Средняя квадратическая ошибка относительная ошибка

Средняя квадратичная ошибка.

При ответственных
измерениях, когда необходимо знать
надежность полученных результатов,
используется средняя квадратичная
ошибка  (или
стандартное отклонение), которая
определяется формулой

(5)

Величина 
характеризует отклонение отдельного
единичного измерения от истинного
значения.

Если мы вычислили
по n
измерениям среднее значение

по формуле (2), то это значение будет
более точным, то есть будет меньше
отличаться от истинного, чем каждое
отдельное измерение. Средняя квадратичная
ошибка среднего значения

равна

(6)

где  — среднеквадратичная
ошибка каждого отдельного измерения,
n
– число
измерений.

Таким образом,
увеличивая число опытов, можно уменьшить
случайную ошибку в величине среднего
значения.

В настоящее время
результаты научных и технических
измерений принято представлять в виде

(7)

Как показывает
теория, при такой записи мы знаем
надежность полученного результата, а
именно, что истинная величина Х с
вероятностью 68% отличается от

не более, чем на
.

При использовании
же средней арифметической (абсолютной)
ошибки (формула 2) о надежности результата
ничего сказать нельзя. Некоторое
представление о точности проведенных
измерений в этом случае дает относительная
ошибка (формула 4).

При выполнении
лабораторных работ студенты могут
использовать как среднюю абсолютную
ошибку, так и среднюю квадратичную.
Какую из них применять указывается
непосредственно в каждой конкретной
работе (или указывается преподавателем).

Обычно если число
измерений не превышает 3 – 5, то
можно использовать среднюю абсолютную
ошибку. Если число измерений порядка
10 и более, то следует использовать более
корректную оценку с
помощью средней квадратичной ошибки
среднего (формулы 5 и 6).

Учет систематических ошибок.

Увеличением числа
измерений можно уменьшить только
случайные ошибки опыта, но не
систематические.

Максимальное
значение систематической ошибки обычно
указывается на приборе или в его паспорте.
Для измерений с помощью обычной
металлической линейки систематическая
ошибка составляет не менее 0,5 мм; для
измерений штангенциркулем –

0,1 – 0,05 мм;
микрометром – 0,01 мм.

Часто в качестве
систематической ошибки берется половина
цены деления прибора.

На шкалах
электроизмерительных приборов указывается
класс точности. Зная класс точности К,
можно вычислить систематическую ошибку
прибора ∆Х по формуле

где К – класс
точности прибора, Х_пр – предельное
значение величины, которое может быть
измерено по шкале прибора.

Так, амперметр
класса 0,5 со шкалой до 5А измеряет ток с
ошибкой не более

Среднее значение
полной погрешности складывается из
случайной и систематической
погрешностей.

Ответ с учетом
систематических и случайных ошибок
записывается в виде

Погрешности косвенных измерений

В физических
экспериментах чаще бывает так, что
искомая физическая величина сама на
опыте измерена быть не может, а является
функцией других величин, измеряемых
непосредственно. Например, чтобы
определить объём цилиндра, надо измерить
диаметр D и высоту h, а затем вычислить
объем по формуле

Величины D и h будут измерены с
некоторой ошибкой. Следовательно,
вычисленная величина
V
получится также с некоторой ошибкой.
Надо уметь выражать погрешность
вычисленной величины через погрешности
измеренных величин.

Как и при прямых
измерениях можно вычислять среднюю
абсолютную (среднюю арифметическую)
ошибку или среднюю квадратичную ошибку.

Общие правила
вычисления ошибок для обоих случаев
выводятся с помощью дифференциального
исчисления.

Пусть искомая
величина φ является функцией нескольких
переменных Х,
У, Z…

φ(Х,
У, Z…).

Путем прямых
измерений мы можем найти величины
,
а также оценить их средние абсолютные
ошибки
…
или средние квадратичные ошибки _Х,
_У,
_Z…

Тогда средняя
арифметическая погрешность 
вычисляется по формуле

где

 — частные
производные от φ по
Х, У, Z. Они
вычисляются для средних значений
…

Средняя квадратичная
погрешность вычисляется по формуле

Пример.
Выведем формулы погрешности для
вычисления объёма цилиндра.

а) Средняя
арифметическая погрешность.

Величины
D и h
измеряются соответственно с ошибкой
D
и h.

Погрешность
величины объёма будет равна

б) Средняя
квадратичная погрешность.

Величины
D и h
измеряются соответственно с ошибкой
_D, _h.

Погрешность
величины объёма будет равна

Если формула
представляет выражение удобное для
логарифмирования (то есть произведение,
дробь, степень), то удобнее вначале
вычислять относительную погрешность.
Для этого (в случае средней арифметической
погрешности) надо проделать следующее.

1. Прологарифмировать
выражение.

2. Продифференцировать
его.

3. Объединить
все члены с одинаковым дифференциалом
и вынести его за скобки.

4. Взять выражение
перед различными дифференциалами по
модулю.

5. Заменить
значки дифференциалов d
на значки абсолютной погрешности .

В итоге получится
формула для относительной погрешности

Затем,
зная ,
можно вычислить абсолютную погрешность


 = 

Пример.

Аналогично можно
записать относительную среднюю
квадратичную погрешность

Правила
представления результатов измерения
следующие:

1. погрешность должна
   округляться до одной значащей цифры:

правильно  = 0,04,

неправильно —
 = 0,0382;

1. последняя значащая
   цифра результата должна быть того же
   порядка величины, что и погрешность:

правильно
 = 9,830,03,

неправильно —
 = 9,8260,03;

1. если результат
   имеет очень большую или очень малую
   величину, необходимо использовать
   показательную форму записи — одну и ту
   же для результата и его погрешности,
   причем запятая десятичной дроби должна
   следовать за первой значащей цифрой
   результата:

правильно —
 = (5,270,03)10^-5,

неправильно —
 = 0,00005270,0000003,

 = 5,2710^-50,0000003,

 =
= 0,0000527310^-7,

 = (5273)10^-7,

 = (0,5270,003)
10^-4.

1. Если результат
   имеет размерность, ее необходимо
   указать:

правильно – g=(9,820,02)
м/c²,

неправильно – g=(9,820,02).

Соседние файлы в папке Отчеты_Погрешность

• #
• #
• #
• #
• #

«Хорошая» аналитическая модель должна удовлетворять двум, зачастую противоречивым, требованиям — как можно лучше соответствовать данным и при этом быть удобной для интерпретации пользователем. Действительно, повышение соответствия модели данным как правило связано с её усложнением (в случае регрессии — увеличением числа входных переменных модели). А чем сложнее модель, тем ниже её интерпретируемость.

Поэтому при выборе между простой и сложной моделью последняя должна значимо увеличивать соответствие модели данным чтобы оправдать рост сложности и соответствующее снижение интерпретируемости. Если это условие не выполняется, то следует выбрать более простую модель.

Таким образом, чтобы оценить, насколько повышение сложности модели значимо увеличивает её точность, необходимо использовать аппарат оценки качества регрессионных моделей. Он включает в себя следующие меры:

• Среднеквадратичная ошибка (MSE).
• Корень из среднеквадратичной ошибки (RMSE).
• Среднеквадратичная ошибка в процентах (MSPE).
• Средняя абсолютная ошибка (MAE).
• Средняя абсолютная ошибка в процентах (MAPE).
• Cимметричная средняя абсолютная процентная ошибка (SMAPE).
• Средняя абсолютная масштабированная ошибка (MASE)
• Средняя относительная ошибка (MRE).
• Среднеквадратичная логарифмическая ошибка (RMSLE).
• Коэффициент детерминации R-квадрат.
• Скорректированный коэффициент детеминации.

Прежде чем перейти к изучению метрик качества, введём некоторые базовые понятия, которые нам в этом помогут. Для этого рассмотрим рисунок.

Наклонная прямая представляет собой линию регрессии с переменной, на которой расположены точки, соответствующие предсказанным значениям выходной переменной \widehat{y} (кружки синего цвета). Оранжевые кружки представляют фактические (наблюдаемые) значения y . Расстояния между ними и линией регрессии — это ошибка предсказания модели y-\widehat{y} (невязка, остатки). Именно с её использованием вычисляются все приведённые в статье меры качества.

Горизонтальная линия представляет собой модель простого среднего, где коэффициент при независимой переменной x равен нулю, и остаётся только свободный член b, который становится равным среднему арифметическому фактических значений выходной переменной, т.е. b=\overline{y}. Очевидно, что такая модель для любого значения входной переменной будет выдавать одно и то же значение выходной — \overline{y}.

В линейной регрессии такая модель рассматривается как «бесполезная», хуже которой работает только «случайный угадыватель». Однако, она используется для оценки, насколько дисперсия фактических значений y относительно линии среднего, больше, чем относительно линии регрессии с переменной, т.е. насколько модель с переменной лучше «бесполезной».

MSE

Среднеквадратичная ошибка (Mean Squared Error) применяется в случаях, когда требуется подчеркнуть большие ошибки и выбрать модель, которая дает меньше именно больших ошибок. Большие значения ошибок становятся заметнее за счет квадратичной зависимости.

Действительно, допустим модель допустила на двух примерах ошибки 5 и 10. В абсолютном выражении они отличаются в два раза, но если их возвести в квадрат, получив 25 и 100 соответственно, то отличие будет уже в четыре раза. Таким образом модель, которая обеспечивает меньшее значение MSE допускает меньше именно больших ошибок.

MSE рассчитывается по формуле:

MSE=\frac{1}{n}\sum\limits_{i=1}^{n}(y_{i}-\widehat{y}_{i})^{2},

где n — количество наблюдений по которым строится модель и количество прогнозов, y_{i} — фактические значение зависимой переменной для i-го наблюдения, \widehat{y}_{i} — значение зависимой переменной, предсказанное моделью.

Таким образом, можно сделать вывод, что MSE настроена на отражение влияния именно больших ошибок на качество модели.

Недостатком использования MSE является то, что если на одном или нескольких неудачных примерах, возможно, содержащих аномальные значения будет допущена значительная ошибка, то возведение в квадрат приведёт к ложному выводу, что вся модель работает плохо. С другой стороны, если модель даст небольшие ошибки на большом числе примеров, то может возникнуть обратный эффект — недооценка слабости модели.

RMSE

Корень из среднеквадратичной ошибки (Root Mean Squared Error) вычисляется просто как квадратный корень из MSE:

RMSE=\sqrt{\frac{1}{n}\sum\limits_{i=1}^{n}(y_{i}-\widehat{y_{i}})^{2}}

MSE и RMSE могут минимизироваться с помощью одного и того же функционала, поскольку квадратный корень является неубывающей функцией. Например, если у нас есть два набора результатов работы модели, A и B, и MSE для A больше, чем MSE для B, то мы можем быть уверены, что RMSE для A больше RMSE для B. Справедливо и обратное: если MSE(A)<MSE(B), то и RMSE(A)<RMSE(B).

Следовательно, сравнение моделей с помощью RMSE даст такой же результат, что и для MSE. Однако с MSE работать несколько проще, поэтому она более популярна у аналитиков. Кроме этого, имеется небольшая разница между этими двумя ошибками при оптимизации с использованием градиента:

\frac{\partial RMSE}{\partial \widehat{y}_{i}}=\frac{1}{2\sqrt{MSE}}\frac{\partial MSE}{\partial \widehat{y}_{i}}

Это означает, что перемещение по градиенту MSE эквивалентно перемещению по градиенту RMSE, но с другой скоростью, и скорость зависит от самой оценки MSE. Таким образом, хотя RMSE и MSE близки с точки зрения оценки моделей, они не являются взаимозаменяемыми при использовании градиента для оптимизации.

Влияние каждой ошибки на RMSE пропорционально величине квадрата ошибки. Поэтому большие ошибки оказывают непропорционально большое влияние на RMSE. Следовательно, RMSE можно считать чувствительной к аномальным значениям.

MSPE

Среднеквадратичная ошибка в процентах (Mean Squared Percentage Error) представляет собой относительную ошибку, где разность между наблюдаемым и фактическим значениями делится на наблюдаемое значение и выражается в процентах:

MSPE=\frac{100}{n}\sum\limits_{i=1}^{n}\left ( \frac{y_{i}-\widehat{y}_{i}}{y_{i}} \right )^{2}

Проблемой при использовании MSPE является то, что, если наблюдаемое значение выходной переменной равно 0, значение ошибки становится неопределённым.

MSPE можно рассматривать как взвешенную версию MSE, где вес обратно пропорционален квадрату наблюдаемого значения. Таким образом, при возрастании наблюдаемых значений ошибка имеет тенденцию уменьшаться.

MAE

Cредняя абсолютная ошибка (Mean Absolute Error) вычисляется следующим образом:

MAE=\frac{1}{n}\sum\limits_{i=1}^{n}\left | y_{i}-\widehat{y}_{i} \right |

Т.е. MAE рассчитывается как среднее абсолютных разностей между наблюдаемым и предсказанным значениями. В отличие от MSE и RMSE она является линейной оценкой, а это значит, что все ошибки в среднем взвешены одинаково. Например, разница между 0 и 10 будет вдвое больше разницы между 0 и 5. Для MSE и RMSE, как отмечено выше, это не так.

Поэтому MAE широко используется, например, в финансовой сфере, где ошибка в 10 долларов должна интерпретироваться как в два раза худшая, чем ошибка в 5 долларов.

MAPE

Средняя абсолютная процентная ошибка (Mean Absolute Percentage Error) вычисляется следующим образом:

MAPE=\frac{100}{n}\sum\limits_{i=1}^{n}\frac{\left | y_{i}-\widehat{y_{i}} \right |}{\left | y_{i} \right |}

Эта ошибка не имеет размерности и очень проста в интерпретации. Её можно выражать как в долях, так и в процентах. Если получилось, например, что MAPE=11.4, то это говорит о том, что ошибка составила 11.4% от фактического значения.

SMAPE

Cимметричная средняя абсолютная процентная ошибка (Symmetric Mean Absolute Percentage Error) — это мера точности, основанная на процентных (или относительных) ошибках. Обычно определяется следующим образом:

SMAPE=\frac{100}{n}\sum\limits_{i=1}^{n}\frac{\left | y_{i}-\widehat{y_{i}} \right |}{(\left | y_{i} \right |+\left | \widehat{y}_{i} \right |)/2}

Т.е. абсолютная разность между наблюдаемым и предсказанным значениями делится на полусумму их модулей. В отличие от обычной MAPE, симметричная имеет ограничение на диапазон значений. В приведённой формуле он составляет от 0 до 200%. Однако, поскольку диапазон от 0 до 100% гораздо удобнее интерпретировать, часто используют формулу, где отсутствует деление знаменателя на 2.

Одной из возможных проблем SMAPE является неполная симметрия, поскольку в разных диапазонах ошибка вычисляется неодинаково. Это иллюстрируется следующим примером: если y_{i}=100 и \widehat{y}_{i}=110, то SMAPE=4.76, а если y_{i}=100 и \widehat{y}_{i}=90, то SMAPE=5.26.

Ограничение SMAPE заключается в том, что, если наблюдаемое или предсказанное значение равно 0, ошибка резко возрастет до верхнего предела (200% или 100%).

MASE

Средняя абсолютная масштабированная ошибка (Mean absolute scaled error) — это показатель, который позволяет сравнивать две модели. Если поместить MAE для новой модели в числитель, а MAE для исходной модели в знаменатель, то полученное отношение и будет равно MASE. Если значение MASE меньше 1, то новая модель работает лучше, если MASE равно 1, то модели работают одинаково, а если значение MASE больше 1, то исходная модель работает лучше, чем новая модель. Формула для расчета MASE имеет вид:

MASE=\frac{MAE_{i}}{MAE_{j}}

MASE симметрична и устойчива к выбросам.

MRE

Средняя относительная ошибка (Mean Relative Error) вычисляется по формуле:

MRE=\frac{1}{n}\sum\limits_{i=1}^{n}\frac{\left | y_{i}-\widehat{y}_{i}\right |}{\left | y_{i} \right |}

Несложно увидеть, что данная мера показывает величину абсолютной ошибки относительно фактического значения выходной переменной (поэтому иногда эту ошибку называют также средней относительной абсолютной ошибкой, MRAE). Действительно, если значение абсолютной ошибки, скажем, равно 10, то сложно сказать много это или мало. Например, относительно значения выходной переменной, равного 20, это составляет 50%, что достаточно много. Однако относительно значения выходной переменной, равного 100, это будет уже 10%, что является вполне нормальным результатом.

Очевидно, что при вычислении MRE нельзя применять наблюдения, в которых y_{i}=0.

Таким образом, MRE позволяет более адекватно оценить величину ошибки, чем абсолютные ошибки. Кроме этого она является безразмерной величиной, что упрощает интерпретацию.

RMSLE

Среднеквадратичная логарифмическая ошибка (Root Mean Squared Logarithmic Error) представляет собой RMSE, вычисленную в логарифмическом масштабе:

RMSLE=\sqrt{\frac{1}{n}\sum\limits_{i=1}^{n}(log(\widehat{y}_{i}+1)-log{(y_{i}+1}))^{2}}

Константы, равные 1, добавляемые в скобках, необходимы чтобы не допустить обращения в 0 выражения под логарифмом, поскольку логарифм нуля не существует.

Известно, что логарифмирование приводит к сжатию исходного диапазона изменения значений переменной. Поэтому применение RMSLE целесообразно, если предсказанное и фактическое значения выходной переменной различаются на порядок и больше.

R-квадрат

Перечисленные выше ошибки не так просто интерпретировать. Действительно, просто зная значение средней абсолютной ошибки, скажем, равное 10, мы сразу не можем сказать хорошая это ошибка или плохая, и что нужно сделать чтобы улучшить модель.

В этой связи представляет интерес использование для оценки качества регрессионной модели не значения ошибок, а величину показывающую, насколько данная модель работает лучше, чем модель, в которой присутствует только константа, а входные переменные отсутствуют или коэффициенты регрессии при них равны нулю.

Именно такой мерой и является коэффициент детерминации (Coefficient of determination), который показывает долю дисперсии зависимой переменной, объяснённой с помощью регрессионной модели. Наиболее общей формулой для вычисления коэффициента детерминации является следующая:

R^{2}=1-\frac{\sum\limits_{i=1}^{n}(\widehat{y}_{i}-y_{i})^{2}}{\sum\limits_{i=1}^{n}({\overline{y}}_{i}-y_{i})^{2}}

Практически, в числителе данного выражения стоит среднеквадратическая ошибка оцениваемой модели, а в знаменателе — модели, в которой присутствует только константа.

Главным преимуществом коэффициента детерминации перед мерами, основанными на ошибках, является его инвариантность к масштабу данных. Кроме того, он всегда изменяется в диапазоне от −∞ до 1. При этом значения близкие к 1 указывают на высокую степень соответствия модели данным. Очевидно, что это имеет место, когда отношение в формуле стремится к 0, т.е. ошибка модели с переменными намного меньше ошибки модели с константой. R^{2}=0 показывает, что между независимой и зависимой переменными модели имеет место функциональная зависимость.

Когда значение коэффициента близко к 0 (т.е. ошибка модели с переменными примерно равна ошибке модели только с константой), это указывает на низкое соответствие модели данным, когда модель с переменными работает не лучше модели с константой.

Кроме этого, бывают ситуации, когда коэффициент R^{2} принимает отрицательные значения (обычно небольшие). Это произойдёт, если ошибка модели среднего становится меньше ошибки модели с переменной. В этом случае оказывается, что добавление в модель с константой некоторой переменной только ухудшает её (т.е. регрессионная модель с переменной работает хуже, чем предсказание с помощью простой средней).

На практике используют следующую шкалу оценок. Модель, для которой R^{2}>0.5, является удовлетворительной. Если R^{2}>0.8, то модель рассматривается как очень хорошая. Значения, меньшие 0.5 говорят о том, что модель плохая.

Скорректированный R-квадрат

Основной проблемой при использовании коэффициента детерминации является то, что он увеличивается (или, по крайней мере, не уменьшается) при добавлении в модель новых переменных, даже если эти переменные никак не связаны с зависимой переменной.

В связи с этим возникают две проблемы. Первая заключается в том, что не все переменные, добавляемые в модель, могут значимо увеличивать её точность, но при этом всегда увеличивают её сложность. Вторая проблема — с помощью коэффициента детерминации нельзя сравнивать модели с разным числом переменных. Чтобы преодолеть эти проблемы используют альтернативные показатели, одним из которых является скорректированный коэффициент детерминации (Adjasted coefficient of determinftion).

Скорректированный коэффициент детерминации даёт возможность сравнивать модели с разным числом переменных так, чтобы их число не влияло на статистику R^{2}, и накладывает штраф за дополнительно включённые в модель переменные. Вычисляется по формуле:

R_{adj}^{2}=1-\frac{\sum\limits_{i=1}^{n}(\widehat{y}_{i}-y_{i})^{2}/(n-k)}{\sum\limits_{i=1}^{n}({\overline{y}}_{i}-y_{i})^{2}/(n-1)}

где n — число наблюдений, на основе которых строится модель, k — количество переменных в модели.

Скорректированный коэффициент детерминации всегда меньше единицы, но теоретически может принимать значения и меньше нуля только при очень малом значении обычного коэффициента детерминации и большом количестве переменных модели.

Сравнение метрик

Резюмируем преимущества и недостатки каждой приведённой метрики в следующей таблице:

Мера	Сильные стороны	Слабые стороны
MSE	Позволяет подчеркнуть большие отклонения, простота вычисления.	Имеет тенденцию занижать качество модели, чувствительна к выбросам. Сложность интерпретации из-за квадратичной зависимости.
RMSE	Простота интерпретации, поскольку измеряется в тех же единицах, что и целевая переменная.	Имеет тенденцию занижать качество модели, чувствительна к выбросам.
MSPE	Нечувствительна к выбросам. Хорошо интерпретируема, поскольку имеет линейный характер.	Поскольку вклад всех ошибок отдельных наблюдений взвешивается одинаково, не позволяет подчёркивать большие и малые ошибки.
MAPE	Является безразмерной величиной, поэтому её интерпретация не зависит от предметной области.	Нельзя использовать для наблюдений, в которых значения выходной переменной равны нулю.
SMAPE	Позволяет корректно работать с предсказанными значениями независимо от того больше они фактического, или меньше.	Приближение к нулю фактического или предсказанного значения приводит к резкому росту ошибки, поскольку в знаменателе присутствует как фактическое, так и предсказанное значения.
MASE	Не зависит от масштаба данных, является симметричной: положительные и отрицательные отклонения от фактического значения учитываются одинаково. Устойчива к выбросам. Позволяет сравнивать модели.	Сложность интерпретации.
MRE	Позволяет оценить величину ошибки относительно значения целевой переменной.	Неприменима для наблюдений с нулевым значением выходной переменной.
RMSLE	Логарифмирование позволяет сделать величину ошибки более устойчивой, когда разность между фактическим и предсказанным значениями различается на порядок и выше	Может быть затруднена интерпретация из-за нелинейности.
R-квадрат	Универсальность, простота интерпретации.	Возрастает даже при включении в модель бесполезных переменных. Плохо работает когда входные переменные зависимы.
R-квадрат скорр.	Корректно отражает вклад каждой переменной в модель.	Плохо работает, когда входные переменные зависимы.

В данной статье рассмотрены наиболее популярные меры качества регрессионных моделей, которые часто используются в различных аналитических приложениях. Эти меры имеют свои особенности применения, знание которых позволит обоснованно выбирать и корректно применять их на практике.

Однако в литературе можно встретить и другие меры качества моделей регрессии, которые предлагаются различными авторами для решения конкретных задач анализа данных.

Другие материалы по теме:

Отбор переменных в моделях линейной регрессии

Репрезентативность выборочных данных

Логистическая регрессия и ROC-анализ — математический аппарат

Теория ошибок измерений изучает свойства ошибок и законы их распределения, методы обработки измерений с учетом их ошибок, а также способы вычисления числовых характеристик точности измерений. При многократных измерениях одной и той же величины результаты измерений получаются неодинаковыми. Этот очевидный факт говорит о том, что измерения сопровождаются разными по величине и по знаку ошибками. Задача теории ошибок – нахождение наиболее надежного значения измеренной величины, оценка точности результатов измерений и их функций и установление допусков, ограничивающих использование результатов обработки измерений.

По своей природе ошибки бывают грубые, систематические и случайные.

Грубые ошибки являются результатом промахов и просчетов. Их можно избежать при внимательном и аккуратном отношении к работе и организации надежного полевого контроля измерений. В теории ошибок грубые ошибки не изучаются.

Систематические ошибки имеют определенный источник, направление и величину. Если источник систематической ошибки обнаружен и изучен, то можно получить формулу влияния этой ошибки на результат измерения и затем ввести в него поправку; это исключит влияние систематической ошибки. Пока источник какой-либо систематической ошибки не найден, приходится считать ее случайной ошибкой, ухудшающей качество измерений.

Случайные ошибки измерений обусловлены точностью способа измерений (строгостью теории), точностью измерительного прибора, квалификацией исполнителя и влиянием внешних условий. Закономерности случайных ошибок проявляются в массе, то-есть, при большом количестве измерений; такие закономерности называют статистическими. Освободить результат единичного измерения от случайных ошибок невозможно; невозможно также предсказать случайную ошибку единичного измерения. Теория ошибок занимается в основном изучением случайных ошибок.

Случайная истинная ошибка измерения Δ – это разность между измеренным значением величины l и ее истинным значением X:
(1.25)

Свойства случайных ошибок. Случайные ошибки подчиняются некоторым закономерностям:

1. при данных условиях измерений абсолютные значения случайных ошибок не превосходят некоторого предела; если какая-либо ошибка выходит за этот предел, она считается грубой,
2. положительные и отрицательные случайные ошибки равновозможны,
3. среднее арифметическое случайных ошибок стремится к нулю при неограниченном возрастании числа измерений. Третье свойство случайных ошибок записывается так:
(1.26)
4. малые по абсолютной величине случайные ошибки встречаются чаще, чем большие.

Кроме того, во всей массе случайных ошибок не должно быть явных закономерностей ни по знаку, ни по величине. Если закономерность обнаруживается, значит здесь сказывается влияние какой-то систематической ошибки.

Средняя квадратическая ошибка одного измерения. Для оценки точности измерений можно применять разные критерии; в геодезии таким критерием является средняя квадратическая ошибка. Это понятие было введено Гауссом; он же разработал основные положения теории ошибок. Средняя квадратическая ошибка одного измерения обозначается буквой m и вычисляется по формуле Гаусса:
(1.27)

где: ;
n – количество измерений одной величины.

Средняя квадратическая ошибка очень чувствительна к большим по абсолютной величине ошибкам, так как каждая ошибка возводится в квадрат. В то же время она является устойчивым критерием для оценки точности даже при небольшом количество измерений; начиная с некоторого n дальнейшее увеличение числа измерений почти не изменяет значения m; доказано, что уже при n = 8 значение m получается достаточно надежным.

Предельная ошибка ряда измерений обозначается Δпред; она обычно принимается равной 3*m при теоретических исследованиях и 2*m или 2.5*m при практических измерениях. Считается, что из тысячи измерений только три ошибки могут достигать или немного превосходить значение Δпред = 3*m.

Отношение mx/X называется средней квадратической относительной ошибкой; для некоторых видов измерений относительная ошибка более наглядна, чем m. Относительная ошибка выражается дробью с числителем, равным 1, например, mx/X = 1/10 000.

Средняя квадратическая ошибка функции измеренных величин. Выведем формулу средней квадратической ошибки функции нескольких аргументов произвольного вида:

F = f( X, Y, Z … ),                        (1.28)

здесь: X, Y, Z … – истинные значения аргументов,
F – истинное значение функции.

В результате измерений получены измеренные значения аргументов lX, lY, lZ, при этом:
(1.29)

где ΔX, ΔY, ΔZ – случайные истинные ошибки измерения аргументов.

Функцию F можно выразить через измеренные значения аргуметов и их истинные ошибки:

Разложим функцию F в ряд Тейлора, ограничившись первой степенью малых приращений ΔX, ΔY, ΔZ:
(1.30)

Разность является случайной истинной ошибкой функции с противоположным знаком, поэтому:
(1.31)

Если выполнить n измерений аргументов X, Y, Z, то можно записать n уравнений вида (1.31). Возведем все эти уравнения в квадрат и сложим их; суммарное уравнение разделим на n и получим

В силу третьего свойства случайных ошибок члены, содержащие произведения случайных ошибок, будут незначительными по величине, и их можно не учитывать; таким образом,
(1.32)

Как частные случаи формулы (1.32) можно написать выражения для средней квадратической ошибки некоторых функций:

Если функция имеет вид произведения нескольких аргументов,

F = x * y * z,

то для нее можно записать выражение относительной ошибки функции:
(1.33)

которое в некоторых случаях оказывается более удобным, чем формула (1.32).

Принцип равных влияний. В геодезии часто приходится определять средние квадратические ошибки аргументов по заданной средней квадратической ошибке функции. Если аргумент всего один, то решение задачи не представляет трудности. Если число аргументов t больше одного, то возникает задача нахождения t неизвестных из одного уравнения, которую можно решить, применяя принцип равных влияний. Согласно этому принципу все слагаемые правой части формулы (1.32) или (1.33) считаются равными между собой.

Арифметическая середина. Пусть имеется n измерений одной величины X, то-есть,
(1.34)

Сложим эти равенства, суммарное уравнение разделим на n и получим:
(1.35)

Величина   (1.36)

называется средним арифметическим или простой арифметической серединой. Запишем (1.35) в виде

по третьему свойству ошибок (1.26) можно написать:

что означает, что при неограниченном возрастании количества измерений простая арифметическая середина стремится к истинному значению измеряемой величины. При ограниченном количестве измерений арифметическая середина является наиболее надежным и достоверным значением измеряемой величины.

Запишем формулу (1.36) в виде

и подсчитаем среднюю квадратическую ошибку арифметической середины, которая обозначается буквой M. Согласно формуле (1.32) напишем:

или

Но ml1 = ml2 = … = mln= m по условию задачи, так как величина X измеряется при одних и тех же условиях. Тогда в квадратных скобках будет n * m2, одно n сократится и в итоге получим:

M2 = m2/n

или
(1.37)

то-есть, средняя квадратическая ошибка арифметической середины в корень из n раз меньше ошибки одного измерения.

Вычисление средней квадратической ошибки по уклонениям от арифметической середины. Формулу Гаусса (1.27) применяют лишь в теоретических выкладках и при исследованиях приборов и методов измерений, когда известно истинное значение измеряемой величины. На практике оно, как правило, неизвестно, и оценку точности выполняют по уклонениям от арифметической середины.

Пусть имеется ряд равноточных измерений величины X:

l1, l2 , …, ln .

Вычислим арифметическую середину X0 = [1]/n и образуем разности:
(1.38)

Сложим все разности и получим [l] – n * X0 = [V]. По определению арифметической середины n * X0 = [l], поэтому:

[V] = 0.                   (1.39)

Величины V называют вероятнейшими ошибками измерений; именно по их значениям и вычисляют на практике среднюю квадратическую ошибку одного измерения, используя для этого формулу Бесселя:
(1.40)

Приведем вывод этой формулы. Образуем разности случайных истинных ошибок измерений Δ и вероятнейших ошибок V:
(1.41)

Разность (X0 – X) равна истинной ошибке арифметической середины; обозначим ее Δ0 и перепишем уравнения (1.41):
(1.42)
Возведем все уравнения (1.42) в квадрат, сложим их и получим:
.

Второе слагаемое в правой части этого выражения равно нулю по свойству (1.39), следовательно,
.

Разделим это уравнение на n и учтя, что [Δ2]/n =m2, получим:
(1.43)

Заменим истинную ошибку арифметической середины Δ0 ее средней квадратической ошибкой ; такая замена практически не изменит правой части формулы (1.43). Итак,

,
откуда ;

после перенесения (n-1) в правую часть и извлечения квадратного корня получается формула Бесселя (1.40).

Для вычисления средней квадратической ошибки арифметической середины на основании (1.37) получается формула:
(1.44)

Веса измерений. Измерения бывают равноточные и неравноточные. Например, один и тот же угол можно измерить точным или техническим теодолитом, и результаты таких измерений будут неравноточными. Или один и тот же угол можно измерить разным количеством приемов; результаты тоже будут неравноточными. Понятно, что средние квадратические ошибки неравноточных измерений будут неодинаковы. Из опыта известно, что измерение, выполненное с большей точностью (с меньшей ошибкой), заслуживает большего доверия.

Вес измерения – это условное число, характеризующее надежность измерения, степень его доверия; вес обозначается буквой p. Значение веса измерения получают по формуле:

p = C/m2                  (1.45)

где C – в общем случае произвольное положительное число.

При неравноточных измерениях одной величины наиболее надежное ее значение получают по формуле средневесовой арифметической середины:
(1.46)
или              X0 = [l*p] / [p] .

Ошибку измерения, вес которого равен 1, называют средней квадратической ошибкой единицы веса; она обозначается буквой m. Из формулы (1.45) получаем

откуда  (1.47)

то-есть, за число C принимают квадрат ошибки единицы веса.

Подсчитаем вес P средневесовой арифметической середины. По определению веса имеем:
(1.48)

Согласно (1.46) и (1.32) напишем:

Подставим сюда вместо mli2 их выражения через вес m2 = C/p , тогда:

Подставим это выражение в формулу (1.48) и получим,

P = [p],                 (1.49)

то-есть, вес средневесовой арифметической середины равен сумме весов отдельных измерений.

В случае равноточных измерений, когда веса всех измерений одинаковы и равны единице, формула (1.49) принимает вид:

P = n.                  (1.50)

При обработке больших групп измерений (при уравнивании геодезических построений по МНК) вычисляются значение ошибки единицы веса, веса измерений и других элементов после уравнивания, а ошибка любого уравненного элемента подсчитывается по формуле:
(1.51)

где pi – вес i-того элемента.