Прикладная статистика

Cтраница 1

Прикладная статистика - научная дисциплина, разрабатывающая и систематизирующая понятия, приемы, математические методы и модели, предназначенные для организации сбора, стандартной записи, систематизации и обработки ( в том числе с помощью ЭВМ) статистических данных с целью их удобного представления, интерпретации и получения научных и практических выводов. [1]

В прикладной статистике наблюденный максимум выборки используется для оценки неизвестного истинного значения N. [2]

В прикладной статистике принято разделять методы обработки экспериментальных данных на пассивные и активные. В последних предполагается, что есть возможность управлять независимыми переменными ( факторами) в ходе эксперимента либо до проведения непосредственных экспериментов, т.е. имеется свобода выбора стратегии проведения эксперимента. Методы оптимального планирования эксперимента позволяют в зависимости от условий проведения эксперимента выбирать наилучшую из стратегий его проведения. [3]

Корреляционное поле связи между у и х. [4]

Применение методов прикладной статистики в задачах анализа и прогнозирования свойств катализатора требует корректного учета специфики решаемых задач и возникающих ограничений. Так, в гетерогенном катализе широко распространено явление взаимного влияния катализатора и реакционной среды. Примером такой ситуации может служить гетерогенное окисление бензола и ксилола на ванадиевых катализаторах, когда вследствие разности в восстановительных потенциалах обоих углеводородов меняется стационарный состав катализатора по слою. В работе [29] показано, что дегидратация алифатических спиртов на оксидных катализаторах ( оксидах Al, Zr, Si) хорошо описывается уравнением Тафта с литературными значениями ст. Однако коэффициент чувствительности а изменяется от оксида к оксиду. Следовательно, мы приходим к необходимости учитывать опосредованное влияние других переменных. [5]

Рассмотрены разделы прикладной статистики: математическая теория эксперимента, математическое моделирование технологических процессов, методы оптимизации, многомерный факторный анализ. Наряду с теоретическими положениями приведены алгоритмы вычислений и расчетные формулы, а также подробно разобранные примеры из области целлюлозно-бумажного производства. [6]

Программное обеспечение прикладной статистики ( ПС) к настоящему времени хорошо развито и продолжает интенсивно развиваться у нас в стране и за рубежом. [7]

Решение задач прикладной статистики, как правило, связано с трудоемкими вычислениями. Эта работа может быть значительно облегчена наличием алгоритмов и программ для применения ЭВМ. [8]

Между тем, прикладная статистика представляет собой очень сложный аппарат, в котором незаметные неточности могут приводить исполнителя к неправильным выводам. Это обстоятельство требует от разработчиков стандартов по прикладной статистике строгого инженерного подхода. [9]

В различных задачах прикладной статистики довольно часто встречаются так называемые усеченные распределения. [10]

Каждая из основных проблем прикладной статистики может быть сформулирована в виде общей оптимизационной задачи при соответствующем выборе оптимизируемого критерия ( функционала) качества метода. [11]

Для наиболее употребительных распределений прикладной статистики X2, /, В, t, нормального существуют эффективные приемы вычисления функций распределения, позволяющие разработать простые процедуры для использования их в системе программного обеспечения прикладного статистического анализа. [12]

Плотность вероятности ( а и функция распределения ( б случайной величины Г с одной степенью свободы.| Плотность вероятности ( а и. [13]

Для наиболее употребляемых распределений прикладной статистики в настоящее время существуют эффективные приемы вычисления функций распределения на ЭВМ. Для этого используются простые, но надежные подпрограммы, позволяющие генерировать регулярную последовательность чисел, являющуюся для пользователя случайной, однако удовлетворяющую основным необходимым свойствам, которую принято называть последовательностью псевдослучайных чисел. В статистическом моделировании возможность воспроизводить последовательность псевдослучайных чисел позволяет эффективно оценить, как будет вести себя тот или иной метод статистической обработки на вновь сгенерированных данных той же функции распределения и какова при этом его устойчивость. [14]

До недавних пор в прикладной статистике принимались как само собой разумеющиеся два следующих допущения в отношении временных рядов: предполагалось, что ( X2) ею и что случайная величина X обладает краткосрочной зависимостью. Я, однако, показал ( см. главу 37), что эмпирические последовательности данных с длинными хвостами часто лучше интерпретируются в свете допущения ( X2) оо. [15]

Страницы: 1 2 3 4