1) Lambertian distrbution
朗伯分布
2) uniform lambertion distribution
均匀朗伯分布<光>
3) Bouguer Lamberts law
布格尔-朗伯定律
1.
Bouguer Lamberts law is only valid for internal transmittance where no interface effect presents.
文中将由此得到的等离子体吡咯聚合膜(双层结构)及其100keVAr+辐照层(三层结构)的吸收系数与由布格尔-朗伯定律直接得到的值进行比较,以了解由界面引起的误差。
4) Lamberb-Bouguer's law
朗伯-布给定律
5) Landau distribution
朗道分布
6) Weibull distribution
韦伯分布
1.
It was found that (a) exist no "universal" distribution,(b)lognormal distribution is appropriate for the majority of sulphur dioxide and carbon monoxide data sets, (c) Weibull distribution is best for highly sulpher dioxide data, (d) exponential distribution is not appropr- iate for urban air pollution data sets.
发现:①不存在一个统一的分布模型;②对数正态分布适用于大部分SO_2和CO资料;③韦伯分布最适于高浓度的SO_2资料;④指数分布不适于城市大气污染物的浓度分布;⑤NO_x的分布较复杂。
2.
, a new theoretical distribution density function for raindrop kinetic energy was developed, which obeyed the Weibull distribution.
提出的雨滴直径分布函数,从理论上导出了符合黄土高原实际情况的雨滴动能分布密度和分布函数,它们都符合不同参数的韦伯分布。
3.
In this paper, the average daily wind speed is generated from a set of two parameter Weibull distributions by Monte Carlo method.
本研究采用蒙特卡洛法模拟一组两参数韦伯分布函数 ,生成逐日平均风速。
补充资料:均匀分布
均匀分布
uniform distribution
均匀分布(山心谊m业州加血n;paauoMep“oe pac“pe‘皿e邢H“e],在数论中亦称一致分布 一类概率分布的统称,由“等可能结果”的思想到连续情形的推广引起.如同正态分布(加m旧1此-trib丽on)一样,概率论中均匀分布在某些问题中作为确切分布,在另一些问题中作为极限分布出现. 在直线的一个区间上的均匀分布(矩形分布).在区间【“,b],“。,其特征函数为 。(r卜-2一一一。!!”一。,!·、. 诬以D一a) 在10,11上均匀分布的随机变量可由独立随机变量序列X.,XZ,…,以概率l/2取O和1,通过令 x=艺XnZ一” 月~l来构造(X。是X的二进制展开中的数字).随机数X是在【0,11上均匀分布的.这一事实有着重要的统计应用,例如见随机数和伪随机数(mndom an(1哪eudo·。ndom 11山刀比招). 如果两个独立随机变量X,和戈遵从【o,l]上的均匀分布,则创门的和遵从〔O,2]上的所谓三角分布(tnallgthard后颐bLIt幻n),其密度uZ(x)=l一11一x{,对x任10,21;。2(x)=O对x举兀o,21.三个遵从10,1]上均匀分布的独立随机变量和遵从【O,3]以上 扩xZ_/ }二兰-,O蕊x<1. }今 }天-一J瓜X一lj一,/、 }~全一一一二立二立一生二-.1落x<2.〔r,IX万=( }二匕一一‘二生之一一止2一二一匕立二二一一之止-,K,丈飞 t”,x,:u,。J.为密度的分布.一般地,遵从汇O,11上均匀分布的独立变量和X,+二+戈具有密度 l咨,,、‘「nl, “《X,二—2吸一1】『{_{‘X一k,’: 又n一i):k”。LKJ对0(x成n;u。(x)=O,对x必[0,。l;此处 r 9.了>0. 七o,:簇0.当n~的时,和x,+…+x。,在其数学期望。/2处中心化,用标准差、气雨进行尺度变换(即(‘、+…十x。一。/2)/习f万7丽)下趋向于参数为。和1的正态分布(对。=3其近似程度对许多实际问题已经令人满意). 在统计应用中构造具有给定分布F的随机变量的过程基于以下事实:设随机变量Y在10,l]上均匀分布,设分布函数F是连续的且严格递增,则随机变量x之F一‘Y具有分布函数F(在一般情形必须将x定义中的反函数F一’(y)代之以它的一个类比,即令F一’(,)二inf{x:F(x)(夕簇F(x+O)}). 作为极限分布的区间上的均匀分布.下面给出一些由极限产生的〔O,l]上均匀分布的典型例子: l)设X、,XZ,…是具有同样连续分布函数的独立随机变量,则创门的和s。,取模1,即和s,的分数部分{S。
说明:补充资料仅用于学习参考,请勿用于其它任何用途。
参考词条