本文使用非參數密度估計構建數學模型。模型不假設數據序列的依賴形式也不假設概率分布形式，并不意味著模型參數估計，而是僅依賴于驅動的數據，并消除了估計的事實參數不是通用的。
　　文探討了非參數密度估計在電線電纜質量控制中的應用，以及更精確的分析方法。估計;窗寬;分析結果;身體狀況。圖分類號：O212文獻標識碼：A引言數學統計技術是高級質量管理的重要課題。前，應用于電線電纜行業的數理統計技術是一種傳統的參數統計方法：基本步驟為：數據采集，參數模型自適應，參數模型估計，模型的指示符合效果。要思想是假設確定的參數模型。方法通常具有良好的數據分析準確度，例如通過假設正態分布模型，使用矩估計，最大似然估計和最小二乘來找到參數。
　　是這些方法的缺點是模型的假設對于不同的樣品不是通用的。文探討了使用非參數密度估計來分析導電單絲電纜的電阻率，以便找到更準確的統計方法。
　　察數據本文首先給出了模具拉制銅單絲直徑的樣本數據，標準直徑為2.52 mm（見表1）（取樣能力為100，分為在16組中，組間距為0.000022mm），圖1是散點圖。2是用于理解其所屬人口的基本屬性的直方圖：從上圖，特別是直方圖，我們可以初步了解該數據集的分布樣品。以初步估計樣本數據屬于完全不對稱并且左端具有較長的末端，具有從左到右的向上趨勢和到左邊的小尾巴。右了。

　　度估計理論，核估計的定義：設K（x）是R上的概率密度函數，h> 0是與n相關的常數，則fn是由核的估計總未知密度f（x），其中函數K（x）稱為核，h是窗口的寬度。K（x）的確定表明，當確定窗口h的寬度時，不同核函數的效果是等效的。
　　際上，通常首先選擇核函數K（x），然后尋找最佳窗寬h。于K（x）對fn的影響很小，滿足以下基本條件的核函數是合適的：∫K（x）dx = 1;函數連續平滑，第一階的時刻為零，方差有限。常使用均勻核，高斯核等。文使用高斯內核作為內核的函數。得函數核的估計：窗寬h越小，估計的核密度對原始數據的調整越大，但核估計的方差越大。反，窗口h的寬度越大，核估計的方差越小。LSCV方法通常用于確定窗口的最佳寬度，其直接從現有數據獲得窗口的合理寬度，并且是計算窗口的最佳寬度的標準方法之一。要思想是從估計樣本的缺失值中找到窗口的最佳寬度：通過替換表達式中已知樣本的點值，窗口h的寬度為核心估計值為0.105，ICE最小值為-5177。
　　用結果分析本文使用內核估計作為內核函數的高斯核來分析樣本數據，從而可以得到函數核的估計形式：統計方法整個集合（通常是Pearson）的分布類型未知。2執行適應性測試以確定模型的顯著性是否可接受以確定數據集是否實際來自假定的分布模型。于連續數據，數據樣本必須分成幾個區間（組），分組后每組中包含的樣本數必須至少為5.如果某些組中的數據頻率小于5，數據應該是：組與相鄰組正確組合，然后進行測試。于使用fn估計總密度f（x），因此測試問題等同于：H0：f（x）= fn（x）; H1：F（X）FN（X）（7），其為統計假設檢驗H0近似當H0為真：f 1是第i個樣本組的頻率，NPI是計算的標稱定時基于所述估計核密度函數，k是可以在H0下取得的X的子集數，r是全局分布。估算的參數數量。計接近χ2分布KR 1的一個自由度可以看出，假設檢驗的排斥字段是：χ2≥χ2α（KR-1）（9）α是顯著性水平和測試的臨界值是χ2（1-α）。kr-1），當目標函數的值大于臨界值時拒絕零假設，并認為密度函數不是通過核估計方法獲得的密度函數，否則零假設不能被拒絕。上所述，礦用電纜在大樣本的情況下，如果零假設為真，則統計量接近具有kr-1自由度的分布χ2，其中k = 9，r = 1，因此分配的自由度為7 ..參考任何具有統計日歷的書籍，我們可以找到分布χ2的閾值，在每個顯著性水平上具有7的自由度，這里是參考[5]和當α= 0時的臨界值20， 05。95 = 14.067，h = 0.105。14.067，實現的測試統計值12.815小于臨界值，礦用電纜這意味著當顯著性水平為0.05時，原假設不能被拒絕，即通過非參數核估計方法獲得的密度函數的表達可以被認為符合實際的全局分布。式。此，我們還可以認為上面選擇的窗口寬度值是“最佳的”，并且在該窗口寬度值處估計的總密度函數是理想的。論鑒于參數模型的缺陷，本文提出了一種基于核估計理論的非參數隨機模型。模型避免了結構選擇和參數不確定性（線性或非線性）的問題，并且可以根據擬合的最終質量進行測試。用LSCV方法計算窗口的最佳寬度可確保精確計算核密度估計值，并且是計算窗口寬度的方便且安全的方法。一步改進非參數密度估計方法在電線和電纜質量控制中的應用可以提供更精確的分析方法，以改善電線和電纜的質量。

　　
　　本文轉載自
　　電纜價格 http://www.sup95.com