Содержание
Есть историческая справка, страница 23
Страницы, где объясняется происхождение формулы или идеи.
1833 формулы
Таблица формул
Показаны 1321-1380 из 1833. Остальные формулы доступны на соседних страницах подборки.
| Формула | Запись | Тема | Для чего нужна |
|---|---|---|---|
| Неопределённость типа B при прямоугольном распределении | $u=\frac{a}{\sqrt3}=\frac{b_+-b_-}{\sqrt{12}},\qquad a=\frac{b_+-b_-}{2}$ | Инженерные измерения | Если о входной величине известны границы и внутри них нет оснований предпочитать одни значения другим, прямоугольная модель даёт стандартную неопределённость a/√3. Здесь a — половина ширины интервала. |
| Неопределённость типа B при треугольном распределении | $u=\frac{a}{\sqrt6},\qquad p(e)=\frac{a-|e|}{a^2},\quad |e|\le a$ | Инженерные измерения | Симметричная треугольная модель подходит, когда границы известны, а значения около середины обоснованно вероятнее краевых. Её стандартная неопределённость равна полуширине a, делённой на √6. |
| Шаг цифрового отсчёта: неопределённость квантования | $u_{res}=\frac{d}{\sqrt{12}},\qquad e\sim U\!\left[-\frac d2,\frac d2\right]$ | Инженерные измерения | Если цифровой отсчёт округлён до ближайшего шага d, равномерная модель ошибки округления на интервале ±d/2 даёт стандартную неопределённость d/√12. Шаг дисплея сам по себе не равен точности прибора. |
| Коррелированные входы: ковариация в неопределённости | $u_c^2(y)=c_1^2u_1^2+c_2^2u_2^2+2c_1c_2r u_1u_2,\qquad c_i=\frac{\partial f}{\partial x_i}$ | Инженерные измерения | Если входы измерительной модели связаны общим источником, к сумме квадратов добавляют ковариационный член. Его знак зависит и от корреляции, и от знаков чувствительностей результата к каждому входу. |
| Эффективные степени свободы Уэлча — Саттертуэйта | $\nu_{eff}=\frac{u_c^4}{\sum_i w_i^4/\nu_i},\qquad u_c^2=\sum_i w_i^2,\quad w_i=c_i u_i$ | Инженерные измерения | Формула Уэлча — Саттертуэйта оценивает эффективные степени свободы объединённой стандартной неопределённости. Их используют при приближённом выборе коэффициента охвата, учитывая надёжность отдельных дисперсионных оценок. |
| Метод Якоби для системы линейных уравнений | $x_i^{(k+1)}=\frac{b_i-\sum_{j\ne i}a_{ij}x_j^{(k)}}{a_{ii}},\quad i=1,\ldots,n$ | Численное решение линейных систем | Метод Якоби строит новое приближение к решению Ax=b, одновременно пересчитывая все неизвестные из значений предыдущего шага. Он удобен для разреженных систем и хорошо показывает, зачем проверять сходимость, а не только выполнять заданное число итераций. |
| Метод Гаусса—Зейделя для системы линейных уравнений | $x_i^{(k+1)}=\frac{b_i-\sum_{j<i}a_{ij}x_j^{(k+1)}-\sum_{j>i}a_{ij}x_j^{(k)}}{a_{ii}}$ | Численное решение линейных систем | Метод Гаусса—Зейделя решает Ax=b последовательными проходами: новая компонента сразу участвует в вычислении следующих. Это обычно ускоряет простую итерацию, но делает результат одного прохода зависимым от порядка переменных. |
| Метод SOR: последовательная сверхрелаксация | $x_i^{(k+1)}=(1-\omega)x_i^{(k)}+\frac{\omega}{a_{ii}}\left(b_i-\sum_{j<i}a_{ij}x_j^{(k+1)}-\sum_{j>i}a_{ij}x_j^{(k)}\right)$ | Численное решение линейных систем | Метод SOR добавляет к проходу Гаусса—Зейделя параметр релаксации ω. При 0<ω<2 он дозирует поправку; ω=1 возвращает обычный метод, а удачный выбор ω>1 способен ускорить сходимость. |
| Метод прогонки для трёхдиагональной системы | $c_i x_{i-1}+a_i x_i+b_i x_{i+1}=d_i;\quad \alpha_i=-\frac{b_i}{a_i+c_i\alpha_{i-1}},\;\beta_i=\frac{d_i-c_i\beta_{i-1}}{a_i+c_i\alpha_{i-1}}$ | Численное решение линейных систем | Метод прогонки решает трёхдиагональную систему за линейное число операций, используя прямой расчёт коэффициентов связи и обратную подстановку. Он сохраняет ленточную структуру вместо работы с полной матрицей. |
| Метод Ричардсона: стационарная итерация для Ax=b | $x^{(k+1)}=x^{(k)}+\tau(b-Ax^{(k)}),\qquad r^{(k)}=b-Ax^{(k)}$ | Численное решение линейных систем | Метод Ричардсона прибавляет к текущему приближению невязку, умноженную на параметр τ. Для симметричной положительно определённой матрицы разумный τ превращает эту простую формулу в сходящуюся стационарную итерацию. |
| Неравенство Маркова для хвостовой вероятности | $P(X\ge a)\le\frac{E[X]}{a},\qquad X\ge0,\ a>0$ | Вероятность и статистика | Неравенство Маркова даёт верхнюю границу вероятности большого значения неотрицательной случайной величины через её среднее. Оно работает без знания точного распределения, поэтому граница может быть грубой, но остаётся гарантированной при выполнении условий. |
| Неравенство Йенсена для ожидания функции | $\varphi(E[X])\le E[\varphi(X)]\quad\text{для выпуклой }\varphi$ | Вероятность и статистика | Неравенство Йенсена сравнивает значение выпуклой функции от среднего со средним её значений: φ(E[X])≤E[φ(X)]. Для вогнутой функции знак меняется. Это формальный способ учесть, что разброс влияет на нелинейное преобразование. |
| Закон полного ожидания и условное среднее | $E[X]=E[E[X\mid Y]],\qquad E[X]=\sum_iE[X\mid H_i]P(H_i)$ | Вероятность и статистика | Закон полного ожидания говорит: сначала можно найти среднее X внутри каждой группы, заданной Y или разбиением Hᵢ, а затем усреднить эти условные средние по вероятностям групп. Результат равен общему математическому ожиданию X. |
| Закон полной дисперсии: внутри и между группами | $\operatorname{Var}(X)=E[\operatorname{Var}(X\mid Y)]+\operatorname{Var}(E[X\mid Y])$ | Вероятность и статистика | Закон полной дисперсии раскладывает общий разброс X на средний разброс внутри групп и разброс условных средних между группами. Группы задаёт Y. Формула помогает понять источник неопределённости, а не только получить одно число. |
| Производящая функция вероятностей дискретной величины | $G_X(z)=E[z^X]=\sum_{k=0}^{\infty}P(X=k)z^k,\qquad X\in\{0,1,2,\ldots\}$ | Вероятность и статистика | Производящая функция вероятностей кодирует распределение неотрицательной целочисленной величины X в степенном ряде. Коэффициент при zᵏ равен P(X=k), а независимая сумма превращает произведение функций. Она удобна для счётчиков событий и дискретных распределений. |
| Метод золотого сечения: сужение интервала минимума | $\tau=\frac{\sqrt5-1}{2},\quad u=a+(1-\tau)(b-a),\quad v=a+\tau(b-a),\quad L_n=\tau^nL_0$ | Численная оптимизация | Золотое сечение находит минимум унимодальной функции без производных. Два внутренних значения позволяют отбросить часть интервала, а удачное отношение длин сохраняет одно вычисление для следующего шага. |
| Тернарный поиск минимума непрерывной унимодальной функции | $u=a+\frac{b-a}{3},\quad v=b-\frac{b-a}{3},\quad [a,b]\leftarrow\begin{cases}\left[u,b\right],&f(u)>f(v),\\\left[a,v\right],&f(u)\le f(v),\end{cases}\quad L_n=(2/3)^nL_0$ | Численная оптимизация | Тернарный поиск сравнивает функцию в двух точках, делящих интервал на трети. При унимодальности одно сравнение позволяет удалить крайнюю треть и сохранить интервал, содержащий минимум. |
| Параболическая интерполяция для поиска минимума функции | $A=\frac{(f_3-f_2)/(x_3-x_2)-(f_2-f_1)/(x_2-x_1)}{x_3-x_1},\quad B=\frac{f_2-f_1}{x_2-x_1}-A(x_1+x_2),\quad x_p=-\frac{B}{2A}$ | Численная оптимизация | Через три значения функции строят квадратичный интерполянт и используют его вершину как новую пробную точку минимума. В отличие от деления интервала схема учитывает высоты всех трёх точек. |
| Градиентный спуск с постоянным шагом: условие убывания | $x_{k+1}=x_k-\alpha\nabla f(x_k),\quad 0<\alpha<2/L,\quad f(x_{k+1})\le f(x_k)-\alpha(1-L\alpha/2)\|\nabla f(x_k)\|^2$ | Численная оптимизация | Постоянный шаг градиентного спуска смещает точку против градиента. При липшицевом градиенте известная граница шага обеспечивает уменьшение функции и объясняет, почему слишком крупный шаг вызывает расходимость. |
| Правило Армихо: обратный поиск длины шага спуска | $f(x+\alpha p)\le f(x)+c\alpha\nabla f(x)^Tp,\quad \nabla f(x)^Tp<0,\quad \alpha\leftarrow\beta\alpha,\quad 0<c<1,\ 0<\beta<1$ | Численная оптимизация | Обратный поиск по правилу Армихо уменьшает пробный шаг, пока функция не снизится на заданную долю линейного прогноза. Он выбирает длину движения вдоль уже найденного направления спуска. |
| Метод начальных скоростей: определение порядков реакции | $v_0=k[A]_0^m[B]_0^n,\qquad m=\frac{\ln(v_{02}/v_{01})}{\ln([A]_{02}/[A]_{01})}\quad([B]_{02}=[B]_{01})$ | Химическая кинетика | Порядок реакции по реагенту находят, сравнивая начальные скорости при изменении только его концентрации. Отношение опытов устраняет константу скорости и вклад остальных неизменных компонентов. |
| Псевдопервый порядок: реакция при большом избытке реагента | $-\frac{d[A]}{dt}=k[A][B]\approx k_{\rm obs}[A],\qquad k_{\rm obs}=k[B]_0,\qquad [A](t)\approx[A]_0e^{-k_{\rm obs}t}$ | Химическая кинетика | При большом избытке B его концентрация меняется мало, и закон второго порядка по A и B приближённо превращается в закон первого порядка по A. Наблюдаемая константа включает концентрацию избытка. |
| Обратимая реакция первого порядка: приближение к равновесию | $A\mathrel{\mathop{\rightleftharpoons}^{k_f}_{k_b}}B,\quad C=[A]_0+[B]_0,\quad[A]_{eq}=\frac{k_bC}{k_f+k_b},\quad[A](t)=[A]_{eq}+([A]_0-[A]_{eq})e^{-(k_f+k_b)t}$ | Химическая кинетика | Для взаимного превращения A и B первого порядка отклонение от равновесия убывает экспоненциально. Скорость релаксации определяется суммой прямой и обратной констант, а равновесный состав — их отношением. |
| Последовательные реакции первого порядка: максимум промежуточного продукта | $A\xrightarrow{k_1}B\xrightarrow{k_2}C,\quad [B](t)=\frac{k_1[A]_0}{k_2-k_1}(e^{-k_1t}-e^{-k_2t}),\quad t_{max}=\frac{\ln(k_2/k_1)}{k_2-k_1}\quad(k_1\ne k_2)$ | Химическая кинетика | В цепочке A → B → C промежуточный компонент B сначала накапливается, затем расходуется. Разность двух экспонент даёт его концентрацию, а равенство скоростей образования и исчезновения определяет время максимума. |
| Параллельные реакции первого порядка: доли продуктов | $A\xrightarrow{k_1}B,\quad A\xrightarrow{k_2}C,\quad[A]=[A]_0e^{-Kt},\quad[B]=\frac{k_1}{K}[A]_0(1-e^{-Kt}),\quad[C]=\frac{k_2}{K}[A]_0(1-e^{-Kt}),\quad K=k_1+k_2$ | Химическая кинетика | Если A одновременно превращается в B и C по двум каналам первого порядка, общий расход задаётся суммой констант. Доля каждого продукта в превращённом веществе равна доле его константы в этой сумме. |
| Составная формула средних прямоугольников | $M_n=h\sum_{i=0}^{n-1}f\!\left(a+\left(i+\tfrac12\right)h\right),\quad h=\frac{b-a}{n}$ | Численное интегрирование | Составная формула средних прямоугольников заменяет интеграл суммой площадей с высотами в серединах равных отрезков. Для гладкой функции погрешность имеет второй порядок по шагу, хотя значения на концах не используются. |
| Квадратура Гаусса—Лежандра с двумя узлами | $G_2=\frac{b-a}{2}\left[f\!\left(m-\frac{b-a}{2\sqrt3}\right)+f\!\left(m+\frac{b-a}{2\sqrt3}\right)\right],\quad m=\frac{a+b}{2}$ | Численное интегрирование | Двухузловая квадратура Гаусса—Лежандра вычисляет функцию в двух специально выбранных внутренних точках. На конечном отрезке с единичным весом она точно интегрирует любой многочлен степени не выше трёх. |
| Метод Ромберга: таблица уточнений интеграла | $R_{k,0}=T_{2^k},\quad R_{k,j}=R_{k,j-1}+\frac{R_{k,j-1}-R_{k-1,j-1}}{4^j-1},\quad 1\le j\le k$ | Численное интегрирование | Метод Ромберга строит таблицу из составных трапеций с последовательным удвоением числа отрезков. Экстраполяция устраняет ведущие чётные степени шага и повышает точность без смены уже вычисленных узлов. |
| Адаптивный Симпсон: локальная оценка ошибки | $S_1=S(a,b),\ S_2=S(a,m)+S(m,b),\quad \varepsilon_{\mathrm{est}}=\frac{|S_2-S_1|}{15},\quad I\approx S_2+\frac{S_2-S_1}{15}$ | Численное интегрирование | Адаптивный метод Симпсона сравнивает одну параболическую оценку с двумя оценками на половинах. Разность даёт локальный индикатор ошибки, по которому алгоритм уточняет только те участки, где не достигнут допуск. |
| Интеграл методом Монте-Карло: среднее и ошибка | $\hat I_N=\frac{b-a}{N}\sum_{i=1}^N f(X_i),\quad X_i\overset{\mathrm{iid}}\sim U(a,b),\quad\widehat{\mathrm{SE}}=(b-a)\frac{s_f}{\sqrt N}$ | Численное интегрирование | Метод Монте-Карло оценивает интеграл как длину отрезка, умноженную на среднее значений функции в случайных равномерных точках. Разброс оценки измеряют стандартной ошибкой, которая при независимой выборке убывает как N⁻¹ᐟ². |
| Алгоритм Прима: минимальное остовное дерево | $e_k\in\operatorname*{arg\,min}_{u\in S_k,\ v\notin S_k}w(u,v),\quad S_{k+1}=S_k\cup\{v\},\quad W(T)=\sum_{e\in T}w(e)$ | Алгоритмы и анализ данных | Алгоритм Прима строит минимальное остовное дерево, каждый раз присоединяя новую вершину самым лёгким ребром через границу уже собранной части. Результат соединяет все вершины с минимальной суммой весов без циклов. |
| Метод Форда—Фалкерсона: увеличивающий путь потока | $\delta=\min_{e\in P}c_f(e),\quad |f_{\mathrm{new}}|=|f|+\delta,\quad c_f(u,v)=c(u,v)-f(u,v)$ | Алгоритмы и анализ данных | Метод Форда—Фалкерсона увеличивает поток по пути в остаточной сети. Прямые остаточные рёбра дают свободную ёмкость, а обратные позволяют отменить часть прежнего решения и перенаправить поток. |
| Алгоритм Эдмондса—Карпа: поток с поиском в ширину | $P=\operatorname{BFS}(G_f,s,t),\quad\delta=\min_{e\in P}c_f(e),\quad T=O(VE^2)$ | Алгоритмы и анализ данных | Алгоритм Эдмондса—Карпа выбирает увеличивающий путь с минимальным числом остаточных дуг при помощи BFS. Эта стратегия превращает общий метод увеличения потока в алгоритм с оценкой времени O(VE²). |
| Максимальный поток и минимальный разрез сети | $\max_f |f|=\min_{s\in S,\ t\notin S}c(S,V\setminus S),\quad c(S,\bar S)=\sum_{u\in S,\ v\notin S}c(u,v)$ | Алгоритмы и анализ данных | Теорема о максимальном потоке и минимальном разрезе даёт сертификат оптимальности: допустимый поток максимален, если его величина совпала с суммой ёмкостей некоторого разделяющего разреза источника и стока. |
| Алгоритм Куна: увеличивающий путь паросочетания | $M_{\mathrm{new}}=M\triangle P,\qquad |M_{\mathrm{new}}|=|M|+1,\qquad T=O(|L|E)$ | Алгоритмы и анализ данных | Алгоритм Куна ищет максимальное по числу пар паросочетание в двудольном графе. Увеличивающий путь чередует свободные и занятые рёбра; смена их принадлежности освобождает место и добавляет одну новую пару. |
| Рычаг наблюдения в простой линейной регрессии | $h_{ii}=\frac1n+\frac{(x_i-\bar x)^2}{S_{xx}},\qquad S_{xx}=\sum_{j=1}^n(x_j-\bar x)^2$ | Вероятность и статистика | Рычаг hᵢᵢ показывает, насколько положение наблюдения по признаку x влияет на его собственное предсказание в линейной регрессии. Он зависит только от набора x и не измеряет величину ошибки по отклику y. |
| Расстояние Кука: влияние наблюдения на регрессию | $D_i=\frac{e_i^2}{p s^2}\frac{h_{ii}}{(1-h_{ii})^2}=\frac{\sum_j(\hat y_j-\hat y_{j(i)})^2}{p s^2}$ | Вероятность и статистика | Расстояние Кука измеряет изменение всех предсказаний регрессии при удалении одной строки данных. Оно сочетает величину остатка с рычагом наблюдения и выражается в безразмерном масштабе относительно остаточной дисперсии. |
| PRESS: ошибка прогноза при поочерёдном удалении | $e_{(i)}=\frac{e_i}{1-h_{ii}},\qquad \mathrm{PRESS}=\sum_{i=1}^n e_{(i)}^2$ | Вероятность и статистика | PRESS суммирует квадраты ошибок прогноза каждой строки моделью, обученной без этой строки. Для обычной линейной регрессии удалённые остатки вычисляют из одной полной подгонки через остатки и рычаги. |
| Доверительный интервал среднего отклика регрессии | $\hat y_0\pm t_{1-\alpha/2,n-2}s\sqrt{\frac1n+\frac{(x_0-\bar x)^2}{S_{xx}}}$ | Вероятность и статистика | Интервал среднего отклика описывает неопределённость положения генеральной прямой при заданном x₀. Он учитывает оценивание коэффициентов, но не добавляет случайный разброс одного нового наблюдения вокруг этой прямой. |
| Интервал прогноза нового наблюдения регрессии | $\hat y_0\pm t_{1-\alpha/2,n-2}s\sqrt{1+\frac1n+\frac{(x_0-\bar x)^2}{S_{xx}}}$ | Вероятность и статистика | Прогнозный интервал простой регрессии задаёт диапазон для одного нового наблюдения при известном x₀. Он шире интервала среднего, поскольку учитывает как оценку прямой, так и индивидуальную случайную ошибку нового отклика. |
| Закон Фарадея: масса металла при электролизе | $m=\eta\frac{MIt}{zF},\qquad Q=It$ | Электрохимия | Масса металла на электроде определяется прошедшим зарядом, молярной массой и числом электронов в полуреакции. Выход по току учитывает долю заряда, которая действительно пошла на образование нужного продукта. |
| Стандартная ЭДС элемента из электродных потенциалов | $E^\circ_{\mathrm{cell}}=E^\circ_{\mathrm{cathode}}-E^\circ_{\mathrm{anode}}$ | Электрохимия | Стандартная ЭДС гальванического элемента равна разности стандартных потенциалов восстановления катода и анода. По её знаку проверяют термодинамическую направленность записанной окислительно-восстановительной реакции. |
| Энергия Гиббса реакции через ЭДС элемента | $\Delta_rG=-nFE,\qquad\Delta_rG^\circ=-nFE^\circ$ | Электрохимия | ЭДС обратимого элемента определяет изменение энергии Гиббса реакции на один моль её протекания. Знак минус связывает положительную ЭДС самопроизвольного элемента с отрицательным изменением энергии Гиббса. |
| Константа равновесия по стандартной ЭДС элемента | $\ln K=\frac{nFE^\circ}{RT},\qquad K=\exp\!\left(\frac{nFE^\circ}{RT}\right)$ | Электрохимия | Стандартная ЭДС позволяет вычислить термодинамическую константу равновесия окислительно-восстановительной реакции. В показателе экспоненты стоят число электронов, постоянная Фарадея и абсолютная температура. |
| Закон Кольрауша: проводимость сильного электролита | $\Lambda_m=\Lambda_m^\infty-B\sqrt{c},\qquad\Lambda_m=\frac{\kappa}{c}$ | Электрохимия | Для разбавленного сильного электролита молярная проводимость приблизительно линейно уменьшается с корнем из концентрации. Экстраполяция к нулевой концентрации даёт предельную молярную проводимость при выбранной температуре. |
| Метод Тейлора второго порядка для задачи Коши | $y_{n+1}=y_n+h f_n+\frac{h^2}{2}\left(f_t+f_y f\right)_n$ | Численные методы ОДУ | Метод Тейлора второго порядка добавляет к шагу Эйлера член с полной производной правой части. Для скалярного уравнения y′=f(t,y) вторая производная решения равна fₜ+fᵧf, вычисленной в начале шага. |
| Неявная средняя точка: шаг и сохранение структуры | $y_{n+1}=y_n+h f\!\left(t_n+\frac h2,\frac{y_n+y_{n+1}}2\right)$ | Численные методы ОДУ | Неявная средняя точка вычисляет производную в среднем старого и нового состояний. Новый уровень входит в правую часть, поэтому шаг находят решением уравнения. Схема второго порядка обратима по времени при согласованном решении. |
| Неявная трапециевидная схема Кранка — Николсон для ОДУ | $y_{n+1}=y_n+\frac h2[f(t_n,y_n)+f(t_{n+1},y_{n+1})]$ | Численные методы ОДУ | Неявная трапециевидная схема усредняет производные на концах шага, включая неизвестный новый уровень. Она имеет второй порядок и A-устойчивость, но при крупном шаге затухание может сопровождаться сменой знака. |
| Метод Адамса — Башфорта второго порядка для ОДУ | $y_{n+1}=y_n+h\left(\frac32 f_n-\frac12 f_{n-1}\right)$ | Численные методы ОДУ | Двухшаговый метод Адамса — Башфорта использует два уже вычисленных наклона и получает явное приближение второго порядка с одним новым вызовом правой части. |
| Метод Стёрмера — Верле для гармонического осциллятора | $q_{n+1}=2q_n-q_{n-1}-h^2\omega^2q_n$ | Механика | Схема Стёрмера — Верле обновляет координату осциллятора по двум соседним моментам и хорошо сохраняет структуру обратимого движения при малом шаге. |
| Дискретное преобразование Фурье и обратная формула | $X_k=\sum_{n=0}^{N-1}x_n e^{-2\pi i kn/N},\qquad x_n=\frac1N\sum_{k=0}^{N-1}X_k e^{2\pi i kn/N}$ | Цифровая обработка сигналов | Дискретное преобразование Фурье переводит конечную последовательность в комплексные частотные коэффициенты. Обратная сумма восстанавливает все отсчёты; знак экспоненты и нормировку нужно выбирать согласованно. |
| Частоты и амплитуды по коэффициентам ДПФ | $\Delta f=\frac{f_s}{N},\quad f_k=\frac{kf_s}{N},\quad A_k=\frac{2|X_k|}{N}\quad(0<k<N/2)$ | Цифровая обработка сигналов | Шаг частот ДПФ равен частоте дискретизации, делённой на длину записи. Для вещественной гармоники точно на внутреннем частотном отсчёте амплитуда равна удвоенному модулю коэффициента, делённому на число отсчётов. |
| Наложение частот: расчёт алиаса при дискретизации | $f_a=\min_{m\in\mathbb Z}|f-mf_s|,\qquad 0\le f_a\le f_s/2$ | Цифровая обработка сигналов | При равномерной дискретизации вещественного гармонического сигнала частоты, отличающиеся на целое число частот дискретизации и знак, могут давать одинаковые отсчёты. Частота алиаса лежит от нуля до половины частоты дискретизации. |
| Линейная свёртка конечных последовательностей | $y_n=\sum_{k=-\infty}^{\infty}x_k h_{n-k},\qquad L_y=L_x+L_h-1$ | Цифровая обработка сигналов | Линейная свёртка складывает сдвинутые копии одной последовательности с весами другой. Для конечных массивов, продолженных нулями, полный результат содержит сумму их длин минус один отсчёт. |
| Окно Ханна: коэффициенты и поправка амплитуды | $w_n=\frac12\left(1-\cos\frac{2\pi n}{N-1}\right),\quad G_c=\frac1N\sum_{n=0}^{N-1}w_n,\quad N>1$ | Цифровая обработка сигналов | Симметричное окно Ханна плавно уменьшает края записи до нуля. Оно снижает дальнюю спектральную утечку ценой расширения главного лепестка и изменения амплитуды, поэтому масштаб спектра требует отдельной поправки. |
| Надёжность последовательной системы: обязательные узлы | $R_s(t)=\prod_{i=1}^{n}R_i(t)$ | Инженерные измерения | Последовательная по надёжности система работает, пока исправны все обязательные узлы. При независимых отказах вероятность её безотказной работы за заданное время равна произведению вероятностей отдельных узлов. |
| Активное резервирование: надёжность параллельных узлов | $R_p(t)=1-\prod_{i=1}^{n}\left(1-R_i(t)\right)$ | Инженерные измерения | При активном параллельном резервировании система сохраняет функцию, пока работает хотя бы один узел. Для независимых отказов удобнее сначала найти вероятность отказа всех узлов, а затем вычесть её из единицы. |
| Надёжность системы «k из n»: порог исправных каналов | $R_{k/n}=\sum_{j=k}^{n}\binom{n}{j}r^j(1-r)^{n-j}$ | Инженерные измерения | Система «k из n» выполняет функцию, если исправны хотя бы k из n каналов. При одинаковой безотказности и независимости суммируют биномиальные вероятности всех допустимых чисел исправных каналов. |
| Распределение Вейбулла: безотказность и изменение риска | $R(t)=e^{-(t/\eta)^\beta},\qquad h(t)=\frac{\beta}{\eta}\left(\frac{t}{\eta}\right)^{\beta-1}$ | Инженерные измерения | Двухпараметрическая модель Вейбулла описывает срок службы с убывающей, постоянной или растущей интенсивностью отказов. Параметр формы задаёт изменение риска с возрастом, а масштаб определяет временную шкалу. |
| Стационарная готовность по времени работы и ремонта | $A_\infty=\frac{U}{U+D}=\frac{\mathrm{MTBF}}{\mathrm{MTBF}+\mathrm{MTTR}}$ | Инженерные измерения | Стационарная готовность оценивает долгосрочную долю времени, когда ремонтируемый объект способен работать. Среднее время работы делят на сумму среднего времени работы и восстановления, чётко задавая состав простоя. |