4.6.3. Вторичная обработка 4.6.3.1. Общее представление о вторичной обработке

4.6.3. Вторичная обработка 4.6.3.1. Общее представление о вторичной

4.6.3. Вторичная обработка 4.6.3.1. Общее представление о вторичной обработке
Вторичная обработка завершает анализ данных и подготавливает их к синтезированию знаний на стадиях объяснения и выводов. Даже если эти последние этапы по каким-либо причинам не могут быть выполнены, исследование может считаться состоявшимся, поскольку завершилось получением результатов.

В основном вторичная обработка заключается в статистическом анализе итогов первичной обработки.

Как специфический вид вторичной обработки, по нашему мнению, выступает шкалирование, совмещающее математический, логический и эмпирический анализы данных, но в этом параграфе остановимся лишь на статистической обработке данных.

Уже табулирование и построение графиков, строго говоря, тоже есть статистическая обработка, которая в совокупности с вычислением мер центральной тенденции и разброса включается в один из разделов статистики, а именно в описательную статистику. Другой раздел статистики – индуктивная статистика – осуществляет проверку соответствия данных выборки всей популяции, т. е.

решает проблему репрезентативности результатов и возможности перехода от частного знания к общему [44, 158, 179, 187]. Третий большой раздел – корреляционная статистика – выявляет связи между явлениями.

Статистика имеет мощный и подчас труднодоступный для неподготовленного исследователя аппарат. Поэтому надо сделать два замечания. Первое – статистическая обработка является неотъемлемой частью современного психологического исследования. Избежать ее практически невозможно (особенно в эмпирических исследованиях).

Отсюда вытекает необходимость специалисту-психологу хорошо знать основы математики и статистики и важнейшие методы математико-статистического анализа психологической информации. Неизбежность статистики в психологии обусловлена массовостью психологического материала, поскольку все время приходится один и тот же эффект регистрировать по многу раз.

Причина же необходимости многократных замеров кроется в самой природе психических явлений, устойчивость которых относительна, а изменчивость абсолютна. Классическим примером тому может служить непрерывная флуктуация сенсорных порогов, породившая знаменитую «пороговую проблему». Поэтому вероятностный подход – неизбежный путь к познанию психического.

А статистические методы – способ реализации этого подхода.

Кстати, надо заметить, что формирующаяся с начала XX столетия новая картина мира, постепенно вытесняющая ньютонов-ско-картезианскую модель мироздания, одним из своих важнейших компонентов имеет как раз представление о преобладании статистико-вероятностных закономерностей над причинно-следственными.

По крайней мере, это достаточно убедительно продемонстрировано для микроскопического (субатомного) и мегаскопического (космического) уровней организации мира [43,101, 233,260,302,409].

Логично предположить, что это в какой-то степени справедливо и для среднего (макроскопического) уровня, в границах которого и возможно, по-видимому, говорить о психике, личности и тому подобных категориях. Надо полагать, что именно в этом ключе следует понимать замечание Б. Г.

Ананьева о вероятностном характере психической деятельности и о необходимости единства детерминистического и вероятностного подходов к исследованию психических явлений [10, с. 283].

В связи с этим вызывает, по меньшей мере, недоумение бытующее в психологических кругах мнение, что соединение психологической проблематики с ее математическим анализом – это «брак по принуждению или недоразумению», где психология – «невеста без приданого».

Вынуждена же психология вступить в этот «брак» якобы потому, что «не смогла пока еще доказать, что строится на принципиально иных основах», нежели точные науки [344, с. 5–6]. Эти же «принципиально иные основы» вроде бы обусловлены тем, что предмет исследования психологии несопоставим по своей сложности с предметами других наук.

Нам кажется, что подобный снобизм не только не уместен с точки зрения научной этики, но и не имеет оснований. Мир – един в своем бесконечном многообразии. А наука лишь попытка человечества репрезентировать этот мир в моделях (в том числе в образах), доступных пониманию человека. Причем эти модели отражают лишь отдельные фрагменты мира.

Но любой из этих фрагментов так же сложен, как и мир в целом. Так что математические формулы, статистические выкладки, описания натуралиста или психологические представления – все суть более или менее адекватные формы отражения одной и той же реальности.

И математика в психологии – это не инородное вкрапление, которое психологи вынуждены терпеть за отсутствием собственных точных формальных (а по возможности и «объективных») способов описания и репрезентации психологической реальности. Это – естественный код организации мира и, соответственно, естественный язык описания этой организации.

Надежды некоторых психологов на временный характер зависимости психологии от математики – утопия. Психология использует математику не потому, что «за неимением гербовой пишет на простой», т. е.

«пока» не имеет своих точных и объективных приемов анализа и объяснения психических феноменов, а потому, что математический язык – это общенаучный язык отражения реальности. И в этом смысле математику действительно можно признать «царицей наук».

Психологии этот язык присущ так же, как любой другой отрасли научного знания. Вопрос лишь в том, насколько психология этот язык освоила.

Таким образом, психологии вовсе не требуется доказывать, что она «может существовать независимо от математики» и эмансипироваться вплоть до «развода» с нею. Симптоматично в этом отношении формирование в последние годы новой психологической дисциплины – математической психологии [363].

Итак, утверждения о временном мезальянсе психологии с математикой, на наш взгляд, не состоятельны, сколь бы образны и метафоричны они ни были. Это – естественное единство.

Второе замечание касательно применения статистики в психологии заключается в предостережении: нельзя позволить втянуть себя в так называемую «статистическую мясорубку», когда полагают, что, пропустив через математическую обработку любой материал, можно получить какие-то зависимости, выявить какие-нибудь закономерности и факты. Без гипотезы и без продуманного подбора исходных данных научного результата ожидать только за счет применения статистики нельзя. Необходимо знать, что мы хотим получить от применения статистики и какие методы обработки подходят к условиям и задачам исследования.

К тому же надо заметить, что психологу не всегда по силам понять, что происходит с исходным психологическим материалом в процессе его статистического «прокручивания».

Для уяснения некоторых операций внутри того или иного статистического метода (например, «варимакс-вращений» в факторном анализе) требуется специальная углубленная подготовка. Некоторые из этих операций базируются на тех или иных постулатах, не всегда подходящих к рабочей гипотезе пользователя.

Поэтому для оценки адекватности, валидности намеченного метода иногда требуются весьма специфические знания. Апелляция к частоте и привычности использования в психологической практике таких матметодов не всегда спасает дело.

И тогда эти приемы обработки данных становятся действительно «черным ящиком» и «статистической мясорубкой». Поэтому не следует стремиться к излишне сложным методам в погоне за модой или с сомнительной целью повысить уровень «научности» своей работы.

Непродуманная стрельба «из пушки по воробьям» только ведет к неоправданным затратам и запутыванию психологической идеи исследования. Следует согласиться с выводом Е. В. Сидоренко, что «чем проще методы математической обработки, чем ближе они к реально полученным эмпирическим данным, тем более надежными и осмысленными получаются результаты» [344, с. 7].

Кроме того, нельзя забывать, что статистические методы – это вспомогательное оружие психолога, призванное лишь усилить исследовательскую мысль. Это лишь «деревья», за которыми должен быть виден «лес» – основная психологическая идея.

Тем более что, как только что было сказано, всеобщность детерминации (по крайней мере, причинной) вызывает большие сомнения. Следовательно, поиск с помощью лишь математической обработки психологических зависимостей, тем более зависимостей функциональных, дело не очевидное и чреватое заблуждениями.

Психологам хорошо известно, что в реальности невозможно найти ни «чистых», ни «среднестатистических» психологических типов.

Это заставляет даже некоторых исследователей отказаться от рассмотрения каждого отдельного психического явления как эманации какой-то общей закономерности и тем паче «отказаться от того, чтобы считать отдельную личность случайной величиной, случайным проявлением более закономерного среднегруп-пового индивида» [345, с. 40].

После этих замечаний с удовольствием повторим вслед за Мак-Коннелом: «Статистика – это не математика, а прежде всего способ мышления, и для ее применения нужно лишь иметь немного здравого смысла и знать основы математики» [89, т. 2, с. 277].

В дальнейшем изложении ограничимся освещением необходимого Minimum minimori в этой области, а именно важнейших элементов описательной и корреляционной статистики. Более подробные сведения по этим разделам статистической науки и о приемах индуктивной статистики применительно к психологической специфике можно почерпнуть из работ [87,127, 344, 364].

Всю совокупность полученных данных можно охарактеризовать в сжатом виде, если удается ответить на три главных вопроса: 1) какое значение наиболее характерно для выборки?; 2) велик ли разброс данных относительно этого характерного значения, т. е.

какова «размытость» данных?; 3) существует ли взаимосвязь между отдельными данными в имеющейся совокупности и каковы характер и сила этих связей? Ответами на эти вопросы служат некоторые статистические показатели исследуемой выборки.

Для решения первого вопроса вычисляются меры центральной тенденции (или локализации), второго – меры изменчивости (или рассеивания), третьего – меры связи (или корреляции). Эти статистические показатели приложимы к количественным данным (порядковым, интервальным, пропорциональным).

Данные качественные (номинативные) поддаются математическому анализу с помощью дополнительных ухищрений, которые позволяют использовать элементы корреляционной статистики.

4.6.3.2. Меры центральной тенденции

Меры центральной тенденции (м. ц. т.) – это величины, вокруг которых группируются остальные данные.

Эти величины являются как бы обобщающими всю выборку показателями, что, во-первых, позволяет по ним судить о всей выборке, а во-вторых, дает возможность сравнивать разные выборки, разные серии между собой.

К мерам центральной тенденции относятся: среднее арифметическое, медиана, мода, среднее геометрическое, среднее гармоническое. В психологии обычно используются первые три.

Среднее арифметическое (М) – это частное от деления всех значений (X) на их количество (N): М = SX / N.

Медиана (Me) – это значение, выше и ниже которого количество отличающихся значений одинаково, т. е. это центральное значение в последовательном ряду данных.

Примеры: 3, 5, 7, 9, 11, 13, 15 Me = 9.

3,5,7,9,11,13,15,17 Me =10.

Из примеров ясно, что медиана не обязательно должна совпадать с имеющимся замером, это точка на шкале. Совпадение происходит в случае нечетного числа значений (ответов) на шкале, несовпадение – при четном их числе.

Мода (Мо) – это значение, наиболее часто встречающееся в выборке, т. е. значение с наибольшей частотой.

Пример: 2, 6, 6, 8, 9, 9, 9, 10 Мо = 9.

Если все значения в группе встречаются одинаково часто, то считается, что моды нет (например: 1, 1, 5, 5, 8, 8).

Если два соседних значения имеют одинаковую частоту и они больше частоты любого другого значения, мода есть среднее этих двух значений (например: 1,2,2,2,4,4,4, 5,5,7 Мо = 3).

Если то же самое относится к двум несмежным значениям, то существует две моды, а группа оценок является бимодальной (например: 0,1,1,1,2,3,4, 4, 4, 7 Мо = 1 и 4).

При выборе м. ц. т. следует учесть, что:

1) в малых группах мода может быть нестабильна.

Пример: 1,1,1,3,5,7,7,8 Мо = 1.

Но стоит одной единице превратиться в нуль, а другой – в двойку, и Мо = 7; 2)

на медиану не влияют величины «больших» и «малых» значений; 3)

на среднее влияет каждое значение.

Обычно среднее применяется при стремлении к наибольшей точности и когда впоследствии нужно будет вычислять стандартное отклонение. Медиана – когда в серии есть «нетипичные» данные, резко влияющие на среднее (например: 1, 3, 5, 7, 9, 26, 13). Мода – когда не нужна высокая точность, но важна быстрота определения м. ц. т.

Источник: https://bookucheba.com/eksperimentalnaya-psihologiya-knigi/463-vtorichnaya-obrabotka-4631-obschee-16028.html

Гост р 54098-2010 ресурсосбережение. вторичные материальные ресурсы. термины и определения, гост р от 30 ноября 2010 года №54098-2010

4.6.3. Вторичная обработка 4.6.3.1. Общее представление о вторичной обработке

ГОСТ Р 54098-2010

ОКС 01.040.13

ОКСТУ 0090

Дата введения 2012-01-01

Предисловие

1 РАЗРАБОТАН Всероссийским научно-исследовательским центром стандартизации, информации и сертификации сырья, материалов и веществ (ФГУП «ВНИЦСМВ») и Федеральным государственным учреждением «Научно-исследовательский центр по проблемам управления ресурсосбережением и отходами» (ФГУ «НИЦПУРО»)

2 ВНЕСЕН Техническим комитетом 349 «Обращение с отходами»

3 УТВЕРЖДЕН И ВВЕДЕН В ДЕЙСТВИЕ Приказом Федерального агентства по техническому регулированию и метрологии от 30 ноября 2010 г. N 761-ст

4 ВВЕДЕН ВПЕРВЫЕ

5 ПЕРЕИЗДАНИЕ. Декабрь 2018 г.

Правила применения настоящего стандарта установлены в статье 26 Федерального закона от 29 июня 2015 г. N 162-ФЗ «О стандартизации в Российской Федерации».

Информация об изменениях к настоящему стандарту публикуется в ежегодном (по состоянию на 1 января текущего года) информационном указателе «Национальные стандарты», а официальный текст изменений и поправок — в ежемесячном информационном указателе «Национальные стандарты».

В случае пересмотра (замены) или отмены настоящего стандарта соответствующее уведомление будет опубликовано в ближайшем выпуске ежемесячного информационного указателя «Национальные стандарты».

Соответствующая информация, уведомление и тексты размещаются также в информационной системе общего пользования — на официальном сайте Федерального агентства по техническому регулированию и метрологии в сети Интернет (www.gost.ru)

Введение

Определения основных понятий, используемых в сфере обращения с отходами, вторичными материальными ресурсами и сырьем на их основе, регламентируются следующими нормативно-правовыми и нормативными документами:

Федеральным законом «Об отходах производства и потребления» [1];

Федеральным законом «О техническом регулировании» [2];

Модельным законом «Об отходах производства и потребления» [3];

Гражданским кодексом Российской Федерации [4];

Формой государственного статистического наблюдения 14-МЕТ (лом) «Сведения об образовании и использовании лома черных и цветных металлов» [5];

ГОСТ 33573 «Ресурсосбережение. Упаковка. Критерии выбора методов и процессов переработки использованной упаковки в качестве вторичных материальных ресурсов с учетом материальных потоков»;

ГОСТ 30772 «Ресурсосбережение. Обращение с отходами. Термины и определения»;

ГОСТ 30775 «Ресурсосбережение. Обращение с отходами. Классификация, идентификация и кодирование отходов. Основные положения».

При разработке настоящего стандарта были использованы справочники по вторичным материальным ресурсам [6-14].

Номенклатуру приведенных в этих базовых документах терминов и определений в области вторичных материальных ресурсов (BMP) следует признать ограниченной, при этом ряд определений требуют уточнения с учетом накопленных в последние годы знаний в этой области. В большой мере это относится к сфере обращения с отходами как с BMP. Достаточно сказать, что ГОСТ 25916-83 [15] разрабатывался Госкомитетом СССР по материально-техническому снабжению и содержал всего 12 терминов и 11 определений к ним, что явно недостаточно для современных рыночных условий хозяйствования.

Кроме указанных документов при разработке настоящего стандарта были также использованы следующие источники информации:

проект концепции Национальной программы ресурсосбережения на 1998-2003 годы, подготовленный ФГУ «НИЦПУРО» по заказу Минпромнауки России [16];

отчеты ФГУ «НИЦПУРО», подготовленные в 1980-1990 годах по заказам Госснаба СССР и других министерств и ведомств [17];

проект федерального закона «О вторичных материальных ресурсах» [18];

рабочие материалы ТК 349 «Обращение с отходами».

Кроме того, были использованы три научных издания [19-21], Общероссийский классификатор продукции (ОКП) [22] и Федеральный классификационный каталог отходов (ФККС) [23].

___________________

Текст документа соответствует оригиналу. — Примечание изготовителя базы данных.

Для целей гармонизации настоящего стандарта с европейскими, а также с межгосударственными терминами и определениями были использованы модифицированные национальные стандарты ГОСТ Р 53719 (ЕН 14182:2002), ГОСТ Р 53742 (ЕН 13430:2004), ГОСТ 33573, Директива Европейского парламента и Совета Европейского союза* [24], а также Модельный закон «Об отходах производства и потребления» [3]. ________________

* Доступ к международным и зарубежным документам, упомянутым в тексте, можно получить, обратившись в Службу поддержки пользователей. — Примечание изготовителя базы данных.

Краткие формы, представленные аббревиатурой или словосочетанием на базе аббревиатуры, приведены после стандартизованного термина и отделены от него точкой с запятой.

Наличие квадратных скобок в терминологической статье означает, что в нее включены два термина, имеющие общие терминоэлементы. В алфавитном указателе данные термины приведены отдельно с указанием номера статьи.

Стандартизованные термины набраны полужирным шрифтом, их краткие формы — светлым.

1 Область применения

Настоящий стандарт устанавливает основные термины и их определения в области обращения с отходами как с постоянно пополняемыми (условно возобновляемыми) вторичными материальными ресурсами, при использовании которых в виде сырья хозяйствующий субъект (юридическое лицо или индивидуальный предприниматель) добивается ресурсо- и энергосбережения в процессах хозяйственной деятельности с одновременным снижением техногенной нагрузки на окружающую среду.

Настоящий стандарт распространяется на вторичные материальные ресурсы, образующиеся из отходов производства и потребления в процессах хозяйственной деятельности.

Настоящий стандарт не распространяется на отходы от оборонной продукции, на медицинские, биологические и ядерные отходы.

Термины и определения, установленные в настоящем стандарте, предназначены для применения в нормативно-правовой, нормативной, технической и проектно-конструкторской документации, а также в научно-технической, учебной и справочной литературе применительно к процессам вовлечения отходов производства и потребления в качестве вторичных материально-сырьевых и топливно-энергетических ресурсов с обеспечением защиты окружающей среды в процессах хозяйственной деятельности.

2 Нормативные ссылки

В настоящем стандарте использованы нормативные ссылки на следующие стандарты:

ГОСТ 16482 Металлы черные вторичные. Термины и определения

ГОСТ 30772-2001 Ресурсосбережение. Обращение с отходами. Термины и определения

ГОСТ 30775 Ресурсосбережение. Обращение с отходами. Классификация, идентификация и кодирование отходов.

Основные положения

ГОСТ 33573 Ресурсосбережение. Упаковка. Критерии выбора методов и процессов переработки использованной упаковки в качестве вторичных материальных ресурсов с учетом материальных потоков

ГОСТ Р 52104-2003 Ресурсосбережение. Термины и определения

ГОСТ Р 53719-2009 (ЕН 14182:2002) Ресурсосбережение. Упаковка.

Термины и определения

ГОСТ Р 53742 (ЕН 13430:2004) Ресурсосбережение. Упаковка. Требования к отработавшей упаковке для ее переработки в качестве вторичных материальных ресурсов

ГОСТ Р 54098 Ресурсосбережение. Вторичные материальные ресурсы.

Термины и определения

Примечание — При пользовании настоящим стандартом целесообразно проверить действие ссылочных стандартов в информационной системе общего пользования — на официальном сайте Федерального агентства по техническому регулированию и метрологии в сети Интернет или по ежегодному информационному указателю «Национальные стандарты», который опубликован по состоянию на 1 января текущего года, и по выпускам ежемесячного информационного указателя «Национальные стандарты» за текущий год. Если заменен ссылочный стандарт, на который дана недатированная ссылка, то рекомендуется использовать действующую версию этого стандарта с учетом всех внесенных в данную версию изменений. Если заменен ссылочный стандарт, на который дана датированная ссылка, то рекомендуется использовать версию этого стандарта с указанным выше годом утверждения (принятия). Если после утверждения настоящего стандарта в ссылочный стандарт, на который дана датированная ссылка, внесено изменение, затрагивающее положение, на которое дана ссылка, то это положение рекомендуется применять без учета данного изменения. Если ссылочный стандарт отменен без замены, то положение, в котором дана ссылка на него, рекомендуется применять в части, не затрагивающей эту ссылку.

3.1 Основополагающие термины и определения в ресурсно-сырьевой сфере хозяйственной деятельности

3.1.

1

Примечания

1 Совокупность веществ и материалов, являющихся сырьевой базой хозяйственной деятельности.

2 Понятие «ресурсы» является первичным (родовым) по отношению ко вторичному (видовому) понятию «сырье».

3 Различают первичные ресурсы, образуемые и накапливаемые в биоестественных (природных) условиях, и вторичные ресурсы, образуемые в техногенных (антропогенных) условиях хозяйственной деятельности.

4 Ресурсами вторичного сырья являются ежегодно образующиеся и накопленные вторичные материальные ресурсы.

3.1.

2 материально-сырьевые ресурсы: Совокупность первичных (добываемых в природе) видов материалов, веществ и вторичных материальных ресурсов (из отходов производства и потребления), из которых получают сырье для хозяйственной деятельности.

Примечание — Допускается использование термина «ресурсно-сырьевая база».

3.1.

3 топливно-энергетические ресурсы: Совокупность традиционных и альтернативных видов топлива, возобновляемых и невозобновляемых источников энергии, других запасов энергетических ресурсов, используемых в хозяйственных целях.

Примечание — К альтернативным видам топлива относятся вторичные энергетические ресурсы.

3.1.4

сырье: Природные или вторичные ресурсы, которые могут быть использованы или уже используются в каком-либо производственном процессе.[ГОСТ Р 52104-2003, статья 4.8]

Примечания

1 Материалы, вещества, получаемые из запасов ресурсов в соответствии с потребностями хозяйствующих субъектов.

2 Различают первичное сырье, получаемое из биоестественных природных ресурсов, и вторичное сырье, получаемое из вторичных техногенных ресурсов.

3 Первичным сырьем является материал, который прежде не перерабатывался ни в какую форму конечного полезного продукта (см. ГОСТ Р 53719).

3.1.5

Примечания

1 Результат деятельности, представленный в материально-вещественной форме и предназначенный для дальнейшего использования в хозяйственных и иных целях [2].

2 Различают первичную продукцию, получаемую из первичного сырья, и вторичную продукцию, получаемую из вторичного сырья.

3.1.

6 отходы (производства и потребления): Остатки сырья, материалов, полуфабрикатов, иных изделий или продуктов, которые образовались в процессе производства или потребления, а также товары (продукция), утратившие свои потребительские свойства [1].

Примечания

1 Отходами в целом являются материалы или предметы, от которых их владелец избавляется, хочет избавиться или должен избавиться [24].

2 Отходами производства и потребления являются остатки сырья, материалов, полуфабрикатов, иных изделий или продуктов, образовавшиеся в процессе производства или потребления, а также утратившие свои потребительские свойства товары (продукция), которые не могут в дальнейшем быть использованы в месте их образования или обнаружения и от которых их собственник избавляется, имеет намерение или должен избавиться путем утилизации или удаления [3].

3 Отходами производства являются остатки сырья, материалов, веществ, полуфабрикатов, изделий и иных продуктов, образовавшиеся в процессе производства продукции и/или выработки энергии или выполнения работ (услуг) и утратившие полностью или частично исходные потребительские свойства; образующиеся попутные вещества, не являющиеся целью производства и не находящие по своим характеристикам применения в технологическом процессе, в том числе бракованная продукция; вмещающие и вскрышные породы, образующиеся при добыче полезных ископаемых; побочные и попутные продукты; улавливаемые при очистке отходящих технологических газов и сточных вод твердые вещества; сельскохозяйственные отходы [3].

4 Отходами потребления являются все образующиеся в результате потребления и/или эксплуатации готовой продукции виды отходов, включая твердые бытовые отходы, медицинские и биологические отходы, упаковочные отходы, а также отходы, образующиеся при функционировании культурно-бытовых, учебных учреждений, организаций и предприятий торговли и общественного питания и других предприятий и организаций общественного назначения; остатки веществ, материалов, предметов, изделий, частично или полностью утратившие свои первоначальные потребительские свойства в результате физического или морального износа в процессах потребления и/или эксплуатации, а также получившие несовместимые с их дальнейшим использованием повреждения в результате нештатных ситуаций [3].

3.1.

7 водопроводные осадки: Отходы, образующиеся в процессе очистки воды из поверхностных и подземных источников в целях питьевого водоснабжения, обезвоженные или обработанные иными методами и предназначенные для использования в качестве вторичных материалов для технической рекультивации нарушенных земель, а также в качестве вторичного сырья в строительной промышленности для получения цемента, керамзита и др.

3.1.

8 осадки сточных вод: Отходы, образующиеся на очистных сооружениях канализации населенных пунктов при механической и биологической очистке хозяйственно-бытовых и производственных сточных вод, обработанные различными методами в целях получения биогаза, обезвоживания, стабилизации, обеззараживания и предназначенные для использования в качестве местных органических удобрений, почвогрунтов, материала для рекультивации нарушенных земель, а также для формирования компостов и т.д.

3.2 Термины и определения, относящиеся к вторичным материально-сырьевым и топливно-энергетическим ресурсам

3.2.1

вторичные материальные ресурсы; BMP: Отходы производства и потребления, образующиеся в народном хозяйстве, для которых существует возможность повторного использования непосредственно или после дополнительной обработки.[ГОСТ 30772-2001, статья 3.3]

Примечания

1 Пригодные для утилизации отходы производства и потребления, образующиеся в материальном производстве, сфере услуг и в процессах конечного потребления продукции.

2 К BMP относят:

— отходы производства и потребления, которые в перспективе (потенциально) или сразу (актуально) пригодны для использования в промышленном производстве для получения сырья, изделий и/или энергии [3];

— отходы производства и потребления, специально собранные и подготовленные к использованию в хозяйственных целях или к переработке во вторичное сырье;

— продукцию первичной (предварительной) переработки отходов, соответствующую требованиям определенных нормативных (ГОСТ, ГОСТ Р, СТО) и/или технических (ТУ, ТО) документов;

— отходы, специально складированные в техногенных ресурсных накоплениях для использования их в определенном или неопределенном (отдаленном) будущем в качестве вторичного сырья.

3 Вторичные материальные ресурсы — это отходы производства и потребления, в отношении которых существует реальная возможность и целесообразность повторного использования непосредственно или после дополнительной обработки для получения товарной продукции [3].

3.2.2 вторичные металлы: Продукция переработки лома и отходов металлов.

3.2.2.

1 лом: Отходы производства и потребления в виде потерявшей потребительские свойства продукции (автомобильный лом, радиоэлектронный лом, лом железобетонных конструкций и т.д.) или ее отдельных фрагментов и частей из однородных твердых материалов (лом черных или цветных металлов, полимеров, строительных материалов и т.д.).

3.2.2.

2 отходы металлов: Металлические отходы производства и потребления.

3.2.2.

3 лом черных и цветных металлов: Пришедшие в негодность или утратившие свои потребительские свойства изделия из черных и цветных металлов и их сплавов, отходы, образовавшиеся в процессе производства изделий из черных и цветных металлов и их сплавов, а также не подлежащий исправлению брак, возникший в процессе производства указанных изделий [5],

3.2.2.

4 рециркулируемые материалы: Материалы, обладающие свойствами многократного использования в технологических циклах вида «материал — производство продукции — потребление продукции — отходы — вторичное сырье (материал)».

Примечание — К наиболее широко используемым рециркулируемым материалам относятся черные и цветные металлы, полимерные и текстильные материалы, волокнистая масса картонно-бумажной продукции.

3.2.3

вторичные энергетические ресурсы; ВЭР: Отходы производства и потребления, используемые повторно, с выделением тепловой и/или электрической энергии.[ГОСТ 30772-2001, статья 3.4]

Примечания

1 Допускается использование термина «вторичные горючие, тепловые и биоэнергетические ресурсы».

2 Вторичными энергетическими ресурсами являются используемые для получения энергии отходы производства и потребления, в отношении которых существует реальная возможность и целесообразность повторного использования непосредственно или после дополнительной обработки с выделением тепловой и/или электрической энергии [3].

3.2.3.1 вторичные горючие энергетические ресурсы: Горючие отходы производства и потребления как источник постоянно пополняемых топливно-энергетических ресурсов, образующихся в материальном производстве, сфере услуг и в процессе конечного потребления.

3.2.3.2 вторичные тепловые ресурсы: Отходы тепловой энергии как источник постоянно пополняемых энергетических ресурсов, образующихся в термических процессах производства, а также в процессах производства, передачи и потребления тепловой и/или электрической энергии.

3.2.3.3 вторичные биоэнергетические ресурсы: Любые органические отходы производства и потребления как источник постоянно пополняемых топливно-энергетических ресурсов, образующихся в материальном производстве, сфере услуг и в процессе конечного потребления.

3.2.4 вторичные материально-сырьевые и топливно-энергетические ресурсы: Совокупность вторичных материальных (в том числе энергетических) ресурсов и вторичных тепловых энергетических ресурсов.

3.2.5

Примечания

1 Любые отходы, пригодные для использования в хозяйственных целях в качестве готовых видов сырья, материалов и топлива (без какой-либо существенной подготовки).

2 Наибольшее распространение в качестве деловых отходов получили обрезки листовой и погонажной продукции из металлов, остатки дерева, тканей (мерный лоскут), полимеров, композиционных материалов.

3.2.6 техногенные месторождения вторичных ресурсов: Накопленные в результате хозяйственной деятельности залежи вторичных ресурсов, паспортизованные, зарегистрированные и содержащиеся в установленном порядке в качестве разведанных и утвержденных запасов вторичного сырья.

3.2.7 техногенные накопления вторичных ресурсов: Специально обустроенные или необустроенные, в том числе на открытом рельефе местности, накопления отходов, предусматривающие их хозяйственное использование в ближайшем или отдаленном будущем в качестве вторичных материальных ресурсов.

3.2.8 неиспользуемые отходы: Вторичные материальные ресурсы, для которых в настоящее время отсутствуют условия для их утилизации.

Примечание — К этому виду отходов недопустимо при идентификации применять термины «отбросы», «неутилизируемые отходы».

3.2.9 отработавшие масла: Все минеральные или синтетические смазочные или промышленные масла, которые стали непригодными для первоначально предназначенных целей, например отработавшие моторные, машинные, трансмиссионные и смазочные масла, масла для турбин и гидравлических систем [24].

3.2.10 отходы органические [органического происхождения]: Биологически разлагаемые садовые и парковые отходы, пищевые и кулинарные отходы, образующиеся в домовладениях, на предприятиях общественного питания и на предприятиях розничной торговли, а также сходные с ними по составу отходы, образующиеся на предприятиях по переработке пищевых продуктов [24].

Источник: http://docs.cntd.ru/document/1200086000

Неэмпирические методы психологии

4.6.3. Вторичная обработка 4.6.3.1. Общее представление о вторичной обработке

2.1.2. Методы вторичной обработки

2.1.2.1. Общее представление о вторичной обработке

Вторичная обработка заключается главным образом в статис­тическом анализе итогов первичной обработки.

Уже табулирование и построение графиков, строго говоря, тоже есть статистическая обра­ботка, которая в совокупности с вычислением мер центральной тен­денции и разброса включается в один из разделов статистики, а именно в описательную статистику.

Другой раздел статистики — индуктив-[19]ная статистика — осуществляет проверку соответствия данных вы­борки всей популяции, т. е. решает проблему репрезентативности ре­зультатов и возможности перехода от частного знания к общему [10, 34, 41, 42].

Третий большой раздел — корреляционная статистика — выявляет связи между явлениями. В целом же надо понимать, что «ста­тистика — это не математика, а, прежде всего, способ мышления, и для ее применения нужно лишь иметь немного здравого смысла и знать основы математики» [19, т. 2, с. 277].

Статистический анализ всей совокупности полученных в исследо­вании данных дает возможность охарактеризовать ее в предельно сжа­том виде, поскольку позволяет ответить на три главных вопроса: 1) ка­кое значение наиболее характерно для выборки?; 2) велик ли разброс данных относительно этого харакгерного значения, т. е. какова «размы­тость» данных?; 3) существует ли взаимосвязь между отдельными дан­ными в имеющейся совокупности и каковы характер и сила этих связей? Ответами на эти вопросы служат некоторые статистические показатели исследуемой выборки. Для решения первого вопроса вычисляются меры центральной тенденции (или локализации), второго — меры изменчиво­сти (или рассеивания, разброса), третьего — меры связи (или корреля­ции). Эти статистические показатели приложимы к количественным дан­ным (порядковым, интервальным, пропорциональным).

Меры центральной тенденции (м. ц. т.) — это величины, вокруг которых группируются остальные данные.

Эти величины являются как бы обобщающими всю выборку показателями, что, во-первых, позво­ляет по ним судить обо всей выборке, а во-вторых, дает возможность сравнивать разные выборки, разные серии между собой.

К мерам цент­ральной тенденции относятся: среднее арифметическое, медиана, мода, среднее геометрическое, среднее гармоническое. В психологии обычно используются первые три.

Среднее арифметическое (М) —это результат деления суммы всех значений (X) на их количество (N): М = ЕХ / N.

Медиана (Me) — это значение, выше и ниже которого количество отличающихся значений одинаково, т. е. это центральное значение в последовательном ряду данных.

Примеры: 3,5,7,9,11,13,15; Me = 9.

3,5,7,9, 11, 13, 15, 17; Me = 10. [20]

Из примеров ясно, что медиана не обязательно должна совпадать с имеющимся замером, это точка на шкале. Совпадение происходит в случае нечетного числа значений (ответов) на шкале, несовпадение — при четном их числе.

Мода (Мо) — это значение, наиболее часто встречающееся в вы­борке, т. е. значение с наибольшей частотой.

Пример: 2, 6, 6, 8, 9, 9, 9, 10; Мо = 9.

Если всё значения в группе встречаются одинаково часто, то счи­тается, что моды нет (например: 1, 1, 5, 5, 8, 8).

Если два соседних значения имеют одинаковую частоту и они больше частоты любого дру­гого значения, мода есть среднее этих двух значений (например: 1, 2, 2, 2, 4, 4, 4, 5, 5, 7; Мо = 3).

Если то же самое относится к двум несмеж­ным значениям, то существует две моды, а группа оценок является би­модальной (например: 0, 1, 1, 1, 2, 3, 4, 4, 4, 7; Мо = 1 и 4).

Обычно среднее арифметическое применяется при стремлении к наибольшей точности и когда впоследствии нужно будет вычислять стандартное отклонение. Медиана — когда в серии есть «нетипичные» данные, резко влияющие на среднее (например: 1, 3, 5, 7, 9, 26, 13). Мода — когда не нужна высокая точность, но важна быстрота опреде­ления м. ц. т.

Меры изменчивости (рассеивания, разброса) — это статисти­ческие показатели, характеризующие различия между отдельными зна­чениями выборки.

Они позволяют судить о степени однородности по­лученного множества, о его компактности, а косвенно и о надежности полученных данных и вытекающих из них результатов.

Наиболее ис­пользуемые в психологических исследованиях показатели: размах, сред­нее отклонение, дисперсия, стандартное отклонение, полуквартилъ-ное отклонение.

Размах (Р) —это интервал между максимальным и минимальным значениями признака. Определяется легко и быстро, но чувствителен к случайностям, особенно при малом числе данных.

Примеры: (0, 2, 3, 5, 8; Р = 8); (-0.2, 1.0, 1.4, 2.0; Р — 2,2).

Среднее отклонение (МД) — это среднеарифметическое разницы (по абсолютной величине) между каждым значением в выборке и ее средним: МД = Id / N, где: d = |Х-М|; М — среднее выборки; X — конкретное значение; N — число значений. [21]

Множество всех конкретных отклонений от среднего характери­зует изменчивость данных, но, если их не взять по абсолютной величи­не, то их сумма будет равна нулю, и мы не получим информации об их изменчивости. МД показывает степень скученности данных вокруг сред­него. Кстати, иногда при определении этой характеристики выборки вместо среднего (М) берут иные меры центральной тенденции — моду или медиану.

Дисперсия (Д) (от лат. dispersus — рассыпанный). Другой путь из­мерения степени скученности данных предполагает избегание нулевой суммы конкретных разниц (d = Х-М) не через их абсолютные величи­ны, а через их возведение в квадрат. При этом получают так называе­мую дисперсию:

Д = Σd2 / N — для больших выборок (N > 30);

Д = Σd2 / (N-1) — для малых выборок (N < 30).

Стандартное отклонение (δ). Из-за возведения в квадрат отдель­ных отклонений d при вычислении дисперсии полученная величина оказывается далекой от первоначальных отклонений и потому не дает о них наглядного представления.

Чтобы этого избежать и получить ха­рактеристику, сопоставимую со средним отклонением, проделывают обратную математическую операцию — из дисперсии извлекают квад­ратный корень.

Его положительное значение и принимается за меру изменчивости, именуемую среднеквадратическим или стандартным отклонением:

МД, Д и d применимы для интервальных и пропорционных дан­ных. Для порядковых данных обычно в качестве меры изменчивости берут полуквартильное отклонение (Q), именуемое еще полуквартильным коэффициентом или полумеждуквартильным размахом. Вычис­ляется этот показатель следующим образом.

Вся область распределе­ния данных делится на четыре равные части.

Если отсчитывать на­блюдения, начиная от минимальной величины на измерительной шкале (на графиках, полигонах, гистограммах отсчет обычно ведется слева направо), то первая четверть шкалы называется первым квартилем, а точка, отделяющая его от остальной части шкалы, обозначается сим­волом Q,.

Вторые 25% распределения — второй квартиль, а соответ­ствующая точка на шкале — Q2. Между третьей и четвертой четвертя-[22]ми распределения расположена точка Q,. Полу квартальный коэффи­циент определяется как половина интервала между первым и третьим квартилями: Q = (Q.-Q,) / 2.

Понятно, что при симметричном распределении точка Q0 совпа­дет с медианой (а следовательно, и со средним), и тогда можно вычис­лить коэффициент Q для характеристики разброса данных относитель­но середины распределения. При несимметричном распределении это­го недостаточно. И тогда дополнительно вычисляют коэффициенты для левого и правого участков: Qлев=(Q2-Q,) / 2; Qправ= (Q, — Q2) / 2.

Меры связи

Предыдущие показатели, именуемые статистиками, характери­зуют совокупность данных по одному какому-либо признаку. Этот из­меняющийся признак называют переменной величиной или просто «пе­ременной». Меры связи же выявляют соотношения между двумя пере­менными или между двумя выборками.

Эти связи, или корреляции (от лат. correlatio — 'соотношение, взаимосвязь') определяют через вы­числение коэффициентов корреляции (R), если переменные находятся в линейной зависимости между собой.

Считается, что большинство пси­хических явлений подчинено именно линейным зависимостям, что и предопределило широкое использование методов корреляционного ана­лиза. Но наличие корреляции не означает, что между переменными су­ществует причинная (или функциональная) связь.

Функциональная за­висимость— это частный случай корреляции. Даже если связь при­чинна, корреляционные показатели не могут указать, какая из двух переменных причина, а какая — следствие.

Кроме того, любая обнару­женная в психологии связь, как правило, существует благодаря и дру­гим переменным, а не только двум рассматриваемым. К тому же взаи­мосвязи психологических признаков столь сложны, что их обусловлен­ность одной причиной вряд ли состоятельна, они детерминированы множеством причин.

Виды корреляции:

I. По тесноте связи:

1) Полная (совершенная): R = 1. Констатируется обязательная вза­имозависимость между переменными. Здесь уже можно говорить о функциональной зависимости.

2) связь не выявлена: R = 0. [23]

3) Частичная: 0

Источник: https://refdb.ru/look/2405664-p2.html

4.6.3. Вторичная обработка

4.6.3. Вторичная обработка 4.6.3.1. Общее представление о вторичной обработке

Вторичная обработка завершает анализ данных и подготавливает их к синтезированию знаний на стадиях объяснения и выводов. Даже если эти последние этапы по каким-либо причинам не могут быть выполнены, исследование может считаться состоявшимся, поскольку

завершилось получением результатов.

В основном вторичная обработка заключается в статистическом анализе итогов первичной обработки.

Как специфический вид вторичной обработки, по нашему мнению, выступает шкалирование, совмещающее математический, логический и эмпирический анализы данных, но в этом параграфе остановимся лишь на статистической обработке данных.

Уже табулирование и построение графиков, строго говоря, тоже есть статистическая обработка, которая в совокупности с вычислением мер центральной тенденции и разброса включается в один из разделов статистики, а именно в описательную статистику.

Другой раздел статистики – индуктивная статистика – осуществляет проверку соответствия данных выборки всей популяции, т. е. решает проблему репрезентативности результатов и возможности перехода от частного знания к общему [44, 158, 179, 187]. Третий большой раздел – корреляционная статистика – выявляет связи между явлениями.

Статистика имеет мощный и подчас труднодоступный для неподготовленного исследователя аппарат. Поэтому надо сделать два замечания. Первое – статистическая обработка является неотъемлемой частью современного психологического исследования. Избежать ее практически невозможно (особенно в эмпирических исследованиях).

Отсюда вытекает необходимость специалисту-психологу хорошо знать основы математики и статистики и важнейшие методы математико-статистического анализа психологической информации. Неизбежность статистики в психологии обусловлена массовостью психологического материала, поскольку все время приходится один и тот же эффект регистрировать по многу раз.

Причина же необходимости многократных замеров кроется в самой природе психических явлений, устойчивость которых относительна, а изменчивость абсолютна. Классическим примером тому может служить непрерывная флуктуация сенсорных порогов, породившая знаменитую «пороговую проблему». Поэтому вероятностный подход – неизбежный путь к познанию психического.

А статистические методы – способ реализации этого подхода.

Кстати, надо заметить, что формирующаяся с начала XX столетия новая картина мира, постепенно вытесняющая ньютонов-ско-картезианскую модель мироздания, одним из своих важнейших компонентов имеет как раз представление о преобладании статистико-вероятностных закономерностей над причинно-следственными.

По крайней мере, это достаточно убедительно продемонстрировано для микроскопического (субатомного) и мегаскопического (космического) уровней организации мира [43,101, 233,260,302,409].

Логично предположить, что это в какой-то степени справедливо и для среднего (макроскопического) уровня, в границах которого и возможно, по-видимому, говорить о психике, личности и тому подобных категориях. Надо полагать, что именно в этом ключе следует понимать замечание Б. Г.

Ананьева о вероятностном характере психической деятельности и о необходимости единства детерминистического и вероятностного подходов к исследованию психических явлений [10, с. 283].

В связи с этим вызывает, по меньшей мере, недоумение бытующее в психологических кругах мнение, что соединение психологической проблематики с ее математическим анализом – это «брак по принуждению или недоразумению», где психология – «невеста без приданого».

Вынуждена же психология вступить в этот «брак» якобы потому, что «не смогла пока еще доказать, что строится на принципиально иных основах», нежели точные науки [344, с. 5–6]. Эти же «принципиально иные основы» вроде бы обусловлены тем, что предмет исследования психологии несопоставим по своей сложности с предметами других наук.

Нам кажется, что подобный снобизм не только не уместен с точки зрения научной этики, но и не имеет оснований. Мир – един в своем бесконечном многообразии. А наука лишь попытка человечества репрезентировать этот мир в моделях (в том числе в образах), доступных пониманию человека. Причем эти модели отражают лишь отдельные фрагменты мира.

Но любой из этих фрагментов так же сложен, как и мир в целом. Так что математические формулы, статистические выкладки, описания натуралиста или психологические представления – все суть более или менее адекватные формы отражения одной и той же реальности.

И математика в психологии – это не инородное вкрапление, которое психологи вынуждены терпеть за отсутствием собственных точных формальных (а по возможности и «объективных») способов описания и репрезентации психологической реальности. Это – естественный код организации мира и, соответственно, естественный язык описания этой организации.

Надежды некоторых психологов на временный характер зависимости психологии от математики – утопия. Психология использует математику не потому, что «за неимением гербовой пишет на простой», т. е.

«пока» не имеет своих точных и объективных приемов анализа и объяснения психических феноменов, а потому, что математический язык – это общенаучный язык отражения реальности. И в этом смысле математику действительно можно признать «царицей наук».

Психологии этот язык присущ так же, как любой другой отрасли научного знания. Вопрос лишь в том, насколько психология этот язык освоила.

Таким образом, психологии вовсе не требуется доказывать, что она «может существовать независимо от математики» и эмансипироваться вплоть до «развода» с нею. Симптоматично в этом отношении формирование в последние годы новой психологической дисциплины – математической психологии [363].

Итак, утверждения о временном мезальянсе психологии с математикой, на наш взгляд, не состоятельны, сколь бы образны и метафоричны они ни были. Это – естественное единство.

Второе замечание касательно применения статистики в психологии заключается в предостережении: нельзя позволить втянуть себя в так называемую «статистическую мясорубку», когда полагают, что, пропустив через математическую обработку любой материал, можно получить какие-то зависимости, выявить какие-нибудь закономерности и факты. Без гипотезы и без продуманного подбора исходных данных научного результата ожидать только за счет применения статистики нельзя. Необходимо знать, что мы хотим получить от применения статистики и какие методы обработки подходят к условиям и задачам исследования.

К тому же надо заметить, что психологу не всегда по силам понять, что происходит с исходным психологическим материалом в процессе его статистического «прокручивания».

Для уяснения некоторых операций внутри того или иного статистического метода (например, «варимакс-вращений» в факторном анализе) требуется специальная углубленная подготовка. Некоторые из этих операций базируются на тех или иных постулатах, не всегда подходящих к рабочей гипотезе пользователя.

Поэтому для оценки адекватности, валидности намеченного метода иногда требуются весьма специфические знания. Апелляция к частоте и привычности использования в психологической практике таких матметодов не всегда спасает дело.

И тогда эти приемы обработки данных становятся действительно «черным ящиком» и «статистической мясорубкой». Поэтому не следует стремиться к излишне сложным методам в погоне за модой или с сомнительной целью повысить уровень «научности» своей работы.

Непродуманная стрельба «из пушки по воробьям» только ведет к неоправданным затратам и запутыванию психологической идеи исследования. Следует согласиться с выводом Е. В. Сидоренко, что «чем проще методы математической обработки, чем ближе они к реально полученным эмпирическим данным, тем более надежными и осмысленными получаются результаты» [344, с. 7].

Кроме того, нельзя забывать, что статистические методы – это вспомогательное оружие психолога, призванное лишь усилить исследовательскую мысль. Это лишь «деревья», за которыми должен быть виден «лес» – основная психологическая идея.

Тем более что, как только что было сказано, всеобщность детерминации (по крайней мере, причинной) вызывает большие сомнения. Следовательно, поиск с помощью лишь математической обработки психологических зависимостей, тем более зависимостей функциональных, дело не очевидное и чреватое заблуждениями.

Психологам хорошо известно, что в реальности невозможно найти ни «чистых», ни «среднестатистических» психологических типов.

Это заставляет даже некоторых исследователей отказаться от рассмотрения каждого отдельного психического явления как эманации какой-то общей закономерности и тем паче «отказаться от того, чтобы считать отдельную личность случайной величиной, случайным проявлением более закономерного среднегруп-пового индивида» [345, с. 40].

После этих замечаний с удовольствием повторим вслед за Мак-Коннелом: «Статистика – это не математика, а прежде всего способ мышления, и для ее применения нужно лишь иметь немного здравого смысла и знать основы математики» [89, т. 2, с. 277].

В дальнейшем изложении ограничимся освещением необходимого Minimum minimori в этой области, а именно важнейших элементов описательной и корреляционной статистики. Более подробные сведения по этим разделам статистической науки и о приемах индуктивной статистики применительно к психологической специфике можно почерпнуть из работ [87,127, 344, 364].

Всю совокупность полученных данных можно охарактеризовать в сжатом виде, если удается ответить на три главных вопроса: 1) какое значение наиболее характерно для выборки?; 2) велик ли разброс данных относительно этого характерного значения, т. е.

какова «размытость» данных?; 3) существует ли взаимосвязь между отдельными данными в имеющейся совокупности и каковы характер и сила этих связей? Ответами на эти вопросы служат некоторые статистические показатели исследуемой выборки.

Для решения первого вопроса вычисляются

меры центральной тенденции (или локализации), второго – меры изменчивости (или

рассеивания), третьего – меры связи (или корреляции). Эти статистические показатели приложимы к количественным данным (порядковым, интервальным, пропорциональным). Данные качественные (номинативные) поддаются математическому анализу с помощью дополнительных ухищрений, которые позволяют использовать элементы корреляционной статистики.

4.6.3.2. Меры центральной тенденции

Меры центральной тенденции (м. ц. т.) – это величины, вокруг которых группируются остальные данные.

Эти величины являются как бы обобщающими всю выборку показателями, что, во-первых, позволяет по ним судить о всей выборке, а во-вторых, дает возможность сравнивать разные выборки, разные серии между собой.

К мерам центральной тенденции относятся: среднее арифметическое, медиана, мода, среднее геометрическое, среднее гармоническое. В психологии обычно используются первые три.

Среднее арифметическое (М) – это частное от деления всех значений (X) на их количество

(N): М = SX / N.

Медиана (Me) – это значение, выше и ниже которого количество отличающихся значений одинаково, т. е. это центральное значение в последовательном ряду данных.

Примеры: 3, 5, 7, 9, 11, 13, 15 Me = 9. 3,5,7,9,11,13,15,17 Me =10.

Из примеров ясно, что медиана не обязательно должна совпадать с имеющимся замером, это точка на шкале. Совпадение происходит в случае нечетного числа значений (ответов) на шкале, несовпадение – при четном их числе.

Мода (Мо) – это значение, наиболее часто встречающееся в выборке, т. е. значение с наибольшей частотой.

Пример: 2, 6, 6, 8, 9, 9, 9, 10 Мо = 9.

Если все значения в группе встречаются одинаково часто, то считается, что моды нет (например: 1, 1, 5, 5, 8, 8).

Если два соседних значения имеют одинаковую частоту и они больше частоты любого другого значения, мода есть среднее этих двух значений (например: 1,2,2,2,4,4,4, 5,5,7 Мо = 3).

Если то же самое относится к двум несмежным значениям, то существует две моды, а группа оценок является бимодальной (например: 0,1,1,1,2,3,4, 4, 4, 7 Мо = 1 и 4).

При выборе м. ц. т. следует учесть, что:

1) в малых группах мода может быть нестабильна. Пример: 1,1,1,3,5,7,7,8 Мо = 1.

Но стоит одной единице превратиться в нуль, а другой – в двойку, и Мо = 7; 2)на медиану не влияют величины «больших» и «малых» значений; 3)на среднее влияет каждое значение.

Обычно среднее применяется при стремлении к наибольшей точности и когда впоследствии нужно будет вычислять стандартное отклонение. Медиана – когда в серии есть «нетипичные» данные, резко влияющие на среднее (например: 1, 3, 5, 7, 9, 26, 13). Мода – когда не нужна высокая точность, но важна быстрота определения м. ц. т.

4.6.3.3. Меры изменчивости (рассеивания, разброса)

Это статистические показатели, характеризующие различия между отдельными значениями выборки. Они позволяют судить о степени однородности полученного множества, о его компактности, а косвенно – и о надежности полученных данных и вытекающих из них результатов.

Наиболее используемые в психологических исследованиях показатели: размах, среднее отклонение, дисперсия, стандартное отклонение, полуквартильное отклонение. Размах (Р) – это интервал между максимальным и минимальным значениями признака.

Определяется легко и быстро, но чувствителен к случайностям, особенно при малом числе данных.

Примеры: 0, 2, 3, 5, 8 (Р = 8-0 = 8); -0.2, 1.0, 1.4, 2.0 (Р = 2,0-(-0,2) = 2,2);0,2,3,5,67 (Р = 67-0 = 67).

Среднее отклонение (МД) – это среднеарифметическое разницы (по абсолютной величине) между каждым значением в выборке и ее средним:

МД = ∑d / N,

где d = |Х– M|; М – среднее выборки; X – конкретное значение; N – число значений.

Множество всех конкретных отклонений от среднего характеризует изменчивость данных, но если их не взять по абсолютной величине, то их сумма будет равна нулю. И вся информация пропадает. МД показывает степень скученности данных вокруг среднего. Кстати, иногда при определении этой характеристики выборки вместо среднего (М) берут иные меры центральной тенденции – моду или медиану.

Дисперсия (Д) (от лат. dispersus – рассыпанный). Другой путь измерения степени

скученности данных – это избегание нулевой суммы конкретных разниц (d = Х-М) не через их

абсолютные величины, а через их возведение в квадрат, и тогда получают дисперсию:

Д = ∑d2 / N – для больших выборок (N > 30); Д = ∑d2/ (N-1) – для малых выборок (N < 30). Стандартное отклонение (а). Из-за возведения в квадрат отдельных отклонений d при

вычислении дисперсии получается очень не наглядная величина, далекая от самих отклонений. Чтобы этого избежать и получить характеристику, сопоставимую со средним отклонением, проделывают обратную математическую операцию – из дисперсии извлекают квадратный корень. Его положительное значение и принимается за меру изменчивости, именуемую среднеквадратическим или стандартным отклонением:

МД, Д и σ применимы для интервальных и пропорциональных данных.

Для порядковых данных обычно в качестве меры изменчивости берут полуквартилыше отклонение (Q), именуемое еще полукваргттьным коэффициентом или полумеждуквартильным размахом. Вычисляется этот показатель следующим образом.

Вся область распределения данных делится на четыре равные части.

Если отсчитывать наблюдения начиная от минимальной величины на измерительной шкале (на графиках, полигонах, гистограммах отсчет обычно ведется слева направо), то первая четверть шкалы называется первым квартилем, а точка, отделяющая его от остальной части шкалы, обозначается символом Q1. Вторые 25% распределения – второй квартиль, а соответствующая точка на шкале – Q2. Между третьей и четвертой четвертями распределения расположена точка Q3. Полуквартильный коэффициент определяется как половина интервала между первым и третьим квартилями:

Q = (Q3 – Q1)/2.

Понятно, что при симметричном распределении точка Q2 совпадет с медианой (а следовательно, и со средним), и тогда можно вычислить коэффициент Q для характеристики разброса данных относительно середины распределения. При несимметричном распределении этого недостаточно. И тогда дополнительно вычисляют еще два коэффициента Q – для правого и левого участков:

Qлев. = (Q2-Q1)/2; Qправ.= (Q3-Q2)/2

4.6.3.4. Меры связи

Предыдущие показатели, именуемые статистиками, характеризуют совокупность данных по одному какому-либо признаку. Этот изменяющийся признак называют переменной величиной или просто «переменной». Меры связи же выявляют соотношения между двумя переменными или между двумя выборками.

Например, нужно установить, существует ли связь между ростом и весом человека, между типом темперамента и успешностью решения интеллектуальных задач и т. д. Или, скажем, надо выяснить, принадлежат ли две выборки к одной популяции или к разным. Эти связи, или корреляции (от лат.

correlatio – соотношение, взаимосвязь), и выявляют через вычисление коэффициентов корреляции (R), если переменные находятся в линейной зависимости между собой.

Считается, что большинство психических явлений подчинено именно линейным зависимостям, что и предопределило широкое использование методов корреляционного анализа. Но наличие корреляции не означает, что между переменными существует причинная (или функциональная) связь.

Функциональная зависимость [у = f(x)] – это частный случай корреляции. Даже если связь причинна, корреляционные показатели не могут указать, какая из двух переменных причина, а какая – следствие.

Кроме того, любая обнаруженная в психологии связь, как правило, существует благодаря и другим переменным, а не только двум рассматриваемым. К тому же взаимосвязи психологических признаков столь сложны, что их обусловленность одной причиной вряд ли состоятельна, они детерминированы множеством причин.

Виды корреляции: I. По тесноте связи:

1) Полная (совершенная) – R=l. Констатируется обязательная взаимозависимость между переменными. Здесь уже можно говорить о функциональной зависимости. Например: связь

между стороной квадрата и его площадью, между весом и объемом и т. п.

2)Отсутствие связи – R = 0. Например: между скоростью реакции и цветом глаз, длиной ступни и объемом памяти.

3)Частичная – 0

Источник: https://studfile.net/preview/1765404/page:5/

Book for ucheba
Добавить комментарий