样本容量samplesize;samplecapacity又称样本的大小-仪器信息网.docVIP

样本容量 sample size;sample capacity 又称样本的大小，样本中所包含个体的数目。 样本值 sample value 对样本进行测量所得到的测量值。样本值是一个随机变量，由不同的样本所得到的样本值可能是不同的。在测量值遵从正态分布的条件下，样本值以指定的概率落在()区间内，其中u为与指定概率有关的系数，可由正态分布表中查到。样本平均值是总体平均值的无偏估计值，用来估计总体平均值没有系统误差。 异常值 outlier 位于约定显著性水平下所允许的合理误差范围之外的测量值。在一组测量值中，有个别的测量值比其余的测量值明显地偏大或偏小，此称为离群值。它有可能只是随机波动的极度表现，但仍处在统计上所允许的合理误差范围内，此为极值；若位于统计上所允许的合理误差范围之外，则为异常值。在国标GB 4883-85中规定，一组测量值中与平均值的偏差超过两倍标准差的测量值称为异常值，将与平均值的偏差超过三倍标准差的测量值，称为高度异常的异常值。在处理数据时，应剔除高度异常的异常值。异常值是否剔除，视具体情况而定。在统计检验时，指定为检出异常值的显著性水平=0.05，称为检出水平；指定为检出高度异常的异常值的显著性水平=0.01，称为舍弃水平，又称剔除水平。但在分析测试实践中，通常将异常值剔除，或者虽不剔除，但不参与数据处理和运算。 异常值检验 test of outlier 对一组测量值中的离群值进行统计检验以确定其是否为异常值。在分析测试中，常用的检验异常值的方法有Q舍弃法，狄克松检验法，格鲁布斯检验法，极差检验法等。 遗传算法 genetic algorithms,GAs 模拟自然界生物’优胜劣汰’进化机制进行寻优的一种算法。1960年由J.H.Holland提出。在遗传算法中，将研究体系的响应曲面看作为一个群体，响应曲面上的每一个点作为群体中的一个个体，个体用多维向量或矩阵来描述，组成矩阵和向量的参数(元素)相应于生物中组成染色体的基因，染色体用固定长度的二进制位串表示，通过基因(参数)交换、突变(改变参数)等基因操作，在参数的一定范围内随机搜索，不断改善数据结构，构造出不同的向量，得到不同的解，目标函数值较优的解被保留，淘汰目标函数值差的解，最后得到最优的解。它可以越过位垒，跳出局部较优的试验点，是一种全局最优化方法。 移动极差 moving range 相邻两测量值之差的绝对值，记为。当每一批产品或每一抽样时间间隔内只能获得样品的一个测量值，无法求得极差，更无法计算标准偏差，但可以计算移动极差，以便制作单值－移动极差质量控制图，用以控制产品质量。 仪器误差 instrumental error 由于仪器本身未经过严格校正、未调整到最佳工作状态、稳定性不好、长期使用引起的精度下降等原因引起的误差。 因素 factor 又称因子,影响试验指标的要素或原因。例如，考察燃气流量、助燃气流量，燃烧器高度对火焰原子吸收光谱法测定水中铁吸光度的影响，吸光度是试验指标，影响吸光度的燃气流量、助燃气流量，燃烧器高度等则为因素。因素水平的变化引起试验指标的变化。 因素间交互效应 factors interaction 在试验中两个或多因素联合起作用对试验指标产生的附加影响。它不是因素之间不同水平组合时所产生的总效应，因为总效应中除了因素之间的交互效应之外，还包括了各因素的主效应。如在火焰原子吸收光谱分析中,调节燃气流量,吸光度改变了,调节空气流量，吸光度改变了,此,和分别为燃气和空气流量的主效应。如果同时调节燃气和空气流量，吸光度改变了,此为同时改变燃气和空气流量所产生的总效应。燃气和空气流量的交互效应则为。 因素水平 level of factor 影响试验指标的因素所处的状态。如考察试剂浓度对产率的影响,产率为试验指标, 试剂浓度即为因素, 试剂浓度1mol/L、1.5mol/L则为因素的两个水平。因素水平(试剂浓度)的变化引起试验指标(产率)的变化。 因素效应 factor effect 所研究因素对试验指标的影响。它包括因素的主效应、因素之间的交互效应，前者是在无因素之间相互作用时可控因素本身水平变化引起的试验指标值的变化，后者是共存元素之间的协同或抵偿作用引起的试验指标值的变化。随机因素对试验指标的影响归为试验误差效应。 因子分析 factor analysis 一种多元统计分析方法。因子分析模型最早由J.Pearson和C.Spearman提出，首先用于心理学研究。20世纪50年代末和60年代初开始用于化学领域，逐步形成了带有浓厚化学特色的因子分析方法，通过对一数据矩阵进行特征分析，旋转变换等操作，研究和分析复杂的或是数据量庞大的测量数据以确定影响这些数据的因子数，获得对测量数据的定性和定量解释。