પંક્તિ ગણતરીમાં ઉપયોગમાં લેવાતા કૉલમનો સરવાળો દર્શાવે છે.
ચાલો સરેરાશ મૂલ્યો શોધીએ એક્સઅને વાયસૂત્ર અનુસાર (16):
ચાલો સૂત્ર (15) નો ઉપયોગ કરીને રીગ્રેસન ગુણાંકની ગણતરી કરીએ:
અને અમે (17) ને બદલીને પ્રયોગમૂલક રીગ્રેસન સમીકરણ મેળવીએ છીએ:
ફોર્મ્યુલા (28) નો ઉપયોગ કરીને, અમે સૈદ્ધાંતિક મૂલ્યોની ગણતરી કરીએ છીએ અને કોષ્ટક 2 ની છેલ્લી બે કૉલમ ભરીએ છીએ.
ચાલો સૂત્ર (18) નો ઉપયોગ કરીને સહસંબંધ ગુણાંકની ગણતરી કરીએ:
અને ચાલો તેના મહત્વ વિશેની પૂર્વધારણાનું પરીક્ષણ કરીએ. અમે સૂત્ર (19) નો ઉપયોગ કરીને માપદંડનું અવલોકન કરેલ મૂલ્ય શોધીએ છીએ:
વિદ્યાર્થી વિતરણના નિર્ણાયક મુદ્દાઓના કોષ્ટકનો ઉપયોગ કરીને, અમે સ્વતંત્રતાની ડિગ્રી અને મહત્વના સ્તરની સંખ્યા સાથે વિદ્યાર્થી વિતરણના નિર્ણાયક બિંદુને શોધીએ છીએ અને તેની તુલના કરીએ છીએ અને: તેથી, સહસંબંધ ગુણાંક નોંધપાત્ર છે, અને વાયઅને એક્સરેખીય સહસંબંધ દ્વારા જોડાયેલા છે.
રેખીય રીગ્રેસન સમીકરણ (28) ના પરિમાણોના આત્મવિશ્વાસ અંતરાલોને નિર્ધારિત કરવા માટે, અમે સૂત્ર (22) નો ઉપયોગ કરીને શેષ તફાવત શોધીએ છીએ:
સૂત્ર (20) માં સ્થાનાંતરિત કરીને, અમે ગણતરી માટે વિશ્વાસ અંતરાલ મેળવીએ છીએ, અમે વિશ્વસનીયતા સાથે અંતરાલ અંદાજ મેળવીએ છીએ
અમે ફોર્મ્યુલા (21) નો ઉપયોગ કરવા માટે આત્મવિશ્વાસ અંતરાલ મેળવીએ છીએ:
તેથી, વિશ્વસનીયતા સાથે પરિમાણ માટે અંતરાલ અંદાજ
ચાલો પરિણામી રીગ્રેસન સમીકરણના મહત્વ વિશેની પૂર્વધારણા તપાસીએ. અવલોકન કરેલ મૂલ્યની ગણતરી કરવા માટે એફ- માપદંડ અમે સુધારેલ તફાવત શોધીશું વાયફોર્મ્યુલા (24) નો ઉપયોગ કરીને: ફોર્મ્યુલા (23) માં બદલીને, અમે પ્રાપ્ત કરીએ છીએ: સ્વતંત્રતાની ડિગ્રીની સંખ્યા માટે અને મહત્વના સ્તરે ફિશર-સ્નેડેકોર વિતરણના નિર્ણાયક બિંદુઓના કોષ્ટકનો ઉપયોગ કરીને, અમે અવલોકન કરેલ અને નિર્ણાયક મૂલ્યોની તુલના કરીએ છીએ. એફ- માપદંડ, તેથી અમે મેળવીએ છીએ કે સમીકરણ નોંધપાત્ર છે.
અવલોકન કરેલ મૂલ્યો માટે રેખીય મોડેલની પર્યાપ્તતાનું મૂલ્યાંકન કરવા માટે, અમે સૂત્ર (25) નો ઉપયોગ કરીને નિર્ધારણનો ગુણાંક પણ શોધીએ છીએ:
આ પરિણામનું અર્થઘટન નીચે મુજબ છે: 97.1% પરિવર્તનક્ષમતા વાયપરિબળમાં ફેરફાર દ્વારા સમજાવ્યું એક્સ, અને બાકીના રેન્ડમ પરિબળો પરિવર્તનશીલતાના 2.9% માટે જવાબદાર છે. જો કે, આ નિષ્કર્ષ ફક્ત મૂલ્યોની ગણવામાં આવેલ શ્રેણી માટે જ માન્ય છે એક્સ.
અમે આગાહી માટે સમીકરણ (28) નો ઉપયોગ કરીએ છીએ. માટે એક બિંદુ અંદાજ સાથે yઆપણે ફોર્મ્યુલા (28) માં બદલીને મેળવીએ છીએ: ફોર્મ્યુલા (27) માંથી આપણે મેળવીએ છીએ તે માટેનો વિશ્વાસ અંતરાલ:
છેલ્લે, વિશ્વસનીયતા સાથે માટે અંતરાલ અંદાજ
સમસ્યા નીચે પ્રમાણે ઘડવામાં આવી છે: ઇચ્છિત જથ્થો દો zઅન્ય જથ્થા દ્વારા નિર્ધારિત a, b, c, ... પ્રત્યક્ષ માપનમાંથી મેળવેલ
z = f (a, b, c,...) (1.11)
કાર્યનું સરેરાશ મૂલ્ય અને તેના માપનની ભૂલ શોધવા માટે તે જરૂરી છે, એટલે કે. આત્મવિશ્વાસ અંતરાલ શોધો
વિશ્વસનીયતા અને સંબંધિત ભૂલ સાથે.
માટે, તેને બદલે (11) ની જમણી બાજુએ બદલીને જોવા મળે છે a, b, c,...તેમના સરેરાશ મૂલ્યો
પરોક્ષ માપની સંપૂર્ણ ભૂલ એ પ્રત્યક્ષ માપની સંપૂર્ણ ભૂલોનું કાર્ય છે અને સૂત્ર દ્વારા તેની ગણતરી કરવામાં આવે છે.
(1.14)
અહીં ફંક્શનના આંશિક ડેરિવેટિવ્ઝ છે fચલો દ્વારા a, b, …
જો મૂલ્યો a, b, c,... એક કાર્યમાં Z = f (a, b, c,...)એક ડિગ્રી અથવા અન્ય પરિબળોના સ્વરૂપમાં શામેલ છે, એટલે કે જો
, (1.15)
પછી સંબંધિત ભૂલની પ્રથમ ગણતરી કરવી અનુકૂળ છે
, (1.16)
અને પછી નિરપેક્ષ
ડી માટે ફોર્મ્યુલા zઅને e z સંદર્ભ સાહિત્યમાં આપવામાં આવે છે.
તમારે 3.14 લેવાની જરૂર છે. આ કિસ્સામાં
1. પરોક્ષ માપ માટે, ગણતરીના સૂત્રોમાં જાણીતા ભૌતિક સ્થિરાંકો (ગુરુત્વાકર્ષણ પ્રવેગક) શામેલ હોઈ શકે છે g, વેક્યૂમમાં પ્રકાશની ગતિ સાથેવગેરે), અપૂર્ણાંક પરિબળો જેવી સંખ્યાઓ... . આ મૂલ્યો ગણતરી દરમિયાન ગોળાકાર હોય છે. આ કિસ્સામાં, અલબત્ત, ગણતરીમાં ભૂલ રજૂ કરવામાં આવી છે - ગણતરીઓમાં રાઉન્ડિંગ ભૂલ, જે ધ્યાનમાં લેવી આવશ્યક છે.
તે સામાન્ય રીતે સ્વીકારવામાં આવે છે કે અંદાજિત સંખ્યાની ગોળાકાર ભૂલ એ અંકના અડધા એકમ જેટલી હોય છે જેના પર આ સંખ્યા ગોળાકાર હતી. ઉદાહરણ તરીકે, પી = 3.14159... જો આપણે p = 3.1 લઈએ, તો Dp = 0.05, જો p = 3.14, તો Dp = 0.005 ... વગેરે. અંદાજિત સંખ્યાને કયા અંક પર ગોળાકાર બનાવવો તે પ્રશ્ન નીચે મુજબ ઉકેલવામાં આવે છે: રાઉન્ડિંગ દ્વારા રજૂ કરાયેલ સંબંધિત ભૂલ સમાન ક્રમની હોવી જોઈએ અથવા અન્ય પ્રકારની સંબંધિત ભૂલોની મહત્તમ કરતાં ઓછી તીવ્રતાનો ક્રમ હોવો જોઈએ. ટેબ્યુલર ડેટાની સંપૂર્ણ ભૂલ એ જ રીતે અંદાજવામાં આવે છે. ઉદાહરણ તરીકે, કોષ્ટક r = 13.6 × 10 3 kg/m 3 સૂચવે છે, તેથી, Dr = 0.05 × 10 3 kg/m 3.
સાર્વત્રિક સ્થિરાંકોના મૂલ્યોમાં ભૂલ ઘણીવાર સરેરાશ તરીકે લેવામાં આવેલા તેમના મૂલ્યો સાથે સૂચવવામાં આવે છે: ( સાથે = m/s, જ્યાં ડી સાથે= 0.3×10 3 m/s.
2. કેટલીકવાર, પરોક્ષ માપ સાથે, પ્રાયોગિક પરિસ્થિતિઓ પુનરાવર્તિત અવલોકનો સાથે મેળ ખાતી નથી. આ કિસ્સામાં, કાર્ય મૂલ્ય zદરેક વ્યક્તિગત માપ માટે ગણતરી કરવામાં આવે છે, અને વિશ્વાસ અંતરાલ સમગ્ર મૂલ્યોમાં ગણવામાં આવે છે zપ્રત્યક્ષ માપની જેમ જ (અહીંની બધી ભૂલો એક રેન્ડમ માપન ભૂલમાં સમાવવામાં આવેલ છે z). મૂલ્યો કે જે માપવામાં આવતાં નથી, પરંતુ ઉલ્લેખિત (જો તે અસ્તિત્વમાં હોય તો) પૂરતા પ્રમાણમાં ઉચ્ચ ચોકસાઈ સાથે દર્શાવવા જોઈએ.
માપન પરિણામો પર પ્રક્રિયા કરવાની પ્રક્રિયા
પ્રત્યક્ષ માપન
1. માટે સરેરાશ મૂલ્યની ગણતરી કરો nમાપ
2. વ્યક્તિગત માપની ભૂલો શોધો .
3. વ્યક્તિગત માપનની ચોરસ ભૂલો અને તેમના સરવાળાની ગણતરી કરો: .
4. વિશ્વસનીયતા સેટ કરો (અમારા હેતુઓ માટે અમે a = 0.95 લઈએ છીએ) અને વિદ્યાર્થી ગુણાંક નક્કી કરવા માટે કોષ્ટકનો ઉપયોગ કરો t a nઅને t a, ¥ .
5. પદ્ધતિસરની ભૂલોનું મૂલ્યાંકન કરો: સાધન ડી એક્સમાપમાં ગોળાકાર ભૂલોD એક્સ env = D/2 (D એ ઇન્સ્ટ્રુમેન્ટ ડિવિઝન મૂલ્ય છે) અને માપન પરિણામની કુલ ભૂલ શોધો (વિશ્વાસ અંતરાલની અડધી-પહોળાઈ):
.
6. સંબંધિત ભૂલનો અંદાજ કાઢો
.
7. ફોર્મમાં અંતિમ પરિણામ લખો
a = ... માટે ε = … %
પરોક્ષ માપ
1. દરેક જથ્થા માટે સીધું માપવામાં આવે છે, ઇચ્છિત જથ્થો નક્કી કરવા માટેના સૂત્રમાં શામેલ છે , ઉપર સૂચવ્યા મુજબ પ્રક્રિયા હાથ ધરવા. જો જથ્થાઓ વચ્ચે a, b, c, ... ત્યાં કોષ્ટક સ્થિરાંકો અથવા સંખ્યાઓ છે જેમ કે p, ઇ,..., પછી ગણતરી દરમિયાન તેઓને ગોળાકાર કરવા જોઈએ (જો શક્ય હોય તો) કે રજૂ કરવામાં આવેલી સંબંધિત ભૂલ સીધી માપવામાં આવેલ જથ્થાની સૌથી મોટી સંબંધિત ભૂલ કરતાં ઓછી તીવ્રતાનો ક્રમ છે.
ઇચ્છિત જથ્થાનું સરેરાશ મૂલ્ય નક્કી કરો
z = f ( ,,
3. પરોક્ષ માપના પરિણામ માટે આત્મવિશ્વાસ અંતરાલની અડધી-પહોળાઈનો અંદાજ કાઢો
,
જ્યાં ડેરિવેટિવ્ઝ... પર ગણતરી કરવામાં આવે છે
4. પરિણામની સંબંધિત ભૂલ નક્કી કરો
5. જો પર z ની અવલંબન a, b, c,... ફોર્મ ધરાવે છે , ક્યાં k, l, m- કોઈપણ વાસ્તવિક સંખ્યાઓ, તો તમારે પહેલા શોધવાની જરૂર છે સંબંધિતભૂલ
અને પછી સંપૂર્ણ .
6. ફોર્મમાં અંતિમ પરિણામ લખો
z =
નોંધ:
પ્રત્યક્ષ માપના પરિણામો પર પ્રક્રિયા કરતી વખતે, તમારે નીચેના નિયમનું પાલન કરવું આવશ્યક છે: તમામ ગણતરી કરેલ જથ્થાના આંકડાકીય મૂલ્યોમાં મૂળ (પ્રાયોગિક રીતે નિર્ધારિત) જથ્થા કરતાં એક અંક વધુ હોવો જોઈએ.
પરોક્ષ માપ માટે, ગણતરીઓ અનુસાર કરવામાં આવે છે અંદાજિત ગણતરીના નિયમો:
નિયમ 1. અંદાજિત સંખ્યાઓ ઉમેરતી અને બાદબાકી કરતી વખતે, તમારે:
a) તે શબ્દ પસંદ કરો જેમાં શંકાસ્પદ અંક સૌથી વધુ અંક ધરાવે છે;
b) અન્ય તમામ શબ્દોને આગલા અંકમાં ફેરવો (એક ફાજલ અંક જાળવી રાખવામાં આવ્યો છે);
c) સરવાળો (બાદબાકી);
d) પરિણામે, છેલ્લો અંક ગોળાકાર કરીને કાઢી નાખો (પરિણામના શંકાસ્પદ અંકનો અંક શરતોના શંકાસ્પદ અંકોના સૌથી વધુ અંકો સાથે એકરુપ છે).
ઉદાહરણ: 5.4382·10 5 – 2.918·10 3 + 35.8 + 0.064.
આ સંખ્યામાં, છેલ્લા નોંધપાત્ર અંકો શંકાસ્પદ છે (ખોટા અંકો પહેલેથી જ કાઢી નાખવામાં આવ્યા છે). ચાલો તેમને 543820 – 2918 + 35.8 + 0.064 ફોર્મમાં લખીએ.
તે જોઈ શકાય છે કે પ્રથમ ટર્મમાં શંકાસ્પદ નંબર 2 સૌથી વધુ અંક (દસ) ધરાવે છે. બીજી બધી સંખ્યાઓને આગળના અંકમાં ગોળાકાર કરીને અને ઉમેરીએ તો આપણને મળે છે
543820 – 2918 + 36 + 0 = 540940 = 5.4094 10 5.
નિયમ 2. અંદાજિત સંખ્યાઓનો ગુણાકાર (ભાગાકાર) કરતી વખતે તમારે:
a) નોંધપાત્ર આંકડાઓની ઓછામાં ઓછી સંખ્યા સાથે સંખ્યા(ઓ) પસંદ કરો ( SIGNIFICANT – તેમની વચ્ચે શૂન્ય અને શૂન્ય સિવાયની સંખ્યાઓ);
b) બાકીની સંખ્યાઓને ગોળાકાર કરો જેથી તેઓ સ્ટેપ a માં ફાળવેલ સંખ્યા કરતાં વધુ નોંધપાત્ર અંકો (એક ફાજલ અંક જાળવી રાખવામાં આવે) હોય;
c) પરિણામી સંખ્યાઓનો ગુણાકાર (ભાગાકાર) કરો;
d) પરિણામે, ઓછામાં ઓછા નોંધપાત્ર આંકડાઓ સાથે સંખ્યા(ઓ)માં જેટલા નોંધપાત્ર આંકડા હતા તેટલા નોંધપાત્ર આંકડાઓ છોડી દો.
ઉદાહરણ: .
નિયમ 3. જ્યારે પાવર પર ઉછેરવામાં આવે છે, જ્યારે રુટ કાઢવામાં આવે છે, ત્યારે પરિણામ અસલ સંખ્યામાં હોય તેટલા નોંધપાત્ર અંકો જાળવી રાખે છે.
ઉદાહરણ: .
નિયમ 4. સંખ્યાના લઘુગણકને શોધતી વખતે, લઘુગણકના મેન્ટિસામાં મૂળ સંખ્યામાં જેટલા નોંધપાત્ર અંકો છે તેટલા જ હોવા જોઈએ:
ઉદાહરણ: .
અંતિમ રેકોર્ડિંગમાં સંપૂર્ણભૂલો માત્ર બાકી હોવી જોઈએ એક નોંધપાત્ર આંકડો. (જો આ અંક 1 નીકળે, તો તેના પછી બીજો અંક સંગ્રહિત થાય છે).
સરેરાશ મૂલ્ય સંપૂર્ણ ભૂલના સમાન અંકમાં ગોળાકાર છે.
ઉદાહરણ તરીકે: વી= (375.21 0.03) સેમી 3 = (3.7521 0.0003) સેમી 3.
આઈ= (5.530 0.013) એ, એ = જે.
કોઈપણ માપ હંમેશા માપવાના સાધનોની મર્યાદિત ચોકસાઈ, ખોટી પસંદગી અને માપન પદ્ધતિની ભૂલ, પ્રયોગકર્તાનું શરીરવિજ્ઞાન, માપવામાં આવી રહેલી વસ્તુઓની લાક્ષણિકતાઓ, માપની સ્થિતિમાં ફેરફાર વગેરે સાથે સંકળાયેલ કેટલીક ભૂલો સાથે કરવામાં આવે છે. તેથી, માપન કાર્યમાં માત્ર જથ્થાને જ નહીં, પણ માપની ભૂલ પણ શોધવાનો સમાવેશ થાય છે, એટલે કે. અંતરાલ જેમાં માપેલ જથ્થાનું સાચું મૂલ્ય સંભવતઃ આવેલું છે. ઉદાહરણ તરીકે, જ્યારે 0.2 s ના વિભાજન મૂલ્ય સાથે સ્ટોપવોચ સાથે સમયનો સમયગાળો માપવામાં આવે છે, ત્યારે આપણે કહી શકીએ કે તેનું સાચું મૂલ્ય s થી અંતરાલમાં છે.
સાથે. આમ, માપેલ મૂલ્યમાં હંમેશા કેટલીક ભૂલ હોય છે
, ક્યાં અને X એ અનુક્રમે અભ્યાસ હેઠળના જથ્થાના સાચા અને માપેલા મૂલ્યો છે. તીવ્રતા
કહેવાય છે સંપૂર્ણ ભૂલ(ભૂલ) માપન, અને અભિવ્યક્તિ
, જે માપનની ચોકસાઈની લાક્ષણિકતા દર્શાવે છે, કહેવાય છે સંબંધિત ભૂલ.
પ્રયોગકર્તા દરેક માપને સૌથી વધુ પ્રાપ્ય સચોટતા સાથે કરવા માંગે તે તદ્દન સ્વાભાવિક છે, પરંતુ આવો અભિગમ હંમેશા સલાહભર્યો નથી. આપણે આ અથવા તે જથ્થાને જેટલી સચોટ રીતે માપવા માંગીએ છીએ, આપણે જેટલા જટિલ સાધનોનો ઉપયોગ કરવો જોઈએ, આ માપન માટે વધુ સમયની જરૂર પડશે. તેથી, અંતિમ પરિણામની ચોકસાઈ પ્રયોગના હેતુને અનુરૂપ હોવી જોઈએ. ભૂલોનો સિદ્ધાંત માપન કેવી રીતે લેવું જોઈએ અને પરિણામોની પ્રક્રિયા કેવી રીતે કરવી તે અંગે ભલામણો આપે છે જેથી ભૂલ ન્યૂનતમ હોય.
માપન દરમિયાન ઉદ્દભવતી તમામ ભૂલોને સામાન્ય રીતે ત્રણ પ્રકારમાં વિભાજિત કરવામાં આવે છે - વ્યવસ્થિત, રેન્ડમ અને મિસ, અથવા એકંદર ભૂલો.
- આ ભૂલભરેલા માપ છે જે ઉપકરણ પર બેદરકાર વાંચન, રેકોર્ડિંગ રીડિંગ્સની અયોગ્યતાના પરિણામે ઉદ્ભવે છે. ઉદાહરણ તરીકે, પરિણામને 2.65 ને બદલે 26.5 તરીકે રેકોર્ડ કરવું; 13 ને બદલે 18 ના સ્કેલ પર ગણવું વગેરે.ઉપકરણોની મર્યાદિત ઉત્પાદન ચોકસાઈ (સાધનની ભૂલો), પસંદ કરેલ માપન પદ્ધતિની ખામીઓ, ગણતરીના સૂત્રની અચોક્કસતા, ઉપકરણની ખોટી ઇન્સ્ટોલેશન વગેરેને કારણે. આમ, વ્યવસ્થિત ભૂલો એવા પરિબળોને કારણે થાય છે જે સમાન માપન ઘણી વખત પુનરાવર્તિત થાય ત્યારે તે જ રીતે કાર્ય કરે છે. આ ભૂલની તીવ્રતા વ્યવસ્થિત રીતે પુનરાવર્તિત થાય છે અથવા ચોક્કસ કાયદા અનુસાર બદલાય છે. માપન પદ્ધતિમાં ફેરફાર કરીને, ઇન્સ્ટ્રુમેન્ટ રીડિંગ્સમાં સુધારાઓ દાખલ કરીને અને બાહ્ય પરિબળોના સતત પ્રભાવને ધ્યાનમાં લઈને કેટલીક પદ્ધતિસરની ભૂલોને દૂર કરી શકાય છે (વ્યવહારમાં આ હંમેશા પ્રાપ્ત કરવું સરળ છે).
જો કે પુનરાવર્તિત માપનમાં વ્યવસ્થિત (ઇન્સ્ટ્રુમેન્ટલ) ભૂલ એક દિશામાં સાચા મૂલ્યમાંથી માપેલ મૂલ્યનું વિચલન આપે છે, અમે ક્યારેય જાણી શકતા નથી કે કઈ દિશામાં. તેથી, સાધનની ભૂલ ડબલ સાઇન સાથે લખાયેલ છે
રેન્ડમ ભૂલોમોટી સંખ્યામાં અવ્યવસ્થિત કારણો (તાપમાનમાં ફેરફાર, દબાણ, મકાન ધ્રુજારી, વગેરે) દ્વારા થાય છે, જેની અસરો દરેક માપન પર અલગ અલગ હોય છે અને તેને અગાઉથી ધ્યાનમાં લઈ શકાતી નથી. પ્રયોગકર્તાની ઇન્દ્રિયોની અપૂર્ણતાને કારણે પણ રેન્ડમ ભૂલો થાય છે. રેન્ડમ ભૂલોમાં માપેલ ઑબ્જેક્ટના ગુણધર્મોને લીધે થતી ભૂલોનો પણ સમાવેશ થાય છે.
વ્યક્તિગત માપનમાં રેન્ડમ ભૂલોને બાકાત રાખવી અશક્ય છે, પરંતુ બહુવિધ માપન કરીને અંતિમ પરિણામ પર આ ભૂલોના પ્રભાવને ઘટાડવાનું શક્ય છે. જો રેન્ડમ ભૂલ ઇન્સ્ટ્રુમેન્ટલ (વ્યવસ્થિત) કરતાં નોંધપાત્ર રીતે ઓછી હોવાનું બહાર આવે છે, તો માપનની સંખ્યામાં વધારો કરીને રેન્ડમ ભૂલના મૂલ્યને વધુ ઘટાડવાનો કોઈ અર્થ નથી. જો રેન્ડમ ભૂલ સાધનની ભૂલ કરતાં મોટી હોય, તો રેન્ડમ ભૂલનું મૂલ્ય ઘટાડવા અને તેને સાધનની ભૂલ કરતાં ઓછી અથવા સમાન ક્રમમાં માપવા માટે માપની સંખ્યા વધારવી જોઈએ.
ભૂલો અથવા ભૂલો- આ ઉપકરણ પરના ખોટા વાંચન, વાંચનનું ખોટું રેકોર્ડિંગ વગેરે છે. એક નિયમ તરીકે, આ કારણોને લીધે થતી ભૂલો સ્પષ્ટપણે દૃશ્યમાન છે, કારણ કે અનુરૂપ રીડિંગ્સ અન્ય રીડિંગ્સથી તીવ્ર રીતે અલગ છે. નિયંત્રણ માપદંડો દ્વારા મિસને દૂર કરવી આવશ્યક છે. આમ, અંતરાલની પહોળાઈ કે જેમાં માપેલ જથ્થાના સાચા મૂલ્યો આવેલા છે તે ફક્ત રેન્ડમ અને વ્યવસ્થિત ભૂલો દ્વારા નક્કી કરવામાં આવશે.
2 . વ્યવસ્થિત (સાધન) ભૂલનો અંદાજ
સીધા માપન માટેમાપેલ જથ્થાના મૂલ્યની ગણતરી સીધી માપન ઉપકરણના સ્કેલ પર કરવામાં આવે છે. વાંચનમાં ભૂલ સ્કેલ ડિવિઝનના દસમા ભાગ સુધી પહોંચી શકે છે. સામાન્ય રીતે, આવા માપમાં, પદ્ધતિસરની ભૂલને માપવાના સાધનના અડધા સ્કેલ ડિવિઝન જેટલી ગણવામાં આવે છે. ઉદાહરણ તરીકે, જ્યારે 0.05 મીમીના વિભાજન મૂલ્ય સાથે કેલિપરથી માપવામાં આવે છે, ત્યારે સાધન માપનની ભૂલનું મૂલ્ય 0.025 મીમીની બરાબર લેવામાં આવે છે.
ડિજિટલ માપન સાધનો ઇન્સ્ટ્રુમેન્ટ સ્કેલ પરના છેલ્લા અંકના એક એકમના મૂલ્યની બરાબર ભૂલ સાથે માપે છે તે જથ્થાનું મૂલ્ય આપે છે. તેથી, જો ડિજિટલ વોલ્ટમીટર 20.45 mV નું મૂલ્ય દર્શાવે છે, તો સંપૂર્ણ માપન ભૂલ બરાબર છે
mV
કોષ્ટકોમાંથી નિર્ધારિત સતત મૂલ્યોનો ઉપયોગ કરતી વખતે પદ્ધતિસરની ભૂલો પણ ઊભી થાય છે. આવા કિસ્સાઓમાં, ભૂલ છેલ્લા નોંધપાત્ર અંકના અડધા જેટલી હોવાનું માનવામાં આવે છે. ઉદાહરણ તરીકે, જો કોષ્ટકમાં સ્ટીલની ઘનતાનું મૂલ્ય 7.9∙10 3 kg/m 3 આપવામાં આવ્યું છે, તો આ કિસ્સામાં સંપૂર્ણ ભૂલ બરાબર છે
kg/m3.
વિદ્યુત માપન સાધનોના સાધનની ભૂલોની ગણતરીમાં કેટલીક સુવિધાઓ નીચે ચર્ચા કરવામાં આવશે.
પરોક્ષ માપની વ્યવસ્થિત (ઇન્સ્ટ્રુમેન્ટલ) ભૂલ નક્કી કરતી વખતેકાર્યાત્મક મૂલ્ય
ફોર્મ્યુલા વપરાય છે
, (1)
જ્યાં - જથ્થાના સીધા માપના સાધનની ભૂલો , - ચલના સંદર્ભમાં ફંક્શનના આંશિક ડેરિવેટિવ્ઝ.
ઉદાહરણ તરીકે, અમે સિલિન્ડરના જથ્થાને માપતી વખતે પદ્ધતિસરની ભૂલની ગણતરી માટે સૂત્ર મેળવીએ છીએ. સિલિન્ડરના વોલ્યુમની ગણતરી માટેનું સૂત્ર છે
.
ચલોના સંદર્ભમાં આંશિક ડેરિવેટિવ્ઝ ડી અને hસમાન હશે
,
.
આમ, (2...) અનુસાર સિલિન્ડરના જથ્થાને માપતી વખતે સંપૂર્ણ પદ્ધતિસરની ભૂલ નક્કી કરવા માટેનું સૂત્ર નીચે મુજબ છે
,
જ્યાં
અને
સિલિન્ડરના વ્યાસ અને ઊંચાઈને માપતી વખતે સાધનની ભૂલો
3. રેન્ડમ ભૂલનો અંદાજ.
આત્મવિશ્વાસ અંતરાલ અને આત્મવિશ્વાસની સંભાવના
મોટા ભાગના સરળ માપદંડો માટે, રેન્ડમ ભૂલોનો કહેવાતો સામાન્ય કાયદો ખૂબ સારી રીતે સંતુષ્ટ છે ( ગૌસનો કાયદો), નીચેની પ્રયોગમૂલક જોગવાઈઓમાંથી તારવેલી.
માપન ભૂલો મૂલ્યોની સતત શ્રેણી લઈ શકે છે;
મોટી સંખ્યામાં માપ સાથે, સમાન તીવ્રતાની ભૂલો, પરંતુ વિવિધ ચિહ્નોની, સમાન રીતે વારંવાર થાય છે,
રેન્ડમ ભૂલ જેટલી મોટી, તે થવાની શક્યતા ઓછી છે.
સામાન્ય ગૌસિયન વિતરણ કાયદાનો આલેખ આકૃતિ 1 માં પ્રસ્તુત છે. વળાંકનું સમીકરણ છે
, (2)
જ્યાં
- રેન્ડમ ભૂલો (ભૂલો) નું વિતરણ કાર્ય, ભૂલ થવાની સંભાવનાનું લક્ષણ
, σ – સરેરાશ ચોરસ ભૂલ.
જથ્થા σ એ રેન્ડમ ચલ નથી અને માપન પ્રક્રિયાની લાક્ષણિકતા છે. જો માપની સ્થિતિ બદલાતી નથી, તો σ એ સ્થિર મૂલ્ય રહે છે. આ જથ્થાના વર્ગને કહેવામાં આવે છે માપન વિક્ષેપ.વિક્ષેપ જેટલો નાનો, વ્યક્તિગત મૂલ્યોનો ફેલાવો ઓછો અને માપનની ચોકસાઈ વધારે.
સરેરાશ ચોરસ ભૂલ σ નું ચોક્કસ મૂલ્ય, તેમજ માપેલ મૂલ્યનું સાચું મૂલ્ય, અજ્ઞાત છે. આ પરિમાણનો એક કહેવાતો આંકડાકીય અંદાજ છે, જે મુજબ સરેરાશ ચોરસ ભૂલ એ અંકગણિત સરેરાશની સરેરાશ ચોરસ ભૂલની બરાબર છે. . જેનું મૂલ્ય સૂત્ર દ્વારા નક્કી થાય છે
, (3)
જ્યાં - પરિણામ iમી પરિમાણ; - પ્રાપ્ત મૂલ્યોનો અંકગણિત સરેરાશ; n - માપનની સંખ્યા.
પરિમાણની સંખ્યા જેટલી વધારે છે, તે σ ની નજીક આવે તેટલું નાનું અને નજીક આવે છે. જો માપેલ જથ્થાનું સાચું મૂલ્ય μ છે, તો માપનના પરિણામે મેળવેલ તેનું અંકગણિત સરેરાશ મૂલ્ય છે , અને રેન્ડમ સંપૂર્ણ ભૂલ છે, તો માપન પરિણામ ફોર્મમાં લખવામાં આવશે
.
થી મૂલ્યોની શ્રેણી
થી
, જે માપેલ જથ્થાનું સાચું મૂલ્ય ધરાવે છે μ, કહેવાય છે આત્મવિશ્વાસ અંતરાલ.તે રેન્ડમ ચલ હોવાથી, સાચું મૂલ્ય સંભાવના α સાથે વિશ્વાસ અંતરાલમાં આવે છે, જેને કહેવામાં આવે છે આત્મવિશ્વાસની સંભાવના,અથવા વિશ્વસનીયતામાપ આ મૂલ્ય સંખ્યાત્મક રીતે છાંયેલા વક્ર ટ્રેપેઝોઇડના ક્ષેત્રની બરાબર છે. (ચિત્ર જુઓ)
જ્યારે σ નજીક હોય ત્યારે પૂરતી મોટી સંખ્યામાં માપન માટે આ બધું સાચું છે. અમે પ્રયોગશાળાના કાર્ય દરમિયાન જેની સાથે વ્યવહાર કરીએ છીએ તે નાની સંખ્યામાં માપન માટે આત્મવિશ્વાસ અંતરાલ અને આત્મવિશ્વાસની સંભાવના શોધવા માટે, અમે ઉપયોગ કરીએ છીએ વિદ્યાર્થી સંભાવના વિતરણ.આ રેન્ડમ ચલનું સંભવિત વિતરણ છે , કહેવાય છે વિદ્યાર્થીનો ગુણાંક, અંકગણિત સરેરાશની રુટ સરેરાશ ચોરસ ભૂલના અપૂર્ણાંકમાં વિશ્વાસ અંતરાલનું મૂલ્ય આપે છે.
. (4)
આ જથ્થાનું સંભવિત વિતરણ σ 2 પર આધારિત નથી, પરંતુ નોંધપાત્ર રીતે પ્રયોગોની સંખ્યા પર આધારિત છે n. પ્રયોગોની વધતી સંખ્યા સાથે nવિદ્યાર્થી વિતરણ ગૌસીયન વિતરણ તરફ વલણ ધરાવે છે.
વિતરણ કાર્ય ટેબ્યુલેટેડ છે (કોષ્ટક 1). વિદ્યાર્થી ગુણાંકનું મૂલ્ય માપનની સંખ્યાને અનુરૂપ રેખાના આંતરછેદ પર છે n, અને વિશ્વાસની સંભાવના α ને અનુરૂપ કૉલમ
કોષ્ટક 1.
કોષ્ટક ડેટાનો ઉપયોગ કરીને, તમે આ કરી શકો છો:
ચોક્કસ સંભાવનાને જોતાં, વિશ્વાસ અંતરાલ નક્કી કરો;
વિશ્વાસ અંતરાલ પસંદ કરો અને વિશ્વાસની સંભાવના નક્કી કરો.
પરોક્ષ માપ માટે, ફંક્શનના અંકગણિત સરેરાશ મૂલ્યની મૂળ સરેરાશ ચોરસ ભૂલ સૂત્રનો ઉપયોગ કરીને ગણવામાં આવે છે.
. (5)
વિશ્વાસ અંતરાલ અને આત્મવિશ્વાસની સંભાવના સીધી માપનના કિસ્સામાં તે જ રીતે નક્કી કરવામાં આવે છે.
કુલ માપન ભૂલનો અંદાજ. અંતિમ પરિણામ રેકોર્ડ કરો.
X મૂલ્યના માપન પરિણામની કુલ ભૂલ અમે તેને વ્યવસ્થિત અને રેન્ડમ ભૂલોના સરેરાશ ચોરસ મૂલ્ય તરીકે વ્યાખ્યાયિત કરીશું
, (6)
જ્યાં δх -સાધનની ભૂલ, Δ એક્સ- રેન્ડમ ભૂલ.
X એ પ્રત્યક્ષ અથવા પરોક્ષ રીતે માપેલ જથ્થો હોઈ શકે છે.
, α=…, E=… (7)
તે ધ્યાનમાં રાખવું જોઈએ કે ભૂલ સિદ્ધાંતના સૂત્રો પોતે જ મોટી સંખ્યામાં માપન માટે માન્ય છે. તેથી, રેન્ડમનું મૂલ્ય, અને તેથી કુલ ભૂલ, નાની પર નિર્ધારિત થાય છે nમોટી ભૂલ સાથે. Δ ની ગણતરી કરતી વખતે એક્સમાપની સંખ્યા સાથે
જો તે 3 થી વધુ હોય અને જો પ્રથમ નોંધપાત્ર આંકડો 3 કરતા ઓછો હોય તો બે અને જો Δ એક્સ= 0.042, પછી આપણે 2 કાઢી નાખીએ છીએ અને Δ લખીએ છીએ એક્સ=0.04, અને જો Δ એક્સ=0.123, પછી આપણે Δ લખીએ છીએ એક્સ=0,12.
પરિણામના અંકોની સંખ્યા અને કુલ ભૂલ સમાન હોવી જોઈએ. તેથી, ભૂલનો અંકગણિત સરેરાશ સમાન હોવો જોઈએ. તેથી, અંકગણિત સરેરાશને પ્રથમ માપ કરતાં એક અંક વધુ ગણવામાં આવે છે, અને પરિણામ રેકોર્ડ કરતી વખતે, તેનું મૂલ્ય કુલ ભૂલના અંકોની સંખ્યા પર શુદ્ધ કરવામાં આવે છે.
4. માપન ભૂલોની ગણતરી માટે પદ્ધતિ.
સીધા માપનની ભૂલો
પ્રત્યક્ષ માપના પરિણામોની પ્રક્રિયા કરતી વખતે, નીચેની કામગીરીના ક્રમને અપનાવવાની ભલામણ કરવામાં આવે છે.
. (8)
.
.
કુલ ભૂલ નક્કી કરવામાં આવે છે
માપન પરિણામની સંબંધિત ભૂલ અંદાજવામાં આવે છે
.
અંતિમ પરિણામ ફોર્મમાં લખાયેલ છે
, α=… E=…% સાથે.
5. પરોક્ષ માપની ભૂલ
જ્યારે પરોક્ષ રીતે માપેલા જથ્થાના સાચા મૂલ્યનો અંદાજ કાઢવો, જે અન્ય સ્વતંત્ર જથ્થાનું કાર્ય છે
, તમે બે પદ્ધતિઓનો ઉપયોગ કરી શકો છો.
પ્રથમ માર્ગજો કિંમત હોય તો વપરાય છે yવિવિધ પ્રાયોગિક પરિસ્થિતિઓ હેઠળ નિર્ધારિત. આ કિસ્સામાં, દરેક મૂલ્યો માટે તેની ગણતરી કરવામાં આવે છે
, અને પછી તમામ મૂલ્યોનો અંકગણિત સરેરાશ નક્કી કરવામાં આવે છે y i
. (9)
વ્યવસ્થિત (ઇન્સ્ટ્રુમેન્ટલ) ભૂલ સૂત્રનો ઉપયોગ કરીને તમામ માપની જાણીતી ઇન્સ્ટ્રુમેન્ટલ ભૂલોના આધારે જોવા મળે છે. આ કિસ્સામાં રેન્ડમ ભૂલને પ્રત્યક્ષ માપની ભૂલ તરીકે વ્યાખ્યાયિત કરવામાં આવે છે.
બીજી રીતજો આ કાર્ય લાગુ પડે છે y સમાન માપ સાથે ઘણી વખત નિર્ધારિત. આ કિસ્સામાં, સરેરાશ મૂલ્યોનો ઉપયોગ કરીને મૂલ્યની ગણતરી કરવામાં આવે છે. અમારી લેબોરેટરી પ્રેક્ટિસમાં, આડકતરી રીતે માપેલા જથ્થાને નિર્ધારિત કરવાની બીજી પદ્ધતિ વધુ વખત ઉપયોગમાં લેવાય છે. y. પદ્ધતિસરની (ઇન્સ્ટ્રુમેન્ટલ) ભૂલ, પ્રથમ પદ્ધતિની જેમ, સૂત્રનો ઉપયોગ કરીને તમામ માપની જાણીતી ઇન્સ્ટ્રુમેન્ટલ ભૂલોના આધારે જોવા મળે છે.
પરોક્ષ માપની રેન્ડમ ભૂલ શોધવા માટે, વ્યક્તિગત માપના અંકગણિત સરેરાશની મૂળ સરેરાશ ચોરસ ભૂલોની પ્રથમ ગણતરી કરવામાં આવે છે. પછી મૂલ્યની સરેરાશ ચોરસ ભૂલ જોવા મળે છે y. આત્મવિશ્વાસની સંભાવના α સુયોજિત કરવી, વિદ્યાર્થી ગુણાંક શોધવા અને રેન્ડમ અને કુલ ભૂલો નક્કી કરવી તે જ રીતે પ્રત્યક્ષ માપના કિસ્સામાં કરવામાં આવે છે. તેવી જ રીતે, તમામ ગણતરીઓનું પરિણામ ફોર્મમાં રજૂ કરવામાં આવે છે
, α=… E=…% સાથે.
6. લેબોરેટરી વર્ક ડિઝાઇનનું ઉદાહરણ
લેબોરેટરી વર્ક નંબર 1
સિલિન્ડરના જથ્થાનું નિર્ધારણ
એસેસરીઝ: 0.05 મીમીના વિભાજન મૂલ્ય સાથેનું કેલિપર, 0.01 મીમીના વિભાજન મૂલ્ય સાથેનું માઇક્રોમીટર, નળાકાર શરીર.
કાર્યનો હેતુ:સરળ ભૌતિક માપન સાથે પરિચિતતા, સિલિન્ડરના વોલ્યુમનું નિર્ધારણ, પ્રત્યક્ષ અને પરોક્ષ માપમાં ભૂલોની ગણતરી.
વર્ક ઓર્ડર
કેલિપર વડે સિલિન્ડરનો વ્યાસ ઓછામાં ઓછો 5 વખત અને તેની ઊંચાઈને માઇક્રોમીટર વડે માપો.
સિલિન્ડરના વોલ્યુમની ગણતરી માટે ગણતરી સૂત્ર
જ્યાં d એ સિલિન્ડરનો વ્યાસ છે; h - ઊંચાઈ.
માપન પરિણામો
કોષ્ટક 2.
માપન નં. | ||||||
; |
પરોક્ષ માપમાં ભૂલોની ગણતરી માટેના સૂત્રો વિભેદક કેલ્ક્યુલસના ખ્યાલો પર આધારિત છે.
જથ્થાની અવલંબન દો વાયમાપેલા મૂલ્યમાંથી ઝેડએક સરળ સ્વરૂપ છે: .
અહીં અને તે સ્થિરાંકો છે જેના મૂલ્યો જાણીતા છે. જો z ને કોઈ ચોક્કસ સંખ્યા દ્વારા વધારવામાં આવે છે અથવા ઘટાડો કરવામાં આવે છે, તો તે આના પ્રમાણે બદલાશે:
જો - માપેલ મૂલ્યની ભૂલ ઝેડ, પછી તે મુજબ ગણતરી કરેલ મૂલ્યમાં ભૂલ હશે વાય.
ચાલો એક ચલના કાર્યના સામાન્ય કિસ્સામાં સંપૂર્ણ ભૂલ માટે સૂત્ર મેળવીએ. ચાલો આ ફંક્શનના ગ્રાફને આકૃતિ 1 માં બતાવેલ ફોર્મ હોય. દલીલ z 0 નું ચોક્કસ મૂલ્ય ફંક્શન y 0 = f(z 0) ના ચોક્કસ મૂલ્યને અનુરૂપ છે.
દલીલનું માપેલ મૂલ્ય માપન ભૂલોને કારણે Δz દ્વારા દલીલના ચોક્કસ મૂલ્યથી અલગ પડે છે. ફંક્શનનું મૂલ્ય Δy દ્વારા ચોક્કસ મૂલ્યથી અલગ હશે.
આપેલ બિંદુ (ફિગ. 1) પર વક્ર તરફના સ્પર્શકના ઝોકના ખૂણાના સ્પર્શક તરીકે વ્યુત્પન્નના ભૌમિતિક અર્થ પરથી તે નીચે મુજબ છે:
. (10)
એક ચલના કાર્યના કિસ્સામાં પરોક્ષ માપની સંબંધિત ભૂલ માટેનું સૂત્ર આ હશે:
. (11)
ફંક્શનનો વિભેદક સમાન છે તે ધ્યાનમાં લેતા, આપણને મળે છે
(12)
જો પરોક્ષ માપ એ કાર્ય છે mચલો , તો પછી પરોક્ષ માપનની ભૂલ પ્રત્યક્ષ માપની ભૂલો પર નિર્ભર રહેશે. અમે દલીલની માપન ભૂલ સાથે સંકળાયેલ આંશિક ભૂલને સૂચવીએ છીએ. તે ફંક્શનમાં વધારો કરીને તેને વધારવા સમાન છે, જો કે અન્ય તમામ દલીલો અપરિવર્તિત હોય. આમ, અમે નીચેના ફોર્મમાં (10) અનુસાર આંશિક સંપૂર્ણ ભૂલ લખીએ છીએ:
(13)
આમ, પરોક્ષ માપની આંશિક ભૂલ શોધવા માટે, (13) મુજબ, આંશિક વ્યુત્પન્નને પ્રત્યક્ષ માપની ભૂલથી ગુણાકાર કરવો જરૂરી છે. જ્યારે ફંક્શનના આંશિક વ્યુત્પન્નની ગણતરી કરવામાં આવે છે, ત્યારે બાકીની દલીલો સ્થિર ગણવામાં આવે છે.
પરોક્ષ માપની પરિણામી સંપૂર્ણ ભૂલ સૂત્ર દ્વારા નક્કી કરવામાં આવે છે, જેમાં આંશિક ભૂલોના વર્ગોનો સમાવેશ થાય છે.
પરોક્ષ માપન:
અથવા ધ્યાનમાં લેતા (13)
(14)
પરોક્ષ માપનની સંબંધિત ભૂલ સૂત્ર દ્વારા નક્કી કરવામાં આવે છે:
અથવા ધ્યાનમાં લેતા (11) અને (12)
. (15)
(14) અને (15) નો ઉપયોગ કરીને, ગણતરીઓની સગવડતાના આધારે ભૂલોમાંથી એક, નિરપેક્ષ અથવા સંબંધિત મળી આવે છે. તેથી, ઉદાહરણ તરીકે, જો કાર્યકારી સૂત્રમાં ઉત્પાદનનું સ્વરૂપ હોય, માપેલ જથ્થાનો ગુણોત્તર હોય, તો લઘુગણક લેવું અને પરોક્ષ માપની સંબંધિત ભૂલ નક્કી કરવા માટે સૂત્ર (15) નો ઉપયોગ કરવો સરળ છે. પછી સૂત્ર (16) નો ઉપયોગ કરીને સંપૂર્ણ ભૂલની ગણતરી કરો:
પરોક્ષ માપની ભૂલ નક્કી કરવા માટેની ઉપરોક્ત પ્રક્રિયાને સમજાવવા માટે, ચાલો આપણે વર્ચ્યુઅલ લેબોરેટરી કાર્ય પર પાછા ફરીએ "ગાણિતિક લોલકનો ઉપયોગ કરીને મુક્ત પતનના પ્રવેગનું નિર્ધારણ."
કાર્યકારી સૂત્ર (1) માપેલા જથ્થાના ગુણોત્તરનું સ્વરૂપ ધરાવે છે:
તેથી, ચાલો સંબંધિત ભૂલની વ્યાખ્યા સાથે પ્રારંભ કરીએ. આ કરવા માટે, આ અભિવ્યક્તિનો લઘુગણક લો અને પછી આંશિક ડેરિવેટિવ્ઝની ગણતરી કરો:
; ; .
ફોર્મ્યુલા (15) માં અવેજી પરોક્ષ માપની સંબંધિત ભૂલ માટે સૂત્ર તરફ દોરી જાય છે:
(17)
સીધા માપનના પરિણામોને અવેજી કર્યા પછી
{ ; ) માં (17) આપણને મળે છે:
(18)
સંપૂર્ણ ભૂલની ગણતરી કરવા માટે, અમે મુક્ત પતનના પ્રવેગના અભિવ્યક્તિ (16) અને અગાઉ ગણતરી કરેલ મૂલ્ય (9) નો ઉપયોગ કરીએ છીએ. g:
સંપૂર્ણ ભૂલની ગણતરીનું પરિણામ એક નોંધપાત્ર આંકડામાં ગોળાકાર છે. સંપૂર્ણ ભૂલનું ગણતરી કરેલ મૂલ્ય અંતિમ પરિણામ રેકોર્ડ કરવાની ચોકસાઈ નક્કી કરે છે:
, α ≈ 1. (19)
આ કિસ્સામાં, આત્મવિશ્વાસની સંભાવના તે પ્રત્યક્ષ માપની આત્મવિશ્વાસ સંભાવના દ્વારા નક્કી કરવામાં આવે છે જેણે પરોક્ષ માપની ભૂલમાં નિર્ણાયક યોગદાન આપ્યું હતું. આ કિસ્સામાં, આ સમયગાળા માપન છે.
આમ, 1 ની નજીકની સંભાવના સાથે, મૂલ્ય g 8 થી 12 ની રેન્જમાં આવેલું છે.
ગુરુત્વાકર્ષણને કારણે પ્રવેગકનું વધુ સચોટ મૂલ્ય મેળવવા માટે gમાપન પદ્ધતિમાં સુધારો કરવો જરૂરી છે. આ હેતુ માટે, સંબંધિત ભૂલને ઘટાડવી જરૂરી છે, જે મુખ્યત્વે સૂત્ર (18) માંથી નીચે મુજબ છે, જે સમય માપનમાં ભૂલ દ્વારા નક્કી કરવામાં આવે છે.
આ કરવા માટે, એક સંપૂર્ણ ઓસિલેશનનો સમય નહીં, પરંતુ, ઉદાહરણ તરીકે, 10 સંપૂર્ણ ઓસિલેશનનો સમય માપવો જરૂરી છે. પછી, નીચે પ્રમાણે (2), સંબંધિત ભૂલ માટેનું સૂત્ર ફોર્મ લેશે:
. (20)
કોષ્ટક 4 સમય માપનના પરિણામો રજૂ કરે છે એન = 10
મૂલ્ય માટે એલચાલો કોષ્ટક 2 માંથી માપન પરિણામો લઈએ. પ્રત્યક્ષ માપના પરિણામોને સૂત્ર (20) માં બદલીને, અમને પરોક્ષ માપની સંબંધિત ભૂલ મળે છે:
સૂત્ર (2) નો ઉપયોગ કરીને, અમે પરોક્ષ રીતે માપેલા જથ્થાના મૂલ્યની ગણતરી કરીએ છીએ:
.
.
અંતિમ પરિણામ આ રીતે લખાયેલ છે:
; ; .
આ ઉદાહરણ માપન તકનીકોને સુધારવા માટે સંભવિત દિશાઓના વિશ્લેષણમાં સંબંધિત ભૂલ સૂત્રની ભૂમિકા દર્શાવે છે.