Распределение (вероятностей)

Пусть для случайной нагрузки q и несущей способности R, имеющих произвольные законы распределения вероятностей, заменяющие законы распределения имеют вид [c.49]

В общем случае действующие нагрузки могут быть произвольными стационарными процессами. В этом случае можно, как и в разд. 1.7, воспользоваться приближенной заменой произвольного закона распределения вероятностей взвешенной суммой нормальных законов распределения. [c.63]

Моделирование САПР. Исходные данные для моделирования можно разделить на три группы. К первой группе относятся сведения об объектах проектирования интенсивности поступления заявок на проектирование pj для всех q предполагаемых классов объектов i = l, 2, д] распределения вероятностей параметров где щ — оценка сложности проектируемого объекта в i-м классе. В качестве а, при моделировании нужно использовать размерность модели 1-го проектируемого объекта. Вторую группу составляют данные об эффективности используемого программного обеспечения. Прежде всего к ним относятся зависимости требуемых объемов вычислений Nk и оперативной памяти Пк от размерности моделей а( для всех т основных проектных процедур, k=, 2,. .., т. Третья группа — характеристики выбранного вычислительного оборудования, — это данные [c.359]

Выражения такого типа, которые описывают вероятности взаимно исключающих состояний из данного полного их набора, называют распределениями вероятностей. Формулу (1.14) называют, в частности, распределением Бернулли, или биномиальным распределением [c.29]

Распределение вероятностей (7.3) называют каноническим. Оно определяет вероятность попадания подсистемы в любое из микросостояний, имеющих энергию г. Это не есть, конечно, вероятность того, что подсистема будет иметь энергию, равную е. Потому что у подсистемы может быть много микросостояний с одной и той же энергией, и в каждом из них она может оказаться с вероятностью (7.3). [c.149]

Этому свойству теплоемкости вымерзать при понижении температуры можно дать простое качественное объяснение. Согласно каноническому распределению вероятность того, что подсистема будет находиться в каком-то состоянии с энергией в, пропорциональна ехр(- в/Т) и очень быстро спадает при увеличении е. Поэтому, если температура мала по сравнению с интервалом энергии hm, отделяющим одно состояние осциллятора от другого, он будет с вероятностью, близкой к единице, находиться в одном-единственном состоянии с самой низкой энергией. [c.179]

Но в соответствии с каноническим распределением вероятность того, что молекула будет находиться в каком-то состоянии с энергией вращения е , пропорциональна ехр( - г /Т). Поэтому при температурах [c.186]

Проверка гипотезы о законе распределения. Для анализа резуль-тагов измерения случайных величин необходимо знать, какому теоретическому закону распределения вероятностей случайной величины соответствует эмпирическое распределение. Соответствие эмпирического распределения предполагаемому теоретическому распределению устанавливают с помощью критериев Колмогорова и др. [c.94]

Для задания структуры пользователю достаточно указать элементы ЭЭС и условия связи между входными и выходными величинами элементов. Параметры элементов надо задавать в том случае, если элементы не включены в базу данных. Разброс параметров можно задать в соответствии с нормальным или равномерным законом распределения вероятностей. Метод и шаг интегрирования можно задавать исходя из набора методов с фиксированным шагом [c.229]

Из изложенного следует, что поведение последовательностей точечного отображения (7.44) весьма сложно и разнообразно. Описать его, опираясь на какие-то отдельные траектории, нельзя, поскольку все эти последовательности неустойчивые, Однако для всей совокупности последовательностей возможно статистическое описание. Проиллюстрируем эту возможность для графика точечного отображения, изображенного на рис. 7.38. Для того чтобы естественно прийти к статистическому описанию, допустим, что начальная точка не задана точно, а задано некоторое распределение вероятностей ее положения с помощью 10 [c.291]

ПЛОТНОСТИ вероятности ф (х). Чем точнее задание начального значения х, тем острее плотность распределения вероятностей. Плотности вероятности ф (х) в виде 6-функции соответствует точное задание начального значения. [c.292]

ДОСТОВЕРНОСТЬ КОНТРОЛЯ показывает, в какой степени можно доверять полученным результатам. Достоверность служит многофункциональной характеристикой, зависящей от точности измерительной аппаратуры, объема, глубины контроля, законов распределения вероятностей контролируемых параметров и их допусков. Для проверки Д пользуются общей теорией проверки статистических гипотез. [c.16]

МЕШАЮЩИЕ ПАРАМЕТРЫ в математической статистике и в теории распознавания образов - параметры распределения вероятностей, такие, что гипотеза, подвергаемая статистической [c.38]

ЭМПИРИЧЕСКАЯ ФУНКЦИЯ РАСПРЕДЕЛЕНИЯ- приближение функции распределения случайной величины, построенное по выборке результатов наблюдения из генеральной совокупности с функцией распределения вероятностей F x). Э Ф Р [c.90]

Решение. Распределение вероятностей w x, t) (. — расстояние от стенки) определяется диффузионным уравнением с граничным условием w = Q при л = О и начальным условием w — (x — xa) при 0. Такое решение определяется формулой (52,4), в которой надо теперь писать w вместо Т, D вместо X и положить под знаком интеграла Шо(х ) bix — xo). Тогда получим [c.332]

Рассмотрим получение случайных чисел, распределенных с равномерной и нормальной плотностями вероятности, которые находят наибольшее применение на практике. Равномерно распределенные числа, как уже говорилось в 5.2, используются в алгоритмах поисковой оптимизации, а также служат основой для получения случайных чисел с другими распределениями вероятности. Равномерная плотность вероятности определяется выражением [c.253]

Рис. 6.34. Равномерная плотность распределения вероятности

Рис. 53. Распределение вероятности нахождения электрона около я.1фа атома

При проектировании конструкций заданной надежности по жесткости для заменяющего закона распределения вероятности максимальных перемещений с учетом Wniax = l q будем иметь [c.49]

Распределение плотности вероятности начальной точки х порождает вполне определенное распределение вероятностей следующей точки х . Распределение вероятностей точки х в свою очередь определяет распределение вероятностей точки и т. д. Плотности вероятностей ф (х) и ф (л) предыдущей х и носледуьзщей х точек, как нетрудно обнаружить, связаны соотношением [c.292]

Действительные размеры деталей, изготовленных по одному чертежу, колебли.тся в определенных пределах, а ошибки их размеров распределяк тся по определенному закону, описываемому обычно кривой нормального распределения (кривой Гаусса). Закон распределения вероятностей случайных величин устанавливает зависимость между числовыми значениями случайной величинв, и вероятностью их появления. [c.109]

БАЙЕСОВЫЙ МЕТОД - метод принятия оптимальных статистических решений, основанных на предположении, что параметр распределения вероятностей наблюдаемого случайного события, влияющий на характер принимаемых решений, является случайной величиной с известным априорным рас. рс1еле-нием. Приходим к решениям, описываемым байесовско , решающей функцией и имитирующим средний риск, т.е. математическое ожидание потерь, связанных с неправильными или неточными решениями. В частности, когда принимаются решения о значениях наблюдаемого параметра распределения, а риск равен вероятности ошибочного решения, Б М приводит к решению, соответствующему тому значению параметра, которое имеет наибольшую апостериорную вероятность при данном ре- [c.6]

ГАУССОВСКИЙ СЛУЧАЙНЫЙ ПРОЦЕСС - спучайный процесс < ( ), у которого для произвольных моментов времени совместное распределение вероятностей случайных [c.13]

ИНФОРМАТИВНОСТЬ ПРИЗНАКОВ - характеристика множества признаков или одного признака, выражающего его пригодность для принятия по нему правильного решения в процессе распознавания образов. Оценки И П используются для того, чтобы обеспечить требуемую эффективность Снапример. вероятность правильного распознавания) распознающей системы при минимальном наборе признаков. И ГГ есть смысл оценивать для данной конкретной задачи распознавания, когда заданы, например, число распознаваемых классов, их априорные вероятности, а также совместные условия распределения вероятностей признаков при заданном классе. В таком случае наиболее целесообразно измерять И П средней вероятностью правильного решения, достигаемой при оптимальной решающей функции, использующей данные признаки. Критерий И П используется также для выбора оптимального поднабора признаков из заданного набора. Эта задача является весьма сложной, поскольку в общем случае, когда признаки являются статистически взаимозависимыми, информативность к.-л. поднабора признаков не определяется информативностью отдельно входящих в него признаков. Для ка>ццого из испытываемых поднаборов необходимо найти оптимальную решающую функцию и оценить полученную вероятность правильного распознавания. [c.20]

МЕТОДЫ РАСПОЗНАВАНИЯ ОБРАЗОВ - широко применяются для решения таких задач, как распознавание буквенноцифровой информации, прог озирование погоды, установление медицинских диагнозов, анализ звуковых записей и т.д. Важным свойством методов распознаванияобразов является то, что полное знание распределения вероятностей данных не требуется. [c.39]

ОБУЧЕНИЕ РАСПОЗНАВАНИЮ ОБРАЗОВ - процесс изменения параметров распознающей системы или решающей функции на основании экспериментальных данных с целью улучшения качества распознавания. Применяют в тех случаях, когда имеющиеся априорные сведения о распознаваемых объектах или, точнее, о множествах сигналов, принадлежащих к одному классу, недостаточно полны, чтобы по ним найти определенную решающую функцию. Экспериментальные данные обычно имеют вид обучающей выборки, представляющей собой конечное множество наблюдавшихся значений сигналов, причем для каждой реализации указан класс, к которому она должна быть отнесена. На основании этих данных необходимо выбрать решающую функцию, классифицирующую сигналы из выборки в соответствии с указанными для них классами. Подобный выбор решающей функции с помощью выборки имеет практический смысл лишь тогда, когда можно на основании тех или иных отображений рассчитать, что выбранная функция будет осуществлять правильную классификацию также и для значений сигнала, не представленных в обучающей выборке, но наблюдаемых при тех же условиях, при которых была получена выборка. Наиболее важным при этом является вопрос о том, что считать правильной классификацией. Дпя того, чтобы это понятие имело смысл, необходимо предположить, что объективно существует некоторая закономерность, в соответствии с которой появляется сигнал, соответствующий кажцому из классов. Обычно предполагают, что сигнал является многомерной случайной величиной и каждый класс характеризуется вполне определенным распределением вероятностей. Существуют два различных подхода к обучению, различающиеся прежде всего по характеру сведений об указанных распределениях вероятностей. Параметрический подход применяют в тех случаях, когда эти распределения известны с точностью до значений некоторых параметров. Например, известно, что распределение сигнала для каждого класса является нормальным распределением с независимыми компонентами и с неизвестным средним, которое является неизвестным параметром. Тогда задача обучения, называемая парамет- [c.47]

Для случайной величины с абсолютно непрерывной функцией распределения модой называется любая точка максимума плотности вероятности. Отношение центрального момента порядка 3 к корню порядка 3 из квадрата дисперсии называется коэффициентом распределения вероятностей. Отношение центрального момента порядка 4 к квадрату дисперсии характеризует эксцесс распределения - числовую характеристику сглаженности плотности вероятностей относительно ее моды. Коэффициент разложения логарифма характеристической функции в ряд Тэйлора в окрестности нуля называется семиинвариантами,ил и кумулянтами соответствующей случайной величины. [c.88]

Распределение вероятности йР1йО вычисляли методом Монте-Карло. При этом вероятность возникновения трех типов вспы- [c.288]

По принятой терминологии к категории смектических жидких кристаллов (или смектиков) относятся анизотропные жидкости разнообразной слоистой структуры. По крайней мере некоторые из них представляют собой тела с микроскопической функцией плотности молекул, зависяш,ей только от одной координаты (скажем, Z) и периодической по ней, р = р (2). Напомним (см. V, 128), что функцией плотности определяется распределение вероятностей различных положений частиц в теле в данном случае можно говорить о различных положениях молекул как целого, т. е. pdV есть вероятность центру инерции отдельной молекулы находиться в элементе объема dV. Тело с функцией плотности р (г) можно представлять себе как состоящее из свободно смещаюш,ихся друг относительно друга плоских слоев, расположенных на одинаковых расстояниях друг от друга. В каждом из Слоев расположение центров инерции молекул беспорядочно, и в этом смысле каждый из них представляет собой двумерную жидкость , жидкие слои, однако, могут быть как изотропными, так и анизотропными. Это различие может быть связано с характером упорядоченной ориентации молекул в слоях. В простейшем случае анизотропия распределения ориентаций задается всего одним направлением п (скажем, направлением длинной оси молекулы). Если это направление перпендикулярно плоскости слоев, слои изотропны, так что ось. z является осью аксиальной симметрии тела такова, по-видимому, структура так называемых смектиков А. Если же направление п наклонно к плоскости х, у, то в этой плоскости появляется избранное направление и осевая симметрия исчезает такова, по-видимому, структура так называемых смектиков С. [c.228]

Входные зксплуатационные воздействия отражаются в первую очередь на амплитуде, частоте, форме, симметрии напряжения, а также й на температуре, давлении, перегрузке и пр. Часть из них может иметь и систематическую составляющую во времени (например, изменение момента трения в подшипниках по мере выработки их ресурса). Но всем им присущи одновременно шумы , случайные отклонения от номинального уровня. По своему характеру зти параметры должны быть отнесены к категории случайных функций времени, в общем случае нестационарных. Однако известно, что распределение вероятностей случайного процесса х, ( ) можно задавать совокупными распределениями вероятностей случайных величин х . ( ,),. .., Х (1к), , эг,( ), отвечающих любому конечному набору значений, 1 , , Это позволяет проводить исследования нестабильности в некоторых сечениях периода эксплуатации (причем продолжительность их во времени такова, что параметры распределения случайных значений эксплуатационных входных факторов не претерпевают существенных изменений и их можно принять постоянными), и при описании поведения этих факторов заменить нестационарные случайные функции стационарными. Это в совокупности с выполнением условий взаимной независимости параметров делает принципиально возможным проводить эксплуатационные испытания стохастической модели по общей схеме [22]. Сами же вероятностные распределения эксплуатационных факторов также могут быть обычно приняты нормальными - см., например, рис. 5.10, б. [c.134]

Метод статистических испытаний. Это метод известен также под названием метода случайного перебора или метода Монте-Карло, а его сущность была изложена в 5.1.4. Применительно к оптимизаищи здесь производится просмотр изображающих точек, рассеянных в заданной области пространства параметров, также определяемой условиями (5.39), но случайным образом в соответствии с равномерным распределением вероятности. Иными словами, поиск в данном случае строится на предположении, що вероятность попадания изображающей точки в каждый участок разбиения (х, х. + Дх ) одинакова. Равномерное распределение плотйости вероятности по / -му параметру оптимизации показано на рис. 6.34. Для того чтобы изображающие точки были равномерно рассеяны по -мерному объему, необходимо обеспечить взаимную независимость случайных координат текущей изображающей точки по всем осям х.. На рис. 5.19 точки 1—4 распределены в пространстве параметров х,, Хг случайным образом. [c.154]

Прикладное программное обеспечение данной подсистемы, как и других ранее рассмотренных, организовано по схеме программной системы со сложной структурой. Основу программы верюятностного анализа составляют модули, позволяющие моделировать независимые последовательности псевдослучайных чисел с различными распределениями вероятности, в том числе и с произвольным распределением, задаваемым гистограммой, одновременно по нескольким десяткам входных параметров, а также модули, обрабатывающие выходную статистическую информацию с построением гистограмм по ряду рабочих показателей объекта. [c.265]

Энциклопедия по машиностроению XXL

Оборудование, материаловедение, механика и ...