python 设置精度_python实现点位精度评定

点位精度评定，主要是评定点位数据得l离散度。评定主要是一系列得数学值。在python的numpy中有一些列的函数可以用来实现这一系列的评估值。

1.期望

期望表示一点点位最可能出现的位置。一般情况下期望的估值采用算数平均值来表示，

在numpy中有mean()函数可以直接求取。

2.方差

方差主要用来描述随机变量的离散程度，它的数值越小说明离散程度越低。

其中，如果

则自由度n为n-1

3.标准差std

标准差，即方差的平差根，

自由度n值同方差

4.协方差

协方差用于衡量两个变量的总体误差，其为总体变量误差的期望

故方差其实是一种特殊的协方差

故

5.RMS(Root Mean Square)均方根误差

在点位精度中RMS值实际上为距离的RMS，即l为距离d，故带入得RMS即为xy方差和的a开方。

6.误差椭圆

介绍误差椭球之前先说说概率圆CEP(Circular Error Probable):以(ux,uy)为圆心，CEP为半径画一个圆，点落入园内的概率为50%，计算公式为

如果概率为95%则为CEP95：

如果概率为99%则为CEP99：

概率圆其实是一种特殊的误差椭球，

如果任意方向向量表示为

则在此方向上的方差为，

化简得，

其中，

注意：为了求取方差的极值方向，可以对角度求偏导=0，

故以E为长半轴、F为短半轴的椭圆被称之为标准误差椭圆。置信椭圆是标准椭圆的k倍。

点落入椭圆的概率为

点位精度评定 - hanford - 博客园​www.cnblogs.com

python中numpys几乎已经实现了相关的计算，具体代码如下

import numpy as np

def expectation(X):

expect = np.mean(X)

return expect

def variance(X):

vari = np.var(X)

return vari

def standard_deviation(X):

std = np.std(X)

return std

def Covariance(X,Y):

cov = np.cov(X,Y)

return cov

def RMS(X,Y):

RMS = np.sqrt(np.var(X) + np.var(Y))

return RMS

def error_ellipsoid(X,Y):