数据流重尾分布-长相关特性
利用H系数来判断序列是否具有长相关特性，是一种比较有效的方法，但并不是一种完全正确的方法，在不同的条件下，不同的估计算法所估计的结果存在差异，因此最核心的是排队性能的表述，尤其是本文在不同汇聚规模下所呈现出来的排队性能。如图 1 (a) (c)所示随着汇聚规模的增强瀑布模型以及L-System 模型的排队性能变化不明显，但是图 1 (b)中PPBP模型的排队性能随着汇聚规模的增大趋近于短相关过程。
图 1 排队性能对比
综合以上三个模型对H系数估计结果分析表明，虽然自相似框架下的网络
流量模型以及流量的自相似特性已得到了较为充分的研究，这些模型也能够较好地拟合所研究的网络流量在多时间尺度上的长相关特性与突发特性，但是各个模型存在一定的适用范围。PPBP模型适于描述网络流量序列具有一般自相似特性的汇聚网络环境，对于需要进一步充分地刻画网络流量的复杂多重分形特性，需要借助于瀑布模型以及L-System模型小时间尺度下的描述能力。表中对自相似框架下的四类代表性的模型就其提出背景、应用情况以及相关性能进行了总结与比较。
表1网络流量自相似模型比较
统计学中英文对照表
统计学中英文对照表 2008-03-21 11:39 Absolutedeviation,绝对离差 Absolutenumber,绝对数 Absoluteresiduals,绝对残差 Accelerationarray,加速度立体阵Accelerationinanarbitrarydirection,任意方向上的加速度Accelerationnormal,法向加速度Accelerationspacedimension,加速度空间的维数Accelerationtangential,切向加速度Accelerationvector,加速度向量Acceptablehypothesis,可接受假设 Accumulation,累积 Accuracy,准确度 Actualfrequency,实际频数 Adaptiveestimator,自适应估计量 Addition,相加 Additiontheorem,加法定理 Additivity,可加性 Adjustedrate,调整率 Adjustedvalue,校正值 Admissibleerror,容许误差 Aggregation,聚集性 Alternativehypothesis,备择假设 Amonggroups,组间 Amounts,总量 Analysisofcorrelation,相关分析Analysisofcovariance,协方差分析Analysisofregression,回归分析Analysisoftimeseries,时间序列分析Analysisofvariance,方差分析Angulartransformation,角转换 ANOVA（analysisofvariance）,方差分析ANOVAModels,方差分析模型 Arcing,弧/弧旋 Arcsinetransformation,反正弦变换Areaunderthecurve,曲线面积
中国铁路十大枢纽介绍 1.北京铁路枢纽：北京铁路枢纽属环形铁路枢纽，核心区形成内环（北京一北京南一广安门一北京西）和外环（丰台、丰西一东南环一双桥一东北环一西北环一丰沙一丰台、丰西）二重环线。通过环线连接京广、京山、京包、京原、京九、京承、京秦、京通、丰沙等9条铁路干线，并有国际列车通往朝鲜、蒙古和俄罗斯。北京铁路枢纽是以特大型客运站北京站、北京西站和路网性编组站丰台西站为主。北京铁路枢纽范围：京广线至琉璃河南站；京山线、京九线至黄村站；京包线至南口站；京原线至良各庄站；京承线至密云站；京秦线至通县站；京通线至怀柔北站；丰沙线至安家庄站。
2.天津铁路枢纽：承担着出入山海关车流的编组和天津地区客货到发以及港口物资水陆联运的任务。1949年以后，天津处于京哈、京浦两大铁路动脉交汇点，铁路建设发展迅速，先后修建和新建了唐塘复线、京山三线、陈塘支线、南堡支线、津浦复线、北环线、李港线、京九铁路津霸(州)联络线。
3.上海铁路枢纽：是东部沿海地区最大的枢纽站。既是京沪线和沪杭线的终点，又是我国远洋航运和沿海南北航线的中心，客流量和货运量极大。上海铁路枢纽地处东南沿海长江中下游地区，线路主要分布在安徽、江苏、浙江、福建、江西五省和上海市。吸引区内工农业生产发达，内外贸易兴旺。人口稠密，旅游资源丰富，是全国客货运输最繁忙的枢纽之一。
4.哈尔滨铁路枢纽：是连接五个方向的东北北部最大的铁路交通中心。有哈大、滨洲、滨绥、滨吉等干线在此汇合。过境运输量很大。主要是木材、粮食、煤炭和大豆等。哈尔滨铁路枢纽管辖线路覆盖黑龙江省全境，兼跨内蒙古自治区呼伦贝尔市和吉林省北部，有干线、支线和联络线67条，营业里程6734.7公里。滨绥线东端的绥芬河站和滨洲线西端的满洲里站，分别与俄罗斯远东铁路、后贝加尔铁路接轨。管辖线路南端在5条铁路的分界点（长滨线的兰棱站、平齐线的泰来站、通让线的立志站和图佳线的斗沟子站）与沈阳铁路局管辖线路衔接。
重尾论文：重尾分布理论及在保险精算中的应用研究 【中文摘要】由于重尾分布能够刻画一些极端事件的损失特征,将风险模型中的索赔额约束到重尾子族,研究极端事件中保险公司的破产概率,是当前风险论研究的热点。本篇论文将重尾理论应用到风险模型中,研究索赔额随机变量属于亚指数族时,有限时间内常利力更新风险模型的破产概率渐近等价式。本文具体内容如下:第一章介绍选题的背景和本文的研究工作。第二章首先引出重尾的概念,借助一些辅助知识,系统的介绍每一子族定义及性质。重点探讨子族间的包含关系和性质,以便把重尾理论应用到以下的风险模型中。第三章以经典风险理论为起点,采用新角度从模型里的基本构造ct、S (t )推广讨论,给出各类型中具有代表性的风险模型,并根据风险模型的构造原理,介绍风险模型的研究热点。第四章假定索赔额随机变量独立同分布,其分布函数属于亚指数族,利用得到的推论,研究在常利力更新风险模型中的应用。改进以前的论证,重新证明得到有限时间内常利力更新风险模型的破产概率渐近等价式。第五章假定索赔额随机变量同分布负相依,通过推广引理,得到其分布函数属于亚指数族时的一个等价式推论。研究该等价式在改进的常利力更新风险模型中有关破产理论的应用,得到有限时间内常利力更新风险模型的破产概率渐近等价式,此结果和索赔额在独立同分布时的渐近等价式相同。第六章假定索赔额随机变量上层尾部独立。首先通过亚指数族和上层尾部独立理论的性质推广其它子族中存在的结论,然后利用该结论研究
在常利力更新风险模型中,索赔额随机变量上层尾部独立且服从亚指数分布时的破产概率,得到和独立同分布时相同的破产概率渐进等价式。最后,第七章对全文进行总结分析,并在此基础上提出几个可以依据本文内容进一步展开的研究方向。 【英文摘要】Many rare events can be modeled as heavy-tailed random variable. Scholars round home and abroad got some perfect results of the asymptotic estimate for the finite-time ruin probability, for the case that the random variables of the claimsizes are real-valued with common heavy-tailed distribution function, which has been a hot topic of the current risk theory research. In this paper, heavy-tailed theory will be applied to risk model. The precise asymptotic estimate for the finite-time ruin probability is established in the renewal risk model under constant interest force most by the assumption that the random variables of the claimsizes are subexponential distributions. Main contents of this dissertation are as follows:In chapter 1, the background and main research work of this dissertation are introduced.In chapter 2, the clear description of heavy-tailed is given, and then the definitions and propositions of heavy-tailed subclasses will be introduced systematically, supported from a few assistance lemmas. Since the full class of heavy-tailed distribution appears to be too
关于新时期铁路编组站设计 丁亮 （铁道部工程设计鉴定中心 提高工资待遇高级工程师，北京 100038） 摘要：铁路编组站设计是站场设计的重要内容之一，从编组站的站型、驼峰类型，到自动化管理， 正在逐步走向成熟，并形成符合中国国情的自动化编组作业体系。随着路网的建设，有的编组站在路网中的作用逐渐减弱；而有些在路网中起着重要作用的编组站，由于衔接线路的增加，作业量增加幅度较大。随着枢纽客内货外布局的优化，对编组站的站位及规模将会作出新的调整。结合新的发展要求，探讨新时期铁路编组站设计。关键词：铁路编组站；设计；分析文献标识码：A 文章编号：1004-9746（2011）01-0001-05 Abstract :Railway marshalling station design is one of the important parts of station and yard design,which is gradually becoming matured in terms of station type,hump type and automatic management.However,marshalling station devel -opment is far from ending,with the road network expands,some marshalling station is playing a less important role while some station are undertaking more and more operation work because of new connecting lines.With the optimiza -tion of passenger-freight layout in the terminal,marshalling stations'location and scale will be adjusted.The article dis -cusses the modern marshalling station design in line with the new requirement.Key words :railway marshalling station;design;analysis 和谐铁路建设 Harmonious Railway Construction 0引言 铁路编组站设计是铁路车站设计中最复杂、技 术含量最高的工作，是衡量站场设计水平高低的标志。因为，设计编组站要讲究货车的作业流程，从货车到达、编组，到最后出发，所有的作业功能都有，车场规模也大，线路数量又多，在以前往往倍受建设和运营部门的关注。为了提高编组效率，曾经研究了像箭翎线、子场、燕尾式等多种站型，尽管推广的不多，但也是始终保持发展的前沿。近几年来，随着客运专线的大力发展，站场设计的重点转向了客运站及枢纽格局的调整，编组站的设计从点连式半自动化到自动化，平纵断面设计已经走向成熟，再 加之采用计算机辅助设计，设计手段发生了重大变化，设计效率有了明显提高，编组站的设计工作量得到大大简化，甚至有些已成为模式化。编组站的进一步发展主要落在管理系统的整合与优化上，对站场平面站型的发展论述的不多。但实际上引入既有编组站的线路在不断增加，编组站的作业量也在大幅的增加，有些枢纽编组作业分散产生的重复作业量太大，已经不适应低能耗、高效率的铁路发展，其中一些正在有秩序地整合。有些路网上重要节点的编组站如西安、武汉、成都、重庆、兰州等枢纽既有编组站能力已远不适应运输发展的需要，又无法原址扩能。结合路网规划线路的实施和枢纽结构的调整，新建新丰镇、武汉北、成都北、重庆兴隆场、兰
华北水利水电学院 正态分布的性质及实际应用举例 课程名称：概率论与数理统计 专业班级：电气工程及其自动化091班 成员组成：姓名：邓旗学号： 2 姓名：王宇翔学号：1 姓名：陈涵学号：2 联系方式： 2012年5月24日
1 引言：正态分布（normal distribution）又名高斯分布（Gaussian distribution），是一个在数学、物理及工程等领域都非常重要的概率分布，在 统计学的许多方面有着重大的影响力。本文就从正态分布的实际性质应用举例等各个方面进行简单阐述并进行探讨，使同学们能够对所掌握的知识有更清楚地认识。 2 研究问题及成果： 正态分布性质； 3原则及标准正态分布； 实际应用举例说明 摘要：正态分布是最重要的一种概率分布。正态分布概念是由德国数学家与天文学家Moivre于1733年首次提出的，但由于德国数学家Gauss率先将其应用于天文学研究，故此正态分布又称高斯分布。在许多实际问题中遇到的随机变量都服从或近似服从正态分布：在生产中，产品的质量指标，如电子管的使用寿命，电容器的电容量，零件的尺寸。铁水含磷量，纺织品的纤度和强度等一般都服从正态分布。在测量中，如大地测量，天平称量物体，化学分析某物之中某元素的含量等，测量结果一般服从正态分布。在生物学中，同一群体的某种特性指标，如某地同龄儿童的身高，体重，肺活量，在一定条件下生长的农作物的产量等一般服从正态分布。在气象学中，某地每年7月份的平均气温，平均温度以及降水量等一般也服从正态分布。总之。正态分布广泛存在于自然现象，社会现象以及生产，科学技术的各个领域中。本文就从正态分布的实际性质应用举例等各个方面进行简单阐述并进行探讨，使同学们能够对所掌握的知识有更清楚地认识。 关键词：正态分布 The nature of the normal distribution and the example of practical application
中国铁路编组站 中国铁路编组站（部分概况） 路网性编组站（15）：郑州北、哈尔滨南、苏家屯、沈阳西、山海关、丰台西、石家庄、 襄樊北、徐州北、济南西、南京东、南翔、阜阳北、鹰潭、株州北 区域性遍组站（17）：哈尔滨、三间房、四平、南仓、大同、江岸西、武昌南、西安东 宝鸡东、向塘西、江村、衡阳北、柳州南、贵阳南、成都东 重庆西、兰州西 地方性编组站（17）：牡丹江、长春、通辽、梅河口、太原北、包头西、安康东、青岛西 淮南西、良山门、来舟、乔司、怀化南、昆明东、武威南、迎水桥 乌西 1郑州北 2向塘西/徐州北（有介绍都说是），不过徐州北的多一些 3向塘西/徐州北 4丰台西（号称中国最大的编组站之一） 5株洲北（一说是全国五大编组站之一，估计就是第五，一说是全国七大编组站之一，一说全国八大铁路编组站之一，号称江南最大）有"北有郑州北，南有株洲北"之称。 6苏家屯/阜阳北（都说是全国六大编组站之一，估计就是第六） 7苏家屯/阜阳北 8南京东/南翔/(号称华东最大编组应该不小)/哈尔滨南 9怀化南（说是九大之一） 10山海关（一说全国十大编组站之一） 附一说石家庄火车站是北方重要的客货中转站，全国三大编组站之一。 襄樊北－一说13大编组站之一) 南翔－说是13大之一，也号称华东最大编组 鹰潭东编组站是全国铁路15个路网性编组站之一，在全路49个编组站中列第17位。(估计排在鹰潭前面的是怀化南和沈阳西或者是苏家屯（看其中哪个不是路网编组）) 轨道数小统计 阜阳北244根铁轨 郑州北228根铁轨 襄樊北113根铁轨（亚洲最大一级三场） 向塘西
小杨村 苏家屯 南翔 柳州南 聊城 侯马北42股道 华东最大编组：淮南西站，南翔，南京东（都对外宣称） 西北最大编组：兰州西，然后是新丰镇（以后扩建） 西南最大编组：贵阳南 华北最大编组：郑州北 华中最大编组：向塘西？株洲北？ 东北最大编组：苏家屯，然后是哈尔滨南 华南最大编组：广州北，平湖南？ 15路网编组： 郑州北，丰台西，济南西，沈阳西，哈尔滨南，山海关，株洲北，襄樊北，南京东， 向塘西，鹰潭东，南翔，阜阳北，徐州北，广州北 （增加了广州北，鹰潭东，阜阳北）_ 但是不知道苏家屯（沈阳南站）是不是了。 95年的13大编组：（从以下报道推断） 哈尔滨（含哈尔滨南站）、沈阳西、苏家屯、山海关、丰台西、石家庄、徐州北、济南西、郑州北、襄樊北、南京东、南翔、株洲北编组站。 站名所在地性质 郑州北郑州双向纵列式三级八场双推双溜（包括一个交换场和辅调场）到发线有效长1，050米，解编能力24，00 0辆/日,总接发能力766列。该站南北长600O余米、东西宽800余米,全站共有道岔898组，信号机828架，各种线路228条，线路总延长454公里，占地5.3平方公里在京广与陇海两大铁路干线交会处,作为全国最大的货车编组站、全国铁路第一座综合自动化编组站的郑州北站,目前,郑州北站平均每天接发车500列左右,日均办理车数达2.6万辆以上。自2002年10月初起,单日办理车辆突破3万辆大关,为世界第一。 丰台西北京双向三级七场丰台西站是北京枢纽的主要编组站，于1962年初步建成使用。以后扩建、改造成为上行系统三级三场自动化驼峰编组场，包括下行一级一场在内，配线64条，到发线有效长1，050米，解编能力11，66
统计学中英文对照表 2008-03-21 11:39 Absolutedeviation,绝对离差 Absolutenumber,绝对数 Absoluteresiduals,绝对残差 Accelerationarray,加速度立体阵Accelerationinanarbitrarydirection,任意方向上的加速度Accelerationnormal,法向加速度Accelerationspacedimension,加速度空间的维数Accelerationtangential,切向加速度Accelerationvector,加速度向量 Acceptablehypothesis,可接受假设 Accumulation,累积 Accuracy,准确度 Actualfrequency,实际频数 Adaptiveestimator,自适应估计量 Addition,相加 Additiontheorem,加法定理 Additivity,可加性 Adjustedrate,调整率 Adjustedvalue,校正值 Admissibleerror,容许误差 Aggregation,聚集性 Alternativehypothesis,备择假设 Amonggroups,组间 Amounts,总量 Analysisofcorrelation,相关分析 Analysisofcovariance,协方差分析Analysisofregression,回归分析 Analysisoftimeseries,时间序列分析Analysisofvariance,方差分析 Angulartransformation,角转换 ANOVA（analysisofvariance）,方差分析 ANOVAModels,方差分析模型 Arcing,弧/弧旋 Arcsinetransformation,反正弦变换
哈尔滨工业大学理学硕士学位论文 Abstract In light of the increasing number of events which result in catastrophic loss and occur with extremely small probability, we are increasingly concerned about the way to deal with these events. If we are able to accurately predict these extreme events, we can make the appropriate preparations before they happen. This requires accurate estimation of model parameters. At present, the generalized Pareto distribution is commonly used to model the extreme value data. The value of the extreme value index of the distribution can be used to measure the possibility which the extreme events happen. Before the extreme value index is estimated an appropriate threshold has to be selected. By combining the selected threshold with the parameter estimation method, the extreme value index of the generalized Pareto distribution can be estimated. This thesis discusses the method of threshold selection and the method of extreme value index estimation for the generalized Pareto distribution. An unconditional threshold selection method is proposed for the generalized Pareto distribution. This thesis use the mean excess plot as a preliminary analysis for possible candidates of the threshold. Note that the mean excess plot can not choose a unique threshold. Using the distribution function of the GP distribution, the likelihood ratio statistic and score statistic are calculated, and the two statistics are respectively analysed with the mean excess plot to select the appropriate threshold. The mean excess plot can be used to find out a possible range of the threshold candidates. Based on the maximum value of the likelihood ratio statistic and the score statistic in this range, the appropriate threshold value can be selected. The method of selecting the threshold not only overcomes the shortcomings of the mean excess plot, but also increases the accuracy of threshold selection. In parameter estimation, the MLE method is used to estimate the parameters of the generalized Pareto distribution. The maximum likelihood method is based on the principle of maximum likelihood which maximize the log-likelihood function defined by logarithm of the joint probability density function of the generalized Pareto distribution. When the maximum value of the log-likelihood function is reached, the value of the extreme value index is the estimated extreme value index. By maximizing
1. 正态分布的概念 随机变量X 的概率密度2()2(),()x f x x μσ--=-∞<<+∞， 称X 服从正态分布， 记作),(~2σμN X 。 标准正态分布(0,1)N ，其概率密度22 (),()x x x ?- =-∞<<+∞，分布函数 为 2 2 ()t x x e dt φ- -∞ = 。 2. 设 ) ,(~2σμN X ， 则 {}x P X x μφσ-?? ≤= ? ?? ， {}b a P a X b μμφφσσ--???? <≤=- ? ????? ，()x φ的数值有表可查，特别有 (0)0.5,()1,()1()x x φφφφ=+∞=-=-。 3. 设),(~2σμN X ，则2(),()E X D X μσ==。 4. 设),(~2σμN X ，则),(~22σμb b a N bX a Y ++=)0(≠b 。 若),(~211σμN X ，),(~2 22σμN Y ，X 与Y 相互独立，则 ),(~2 22121σσμμ+++N Y X 。 若12,,,n X X X 相互独立，),,2,1)(,(~2n i N X i i i =σμ，则 ∑∑∑===n i n i n i i i i n i i i c c c c c N X c 1 1 21221 )(,(~为常数） ，，， σμ 5. 二维随机变量(,)X Y 服从二维正态分布，记作 ），，，，（），（γσσμμ222121~N Y X ，其中12(),() E X E Y μμ==， 2212(),()D X D Y σσ==，(,)r R X Y =。 设(,)X Y 服从二维正态分布，则X 与Y 相互独立的充分必要条件是0r =。 6. 当n 充分大时，独立同分布的随机变量12,,,n X X X 的和1n i i X =∑近似服从正态 分布2(,)N n n μσ。 特别是当n 充分大时，若相互独立的随机变量12,,,n X X X 都服从“0-1”分
产品零件关重件重要度分级的规定 一、分级原则 重要度分级，以按对产品适用性要求的影响及经济损失程度为依据。重要度等级分为关键零件、重要零件和一般零件。 关键零件特性：如发生故障，会发生人身安全事故，丧失产品主要功能，严重影响产品使用性能和降低产品寿命，对环境产生违反法规的污染，以及必然会引起用户申诉的特性。 重要零件特性：如发生故障，会影响产品使用性能和寿命，用户可能提出申诉的特性。 一般零件特性：如发生故障，仅对产品的外观等发生影响的特性。 二、重要度分级内容 a ）安全、环保要求 b ）性能、结构的使用要求； c ）可靠性、使用寿命及互换性要求； d ）材料性能及处理规定； e ）焊接及铸、锻规定； f ）尺寸、公差与配合、形状和位置公差及表面粗糙度等要求； g ）外形、外观要求； h ）清洁度要求； i ）涂敷、包装、防护及储运等要求； 三、 重要度分级级别符号与标注方法 a)级别符号 重要度分级级别符号见下表一。 表一： b)零件关重尺寸标注方法 标注在特性右侧，示例如下 例1：φ150mm 例 2：屈服强度δ≥200Ｎ/mm ［Z ］ 例3：接触面积不小于80％ ［G ］ 例4：φ100±0.03 ［G ］ c)部件为关重件在总装图上表明分级等级。 单独制订重要度分级文件时的表格形式及内容： （＋0.04）［G ］ （+0.016）［Z ］
关重零件分级表的表格形式及内容见表二： 表二： 分级级别用＂√＂分别标注在相应级别栏目内。
Q 泰州现代锋陵农业装备有限公司内控标准 Q/321202JFL008-2008/006-2008/001-2008/012-2009 稻麦多功能联合收割机 关重件的规定 2008-02-28发布 2008-06-14实施泰州现代锋陵农业装备有限公司研究所发布
第一章 绪 论 第一章主要是通过与所学的参数统计的比较来介绍非参数统计的概念、背景、理论与应用的价值，目的是激发学生学习本课程的兴趣。为更好地掌握本课程的内容，本章将介绍和回忆所需的基本概念、基本公式和方法。 本章主要内容： 1．非参数方法介绍 2．预备知识 第一节 非参数方法介绍 一． 非参数方法的概念和实例 我们从接触数理统计开始，一直学习的都是参数统计，比如参数估计，总体 为正态时的假设检验等等。首先回忆什么是参数方法？ 定义：设总体X 的分布函数的形式是已知的，而未知的仅仅是分布函数具体的参数值，用样本对这些未知参数进行估计或进行某种形式的假设检验，这类推断方法称为参数方法。 先来看两个实例。 例1.1 供应商供应的产品是否合格？ 某工厂产品的零件由某个供应商供应。合格零件标准长度为（8.5±0.1）cm 。这也就是说合格零件长度的中心位置为8.5cm ，允许误差界为0.1cm ，即长度在 8.4－8.6cm 之间的零件是合格的。为评估近年来供应的零件是否合格，随机抽查了n=100个零件，它们的长度数据X 见第一章附表1.1。 解答： 根据我们已学过的参数统计的方法，如何根据数据来判断这批零件合格否？ 用参数数据分析方法，在参数统计中，运用得最多的是正态分布，所以考虑假设供应商供应的零件长度X 服从正态分布，即 X ～),(2σμN 其中两个参数均未知，但可用样本均值估计μ，样本方差估计2σ。 由已知的数据计算可得：零件的平均长度，即样本均值为x =8.4958cm ，样本标准差为s=0.1047cm 。 则零件合格的可能性近似等于 )/)4.8(()/)6.8(()6.84.8(σμσμ-Φ--Φ=≤≤X P )1047.0/)4958.84.8(()1047.0/)9458.86.8((-Φ--Φ≈ %66≈ 这个说明：约有三分之一的零件不合格，该工厂需要换另一个供销商了。 但这个结论与实际数据符不符合呢？这是我们要思考的问题。 我们可以对数据做一个描述性分析，先对这100个样本数据做一个频率分布。 观察到：在这100个零件中有91个零件的长度在8.4cm ～8.6cm 之间，所以零件合格的比例为91%，超过66％很多！
车站的作用与分类 我国的铁路车站数以千计，而且每年都在变化之中。当新线开通时，会增 加若干车站；当旧线改造后，也可能减少若干车站。 车站是办理客货运输的基地，旅客上下车和货物的装卸车以及相关的作业 都是在车站进行的。它是铁路与旅客、货主间的纽带，铁路运输与国民经济的 发展、市场的需求的关系如何，车站是最好的观察窗口。 另外，车站也是铁路运输的基层生产单位。在车站里，除了办理客货运输 各项作业还要办理与列车运行有关的各项作业。例如列车的接发、会让、越 行；车列的解体、编组； 如果按照车站所担负的任务量，以及它在国家政治、 车站可分为特等站、一等站、二等站、三等站、四等 显而易见，像北京站、上海站、郑州站等一定是特等 如果按车站技术作业的不同来划分，可分为编组站、区段站和中间站。编 组站和区段站又统称为技术站。 如果按业务性质来划分，可分为客运站、货运站和客货运站。 中间站 中间站是为沿线城乡人民及工农业生产服务，提高铁路区段通过能力，保 证行车安全而设的车站。一般设在技术站之间区段内（或在支线上），它主要 办理列车的到发、会让和越行，以及客货运业务。有些中间站还进行机车给 水。 中间站设备规模虽然较小，但是数量很多，它遍布全国铁路沿线中、小城 镇和农村，在发展地方工农业生产，沟通城乡物资交流中起着很重要的作用。 中间站的设置位置，既要符合线路通过能力的要求，又要适当满足地方工农业 生产发展的需要，并应考虑地形、地质等自然条件。 区段站 机车的换挂、整备；车辆的检查、修理等。 车站有多种分类法， 经济方面的地位来划分， 站、五等站共六个等级。 站。
区段站多设在中等城市和铁路网上牵引区段（机车交路）的起点或终点， 是指解体与编组区段和沿零摘挂列车的车站，它是根据机车牵引区段的长度和 路网的布局和规划设置的。 区段站的主要任务是改编区段到发的车流，为邻接的铁路区段供应机车， 或更换货运机车及乘务员，为无改编中转列车办理规定的技术作业，办理一定 数量的列车编解作业和客货运业务。 编组站 编组站是铁路网上集中办理大量货物列车到达、解体、编组出发、直通和 其它列车作业，并为此设有比较完善的调车作业的车站。 其主要任务是根据列车编组计划的要求，大量办理货物列车的解体和编组 作业。对货物列车中的车辆进行技术检修和货运检查整理工作，并且按照运行 图规定的时刻，正点接发列车。所以，人们往往称编组站为编组列车的工厂。 编组站的主要任务和作用可以归纳为： 解编各种类型的货物列车； 组织和取送本地区的车流，即小运转列车； 设在编组站的机务段还需供应列车动力，以及整备、检修机车； ——设在编组站的车辆段及其下属单位（站修所、列检所）还要对车辆进 行日常维修和定期检修等。编组站一般设有 专用的到达、发车和调车场，以及 驼峰调车设备、机车整备和车辆检修设备。 点，或有大量车流集散的工矿企业、港 口， 口附近并专为工业区或港口服务的 编组站， 国现有编组站 49 处，分为： 路网性编组站 ——设置在有 3条及以上主要铁路干线的交汇点，编组 2 个 及以上远程技术直达列车（通过 1 个以上编组站的列车），每昼夜编解 6000辆 及以上车辆。 区域性编组站 ——设置在有 3 条及以上铁路干线的交汇点，主要编组相邻 通常设在有 3 条及以上的铁路交汇 大城市所在地区。位于工业区或港 又称工业编组站或港湾编组站。中
箱图的简介 箱线图百科名片箱线图（Boxplot）也称箱须图（Box-whiskerPlot），是利用数据中的五个统计量：最小值、第一四分位数、中位数、第三四分位数与最大值来描述数据的一种方法，它也可以粗略地看出数据是否具有有对称性，分布的分散程度等信息，特别可以用于对几个样本的比较。 目录简介绘制步骤功能应用举例简介箱线图Boxplot（又称盒形图、箱图、盒子图) 简单箱线图图形简单箱线图由五部分组成，分别是最小值、中位数、最大值和两个四分位数。 目录1箱线图概述2箱线图的绘制步骤3箱线图的功能4箱线图应用举例绘制步骤1、画数轴，度量单位大小和数据批的单位一致，起点比最小值稍小，长度比该数据批的全距稍长。 2、画一个矩形盒，两端边的位置分别对应数据批的上下四分位数（Q1和Q3）。在矩形盒内部中位数（Xm）位置画一条线段为中位线。 3、在Q3＋1.5IQR（四分位距）和Q1－1.5IQR处画两条与中位线一样的线段，这两条线段为异常值截断点，称其为内限；在F＋3IQR和F－3IQR处画两条线段，称其为外限。处于内限以外位置的点表示的数据都是异常值，其中在内限与外限之间的异常值为温和的异常值（mildoutliers），在外限以外的为极端的异常值extremeoutliers。 4、从矩形盒两端边向外各画一条线段直到不是异常值的最远点，表示该批数据正常值的分布区间。 5、用“〇”标出温和的异常值，用“＊”标出极端的异常值。相同值的数据点并列标出在同一数据线位置上，不同值的数据点标在不同数据线位置上。至此一批数据的箱线图便绘出了。统计软件绘制的箱线图一般没有标出内限和外限。功能箱线图作为描述统计的工具之一，其功能有独特之处，主要有以下几点： 1.直观明了地识别数据批中的异常值一批数据中的异常值值得关注，忽视异常值的存在是十分危险的，不加剔除地把异常值包括进数据的计算分析过程中，对结果会带来不良影响；重视异常值的出现，分析其产生的原因，常常成为发现问题进而改进决策的契机。箱线图为我们提供了识别异常值的一个标准：异常值被定义为小于Q1－1.5IQR或大于Q3＋1.5IQR的值。虽然这种标准有点任意性，但它来源于经验判断，经验表明它在处理需要特别注意的数据方面表现不错。这与识别异常值的经典方法有些不同。众所周知，基于正态分布的3σ法则或z分数方法是以假定数据服从正态分布为前提的，但实际数据往往并不严格服从正态分布。它们判断异常值的标准是以计算数据批的均值和标准差为基础的，而均值和标准差的耐抗性极小，异常值本身会对它们产生较大影响，这样产生的异常值个数不会多于总数0.7。显然，应用这种方法于非正态分布数据中判断异常值，其有效性是有限的。箱线图的绘制依靠实际数据，不需要事先假定数据服从特定的分布形式，没有对数据作任何限制性要求，它只是真实直观地表现数据形状的本来面貌；另一方面，箱线图判断异常值的标准以四分位数和四分位距为基础，四分位数具有一定的耐抗性，多达25的数据可以变得任意远而不会很大地扰动四分位数，所以异常值不能对这个标准施加影响，箱线图识别异常值的结果比较客观。由此可见，箱线图在识别异常值方面有一定的优越性。 2.利用箱线图判断数据批的偏态和尾重比较标准正态分布、不同自由度的t 分布和非对称分布数据的箱线图的特征，可以发现：对于标准正态分布的大样本，
浅谈正态分布的重要性质 摘 要：正态分布是概率论中最常见、最重要的一个分布，原因有三：一、许多实际问题中的变量都服从或者近似服从正态分布；二、正态分布的密度函数和分布函数具有各种优良性质；三、一些重要分布的极限分布为正态分布。四、一般正态变量都可以变换为标准正态变量，而人们制定了标准正态变量的分布函数值以供查询，这给有关正态分布的计算问题带来了极大的方便。本文就正态分布的这些特点做简要归纳。 关键词：正态分布；正态变量；性质 以下首先介绍正态分布的定义，接着介绍正态变量的数字特征、曲线性质、 取值范围，然后说明一般正态变量与标准正态变量的关系以及多个正态变量的和分布。最后介绍正态分布与其他分布的关系。 1正态分布的定义 如果一个连续型随机变量ξ的密度函数为 2 22)(21)(σμσ π--= x e x f ， 其中,(0)μσσ>为常数，那么就称ξ服从正态分布，记作),(~2σμξN .正态分布也叫高斯（Gauss ）分布。 2实际问题中的正态变量 在实际问题中，气象学中的温度、湿度、降雨量，有机体的长度、重量，实验中的测量误差、热力学中理想气体分子的速度、经济学中的众多度量等都服从或者近似服从正态分布. 3 正态变量的重要性质 3.1数学期望和方差 若正态变量),(~2σμξN ，则2,σξμξ==D E .即正态变量的两个参数正是它的期望和方差。 证明 有
dx e x E x ?∞ +∞ --- ? =2 22)(21σμσ πξ 令 σμ -= x z ，则 dz e z E z 2 2)(21 - ∞ +∞ -?+= μσπ ξ = dz e dz ze z z ? ? ∞ +∞ --∞ +∞ --+ 2 2 2222π μπ σ =μ ξD =2)(ξξE E -= dx e x x 2 22)(2 21)(σμσ πμ-- ∞ +∞ -? - 令 σ μ -=x y ，则有 ξD = ?∞ +∞ -- dy e y y 2 22 2 2π σ ?∞ +∞ -- -= )(22 2 2 y e yd π σ = ??? ?????+∞-∞+-?∞+∞---dy e ye y y 222 222π σ = ?∞+∞ -- dy e y 2 2 2 2π σ =2σ 3.2图形性质 正态分布的密度曲线图形呈钟形，关于μ=x 对称，在μ=x 时取最大值 σ π21.当μ不变时，σ越大，图形越平、越宽，在μ点附近取值的概率越小；σ 越小，图形越尖、越窄，在μ点附近取值的概率越大。当σ不变时，μ变大，图形往右移，μ变小，图形往左移.直观地说，正态变量在μ点附近取值概率最大，在远离μ点处取值概率很小。 3.3 ”“σ3法则 若),(~2σμξN ，则有
全国各大铁路局简介及分布图 [align=center]中国铁路局[/align] 1、哈尔滨铁路局 位于全国路网东北端。管辖范围地理坐标北纬43°53′（斗沟子站外）至北纬52°58′（漠河县站，全路最北端车站），东经117°40′（满洲里站外国境线）至东经133°6′（前进镇站，全路最东端车站）。本年管内最高气温36.5℃（黑河），最低气温-43.5℃（漠河），年均气温2.97℃，年均降水量498.8毫米。 管辖线路覆盖黑龙江省全境，兼跨内蒙古自治区呼伦贝尔市和吉林省北部，有干线、支线和联络线67条，营业里程6734.7公里。滨绥线东端的绥芬河站和滨洲线西端的满洲里站，分别与俄罗斯远东铁路、后贝加尔铁路接轨。管辖线路南端在5条铁路的分界点（长滨线的陶赖昭站、平齐线的泰来站、通让线的立志站和图佳线的斗沟子站）与沈阳铁路局管辖线路衔接。 2、上海铁路局 上海铁路局地处中国东部经济发达地区，主要经营安徽、江苏、浙江和上海三省一市境内的铁路运输及相关产业，运输业务辐射全国各地，是中国特大型运输企业。路局下设蚌埠、南京、上海和杭州4个分局，并与有关地方政府合资组建了合九、新长、宁启、萧甬、金温、芜湖长江大桥等合资铁路公司。全局以津浦、沪宁、沪杭、浙赣、京九等大干线和青阜、淮南、皖赣、宣杭等主要线路为框架，构成了纵横交错的华东铁路网，营业里程(含合资铁路)达4768公里，全局员工14.6万人。 上海铁路局依托得天独厚的区域优势，近年来认真贯彻“以人为本，改革创新、用心经营、精细管理”思路，坚持面向市场，不断加快企业发展步伐，运输经营实现持续高位增长，并在改革、科技和管理等方面保持全国铁路领先地位，连续5年在铁道部资产经营责任制考核中被评为优秀，多次获得“上海市优秀企业”称号，并先后获得全国质量管理先进企业、全国质量效益型先进企业称号和全国“五一”劳动奖状，2003年在中国企业500强中名列第42位。 3、沈阳铁路局 沈阳铁路局地处关东腹地，有着一百多年的历史。新中国成立后，作为国有企业在我国的社会主义建设中发挥了重要作用，焕发出勃勃生机。特别是改革开放，又为其插上腾飞的翅膀，现已发展成为一个有32.75万全民职工的国有特大型铁路运输企业。沈阳铁路局是目前国内最大的铁路局之一，下设沈阳、长春、大连、锦州、通辽、吉林、通化七个分局（公司），管辖33条铁路干线、23条铁路支线，线路总延长18008.28公里，营业里程9299.1公里。纵贯辽宁、吉林两省全境及黑龙江、内蒙古、河北省（区）的部分地区：东至边境城市丹东、集安、图们，与朝鲜接壤；西跨山海关，达隆化，入河北省境内；南抵海滨城市大连，越海路与世界各国相通；北于黑龙江蔡家沟、泰来、鹿道与哈尔滨铁路局接壤。吸引区内共有212个市（盟）县（旗），总面积达60多万平方公里。全局共有营业站731个，年均旅客发送量、货物发送量和运输收入分别约占全国铁路总量的16%、11%和8%。全局每日开行快速、特快、旅游、直快和普通旅客列车182.5对，其中，沈阳北—北京的K54/53次、T12/11次，大连—北京的T82/81次、长春—北京的