计量专业常用计算公式汇总（二级注册计量师）

常用符号

符号	读音	含义	LaTeX代码
$\Delta$	délta	差值，变化量	\Delta
$\Sigma$	sǐgma	求和符号	\Sigma
$\sigma$	sǐgma	标准差，变异数	\sigma
$\sqrt{...}$	平方根	平方根	\sqrt{...}
$\bar{x}$	x bār	平均值	\bar{x}
$ϵ$	èpsilon	恒定系统误差	\epsilon
$\tau$	tāu	取样时间	\tau
$\mu$	mju	平均值，期望值	\mu
$\infty$	īnfty	无穷大	\infty
$\Phi$	Fài	累积分布函数	\Phi
$\varphi$	fài	相位	\phi
$\nu$	nú	频率	\nu
$\pi$	pài	圆周率	\pi
$\int$	ǐntəgrǐl	积分	\int

异号法消除系统恒定误差

$$单向测得值：d=a+ϵ，$$

$$消除了系统误差的测得值：a=\frac{d+d^{\prime }}{2}.$$

$a:不含系统误差的值$

$ϵ:恒定系统误差$

$d:正向测量数据$

$d^{\prime }=a-ϵ,$

$d^{\prime }:反向测量数据$

交换法消除系统恒定误差

$$X=\sqrt{P{P}^{\prime }}.$$

$X:消除了系统误差的测得值(几何平均值)$

$P:正向测量数据$

$P^{\prime }:反向测量数据$

替换法消除系统恒定误差

假设原始测量数据为$x_i$（其中$i$表示第$i$次测量），恒定系统误差为$\Delta$，那么真实的测量值应该是$x_i-\Delta$。如果我们能够通过替换法或其他方法确定这个恒定误差$\Delta$，那么就可以通过从每次的测量结果中减去这个误差来得到更准确的测量值。

$$x_{\text{corrected},i}=x_i-\Delta .$$

其中$x_{\text{corrected},i}$是校正后的测量值。

修正值及修正因子计算

$$\Delta =\bar{x}-x_s,$$

$\Delta :测得值的系统误差估计值$

$\bar{x}:未修正的测得值$

$x_s:标准值$

当对测量仪器的示值进行修正时，$\Delta$为仪器的示值误差

$$\Delta =x-x_s,$$

$x:被评定的仪器的示值或标称值$

$x_s:标准装置给出的标准值$

则修正值$C$为

$$C=-\Delta ,$$

已修正的测得值$X_C$为

$$X_C=\bar{x}+C.$$

修正因子计算公式：

$$C_r=\frac{x_s}{\bar{x}}.$$

$C_r:修正因子$

$x_s:标准值$

$\bar{x}:未修正的测得值$

已修正的测得值：

$$X_c=C_r\bar{x}$$

贝塞尔公式法计算实验标准偏差

$$s(x)=\sqrt{\frac{{\Sigma }_{i=1}^n(x_i-\bar{x}{)}^2}{n-1}}$$

$$s(x):观测值x的试验标准偏差$$

$$n:样品数量$$

$$x_i:第i次得到的数据$$

$$\bar{x}:n个样品数量的算数平均值，\bar{x}=\frac{1}{n}{\Sigma }_n^{i=1}{x}_i$$

其中$x_i-\bar{x}$为残差$v$,$n-1$为自由度$\nu$ (LaTeX代码：\nu)

简化公式为：$s(x)=\sqrt{\frac{{\Sigma }_{i=1}^{n}v}{\nu }}$

格拉布斯准则剔除异常值

格拉布斯准则（Grubbs’ test）是一种用于检测单变量数据集中异常值（或称为离群值）的统计方法。该方法基于正态分布假设，并适用于样本量较小的情况。格拉布斯准则通过计算每个数据点与样本均值之间的标准化残差（即z-score的绝对值），并将其与格拉布斯临界值进行比较，以确定是否存在异常值。

格拉布斯准则的计算公式涉及几个关键步骤和参数：

1. 计算样本均值$\bar{x}$和标准差$s$。

$$\bar{x}=\frac{1}{n}\sum _{i=1}^n{x}_i$$

$$s=\sqrt{\frac{1}{n-1}\sum _{i=1}^n(x_i-\bar{x}{)}^2}$$

其中，$x_i$ 是样本中的数据点，$n$是样本量。

2. 计算每个数据点的标准化残差（也称为G值或格拉布斯统计量）。

$G_i=\frac{|x_i-\bar{x}|}{s}$

3. 根据样本量 $n$和所选择的显著性水平 $\alpha$（通常为0.05或0.01），查找格拉布斯临界值。这个临界值通常可以在统计表中找到，或者通过特定的统计软件计算得出。
   $$\frac{|x_i-\bar{x}|}{s}\ge G(a,n)$$
4. 将每个数据点的格拉布斯统计量与临界值进行比较。如果某个数据点的格拉布斯统计量超过了临界值，则可以将该数据点视为异常值。格拉布斯准则对于小样本量（如n<20）可能更为敏感，并且在使用时需要谨慎。此外，如果数据不符合正态分布假设，该方法的有效性可能会受到影响。

测量重复性引入的不确定度分量

$$s_r=\frac{s(x)}{\sqrt{n}}$$

测量复现性计算

$$s_R=\sqrt{\frac{{\Sigma }_{i=1}^n(x_i-\bar{x}{)}^2}{n-1}}$$

相对误差、绝对误差、引用误差和测量误差

1. 绝对误差（Absolute Error）：
   绝对误差是测量结果与真实值之间的差值。其计算公式为：
   绝对误差 = 测量结果 - 真实值
2. 相对误差（Relative Error）：
   相对误差是绝对误差与真实值的比值，通常以百分比的形式表示。其计算公式为：
   相对误差 = (绝对误差 / 真实值) * 100%
3. 引用误差（Quoted Error）：
   引用误差通常用于描述测量仪器的准确度，是绝对误差与测量仪器的特定值（如量程或满量程）之间的比值。其计算公式为：
   引用误差 = (绝对误差 / 测量仪器的特定值) * 100%
   例如，如果仪器的量程是作为特定值，则引用误差 = (绝对误差 / 量程) * 100%
4. 测量误差（Measurement Error）：
   测量误差是一个更广泛的概念，它包括了所有类型的误差，如系统误差、随机误差等。测量误差可以通过多次测量并取平均值来减小，但通常无法完全消除。测量误差的计算依赖于具体的测量场景和方法，并没有一个统一的公式。

使用阿伦方差表示的频率稳定度

$${\sigma }_y(\tau )=\sqrt{\frac{1}{2m}{\Sigma }_{i=1}^m[y_{i+1}(\tau )-y_i(\tau ){]}^2}.$$
${\sigma }_y(\tau )$:用阿伦方差的正平方根值表示的频率稳定度
$\tau :取样时间$
$m:取样个数减1$
$y_i(\tau ):第i个取样值,在取样时间\tau 内频率相对偏差的平均值$

被测量落在$\mu \pm \sigma$区间内的概率

随机变量$X$落在$[a,b]$区间的概率为：
$p(a\le X\le b)={\int }_a^{b}p(x)dx=\frac{1}{\sigma \sqrt{2\pi }}{\int }_a^{b}e\frac{-(x-\mu {)}^2}{2{\sigma }^2}dx=\varphi (u_1)-\varphi (u_2)$.
式中：$u=\frac{(x-\mu )}{\sigma }$, $\Phi (z)=\frac{1}{\sqrt{2\pi }}{\int }_{+\infty }^z{e}^{-\frac{u^2}{2}}$.
公式解析：

1. 概率密度函数:

   • $p(x)$ 表示随机变量$X$的概率密度函数。对于连续型随机变量，其概率密度函数描述了该随机变量取某一值的“可能性”。
   • 在这个公式中，给定的$p(x)$形式是正态分布的概率密度函数，其中$\mu$是均值，$\sigma$是标准差。

2. 概率计算:

   • $p(a\le X\le b)$ 表示随机变量$X$落在区间$[a,b]$的概率。
   • 这个概率可以通过对概率密度函数在$[a,b]$区间上进行积分来计算，即 ${\int }_a^{b}p(x)dx$。

3. 正态分布的概率密度函数:

   • $p(x)=\frac{1}{\sigma \sqrt{2\pi }}{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}}$ 是正态分布的概率密度函数。
   • 其中，$\mu$ 是分布的均值，$\sigma$ 是分布的标准差。
   • 这个函数描述了正态分布的形状，它是一个钟形曲线，对称于均值$\mu$，且标准差$\sigma$决定了分布的宽度。

4. 标准化变量:

   • $u=\frac{(x-\mu )}{\sigma }$ 是一个标准化变量，也称为$z$-score。这个变换将原始的随机变量$X$转换为标准正态分布。
   • 在标准正态分布中，均值为0，标准差为1。

5. 累积分布函数:

   • $\Phi (z)=\frac{1}{\sqrt{2\pi }}{\int }_{+\infty }^z{e}^{-\frac{u^2}{2}}du$ 是标准正态分布的累积分布函数（CDF）。
   • 它给出了随机变量小于或等于某个值$z$的概率。
   • 在这个公式中，$\varphi (u_1)-\varphi (u_2)$ 实际上计算了标准正态分布在$u_2$和$u_1$之间的累积概率，其中$u_1=\frac{(b-\mu )}{\sigma }$ 和 $u_2=\frac{(a-\mu )}{\sigma }$。

常用分布

常用的概率分布主要有正态分布、均匀分布、指数分布、泊松分布和二项分布等。这些分布各有其特点和应用场景。

1. 正态分布：正态分布是最常见的连续概率分布。若随机变量$X$服从一个数学期望为μ、方差为σ^2的正态分布，记为$N(\mu ，{\sigma }^2)$。其概率密度函数为正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度。正态分布的区间半宽与包含因子的关系可以通过查询正态分布表或使用统计软件来确定。一般来说，对于给定的包含因子（如1σ、2σ、3σ等），可以计算出对应的区间半宽，从而确定在该区间内包含的数据比例。
2. 均匀分布：均匀分布是一种简单的连续概率分布，其概率密度函数在定义域内为常数。在均匀分布中，区间半宽与包含因子的关系比较直接。由于概率密度函数为常数，因此区间半宽的增加会直接导致包含的数据比例增加。
3. 指数分布：指数分布是一种连续概率分布，常用于描述事件发生之间的时间间隔。在指数分布中，区间半宽与包含因子的关系需要通过具体的分布参数来计算。一般来说，随着区间半宽的增加，包含的数据比例也会增加，但增加的速度会逐渐减慢。
4. 泊松分布：泊松分布是一种离散概率分布，用于描述在给定时间内随机事件发生次数的概率分布。在泊松分布中，区间半宽与包含因子的关系不直接涉及，因为泊松分布关注的是事件发生的次数，而不是具体的数值范围。
5. 二项分布：二项分布是n个独立的是/非试验中成功的次数的离散概率分布，其中每次试验的成功概率为p。在二项分布中，区间半宽与包含因子的关系也不直接相关，因为二项分布关注的是成功次数的概率分布。

不同的概率分布具有不同的特点和应用场景。对于正态分布和均匀分布等连续概率分布，区间半宽与包含因子之间存在一定的关系；而对于泊松分布和二项分布等离散概率分布，这种关系则不那么直接。在实际应用中，需要根据具体的问题和数据类型选择合适的概率分布进行建模和分析。

标准不确定度的A类评定公式

$$s_p=\sqrt{\frac{{\Sigma }_{j=1}^m{\Sigma }_{i=1}^n(x_{ij}-\overline{x_j}{)}^2}{m(n-1)}}$$
$s_p:合并样品标准偏差$
$m:m个同类被测量，得到m组数据$
$n:每组测量n次$
$j:第j组的平均值为\overline{x_j}$
每个被测件测得的最佳估计值$\overline{x_j}$的标准不确定度公式为：
$$u(\overline{x_j})=\frac{s_p}{\sqrt{n}}$$
若对每个被测件的测量次数$n_j$不同，即各组的自由度$v_j$不等，各组的实验标准偏差为$s_j$，则合并样品标准偏差为：$s_p=\sqrt{\frac{{\Sigma }_{j=1}^m{v}_j{s}_j^2}{{\Sigma }_{j=1}^m{v}_j}}$