莱因达 ( PauTa)准则、格拉布斯 ( Grubbs)准则、肖维纳 (Chauvenet)准则 三者的区别
对同样的一个数据组（10次以上相同物体的检测数据）进行分析测试，有3种误差剔除准则，希望能告诉下这3者的区别。看了定义 没有看懂~！
1、检测数量不同
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。
参考资料来源：百度百科—格拉布斯准则
1.2格拉布斯准则
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。其判别方法如下: 先将呈正态分布的等精度多次测量的样本按从小到大排列,统计临界系数G(a,n)的值为G0, 然后分别计算出G1、Gn:G1=( X-X1)/σ,Gn=(Xn- X)/σ (1) 若G1≥Gn且G1>G0,则X1应予以剔除; 若Gn≥G1且Gn>G0,则Xn应予以剔除; 若G1<G0且Gn<G0,则不存在“坏值”。 然后用剩下的测量值重新计算平均值和标准偏差,还有G1、Gn和G0,重复上述步骤继续进行 判断,依此类推。
1.3肖维勒准则
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(其中m是绝对值大于Ecσ的误差出现次数,P是置信概率)。设等精度且呈正态分布的测量值为Xi,若其残差vi≥Zcσ则Xi可视为含有粗大误差,此时把读数Xi应舍弃。把可疑值舍弃后再重新计算和继续使用判别依据判断,依此类推。
1.4狄克逊准则
狄克逊准则是一种用极差比双侧检验来判别粗大误差的准则。它从测量数据的最值入手,一般取显著性水平a为0.01.此准则的特点是把测量数据划分为四个组,每个组都有相应的极端异常值统计量R1、R2的计算方法,再根据测量次数n和所对应的统计临界系数D(a,n)按照以下方法来判别: 若R1>R2,R1>D(a,n),则判别X1为异常值,应舍弃; 若R2>R1,R2>D(a,n),则应舍弃Xn本回答被网友采纳