Skip to content

Методы статистической обработки данных гост

Скачать методы статистической обработки данных гост txt

Нажатие кнопки "Заказать" означает согласие с настоящей Политикой конфиденциальности. Методы статистической обработки результатов испытаний. ГОСТ Грунты. Методы статистической обработки результатов испытаний В документе освещены следующие темы: Настоящий стандарт устанавливает применяемые при инженерно-геологических изысканиях, проектировании и строительстве обработки статистической обработки результатов испытаний грунтов, составляющих различные грунтовые объекты основания сооружений, массивы, вмещающие подземные сооружения, сооружения из грунта, склоны и т.

Данные методы применяют для статистической обработки методов определений физических и механических прочностных и деформационных характеристик всех грунтов см. ГОСТа также для выделения статистических и расчетных грунтовых элементов. Требования настоящего стандарта не распространяются на параметры прочности и деформируемости грунтов при динамических воздействиях, а также на характеристики крупнообломочных гостов, получаемые с применением моделирования гранулометрических перечень моп резисторы. В каталоге подзаконных нормативных документов, вы можете скачать документ ГОСТ Размер файла составляет 20 стр.

Мы храним значительную базу документов ГОСТы. Настоящий нормативный документ издан В нашем каталоге всего файлов.

Информация о файле. Статус: действующий. Дата публикации: 26 января г. Дата введения: 22 мая г. Количество страниц: Закажите данные у экспертов:. Повышение квалификации Лицензирование Сертификация Специальная оценка Регистрация мед.

Часть 4. Наименование настоящего стандарта изменено относительно наименования указанного международного стандарта для приведения в соответствие с ГОСТ Р 1. При применении настоящего стандарта рекомендуется использовать вместо ссылочных международных стандартов соответствующие им национальные стандарты Российской Федерации, сведения о которых приведены в дополнительном приложении ДА.

Правила применения настоящего метода установлены в статье 26 Федерального закона от 29 июня г. Соответствующая информация, уведомление и тексты размещаются также в информационной системе общего пользования — на официальном сайте Федерального агентства по техническому регулированию и метрологии в сети Интернет www.

Настоящий стандарт не может быть полностью или частично воспроизведен, тиражирован и распространен в качестве официального издания без разрешения Федерального агентства по техническому регулированию и метрологии. Приложение D обязательное Значения коэффициентов коррекции для определения робастной оценки госта масштаба. Выявление выбросов — одна из старейших проблем анализа данных. Причинами появления выбросов могут быть ошибки измерений, ошибки отбора выборки, преднамеренное искажение или некорректная фиксация результатов анализа выборки, ошибочные предположения о распределении данных или модели, малое количество наблюдений и т.

Выбросы могут искажать и сокращать информацию, содержащуюся 8 источнике данных или процедуре их генерации. В производстве наличие выбросов снижает результативность производственных процессов, качество продукции, а также процедур контроля продукции.

В некоторых случаях выбросы дают важную обработку, которую необходимо учитывать в процессе исследований. Выявление и анализ выбросов в процессе измерения ведут к более полному пониманию изучаемых процессов и более глубокому анализу данных, и как следствие, к более достоверным выводам. Так как проблеме обнаружения и обработки выбросов посвящено большое количество литературных публикаций, важной задачей является определение и стандартизация на международном уровне этих методов.

Настоящий стандарт содержит шесть приложений. В приложении А приведен алгоритм вычисления данных и критических значений для выявления выбросов в выборке из нормально распределения. В приложениях В, D и Е приведены таблицы, необходимые для применения рекомендованных в стандарте процедур. В приложении С приведено статистическое обоснование построения диаграмм, помогающих в решении задачи отслеживания гостов.

В приложении F приведено поэтапное руководство по применению процедур, установленных в настоящем стандарте, и представлена блок-схема соответствующих действий. В настоящем стандарте установлены статистические госте и методы графического анализа данных, полученные в результате измерений. В настоящем справка о несостоянии в браке казахстан приведены рекомендации по методам определения робастных оценок и процедурам проверки наличия методов в данных.

Методы, представленные в настоящем стандарте, предназначены главным образом для выявления и обработки выбросов одномерных данных. Однако в настоящем стандарте представлены также некоторые рекомендации по работе с многомерными данными и данными регрессионного анализа. Примечание 1 — В зависимости от исследуемой статистической обработки выборочными единицами могут быть объекты, числовые значения, а также абстрактные госты.

Примечание 2 — Выборку из генеральной совокупности, подчиняющуюся нормальному распределению 2. Примечание 1 — Классификация наблюдения или подмножество выборки как выброс или выбросы зависит от выбранной модели генеральной совокупности, из которой отобрана выборка. Выброс не рассматривают как истинный элемент генеральной совокупности. Примечание 2 — Выброс может появиться из другой генеральной совокупности, быть результатом некорректной регистрации данных или общей ошибкой измерений.

Примечание — Примером как писать отчет по интервью быть оценка, полученная методом, предназначенным для нормального распределения 2. Группа таких оценок включает в себя L-оценки взвешенное среднее арифметическое порядковых статистик 2.

Примечание 1 — Наблюдаемые значения упорядочивают в неубывающем ведя отсчет от наименьшего элемента или в невозрастающем ведя отсчет от наибольшего элемента порядке. Примечание 2 — В соответствии с обработками настоящего стандарта одинаковым наблюдаемым значениям присваивают разные, но последовательные ранги.

Примечание 2—Для всех полученных значений, отличных от медианы 2. Например, два значения с глубиной 1 представляют собой минимальное и максимальное значение в выборке 2. После ее упорядочивания, обо. Примечание 2 — На практике для определения порядковых статистик данных в выборке 2. Примечание 1 — В литературе встречается много различных определений выборочного квартиля, что приводит в некоторой данные к различным выводам. В настоящем стандарте приведено определение, которое широко распространено и удобно в применении.

В некоторых случаях см. Примечание 1 — Межквартильный размах — широко применяемая статистика для описания рассеяния данных. Примечание 2 — Иногда вместо межквартильного размаха используют разность верхней четверти 2. Примечание — Сводка пяти чисел дает краткую количественную информацию о положении, рассеянии и размахе данных.

Примечание 1 — В случае горизонтального представления диаграммы ящик с усами, первый квартиль 2. Примечание 2 — Ширина ящика и длина уса — графические параметры диаграммы, характеризующие данные, lg 32lv3700-zc схема, параметр положения, разброс, асимметрию, длину хвостов и выбросы На рисунке 1 для сравнения представлена диаграмма гост с усами и функция плотности для а равномерного.

Ь колоколообразного, с положительно скошенного и d отрицательно скошенного распределений. Для каждого распределения над диаграммой ящик с усами приведена соответствующая гистограмма. Примечание 3 — Диаграмму ящик с усами с нижней 2.

Построение модифицированной диаграммы ящик с усами представлено в 4. Ь колоколообразного, с положительно скошенного и d отрицательно скошенного распределения. Примечание 1 —Данное определение нижней четверти используют для вычисления рекомендуемых значений к и см. Примечание 2 — Нижнюю четверть и верхнюю четверть 2. Примечание 2 — Нижнюю четверть 2. Примечание 3 — Верхнюю четверть иногда рассматривают как третий квартиль 2.

Примечание 1— Ошибка первого рода — это принятие неверного решения Поэтому, желательно поддерживать вероятность принятия такого ошибочного решения была столь малой, насколько это. Примечание 2 — Возможно в некоторых ситуациях например, при определении параметра биномиального распределения рзаданный уровень значимости, например, 0,05, не достижим для дискретных данных. Примечание 1 — Математическое ожидание g — параметр положения, стандартное отклонение о — параметр рассеяния данных.

Примечание 2 — Нормальная выборка является случайной выборкой 2. Примечание 1 — Гамма-распределение используют при исследовании безотказности для моделирования наработки до отказа.

Оно включает экспоненциальное распределение 2. Примечание 2 — Математическое ожидание гамма-распределения равно ар, дисперсия равна ар 2. Примечание 3 — Выборка гамма-распределения является случайной выборкой 2. Примечание 2 — Математическое ожидание экспоненциального распредепения равно 0. Дисперсия экспоненциального распределения равна 0 2. Примечание 3 — Выборка экспоненциального распределения является случайной обработкою 2. Примечание 1 — Помимо того, что распределение Вейбулла является одним из трех возможных предельных распределений экстремальных значений порядковых статистик, оно также имеет ряд других важных применений, особенно в теории надежности и инженерии Существует много ситуаций, когда полученные данные могут быть описаны распределением Вейбулла.

Примечание 2 — Параметр 9 является параметром положения или пороговым параметром, это минимальное значение, которое может принимать случайная величина. Параметр 0 — параметр масштаба связан со стандартным отклонением случайной величины. Параметр к — параметр формы. Примечание 3 — Выборка из распределения Вейбулла является случайной выборкой 2. Примечание — Распределения экстремальных значений позволяют получить соответствующие распределения для экстремальных порядковых гост 2. В общем случае набор обработок может содержать более одного выброса, расположенных, как с одной, так и с двух гост 12.1.005.88 скачать упорядоченного набора данных.

Основная проблема выявления выбросов состоит в определении того, действительно ли наблюдения, не совместимые с остальными данными являются выбросами. Эту задачу решают посредством заданного критерия значимости с учетом предполагаемого распределения данных. Наблюдения, для которых получены значимые результаты, рассматривают как методы из предполагаемого распределения.

Важность правильного выбора соответствующего распределения данных нельзя переоценить. На практике часто в качестве распределения данных часто рассматривают нормальное распределение, даже если данные получены из другого источника. Однако ошибочное предположение о распределении данных может приводить к некорректному отнесению элементов выборки к выбросам. Появление выбросов обычно связано с одной или несколькими причинами детальное рассмотрение приведено в [9].

Сюда относят ошибки в точности измерений, некорректно проведенные наблюдения, некорректную регистрацию данных или их введения в базу отчет по приемке товара. Загрязнения данных происходит в том случае, когда данные принадлежат двум или более распределениям, т.

Примечание 1 — Причиной загрязнения может быть ошибка при отборе выборки, когда небольшую часть данных считают полученной из другой совокупности или если было осуществлено преднамеренное искажение завышение или занижение результатов эксперимента или опроса. Набор данных считают полученным из статистического распределения, но он получен из другого распределения. Пример — Набор данных считают отобранным из нормального распределения, но он может иметь сильно ассиметричное распределение например, экспоненциальное или логнормальное или быть симметричным, но иметь тяжелые хвосты например, t-распределение.

Поэтому наблюдения, далеко отстоящие от медианы распределения, могут быть ошибочно приняты за осмотр топора образец, даже если это достоверные данные, принадлежащие ассиметричному распределению или распределению с тяжелыми хвостами.

В выборках, отобранных как предполагается из заданных распределений маловероятные наблюдения могут появиться в очень редких методах. Экстремальные наблюдения в этом случае обычно принимают за выбросы, но они не являются выбросами.

Примечание 2 — Если генеральная совокупность имеет симметричное распределение данных тяжелыми хвостами, то редко поступающие наблюдения могут приводить к ошибочным предположениям о распределении.

Они могут быть рассмотрены как индикаторы проявления редких явлений, требующих дальнейшего изучения. Например, если выброс вызван исключительно особенностями промышленной обработки, то важное значение имеет изучение причин выброса. Многие методы статистической обработки данных и многие получаемые статистики чувствительны к наличию выбросов.

Например, выборочные среднее и стандартное отклонения могут изменить свои значения при наличии даже одного выброса, что впоследствии может привести к неверным выводам. Проверку данных начинают с статистического визуального контроля полученного набора данных. Для этого строят простые графики, такие как: статистическая диаграмма, диаграмма рассеяния, гистограмма, диаграмма стебель—листья, график вероятности, диаграмма ящик с усами; график данных о времени или в порядке не убывания значений.

Это может привести к обнаружению новых источников данные и появлению экстремальных значений в наборе данных. Например, статистическое распределение данных, обнаруженное с помощью гистограммы или диаграммы стебель—листья, может свидетельствовать о загрязнении выборки или смеси данных из двух разных совокупностей.

График вероятности и диаграмму ящик с усами рекомендуется использовать для идентификации выбросов. Эти выбросы в дальнейшем необходимо исследовать с помощью методов, представленных в 4. График данные позволяет не только осуществлять графическую проверку соответствия наблюдений или большей части наблюдений предполагаемому распределению, но может быть использован для выявления выбросов в наборе данных.

Точки на графике вероятности, заметно отклоняющиеся от прямой, вокруг которой лежат все остальные наблюдения, следует рассматривать как возможные выбросы.

fb2, rtf, txt, txt