результаты+наблюдений

прецизионность
Степень близости друг к другу независимых результатов измерений, полученных в конкретных регламентированных условиях.
Примечания
1. Прецизионность зависит только от случайных погрешностей и не имеет отношения к истинному или установленному значению измеряемой величины.
2. Меру прецизионности обычно выражают в терминах неточности и вычисляют как стандартное отклонение результатов измерений. Меньшая прецизионность соответствует большему стандартному отклонению.
3. «Независимые результаты измерений (или испытаний)» - результаты, полученные способом, на который не оказывает влияния никакой предшествующий результат, полученный при испытаниях того же самого или подобного объекта. Количественные значения мер прецизионности существенно зависят от регламентированных условий. Крайними случаями совокупностей таких условий являются условия повторяемости и условия воспроизводимости (ИСО 3534-1 [1]).
[ ГОСТ Р ИСО 5725-1-2002]

Тематики

• метрология, основные понятия

EN

• precision

3.7 прецизионность (precision): Степень близости друг к другу независимых результатов измерений, полученных в конкретных регламентированных условиях.

[ЕН 482]

Источник: ГОСТ Р ЕН 13205-2010: Воздух рабочей зоны. Оценка характеристик приборов для определения содержания твердых частиц

3.12 прецизионность (precision): Степень близости друг к другу независимых результатов измерений, полученных в конкретных регламентированных условиях.

[ ГОСТ Р ИСО 5725-1-2002, пункт 3.12]

Источник: СТО Газпром 5.26-2009: Организация и проведение внутрилабораторного контроля измерений показателей качества природного газа в химико-аналитических лабораториях

3.12 прецизионность (precision): Степень близости друг к другу независимых результатов измерений, полученных в конкретных регламентированных условиях.

Примечания

9 Прецизионность зависит только от случайных погрешностей и не имеет отношения к истинному или установленному значению измеряемой величины.

10 Меру прецизионности обычно выражают в терминах неточности и вычисляют как стандартное отклонение результатов измерений. Меньшая прецизионность соответствует большему стандартному отклонению.

11 «Независимые результаты измерений (или испытаний)» - результаты, полученные способом, на который не оказывает влияния никакой предшествующий результат, полученный при испытаниях того же самого или подобного объекта. Количественные значения мер прецизионности существенно зависят от регламентированных условий. Крайними случаями совокупностей таких условий являются условия повторяемости и условия воспроизводимости (ИСО 3534-1 [1]).

Источник: ГОСТ Р ИСО 5725-1-2002: Точность (правильность и прецизионность) методов и результатов измерений. Часть 1. Основные положения и определения оригинал документа

3.29 прецизионность (precision): Степень близости друг к другу результатов независимых испытаний, полученных в конкретных стандартных условиях определения.

Примечание - Часто степень близости определяют, используя такой показатель, как удвоенное стандартное отклонение.

Источник: ГОСТ Р ИСО 13909-1-2010: Уголь каменный и кокс. Механический отбор проб. Часть 1. Общее введение оригинал документа

3.4.3 прецизионность (precision): Степень близости друг к другу независимых результатов измерений, полученных в конкретных регламентированных условиях.

[ИСО 6879]

Источник: ГОСТ Р ИСО 15202-1-2007: Воздух рабочей зоны. Определение содержания металлов и металлоидов в твердых частицах аэрозоля методом атомной эмиссионной спектрометрии с индуктивно связанной плазмой. Часть 1. Отбор проб оригинал документа

3.19 прецизионность (precision): Степень близости друг к другу результатов независимых испытаний, полученных в стандартных условиях определения.

Примечания

1 Часто степень близости определяют, используя такой показатель, как удвоенное стандартное отклонение.

2 Определения могут быть проведены с высокой прецизионностью, и потому стандартное отклонение результатов анализа, проведенных для одной и той же подпартии, может быть небольшим, но результаты могут считаться точными только, если в них не внесена систематическая погрешность.

Источник: ГОСТ Р ИСО 18283-2010: Уголь каменный и кокс. Ручной отбор проб оригинал документа

3.3.3 прецизионность (precision): Степень близости друг к другу независимых результатов измерений, полученных в конкретных регламентированных условиях.

3.3.4

Источник: ГОСТ Р ИСО 20552-2011: Воздух рабочей зоны. Определение паров ртути. Отбор проб с получением амальгамы золота и анализ методом атомной абсорбционной или атомной флуоресцентной спектрометрии оригинал документа

3.4.4 прецизионность (precision): Степень близости друг к другу результатов измерений, полученных в конкретных регламентированных условиях.

Примечание - На основе ИСО 6879 [5].

Источник: ГОСТ Р ИСО 15202-3-2008: Воздух рабочей зоны. Определение металлов и металлоидов в твердых частицах аэрозоля методом атомной эмиссионной спектрометрии с индуктивно связанной плазмой. Часть 3. Анализ оригинал документа

3.1.10 прецизионность (precision): Степень близости независимых результатов наблюдений, полученных в конкретных условиях.

Примечание 1 - Прецизионность зависит только от распределения случайных ошибок и погрешностей и не имеет отношения к истинному или установленному значению контролируемой величины.

Примечание 2 - В качестве прецизионности обычно используют стандартное отклонение результатов наблюдений. Чем больше стандартное отклонение, тем меньше прецизионность.

Примечание 3 - Количественные значения прецизионности зависят от установленных условий. Условия повторяемости и воспроизводимости представляют собой два крайних случая установленных условий.

Источник: ГОСТ Р ИСО 11648-1-2009: Статистические методы. Выборочный контроль нештучной продукции. Часть 1. Общие принципы оригинал документа

3.1.10 прецизионность (precision): Степень близости независимых результатов наблюдений, полученных в конкретных условиях.

Примечание 1 - Прецизионность зависит только от распределения случайных ошибок и погрешностей и не имеет отношения к истинному или установленному значению контролируемой величины.

Примечание 2 - В качестве прецизионности обычно используют стандартное отклонение результатов наблюдений. Чем больше стандартное отклонение, тем меньше прецизионность.

Примечание 3 - Количественные значения прецизионности зависят от установленных условий. Условия повторяемости и воспроизводимости представляют собой два крайних случая установленных условий.

Источник: ГОСТ Р ИСО 11648-2-2009: Статистические методы. Выборочный контроль нештучной продукции. Часть 2. Отбор выборки сыпучих материалов оригинал документа

5.2.16 прецизионность (precision): Степень близости друг к другу независимых результатов измерений, полученных в конкретных регламентированных условиях.

[ИСО 3534-1].

Источник: ГОСТ Р ИСО 6879-2005: Качество воздуха. Характеристики и соответствующие им понятия, относящиеся к методам измерений качества воздуха оригинал документа

3.5.6 прецизионность (precision): Степень близости друг к другу независимых результатов измерений, полученных в конкретных регламентированных условиях.

Источник: ГОСТ Р ИСО 21438-1-2011: Воздух рабочей зоны. Определение неорганических кислот методом ионной хроматографии. Часть 1. Нелетучие кислоты (серная и фосфорная) оригинал документа

регрессионный анализ
Метод оценки, использующий регрессионный способ по измеренным значениям, например, для сортировки по классам.
[Система неразрушающего контроля. Виды (методы) и технология неразрушающего контроля. Термины и определения (справочное пособие). Москва 2003 г.]

регрессионный анализ
Раздел математической статистики, объединяющий практические методы исследования регрессионной зависимости (см. Регрессия) между величинами по данным статистических наблюдений. Итальянский статистик Р.Бенини, как считается, был первым, кто с практической пользой применил в экономике метод множественной регрессии. (1907) Он удачно оценил функцию спроса на кофе в Италии как функцию цен на кофе с одной стороны и на сахар — с другой. История знает, однако, немало ложных выводов, показывающих, что без глубокого анализа доверять обнаруженным регрессионным зависимостям бывает рискованно. Метод Р.а. состоит в выводе уравнения регрессии (включая оценку его параметров), с помощью которого находится средняя величина случайной переменной, если величина другой (или других в случае множественной или многофакторной регрессии) известна. (В отличие от этого корреляционный анализ применяется для нахождения и выражения тесноты связи между случайными величинами)[1]. Практически речь идет о том, чтобы, анализируя множество точек на графике (т.е. множество статистических данных), найти линию, по возможности точно отражающую заключенную в этом множестве закономерность, тенденцию — линию регрессии. Для этого требуется наилучшим образом оценить параметры уравнения. Существует ряд математико-статистических приемов, позволяющих решить эту задачу. В случаях, когда искомая закономерность может быть принята за линейную, наиболее эффективен метод наименьших квадратов. Р.а. применяется в различного рода экономических исследованиях (производственные функции, анализ эластичности спроса от цены и др.), особенно при анализе хозяйственной деятельности предприятий (для определения влияния отдельных факторов на результаты) и во многих других областях экономической науки и хозяйственной практики. Пример: средняя себестоимость поковок в кузнечных цехах московских заводов, по статистическим исследованиям, описывалась уравнением регрессии: Y = 72,8 + 0,605x1 + 0,082x2 + + 0,834x3, где x1 — заработная плата на 1 т поковок; x2 — удельная металлоемкость, x3 — удельные цеховые расходы. Это уравнение означает, что лишний расход одного рубля заработной платы приведет (в среднем в большой массе наблюдений) к повышению себестоимости тонны поковок на 0,605 руб. Соответственно рассчитывается и влияние двух остальных факторов. [1] Впрочем, распространена также более широкая трактовка Р.а., охватывающая и то, что здесь названо корреляционным анализом. И, наконец, ряд авторов считают Р.а. частью теории корреляции как общей теории взаимоотношений между случайными величинами.
[ http://slovar-lopatnikov.ru/]

Тематики

• виды (методы) и технология неразр. контроля
• экономика

EN

• regression analysis

3.3 регрессионный анализ en regression analysis

Набор процедур, связанных с оцениванием моделей                   fr analyse de régression

зависимости отклика от предсказывающих переменных

Источник: Р 50.1.040-2002: Статистические методы. Планирование экспериментов. Термины и определения

3.3 регрессионный анализ en regression analysis

Набор процедур, связанных с оцениванием моделей                   fr analyse de régression

зависимости отклика от предсказывающих переменных

Источник: 50.1.040-2002: Статистические методы. Планирование экспериментов. Термины и определения

олигопольные эксперименты
Машинные или человеко-машинные эксперименты, воспроизводящие ситуацию олигополии; проводятся в исследовательских и дидактических целях. Строятся в форме деловой игры, в которой участники принимают для каждого периода (такта игры) решения о характеристиках «выпускае­мых» ими товаров, объемах производства, затратах на рекламу, о ценах и инвестициях. Результаты решений с помощью компьютера представляются в виде планов, балансов доходов и убытков, обзоров состояния рынка и других расчетов. Полученная информация служит для принятия решений в последующих периодах и т.д. Множество испытаний (проигрываний) позволяет анализировать мотивы и эффективность экономического поведения участников игры. О.э. дают возможность верифицировать экономические теории и гипотезы, касающиеся, например, инвестиционной или торговой политики фирм. Для иллюстрации остановимся на одном простейшем О.э. Имеются три «фирмы» поставщика однородного товара и множество потребителей. Формулируется модель эксперимента, в которой цена товара выступает как функция объема предложения P = 20 — (X1 + X2 + X3), где P — цена, X1 + X2 + X3 — соответственно, сумма предложений трех фирм; 20 — некоторый заданный параметр. Для упрощения принимается, что фирмы не имеют издержек. Тогда прибыль — Gi = ? pxi, i = 1, 2, 3. Задача каждой фирмы состоит в максимизации целевой функции Gi ® max. Фирму представляет группа студентов, принимающих решения об объеме «продаж». Решения принимаются каждой группой независимо от других, обмен информацией (или, проще, сговор между фирмами) исключен. Далее проигрывается серия испытаний, результаты которых фиксируются в таблице. Отсюда видно, что, например, в первом испытании третья фирма «выбросила на рынок» 10 единиц товара, а на деле свела прибыли всех фирм к нулю (в том числе и свою собственную). А вот в четвертом испытании та же фирма получила высокую прибыль. Таблица позволяет судить о качестве решений участников эксперимента, регистрация пояснений о причинах принятия тех или иных решений — анализировать мотивы их «экономического поведения». Разумеется, это лишь крайне упрощенный пример. О.э. усложняются введением показателей издержек и производственных мощностей для каждой фирмы, вводятся параметры инвестиций (тогда производственные мощности могут изменяться в определенных пределах). Строятся модели рынков, включающие не только поставщиков, но и потребителей и т.д. В ряде случаев на основании наблюдений в ходе эксперимента строится математическая модель, которая затем проигрывается на компьютере. Такое соединение натурного и имитационного эксперимента позволяет углублять анализ явлений, проверять выводы и гипотезы.
[ http://slovar-lopatnikov.ru/]

Тематики

• экономика

EN

• oligopolistic experiments

математическая статистика
Раздел математики, посвященный методам и правилам обработки и анализа статистических данных (т.е. сведений о числе объектов, обладающих определенными признаками, в какой-либо более или менее обширной совокупности). Сами методы и правила строятся безотносительно к тому, какие статистические данные обрабатываются (физические, экономические и др.), однако обращение с ними требует обязательного понимания сущности явления, изучаемого с помощью этих правил. К экономике М.с. применима по той причине, что экономические данные всегда представляют собой статистические сведения, т.е. сведения об однородных совокупностях объектов и явлений. Такими однородными совокупностями могут быть выпускаемые промышленностью изделия, персонал промышленности, данные о прибылях предприятий и т.д. В настоящее время существуют разные определения сущности М.с., и не следует удивляться, если вы увидите в одной книге, вопреки сказанному выше, утверждение, что М.с. — это «наука о принятии решений в условиях неопределенности», а в другой — что это «наука, объясняющая данные статистических наблюдений при помощи вероятностных моделей». Некоторые авторы считают, что она — раздел теории вероятностей, а другие, — что она лишь связана с этой теорией, представляя собой отдельную от нее науку. Наконец, распространено расширенное понимание предмета М.с. как охватывающей не только вероятностные аспекты, но и так называемую прикладную статистику («анализ данных«), включающую и объекты не обязательно вероятностной природы. В общем случае, анализ статистических данных методами М.с. позволяет сделать два вывода: либо вынести искомое суждение о характере и свойствах этих данных или взаимосвязей между ними, либо доказать, что собранных данных недостаточно для такого суждения. Причем выводы могут делаться не из сплошного рассмотрения всей совокупности данных, а из ее выборки, как правило, случайной (последнее означает, что каждая единица, включенная в выборку, могла быть с равными шансами, т.е. с равной вероятностью заменена любой другой). Центральное понятие М.с. — случайная величина — всякая наблюдаемая величина, изменяющаяся при повторениях общего комплекса условий, в которых она возникает. Если сам по себе набор, перечень значений этой величины неудобен для их изучения (поскольку их много), М.с. дает возможность получить необходимые сведения о случайной величине с существенно меньшим количеством чисел. Это объясняется тем, что статистические данные подчиняются таким законам распределения (или приводятся к ним порою искусственными приемами), которые характеризуются всего лишь несколькими параметрами, т.е. характеристиками. Зная их, можно получить столь же полное представление о значениях случайной величины, какое дается их подробным перечислением в очень длинной таблице. (Характеристиками распределения являются среднее, медиана, мода и т.д.). Если изучаются взаимосвязи между значениями разных случайных величин, то необходимые сведения для этого дают коэффициенты корреляции между ними. Когда совокупность анализируется по одному признаку, имеем дело с так называемой одномерной статистикой, когда же рассматривается несколько признаков — с многомерным статистическим анализом. М.с. охватывает широкий круг одномерных и многомерных методов и правил обработки статистических данных: от простых приемов статистического описания (выведение средней, а также степени и характера разброса исследуемых признаков вокруг нее, группировка данных по классам и сопоставление их характеристик и т.д.), правил отбора фактов при выборочном их рассмотрении до сложных методов исследования зависимостей между случайными величинами. Среди последних: выявление связей между случайнами величинами — корреляционный анализ, оценка величины случайной переменной, если величина другой или других известна — регрессионный анализ, выявление наиболее важных скрытых факторов, влияющих на изучаемые величины, — факторный анализ, определение степени влияния отдельных неколичественных факторов на общие результаты их действия (например, в научном эксперименте) — дисперсионный анализ. Перечисленные области составляют основные дисциплины, входящие в М.с. К ним примыкают также быстро развивающиеся упоминавшиеся выше методы «анализа данных», не основанные на традиционной для М.с. предпосылке вероятностной природы обрабатываемых данных. Для экономических исследований большое значение имеет также анализ стохастических процессов, в том числе «марковских процессов«. Задачи М.с. в экономике можно разделить на пять основных типов: а) оценка статистических данных; б) сравнение этих данных с каким-то стандартом и между собой (оно применяется при эксперименте или, например, в контроле качества на предприятиях); в) исследование связей между статистическими данными и их группами. Эти три типа позволяют вынести суждение описательного характера об изучаемых явлениях, подверженных по каким-то причинам искажающим случайным воздействиям. Следующий, четвертый тип задач связан с нахождением наилучшего варианта измерения изучаемых данных. И наконец, пятый тип задач связан с проблемами предвидения и развития, здесь важное место занимают задачи анализа временных рядов. Для экономики особенно ценно то, что М.с. позволяет на основании анализа течения событий в прошлом, т. е. изучения выбранных на определенные даты сведений о характерных чертах системы, предсказать (см. Прогнозирование) вероятное развитие изучаемого явления в будущем (если не изменятся существенно внешние или внутренние условия). В управлении хозяйственными и производственными процессами применяются различные математико-статистические методы. На них основаны многие методы исследования операций, в том числе — методы теории массового обслуживания, позволяющие наиболее эффективно организовывать ряд процессов производства и обслуживания населения, теории расписаний, предназначенной для выработки оптимальной последовательности производственных, транспортных и других операций, теории решений, теории управления запасами, а также теории планирования эксперимента и выборочного контроля качества продукции, сетевые методы планирования и управления. В эконометрических исследованиях на основе математико-статистической обработки данных строятся экономико-математические (экономико-статистические) модели экономических процессов, производятся экономические и технико-экономические прогнозы. Широкое распространение математико-статистических методов в общественном производстве, а также в других областях социально-экономической жизни общества (здравоохранение, экология, естественные науки) опирается на развитие электронно-вычислительной техники. Для решения типовых задач математико-статистической обработки данных созданы и применяются многочисленные стандартные прикладные компьютерные программы и системы.
[ http://slovar-lopatnikov.ru/]

Тематики

• экономика

EN

• mathematical statistics

медленные замирания
Плавные изменения огибающей сигнала; которые обычно возникают при изменении пути распространения радиоволны на расстояние, существенно большее ее длины волны. Данный вид замираний характерен для радиоканалов мобильной связи. Результаты многолетних наблюдений показывают, что медленные замирания, обусловленные изменением условий рефракции и состоянием нижних слоев атмосферы, удобно описывать логарифмически нормальным законом.
[Л.М. Невдяев. Телекоммуникационные технологии. Англо-русский толковый словарь-справочник. Под редакцией Ю.М. Горностаева. Москва, 2002]

Тематики

• электросвязь, основные понятия

EN

• slow fading

неполная выборка
Выборка, содержащая недостаточное количество наблюдений, чтобы сделать по ней выводы на основании стандартных статистических методов исследования, прежде всего — регрессионного анализа ( Например, обычный сбор данных о заработках населения по принципу случайной выборки не всегда может быть достоверным, ибо сами индивидуумы по причинам, не известным наблюдателю, делают выбор: работать или учиться, и это искажает результаты).. Проблема Н.в. привлекла внимание специалистов по эконометрии и математической статистике сравнительно недавно. За разработку теории Н.в. и методов ее решения в 2000 году.
[ http://slovar-lopatnikov.ru/]

Тематики

• экономика

EN

• selective sample