展开全部
1、检测数量不同32313133353236313431303231363533e78988e69d8331333431363566
莱因达准则是以三倍测量列的标准偏差为极限取舍标准,其给定的置信概率为99.73%,该 准则适用于测量次数n>10或预先经大量重复测量已统计出其标准误差σ的情况;
格拉布斯准则适用于测量次数较少的情况(n<100),通常取置信概率为95%,对样本中仅混入一个异常值的情况判别效率最高。
肖维勒准则是建立在频率p=m/n趋近于概率P{|Xi- X|>Zcσ}的前提下的。
2、概率精确度不同
莱因达准则置信概率为99.73%,而格拉布斯准则置信概率为95%,肖维勒准则置信概率为92%。
扩展资料:
格拉布斯准则是以正态分布为前提的,理论上较严谨,使用也方便。
某个测量值的残余误差的绝对值 |Vi |>Gg,则判断此值中有较大误差,应以剔除,此即格拉布斯准则。
利用格拉布斯(Grubbs)准则进行处理:
根据误差理论,要有效地剔除偶然误差,一般要测量10次以上,兼顾到精度和响应速度,取15次为一个单位。
在取得的15个数据中,有些可能含有较大的误差,需要对它们分检,剔除可疑值,提高自适应速度。
对于可疑数据的取舍要慎重。在试验进行中时,若发现异常数据,应立即停止试验,分析原因并及时纠正错误;当为试验结束后时,应先找原因,在对数据进行取舍。如发现生产(施工)、试验过程中,有可疑的变异时,该测量值则应予舍弃。
这类数据的不能清楚地判定原因时,可以借助一些统计方法进行验证处理,方法很多,如常用的"拉依达准则"和"格拉布斯准则",还有如狄克逊准则,肖维勒准则、t检验法,F检验法等。
但对于异常数据一定要慎重,不能任意的抛弃和修改。往往通过对异常数据的观察,可以发现引起系统误差的原因,进而改进过程和试验。