История изменений

Посмотрел на картинку и не понял в чём проблема.

Ну там модель, что бы тестировать критерии. Вот с эксперимента. Функция есть уже, не новосибирская, но похожая, выбранная и общефизических соображений. Проблема в том что бы найти критерий отсечки — когда флуктуация, а когда амплитуды уже близки к шумам, но кривая ещё в явном виде проглядывается, например за счёт большой полуширины.

В чём задача.

У меня 4х параметрическая функция, но в основном нужно искать положения максимумов и площадь под кривой, полуширина и форма — уже интересуют поскольку-поскольку. В принципе, сама модель не важна, важно насколько модельная кривая ложится на экспериментальную.

Некоторые вообще не используют модель — влоб численно интегрируют по областям, но это так себе способ, особенно, учитывая, что границы этих областей определены не строго + накапливающаяся ошибка, которую нужно корректировать.

Крайне опасная практика. Отсекать данные лучше не по результатам подгонки, а поискать причины по которой эти данные выпали. Очень может случиться, что нужно будет дискриминировать и другие данные.

Они не выпадают, я получаю все, но детально рассматривать хочу только те, в которых «уверен». В принципе, то что выпадает видно в виде области в параметрическом пространстве, которая соответствует сигналам малой (сравнимой с шумами) амплитуды и малой длительности.

Посмотрел на картинку и не понял в чём проблема.

Ну там модель, что бы тестировать критерии. Вот с эксперимента. Функция есть уже, не новосибирская, но похожая, выбранная и общефизических соображений. Проблема в том что бы найти критерий отсечки — когда флуктуация, а когда амплитуды уже близки к шумам, но кривая ещё в явном виде проглядывается, например за счёт большой полуширины.

В чём задача.

У меня 4х параметрическая функция, но в основном нужно искать положения максимумов и площадь под кривой, полуширина и форма — уже интересуют поскольку-поскольку. В принципе, сама модель не важна, важно насколько модельная кривая ложится на экспериментальную.

Некоторые вообще численно интегрируют по областям, но это так себе способ, особенно, учитывая, что границы этих областей определены не строго + накапливающаяся ошибка, которую нужно корректировать.

Крайне опасная практика. Отсекать данные лучше не по результатам подгонки, а поискать причины по которой эти данные выпали. Очень может случиться, что нужно будет дискриминировать и другие данные.

Они не выпадают, я получаю все, но детально рассматривать хочу только те, в которых «уверен». В принципе, то что выпадает видно в виде области в параметрическом пространстве, которая соответствует сигналам малой (сравнимой с шумами) амплитуды и малой длительности.

Посмотрел на картинку и не понял в чём проблема.

Ну там модель, что бы тестировать критерии. Вот с эксперимента. Функция есть уже, не новосибирская, но похожая, выбранная и общефизических соображений. Проблема в том что бы найти критерий отсечки — когда флуктуация, а когда амплитуды уже близки к шумам, но кривая ещё в явном виде проглядывается, например за счёт большой полуширины.

В чём задача.

У меня 4х параметрическая функция, но в основном нужно искать положения максимумов и площадь под кривой, полуширина и форма — уже интересуют поскольку-поскольку. В принципе, сама модель не важна, важно насколько модельная кривая ложится на экспериментальную.

Некоторые вообще численно интегрируют по областям, но это так себе способ, особенно, учитывая, что границы этих областей определены не строго + накапливающаяся ошибка, которую нужно корректировать.

Крайне опасная практика. Отсекать данные лучше не по результатам подгонки, а поискать причины по которой эти данные выпали. Очень может случиться, что нужно будет дискриминировать и другие данные.

Они не выпадают, я получаю все, но детально рассматривать хочу только те, в которых «уверен». В принципе, то что выпадает видно в виде области в параметрическом пространстве, которая соответствует сигналам малой (сравнимой с шумами) амплитуды.

Посмотрел на картинку и не понял в чём проблема.

Ну там модель, что бы тестировать критерии. Вот с эксперимента. Функция есть уже, не новосибирская, но похожая, выбранная и общефизических соображений. Проблема в том что бы найти критерий отсечки — когда флуктуация, а когда амплитуды уже близки к шумам, но кривая ещё в явном виде проглядывается, например за счёт большой полуширины.

В чём задача.

У меня 4х параметрическая функция, но в основном нужно искать положения максимумов и площадь под кривой, полуширина и форма — уже интересуют поскольку-поскольку. В принципе, сама модель не важна, важно насколько модельная кривая ложится на экспериментальную.

Некоторые вообще численно интегрируют по областям, но это так себе способ, особенно, учитывая, что границы этих областей определены не строго.

Крайне опасная практика. Отсекать данные лучше не по результатам подгонки, а поискать причины по которой эти данные выпали. Очень может случиться, что нужно будет дискриминировать и другие данные.

Они не выпадают, я получаю все, но детально рассматривать хочу только те, в которых «уверен». В принципе, то что выпадает видно в виде области в параметрическом пространстве, которая соответствует сигналам малой (сравнимой с шумами) амплитуды.

Посмотрел на картинку и не понял в чём проблема.

Ну там модель, что бы тестировать критерии. Вот с эксперимента. Функция есть уже, не новосибирская, но похожая, выбранная и общефизических соображений. Проблема в том что бы найти критерий отсечки — когда флуктуация, а когда амплитуды уже близки к шумам, но кривая ещё в явном виде проглядывается, например за счёт большой полуширины.

В чём задача.

У меня 4х параметрическая функция, но в основном нужно искать положения максимумов и площадь под кривой, полуширина и форма — уже интересуют поскольку-поскольку. В принципе, сама модель не важна, важно насколько

Некоторые втупую численно интегрируют по областям, но это так себе способ, особенно, учитывая, что границы этих областей определены не строго.

Крайне опасная практика. Отсекать данные лучше не по результатам подгонки, а поискать причины по которой эти данные выпали. Очень может случиться, что нужно будет дискриминировать и другие данные.

Они не выпадают, я получаю все, но детально рассматривать хочу только те, в которых «уверен». В принципе, то что выпадает видно в виде области в параметрическом пространстве, которая соответствует сигналам малой (сравнимой с шумами) амплитуды.

Посмотрел на картинку и не понял в чём проблема.

Ну там модель, что бы тестировать критерии. Вот с эксперимента. Функция есть уже, не новосибирская, но похожая, выбранная и общефизических соображений. Проблема в том что бы найти критерий отсечки когда амплитуды уже близки к шумам, но кривая ещё в явном виде проглядывается, например за счёт большой полуширины.

В чём задача.

У меня 4х параметрическая функция, но в основном нужно искать положения максимумов и площадь под кривой, полуширина и форма — уже интересуют поскольку-поскольку. В принципе, сама модель не важна, важно насколько

Некоторые втупую численно интегрируют по областям, но это так себе способ, особенно, учитывая, что границы этих областей определены не строго.

Крайне опасная практика. Отсекать данные лучше не по результатам подгонки, а поискать причины по которой эти данные выпали. Очень может случиться, что нужно будет дискриминировать и другие данные.

Они не выпадают, я получаю все, но детально рассматривать хочу только те, в которых «уверен». В принципе, то что выпадает видно в виде области в параметрическом пространстве, которая соответствует сигналам малой (сравнимой с шумами) амплитуды.