Большая Советская Энциклопедия (МА)

Текст добавлен: 8 октября 2016, 22:16

Текст книги "Большая Советская Энциклопедия (МА)"

Автор книги: Большая Советская Энциклопедия

Жанр:

Энциклопедии

сообщить о нарушении

Текущая страница: 130 (всего у книги 155 страниц)

Назад к карточке книги

Математическая картография

Математи'ческая картогра'фия , картографическая дисциплина, изучающая теорию картографических проекций , преобразований их, методы изыскания проекций и способы рационального применения их на практике. Иногда в М. к. включают весь комплекс вопросов, относящихся к математическому обоснованию карт (компоновка карт, расчёт рамок и др.), а также способы и средства измерений на картах (см. Картометрия ). М. к. тесно связана с математикой, геодезией, со всеми картографическими и другими дисциплинами. На первых этапах (6 век до н. э. – 17 век н. э.) развития М. к. изобретались, исследовались и использовались отдельные картографические проекции, затем (18 век – начало 20 века) изучались также отдельные классы проекций и другие совокупности их. С середины 20 века успешно развивается теория создания новых методов получения различных (зачастую новых) классов или групп проекций, а также теория преобразований их. Методы современной М. к. механизируются и автоматизируются, в частности используются ЭВМ для различных целей.

В М. к. различают прямую и обратную задачи. Прямая задача М. к. – исследование свойств картографических проекций, заданных уравнениями вида

x = f₁ (j, l), y = f₂ (j, l), (1)

где (j и l – широта и долгота точки на земном эллипсоиде . Эта задача решается формулами теории искажений. Обратная задача М. к. имеет целью восстановление уравнений (1), или, более обще, нахождение проекций по заданным в них распределениям искажений. В процессе исторического развития М. к. использовались различные методы построения проекций: геометрические, аналитические, графоаналитические и другие, применимые, однако, к получению отдельных проекций или довольно узких совокупностей их. Общий метод изыскания проекций, дающих в то же время решение обратной задачи М. к., следует из системы Эйлера – Урмаева

(2)

где m и n – масштабы по меридианам и параллелям, e – угол между их изображениями, g – сближение меридианов. Это – система двух квазилинейных уравнений с частными производными 1-го порядка (например, и т. п.). Она недоопределенная: уравнений – два, функций – четыре. Различные способы доопределения системы (2), выполняемые на основе априорного задания, нужного для практики размещения искажений, позволяют исследовать всевозможные классы проекций. С точки зрения анализа система (2) даёт необходимые и достаточные условия существования проекции с заданными в них распределениями искажений. Систему (2), формулы теории искажений и некоторые их модификации относят к основным уравнениям М. к. При изысканиях новых проекций широко применяют методы численного анализа, теорию конформных и квазиконформных отображений, вариационное исчисление и др.

Система (2) приводит к генетической классификации картографических проекций, являющейся наиболее полной из всех классификаций и объемлющей известные и все мыслимые проекции. В её основе лежит понятие класса проекций как такой совокупности их, которая [после доопределения системы (2) уравнениями проекций в характеристиках] описывается определённой системой двух дифференциальных уравнений с частными производными 1-го порядка; например, класс конформных проекций, класс проекций Эйлера и другие. Системы классов проекций могут быть эллиптических, гиперболических и других типов, в соответствии с чем и проекции, ими описываемые, относятся к указанным типам, что имеет фундаментальное значение при изыскании проекций конкретных классов, проявляющееся в априорном предсказании некоторых свойств новых проекций. Таким образом, М. к. – это своеобразный «арсенал» картографической науки и картографического производства, в специальных «рубриках» которого находятся определённые классы и другие совокупности картографических проекций. Для конкретного производственного задания оттуда может быть взята нужная проекция (или изыскана новая).

Одной из центральных проблем М. к. является задача построения наивыгоднейших картографических проекций, то есть проекций, в которых искажения в каком-либо смысле сведены к минимуму. Она полностью ещё не решена даже для хорошо известных классов проекций, хотя частными случаями этой задачи занимались многие известные учёные (Л. Эйлер , К. Гаусс , П. Л. Чебышев и другие). Проблема ставится двояко: для заданной области изыскивают проекции с минимумом искажений либо из всего мыслимого множества проекций (идеальные проекции), либо из определённого класса (наилучшие проекции класса). В обоих случаях задача с математической точки зрения обращается в проблему приближения функций двух переменных. Но в последней также существуют различные постановки: обращаясь, например, к теории наилучших приближений, говорят о наивыгоднейших проекциях минимаксного типа, а пользуясь теорией квадратических приближений, исследуют наивыгоднейшие проекции вариационного типа. Общая проблема построения наивыгоднейших картографических проекций приводит к ряду новых экстремальных задач на условный минимакс и других. До конца исследован лишь случай наилучших конформных проекций. Согласно теореме Чебышева – Граве, наилучшей конформной проекцией (чебышевской) для данной области является та, крайняя изокола в которой совпадает с контуром изображаемой территории. В чебышевских проекциях искажения площадей наименее уклоняются от нуля. Как следствие, в них наименее уклоняются от нуля также модули логарифмов масштабов длин; отношение наибольшего масштаба к наименьшему минимально; минимальна также наибольшая кривизна изображений геодезических линий; наконец, среднее квадратическое значение логарифмов масштаба длин также минимально. Такое сочетание различных положительных свойств у чебышевских проекций характерно для класса конформных проекций как наиболее простого (но и важного для практики) среди всех других классов. Примером чебышевской проекции является стереографическая проекция, которая при изображении на плоскости сферического сегмента и при специальном выборе произвольной постоянной удовлетворяет условиям теоремы. Методика построения чебышевских проекций детально разработана и для произвольных территорий. Теорема Чебышева – Граве справедлива для ряда некоторых других классов проекций, неконформных, но эллиптического типа.

Лит.: Соловьев М. Д., Математическая картография, М., 1969; Мещеряков Г. А., Теоретические основы математической картографии, М., 1968; его же, О современных задачах математической картографии, «Труды Новосибирского института инженеров геодезии, аэрофотосъемки и картографии», 1967, т. 20; Каврайский В. В., Современные задачи математической картографии. Тезисы доклада на шестой научной сессии ЛГУ, Л., 1949; Гинзбург Г. А., О задачах математической картографии в СССР в области мелкомасштабных карт, «Геодезия и картография», 1958, № 12; Павлов А. А., Математическая картография, в сборнике: Итоги науки и техники. Картография, т. 5, М., 1972, с. 53—66.

Г. А. Мещеряков.

Математическая лингвистика

Математи'ческая лингви'стика , математическая дисциплина, разрабатывающая формальный аппарат для описания строения естественных и некоторых искусственных языков. Возникла в 50-х годах 20 века в связи с назревшей в языкознании потребностью уточнения его основных понятий. В М. л. используются по преимуществу идеи и методы алгебры, алгоритмов теории и автоматов теории . Не являясь частью лингвистики, М. л. развивается в тесном взаимодействии с ней. М. л. называют иногда лингвистические исследования, в которых применяется какой-либо математический аппарат.

Математическое описание языка основано на восходящем к Ф. де Соссюру представлении о языке как механизме, функционирование которого проявляется в речевой деятельности его носителей; её результатом являются «правильные тексты» – последовательности речевых единиц, подчиняющиеся определённым закономерностям, многие из которых допускают математическое описание. Изучение способов математического описания правильных текстов (в первую очередь предложений) составляет содержание одного из разделов М. л. – теории способов описания синтаксической структуры. Для описания строения (синтаксической структуры) предложения можно либо выделить в нём «составляющие» – группы слов, функционирующие как цельные синтаксические единицы, либо указать для каждого сло'ва те слова', которые от него непосредственно зависят (если такие есть). Так, в предложении «Лошади кушают овёс» при описании по 1-му способу составляющими будут: всё предложение I , каждое отдельное слово и словосочетание С = «кушают овёс» (рис. 1 ; стрелки означают «непосредственное вложение»); описание по 2-му способу даёт схему, показанную на рисунке 2 . Математические объекты, возникающие при таком описании структуры предложения, называются деревом составляющих (1-й способ) и деревом синтаксического подчинения (2-й способ).

Другой раздел М. л., занимающий в ней центр, место, – теория формальных грамматик, возникшая главным образом благодаря работам Н. Хомского . Она изучает способы описания закономерностей, которые характеризуют уже не отдельный текст, а всю совокупность правильных текстов того или иного языка. Эти закономерности описываются путём построения «формальной грамматики» – абстрактного «механизма», позволяющего с помощью единообразной процедуры получать правильные тексты данного языка вместе с описаниями их структуры. Наиболее широко используемый тип формальной грамматики – так называемая порождающая грамматика, или грамматика Хомского, – упорядоченная система G = I , R>, где: V и W – непересекающиеся конечные множества; I – элемент W; R – конечное множество правил вида j®y, где j и y – цепочки (конечные последовательности) элементов V и W. Если j®y правило грамматики G и w₁ , w₂ , – цепочки из элементов V и W, то говорят, что цепочка w₁ yw₂ непосредственно выводима в G из w₁ jw₂ . Если x_{, x₁ , …, x_n – цепочки и для каждого i = 1, ..., n цепочка x_i , непосредственно выводима из x_i-1 , то говорят, что x_n выводима из x_{в G. Множество цепочек из элементов V, выводимых в G из I , называется языком, порождаемым грамматикой G. Если все правила грамматики G имеют вид A ®y, где А – элемент W, G называется бесконтекстной, или контекстно-свободной. В лингвистической интерпретации элементы V чаще всего представляют собой слова, элементы W – символы грамматических категорий, I – символ категории «предложение». В бесконтекстной грамматике вывод предложения даёт для него дерево составляющих, в котором каждая составляющая состоит из слов, «происходящих» от одного элемента W, так что для каждой составляющей указывается её грамматическая категория. Так, если грамматика имеет в числе прочих правила I ® S_{x, у, им} V_y , V_y ® V^t_y S_{x, y’ вин} , S_{мyж, ед, вин} ® овёс, S_{жен, мн, им} ® лошади, V^t_мн ® кушают, где V_y означает категорию «группа глагола в числе у », V^t_y – «переходный глагол в числе y », S_x,y,z – «существительное рода х в числе у и падеже z », то приведённое выше предложение имеет вывод, показанный на рис. 3 , где стрелки идут из левых частей применяемых правил к элементам соответствующих правых частей. Формальные грамматики используются для описания не только естественных, но и искусственных языков, в особенности языков программирования.}}

М. л. изучает также аналитические модели языка, в которых на основе тех или иных данных о речи, считающихся известными (например, множества правильных предложений), производятся формальные построения, дающие некоторые сведения о структуре языка. Приложение методов М. л. к конкретным языкам относится к области лингвистики (см. Языкознание ).

Лит.: Хомский Н., Синтаксические структуры, в сборнике: Новое в лингвистике, в. 2, М., 1962; Гладкий А. В.. Мельчук И. А., Элементы математической лингвистики, М., 1969; Маркус С., Теоретико-множественные модели языков, перевод с английского, М., 1970; Гладкий А. В., Формальные грамматики и языки, М., 1973.

А. В. Гладкий.

Рис. 3 к ст. Математическая лингвистика.

Рис. 2 к ст. Математическая лингвистика.

Рис. 1 к ст. Математическая лингвистика.

Математическая логика

Математи'ческая ло'гика , логика, развиваемая математическим методом. Характерным для М. л. является использование формальных языков с точным синтаксисом и чёткой семантикой, однозначно определяющими понимание формул. Потребность в такой логике выявилась в начале 20 века в связи с интенсивной разработкой оснований математики , возникновением множеств теории , где были открыты антиномии (см. Парадокс ), уточнением понятия алгоритма и другими глубокими и принципиальными вопросами математической науки. Однако значение М. л. для науки в целом не исчерпывается её математическими приложениями, поскольку хорошо рассуждать и доказывать приходится во всех науках. Вот почему М. л. с полным правом может быть охарактеризована как логика на современном этапе. См. статья Логика (раздел Предмет и метод современной логики) и литературу при этой статье.

А. А. Марков.

Математическая модель

Математи'ческая моде'ль , приближённое описание какого-либо класса явлений внешнего мира, выраженное с помощью математической символики. М. м. – мощный метод познания внешнего мира, а также прогнозирования и управления. Анализ М. м. позволяет проникнуть в сущность изучаемых явлений. Процесс математического моделирования , то есть изучения явления с помощью М. м., можно подразделить на 4 этапа.

Первый этап – формулирование законов, связывающих основные объекты модели. Этот этап требует широкого знания фактов, относящихся к изучаемым явлениям, и глубокого проникновения в их взаимосвязи. Эта стадия завершается записью в математических терминах сформулированных качеств, представлений о связях между объектами модели.

Второй этап – исследование математических задач, к которым приводят М. м. Основным вопросом здесь является решение прямой задачи, то есть получение в результате анализа модели выходных данных (теоретических следствий) для дальнейшего их сопоставления с результатами наблюдений изучаемых явлений. На этом этапе важную роль приобретают математический аппарат, необходимый для анализа М. м., и вычислительная техника – мощное средство для получения количеств, выходной информации как результата решения сложных математических задач. Часто математические задачи, возникающие на основе М. м. различных явлений, бывают одинаковыми (например, основная задача линейного программирования отражает ситуации различной природы). Это даёт основание рассматривать такие типичные математические задачи как самостоятельный объект, абстрагируясь от изучаемых явлений.

Третий этап – выяснение того, удовлетворяет ли принятая гипотетическая модель критерию практики, то есть выяснение вопроса о том, согласуются ли результаты наблюдений с теоретическими следствиями модели в пределах точности наблюдений. Если модель была вполне определена – все параметры её были заданы, – то определение уклонений теоретических следствий от наблюдений даёт решения прямой задачи с последующей оценкой уклонений. Если уклонения выходят за пределы точности наблюдений, то модель не может быть принята. Часто при построении модели некоторые её характеристики остаются не определёнными. Задачи, в которых определяются характеристики модели (параметрические, функциональные) таким образом, чтобы выходная информация была сопоставима в пределах точности наблюдений с результатами наблюдений изучаемых явлений, называются обратными задачами. Если М. м. такова, что ни при каком выборе характеристик этим условиям нельзя удовлетворить, то модель непригодна для исследования рассматриваемых явлений. Применение критерия практики к оценке М. м. позволяет делать вывод о правильности положений, лежащих в основе подлежащей изучению (гипотетической) модели. Этот метод является единственным методом изучения недоступных нам непосредственно явлений макро– и микромира.

Четвёртый этап – последующий анализ модели в связи с накоплением данных об изучаемых явлениях и модернизация модели. В процессе развития науки и техники данные об изучаемых явлениях всё более и более уточняются и наступает момент, когда выводы, получаемые на основании существующей М. м., не соответствуют нашим знаниям о явлении. Т. о., возникает необходимость построения новой, более совершенной М. м.

Типичным примером, иллюстрирующим характерные этапы в построении М. м., является модель Солнечной системы. Наблюдения звёздного неба начались в глубокой древности. Первичный анализ этих наблюдений позволил выделить планеты из всего многообразия небесных светил. Таким образом, первым шагом было выделение объектов изучения. Вторым шагом явилось определение закономерностей их движений. (Вообще определения объектов и их взаимосвязей являются исходными положениями – «аксиомами» – гипотетической модели.) Модели Солнечной системы в процессе своего развития прошли через ряд последовательных усовершенствований. Первой была модель Птолемея (2 век н. э.), исходившая из положения, что планеты и Солнце совершают движения вокруг Земли (геоцентрическая модель), и описывавшая эти движения с помощью правил (формул), многократно усложнявшихся по накоплении наблюдений.

Развитие мореплавания поставило перед астрономией новые требования к точности наблюдений. Н. Коперником в 1543 была предложена принципиально новая основа законов движения планет, полагавшая, что планеты вращаются вокруг Солнца по окружностям (гелиоцентрическая система). Это была качественно новая (но не математическая) модель Солнечной системы. Однако не существовало параметров системы (радиусов окружностей и угловых скоростей движения), приводящих количеств, выводы теории в должное соответствие с наблюдениями, так что Коперник был вынужден вводить поправки в движения планет по окружностям (эпициклы).

Следующим шагом в развитии модели Солнечной системы были исследования И. Кеплера (начало 17 века), который сформулировал законы движения планет. Положения Коперника и Кеплера давали кинематическое описание движения каждой планеты обособленно, не затрагивая ещё причин, обусловливающих эти движения.

Принципиально новым шагом были работы И. Ньютона , предложившего во 2-й половине 17 века динамическую модель Солнечной системы, основанную на законе всемирного тяготения. Динамическая модель согласуется с кинематической моделью, предложенной Кеплером, так как из динамической системы двух тел «Солнце – планета» следуют законы Кеплера.

К 40-м годам 19 века выводы динамической модели, объектами которой были видимые планеты, вошли в противоречие с накопленными к тому времени наблюдениями. Именно, наблюдаемое движение Урана уклонялось от теоретически вычисляемого движения. У. Леверье в 1846 расширил систему наблюдаемых планет новой гипотетической планетой, названной им Нептуном, и, пользуясь новой моделью Солнечной системы, определил массу и закон движения новой планеты так, что в новой системе противоречие в движении Урана было снято. Планета Нептун была открыта в месте, указанном Леверье. Аналогичным методом, используя расхождения в теоретической и наблюдаемой траектории Нептуна, в 1930 была открыта планета Плутон.

Метод математического моделирования, сводящий исследование явлений внешнего мира к математическим задачам, занимает ведущее место среди других методов исследования, особенно в связи с появлением ЭВМ. Он позволяет проектировать новые технические средства, работающие в оптимальных режимах, для решения сложных задач науки и техники; проектировать новые явления. М. м. проявили себя как важное средство управления. Они применяются в самых различных областях знания, стали необходимым аппаратом в области экономического планирования и являются важным элементом автоматизированных систем управления.

А. Н. Тихонов.

Математическая статистика

Математи'ческая стати'стика , раздел математики, посвященный математическим методам систематизации, обработки и использования статистических данных для научных и практических выводов. При этом статистическими данными называются сведения о числе объектов в какой-либо более или менее обширной совокупности, обладающих теми или иными признаками (таковы, например, данные таблиц 1а и 2а).

Таблица 1а. – Распределение диаметра детали в мм , обнаруженное при статистическом исследовании массовой продукции (объяснение обозначений , S , s см. в статье).

Диаметр	Основная выборка	1-я выборка	2-я выборка	3-я выборка
13,05—13,09	–	–	1	1
13,10—13,14	2	–	–	–
13,15—13,19	1	–	1	1
13,20—13,24	8	–	–	–
13,25—13,29	17	1	2	1
13,30—13,34	27	1	1	2
13,35—13,39	30	2	3	1
13,40—13,44	37	2	1	1
13,45—13,49	27	1	–	–
13,50—13,54	25	2	1	–
13,55—13,59	17	–	–	–
13,60—13,64	7	1	–	2
13,65—13,69	2	–	–	1
Всего	200	10	10	10
	13,416	13,430	13,315	13,385
S²	2,3910	0,0990	0,1472	0,3602
s	0,110	0,105	0,128	0,200

Таблица 1б. – Распределение диаметра детали основной выборки (из таблицы 1а) при более крупных интервалах группировки

Диаметр	Число деталей
13,00—13,24	11
13,25—13,49	138
13,50—13,74	51
Всего	200

Предмет и метод математической статистики. Статистическое описание совокупности объектов занимает промежуточное положение между индивидуальным описанием каждого из объектов совокупности, с одной стороны, и описанием совокупности по её общим свойствам, совсем не требующим её расчленения на отдельные объекты, – с другой. По сравнению с первым способом статистические данные всегда в большей или меньшей степени обезличены и имеют лишь ограниченную ценность в случаях, когда существенны именно индивидуальные данные (например, учитель, знакомясь с классом, получит лишь весьма предварительную ориентировку о положении дела из одной статистики числа выставленных его предшественником отличных, хороших, удовлетворительных и неудовлетворительных оценок). С другой стороны, по сравнению с данными о наблюдаемых извне суммарных свойствах совокупности статистические данные позволяют глубже проникнуть в существо дела. Например, данные гранулометрического анализа породы (то есть данные о распределении образующих породу частиц по размерам) дают ценную дополнительную информацию по сравнению с испытанием нерасчленённых образцов породы, позволяя в некоторой мере объяснить свойства породы, условия её образования и прочее.

Метод исследования, опирающийся на рассмотрение статистических данных о тех или иных совокупностях объектов, называется статистическим. Статистический метод применяется в самых различных областях знания. Однако черты статистического метода в применении к объектам различной природы столь своеобразны, что было бы бессмысленно объединять, например, социально-экономическую статистику , физическую статистику (см. Статистическая физика ), звёздную статистику и тому подобное в одну науку.

Общие черты статистического метода в различных областях знания сводятся к подсчёту числа объектов, входящих в те или иные группы, рассмотрению распределения количеств, признаков, применению выборочного метода (в случаях, когда детальное исследование всех объектов обширной совокупности затруднительно), использованию теории вероятностей при оценке достаточности числа наблюдений для тех или иных выводов и т. п. Эта формальная математическая сторона статистических методов исследования, безразличная к специфической природе изучаемых объектов, и составляет предмет М. с.

Связь математической статистики с теорией вероятностей. Связь М. с. с теорией вероятностей имеет в разных случаях различный характер. Вероятностей теория изучает не любые явления, а явления случайные и именно «вероятностно случайные», то есть такие, для которых имеет смысл говорить о соответствующих им распределениях вероятностей. Тем не менее, теория вероятностей играет определённую роль и при статистическом изучении массовых явлений любой природы, которые могут не относиться к категории вероятностно случайных. Это осуществляется через основанные на теории вероятностей теорию выборочного метода и теорию ошибок измерений (см. Ошибок теория ). В этих случаях вероятностным закономерностям подчинены не сами изучаемые явления, а приёмы их исследования.

Более важную роль играет теория вероятностей при статистическом исследовании вероятностных явлений. Здесь в полной мере находят применение такие основанные на теории вероятностей разделы М. с., как теория статистической проверки вероятностных гипотез, теория статистической оценки распределений вероятностей и входящих в них параметров и так далее. Область же применения этих более глубоких статистических методов значительно уже, так как здесь требуется, чтобы сами изучаемые явления были подчинены достаточно определённым вероятностным закономерностям. Например, статистическое изучение режима турбулентных водных потоков или флюктуаций в радиоприёмных устройствах производится на основе теории стационарных случайных процессов . Однако применение той же теории к анализу экономических временных рядов может привести к грубым ошибкам ввиду того, что входящее в определение стационарного процесса допущение наличия сохраняющихся в течение длительного времени неизменных распределений вероятностей в этом случае, как правило, совершенно неприемлемо.

Вероятностные закономерности получают статистическое выражение (вероятности осуществляются приближённо в виде частот, а математические ожидания – в виде средних) в силу больших чисел закона .

Простейшие приёмы статистического описания. Изучаемая совокупность из n объектов может по какому-либо качественному признаку А разбиваться на классы A₁ , A₂ , ..., A_r . Соответствующее этому разбиению статистическое распределение задаётся при помощи указания численностей (частот) n₁ , n₂ , ..., n_r , (где ) отдельных классов. Вместо численностей n_i часто указывают соответствующие относительные частоты (частости) h_i = n_i/n (удовлетворяющие, очевидно, соотношению). Если изучению подлежит некоторый количественный признак, то его распределение в совокупности из n объектов можно задать, перечислив непосредственно наблюдённые значения признака: х₁ , x₂ , ..., x_n , например, в порядке их возрастания. Однако при больших n такой способ громоздок и в то же время не выявляет отчётливо существенных свойств распределения (подробнее о способах изображения и простейших характеристиках распределения одного количественного признака см. Распределения ). При сколько-либо больших n на практике обычно совсем не составляют полных таблиц наблюдённых значений x_i , а исходят во всей дальнейшей работе из таблиц, содержащих лишь численности классов, получающихся при группировке наблюдённых значений по надлежаще выбранным интервалам.

Например, в первом столбце таблицы 1а даны результаты измерения 200 диаметров деталей, группированные по интервалам длиной 0,05 мм . Основная выборка соответствует нормальному ходу технологического процесса, 1-я, 2-я и 3-я выборки сделаны через некоторые промежутки времени для проверки устойчивости этого нормального хода производства. В таблице 1б результаты измерения деталей основной выборки даны при группировке по интервалам длиной 0,25 мм .

Обычно группировка по 10—20 интервалам, в каждый из которых попадает не более 15—20 % значений x_i , оказывается достаточной для довольно полного выявления всех существенных свойств распределения и надёжного вычисления по групповым численностям основных характеристик распределения (см. о них ниже). Составленная по таким группированным данным гистограмма наглядно изображает распределение. Гистограмма, составленная на основе группировки с маленькими интервалами, обычно многовершинная и не отражает наглядно существенных свойств распределения.

В качестве примера на рис. 1 дана гистограмма распределения 200 диаметров, соответствующая данным первого столбца таблицы 1а, а на рис. 3 – гистограмма того же распределения (соответствующая таблица не приводится ввиду её громоздкости) при интервале 0,01 мм . С другой стороны, группировка по слишком крупным интервалам может привести к потере ясного представления о характере распределения и к грубым ошибкам при вычислении среднего и других характеристик распределения (см. таблицу 1б и соответствующую гистограмму на рис. 2 ).

В пределах М. с. вопрос об интервалах группировки может быть рассмотрен только с формальной стороны: полноты математического описания распределения, точности вычисления средних по сгруппированным данным и так далее. О группировке, имеющей целью выделить качественно различные группы в изучаемой совокупности, см. Статистические группировки .

При изучении совместного распределения двух признаков пользуются таблицами с двумя входами. Примером совместного распределения двух качеств, признаков может служить таблица 2а. В общем случае, когда по признаку А материал разбит на классы A₁ , A₂ , ..., A_r , а по признаку В – на классы B₁ , B₂ , ..., B_s , таблица состоит из численностей n_ij объектов, принадлежащих одновременно классам A_i и B_j ). Суммируя их по формулам

, ,

получают численности самих классов A_i и B_j ; очевидно, что

где n – численность всей изучаемой совокупности. В зависимости от целей дальнейшего исследования вычисляют те или иные из относительных частот

h_ij = n_ij / n , h_i . = n_i . / n , h.j = n._.j / n , h_i(j) = n_ij / n._j , h_(i)j = n_ij / n_i . .

Например, при изучении влияния вдыхания сыворотки на заболевание гриппом по таблице 2а естественно вычислить относительные частоты, данные в таблице 2б.

Таблица 2а. – Распределение заболевших и не заболевших гриппом среди работников Центрального универмага в Москве, вдыхавших и не вдыхавших противогриппозную сыворотку (1939)

	Не заболевшие	Заболевшие	Всего
Не вдыхавшие	1675	150	1825
Вдыхавшие	497	4	501
Всего	2172	154	2326

Таблица 2б. – Относительные частоты (соответствующие данным таблицы 2а)

	Не заболевшие	Заболевшие	Всего
Не вдыхавшие	0,918	0,082	1,000
Вдыхавшие	0,992	0,008	1,000

Пример таблицы для совместного распределения двух количеств, признаков см. в статье Корреляция . Таблица 1а служит примером смешанного случая: материал группируется по одному качеств, признаку (принадлежность к основной выборке, произведённой для определения среднего уровня производственного процесса, и к трём выборкам, произведённым в различные моменты времени для проверки сохранения этого нормального среднего уровня) и по одному количеств, признаку (диаметр деталей).

Простейшими сводными характеристиками распределения одного количественного признака являются среднее