Сценарии симуляции
SimBiology.Scenarios
объект, который позволяет вам сгенерировать различные сценарии симуляции на основе различных демонстрационных значений количеств модели. Можно объединить эти количества с различными дозами или вариантами и симулировать различные сценарии, чтобы исследовать поведения модели при различных экспериментальных условиях и режимах дозирования.
возвращает sObj
= SimBiology.Scenarios(name
,content
)Scenarios
объект sObj
с одной записью. name
имя количества модели или имя группы вариантов или доз для генерации сценария. content
содержит соответствующие числовые значения для количества модели или вектора из различных объектов или вектора из объектов дозы.
задает, чтобы сгенерировать демонстрационные значения для одного или нескольких количеств модели sObj
= SimBiology.Scenarios(quantityNames
,probDist
,Name,Value
)quantityNames
от объединенного вероятностного распределения probDist
. Задайте дополнительные опции для вероятностных распределений и метода выборки с помощью одного или нескольких аргументов пары "имя-значение". Чтобы задать вероятностные распределения, у вас должен быть Statistics and Machine Learning Toolbox™.
name
— Имя записиИмя записи в виде вектора символов или строки.
Можно определить имя записи к имени количества модели (разновидности, параметр или отсек). В качестве альтернативы можно задать имя для группы доз или вариантов, которые будут включены в выборку (сценарии) генерация.
Пример: "k1"
Типы данных: char |
string
content
— Значения количества модели или вектор из доз или вариантовRepeatDose
или ScheduleDose
объекты | вектор из различных объектовЗначения количества модели или вектор из доз или вариантов в виде числового вектора, вектора из RepeatDose
или ScheduleDose
объекты или вектор из variant
объекты.
Если вы указываете, что количество называет для name
входной параметр, набор content
к числовому вектору.
Если вы задаете имя для группы доз или вариантов, устанавливаете content
к вектору из объектов дозы или вектору из различных объектов.
Пример: [0.5,1,1.5]
quantityNames
— Имена количеств моделиИмена количеств модели для выборки (сценарий) генерация в виде вектора символов, строки, представляют в виде строки вектор или массив ячеек из символьных векторов.
Пример: ["k12","k21"]
Типы данных: char |
string
| cell
probDist
— Вероятностные распределенияВероятностные распределения, чтобы сгенерировать демонстрационные значения для количеств модели в виде вектора из объектов вероятностного распределения, вектора символов, строки, представляют в виде строки вектор или массив ячеек из символьных векторов, содержащий имена поддерживаемых вероятностных распределений. Чтобы задать вероятностные распределения, у вас должен быть Statistics and Machine Learning Toolbox.
Используйте makedist
(Statistics and Machine Learning Toolbox) функция, чтобы создать объекты распределения. Для списка поддерживаемых распределений см. distname (Statistics and Machine Learning Toolbox).
Пример: [pd1,pd2]
Задайте дополнительные разделенные запятой пары Name,Value
аргументы. Name
имя аргумента и Value
соответствующее значение. Name
должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN
.
'Number',10
задает, чтобы сгенерировать 10 выборок.Number
— Количество отсчетов[]
(значение по умолчанию) | положительная скалярная величинаКоличество отсчетов, чтобы чертить от вероятностных распределений в виде разделенной запятой пары, состоящей из 'Number'
и положительная скалярная величина. Значение по умолчанию []
средние значения, что функция выводит количество отсчетов из других записей. Если номер не может быть выведен, номер определяется к 2
.
Пример: 'Number',5
RankCorrelation
— Матрица порядковой корреляции[]
(значение по умолчанию) | числовая матрицаМатрица порядковой корреляции для объединенного вероятностного распределения в виде разделенной запятой пары, состоящей из 'RankCorrelation'
и числовая матрица. Поведение по умолчанию - это когда оба 'RankCorrelation'
и 'Covariance'
установлены в []
, SimBiology.Scenarios
чертит некоррелированые выборки от объединенного вероятностного распределения.
Вы не можете задать 'RankCorrelation'
если 'Covariance'
установлен. Количество столбцов в матрице должно совпадать с количеством заданных распределений. Матрица должна быть симметричной с диагональными значениями 1. Все его собственные значения должны также быть положительными.
Пример: 'RankCorrelation',[1 0.3;0.3 1]
Mean
— Средние значенияСредние значения количеств в виде разделенной запятой пары, состоящей из 'Mean'
и числовой вектор.
Можно задать средние значения для нормальных распределений только. Количество средних значений должно равняться количеству заданных вероятностных распределений.
Пример: 'Mean',[0.5,1.5]
Covariance
— Ковариационная матрица[]
(значение по умолчанию) | числовая матрицаКовариационная матрица для объединенного вероятностного распределения в виде разделенной запятой пары, состоящей из 'Covariance'
и числовая матрица. Поведение по умолчанию - это если оба 'RankCorrelation'
и 'Covariance'
установлены в []
, SimBiology.Scenarios
чертит некоррелированые выборки от объединенного вероятностного распределения. Вы не можете задать 'Covariance'
если вы задаете 'RankCorrelation'
.
Можно задать ковариационную матрицу для нормальных распределений только. Количество столбцов в матрице должно совпадать с количеством заданных распределений. Все его собственные значения должны также быть неотрицательными.
Пример: 'Covariance',[0.25 0.15;0.15 0.25]
SamplingMethod
— Выборка метода'random'
(значение по умолчанию) | 'lhs'
| 'copula'
| 'sobol'
| 'halton'
Выборка метода в виде разделенной запятой пары, состоящей из 'SamplingMethod'
и вектор символов или строка. В зависимости от ли вероятностные распределения с 'RankCorrelation'
или нормальные распределения с 'Covariance'
заданы, методы выборки отличаются.
Если запись содержит (объединенное) нормальное распределение с Covariance
заданный, методы выборки:
'random'
– Чертите случайные выборки от заданного использования нормального распределения mvnrnd
(Statistics and Machine Learning Toolbox).
'lhs'
– Чертите латинские выборки гиперкуба от заданного использования нормальных распределений lhsnorm
(Statistics and Machine Learning Toolbox). Для получения дополнительной информации смотрите Генерирующиеся Квазислучайные числа (Statistics and Machine Learning Toolbox).
Если запись содержит (объединенное) распределение без Covariance
заданный, методы выборки:
'random'
– Чертите случайные выборки от заданного использования вероятностных распределений random
(Statistics and Machine Learning Toolbox).
'lhs'
– Чертите латинские выборки гиперкуба от заданных вероятностных распределений с помощью алгоритма, похожего на lhsdesign
(Statistics and Machine Learning Toolbox). Этот подход является более систематическим заполняющим пространство подходом, чем случайная выборка. Для получения дополнительной информации смотрите Генерирующиеся Квазислучайные числа (Statistics and Machine Learning Toolbox).
'copula'
– Чертите случайные выборки с помощью связки (Statistics and Machine Learning Toolbox). Используйте эту опцию, чтобы наложить корреляции между выборками с помощью связок.
'sobol'
– Используйте sobol последовательность (sobolset
(Statistics and Machine Learning Toolbox)), который преобразовывается с помощью обратной кумулятивной функции распределения (icdf
(Statistics and Machine Learning Toolbox)) заданных вероятностных распределений. Используйте этот метод для очень систематического заполнения. Для получения дополнительной информации смотрите Генерирующиеся Квазислучайные числа (Statistics and Machine Learning Toolbox).
'halton'
– Используйте последовательность Холтона (haltonset
(Statistics and Machine Learning Toolbox)), который преобразовывается с помощью обратной кумулятивной функции распределения (icdf
(Statistics and Machine Learning Toolbox)) заданных вероятностных распределений. Для получения дополнительной информации смотрите Генерирующиеся Квазислучайные числа (Statistics and Machine Learning Toolbox).
Если никакой Covariance
задан, SimBiology.Scenarios
по существу выполняет два шага. Первый шаг должен сгенерировать выборки с помощью одного из вышеупомянутых методов выборки. Для lhs
, sobol
, и halton
методы, сгенерированные универсальные выборки преобразовываются к выборкам от заданного распределения с помощью обратной кумулятивной функции распределения icdf
(Statistics and Machine Learning Toolbox). Затем как второй шаг, выборки коррелируются с помощью алгоритма Iman-Коновера если RankCorrelation
задан. Для random
, выборки чертятся непосредственно от заданных распределений, и выборки затем коррелируются с помощью алгоритма Iman-Коновера.
Пример: 'SamplingMethod','lhs'
SamplingOptions
— Опции для выборки методаОпции для метода выборки в виде скалярного struct. Опции отличаются в зависимости от метода выборки: sobol
, halton
, или lhs
.
Для sobol
и halton
, задайте каждое имя поля и значение структуры согласно каждому аргументу значения имени sobolset
(Statistics and Machine Learning Toolbox) или haltonset
(Statistics and Machine Learning Toolbox) функция. SimBiology использует значение по умолчанию 1
для Skip
аргумент для обоих методов. Для всех других аргументов name-value программное обеспечение использует те же значения по умолчанию sobolset
или haltonset
. Например, настройте структуру для Leap
и Skip
опции со значениями не по умолчанию можно следующим образом.
s1.Leap = 50; s1.Skip = 0;
Для lhs
, существует три сэмплера, которые поддерживают различные опции выборки.
Если вы задаете ковариационную матрицу, использование SimBiology lhsnorm
(Statistics and Machine Learning Toolbox) для выборки. SamplingOptions
аргумент не позволен.
В противном случае используйте имя поля UseLhsdesign
выбрать сэмплер.
Если значением является true
, Использование SimBiology lhsdesign
(Statistics and Machine Learning Toolbox). Можно использовать аргументы name-value lhsdesign
задавать имена полей и значения.
Если значением является false
(значение по умолчанию), SimBiology использует неконфигурируемый латинский сэмплер гиперкуба, который отличается от lhsdesign
. Этот сэмплер не требует Statistics and Machine Learning Toolbox. SamplingOptions
не может содержать никакие другие опции, кроме UseLhsdesign
.
Например, настройте структуру, чтобы использовать lhsdesign
с Criterion
и Iterations
опции.
s2.UseLhsdesign = true;
s2.Criterion = "correlation";
s2.Iterations = 10;
Вы не можете задать опции выборки для random
и copula
методы.
Типы данных: struct
Expression
— Выражение комбинацииЭто свойство доступно только для чтения.
Выражение комбинации, обобщающее комбинацию записей в объекте в виде вектора символов. Плюс +
знак указывает на поэлементную комбинацию и перекрестный x
знак указывает на декартову комбинацию. Для получения дополнительной информации см. Сценарии Симуляции Объединения в SimBiology.
Пример:
'(k1 + k2 + k3) x doses'
Типы данных: char
NumberOfEntries
— Количество записейКоличество записей в сценариях возражает в виде положительного целого числа.
Пример 4
Типы данных: double
RandomSeed
— Отберите или утвердите для генерации случайных чисел[]
(значение по умолчанию) | неотрицательное целое число, меньшее, чем 232
| структура, возвращенная rng
Отберите для генерации случайных чисел, чтобы получить восстанавливаемые сценарии в виде неотрицательного целого числа, меньшего, чем 232
или структура, возвращенная rng
это задает случайное состояние. Значение по умолчанию []
средние значения, что сгенерированные сценарии будут отличаться каждый раз generate
функция вызвана, если вы не устанавливаете случайный seed прежде, чем вызвать функцию или используете восстанавливаемые последовательности, такие как Sobol или Холтон.
Пример:
10
Типы данных: double |
struct
add | Добавьте значения количества, дозы или варианты к SimBiology.Scenarios объект |
getEntry | Получите содержимое записи от SimBiology.Scenarios объект |
updateEntry | Обновите содержимое записи от SimBiology.Scenarios объект |
rename | Переименуйте запись от SimBiology.Scenarios объект |
remove | Удалите записи из SimBiology.Scenarios объект |
verify | Проверьте SimBiology.Scenarios объект |
generate | Сгенерируйте сценарии от SimBiology.Scenarios возразите и возвратите таблицу |
getNumberScenarios | Возвратите количество сценариев от SimBiology.Scenarios объект |
Загрузите модель ответа инсулина глюкозы. Для получения дополнительной информации о модели, смотрите раздел Background в Симуляции Ответа Инсулина Глюкозы.
sbioloadproject('insulindemo','m1');
Модель содержит различные значения параметров и начальные условия, который представляет различные ухудшения инсулина (такие как диабет 2 типа, низкая чувствительность инсулина, и так далее) сохраненный в пяти вариантах.
variants = getvariant(m1)
variants = SimBiology Variant Array Index: Name: Active: 1 Type 2 diabetic false 2 Low insulin se... false 3 High beta cell... false 4 Low beta cell ... false 5 High insulin s... false
Подавите информационное предупреждение, которое выдано во время симуляций.
warnSettings = warning('off','SimBiology:DimAnalysisNotDone_MatlabFcn_Dimensionless');
Выберите дозу, которая представляет одну еду 78 граммов глюкозы.
singleMeal = sbioselect(m1,'Name','Single Meal');
Создайте Scenarios
объект представлять различные начальные условия, объединенные дозой. Таким образом, создайте scenario
возразите, где каждый вариант соединен (или объединен) с дозой, для в общей сложности пяти сценариев симуляции.
sObj = SimBiology.Scenarios; add(sObj,'cartesian','variants',variants); add(sObj,'cartesian','dose',singleMeal)
ans = Scenarios (5 scenarios) Name Content Number ________ ___________________ ______ Entry 1 variants SimBiology variants 5 x Entry 2 dose SimBiology dose 1 See also Expression property.
sObj
содержит две записи. Используйте generate
функционируйте, чтобы объединить записи и сгенерировать пять сценариев. Функция возвращает таблицу сценариев, где каждая строка представляет сценарий, и каждый столбец представляет запись Scenarios
объект.
scenariosTbl = generate(sObj)
scenariosTbl=5×2 table
variants dose
______________________ _________________________
1x1 SimBiology.Variant 1x1 SimBiology.RepeatDose
1x1 SimBiology.Variant 1x1 SimBiology.RepeatDose
1x1 SimBiology.Variant 1x1 SimBiology.RepeatDose
1x1 SimBiology.Variant 1x1 SimBiology.RepeatDose
1x1 SimBiology.Variant 1x1 SimBiology.RepeatDose
Поменяйте имя записи первой записи.
rename(sObj,1,'Insulin Impairements')
ans = Scenarios (5 scenarios) Name Content Number ____________________ ___________________ ______ Entry 1 Insulin Impairements SimBiology variants 5 x Entry 2 dose SimBiology dose 1 See also Expression property.
Создайте SimFunction
объект симулировать сгенерированные сценарии. Используйте Scenarios
возразите как вход и задайте плазменные концентрации глюкозы и инсулина как reponses (выходные параметры функции, которая будет построена). Задайте []
для входного параметра дозы начиная с Scenarios
объект уже имеет информацию о дозах.
f = createSimFunction(m1,sObj,{'[Plasma Glu Conc]','[Plasma Ins Conc]'},[])
f = SimFunction Parameters: Name Value Type Units _________________________ ______ _____________ ___________________________________________ {'Plasma Volume (Glu)' } 1.88 {'parameter'} {'deciliter' } {'k1' } 0.065 {'parameter'} {'1/minute' } {'k2' } 0.079 {'parameter'} {'1/minute' } {'Plasma Volume (Ins)' } 0.05 {'parameter'} {'liter' } {'m1' } 0.19 {'parameter'} {'1/minute' } {'m2' } 0.484 {'parameter'} {'1/minute' } {'m4' } 0.1936 {'parameter'} {'1/minute' } {'m5' } 0.0304 {'parameter'} {'minute/picomole' } {'m6' } 0.6469 {'parameter'} {'dimensionless' } {'Hepatic Extraction' } 0.6 {'parameter'} {'dimensionless' } {'kmax' } 0.0558 {'parameter'} {'1/minute' } {'kmin' } 0.008 {'parameter'} {'1/minute' } {'kabs' } 0.0568 {'parameter'} {'1/minute' } {'kgri' } 0 {'parameter'} {'1/minute' } {'f' } 0.9 {'parameter'} {'dimensionless' } {'a' } 0 {'parameter'} {'1/milligram' } {'b' } 0.82 {'parameter'} {'dimensionless' } {'c' } 0 {'parameter'} {'1/milligram' } {'d' } 0.01 {'parameter'} {'dimensionless' } {'kp1' } 2.7 {'parameter'} {'milligram/minute' } {'kp2' } 0.0021 {'parameter'} {'1/minute' } {'kp3' } 0.009 {'parameter'} {'(milligram/minute)/(picomole/liter)' } {'kp4' } 0.0618 {'parameter'} {'(milligram/minute)/picomole' } {'ki' } 0.0079 {'parameter'} {'1/minute' } {'[Ins Ind Glu Util]' } 1 {'parameter'} {'milligram/minute' } {'Vm0' } 2.5129 {'parameter'} {'milligram/minute' } {'Vmx' } 0.047 {'parameter'} {'(milligram/minute)/(picomole/liter)' } {'Km' } 225.59 {'parameter'} {'milligram' } {'p2U' } 0.0331 {'parameter'} {'1/minute' } {'K' } 2.28 {'parameter'} {'picomole/(milligram/deciliter)' } {'alpha' } 0.05 {'parameter'} {'1/minute' } {'beta' } 0.11 {'parameter'} {'(picomole/minute)/(milligram/deciliter)'} {'gamma' } 0.5 {'parameter'} {'1/minute' } {'ke1' } 0.0005 {'parameter'} {'1/minute' } {'ke2' } 339 {'parameter'} {'milligram' } {'Basal Plasma Glu Conc'} 91.76 {'parameter'} {'milligram/deciliter' } {'Basal Plasma Ins Conc'} 25.49 {'parameter'} {'picomole/liter' } Observables: Name Type Units _____________________ ___________ _______________________ {'[Plasma Glu Conc]'} {'species'} {'milligram/deciliter'} {'[Plasma Ins Conc]'} {'species'} {'picomole/liter' } Dosed: TargetName TargetDimension __________ _____________________ {'Dose'} {'Mass (e.g., gram)'} TimeUnits: hour
Симулируйте модель в течение 24 часов и постройте данные моделирования. Данные содержат пять запусков, где каждый запуск представляет сценарий в объекте Scenarios.
sd = f(sObj,24); sbioplot(sd)
ans = Axes (SbioPlot) with properties: XLim: [0 25] YLim: [0 450] XScale: 'linear' YScale: 'linear' GridLineStyle: '-' Position: [0.0744 0.1100 0.3901 0.8150] Units: 'normalized' Show all properties
Если у вас есть Statistics and Machine Learning Toolbox™, можно также чертить демонстрационные значения для количеств модели от различных вероятностных распределений. Например, предположите что параметры Vmx
и kp3
, которые известны низкой и высокой чувствительностью инсулина, следуют за логарифмически нормальным распределением. Можно сгенерировать демонстрационные значения для этих параметров от такого распределения и выполнить скан, чтобы исследовать поведение модели.
Задайте логарифмически нормальный объект вероятностного распределения для Vmx
.
pd_Vmx = makedist('lognormal')
pd_Vmx = LognormalDistribution Lognormal distribution mu = 0 sigma = 1
По определению, параметр mu
среднее значение логарифмических значений. Чтобы варьироваться значение параметров вокруг основного значения (модели) параметра, установите mu
к log(
model_value
)
. Установите стандартное отклонение (сигма) на 0,2. Для маленького значения сигмы среднее значение логарифмически нормального distribtion приблизительно равно log(
model_value
)
. Для получения дополнительной информации смотрите Логарифмически нормальное Распределение (Statistics and Machine Learning Toolbox).
Vmx = sbioselect(m1,'Name','Vmx'); pd_Vmx.mu = log(Vmx.Value); pd_Vmx.sigma = 0.2
pd_Vmx = LognormalDistribution Lognormal distribution mu = -3.05761 sigma = 0.2
Так же задайте вероятностное распределение для kp3.
pd_kp3 = makedist('lognormal'); kp3 = sbioselect(m1,'Name','kp3'); pd_kp3.mu = log(kp3.Value); pd_kp3.sigma = 0.2
pd_kp3 = LognormalDistribution Lognormal distribution mu = -4.71053 sigma = 0.2
Теперь задайте объединенное вероятностное распределение, чтобы чертить демонстрационные значения для Vmx и kp3 с порядковой корреляцией, чтобы задать некоторую корреляцию между этими двумя параметрами. Обратите внимание на то, что это предположение корреляции в целях рисунка этого примера только и не может быть биологически релевантным.
Сначала удалите запись вариантов (запись 1) от sObj
.
remove(sObj,1)
ans = Scenarios (1 scenarios) Name Content Number ____ _______________ ______ Entry 1 dose SimBiology dose 1 See also Expression property.
Добавьте запись, которая задает объединенное вероятностное распределение с матрицей порядковой корреляции.
add(sObj,'cartesian',["Vmx","kp3"],[pd_Vmx, pd_kp3],'RankCorrelation',[1,0.5;0.5,1])
ans = Scenarios (2 scenarios) Name Content Number ____ ______________________ ___________ Entry 1 dose SimBiology dose 1 x (Entry 2.1 Vmx Lognormal distribution 2 (default) + Entry 2.2) kp3 Lognormal distribution 2 (default) See also Expression property.
По умолчанию количество отсчетов, чтобы чертить от совместного распределения установлено в 2. Увеличьте количество отсчетов.
updateEntry(sObj,2,'Number',50)
ans = Scenarios (50 scenarios) Name Content Number ____ ______________________ ______ Entry 1 dose SimBiology dose 1 x (Entry 2.1 Vmx Lognormal distribution 50 + Entry 2.2) kp3 Lognormal distribution 50 See also Expression property.
Проверьте что Scenarios
объект может быть симулирован с моделью. verify
функционируйте выдает ошибку, если какая-либо запись не решает исключительно к объекту в модели, или содержимое записи имеет противоречивые длины (объемы выборки). Функция выдает предупреждение, если многократные въезды решают к тому же объекту в модели.
verify(sObj,m1)
Сгенерируйте сценарии симуляции. Постройте демонстрационные значения с помощью plotmatrix
. Вы видите значение Vmx
варьируется вокруг его значения модели 0.047 и тот из kp3
приблизительно 0,009.
sTbl = generate(sObj); [s,ax,bigax,h,hax] = plotmatrix([sTbl.Vmx,sTbl.kp3]); ax(1,1).YLabel.String = "Vmx"; ax(2,1).YLabel.String = "kp3"; ax(2,1).XLabel.String = "Vmx"; ax(2,2).XLabel.String = "kp3";
Симулируйте сценарии с помощью того же SimFunction, который вы создали ранее. Вы не должны создавать новый объект SimFunction даже при том, что объект Scenarios был обновлен.
sd2 = f(sObj,24); sbioplot(sd2);
По умолчанию SimBiology использует случайный метод выборки. Можно изменить его в латинскую выборку гиперкуба (или sobol или Холтон) для более систематического заполняющего пространство подхода.
entry2struct = getEntry(sObj,2)
entry2struct = struct with fields:
Name: {'Vmx' 'kp3'}
Content: [2x1 prob.LognormalDistribution]
Number: 50
RankCorrelation: [2x2 double]
Covariance: []
SamplingMethod: 'random'
SamplingOptions: [0x0 struct]
entry2struct.SamplingMethod = 'lhs'
entry2struct = struct with fields:
Name: {'Vmx' 'kp3'}
Content: [2x1 prob.LognormalDistribution]
Number: 50
RankCorrelation: [2x2 double]
Covariance: []
SamplingMethod: 'lhs'
SamplingOptions: [0x0 struct]
Можно теперь использовать обновленную структуру, чтобы изменить запись 2.
updateEntry(sObj,2,entry2struct)
ans = Scenarios (50 scenarios) Name Content Number ____ ______________________ ______ Entry 1 dose SimBiology dose 1 x (Entry 2.1 Vmx Lognormal distribution 50 + Entry 2.2) kp3 Lognormal distribution 50 See also Expression property.
Визуализируйте демонстрационные значения.
sTbl2 = generate(sObj); [s,ax,bigax,h,hax] = plotmatrix([sTbl2.Vmx,sTbl2.kp3]); ax(1,1).YLabel.String = "Vmx"; ax(2,1).YLabel.String = "kp3"; ax(2,1).XLabel.String = "Vmx"; ax(2,2).XLabel.String = "kp3";
Симулируйте сценарии.
sd3 = f(sObj,24); sbioplot(sd3);
Восстановите предупреждение настроек.
warning(warnSettings);
SimBiology.Scenarios
ТерминологияЭтот раздел аннотирует отображение командной строки SimBiology.Scenarios
возразите и объясняет термины, показанные в выходе. А именно, это объясняет эту терминологию: Scenarios
, Entry
, Subentry
Имя
, Content
, Number
Выражение
, inconsistent
и Diagnosis
.
Сопоставимый
Scenarios
объект имеет записи, которые имеют правильное количество отсчетов так, чтобы записи могли быть объединены без ошибки. Пример сопоставимого Scenarios
объект показывают затем.
Противоречивый объект Scenarios имеет одну или несколько записей с неправильным количеством отсчетов. Необходимо откорректировать эти записи, прежде чем можно будет использовать объект для симуляции. Пример противоречивого объекта показывают затем.
Diagnosis
столбец предлагает который записи зафиксировать, чтобы иметь правильное количество отсчетов. Использование updateEntry
, rename
, и remove
отредактировать записи.
[1] Iman, R. и В.Дж. Коновер. 1982. Подход без распределений к стимулированию порядковой корреляции среди входных переменных. Коммуникации в Статистике - Симуляция и Расчет. 11 (3):311–334.
У вас есть модифицированная версия этого примера. Вы хотите открыть этот пример со своими редактированиями?
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.