Нормальное распределение - вероятность
Cтраница 2
Таким образом, в случае нормального распределения вероятностей интервал ЗрмСтд представляет собой интервал достоверно различимого результата измерения. [16]
Альтернативным методом для расчета значений кумулятивного стандартного нормального распределения вероятностей является нахождение функции в виде многочлена, что было объяснено в гл. [17]
 |
Пример квадратичной дискриминационной функции s 2 ( линейной аппроксимации 12. [18] |
L) можно считать отвечающими нормальному распределению вероятности, удается вывести простую классификационную функцию, которая дает минимальную ошибку классификации. [19]
Показать, что при заданной энтропии нормальное распределение вероятностей имеет наименьшую из всех одномерных распределений дисперсию. [20]
Таким образом, BDS-статистика w имеет стандартное нормальное распределение вероятности. Когда оно больше 2 0, мы можем с 95-процентной уверенностью отклонить нулевую гипотезу, согласно которой изучаемая система случайна. [21]
Распределение этих ошибок обычно соответствует кривой нормального распределения вероятностей, показанной на рис. 8.16. Величина стандартного отклонения, равная 25, означает, что 95 из 100 измерений будут находиться в пределах указанного диапазона. Метод перехода от воспроизводимости, полученной для небольшого числа измерений, к воспроизводимости, отвечающей 95 % надежности, описан в разд. [22]
Одним из наиболее известных практических применений нормального распределения вероятностей двух измерений служит использование его в теории рассеяния ружейного пли артиллерийского огня. Пусть в плоскости цели введены декартовы координаты л, у. [23]
Говорят, что величина Y имеет логарифмически нормальное распределение вероятностей, если Y ех, где величина X имеет нормальное распределение вероятностей. Найти моду ц медиану логарифмически нормального распределения, дать графическую иллюстрацию. [24]
Ингл рассматривал временные ряды, которые определялись нормальными распределениями вероятности за исключением зависящих от времени дисперсий; ожидаемая дисперсия процесса зависела от того, каковой она была до этого. [25]
Вероятностная трактовка вариации, в основе к-рой лежит нормальное распределение вероятностей, предполагает, что для каждого индивидуального элемента совокупности имеется нек-рое, одинаковое для всех элементов, математич. Действительно же наблюдаемое значение может отклоняться от математич. Средняя величина многих значений, полученных наблюдением, в силу закона больших чисел ( см. Больших чисел закон) оказывается весьма близкой к этому математич. Однако близость еще не есть совпадение. [26]
Ошибка на выходе такого устройства обычно подчиняется закону нормального распределения вероятности, который полностью характеризуется средними и среднеквадратичными значениями. При наличии помех стрелка регистрирующего прибора отклоняется на величину бср ( из положения I в положение II на рис. 5.12), Кроме того, происходят хаотические колебания стрелки относительно нового ее положения, причем амплитуда этих колебаний пропорциональна среднеквадратичной ошибке 6СК - Эти хаотические колебания уменьшаются при увеличении постоянной времени цепи выходного прибора, однако значение средней ошибки остается постоянным. [27]
Наиболее распространенным в практике и изученным в теории является нормальное распределение вероятности. Все реальные процессы испытывают воздействие большого числа факторов и, таким образом, распределение ординаты процесса на основании предельных теорем асимптотически нормально. Немаловажен тот факт, что методы оценки параметров нормального распределения относительно просты. [28]
Как показано в ряде работ [63, 70], применение закона нормального распределения вероятностей обеспечивает достаточную точность аппроксимации опытных данных лишь при сравнительно узком интервале изменения размеров частиц. Уравнения четвертой группы как правило при решении прикладных задач не применяются. В настоящее время не накоплено еще достаточно экспериментальных данных по дисперности распыла для различных распылителей и растворов, чтобы окончательно остановиться на какой-либо одной, наиболее рациональной функциональной зависимости для кривой распределения. В качестве примера для сравнения функциональных зависимостей на рис. 9 приводятся экспериментальные данные по дисперсному составу порошка щавелевокислого никеля, полученного при сушке распылением с применением пневматических форсунок. На рис. 9 видно, что для принятых функциональных зависимостей кривой распределения опытные точки достаточно хорошо ложатся во всех четырех случаях на прямую линию. Из построения прямой линии в соответствующих координатах были определены константы каждого уравнения и рассчитаны средние объемно-поверхностные диаметры частиц в мк. [29]
Как показано в ряде работ [9, 49], применение закона нормального распределения вероятностей обеспечивает достаточную точность аппроксимации опытных данных лишь в сравнительно узком интервале изменения размеров частиц. Уравнения четвертой группы при решении прикладных задач, как правило, не применяются. [30]
Страницы: 1 2 3 4