EssayAI
Блог
Блог
Естественные науки

Критерий Шовене: проверка подозрительного измерения

8 ноября 2026Время чтения: 8 минут
#критерий шовене#выбросы#обработка измерений#нормальное распределение#погрешность
Критерий Шовене: проверка подозрительного измерения

Критерий Шовене помогает заметить подозрительное значение в ряду измерений. Он сравнивает расстояние от наблюдения до среднего с разбросом ряда и спрашивает, сколько настолько же удалённых значений ожидалось бы при нормальной модели. Если это число меньше половины, наблюдение отмечают для проверки. Рассчитайте нормированное отклонение по своим данным и задайте его вместе с размером ряда в калькуляторе: он покажет оба хвоста распределения и результат сравнения.

Что показывает критерий

Представим десять повторных отсчётов напряжения при постоянных условиях. Девять лежат близко друг к другу, а десятый заметно выше. Это может быть ошибка записи или сбой прибора, но также и редкое корректное наблюдение. Одного вида таблицы недостаточно, чтобы различить эти ситуации.

Критерий Шовене формализует редкость: для точки вычисляют отклонение от среднего в единицах стандартного отклонения, затем находят вероятность отклониться хотя бы настолько же в любую сторону при нормальном распределении. Умножение на число измерений даёт ожидаемое число таких наблюдений. Правило использует границу 0,5. Оно предполагает сопоставимые наблюдения и примерно нормальный закон, а в типовой оценке среднего и разброса учитывает и саму подозрительную точку.

Границы удаляются от среднего и возвращаются обратно: золотые области обоих хвостов уменьшаются по мере роста отклонения.

Движение показывает вероятность для заданного расстояния, а не удаление данных. Чем дальше границы от центра, тем меньше площадь обоих хвостов. Связь между плотностью и вероятностью полезно вспомнить по статье о нормальном законе погрешности измерений.

Формула и правило решения

Для ряда x1,…,xnx_1,\ldots,x_n найдём среднее и выборочное стандартное отклонение отдельного наблюдения:

xˉ=1n∑i=1nxi,s=∑i=1n(xi−xˉ)2n−1.\bar{x}=\frac{1}{n}\sum_{i=1}^{n}x_i, \qquad s=\sqrt{\frac{\sum_{i=1}^{n}(x_i-\bar{x})^2}{n-1}}.

Здесь принят делитель n−1n-1; в литературе встречаются и другие соглашения, поэтому для сравнения с таблицей нужно проверить её определение разброса. При s>0s>0 стандартизованное отклонение проверяемой точки x∗x_* равно

z=∣x∗−xˉ∣s,p=2[1−Φ(z)],z=\frac{|x_*-\bar{x}|}{s}, \qquad p=2\left[1-\Phi(z)\right],

где Φ\Phi - функция распределения стандартной нормальной величины. Абсолютное значение и множитель два учитывают одинаково большие отклонения выше и ниже среднего. При z=0z=0 оба хвоста вместе дают вероятность 1.

Правило отмечает точку, если np<0,5np<0{,}5. Равенство границе в принятой здесь записи не считается превышением порога. Эквивалентная форма - сравнить zz с критическим значением:

z>zкр,zкр=Φ−1 ⁣(1−14n).z>z_{\text{кр}},\qquad z_{\text{кр}}=\Phi^{-1}\!\left(1-\frac{1}{4n}\right).

Для n=10n=10 порог составляет примерно 1,9601{,}960. Он растёт с размером ряда: при большем числе наблюдений редкое значение встретить легче. Калькулятор строит порог именно для выбранного nn, а не использует универсальную границу в три сигмы.

Расчёт на примере десяти измерений

Пусть учебный ряд напряжений в вольтах: 10,0; 10,1; 9,9; 10,2; 9,8; 10,1; 9,9; 10,0; 10,0; 11,010{,}0;\ 10{,}1;\ 9{,}9;\ 10{,}2;\ 9{,}8;\ 10{,}1;\ 9{,}9;\ 10{,}0;\ 10{,}0;\ 11{,}0. Это искусственный пример, а не данные эксперимента. Проверим наиболее удалённое значение 11,011{,}0 В, включая его в исходные оценки.

  1. Сумма равна 101,0101{,}0 В, поэтому xˉ=10,1\bar{x}=10{,}1 В.
  2. Сумма квадратов отклонений равна 1,021{,}02 В²; отсюда s=1,02/9≈0,33665s=\sqrt{1{,}02/9}\approx0{,}33665 В.
  3. Расстояние до среднего равно 0,90{,}9 В, а z=0,9/0,33665≈2,673z=0{,}9/0{,}33665\approx2{,}673.
  4. По стандартному нормальному закону p≈0,00751p\approx0{,}00751 и np≈0,0751np\approx0{,}0751.
  5. Поскольку 0,0751<0,50{,}0751<0{,}5, значение 11,011{,}0 В отмечено как подозрительное. Тот же вывод следует из 2,673>1,9602{,}673>1{,}960.
Стандартная нормальная кривая с двумя хвостами за границами минус и плюс 2,67 и ожидаемым числом около 0,075 для десяти наблюдений
Стандартная нормальная кривая с двумя хвостами за границами минус и плюс 2,67 и ожидаемым числом около 0,075 для десяти наблюдений

В калькуляторе можно выбрать n=10n=10 и z=2,67z=2{,}67: небольшое расхождение в последнем знаке связано с округлением входа. Стандартное отклонение здесь характеризует разброс отдельных результатов, а не стандартную ошибку среднего s/ns/\sqrt n. Их назначение различается; подробнее об оценке разброса и среднего - в статье об обработке прямых многократных измерений.

Как понимать число меньше половины

Величина npnp - математическое ожидание числа наблюдений, лежащих за двумя фиксированными границами при заданной нормальной модели. Это не вероятность того, что конкретная точка ошибочна, и не оценка доли бракованных измерений. Половина в правиле - выбранная граница ожидаемого числа, а не 50-процентная вероятность ошибки.

При известных параметрах распределения и независимых наблюдениях вероятность получить хотя бы одно значение за фиксированными границами равна 1−(1−p)n1-(1-p)^n, а не npnp. Кроме того, в практическом расчёте среднее и ss оцениваются по тому же ряду, а проверяемое значение обычно выбирается как самое удалённое. Поэтому наивная интерпретация pp как точного уровня значимости всей процедуры некорректна. О различии вероятности и уровня значимости полезно прочитать отдельно в материале о доверительной вероятности и уровне значимости.

Порог также не доказывает физическую причину. Прибор может действительно зафиксировать редкое состояние процесса; наоборот, неправильная запись может случайно оказаться близко к среднему и пройти проверку. Результат критерия - повод исследовать журнал, условия опыта и калибровку, а не лицензия молча исправить таблицу.

Когда модель может подвести

Нормальная модель особенно сомнительна при сильной асимметрии, нескольких режимах работы, дрейфе или переменной точности. Временная зависимость делает повторные отсчёты менее информативными, чем независимые; если ряд меняется со временем, сначала стоит изучить процесс и остатки подходящей модели. Сам критерий не проверяет независимость или нормальность. Для предварительного исследования формы распределения можно использовать график и, с оговорками для малых выборок, критерий Шапиро-Уилка.

У среднего и обычного ss есть слабость: экстремальные значения сдвигают центр и увеличивают разброс. Несколько выбросов способны «замаскировать» друг друга, и каждый по отдельности окажется ближе к рассчитанному среднему, чем ожидалось. Это особенно заметно в небольшом ряду. Если все значения одинаковы, s=0s=0, деление невозможно: нужно изучить разрешение прибора и исходные данные, а не подставлять ноль в формулу.

Существуют разные варианты последовательного пересчёта после исключения точки. Они меняют задачу и свойства процедуры; многократное применение не следует считать автоматически равнозначным одной проверке. Для нескольких подозрительных точек выбирают метод, рассчитанный на такую ситуацию, и заранее описывают правила анализа. Руководство NIST по выбросам отдельно обсуждает маскирование и различие процедур для одного и нескольких выбросов.

Как выбрать границу для другого объёма ряда

Для практического расчёта сначала фиксируют именно число исходных наблюдений, включая проверяемое. Например, для пяти результатов критическое расстояние составляет примерно 1,645s1{,}645s, для двадцати - 2,241s2{,}241s, для пятидесяти - 2,576s2{,}576s. Эти значения получены из одной двусторонней нормальной формулы. Они относятся к соглашению, использованному в этой статье; при работе с готовой таблицей следует проверить её основание и округление.

Рост порога не означает, что большое отклонение стало физически менее важным. Он отражает другую постановку: в длинной серии больше возможностей встретить редкое значение. Например, отклонение в две единицы стандартного масштаба при десяти наблюдениях пересекает границу Шовене, а при двадцати - нет. Это сравнение относится к одинаковому заданному zz: при добавлении реальных измерений сами среднее, разброс и zz тоже обычно меняются.

Перед расчётом проверьте, что отсчёты относятся к одной измеряемой величине и выражены в одинаковых единицах. Если устройство перенастраивали между сериями, объединение разных режимов может создать кажущиеся выбросы. По той же причине систематическое смещение всех показаний не выявляется сравнением точки с внутренним средним ряда: оно требует отдельной проверки прибора или эталона.

Что делать после сигнала

Сохраните исходный ряд и зафиксируйте расчёт вместе с версией формулы. Проверьте единицы, перенос десятичной запятой, журнал измерений, состояние датчика и условия опыта. Если обнаружена подтверждённая причина, например ошибка переноса из протокола, исправление или исключение надо обосновать и задокументировать.

Если причина неизвестна, полезно представить результат как со значением, так и без него и показать, насколько меняется вывод. Иногда разумнее повторить измерение или применить устойчивый метод, учитывающий возможное загрязнение данных. Исследование на моделируемых нормальных данных показало, что удаление по Шовене не гарантирует улучшения оценок среднего и разброса: см. работу Limb и соавторов. Это не запрет на проверку, а причина отделять сигнал статистического правила от решения об обработке данных.

Частые ошибки

  • Брать один хвост. Проверка отклонения по модулю требует суммировать обе стороны нормальной кривой.
  • Подставлять стандартную ошибку среднего вместо ss. Это искусственно увеличивает zz в n\sqrt n раз.
  • Вычислять среднее без проверяемой точки, не оговорив метод. Так получают другой алгоритм и другой результат.
  • Удалять все отмеченные значения подряд. Повторный пересчёт и множественные выбросы требуют отдельного обоснования.
  • Считать нормальность доказанной критерием. Правило предполагает модель, но само её не подтверждает.

FAQ

Что означает np<0,5np<0{,}5?

При принятой нормальной модели ожидаемое число наблюдений за симметричными границами меньше половины. Это условие отмечает подозрительную точку, но не измеряет вероятность ошибки записи.

Можно ли применять правило к малой выборке?

Вычислить можно при n>1n>1 и s>0s>0, но оценки среднего и разброса в малом ряду особенно чувствительны к самим наблюдениям. Нужны осторожная интерпретация и сведения об условиях измерения.

Чем критерий Шовене отличается от правила трёх сигм?

Правило трёх сигм использует фиксированное расстояние 3s3s. У Шовене порог зависит от nn: например, для десяти наблюдений он около 1,96s1{,}96s, для ста - около 2,81s2{,}81s.

Коротко

Критерий Шовене сопоставляет двусторонний нормальный хвост с объёмом ряда: при np<0,5np<0{,}5 наиболее удалённое наблюдение отмечают для проверки. Расчёт чувствителен к модели и оценке разброса; решение о данных опирается также на сведения об измерении и документируется.

Доверьте текст нейросети EssayAI

Открыть EssayAI

Бесплатно, на русском языке и без VPN

Читайте также

Дифференциальная энтропия: формула и примеры

Дифференциальная энтропия: формула и примеры

Дифференциальная энтропия непрерывной величины: формула, примеры для равномерного и нормального распределений, отрицательные значения, масштаб и квантование.

8 ноября 20268 минут
Критерий Диксона: проверка выброса в малой выборке

Критерий Диксона: проверка выброса в малой выборке

Критерий Диксона помогает проверить крайнее измерение на выброс: разберём формулу Q, таблицу критических значений, пример расчёта и ограничения метода.

8 ноября 20268 минут
Критерий Граббса: проверка выброса в измерениях

Критерий Граббса: проверка выброса в измерениях

Как применить критерий Граббса для поиска одного выброса: формула статистики и критического значения, пошаговый пример, условия применимости и частые ошибки.

8 ноября 20268 минут
Метод кусочно-линейной аппроксимации: пример и ошибка

Метод кусочно-линейной аппроксимации: пример и ошибка

Метод кусочно-линейной аппроксимации по узлам: формула отрезка, подробный расчёт на примере, оценка погрешности и выбор шага сетки для инженерной задачи с таблицей значений.

8 ноября 20268 минут
Метод замещения в измерениях: суть и пример

Метод замещения в измерениях: суть и пример

Метод замещения в измерениях: как сравнить неизвестную величину с мерой, добиться одинакового показания, учесть поправку и оценить влияние нестабильности прибора.

8 ноября 20268 минут
Перевод дробных чисел в двоичную систему

Перевод дробных чисел в двоичную систему

Как перевести десятичную дробь в двоичную систему умножением на два: пошаговые примеры, периодические записи, проверка результата и оценка погрешности.

8 ноября 20269 минут