Это не распределение строго говоря, а значение с нулевой неопределенностью, такое как константа диссоциации воды, нормальный вес, эталонная температура теста, номинальная емкость объемного материала и т. Д. Его также можно использовать для компонентов модель с несколькими вкладчиками неопределенности, написание модели в качестве константы, добавленной в список нулевых компонентов с различными распределениями.
Дополнительная помощь
Непрерывное треугольное распределение характеризуется ограничением до двух крайностей, как в случае прямоугольника, но также имеет режим (или значение более вероятного) в этом диапазоне. Вероятность в любом подинтервале равной длины будет линейно увеличиваться до моды, а затем сходится точно так же, как и к верхней границе. Это распределение широко используется в переменных, где информация ограничена, как в случае однородности, но где мы имеем приблизительное знание Модального значения, то есть, где, хотя точная точка этого значения неизвестна, имеется информация региона или интервала, где его можно найти.
Важно: . В случае MCM Alchimmia доступен только треугольный треугольник, то есть статистический режим соответствует среднему значению AB-интервала.
Тогда общее уравнение будет определено для интервала АВ, а вне этих крайностей функция распределения будет равна 0. Формула будет тогда:
Входные параметры:
Дополнительная помощь
Это непрерывное распределение характеризуется одинаковой вероятностью для любого значения интервала. Он широко используется для вкладов неопределенностей типа B, в которых известны только основные и малые размеры интервала, например, в разделении или разрешении цифрового инструмента. Во многих случаях это распределение также может быть назначено, когда информации о случайной переменной мало, в библиографических данных или когда коэффициент покрытия неопределенности неизвестен,
Общая формула этого распределения определяется для всех значений x, для которых A ≤ x ≤ B, согласно уравнению:
Входные параметры:
Дополнительная помощь
Это распределение является тем, которое чаще всего представляет собой природные и социальные события. Значительная часть доказательств классической статистики, а также оценка неопределенностей основаны на предположении, что данные соответствуют нормальному распределению. С теоретической точки зрения Центральная предельная теорема утверждает, что, учитывая случайную выборку достаточно больших размеров, будет наблюдаться, что распределение сред следует приблизительно нормальному распределению. Общая формула этого распределения:
где μ обозначает местоположение и σ масштаб функции. Чтобы оценить неопределенность измерения, μ соответствует среднему значению и значению режима случайной величины, а σ — стандартное отклонение.
Входные параметры:
Если параметр, которому присвоено это распределение, соответствует вкладу неопределенности в сертификате калибровки, стандартное отклонение соответствует стандартной неопределенности ( u ) или расширенной неопределенности, деленной на коэффициент покрытия k.
Дополнительная помощь
Это распределение представляет случайные величины, логарифмы которых распределены в соответствии с нормальным распределением. Логнормальное распределение принимает различные формы в зависимости от значения его масштабного параметра и часто используется в надежности высокотехнологичных продуктов, а также в микробиологических подсчетах, поскольку они основаны на мультипликативной модели роста.
Входные параметры:
Как указано, логарифмы значений логнормальной случайной величины распределены по гауссовой функции. Эта функция распределения может быть определена из двух наборов параметров, выбранных в переключателях справа от панели данных.
Дополнительная помощь
Это непрерывное распределение вероятностей в поле положительных чисел тесно связано с нормальным распределением, например, это распределение образцов σ². Распределение Chi Ssquare определяется одним параметром, который является степенями свободы. Функция всегда асимметрична и смещена вправо. Это распределение очень часто используется в различных областях науки, поскольку оно позволяет анализировать наборы данных и определять, связано ли различие между ними случайностью (нулевая гипотеза) или другим внешним фактором.
Входные параметры:
Дополнительная помощь
Это распределение является непрерывной функцией в области положительных вещественных чисел, часто используемой в экономике, метеорологии и телекоммуникациях, а также в других конкретных приложениях, таких как уровень надежности или выживаемость организмов или машин. Случайные переменные, имеющие распределение распределения Вейбулла, распределяют ошибки в системах, когда коэффициент ошибки пропорционально связан с мощностью времени. Это распределение определяется из характеристического параметра формы (& gt; 0), который указывает на частоту отказа, так что, если скорость отказа уменьшается, она является постоянной или увеличивается со временем. Это соответствует, если параметр k меньше, равен или больше 1.
Входные параметры:
Дополнительная помощь
Распределение Коши имеет особенность существования гауссовского типа распределений, однако оно имеет самый высокий пик, а хвосты разлагаются очень медленно. Хотя MCM Alchimia соответствующим образом генерирует псевдослучайные выборки для этого распределения, график результатов будет выглядеть как изолированный пик, поскольку ось абсцисс его берется в 99% -ном интервале вероятности покрытия. Поскольку распад хвостов настолько постепенный, диапазон значительных вероятностей становится очень узким.
Входные параметры:
Дополнительная помощь
Распределение фон Мизеса является непрерывной функцией круговых вызовов, т. Е. Они определены для реальных в интервале от 0 до 2π. В настоящее время эта функция используется предпочтительно в области эпидемиологии для описания распространения заболеваний или технологических применений, таких как обработка сигналов. Распространение фон Мизеса также известно как нормальный круговой , поскольку он подобен гауссову, но ограничен круговой плоскостью.
Входные параметры:
Дополнительная помощь
Распределение Отрицательное биномиальное также является дискретным распределением, определенным в области положительных целых чисел. Он аналогичен биномиальному распределению, за исключением того, что параметр n относится к неточным и неполным событиям. Другими словами, случайная величина с Отрицательное биномиальное распределением параметров n и p представляет собой число успехов, вероятность которых равна p, которые достигаются в последовательности n неудачных испытаний. Параметры, с помощью которых определяется это распределение, имеют тот же вид, что и те, которые представляют биномиальное распределение, хотя, как мы сказали, параметр n представляет другое качество.
Входные параметры:
Дополнительная помощь
