Расширенная неопределённость: коэффициент охвата k

Когда в протоколе измерения пишут результат в виде $x \pm U$, за буквой $U$ всегда стоит один и тот же вопрос: насколько широким должен быть этот интервал, чтобы истинное значение измеряемой величины попадало в него с заданной вероятностью. Расширенная неопределённость $U$ получается из комбинированной стандартной неопределённости $u_c(x)$ умножением на коэффициент охвата $k_p$ - и весь спор о том, брать ли $k = 2$, $k = 3$ или что-то более точное, сводится к тому, откуда этот коэффициент берётся. Ниже разберём формулу расширенной неопределённости, покажем, как коэффициент охвата зависит от доверительной вероятности и числа степеней свободы, и решим типовую задачу с числами. Чтобы сразу увидеть, как коэффициент меняется при разных условиях, покрути калькулятор ниже - он показывает и точный расчёт через распределение Стьюдента, и приближённый через нормальное распределение.

Что такое коэффициент охвата

Коэффициент охвата $k_p$ - это число, на которое умножают комбинированную стандартную неопределённость $u_c(x)$, чтобы получить расширенную неопределённость:

$U = k_p \cdot u_c(x).$

Индекс $p$ у коэффициента напоминает, что его значение жёстко привязано к выбранной доверительной вероятности $P$ (обычно 90%, 95% или 99%): чем выше требуемая вероятность накрытия истинного значения, тем больше должен быть коэффициент и тем шире получается интервал. Результат измерения принято записывать так:

$y = x \pm U, \qquad \text{при доверительной вероятности } P.$

Важно, что $U$ без указания $P$ ничего не значит: одна и та же неопределённость $u_c(x)$ даёт разный $U$ в зависимости от того, какую вероятность накрытия вы хотите гарантировать.

Откуда берётся конкретное значение k

Здесь есть два принципиально разных случая, и путать их - самая частая ошибка в курсовых и лабораторных работах.

Случай большой выборки (нормальное приближение). Если распределение результата измерения можно считать нормальным, а число измерений велико (или неопределённость получена из паспортных данных прибора, а не из статистики малой выборки), коэффициент охвата берут напрямую из квантилей нормального распределения:

$k_{90} = 1{,}645, \qquad k_{95} = 1{,}960, \qquad k_{99} = 2{,}576.$

На практике $k_{95} = 1{,}960$ часто округляют до удобного $k = 2$, что соответствует чуть более широкой доверительной вероятности $P \approx 95{,}45\%$. Аналогично $k = 3$ соответствует $P \approx 99{,}73\%$ - это знакомое «правило трёх сигм».

Случай малой выборки (распределение Стьюдента). Если эффективное число степеней свободы $\nu$ невелико, нормальное приближение занижает интервал: реальное распределение среднего по малой выборке имеет более тяжёлые хвосты. В этом случае коэффициент охвата - это квантиль распределения Стьюдента $t_p(\nu)$, который берут из таблицы (ГОСТ Р 54500.3-2011, приложение G руководства GUM):

Рассчитать для своей задачи

Видно, что коэффициент $t_p(\nu)$ всегда больше соответствующего $k_\infty$ нормального приближения и приближается к нему только при больших $\nu$ (уже при $\nu \approx 30$ разница обычно укладывается в пределы округления). Именно поэтому для малых выборок нельзя механически подставлять $k = 2$ - это занизит расширенную неопределённость и сделает доверительный интервал недостоверным.

Как найти эффективное число степеней свободы

Если неопределённость получена прямыми измерениями ряда из $n$ отсчётов, число степеней свободы равно $\nu = n - 1$. Но чаще комбинированная неопределённость складывается из нескольких составляющих с разными степенями свободы (часть - из статистики измерений, часть - из паспорта прибора, где степени свободы формально бесконечны). Тогда используют формулу Уэлча-Саттертвейта:

$\nu_{eff} = \frac{u_c^4(y)}{\displaystyle\sum_{i=1}^{N} \frac{u_i^4(y)}{\nu_i}},$

где $u_i(y)$ - вклад $i$-го источника неопределённости, а $\nu_i$ - его собственное число степеней свободы. Итоговое $\nu_{eff}$ обычно дробное, его округляют вниз до целого перед обращением к таблице коэффициентов Стьюдента - округление вверх дало бы более оптимистичный (заниженный) коэффициент, чем следует из данных.

На практике формула Уэлча-Саттертвейта чаще всего «портит» именно один доминирующий источник с малым числом степеней свободы: если он вносит основной вклад в $u_c(y)$, а его $\nu_i$ мало (скажем, оценка получена всего по 3-4 измерениям), итоговое $\nu_{eff}$ окажется небольшим, даже если остальные составляющие взяты из паспортов приборов с формально бесконечным числом степеней свободы. Именно поэтому нельзя просто взять $k = 2$ «по умолчанию»: сначала стоит прикинуть, какая из составляющих определяет $\nu_{eff}$, и только потом обращаться к таблице коэффициентов Стьюдента.

Рассчитать для своей задачи

Пример решения задачи

При измерении длины детали получена комбинированная стандартная неопределённость $u_c(x) = 0{,}50$ мм. По результатам обработки данных эффективное число степеней свободы составило $\nu_{eff} = 10$. Нужно найти расширенную неопределённость для доверительной вероятности $P = 95\%$ и записать результат, если сам результат измерения $x = 100{,}00$ мм.

Поскольку $\nu_{eff} = 10$ - конечное и не очень большое число, нормальное приближение здесь не годится, коэффициент нужно брать из таблицы Стьюдента:

$k_{95}(\nu = 10) = 2{,}228.$

Подставляем в формулу расширенной неопределённости:

$U = k_{95} \cdot u_c(x) = 2{,}228 \cdot 0{,}50 = 1{,}114 \approx 1{,}11\ \text{мм}.$

Результат измерения записывают так:

$x = (100{,}00 \pm 1{,}11)\ \text{мм}, \qquad P = 95\%.$

Для сравнения, если бы те же данные ошибочно обработали через нормальное приближение ($k_{95} = 1{,}960$), расширенная неопределённость получилась бы заметно меньше: $U = 1{,}960 \cdot 0{,}50 = 0{,}98$ мм - на 12% уже, чем правильное значение. При $\nu_{eff} = 10$ это существенная недооценка риска промаха мимо истинного значения.

Частые ошибки

• Использование $k = 2$ без проверки степеней свободы. Коэффициент $2$ верен только при достаточно большом $\nu_{eff}$ (условно, от 30 и выше); для малых выборок он занижает интервал.
• Указание $U$ без доверительной вероятности $P$. Число $U$ без указанной $P$ невозможно интерпретировать - обязательно писать, для какой вероятности накрытия рассчитан коэффициент.
• Округление $\nu_{eff}$ вверх. Формула Уэлча-Саттертвейта почти всегда даёт дробное число; округлять нужно вниз, иначе коэффициент охвата окажется заниженным.
• Путаница между стандартной и расширенной неопределённостью. $u_c(x)$ - это одно стандартное отклонение, $U = k_p \cdot u_c(x)$ - уже интервал с заданной доверительной вероятностью; в отчёте всегда указывают, какая именно величина приведена.
• Игнорирование источников с малым числом степеней свободы. Если хотя бы одна составляющая неопределённости получена по маленькой выборке, она может резко снизить $\nu_{eff}$ всей комбинированной неопределённости - её нельзя просто отбросить как «незначительную».

FAQ

Чему равен коэффициент охвата при доверительной вероятности 95% и большом числе измерений? При $\nu_{eff} \to \infty$ используют квантиль нормального распределения $k_{95} = 1{,}960$, которую на практике часто округляют до $k = 2$.

Почему для малой выборки коэффициент охвата больше, чем для большой? Распределение Стьюдента при малом числе степеней свободы имеет более тяжёлые хвосты, чем нормальное: чтобы накрыть ту же долю вероятности $P$, границы интервала приходится раздвигать шире, отсюда больший $t_p(\nu)$.

Как выбрать доверительную вероятность P для расчёта расширенной неопределённости? Стандартно берут $P = 95\%$ как разумный компромисс между надёжностью и шириной интервала; в критичных измерениях (медицина, безопасность) используют $P = 99\%$, в учебных прикидках иногда достаточно $P = 90\%$.

Что делать, если эффективное число степеней свободы получилось дробным? Округлить его вниз до ближайшего целого перед обращением к таблице коэффициентов Стьюдента: округление вверх дало бы более узкий (заниженный) коэффициент охвата, чем допускают исходные данные, и результат окажется недостоверно оптимистичным.

Коротко

Расширенная неопределённость $U = k_p \cdot u_c(x)$ переводит стандартную неопределённость в доверительный интервал заданной ширины. Коэффициент охвата $k_p$ зависит от доверительной вероятности $P$ и эффективного числа степеней свободы $\nu_{eff}$: для большой выборки это квантиль нормального распределения ($k_{95} = 1{,}960$, часто округляют до 2), для малой - квантиль распределения Стьюдента $t_p(\nu)$ из таблицы, который всегда больше нормального значения и стремится к нему только при росте $\nu$. Подмена одного случая другим - типичная ошибка, занижающая надёжность заявленного результата измерения.