Выборка типов

Совместная обработка 4 случайных выборок + выборка 3 . Обработка выборки типа 3 иетодом последовательных однофакторных корреляций на ЭВМ "Наири-С". [c.367]

Диаграммы реализаций для испьгганий (наблюдений) с непрерывным контролем представлены в табл. 19.2. В частности, при стратегии [NUN] результаты испытаний содержат только полные реализации, причем момент последнего отказа является моментом окончания испытаний. Получаемая при этом выборка (тип 1А) является примером экспериментальных данных классического типа — полная выборка . Неодновременное поступление изделий на испытания (эксплуатацию) в данном случае не вносит принципиальных изменений в характер получаемой информации, так как при данной стратегии по определению каждое изделие, будучи поставлено на испытания, испытывается (или наблюдается) до отказа. Аналогичные по характеру результаты (г полных реализаций) получаются и при стратегии [li r] — испытания одного изделия с восстановлением до фиксированного числа отказов г. [c.311]

При стратегии [NUT], если, например, изделий отказали, то результаты испытаний содержат N полных реализаций, значения которых не превышают длительности испытаний Т и N —одинаковых неполных реализаций (выборка типа 1Б). Такой л е характер имеет выборка типа 1В, с той лишь разницей, что в этом случае момент окончания, испытаний совпадает с моментом отказа. Выборки типов 1Б и 1В являются примерами так называемой усеченной выборки или, точнее, однократно усеченной сверху. Как видно из табл. 19.2, наиболее общим случаем для испытаний с непрерывным контролем являются выборки типов 1Г и 1Д — многократно усеченные выборки. [c.311]

Оценка, определяемая (19.13), является несмещенной и эффективной. Пример 19.2. Многократно усеченная выборка. В результате испытаний по плану (NRT) получена выборка типа 1Д (табл. 19.2), содержащая п наработок до отказа (полных реализаций ti) и I различных безотказных наработок (неполных реализаций Xj). [c.319]

Рис. 19.2. Пример ранжированной диаграммы для выборки типа 2В

Наиболее сложной является обработка многократно усеченной выборки (типов 1Г, 1Д). Для этого случая можно рекомендовать следующее правило, позволяющее использовать информацию, которую несут содержащиеся в выборке неполные реализации. Для каждой из полных реализаций выборки рекомендуется вычислять значения ЭФР по формуле [c.326]

Выборка типа 1Б для стратегии испытаний [NUT] в таблице не представлена, поскольку определение значений и Xj, в этом случае связано с решением уравнений (19.38) и (19.39). Решением этих уравнений находятся доверительные границы и 9е для вероятности отказа изделия за время испытания Т. Значения [c.333]

При обработке наблюдений обычно не удается получить эмпи- рическую функцию распределения. Даже простейший анализ условий проведения опытов позволяет с достаточной степенью уверенности определять тип неизвестной функции распределения. Окончательное уточнение неизвестной функции распределения сводится к определению некоторых числовых параметров распределения. По выборке могут быть рассчитаны выборочные статистические характеристики (выборочное среднее, дисперсия и т. д.), которые являются оценками соответствующих генеральных параметров. Оценки, [c.24]

Для применения критерия (хи-квадрат) весь диапазон изменения случайной величины в выборке объема п разбивается на к интервалов. Число интервалов к берут обычно в зависимости от объема выборки в пределах от 8 до 20. Число интервалов можно определить по полуэмпирической формуле (П.22). Число элементов выборки, попавших в г-й интервал, обозначим через щ. Построенная гистограмма (см. гл. П, 1) выборочного распределения или общие соображения о механизме возникновения случайной величины служат основанием для выбора типа закона распределения. Параметры этого закона могут быть определены или из теоретических соображений, или нахождением их оценок по выборке. На основании принятого закона распределения вычисляются вероятности рг попадания случайной величины X в г-й интервал. Величина, характеризующая отклонение выборочного распределения от предполагаемого, определяется формулой [c.58]

Для нормального распределения с = 2, если и х, и 5д.- определяются по данной выборке. Гипотеза о принятом типе закона распределения принимается на данном уровне значимости р, если [c.59]

Информационная модель технологического оборудования содержит следующие данные а) вид оборудования б) тип оборудования ГОСТ или нормативы на соответствующее оборудование г) данные, характеризующие единицу оборудования. В соответствии с этим предлагаемая обобщенная схема базы данных Технологическое оборудование приведена на рис. 5.16. Из рисунка следует, что такая схема не ограничивает количество и вид характеристик, поэтому для различного оборудования можно хранить различные данные. Для обеспечения свободы выборки характеристик в схеме выделяются ключевые поля (выделены звездочками на рисунке). [c.214]

Другой тип прикладных алгоритмов, включаемых в СУБД САПР ХТС,— это алгоритмы оценки параметров. Необходимость в таких алгоритмах обусловливается, во-первых, стремлением к единообразию формы представления физико-химических свойств, а во-вторых, необходимостью обработки экспериментальных данных с целью получения более компактной формы данных. Большинство алгоритмов оценки параметров основывается на методе наименьших квадратов, тем не менее структура самих алгоритмов весьма сильно зависит от характера и свойств выборки данных. Так, например, для оценки коэффициентов полинома степени п, которым аппроксимируются температурные зависимости физикохимических свойств, достаточно решить систему линейных нормальных уравнений. Для оценки коэффициентов уравнения Антуана, описывающего зависимость давления насыщенных паров [c.228]

В реальном случае мы располагаем данными при различных значениях Г , поэтому набор случайных величин типа (2) следует трактовать как выборку по одному элементу из N генеральных совокупностей с одинаковым математическим ожиданием, равным нулю, но с различными, даже при равноточных измерениях, дисперсиями 0 .. С другой стороны, очевидно, что набор значений [c.100]

Если не известен вид функции плотности вероятности и не удается сделать предположений об аналитическом выражении этой функции, то можно использовать для распознавания некоторые непараметрические способы. Тематические обзоры по этой проблеме содержатся в работах [122]. Рассмотрим интерпретацию задачи с ядром Парзена. В этом случае каждый объект в пространстве признаков заменяется некоторым ядром, например, нормальным распределением плотности вероятности с матрицей ковариаций hl (1 — единичная матрица). Могут использоваться и другие типы ядер. Функция распределения плотности вероятности для некоторого класса приближенно определяется, например, как среднее по обучающей выборке для этого класса [c.247]

Понятие выборки. Понятие процедуры. Типы процедур. [c.118]

Масс-спектрометрический анализ сложных смесей, как правило, позволяет определить их групповой состав и распределение некоторых типов соединений по молекулярным весам. Структурная информация, содержащаяся в масс-спектре, при этом используется не полностью. Число индивидуальных соединеиий, содержащихся в сложных смесях, таких, как нефтяные фракции, концентраты и т. п., очень велико, поэтому установить индивидуальные особенности строения каждого соединения в смеси невозможно. Однако, рассматривая каждый тип соединений в смеси как определенную статистическую выборку из общей генеральной совокупности соединений данного класса, можно оценить средние значения и распределения некоторых структурных элементов молекул так же, как определяется молекулярно-весовое распределение по интенсивностям пиков молекулярных ионов. [c.205]

Основная особенность определения группового состава по сравнению с определением индивидуального состава заключается в том, что как калибровочные коэффициенты, так и аналитические характеристики, смеси представляют собой средние значения определенных сумм пиков характеристических ионов для соответствующих выборок соединений — калибровочной и анализируемой. Поскольку калибровочная и анализируемая выборки каждого типа соединений могут отличаться по набору соединений, входящих в них, это приводит к некоторому несоответствию калибровочных коэффициентов анализируемой смеси. В результате появляется добавочная ошибка определения неизвестных, помимо обычной случайной ошибки измерения аналитических характеристик. Чтобы уменьшить эту ошибку, необходимо увеличить число используемых аналитических характеристик [171]. С этой целью уточняются масс-спектрометрические характеристики смесей путем расширения набора индивидуальных соединений, ближе подходящих по структуре к составляющим нефти. [c.132]

Как видно из таблицы, значения СКО для различных типов ТПР несколько отличаются. Интересно определить значение СКО для всех типов ТПР, которое можно было бы принять за генеральное СКО всей совокупности ТПР - а и по которому можно контролировать ТПР при поверке. Значение СКО, вычисленное для совокупности рассмотренных ТПР по 115 поверкам (2498 измерениям), составляет 0,016 %. Анализ протоколов поверок показывает, что СКО всех других типов ТПР также имеют такой же порядок. Поэтому за предел допускаемого СКО случайной погрешности всех типов ТПР можно принять полученное значение с некоторым, например, 20 % запасом, то есть а г 0,016-1,2 = 0,02 %. Но поскольку оценки параметров распределения определяются по ограниченной выборке экспериментальных данных, на практике для определения границ случайной погрешности пользуются распределением Стьюдента, которое дает хотя и приближенные, но достаточно точные результаты, то есть 5 = (а 8, где - квантиль распределения Стьюдента. [c.104]

Крупнокристаллические берилловые руды пегматитовых месторождений до сих пор обогащаются ручной рудоотборкой, что дает возможность извлекать лишь 30% содержащегося в руде бериллия. Это объясняется, с одной стороны, тем, что в месторождениях такого типа берилл извлекается чаще всего попутно с выборкой изумрудов, а с другой стороны, трудностью механического обогащения в связи с близостью физических свойств берилла и сопутствующих минералов (полевые шпаты, слюды, кварц). Но в этом направлении ведутся исследования, в результате которых был предложен, например, такой метод, как гравитационное обогащение в тяжелых средах с использованием тетрабромэтана и лигроина (разбавитель). Это позволило получить концентрат с содержанием 9,7% ВеО [61]. [c.191]

Вид кривых плотности вероятности ф( ) для трех значений I приведен на рис. 32. Для f = оо кривая ф( ) совпадает с кривой нормированного стандартного распределения ф(и). Для конечнозначных выборок кривая ф(0 идет более полого, медленнее сближаясь с осью абсцисс при больших значениях аргумента . Отсюда следует, что при одинаковой ширине доверительного ин-> тервала доверительная вероятность, оцененная по Стьюденту, всегда меньше доверительной вероятности нормального распределения Гаусса — Лапласа. При этом, чем менее представительна выборка, тем больше разница в оценках двух типов. Иными словами, оценка по Стьюденту учитывает неполноту статистической выборки. Из других свойств -распределения следует отметить симметрию функций плотности и интеграла вероятности относительно знака при аргументе t [c.93]

Остаточная дисперсия вычисляется по существу как генерализованная дисперсия н и имеет nk — k) степеней свободы выборка из nk значений, связанных k связями типа i /, гр = [c.150]

Техническая реализация запоминающих устройств, обладающих малым временем выборки, обычно связано с определенными трудностями, такими, как, например, ограниченная длина слов в машине. Поэтому в современных вычислительных машинах обычно используются два типа запоминающих устройств — оперативные (ОЗУ) и долговременные (ДЗУ). [c.93]

Порядок расположения факторов х , х ,. . х, в выражении (11,208) не безразличен для точности обработки результатов наблюдений чем большее влияние на у оказывает параметр а у, тем меньше должен быть порядковый номер индекса . Вид функции выбирается с помош ью графических построений. Вначале по точкам выборки системы величины у, х , х ,. . х строится поле корреляции и эмпирическая линия регрессии у—х . Таким образом определяется тип зависимости [c.189]

На вход в систему подается две выборки данных.- выборка сайтов определенного типа (выборка 1) и последовательности, не относящиеся к функциональному сайту данного типа (выборка 2). [c.223]

В предыдущей главе рассматривался один частный случ ай, в котором не выполнялось основное условие устойчивости (9.3.4). Теперь мы посмотрим, что бывает в тех случаях, когда это условие грубо нарушается. Приведенные здесь примеры —это только выборка из большого числа возможностей, подобранная так, чтобы выделить то новое, что возникает в таких случаях. Исчерпывающего рассмотрения всех типов неустойчивости до настоящего времени не сделано. [c.276]

Программа 8ТАТ13 запрашивает объем выборки, тип функции и определяет коэффициенты а и Ь. [c.188]

Увеличение объёма выборки совместная обработка случайных выборок(корр.№9) и случайных выборок + выборка типа З (корр.МО) не приводит к улучшению показателей корреляций. Обработка эксперимента типа 3 методом последовательных однофакторных корреляций(корр.№11) приводит к значительно худшим результатам, что указывает на преимущество многомерного регрессионного анализа при сокращении числа уровней факторов. [c.362]

Оценка значений эмпирической функции распределения (ЭФР). Оценка значений ЭФР по выборке состоит в том, что значения полных (или условных) реализаций, составляющих выборку (вариационный ряд), принимаются в качестве эмпирических квантилей, а значения функции распределения, соответствующие этим квантилям, рассчитываются. Для расчета значений ЭФР могут быть использованы различные функции выборки. В частности, для полной негруппи-рованной выборки (тип 1 А) простейшей оценкой эмпирической функции распределения является выражение [c.325]

Конструкции и размеры фланцевых соединений стальных аппаратов и сосудов на условное давление 0,3—16 МПа должны приниматься но отраслевым стандартам (ОСТ 26-425—72 — ОСТ 26-433 -72), а на давление ру до 0,1 МПа — ОСТ 26-01—77. ОСТ 26-425—72 устанавливает типы и пределы ирименения плоских приварных и приварных встык фланцев в зависимости от диаметров сосудов и аннаратов но ГОСТ 9617—76 (см. 3.2) и условных давлений. Выборка из ОСТ 26-425—72 дана на рис. 2.23. Стандартные плоские приварные фланцы для аппаратов диаметром 400—4000 мм изготовляют иа условное давление 0,3—1,6 МПа и могут нримепяться при температуре среды не выше 300° С. В зависимости от уплотнительной поверхности они могут быть изго-тов.кми, в девяти исполнениях (рис. 2.24). [c.80]

Иногда используется еще один тип запоминающих устройств — так называемые буферные устройства. Буферные запоминающие устройства занимают промежуточное положение между оперативными и внешними, обладая меньшим временем выборки, чем ДЗУ, но большим объемом памяти, чем ОЗУ. Они позволяют как бы увеличить емкость оперативной памяти и используются либо для хранения часто используемой в вьгаислениях информации, либо для хранения промежуточной выводимой или вводимой. информации. [c.18]

Среди задач первой группы выделяются псевдостатические алгоритмы, использующие в качестве плотностей вероятности генеральных совокупностей объектов их оценки, получаемые для обучающей выборки. При этом данная группа алгоритмов классифицируется по типу закона распределения. Наиболее разработаны алгоритмы, использующие нормальный закон распределения. Кроме того, выделяются детерминистские алгоритмы, разделяемые на классы по способу использования обучающей выборки. [c.242]

Трансцендентная регрессия. При малых объемах выборки N увеличение порядка полинома может привести к росту остаточной дисперсии. Для того чтобы уменьшить число неопределенных коэффициентов, используют трансцендентную регрессию. Вычисление коэффициентов трансцендентной регрессии может оказаться весьма трудоемким вследствие необходимости решать систему нелинейных уравнений. Вычисление упрощается, если провести замену переменных. Например, зависимости показательного типа и дробно-степен-ного [c.181]

Б настоящей статье приводится описание первой части этой системы, ориентированной на поиск закономещостей в распределениях олигонуклеотидов и повторов различного типа в функциональных сайтах. На основе обучающей выборки функциональных айтов в процессе работы системы производится вычисление боль-юго количества (более 2-х миллионов) характеристик, отража-ощих насыщеность определенными олигонуклеотидами и повторами (ункциональных сайтов. Информативность ка цой характеристики [c.221]

Этот тип развязки позволяет производить сравнение спектра, получаемого при насыщении какого-либо сигнала, со спектром без насыщения. Облучение нужного сигнала с помощью декаплера создает новые разности заселенностей в соответствии со всеми ЯЭО. При этом совсем необязательно продолжать облучение сигнала и во время выборки ССИ, поскольку заселенность уровней вернется к равновесной то.чько по [c.168]

Выбор между фильтрами типа эха и анти-эха. Описанные выше два метода квадратурного детектирования по Vj появились сравнительно недавно (примерно в 1981-1982 гг.). До этого был распространен другой и во многих аспектах худший способ. Но н до настоящего времени ои еще широко используется, поэтому мы должны его изучить. Существенный момент, необходимый для того, чтобы различать знаки частот, состоит в том, что выборка двух сигналов с фазовым смещением на 90° остается той же самой, однако сигналы не хранятся отдельно. Вместо этого они либо вычитаются, либо складываются, давая одну компоненту (технически эта процедура преобразует амплитудную модуляцию сигналов в модуляцию ее фазы), которая затем преобразуется так, словно она возникала при однофазовом детектировании. Другими словами, основной фазовый цикл для OSY (без учета Y LOPS) становится таким, как в табл, 8.3 (вычитание, г.е. фильтр типа эха) илн в табл. 8.4 (сложение, т. е. фильтр типа анти-эха). Отметим, что пары прохождений [c.288]

Теперь мы можем также получить представление о том, какого тнпа проблемы возникают при проведении эксперимеита OSY. Для спектра с диапазоном 5 м. д. на 200 МГц потребуется провести регистрацию 300 точек для получения по координате 2 времени выборки данных 300 мс. Поскольку это время не очень критично влияет па общее время эксперимента, вероятнее всего, мы округлим его до ближайшего целого делителя чнсла 1024 (1 К), т,е. 0,5 К. При квадратурном детектнровапни (по /2) регистрируются комплексные точки, следовательно, это соответствует 1 К слов реальной памяти машины. У нас 130 шагов по /j, н мы для каждого шага получаем реальную и мнимую части, поэтому для хранения нам потребуется помнить 2 -130 -1 К чисел. Хранить этот массив данных, вероятно, можно на диске, что в целом предпочтительнее, а можно и непосредственно в памяти машины. Для того чтобы улучшить четкость представления сигналов, мы могли бы один или несколько раз дополнить спектр нулями. Например, дополнение нулями до 1 К комплексных точек по и до 0,25 К комплексных точек по означает, что иам будет нужно вьшолнить преобразование массива данных емкостью 1024 К (реальных) слов, если мы хотим сохранить все четыре фазовых квадранта. При этом квадрант (реальный, реальный), используемый для графического представления, будет содержать 256 К слов. Если мы провели регистрацию эквивалентного эксперимента с использованием фильтра типа эха, то иам потребуется несколько меньший объем памяти 130 шагов по как и раньше однако для каждого инкремента запоминается только один спектр, что приводит к массиву данных во временном представлении в 2 раза меньшего объема. Общее время регистрации данных останется таким же потому, что для достижения равного отношения сигиал/шум требуется иа каждый инкремент в 2 раза больше прохождений. Расчет магнитуды после преобразования еще уменьшает в 2 раза количество данных за счет отбрасывания мнимой части по Vj поэтому в итоге мы получаем массив данных, равный по величине части (реальный, реальный) фазочувствительного эксперимента. [c.304]

Справочник химика 21

Химия и химическая технология