肖维勒准则matlab_莱因达 ( PauTa)准则、格拉布斯 ( Grubbs)准则、肖维纳 (Chauvenet)准则 三者的区别...

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。