python求不确定度_计算FFT振幅的不确定度

由离散傅里叶变换计算的每个傅里叶系数

数组的x是x元素的线性组合；请参见

关于wikipedia page on the discrete Fourier transform上X_k的公式，

我写为X_k = sum_(n=0)^(n=N-1) [ x_n * exp(-i*2*pi*k*n/N) ]

(也就是说，X是{}的离散傅里叶变换。)

如果x帴n是正态分布的，且均值和方差σ2是正态分布的，

再加上一点代数，就可以知道X_k的方差是和

x的方差

^{pr2}$

换言之，每个傅立叶系数的方差是相同的；

它是x中测量值的方差之和。在

使用你的符号，其中unc(z)是z的标准偏差unc(X_0) = unc(X_1) = ... = unc(X_(N-1)) = sqrt(unc(x1)**2 + unc(x2)**2 + ...)

(请注意，xuk的量级的分布是Rice distribution。)

下面的脚本演示了这个结果。在本例中，标准

x值的偏差从0.01线性增加到0.5。在import numpy as np

from numpy.fft import fft

import matplotlib.pyplot as plt

np.random.seed(12345)

n = 16

# Create 'x', the vector of measured values.

t = np.linspace(0, 1, n)

x = 0.25*t - 0.2*t**2 + 1.25*np.cos(3*np.pi*t) + 0.8*np.cos(7*np.pi*t)

x[:n//3] += 3.0

x[::4] -= 0.25

x[::3] += 0.2

# Compute the Fourier transform of x.

f = fft(x)

num_samples = 5000000

# Suppose the std. dev. of the 'x' measurements increases linearly

# from 0.01 to 0.5:

sigma = np.linspace(0.01, 0.5, n)

# Generate 'num_samples' arrays of the form 'x + noise', where the standard

# deviation of the noise for each coefficient in 'x' is given by 'sigma'.

xn = x + sigma*np.random.randn(num_samples, n)

fn = fft(xn, axis=-1)

print "Sum of input variances: %8.5f" % (sigma**2).sum()

print

print "Variances of Fourier coefficients:"

np.set_printoptions(precision=5)

print fn.var(axis=0)

# Plot the Fourier coefficient of the first 800 arrays.

num_plot = min(num_samples, 800)

fnf = fn[:num_plot].ravel()

clr = "#4080FF"

plt.plot(fnf.real, fnf.imag, 'o', color=clr, mec=clr, ms=1, alpha=0.3)

plt.plot(f.real, f.imag, 'kD', ms=4)

plt.grid(True)

plt.axis('equal')

plt.title("Fourier Coefficients")

plt.xlabel("$\Re(X_k)$")

plt.ylabel("$\Im(X_k)$")

plt.show()

打印输出为Sum of input variances: 1.40322

Variances of Fourier coefficients:

[ 1.40357 1.40288 1.40331 1.40206 1.40231 1.40302 1.40282 1.40358

1.40376 1.40358 1.40282 1.40302 1.40231 1.40206 1.40331 1.40288]

如预期，傅里叶系数的样本方差为

所有(大约)与测量方差之和相同。在

这是脚本生成的情节。黑钻石是

单个x向量的傅立叶系数。蓝点是

800个x + noise实现的Fourier系数。你可以看到

每个Fourier系数周围的点云大致是对称的

所有的“尺寸”都一样(当然，除了真正的系数，

在这个图中显示为实际轴上的水平线)。在