Intuicja i symulacja Monte Carlopodstawą analizy niedokładności pomiaru

• Autorzy: Kubisa S.
• Języki publikacji: PL

Abstrakty

PL

Intuicja metrologa stanowi podstawę do formułowania założeń niezbędnych w obliczeniach przedziału ufności wyniku pomiaru. Intuicja opiera się o wiedzę i doświadczenie, którego nabywa się wraz z praktyką. Zdobywanie doświadczenia można przyspieszyć wykonując pomiary wirtualnie. Do tego celu predystynowana jest symulacja Monte Carlo. Jest ona narzędziem skutecznym nawet w przypadkach silnej nieliniowości równania pomiaru. Pozwala efektywnie badać wpływ sposobu sformułowania założeń na wynik obliczeń przedziału ufności.

EN

Metrologist's intuition provides a basis for formulation of assumptions that are necessary to calculate the confidence interval. The intuition is based on knowledge and experience, which is acquired by practice. Gaining experience may be expedited by making virtual measurements. A Monte Carlo simulation is well suited for this purpose. It is an effective tool for confidence interval calculation, even in the case of a strong non-linear measurement equation, and it enables testing effectively how different assumptions affect the result of calculations.

Słowa kluczowe

PL

założenia do obliczeń przedziału ufności; symulacja Monte Carlo

EN

assumptions for confidence interval calculation; Monte Carlo simulation

• Wydawca: Wydawnictwo PAK
• Czasopismo: Pomiary Automatyka Kontrola
• Rocznik: 2007
• Tom: R. 53, nr 9
• Strony: 3--8
• Opis fizyczny: Bibliogr. 14 poz., rys., tab., wzory

Twórcy

autor

Kubisa S.

• Zakład Metrologii, Instytut Automatyki Przemysłowej, Politechnika Szczecińska,

Bibliografia

• [1] Kubisa S., Moskowicz S.: A study on transitivity of Monte Carlo based evaluation of the confidence interval for a measurement result, PAK 6/07, s. 7-10.
• [2] Guide to the Expression of Uncertainty in Measurement. Supplement 1. Numerical Methods for the Propagation of Distributions, Projekt dokumentu Miedzynarodowego Biura Miar z 16.03.2004.
• [3] Korczyński J. M., Fotowicz P., Hetman A., Hłobaż A., Lewandowski D.: Sieciowy system informatyczny do obliczania niepewności pomiaru, PAK 2/07, s. 25-27.
• [4] Kubisa S.: Sześć podejść do oceny miary niedokładności pomiaru - od determinizmu po symulację Monte Carlo, PAK 2/07, s. 8-11.
• [5] Bartoszyński R.: Prawdopodobieństwa rachunek, Prawdopodobieństwo,hasła WEP, t. 9, PWN, Warszawa 1967, s. 396-399.
• [6] Skubis T.: Podstawy metrologicznej interpretacji wyników pomiarów, Wydaw. Politechniki Śląskiej, Gliwice 2004.
• [7] Kordos M.: Wykłady z historii matematyki, Wydaw. Szkolne i Pedagogiczne, Warszawa 1994.
• [8] Sztencel R., Jakubowski J.: Wstęp do teorii prawdopodobieństwa, Wydaw. Script, Warszawa 2001.
• [9] Guide to the Expression of Uncertainty in Measurement, BIPM / IEC / IFCC / ISO / IUPAC / IUPAP / OIML, 1995. (Wydanie polskie: Wyrażanie niepewności pomiaru. Przewodnik, tłum. J. M. Jaworski, Główny Urząd Miar, 1999).
• [10] Turzeniecka D., Waśkiewicz Z.: Analiza sytuacji niejednoznacznych w ocenie niepewności wyniku pomiarów, Metrologia i Systemy Pomiarowe, z. 1, Warszawa 1996.
• [11] Dorozhovec M., Warsza Z. L.: Wyznaczanie niepewności typu A pomiarów o skorelowanych rezultatach obserwacji, PAK 2/07, s. 20-24.
• [12] Kubisa S.: Niepewność pomiaru. Problem adekwatnych interpretacji i założeń, Podstawowe Problemy Metrologii, Prace Komisji Metrologii Oddziału PAN w Katowicach, Konferencje Nr 11, Ustroń, 14-17 maj 2006, s. 9-16.
• [13] Dorozhovec M., Warsza Z. L.: Propozycje rozszerzenia metod wyznaczania niepewności wyników pomiarów wg Przewodnika GUM, (1), PAR, 1/07, s. 16-25.
• [14] Kubisa S.: Jaki sens ma splot rozkładu Studenta z rozkładem jednostajnym? Materiały Kongresu Metrologii, Wrocław 6-9 września 2004, s. 29-32.