Рассмотрим результат наблюдений Х за постоянной физической величиной Q как случайную величину, принимающую различные значения Z, в различных наблюдениях за ней. Значения будем называть результатами отдельных наблюдений.

Наиболее универсальный способ описания случайных величин заключается в отыскании их интегральных или дифференциальных функций распределения [5].

Под интегральной функцией распределения результатов наблю-дений понимается зависимость вероятности того, что результат наблюдения в i-м опыте окажется меньшим некоторого текущего значения х, от самой величины х:

Здесь и в дальнейшем большие буквы используются для обозначения случайных величин, а маленькие - значений, принимаемых случайными величинами. Поскольку функция распределения вероятности представляет собой вероятность, то она удовлетворяет следующим свойствам:

На рис.2 показаны примеры функций распределения вероятности.

Более наглядным является описание свойств результатов наблюдений и случайных погрешностей с помощью дифференциальной функции распределения, иначе называемой плотностью распределения вероятностей:

Физический смысл f(x) состоит в том, что произведение f(x)dx представляет вероятность попадания случайной величины Х в интервал от х до х + dx , т.е.

Свойства плотности распределения вероятности:

 - вероятность достоверного события равна 1;
иными словами, площадь, заключенная между кривой дифференциальной функции распределения и осью абсцисс, равна единице;

 - вероятность попадания случайной величины в интервал от до .

От дифференциальной функции распределения легко перейти к интегральной путем интегрирования:

Размерность плотности распределения вероятностей, как это следует из формулы , обратна размерности измеряемой величины, поскольку сама вероятность - величина безразмерная.

Используя понятия функций распределения, легко получить выражения для вероятностей того, что результат наблюдений Х или случайная погрешность примет при проведении измерения некоторое значение в интервале или .

В терминах интегральной функции распределения имеем:

т.е. вероятность попадания результата наблюдений или случайной погрешности в заданный интервал равна разности значений функции распределения на границах этого интервала.

Заменяя в полученных формулах интегральные функции распределения на соответствующие плотности распределения вероятностей согласно выражению (7), получим формулы для искомой вероятности в терминах дифференциальной функции распределения:

Таким образом, вероятность попадания результата наблюдения или случайной погрешности в заданный полуоткрытый интервал равна площади, ограниченной кривой распределения, осью абсцисс и перпендикулярами к ней на границах этого интервала. Необходимо отметить, что результаты наблюдений в значительной степени сконцентрированы вокруг истинного значения измеряемой величины и по мере приближения к нему элементы вероятности их появления возрастают. Это дает основание принять за оценку истинного значения измеряемой величины координату центра тяжести фигуры, образованной осью абсцисс и кривой распределения, и называемую математическим ожиданием результатов наблюдений:

В заключение можно дать более строгое определение постоян-ной систематической и случайной погрешностей.

Систематической постоянной погрешностью называется отклонение математического ожидания результатов наблюдений от истинного значения измеряемой величины:

а случайной погрешностью - разность между результатом единичного наблюдения и математическим ожиданием результатов

В этих обозначениях истинное значение измеряемой величины составляет

.

Функция распределения является самым универсальным способом описания поведения случайных погрешностей. Однако для определения функций распределения необходимо проведение весьма кропотливых научных исследований и обширных вычислительных работ. Поэтому к такому способу описания случайных погрешностей прибегают иногда при исследовании принципиально новых мер и измерительных приборов.

Значительно чаще бывает достаточно охарактеризовать случайные погрешности с помощью ограниченного числа специальных величин, называемых моментами [3].

Начальным моментом n-го порядка результатов наблюдений называется интеграл вида

представляющий собой математическое ожидание степени .

При n=1

т.е. первый начальный момент совпадает с математическим ожиданием результатов измерений.

Центральным моментом n-го порядка результатов наблюдений называется интеграл вида

Вычислим первый центральный момент:

Таким образом, первый центральный момент результатов наблюдений равен нулю. Важно отметить, что начальные и центральные моменты случайных погрешностей совпадают между собой и с центральными моментами результатов наблюдений, поскольку математическое ожидание случайных погрешностей равно нулю.

Особое значение наряду с математическим ожиданием результатов наблюдений имеет второй центральный момент, называемый дисперсией результатов наблюдений.

При n=2

.

Дисперсия D[X] случайной погрешности равна дисперсии результатов наблюдений и является характеристикой их рассеивания относительно математического ожидания.

Если математическое ожидание результатов наблюдений можно рассматривать в механической интерпретации как абсциссу центра тяжести фигуры, заключенной между кривой распределения и осью Ох, то дисперсия является аналогом момента инерции этой фигуры относительно вертикальной оси, проходящей через центр тяжести.

Дисперсия имеет размерность квадрата измеряемой величины, поэтому она не совсем удобна в качестве характеристики рассеивания. Значительно чаще в качестве последней используется положительное значение корня квадратного из дисперсии, называемое среднимквадратическим отклонением результатов наблюдений:

.

С помощью среднеквадратического отклонения можно оценить вероятность того, что при однократном наблюдении случайная погрешность по абсолютной величине не превзойдет некоторой наперед заданной величины , т. е. вероятность . Для этого рассмотрим формулу, известную как неравенство Чебышева:

или .

Полагая , можно найти вероятность того, что результат однократного наблюдения отличается от истинного значения на величину, большую утроенного среднеквадратического отклонения, т. е. вероятность того, что случайная погрешность окажется больше :

Вероятность того, что погрешность измерения не превысит , составит соответственно

Неравенство Чебышева дает только нижнюю границу для вероятности , меньше которой она не может быть ни при каком распределении. Обычно значительно больше 0.89. Так, например, в случае нормального распределения погрешностей эта вероятность составляет 0.9973.

Математическое ожидание и дисперсия являются наиболее часто применяемыми моментами, поскольку они определяют наиболее важные черты распределения: положение центра распределения и степень его разбросанности. Для более подробного описания распределения используются моменты более высоких порядков.

Третий момент случайных погрешностей служит характеристикой асимметрии, или скошенности распределения. В общем случае любой нечетный момент случайной погрешности характеризует асимметрию распределения. Действительно, если распределение обладает свойством симметрии, то все функции вида , где s = l, 3, 5..., являются нечетными функциями (рис.3).

Поэтому все нечетные моменты, являющиеся интегралами этих функций в бесконечных пределах, должны равняться нулю. Отличие этих моментов от нуля как раз и указывает на асимметрию распределения. Простейшим из нечетных моментов является третий момент . Чтобы получить безразмерную характеристику, третий момент делят на третью степень среднеквадратического отклонения и получают коэффициент асимметрии, или просто асимметрию Sk распределения:

На рис.4 приведены три кривые распределения случайных погрешностей с положительной, отрицательной и нулевой асимметрией.

Четвертый момент служит для характеристики плосковершинности или островершинности распределения случайных погрешностей. Эти свойства описываются с помощью эксцесса - безразмерной характеристики, определяемой выражением

Число 3 вычитают из отношения потому, что для широко распространенного нормального распределения погрешностей . Таким образом, для нормального распределения эксцесс равен нулю, более плосковершинные распределения обладают отрицательным эксцессом, более островершинные - положительным (рис.5).