stdev试验多少合适

‘壹’ 高效液相色谱仪峰面积之间差多少是合格的

相对标准偏差RSD≤2.0%，这个数值就算是合格的。
不可能说差100，或者差200，峰面积如果是10000，差100也就相差1%，那如果峰面积是100，相差100就差了100%了。
相对标准偏差（RSD）=标准偏差（SD）/平均值*100

SD可以用excel里面的公式STDEV求得，平均值就是公式AVERAGE，算一下就知道了。

‘贰’ 高光谱矿物信息提取

8.6.1 方法与流程

8.6.1.1 产品生成业务化流程

常用的高光谱矿物填图标准方法：先运用最大噪声分离（MNF）变换对反射率数据进行波谱降维，用像元纯度指数（PPI）分析进行空间降维，然后用N维可视化方法来确定图像端元，进行端元识别，确定矿物波谱，最后用合适的方法进行矿物填图，并对结果进行优化操作。矿物填图流程图如图8.40所示。

1）数据降维。利用MNF变换进行光谱数据减维，分离数据中的噪声，减小运算量。观察最终特征值和MNF图像，确定数据的固有维数，选择合适的MNF波段进行PPI指数计算。

2）计算图像的PPI指数。计算MNF图像的PPI指数，最终产生PPI图像，图像中像元的DN值代表像元被记录为极值的次数，从直方图中选择阈值，仅选择最纯的像元以保证被分析的像元数最小，这些像元被输入到分离特定光谱端元的交互式可视化算法中。

3）N维可视化进一步提纯纯净像元。在N维可视化中，光谱可视为n维散点图中的一个点，n是波段数。通过选择n维散点图的顶点和拐角，进一步提纯纯净像元。将最终确定的端元输入到图像中的感兴趣区（ROI），从图像中提取每个感兴趣区平均反射率光谱曲线作为成像光谱矿物填图的候选端元。

图8.40 常见高光谱矿物填图流程

4）建立真实波谱库。将采集端元的波谱曲线输出，经过波谱分析（用波谱特征拟合算法与USGS标准波谱库进行匹配识别）得到的波谱曲线图，确定端元矿物并建立该矿物的真实波谱库。

5）选择合适的填图方法，辅以自行建立的真实波谱库，提取出各类矿物。并对提取结果做最小图斑去除、类合并等操作，优化矿物提取结果。

8.6.1.2 矿物信息提取的高光谱数据预处理

先将成像高光谱数据进行辐射定标、大气校正等过程得到光谱反射率数据。无论是高光谱成像仪还是传统的多光谱传感器，它们所记录的数据都是地面观测目标的反射或辐射能量的光谱辐射绝对值，与地物目标的光谱反射率或光谱辐亮度值是不一致的。因此，辐射定标和光谱重建是地物识别和定量分析不可缺少的环节。只有经过辐射标定、辐射校正和大气校正，剔除由于大气散射、吸收、地形起伏及传感器本身不稳定带来的各种失真，将记录的图像值转换为地面的反照率值，重建像元地面光谱，才能根据光谱特征，有效地识别地物，反演地物成分。

8.6.1.3 典型矿物光谱吸收特征分析

首先打开波谱数据库系统图8.41调出所研究的典型矿物的光谱进行分析。

根据主要谱带的位置将矿物划分为含Fe^2＋矿物、Fe^3＋矿物、Mn^2＋矿物、碳酸盐矿物、含Al-OH键矿物、含Mg-OH键矿物等大类。

Al-OH：诊断谱带一般位于2165～2215 nm附近；

Mg-OH：诊断谱带一般位于2315～2335 nm附近；

：诊断谱带一般位于2335～2386nm区间；

Fe^2＋：诊断谱带一般位于1000～1100nm附近；

图8.41 波谱库系统主界面

Fe^3＋：诊断谱带一般位于600～900nm附近；

Mn^2＋：诊断谱带一般位于450～600nm附近。

以主吸收谱带和次要吸收谱带的组合特征，并考虑到吸收谱带在不同岩石中的变异，识别矿物族。如对Al-OH键矿物可分为明矾石族、蒙脱石族、白云母族、高岭石族；含Mg-OH矿物可分为绿泥石族、黑云母族、绿帘石族、蛇纹石族、滑石-透闪石族等；碳酸盐矿物包括方解石族、白云石族等。

1）对于Al-OH键矿物：

明矾石族：两个吸收特征分别位于2175nm（2165～2175nm，± 10nm）和2325nm。

蒙脱石族：位于2215nm（2205～2215 nm，± 10nm）的主要吸收特征伴随有一个2440nm的次级吸收。

白云母-伊利石族：位于2205nm（2195～2215 nm，± 20nm）的主要特征吸收伴随有三个次级吸收峰，分别位于2355nm，2440nm和2115nm。

高岭石族：2200nm附近的OH^-谱带，在该谱带左翼存在次一级的谱带（2160nm）。

图8.42为典型Al-OH键矿物波谱特征图。

图8.42 几种典型Al-OH键矿物波谱特征图

2）对于碳酸盐矿物：

方解石族：位于2330 nm～2340 nm的主要谱带。

菱铁矿族：同时具有Fe^2＋在1000nm与

在2300nm附近的特征谱带。

图8.43为典型碳酸盐矿物波谱特征图。

图8.43 几种典型碳酸盐矿物波谱特征图

3）对于Mg-OH键矿物：

绿泥石族：位于2330 nm主要吸收特征伴随有一个2386 nm及2224 nm两个次级吸收。

绿帘石族：位于2330 nm主要吸收特征伴随有一个2225～2226 nm的次级吸收。

蛇纹石族：位于2320 nm附近主要吸收特征伴随有2110 nm为中心的较宽的弱谱带。

滑石-透闪石族：位于2290～2310 nm附近的较宽的双峰谱带和2385 nm附近的次级吸收。

图8.44为典型Mg-OH键矿物波谱特征图。

图8.44 几种典型Mg-OH键矿物波谱特征图

8.6.1.4 矿物识别技术

目前，基于成像光谱数据的矿物识别的方法主要有：基于光谱波形参数、基于光谱相似性测度、基于混合光谱模型、基于地质统计规律、基于光谱知识的智能识别等。

（1）光谱波形参数提取与蚀变识别的技术方法

岩石矿物单个诊断性吸收特征峰可以用吸收波段位置（λ）、吸收深度（H）、吸收宽度（W）、吸收面积（A）、吸收对称性（d）、吸收的数目（n）和排序参数作完整地表征（陈述彭等，1998）。根据端元矿物的单个诊断性吸收波形，从成像光谱数据中提取并增强这些参数信息，可直接用于识别岩矿类型。如HSI编码与吸收波段图（Kruse，1988）是利用连续统去除后的光谱图像，定义出波段吸收中心位置图像，波段深度图像及波段半极值宽度（FWHM）图像，并分别赋予HSI空间的明度（H）、强度（I）和饱和度（S），然后逆变换到RGB色度空间。代表性的方法还有光谱特征拟合（SFF）等。

光谱特征拟合（SFF，Spectral feature fitting）：光谱特征拟合是一种基于光谱吸收特征的方法，使用最小二乘法技术将图像中每一个像元的光谱曲线与所选择的参考光谱曲线的吸收特征进行拟合。是选择包含目标矿物特定吸收谱带的光谱区间，利用最小二乘拟合方法，比较像元光谱与目标光谱吸收特征的整体形态和吸收深度。该方法对噪音和地形有较好地抑制作用。

（2）基于相似性测度的识别技术方法

成像光谱最大的优势在于利用有限细分的光谱波段，去再现像元对应物的光谱曲线。这样，利用整个光谱曲线进行矿物匹配识别，可以在一定程度上改善单个波形的不确定性影响（如光谱漂移、变异等），提高识别的精度（甘甫平等，2000）。基于整个波形的识别技术方法是在参考光谱与像元光谱组成的二维空间中，合理地选择测度函数度量标准光谱或实测光谱与图像光谱的相似程度。这类方法主要有光谱角制图（SAM）技术、光谱二值编码（Binary encoding）技术等。

（3）基于光谱知识模型识别的技术方法

基于光谱知识模型识别的技术方法是建立在一定的光学、光谱学、岩矿结晶学和数学理论之上的信号处理技术方法。它不仅能够克服利用单一谱形识别所存在的缺陷，而且从地物光谱学原理入手、从本质上理解认识岩矿光谱的物理机制与物理过程，建立光谱数学物理模型，识别并定量提取岩矿信息。这在一定程度上能精确地量化地表物质的组成及深入地描述地物组成的物理特性，以进一步探测地物所蕴藏的成生环境本质。例如，建立在Hpake（1981）光谱双向反射理论基础之上的线性混合光谱分解模型（SMA/SUM），可以根据不同地物或者不同像元光谱反射率响应的差异，构造光谱线性分解模型，从而识别地物，量化地物成分，挖掘地物成生环境信息。

（4）基于地质统计特征的分类识别方法

该类方法是基于地物在图像上的统计分布规律，建立地质模型进行图像分类识别。比较典型的有（Ieohku，etal，1996），概率模型（Porbabilistic Model），几何光学模型（Geomertic-optical Model），随机几何模型（Stochastic Geometric Model）及非参数地质统计模型（Non-paramertic GeostatisticTechnique）。

（5）基于光谱知识的智能识别方法

传统的及上述的成像光谱识别方法利弊共存。对于高维与超大容量的成像光谱数据及大量的实验室光谱研究结果等迫切要求新的高效的遥感定量分析技术。因此，专家系统、人工神经网络、模糊识别等基于光谱知识的智能识别应运而生。神经网络技术是应用最广泛的识别技术（Gong，1996；Jimenez，et al.，1998；Benediktsson，et al.，1995；Garcia Haro，et al.，1998）。Goetting 和 Lyon（1986）建立一个试验性专家系统；Kruse等（1993）建立了基于知识的成像光谱矿物自动匹配制图系统。以Dempster-Shafer证据理论为基础格架的证据推理方法也得到了一定程度的应用。基于光谱知识的智能识别技术方法与系统将是成像光谱遥感地物信息识别、提取与量化及实用化的最佳选择与发展方向，极具潜力。

8.6.2 结果与分析

8.6.2.1 蛇纹石矿物的填图及效果分析

对Hyperion反射率数据进行MNF变换，根据变换结果人工确定变换维数，利用像元纯度指数（PPI）进行分析，根据n维光谱空间进行特征端元采集。运用光谱特征拟合的方法对端元波谱曲线进行波谱匹配，建立真实的波谱库，如图8.45所示。

图8.45 蛇纹石波谱匹配图

图8.46 五种填图方法结果对比

用前文简述的常用五种方法提取蛇纹石的具体位置，并进行对比分析，填图结果如图8.46所示。

用SAM矿物填图方法，可以快速提取端元采集出的所有地物，并用彩色分类影像来显示，使人们很直观地看出该矿物的分布范围。

光谱特征拟合将为每个参照波谱输出一幅比例图像和 RMS 图像或一幅合成的“拟合”图像（Scale/RMS）。较高的拟合值表明该像元与参照波谱匹配较好。但是波谱特征拟合效果并不是很好，因为如果输入了错误的参照端元或使用了错误的波长范围，也会出现一个远远大于1的比例值。

MTMF（混合调制匹配滤波）结果将以一系列灰阶图像的形式出现，两幅图像对应一个被选波谱。浮点型结果提供了像元与参照波谱相对匹配程度的估计方法（1.0表示完全匹配），以及亚像元的权重。不可行性（Infeasibility）值以sigma噪声为单位，显示了匹配滤波结果的可行性。用于准确制图的像元有一个大于背景分布值的较高的匹配滤波值和一个较低的不可行性值。对得出的浮点图进行密度分割等操作，也能很好的得出蛇纹石的分布范围。

MF（匹配滤波结果）将以一系列灰阶图像的形式出现，每幅图像对应一个选择的端元。浮点型结果提供了像元与参照波谱相对匹配程度的估计方法（1.0表示完全匹配），以及亚像元的权重。对MF的结果图做密度分割等操作，也可明显地看出蛇纹石的分布范围。

线性光谱分解的结果将以一系列灰阶图像的形式出现，每幅灰阶图像加上一个RMS误差图像对应于一个端元。经过发现，此方法的提取效果并不是很好，噪声较多。因此在实际应用中，并不建议使用此方法。

通过以上对比分析，发现SAM，MTMF，MF三种方法在本地区都比较适合蛇纹石这种矿物的填图，只是MTMF，MF两种方法还需对结果图进行密度分割处理，稍显繁复，但填图效果良好。

8.6.2.2 白云母矿物的填图及效果分析

对Hyperion反射率数据进行MNF变换，根据变换结果人工确定变换维数，利用像元纯度指数（PPI）进行分析，根据n维光谱空间进行特征端元采集。运用光谱特征拟合的方法对端元波谱曲线进行波谱匹配，建立真实的波谱库（图8.47）。因为随着白云母中Al含量的减少，Al-OH的谱带位置逐渐向长波方向移动，所以可以分辨出贫铝白云母和富铝白云母的波谱曲线。

图8.47 白云母波谱匹配图

用上述五种方法提取蛇纹石的具体位置，填图结果如图8.48所示。

经过以上五种填图方法的对比分析发现，SAM填图方法效果最佳，不仅明确填出白云母矿物的范围，而且避免了误差引起的填图错误。此外，对光谱特征拟合后的结果图做密度分割等操作，所提取的矿物范围也较好。因此，两种方法均适合进行白云母的矿物填图。

8.6.2.3 绿帘石矿物的填图及效果分析

对Hyperion反射率数据进行MNF变换，根据变换结果人工确定变换维数，利用像元纯度指数（PPI）进行分析，根据n维光谱空间进行特征端元采集。运用光谱特征拟合的方法对端元波谱曲线进行波谱匹配，建立真实的波谱库，如图8.49所示。

用上述五种方法提取蛇纹石的具体位置，填图结果如图8.50所示。

经过以上五种填图方法的对比分析，发现SAM填图方法效果最好。但光谱特征拟合、MTMF和MF三种方法对绿帘石也有较好的显示，对他们的结果图做密度分割等操作，也能较好的提取出蛇纹石的范围，因此，以上四种方法都适合蛇纹石矿物的提取填图。

图8.48 五种填图方法结果对比

图8.49 绿帘石波谱匹配图

8.6.2.4 绿泥石矿物的填图及效果分析

选取HyMap数据，选取USGS标准波谱库中绿泥石的光谱曲线作为参考光谱。利用上面的方法提取绿泥石的具体位置，填图结果如图8.51所示。

8.6.2.5 多种矿物填图情况

（1）HyMap数据1情况分析

依据地面区域地质资料，在HyMap反射率数据上选取典型的训练样区，利用这些训练样区提取五种矿物的分布位置。

SAM方法填图：该方法需要设置阈值max angle threshod，通过不同的尝试，绿泥石与富铝白云母分布较广，针对两种阈值的设定情况对比如下（图8.52 ，图5.3）。

Binary Encoding方法填图：该方法需要设置一个阈值minimum encoding threshod，通过不同的尝试，绿泥石与富铝白云母分布较广，针对两种阈值的设定情况对比（图8.54 ，图8.55）。实验发现富铝白云母（黄颜色图例）在阈值设置为0.97和0.96时，分类效果变化非常大，由于软件对该阈值的设定只支持小数点后2位，所以不能进一步的精确，对比分析两种阈值的分类效果，得出二进制编码方法对富铝白云母的提取效果不是很好。

Minimun Distance（MD）方法填图：该方法需要设置两个阈值：Max stdev from Mean；Max Distance Error。通过不同的尝试，绿泥石与富铝白云母分布较广，针对两种阈值的设定情况对比如图8.56和图8.57所示。

Spectral Information Divergence（SID）方法填图：该方法需要设置阈值：Maximun Divergence Threshod。通过不同的尝试，参数设置和填图效果如下（图8.58至图8.60）。

（2）HyMap数据2情况分析

依据地面区域地质资料，在HyMap反射率数据上选取典型的训练样区，利用这些训练样区提取五种矿物的分布位置。

SAM方法填图：该方法需要设置阈值max angle threshod，通过不同的尝试，绿泥石与富铝白云母分布较广，针对两种阈值的设定情况对比如图8.61所示。

最小距离填图：最小距离填图的参数设置及填图效果差异如图8.62和图8.63所示。

（3）模拟数据情况分析

依据地面区域地质资料，在模拟的反射率数据上选取典型的训练样区，利用这些训练样区提取五种矿物的分布位置。

图8.50 五种填图方法结果对比

图8.51 三种填图方法结果对比

图8.52 局部区域填图效果

图8.53 整体区域填图效果

图8.54 填图效果1

图8.55 填图效果2

图8.56 局部区域填图效果截图

图8.57 整体区域填图效果

图8.58 不同阈值局部地区填图效果

图8.59 填图效果（Threshold＝0.001）

图8.60 填图效果（Threshold＝0.005）

图8.61 SAM 方法填图

图8.62 参数1下效果图

图8.63 参数2下效果图

SAM方法填图：该方法需要设置阈值max angle threshod，通过不同的尝试，阈值的设定情况和填图效果如图8.64所示。

图8.64 SAM 填图效果

Binary Encoding方法填图：该方法需要设置一个阈值minimum encoding threshod，通过不同的尝试，阈值的设定和填图效果情况如图8.65所示。多次试验发现该方法对提取chlorite和chlorite＋serpentine的效果不是很理想。

图8.65 填图效果

Minimun Distance（MD）方法填图：该方法需要设置两个阈值：Max stdev from Mean；Max Distance Error。通过不同的尝试，阈值的设定和填图效果情况如图（其中Max Distance Error＝2000 ，图8.66）。

图8.66 填图效果

Spectral Information Divergence（SID）方法填图：该方法需要设置阈值：Maximun Divergence Threshod。通过不同的尝试，参数设置和填图效果如图8.67所示。

图8.67 填图效果（Threshold＝0.005）

8.6.2.6 矿物信息填图结果分析

综合前面的分析结果，开展了矿物信息提取结果图，为了分析矿物信息填图效果，搜集了前人对此试验区（图8.68）进行的矿物填图结果（图8.69）。

图8.68 矿物信息研究的区域图

图8.69 前人的矿物提取结果填图结果

为开展蚀变矿物识别精度分析，可对比研究区本次提取的蚀变矿物分布图（图8.70）与前人提取的蚀变矿物信息分布图结果，逐像素进行对比（由于分辨率不同需做像素变换），如果研究区总的点数为N，本次与前人矿物分布图的结论相同就认为该点取值1，最后统计结果中1的个数n，这样蚀变矿物识别精度可定义为

高光谱遥感技术原理及矿产与能源勘查应用

对比分析本次矿物信息填图结果和前人矿物信息的填图结果，发现其结果并非完全一样。其中蛇纹石的填图效果一致性最高；绿帘石的分布范围一致，但本次数据的填图结果显示的范围较大；白云母的分布范围基本一致，但贫铝白云母和富铝白云母的分布范围有些混淆，经过对比分析，本次数据和前人数据填图范围的一致性达到89%，基本满足高光谱数据的填图要求。对出现误差的主要原因分析如下：

1）前人数据是机载高光谱数据，空间分辨率可达到3～12m，此处的Hymap数据的空间分辨率为5m，而本次数据是模拟星载高光谱数据，空间分辨率为30m。随着分辨率的降低，单个像元所对应的地面面积将增大，导致每个像元中包含更多的矿物类型，矿物间的影响性也会增加。一方面，由于混合像元的平均效应，目标矿物在像元中的等效丰度会下降，光谱信息减弱。当像元中目标矿物的等效丰度下降到检出限以下时，矿物将不能被识别，而造成矿物分布区的外围含量较低的地段和含量较低分布区填绘面积的减少，点状集群分布区的漏识别，线状分布区的断续分布。这种效应相当于检出限的下降。另一方面，当像元中目标矿物的等效丰度在检出限以上时，会使面状矿物分布区的范围扩大、空洞的充填、相邻小区的连接，点状集群分布区的成片，线状区域的斑点效应。这两种效应的综合作用结果，空间分辨率的减小则会使强异常区（包括高丰度区和光谱反衬度较高的矿物分布区）范围的扩大、小区的相连、点群的结合，而使异常更加醒目，但其细节特征会因此消失；弱异常区（包括低丰度区和光谱反衬度较低的那些矿物分布区）和小异常区面积会缩小或漏检；线状异常可能会形成断续分布的小斑块而使线状特征和其走向变得不清晰。因此，在填图的细致程度上，分辨率越高的数据填图效果越好，这是造成填图效果差异的最主要的原因之一。

图8.70 本次试验矿物信息提取填图结果

2）辐射校正的精确程度。无论是高光谱成像仪还是传统的多光谱传感器，它们所记录的数据都是地面观测目标的反射或辐射能量的光谱辐射绝对值，与地物目标的光谱反射率或光谱辐亮度值是不一致的。因此，辐射校正和光谱重建是地物识别不可缺少的环节。由于Hymap数据是机载高光谱数据，Hyperion数据是星载高光谱数据，对两种数据进行辐射校正的参数也是不一致的，因此，得出的反射率数据也是有差异的，这也是造成填图差异的原因之一。

总之，用本次数据进行矿物填图是可行的，它可以在一定程度上对矿物的种类及分布进行识别。

‘叁’ stdev在实验结果计算中多少算合理

您好
STDEV

估算样本的标准偏差。标准偏差反映相对于平均值 (mean) 的离散程度。

语法

STDEV(number1,number2,...)

Number1,number2,... 为对应于总体样本的 1 到 30
个参数。也可以不使用这种用逗号分隔参数的形式，而用单个数组或对数组的引用。

说明

函数 STDEV 假设其参数是总体中的样本。如果数据代表全部样本总体，则应该使用函数 STDEVP 来计算标准偏差。
此处标准偏差的计算使用“无偏差”或“n-1”方法。

‘肆’ 混凝土强度的标准差怎么算

混凝土强度标准差的计算公式如下：

混凝土强度标准差的计算公式：Sfcu=[(∑ fcu•i2-n•mfcu2)/(n-1)]1/2

fcu,k：它所表示的就是混凝土立方体抗压强度标准值

Fcu是最开始的设计强度标准值

Mfcu是数据的平均值

N是试块组数

Sfcu是n组试块强度值的标准差

fcu•i 是第i组试块的立方体抗压能力强度值

(4)stdev试验多少合适扩展阅读:

混凝土强度标准差计算的注意事项:

混凝土强度标准差的全称应该是混凝土抗压强度标准差，而混凝土强度的计算并不能做到完全没有误差，由于检测方法总是有误差的，所以检测值并不是其真实值。

而标准差却是反映一组数据的离散程度最常用且最有用的一种量化形式，是计算结果是否精密的重要指标。

因此在计算混凝土强度的时候，就需要计算混凝土强度标准差，而想要计算混凝土强度标准差就需要计算公式。

‘伍’ stdev和stdevp的区别是什么

一、偏差范围不同

1、stdev：基于样本估算标准偏差。

2、stdevp：是一个计算机函数，是基于以参数形式给出的整个样本总体计算标准偏差。

二、作用不同

1、stdev：标准偏差反映数值相对于平均值(mean) 的离散程度。

2、stdevp：假设其参数为整个样本总体。如果数据代表样本总体中的样本，应使用 STDEV 来计算标准偏差。

三、特点不同

1、stdev：在 Excel 2003 和更高版本的 Excel 来说明该函数的使用方式，并比较结果函数的 Excel 2003 和更高版本的 Excel 的早期版本的 Excel 中使用时的 STDEV 结果中。

2、stdevp：返回其值包含在 Excel工作表中，并将其参数或 STDEVP 参数指定的一个示例的样本标准偏差。

‘陆’ 标准偏差多少好

越小越好。标准偏差公式：S = Sqrt[(∑(xi-x拔)^2) /（N-1）]公式中∑代表总和，x拔代表x的均值，^2代表二次方，Sqrt代表平方根。 例：有一组数字分别是200、50、100、200，求它们的标准偏差。 x拔 = (200+50+100+200)/4 = 550/4 = 137.5 S^2 = [(200-137.5)^2+(50-137.5)^2+(100-137.5)^2+(200-137.5)^2]/3 标准偏差 S = Sqrt(S^2) STDEV基于样本估算标准偏差。标准偏差反映数值相对于平均值 (mean) 的离散程度。

‘柒’ 高效液相色谱法中RSD是什么东西，具体怎么算

RSD是相对标准偏差，就是标准偏差与测量结果算术平均值的比值。

在高效液相色谱法中一般需要平行进样3次，经过数据处理系统后得到所有峰的峰面积和保留时间，假设谱图中有三个峰，峰面积为1，2，3。

算术平均值=2；标准偏差

虽然这两组数据的SD都为0.158，但第一组数据是在10.3的基础上“波动”0.158，第二组数据在“0.3”的基础上“波动”0.158，两组数据的“波动基础”明显不同。

这样，必须引人“相对标准偏差”这个概念来体现这种波动的相对大小。

根据相对标准偏差(RSD)计算公式，这样，第一组数据的 RSD=1.5%，第二组数据的RSD= 52.7%，精密程度立刻体现出来。

‘捌’ 马歇尔稳定度试验标准差的计算方法的计算方法

excel里面，输入stdev（8.2，8.5，9.6，14.0）即可