อัตราส่วนสัญญาณต่อสัญญาณรบกวน (SNR)
เพื่อวัดระดับเสถียรภาพของกระบวนการสุ่ม เราจะนิยาม อัตราส่วนสัญญาณต่อสัญญาณรบกวนในการวัด ว่าเป็น:
$$r = \frac{|\mu|}{\sigma}$$
เมื่อเราสะสมข้อมูลจากตัวอย่างอิสระจำนวน $n$ แล้ว ผลกระทบสัมพัทธ์ของส่วนเบี่ยงเบนมาตรฐาน ($\sigma$) จะลดลง ซึ่งทำให้ค่าเฉลี่ยพื้นฐาน ($\mu$) ปรากฏออกมาจากสัญญาณรบกวน ในทางวิศวกรรม นี่คือเหตุผลที่การเฉลี่ยค่าอ่านจากเซ็นเซอร์จะได้สัญญาณที่ 'สะอาด' จากข้อมูลที่ 'สกปรก'
การอ้างอิงทฤษฎีเวียร์สเตอร์ส
ทำไมเราจึงควรคาดหวังความเสถียรเช่นนี้? ทฤษฎี ทฤษฎีเวียร์สเตอร์ส ด้านการวิเคราะห์ ให้เหตุผลเชิงทฤษฎีที่ลึกซึ้ง แสดงให้เห็นว่าฟังก์ชันต่อเนื่องใดๆ ก็สามารถประมาณได้อย่างสม่ำเสมอด้วยพหุนามได้ โดยเฉพาะ พหุนามเบอร์นสไตน์ ถูกสร้างขึ้นโดยใช้ตรรกะเดียวกับค่าเฉลี่ยแบบทวินาม แสดงให้เห็นว่าพฤติกรรมรวมของความคลาดเคลื่อนแบบสุ่มจะเข้าใกล้ฟังก์ชันเรียบร้อยที่อยู่เบื้องหลัง
ความเสถียรถูกแสดงออกโดยการเปลี่ยนแปลงของสัดส่วน เมื่อจำนวนการทดลอง $n$ เพิ่มขึ้นเรื่อยๆ จนเป็นอนันต์ ความสัมพันธ์ระหว่างการทดลองกับผลรวมสะสม $S_n$ จะมั่นคงขึ้น:
$$r = \lim_{n \to \infty} \frac{n}{S_n} = \frac{1}{\mu}$$
ตัวอย่าง: การตรวจสอบเตาปฏิกิริยาเคมี
พิจารณาเซ็นเซอร์ที่วัดอุณหภูมิของเตาปฏิกิริยาเคมี การอ่านค่าครั้งเดียวมีความรบกวนสูงมาก เนื่องจากความผันผวนทางความร้อนและการรบกวนทางอิเล็กทรอนิกส์ อย่างไรก็ตาม เมื่ออาจารย์เฉลี่ยค่าอ่าน 1,000 ค่า ความผิดพลาดเฉพาะตัว (ความสุ่ม) จะตัดกันออกไปเอง กระบวนการนี้ทำให้ค่าอัตราส่วนสัญญาณต่อสัญญาณรบกวน (SNR) เพิ่มขึ้นอย่างมีนัยสำคัญ ทำให้เปลี่ยนจากจุดข้อมูลเดียวที่ไม่แน่นอน มาเป็นการแทนค่าที่มั่นคงของอุณหภูมิจริง