Cтраница 2
Выборку для оценки величин а -, &, V / следует составлять при помощи таблицы случайных чисел из общей выборки, составленной из отдельных детален или групп деталей, обработанных при различных настройках оборудования, в различные смены, из разных партий одинаковых материалов или заготовок. Если одна операция выполняется группой станков, в общую выборку включаются детали, обработанные на каждом из них. [16]
Виды маркетинговых исследований и используемые при их проведении методы весьма разнообразны. В табл. 4.1 перечислены 36 видов маркетинговых исследований и данные о доле компаний ( из общей выборки в 435 фирм), практикующих их проведение. [17]
Минимальный объем выборки ( N) 250 партий-плавок. Для получения представительных выборок возможна группировка профилей разных размеров в одну совокупность с проверкой неоднородности общей выборки. [18]
Таким образом, по предложенной схеме обработка данных по результатам испытаний различных устройств ( перекачка информации) осуществляется по оценкам надежности общих элементов. Эта методика тем более эффективна, чем больше общих элементов содержит устройство и чем больше данных содержится в общей выборке. [19]
Теперь попытаемся эвристически объяснить, почему оценка X лучше, чем X. Рассмотрим в совокупности выборки в k независимых задачах оценки параметров. Хотя эти неизвестные математические ожидания могут быть очень разными, разброс общей выборки может указывать на то, что значения 6, различаются не сильно. Например, в случае, когда о 1 и приблизительно 16 % наблюдений превосходит 1, а 16 % наблюдений меньше - 1, естественно считать, что все математические ожидания 0; близки к нулю. В этом случае, если Xi 0.8, то обычная оценка г - го параметра даст 0.8, в то же время согласно более рациональной концепции Джеймса - Стейна математическое ожидание 6 - близко к нулю. Хотя такое объяснение может убедить нас в рациональности оценок, предложенных Джеймсом и Стейном, однако их метод все же представляется странным, когда мы имеем дело с задачами, между которыми вряд ли существует какая-либо связь, например, когда нужно оценить математические ожидания ( нормально распределенных) высоты тела, скорости света и цены продукта. [20]
Теперь попытаемся эвристически объяснить, почему оценка X лучше, чем X. Рассмотрим в совокупности выборки в k независимых задачах оценки параметров. Хотя эти неизвестные математические ожидания могут быть очень разными, разброс общей выборки может указывать на то, что значения 6; различаются не сильно. Например, в случае, когда о 1 и приблизительно 16 % наблюдений превосходит 1, а 16 % наблюдений меньше - 1, естественно считать, что все математические ожидания 0 - близки к нулю. В этом случае, если X; - 0.8, то обычная оценка i - ro параметра даст 0.8, в то же время согласно более рациональной концепции Джеймса - Стейна математическое ожидание 6 - близко к нулю. Хотя такое объяснение может убедить нас в рациональности оценок, предложенных Джеймсом и Стсйном, однако их метод все же представляется странным, когда мы имеем дело с задачами, между которыми вряд ли существует какая-либо связь, например, когда нужно оценить математические ожидания ( нормально распределенных) высоты тела, скорости света и цены продукта. [21]
Теперь попытаемся эвристически объяснить, почему оценка X лучше, чем X. Рассмотрим в совокупности выборки в k независимых задачах оценки параметров. Хотя эти неизвестные математические ожидания могут быть очень разными, разброс общей выборки может указывать на то, что значения 9i различаются не сильно. Например, в случае, когда а 1 и приблизительно 16 % наблюдений превосходит 1, а 16 % наблюдений меньше - 1, естественно считать, что все математические ожидания QI близки к нулю. В этом случае если Xi 0 8, то обычная оценка г-го параметра даст 0 8, в то же время согласно более рациональной концепции Джеймса - Стейна, математическое ожидание QI близко к нулю. Хотя такое объяснение может убедить нас в рациональности оценок, предложенных Джеймсом и Стенном, однако их метод все же представляется странным, когда мы имеем дело с задачами, между которыми вряд ли существует какая-либо связь, например, когда нужно оценить математические ожидания ( нормально распределенных) высоты тела, скорости света и цены продукта. [22]
Ньюмана-Пирсона ( Neyman-Pearson), которая также назьгоается [ иаграммой качества решений, используется для оптимизации стратегии принятия ( ешений при помощи лишь статистики, лежащей в основе критерия. Тредполагается, что набор событий или функция плотности вероятности ействительны как для верных сигналов ( крахов), так и для фонового шума ложных предсказаний); В таком случае, подходящая статистика в основе критерия ( олжна быть способна оптимально разграничивать их. Диаграмма Ньюмана-Пирсона выстраивает контаминацию ( ошибочно слассифицированные события, то есть, расцененные как предсказания, на самом 1еле являющиеся ложными сигналами) против потерь ( ошибочно слассифицированные события, то есть, расцененные как фон или неверные сигналы), как доли общей выборки. Идеальная тестовая статистика соответствует щаграмме, где принятие предсказания выстраивается как функция принятия южных сигналов, в которой принятие близко к 1 для реальных сигналов и близко к) для ложных сигналов. [23]
Диаграмма Ньюмана-Пирсона ( Neyman-Pearson), которая также называется диаграммой качества решений, используется для оптимизации стратегии принятия решений при помощи лишь статистики, лежащей в основе критерия. Предполагается, что набор событий или функция плотности вероятности действительны как для верных сигналов ( крахов), так и для фонового шума ( ложных предсказаний); В таком случае, подходящая статистика в основе критерия должна быть способна оптимально разграничивать их. Диаграмма Ньюмана-Пирсона выстраивает контаминацию ( ошибочно классифицированные события, то есть, расцененные как предсказания, на самом деле являющиеся ложными сигналами) против потерь ( ошибочно классифицированные события, то есть, расцененные как фон или неверные сигналы), как доли общей выборки. Идеальная тестовая статистика соответствует диаграмме, где принятие предсказания выстраивается как функция принятия ложных сигналов, в которой принятие близко к 1 для реальных сигналов и близко к О для ложных сигналов. [24]
Следует отметить, что нельзя просто механически учитывать все математически получаемые при расчете сочетания вариаций значений вышеуказанных нормообразующих факторов и их вероятности. В них могут попасть и такие, учет которых привел бы просто к нелепице, так как их не может быть физически. Поэтому на основе логических заключений получаемые сочетания должны быть проверены на здравый смысл, и в случае необходимости оставлены только те, которые могут быть в действительности. Физический смысл полученного первого выражения формулы (6.69) заключается в следующем. В нем число дней отпуска ( ге) равно нулю, и число этих сочетаний должно включаться в общую выборку возможных сочетаний. В связи с рассмотрением всех возможных вариантов сочетаний могут возникнуть случаи, когда значение интервала между отпусками не уложится целое число раз в значении интервала поставки. Действительно, в одном интервале поставки перерыв равен выражению sc - 1, а в п интервалах между поставками суммарная продолжительность всех перерывов составит ( пь х ( sc - 1) дней. [25]