Росгидромет
06.12.2019
01.11.2020
Действует c 01.11.2020
Руководящий документ РД 52.18.885-2019
Определение значений региональных фоновых концентраций органических загрязняющих веществ в почвах
РД 52.18.885-2019
РУКОВОДЯЩИЙ ДОКУМЕНТ
ОПРЕДЕЛЕНИЕ ЗНАЧЕНИЙ РЕГИОНАЛЬНЫХ ФОНОВЫХ КОНЦЕНТРАЦИЙ ОРГАНИЧЕСКИХ ЗАГРЯЗНЯЮЩИХ ВЕЩЕСТВ В ПОЧВАХ
Дата введения 2020-11-01
Предисловие
1 РАЗРАБОТАН Федеральным государственным бюджетным учреждением "Научно-производственное объединение "Тайфун" (ФГБУ "НПО "Тайфун")
2 РАЗРАБОТЧИКИ В.Е.Попов, канд. с.-х. наук; Н.Н.Лукьянова, канд. хим. наук; М.А.Запевалов, канд. хим. наук
3 СОГЛАСОВАН с Управлением мониторинга состояния и загрязнения окружающей среды (УМСЗ) Росгидромета 05.12.2019
4 УТВЕРЖДЁН Руководителем Росгидромета 06.12.2019
ВВЕДЁН В ДЕЙСТВИЕ приказом Росгидромета от 30.12.2019 N 744
5 ЗАРЕГИСТРИРОВАН головной организацией по стандартизации Росгидромета ФГБУ "НПО "Тайфун" 13.12.2019
ОБОЗНАЧЕНИЕ РУКОВОДЯЩЕГО ДОКУМЕНТА
РД 52.18.885-2019
6 ВВЕДЁН ВПЕРВЫЕ
7 СРОК ПЕРВОЙ ПРОВЕРКИ 2025 год
ПЕРИОДИЧНОСТЬ ПРОВЕРКИ 5 ЛЕТ
1. Область применения
1.1 Настоящий руководящий документ устанавливает принципы и методы определения статистических характеристик региональной фоновой концентрации (далее - РФК) органического загрязняющего вещества (далее - ОЗВ): полиароматических углеводородов (далее - ПАУ), нефтяных углеводородов (далее - НУВ) и фенола в почвах региона*.
_______________
* Помимо административной области или района предлагаемый алгоритм расчёта РФК по согласованию с разработчиками руководящего документа может быть использован и для других территорий со строго очерченными границами.
1.2 Для получения достоверных статистических характеристик РФК ОЗВ настоящий руководящий документ даёт указания по стратегии выбора фоновых пробных площадок, количеству отбираемых проб почвы, статистической обработке данных измерений.
1.3 Настоящий руководящий документ предназначен для организаций Росгидромета, в том числе оперативно-производственных подразделений, осуществляющих мониторинг почвенного покрова Российской Федерации.
2. Нормативные ссылки
В настоящем руководящем документе использованы ссылки на следующие нормативные документы:
ГОСТ 17.4.4.02-2017 Почвы. Методы отбора и подготовки проб для химического, бактериологического, гельминтологического анализа
ГОСТ Р ИСО 5479-2002 Статистические методы. Проверка отклонения распределения вероятностей от нормального распределения
ГОСТ Р 50779.29-2017 Статистические методы. Статистическое представление данных. Часть 6. Определение статистических толерантных интервалов
ГОСТ Р 50779.10-2000 (ИСО 3534-1-93) Статистические методы. Вероятность и основа статистики. Термины и определения
ISO 11259:1998* Качество почвы. Упрощённое описание почвы (ISO 11259:1998, IDT)
Примечание - При пользовании настоящим руководящим документом целесообразно проверять действие стандартов - в информационной системе общего пользования - на официальном сайте федерального органа исполнительной власти в сфере стандартизации в сети Интернет или по ежегодно издаваемому информационному указателю "Национальные стандарты", который опубликован по состоянию на 1 января текущего года, и по выпускам ежемесячно издаваемого информационного указателя "Национальные стандарты" за текущий год.
Если ссылочный документ заменён (изменён), то при пользовании настоящим руководящим документом следует руководствоваться заменённым (изменённым) нормативным документом. Если ссылочный нормативный документ отменён без замены, то положение, в котором дана ссылка на него, применяется в части, не затрагивающей эту ссылку.
3. Термины и определения
В настоящем руководящем документе применены следующие термины с соответствующими определениями:
3.1 вклад диффузного источника: Вклад ОЗВ, выделяемого перемещающимися источниками, источниками с большой площадью или многочисленными источниками.
3.2 выборка: Часть генеральной совокупности элементов, отобранных для изучения, с целью получения информации о ней.
3.3 выброс: Концентрация химиката, которая является резко выделяющейся по величине по отношению к остальному массиву данных.
3.4 генеральная совокупность: Совокупность всех объектов (единиц), относительно которых предполагается делать выводы при изучении конкретной задачи.
3.5 доверительный интервал: Интервальная оценка параметра распределения с известной вероятностью включения в интервал значений.
Примечание - Например, оценка доверительного интервала 95% среднего значения совокупности представляет собой интервал, который будет содержать истинное значение среднего в 95% всех выборок, которые могут быть выбраны с заданной схемой выборки.
3.7 концептуальная модель: Описание ожидаемого источника поступления загрязняющих веществ и его влияния на окружающую среду, включая пространственную область воздействия, пути поступления, миграцию, трансформацию и сток.
3.8 органическое загрязняющее вещество; ОЗВ: Органическое вещество, которое при превышении некоторой пороговой концентрации (установленного для него норматива) может оказывать негативное воздействие на окружающую среду.
3.9 показатели РФК: Показатели статистически достоверных точечных и интервальных оценок РФК, рассчитанные на основе данных измерений содержания ОЗВ в пробах почвы фоновых территорий, отобранных случайным образом.
3.10 предел обнаружения: Минимальное содержание определяемого ОЗВ в пробе почвы, сигнал от которого можно надёжно отличить от шумового сигнала прибора.
Примечание - Обычно предел обнаружения принимают равным утроенному значению стандартного отклонения шумового сигнала.
3.11 простая случайная выборка: Метод выборки, где образцы собираются в случайные моменты времени или местоположения в течение периода выборки или области исследования.
3.12 регион: Территория со строго очерченными границами (административная область или административный район).
3.13 региональная фоновая концентрация; РФК: Истинная средняя концентрация ОЗВ в почвах фоновой части территории региона.
3.14 систематический отбор: Метод определения местоположения выборок, в которых места расположения выборок расположены в узлах геометрической сетки (например, квадрат, прямоугольник, треугольник, шестиугольник).
3.15 случайная величина: Набор наблюдаемых значений переменной.
3.16 статистическая характеристика: Цифровой показатель, вычисленный из случайной величины выбранного параметра совокупности.
|
3.17 толерантная граница: Граница толерантного интервала.
[ГОСТ Р 50779.29-2017, пункт 3.1.2]
3.18 толерантный интервал: Интервал, для которого можно утверждать с данным уровнем доверия, что он содержит, по крайней мере, заданную долю определённой совокупности.
[ГОСТ Р 50779.10-2000, пункт 2.61] |
3.19 фоновая территория: Территория региона за исключением территории, подверженной непосредственному воздействию локальных источников ОЗВ, территорий транспортной инфраструктуры и промышленного зонирования.
3.20 экспертная оценка: Использование накопленных научно-технических знаний, опыта работы и знания современных научных исследований для оценки значений регионального фона.
4. Сокращения
В настоящем руководящем документе введены и применены следующие сокращения:
- ВДГ - верхняя доверительная граница среднего арифметического;
- ВДГ(М) - верхняя доверительная граница медианы;
- МКД - межквартильный диапазон (разница между 25 и 75 персентилями выборки);
- НУВ - общее содержание нефтяных углеводородов;
- ОДК - ориентировочная допустимая концентрация;
- ОЗВ - органическое загрязняющее вещество;
- ПАУ - полиароматические углеводороды;
- ПДК - предельно допустимая концентрация;
- РФК - региональная фоновая концентрация;
- BaPeq - бензапиреновый эквивалент;
- JB - статистический критерий Харке-Бера;
- SF - статистический критерий Шапиро-Франчия;
- SW - статистический критерий Шапиро-Уилкса;
- W/s - критерий отношения диапазона к стандартному отклонению.
5. Основные положения
5.1 Фоновое содержание ОЗВ в почве может быть обусловлено природными причинами (разложением растительных остатков и гумуса, синтезом микробной биомассы) и антропогенными причинами за счёт диффузного загрязнения. Диффузное загрязнение почв возникает в результате рассеяния ОЗВ из крупных точечных источников (например, путём рассеяния переносимых воздухом на большие и малые расстояния выбросов промышленных предприятий и переноса загрязняющих отходов паводком), ОЗВ из менее мощных, но имеющих повсеместное распространение источников (транспортных средств, бытовых отопительных систем, малых предприятий по сжиганию отходов и т.д.), а также осуществления загрязняющих видов деятельности, связанных с землепользованием (например, в результате разноса загрязняющих отходов или операций опрыскивания в сельском хозяйстве). Содержание ОЗВ в почве можно разделить на природную и антропогенную фракции. Отношение этих фракций меняется в широких пределах в зависимости от типа органического вещества, типа почвы и типа землепользования, а также от вида и степени внешнего загрязнения. Содержание стойких ОЗВ, например ПАУ с пятью и более кольцами, в почве чаще всего обусловлено антропогенными источниками. Поэтому фоновое содержание таких ОЗВ в основном обусловлено типом и размером диффузного загрязнения из отдалённых источников.
5.2 Показатели РФК ОЗВ, рассчитанные в соответствии с настоящим РД, могут быть использованы для:
а) определения текущего содержания ОЗВ в почвах региона;
б) оценки динамики РФК ОЗВ с течением времени;
в) оценки степени загрязнения почвы по сравнению с предельно допустимыми концентрациями (ПДК), или ориентировочно допустимыми концентрациями (ОДК);
г) оценки степени загрязнения почв (кратности величины РФК) при отсутствии ПДК и ОДК;
д) расчёта риска для человека, вызванного присутствием ОЗВ в почве;
е) идентификации участков территории с повышенным фоновым содержанием из-за особенностей почвенного покрова и рельефа местности;
ж) определения суммарного индекса загрязнения почвы.
5.3 Значения РФК представляют собой статистические характеристики математической обработки выборки из статистической совокупности (где выборка - это массив результатов измерений концентрации ОЗВ в пробах почвы (например, проб массой 1 кг), отобранных на фоновых пробных площадках в пределах территории данного региона, а генеральная совокупность - это масса всего верхнего слоя почвы изучаемого региона).
Математическая статистическая обработка проводится для:
а) отбора данных соответствующих фоновому содержанию в почве (то есть проверка на выпадающие значения (выбросы));
б) характеристики центральности данных и степени их разброса.
Набор статистических характеристик зависит от вида распределения полученных данных:
а) для нормального распределения данных:
2) стандартное отклонение s;
б) для логнормального распределения данных:
в) для непараметрического распределения данных:
5.4 Использование статистических характеристик РФК зависит от конкретной задачи (оценка динамики РФК, оценка загрязнения почвы в результате деятельности локального источника, конкретного ОЗВ).
5.5 Список ОЗВ, для которых требуется рассчитать показатели РФК, определяется организацией в каждом конкретном случае.
5.6 Для расчёта используют массив данных химического анализа проб почвы, количество которых достаточно для вычисления статистически обоснованных характеристик РФК.
5.7 Отбор и анализ проб почвы на территории данного региона проводится в соответствии с ГОСТ 17.4.4.02.
5.8 Для контроля динамики диффузного загрязнения окружающей среды региона расчёт параметров РФК должен проводиться периодически не реже одного раза в 5 лет.
5.9 Расчётные показатели РФК ОЗВ действительны в течение пяти лет со дня выдачи официального ответа на запрос, после чего подлежат пересмотру. В случае значительного изменения уровней загрязнения в результате ввода или реконструкции крупных предприятий, являющихся источниками диффузного загрязнения ОЗВ на территории региона, показатели РФК независимо от сроков их установления могут быть скорректированы по просьбе субъектов, действующих на территории региона.
Рассчитываемая средняя концентрация РФК (в статистических терминах среднее арифметическое статистической выборки) является только отражением средней величины реальной концентрации ОЗВ (в статистических терминах, генеральной совокупности). При повторном случайном отборе проб почвы эта средняя концентрация ОЗВ будет другой. Поэтому в настоящем руководящем документе за РФК принимают интервал, в который будет попадать средняя РФК при доверительной вероятности 95%. То есть при проведении на данной территории 100 обследований (экспедиций) 95% средних величин РФК будут находиться в некотором интервале от средней величины, рассчитываемой по результатам единственной экспедиции. Таким образом, РФК характеризуется интервалом от нижней границы 95% доверительного интервала среднего арифметического РФК до верхнего 95% доверительного интервала среднего арифметического РФК. Вместе с тем для принятия решений о кратности загрязнения почвы ОЗВ фоновому уровню наиболее часто используемым значением РФК будет являться величина среднего арифметического.
В некоторых случаях для расчёта фоновой концентрации ОЗВ в незагрязненных почвах могут использоваться статистически достоверные корреляционные зависимости РФК от содержания органического углерода или содержания глинистых частиц в почве.
6. Основные требования к расчёту РФК ОЗВ
6.1 Оценку статистических характеристик РФК ОЗВ проводят поданным выборки. Основными статистическими характеристиками РФК являются математическое ожидание, медиана, среднее квадратическое отклонение или коэффициент вариации истинной средней концентрация ОЗВ в почве. Для оценки статистических характеристик РФК ОЗВ в настоящем руководящем документе используются графические методы и формальные статистические критерии. Графические методы позволяют просматривать данные и улучшить их понимание. Формальные статистические критерии обеспечивают статистическую достоверность оценочным показателям РФК ОЗВ.
6.2 Экспертная оценка является неотъемлемой частью методологии определения РФК ОЗВ. Экспертную оценку проводят при оценке полноты выборки, выборе соответствующего статистического критерия и формулировки заключений об уровне РФК на основе статистического анализа. Экспертная оценка должна быть обоснована, содержать ссылки на действующую нормативную документацию и сопровождаться вспомогательной информацией, на основе которой она была основана.
7. Общие вопросы методологии определения РФК ОЗВ в почвах
7.1 Определение РФК ОЗВ охватывает вопросы сбора предварительной информации о фоновых уровнях ОЗВ и вопросы экспериментального определения РФК. Экспериментальное определение РФК включает отбор проб почвы (стратегию и процедуру), химический анализ (предварительную обработку, извлечение и измерение), статистическую обработку и представление данных. Перед началом работ по определению РФК ОЗВ необходимо провести:
а) выбор анализируемых веществ и почвенных параметров (например, сумма ПАУ в почве, содержание бенз(а)пирена или индивидуального ПАУ, содержание в почве органического углерода и/или глинистых частиц);
б) описание территории исследования с чётким обозначением её границ;
в) определение отрезка времени, в течение которого отбирают образцы почвы и периода времени, в течение которого используют полученные показатели РФК.
7.2 РФК определяют для ОЗВ из перечня приоритетных загрязнителей, приведённых в приложении А. С практической точки зрения главный интерес представляют наиболее стойкие и малоподвижные соединения по причине их значительной сорбционной способности и накопления в почве, в то время как их испарение, биодеградация и миграция незначительны.
В отобранных пробах почвы также определяют почвенные параметры, наиболее важные с точки зрения миграции и трансформации этих ОЗВ:
а) тип почвы в соответствии с классификацией 1977 года [1];
б) рН солевая (1 н KCI);
в) содержание органического углерода;
г) гранулометрический состав.
7.2 РФК определяют для территории региона:
а) территории административной области;
б) территории административного района;
в) другой территории с заданными размерами (по согласованию с разработчиками настоящего руководящего документа).
Примечание - При использовании значений РФК ОЗВ включается название региона. Например, показатели РФК ОЗВ для Калужской области, показатели РФК ОЗВ для муниципального образования "город Обнинск" и т.п.
Обследуемая территория может быть очерчена в соответствии с двумя принципами:
а) географический принцип (на карте очерчивается контур территории обследования по координатам, в пределах которых она находится);
б) принцип стратификации (на карте очерчивается контур территории, и эта территория стратифицируется по типу почвы, типу землепользования или высоты над уровнем моря).
Фоновыми территориями считаются территории, которые могут быть загрязнены за счёт диффузных источников загрязнения (глобальных и региональных), за исключением случаев очевидного воздействия локальных источников. Поэтому на карте региона выделяют территории потенциального локального загрязнения и далее эти территории не учитывают при разработке плана отбора проб почвы. При определении РФК не учитывают следующие территории:
а) территория, удалённая на 500 м в обе стороны от дорог с грунтовым или асфальтовым покрытием с числом полос движения не менее 2;
б) территория, эквивалентная трём размерам защитных санитарных зон;
в) при наличии на предприятии трубы, выбрасывающей загрязнители, территория на расстоянии радиусом 40 высот трубы от места расположения трубы;
г) в городах не рассматриваются территории, помеченные на карте границ территориальных зон города как территории, относящиеся к производственно-коммунальным зонам и зонам инженерной и транспортной инфраструктуры.
7.3. При определении времени отбора проб почвы для определения РФК ОЗВ учитывают период, в течение которого РФК может значительно измениться под воздействием человеческой деятельности. Интервал между определениями РФК должен быть основан на
а) предполагаемой скорости обогащения почвы ОЗВ за счёт диффузных источников;
б) предполагаемой скорости потери ОЗВ из почвы за счёт вертикальной миграции, биодеградации, испарения и поглощения растениями;
в) величине ошибки определения концентрации ОЗВ при химическом анализе и допустимой статистической погрешности определения средней концентрации РФК.
7.4 Показатели РФК могут быть определены на основании:
а) оценки существующих данных (из различных литературных источников);
б) сбора новых данных на основании соответствующей стратегии экспериментального определения РФК.
8. Оценка и отбор существующих данных для определения РФК ОЗВ
8.1 При использовании существующих данных особое внимание необходимо обращать на качество и сравнимость данных, особенно если данные собраны из разных источников. Соответствующая стратегия гармонизации должна охватывать такие вопросы, как
а) проверка полноты набора данных на основании принимаемых минимальных требований;
б) оценка совместимости различных методов отбора проб почвы и методов химического анализа,
в) идентификация и удаление из набора данных, резко выделяющихся наблюдений (выбросов).
В отобранных данных должна содержаться информация:
а) о дате отбора пробы;
б) об использованном принципе выбора месторасположения пробной площадки (метод случайного отбора, метод отбора в узлах сетки и т.д.);
в) о месторасположении пробной площадки (координаты);
г) о глубине отбора пробы почвы;
д) о методе отбора проб почвы;
е) о пробной площадке (типе почвы, типе землепользования);
ж) о методике анализа.
Эта информация может быть использована для отбора литературных данных с точки зрения их пригодности для определения РФК ОЗВ.
8.2 В каждом индивидуальном случае должны оцениваться сопоставимость методик предварительной обработки проб почвы и аналитические методы (степень извлечения, точность измерений).
8.3 РФК в почвах включает некоторую концентрацию ОЗВ за счёт диффузного загрязнения. При этом исключаются места, загрязнение которых обусловлено локальными источниками. Поэтому из литературного набора данных необходимо удалить данные, явно связанные с местами локального загрязнения. Для этого применяют как географические, так и статистические методы идентификации выбросов. Способы исключения выбросов приведены в подразделе 11.9.
9. Сбор новых данных для определения РФК ОЗВ
9.1 Если в результате работы с литературными источниками для определения статистически достоверного уровня РФК ОЗВ данных не хватает, то необходимо проводить отбор проб почвы в фоновых районах данного региона. Содержание ОЗВ в почве состоит из природной компоненты и компоненты, обусловленной диффузным антропогенным загрязнением. Природное содержание ОЗВ во многом зависит от типа почвы, в том числе от содержания органического углерода и глинистых частиц. Тип землепользования и расстояние до источников загрязнения также влияют на фоновое содержание ОЗВ в почве. Отбор проб почвы для характеристики фона должен учитывать динамический характер загрязнения почвы ОЗВ.
Хорошо разработанный план отбора проб почвы играет критически важную роль при обеспечении необходимого количества данных для достоверного определения значений РФК. С помощью соответствующего плана решается вопрос о репрезентативности значений РФК ОЗВ (степени статистической достоверности, с которой значения характеризуют РФК и степень её изменчивости). План по отбору проб почвы включает объяснение и обоснование числа отбираемых образцов, месторасположение пробных площадок и интервал времени, в течение которого эти пробы должны быть отобраны.
При определении РФК ОЗВ статистической совокупностью служат все единицы, из которых эта статистическая совокупность состоит. Например, площадь территории региона может быть отожествлена с множеством площадей, эквивалентных площади пробной площадки (пробная площадка рассматривается здесь как небольшой участок земли размером 10x10 м, с которого методом конверта отбирается смешанный образец почвы массой около 1 кг). Или масса верхнего слоя почвы региона может быть отожествлена с множеством образцов почвы массой 1 кг. Типы планов по отбору проб почвы, которые основаны на использовании статистических методов для последующего анализа результатов и обоснования значений РФК ОЗВ, представлены в 9.1.1-9.1.3.
9.1.1 Метод простого случайного отбора основан на теории случайной вероятности отбора единиц выборки (каждая точка отбора имеет равную вероятность выбора). Координаты для отбора образцов почвы выбираются случайным образом (например, с помощью генератора случайных чисел). Метод простого случайного отбора используется в случае более или менее одинакового уровня загрязнения почвы. Главными достоинствами использования этого метода являются:
а) статистически обоснованная оценка среднего арифметического и стандартного отклонения содержания ОЗВ в почве;
б) лёгкость для понимания;
в) простота оценки количества отбираемых проб почвы.
9.1.2 Систематический отбор проб почвы, также называемый методом отбора по сетке, состоит из отбора проб в узлах квадратной, треугольной или ромбической сетки. Систематический метод отбора проб почвы обеспечивает равномерный охват территории и прост в использовании. При этом важные характеристики определяемой совокупности не будут упущены. Кроме того, отбор образцов, взятый через регулярные интервалы, используют для оценки пространственных или временных корреляций значений РФК ОЗВ. При случайном систематическом отборе проб почвы начальные координаты сетки для отбора проб почвы выбирают случайным образом. Если отбор образцов почвы в данной точке невозможен из-за наличия зданий, водной поверхности или по другим причинам, с помощью систематического подхода может быть выбрана новая пробная площадка.
9.1.3 При стратифицированном случайном отборе образцов территорию региона разделяют на страты (участки), которые являются более однородными, чем исходная территория. Разделение территории региона на страты проводят в соответствии с типом почвы и/или типом землепользования. Для отбора проб почвы из каждой страты можно использовать простой или систематический методы случайного отбора образцов. Этот подход используют при оценке параметров РФК ОЗВ для территории региона со значительным количеством сильно отличающихся типов почвы или типов землепользования. При планировании отбора проб почвы собирают и оценивают информацию о типах почвы и типу землепользования. Рекомендуемые типы землепользования приведены в приложении В (раздел "Факторы почвообразования").
9.2 Достоверность статистических характеристик РФК ОЗВ зависит от количества отбираемых проб почвы. Чтобы определить минимальное число образцов почвы, необходимое для надёжной оценки средней концентрации ОЗВ на территории региона, предварительно оценивают величину стандартного отклонения. При этом оценка стандартного отклонения не должна быть меньше истинного стандартного отклонения генеральной совокупности. Предварительная оценка стандартного отклонения РФК может быть основана на предварительном исследовании территории региона или на другом исследовании, проведённом на территории с характеристиками, аналогичными исследуемой территории. В отсутствие предварительной информации можно оценить стандартное отклонение путём деления ожидаемого диапазона изменения РФК ОЗВ на шесть, т.е.
Однако такая оценка является лишь грубым приближением и должна использоваться только при отсутствии других источников информации.
При определении количества отбираемых проб почвы, при которой погрешность средней концентрации не превышает заданной величины (например, если погрешность определения РФК не должна превышать 30%) используют предварительную информацию об ожидаемом типе статистического распределения РФК ОЗВ (нормальное, логнормальное или непараметрическое). Методы, которые могут быть использованы при планировании отбора проб почвы, приведены в 9.2.1-9.2.3. Количество отбираемых проб почвы для определения РФК ОЗВ не может быть меньше девяти (в том числе при стратифицированном отборе проб почвы количество отбираемых образцов не может быть меньше девяти на страту).
9.2.1 Если статистическое распределение РФК на территории изучаемого региона может быть охарактеризовано как нормальное, соответствующее количество образцов, необходимое для характеристики РФК, может быть рассчитано с помощью одного из следующих методов.
9.2.2 Для определения числа отбираемых образцов почвы при логнормальном распределении РФК используют метод Лэнда в соответствии с приложением Е.
9.2.3 Если распределение РФК нельзя описать нормальным или логнормальным распределением, то количество отбираемых образцов почвы для такого непараметрического распределения для того, чтобы с 95% вероятностью считать, что РФК находится в интервале, включающем 95% всех измерений, будет не менее 59 в соответствии с ГОСТ Р 50779.29-2017.
9.3 Интерпретация фоновых концентраций ОЗВ в почве требует общей информации о территории обследования. Наиболее важные параметры для описания почвы обследуемой территории приведены в приложении В [3].
9.4 Отбор проб почвы осуществляется в соответствии с ГОСТ 17.4.4.02. Пробы почвы отбирают с глубины от 0 до 5 см и от 5 до 20 см.
9.5 Если концентрация ОЗВ не меняется в течение года, то взятие проб почвы можно проводить в любое время года. Практические вопросы отбора проб рассматриваются перед определением периода времени для отбора образцов почвы. Например, во влажный сезон трудно отбирать образцы почвы из-за близкого уровня залегания грунтовых вод. И, наоборот, во время засухи почва становится твёрдой. Доступ к некоторым участками может быть затруднён из-за растущих сельскохозяйственных культур. В этом случае рекомендуется отбирать пробы вскоре после уборки урожая или сразу после посева.
9.6 Отобранные пробы почвы могут храниться в течение несколько лет после их отбора для определения концентраций других ОЗВ, которые могут представлять интерес в будущем. Высушенные образцы почвы должны храниться в герметичных контейнерах. Контейнеры должны храниться в комнате с низкой влажностью воздуха, которая защищена от пыли, света и значительных изменений температуры.
10. Анализ загрязняющих веществ в почве
10.1 В отобранных образцах почвы измеряют два набора параметров. Первым параметром является концентрация ОЗВ. Вторым параметром является основное почвенное свойство (содержание органического вещества и/или содержание глины). Эти параметры необходимы для оценки статистических характеристик РФК и для расчёта с помощью корреляционных зависимостей фонового содержания ОЗВ, если для данной пробной площадки известна величина только основного почвенного свойства.
10.2 Химический анализ ОЗВ выполняют в соответствии с аттестованными методиками измерений. Основным требованием к анализу ОЗВ является достаточно низкий предел обнаружения для того, чтобы количество измерений ниже предела обнаружения было минимальным. Во время анализа проводят процедуры контроля качества анализа.
11. Методология статистической обработки данных
11.1 Анализ конкретных данных начинают с получения "статистического портрета", т.е. с оценивания основных характеристик распределения содержания ОЗВ в почвах региона. Многие статистические методы основаны на допущении о нормальности такого распределения. Для оценки типа статистического распределения аналитических результатов, которые при условии случайности отбора проб почвы являются статистической выборкой из генеральной совокупности, используются следующее методы:
а) графические методы;
б) формальные статистические критерии.
При стратифицированном отборе при определении типа статистического распределения для каждой страты используют выборку, состоящую как минимум из девяти измерений. Окончательный выбор вида статистического распределения делают на основе одновременной оценки результатов, полученных перечисленными ниже методами:
а) вероятностные графики (графический метод);
б) ящичные графики (графический метод);
в) критерий отношения диапазона данных к величине стандартного отклонения (формальный критерий);
д) критерий Шапиро-Франчиа для выборки с числом данных n>50 (формальный критерий);
е) критерий Харке-Бера для выборки с числом данных n>1000 (формальный критерий);
ж) критерий Д’Агостино для выборки с числом данных n>50 (формальный критерий).
Ввиду того, что практически у каждого формального критерия имеются ограничения при определении типа статистического распределения, при статистическом анализе выборки необходима предварительная проверка исходных данных экспертом. Например, тест Шапиро-Уилкса не эффективен, когда несколько величин в наборе данных одинаковы. Лучше всего он работает для выборки с количеством данных менее 50, но в модификации Шапиро-Франчия может быть использован и для большего числа измерений. Его также нельзя использовать, если в выборке имеются измерения ниже предела обнаружения. Критерий Харке-Бера учитывает асимметрию и эксцесс распределения. Кроме асимметрии и эксцесса критерий Д’Агостино учитывает также и центральность распределения. Однако он не может быть использован для данных с числом измерений менее 50 и более 1000.
11.2 Вероятностный график используют для первоначальной оценки формы распределения данных выборки. Такой график позволяет осуществить визуальный осмотр данных и дать предварительную оценку соответствия нормальному статистическому распределению вероятности. Также с помощью этих графиков можно идентифицировать отклонение данных от нормального распределения. Вероятностные графики строят путём построения зависимости концентраций, упорядоченных в порядке возрастания вдоль оси "у", от соответствующих квантилей стандартного нормального распределения или "величин z" (то есть нормального распределения со средним значением, равным нулю, и стандартным отклонением, равным единице). Если данные выборки подчиняются нормальному распределению, то построенные точки данных лежат вблизи прямой линии. Если данные не являются нормальными, на графике видны перегибы прямой линии или линия искривляется. Кроме того, на полученном графике можно визуально обнаружить данные с необычно высокими значениями (выбросы).
Вероятностные графики могут использовать также для оценки выборки на логнормальность распределения путём построения графика вероятности с использованием преобразования аналитических результатов в натуральные логарифмы вместо исходных (нетрансформированных) результатов аналитических измерений. Для определения наиболее подходящего распределения рекомендуется строить вероятностные графики как для исходных (нетрансформированных), так и для логарифмически преобразованных данных.
Ввиду субъективности интерпретации вероятностных графиков не следует делать выводы относительно статистических распределений, основываясь только на вероятностных графиках. Вероятностные графики следует использовать в сочетании с другими описанными в этом разделе методами. Способ построения вероятностных графиков и примеры их использования приведены в приложении Ж.
|
Для применения критерия Шапиро-Уилкса для проверки на логнормальность распределения выборки сначала данные необходимо логарифмировать в соответствии с уравнением y=ln(x). Эти трансформированные данные используют вместо величин нетрансформированных данных х. Данные измерений ниже предела обнаружения (если в массиве данных их было не более 50%) заменяют на половину величины предела обнаружения. Критерий Шапиро-Уилкса применяют к выборке в соответствии с приложением К.
Если результаты свидетельствуют о том, что исходные данные и логарифмы данных соответствуют критерию Шапиро-Уилкса, то при окончательном решении того, к какому типу распределения принадлежит массив данных, руководствуются более высоким значением критерия Шапиро-Уилкса.
11.6 При количестве данных в массиве более 50 (n>50) для проверки нормальности распределения в качестве формального критерия используют критерий Шапиро-Франчия [5]. Проверку проводят как для исходных данных, так и для натуральных логарифмов данных. Результаты проверки с помощью критерия Шапиро-Франчия подтверждают с помощью анализа вероятностных графиков или ящичных графиков с усами. Причиной отклонения от нормального или логнормального распределения может служить асимметрия данных или наличие большого хвоста (или и то, и другое). Анализ данных с помощью ящичного графика с усами, и в особенности вероятностного графика, может дать представление о том, почему проверка с помощью критерия Шапиро-Франчия не была успешной. Причиной этого может быть наличие в выборке выброса. После удаления выброса из выборки снова применяют критерий Шапиро-Франчия к выборке. Критерий Шапиро-Франчия применяют к выборке в соответствии с приложением Л.
Если результаты статистической проверки свидетельствуют о том, что данные проходят оба типа проверки, то для того чтобы сделать выводы о распределении данных, необходимо учитывать результаты проверки с более высоким значением критерия Шапиро-Франчия.
11.7 При количестве данных в выборке более 1000 проверку нормальности распределения проводят с помощью критерия Харке-Бера. Проверка данных с помощью этого критерия является проверкой того, имеют ли данные выборки асимметрию и эксцесс, соответствующие нормальному распределению. В соответствии с этим критерием сначала вычисляют коэффициент асимметрии и коэффициент эксцесса и рассчитывают критерий Харке-Бера. Затем определяют табличное значение критерия на основе критических значений Пирсона в соответствии с таблицей М.1. Для уровня значимости 0,05 критическая величина Пирсона равна 5,991. Если величина критерия Харке-Бера больше 5,991, то распределение не является нормальным. Если величина критерия Харке-Бера меньше 5,991, то распределение является нормальным.
11.8 При количестве данных в выборке более 50 проверку нормальности распределения можно проводить с помощью критерия Д’Агостино. Этот критерий основан на D-статистике, который определяет постоянное отношение оценки популяции Даунтона к стандартному отношению выборки. Критерий учитывает отклонения от нормальности для эксцесса и асимметрии. Порядок расчёта по этому критерию приведён в приложении Н.
11.9 Применение статистических критериев для оценки выбросов является частью процесса первоначальной проверки исходных данных выборки и, таким образом, корректной оценки параметров генеральной совокупности. Выбросы данных могут быть в результате следующих причин:
а) данные могут быть неправильными в результате неправильного отбора образцов, ошибок при лабораторном анализе и вводе данных;
б) резко выделяющимся может быть правильный результат, принадлежащий другой генеральной совокупности (например, загрязнённой территории, а не фоновой);
в) резко выделяющейся может быть реально существующая в природе концентрация (представляющая реальную генеральную совокупность фоновой территории).
Статистические методы для выявления выбросов представлены в разделе 11.9.2-11.9.5. Однако отнесение измерения к выбросу не означает его автоматического удаления из массива данных.
Формальную проверку на наличие выбросов проводят только в случае подозрений о наличии одного или нескольких выбросов. Основаниями для такого подозрения является высокое значение коэффициента вариации или существенное отличие от нуля коэффициента асимметрии. Особенно если такие результаты получаются не только при использовании исходных данных, но и логарифмов данных. Кроме того, потенциальные выбросы можно легко идентифицировать на графиках (таких как вероятностные графики и ящичные графики с усами). Методы проверки данных на выбросы приведены ниже:
а) вероятностный график;
б) ящичный график;
в) критерий Граббса для одного выброса;
д) критерий Рознера для нескольких выбросов для выборки с числом данных n>25.
Если с помощью анализа исходных табличных данных или с помощью использования графических методов появилось подозрение на наличие потенциального выброса, то это наблюдение проверяют с помощью одного из трёх формальных критериев. Как правило, для выборок с 50% или более значениями ниже предела обнаружения статистическое распределение данных определить невозможно. Поэтому в этом случае с помощью приведённых выше графических методов выбросы идентифицируют только качественно.
11.9.1 Вероятностные графики используют не только для графической оценки типа распределения данных, но и для выявления потенциальных выбросов. На вероятностном графике потенциальные выбросы будут отображаться как изолированные точки вдали от основной массы точек. Основная масса точек может, например, формировать линию, при этом потенциальные выбросы будут располагаться на некотором расстоянии от этой линии.
На ящичном графике потенциальные точки выбросов представляют точками выше верхней границы усов или ниже нижней границы усов. Однако для классификации измерения как выброс необходимо проверять их с помощью формальных критериев. Кроме того, некоторые формальные критерии для выбросов, представленные в этом разделе (например, критерий Рознера), требует первоначальной оценки количества выбросов в выборке. Для выбора этого количества также используют вероятностные или ящичные графики.
11.9.2 Для идентификации одиночных выбросов в большинстве массивах данных с числом измерений от 3 до 100 используют критерий Граббса [6]. Применение этого критерия основано на предположении о нормальности распределения выборки, поэтому сначала оценивают форму статистического распределения выборки. Если данные распределены логнормально, то необходимо выполнить логарифмическое преобразование данных и проверить эти преобразованные данные с помощью критерия Граббса. При наличии нескольких потенциальных выбросов необходимо использовать другие критерии (например, критерий Диксона или критерий Рознера). Если в массиве данных количество измерений ниже предела обнаружения не более 50%, то для проверки на выбросы измерения ниже предела обнаружения заменяют на половину величины предела обнаружения. Чтобы проверить данные на выбросы, когда распределение выборки является логарифмически нормальным, сначала рассчитывают у=In(х) и используют значения у (логарифмически трансформированные данные) вместо значений х. Расчёты по этой методике проводят в соответствии с приложением П.
11.9.3 Критерий Диксона используют для определения выбросов в выборке с количеством измерений не менее 25 [7]. Критерий Диксона основан на предположении о нормальности распределения данных измерений. Поэтому сначала определяют вид статистического распределения. Если данные распределены нормально, то наличие выброса определяют с помощью критерия Диксона. Если в массиве данных количество измерений ниже предела обнаружения не более 50%, то для нормальной формы распределения этот критерий применяют к исходным (нетрансформированным) данным, заменив измерения ниже предела обнаружения на половину величины предела обнаружения. Чтобы проверить данные на выбросы, когда распределение выборки является логарифмически нормальным, сначала рассчитывают величину у=In(х) и используют значения у (логарифмически трансформированные данные) вместо значений х.
Критерий Диксона используют также для проверки наличия в выборке нескольких потенциальных выбросов. Сначала оценивают наименьшее из потенциальных экстремальных измерений (исключая временно более экстремальные наблюдения из набора данных). Если наименьшее из экстремальных наблюдений идентифицируют как выброс, тогда измерения с большими концентрациями также классифицируют как выбросы. Если потенциальный выброс с самой маленькой концентрацией не классифицируют как таковой, то с помощью этой же процедуры проверяют потенциальный выброс с большей концентрацией. Методика и пример расчётов приведены в приложении Р.
11.9.4 Критерий Рознера применяют для набора данных с числом измерений n>25, и имеются свидетельства наличия более одного потенциального выброса [8]. С помощью критерия Рознера можно проверить данные как на наличие выбросов с высокими, так и низкими концентрациями. Потенциальные выбросы проверяют группами. Применение критерия Рознера предполагает, что выборка имеет нормальное распределение. Если данные распределены логарифмически, необходимо выполнить логарифмическое преобразование данных и применить критерий Рознера к этим преобразованным данным. Перед проверкой с помощью критерия Рознера необходимо определить общее количество потенциальных выбросов (k). Для предварительной оценки потенциальных выбросов необходимо использовать вероятностные графики, графики ящиков с усами или визуальный осмотр табличных данных.
Процедура применения критерия Рознера основана на процессе итерации. Сначала для всего набора данных вычисляют среднее арифметическое, стандартное отклонение и максимальные значения потенциальных выбросов. Потенциальные выбросы исключают по одному от самого большого до самого маленького. Затем вычисляют первую статистику критерия для проверки того, все ли значения потенциальных выбросов k являются выбросами. Если результат статистически значим, то все k наблюдений классифицируют как выбросы. Если этот результат статистически не значим, то группу возможных выбросов уменьшают на единицу (т.е. наименьший потенциальный выброс возвращают обратно в выборку), и статистику критерия пересчитывают с учётом остальных k-1 возможных выбросов. Этот процесс повторяют до тех пор, пока не будут определены все выбросы или пока в выборке выбросов не останется.
При нормальном распределении для проверки выбросов используют исходные (нетрансформированные) данные, при этом при наличии до 50% измерений ниже предела обнаружения их заменяют на величину половины предела обнаружения. Для проверки выбросов при логнормальном распределении сначала вычисляют у=In(х) и эти значения у используют вместо значений х. Расчёты по этой методике проводят в соответствии с приложением С.
11.9.5 В том случае, если распределение данных не подчиняется нормальному или логнормальному распределению, то для выборок с числом данных более 60 для идентификации потенциальных выбросов применяют критерий Уолша в соответствии с приложением Т.
11.9.6 До принятия окончательного решения об использовании идентифицированных с помощью формальных критериев потенциальных выбросов ещё раз пересматривают все записи, сделанные как на этапе отбора проб почвы, так и на этапе химического анализа. После исследования всей информации возможны следующие действия.
1) если есть основания полагать, что отобранный образец не является фоновым, то это значение из набора данных удаляют;
2) если значение является репрезентативным для фоновых условий, то это значение в наборе данных сохраняют.
а) для данных, имеющих нормальное распределение, используют t-метод Стьюдента;
б) для данных, имеющих логнормальное распределение, используют метод Лэнда;
в) для наборов данных, не имеющих нормального или логнормального распределения, используют метод для непараметрического распределения.
Процедура выбора подходящего метода для вычисления 95% ВДГ для среднего приведена ниже:
а) сначала рассчитывают процент данных измерений ниже предела обнаружения (например, набор с девятью данными, три из которых ниже предела обнаружения, содержит 33% значений ниже предела обнаружения);
б) для массивов данных с количеством измерений ниже предела обнаружения <50% определяют форму статистического распределения данных. Этот этап не требуется для выборок с количеством измерений ниже предела обнаружения более 50%;
в) все наборы данных проверяют на наличие выбросов; формальную проверку на выбросы проводят только в том случае, если первоначальная оценка данных (то есть обзор табличных данных и/или графиков) указывает на наличие одного или нескольких потенциальных выбросов;
г) для наборов данных с количеством измерений ниже предела обнаружения <50% и имеющих нормальное распределение для расчёта величины 95% ВДГ для среднего используют метод, приведённый в 11.10.1;
д) для наборов данных с количеством измерений ниже предела обнаружения <50% и имеющих логнормальное распределение для расчёта величины 95% ВДГ для среднего используют метод Лэнда, приведённый в 11.10.2.
11.10.1 При нормальном распределении выборки 95% ВДГ для среднего может быть рассчитана на основе t-распределения Стьюдента. Сначала оценивают статистическое распределение данных с использованием формальных критериев и проводят проверку на наличие выбросов. Верхнюю доверительную границу среднего часто используют для сравнения среднего арифметического РФК с экологическими или санитарно-гигиеническими нормативами. Если критерий 95% ВДГ больше норматива, то делают вывод о том, что среднее арифметическое РФК выше данного норматива. Если 95% ВДГ меньше норматива, то делают заключение, что среднее арифметическое РФК ниже данного норматива. Расчёты проводят в соответствии с приложением У, в котором приведён также пример расчётов.
11.10.2 Для данных, имеющих логнормальное распределение, для вычисления 95% ВДГ используют метод Лэнда в соответствии с приложением Ф. Если полученный 95% ВДГ больше норматива, то делают вывод о том, что средняя РФК выше данного норматива. Если 95% ВДГ меньше норматива, то делают вывод о том, что средняя РФК ниже данного норматива.
11.10.3 Метод t-распределения и метод Лэнда основываются, соответственно, на предположениях о нормальности и логнормальности распределения выборки. Для выборок, которые не являются ни нормальными, ни логнормальными, используют метод расчёта в соответствии с приложением X. При этом ВДГ определяют не для среднего арифметического, а для медианы.
12. Сравнение рассчитанных значений РФК ОЗВ с типичными зональными значениями РФК ОЗВ
После расчёта значений РФК проводят проверку на близость рассчитанных значений РФК типичным значениям РФК для аналогичной климатической зоны. Пределы варьирования фона для Центрального района Российской Федерации приведены в таблице 1.
Таблица 1 - Пределы варьирования приоритетных ОЗВ в почве фоновых районов центра Европейской части РФ
|
|
Соединение | Пределы варьирования, мкг/кг |
ПАУ | 40-300 |
НУВ | 20000-150000 |
Фенол | 0,1-0,5 |
13. Корреляционные зависимости значений РФК ОЗВ от ключевых почвенных параметров
13.1 Знание корреляционных зависимостей значений РФК от ключевых почвенных параметров (содержания органического вещества или содержания глинистых частиц) позволяет сделать оценку РФК ОЗВ для некоторой точки территории без непосредственного измерения концентрации ОЗВ. Если средняя ошибка аппроксимации парной регрессии РФК ОЗВ в почве от почвенного параметра меньше 15%, то следует вычислить пределы изменения почвенного параметра, при котором ошибка прогноза концентрации показателя РФК не будет превышать 30%.
где
и
где n - количество проанализированных образцов;
б) коэффициенты регрессионного уравнения (1) a и b;
в) интервал изменения ключевого параметра, для которого величина точечной ошибки прогноза не превышает 30% (для графика, приведённого на рисунке 2, содержание физической глины, при котором ошибка прогноза не превышает 30%, составляет интервал от 5 до 20%).
|
Рисунок 2 - Ошибка прогноза содержания ОЗВ в почве от содержания в ней физической глины
Приложение А
(справочное)
Перечень приоритетных ОЗВ
Таблица А.1
|
|
|
Тип соединения | Соединение | Количество бензольных колец |
ПАУ | Нафталин | 2 |
ПАУ | Аценафтилен | 3 |
ПАУ | Аценафтен | 3 |
ПАУ | Флюорен | 3 |
ПАУ | Фенантрен | 3 |
ПАУ | Антрацен | 3 |
ПАУ | Флуорантен | 4 |
ПАУ | Пирен | 4 |
ПАУ | Бенз[а]антрацен | 4 |
ПАУ | Хризен | 4 |
ПАУ | 5-Метилхризен | 4 |
ПАУ | Бензо[c]флюорен | 4 |
ПАУ | Бензо[b]флуорантен | 5 |
ПАУ | Бензо[j]флуорантен | 5 |
ПАУ | Бензо[k]флуорантен | 5 |
ПАУ | Бензо[a]пирен | 5 |
ПАУ | Бенз[e]пирен | 5 |
ПАУ | Перилен | 5 |
ПАУ | Дибенз[a,h]антрацен | 5 |
ПАУ | Бензо[ghi]перилен | 6 |
ПАУ | Индено[1,2,3-cd]пирен | 6 |
ПАУ | Трифенилен | 4 |
ПАУ | Циклопента[cd]пирен | 6 |
ПАУ | Дибензо[a,e]пирен | 6 |
ПАУ | Дибензо[a,h]пирен | 6 |
ПАУ | Дибензо[a,i]пирен | 6 |
ПАУ | Дибензо[a,l]пирен | 6 |
ПАУ | Коронен | 7 |
ПАУ | 7,12-Диметилбенз[a]антрацен | 4 |
НУВ | Общее содержание нефтяных углеводородов | 0-6 |
Фенол | Общее содержание фенола | 1 |
Приложение Б
(справочное)
Коэффициенты бензапиренового эквивалента BaPeq
|
|
ПАУ | BaPeq |
Бенз[a]антрацен | 0,1 |
Бензо[a]пирен, | 1 |
Бензо[bjk]флуорантен | 0,1 |
Бензо[ghi]перилен | 0,01 |
Хризен | 0,01 |
Дибенз[a,h]антрацен | 1 |
Индено[1,2,3-cd]пирен | 0,1 |
Приложение В
(рекомендуемое)
Описание местоположения пробной площадки и описание почвы
Таблица В.1 - Параметры для описания местоположения пробной площадки и почвы (по ФАО.2012.Руководство по описанию почв)
|
|
Тип описания | Параметр |
Общая информация о месте расположения пробной площадки | Номер площадки
Тип описания почвенного профиля
Описание основного разреза
Описание полуямы
Описание прикопки
Описание буровой скважины
Дата описания
Авторы
Местоположение
Координаты
Превышение |
Факторы почвообразования | Формы и элементы рельефа
Основная форма рельефа
Положение места заложения разреза в ландшафте
Форма склона
Прямой
Вогнутый
Выпуклый
Террасированный
Со сложным рельефом
Угол наклона склона.
Плоский
Ровный
Почти ровный
Очень пологий
Пологий
Наклонный
Сильно наклонный |
| Умеренно крутой
Крутой
Очень крутой
Землепользование
Возделывание сельскохозяйственных культур
Однолетние с.-х. культуры
Многолетние с.-х. культуры
Древесные и кустарниковые насаждения
Смешанные системы земледелия
Животноводство
Лесоводство
Естественные лесные массивы
Искусственные лесные массивы
Природоохранные территории
Особо охраняемые природные территории
Объекты рекультивации экосистем
Населённые пункты и промышленность
Жилые территории
Промышленные территории
Транспортные объекты
Рекреационные объекты
Отвалы и карьеры
Свалки
Военные объекты
Остальные типы землепользования
Растительность
Сомкнутый лес
Редкостойный лес
Кустарниковый лес
Полукустарниковый лес
Травяные сообщества
Верховое болото
Низинное болото |
| Сельскохозяйственные культуры
Зерновые культуры
Кормовые культуры
Технические культуры
Антропогенное влияние
Влияние отсутствует
Растительность нарушена слабо
Растительность нарушена в средней степени
Растительность нарушена сильно
Насыпь, дамба, вал
Гарь
Искусственная терраса
Распашка
Почвообразующие породы |
Описание почвы | Характеристики поверхности
Переход границы между горизонтами
Резкий (0-2 см)
Ясный (2-5 см)
Постепенный (5-15 см)
Диффузный (более 15 см)
Форма границы между горизонтами
Ровная
Волнистая
Неровная
Прерывистая
Первичные компоненты
Гранулометрический состав
Цвет почвы
Пятнистость
Восстановительные условия
Карбонаты
Гипс |
| Легкорастворимые соли
Полевое определение рН
Содержание органического вещества
Организация почвенных компонентов
Плотность
Пористость
Новообразования
Биологическая активность
Антропогенные включения
Влажность почвы
Наличие и глубина грунтовых вод
Почвенный тип в системе классификации 1997 года |
Приложение Г
(рекомендуемое)
Определение числа отбираемых образцов почвы при нормальном распределении концентрации ОЗВ в почве с помощью метода ошибки среднего (метод лямбда)
|
|
|
|
0,30 | 119 | 0,90 | 15 |
0,35 | 90 | 0,95 | 14 |
0,4 | 70 | 1,00 | 13 |
0,45 | 55 | 1,1 | 11 |
0,50 | 45 | 1,2 | 10 |
0,55 | 38 | 1,3 | 8 |
0,60 | 32 | 1,4 | 8 |
0,65 | 28 | 1,5 | 7 |
0,70 | 24 | 1,6 | 6 |
0,75 | 21 | 1,7 | 6 |
0,80 | 19 | 1,8 | 6 |
0,85 | 17 | 1,9 | 5 |
Приложение Д
(обязательное)
Определение числа отбираемых образцов почвы при нормальном распределении концентрации ОЗВ в почве при использовании статистики Стьюдента
s - стандартное отклонение набора данных,
|
|
|
|
|
|
|
|
|
0,15 | 0,10 | 0,05 | 0,025 | 0,01 | 0,005 | 0,001 | 0,0005 | |
0,30 | 0,20 | 0,10 | 0,05 | 0,02 | 0,01 | 0,002 | 0,001 | |
df(n-1) |
|
|
|
|
|
|
|
|
1 | 1,963 | 3,078 | 6,314 | 12,71 | 31,82 | 63,66 | 318,31 | 636,62 |
2 | 1,386 | 1,886 | 2,920 | 4,303 | 6,965 | 9,925 | 22,327 | 31,599 |
3 | 1,250 | 1,638 | 2,353 | 3,187 | 4,541 | 5,841 | 10,715 | 12,924 |
4 | 1,190 | 1,533 | 2,132 | 2,776 | 3,747 | 4,604 | 7,173 | 8,610 |
5 | 1,156 | 1,476 | 2,015 | 2,571 | 3,365 | 4,032 | 5,893 | 6,869 |
6 | 1,134 | 1,440 | 1,943 | 2,447 | 3,143 | 3,707 | 5,208 | 5,959 |
7 | 1,119 | 1,415 | 1,895 | 2,365 | 2,998 | 3,499 | 4,785 | 5,408 |
8 | 1,108 | 1,397 | 1,860 | 2,306 | 2,896 | 3,355 | 4,501 | 5,041 |
9 | 1,100 | 1,383 | 1,833 | 2,262 | 2,821 | 3,250 | 4,297 | 4,781 |
10 | 1,093 | 1,372 | 1,812 | 2,228 | 2,764 | 3,169 | 4,144 | 4,587 |
11 | 1,088 | 1,363 | 1,796 | 2,201 | 2,718 | 3,106 | 4,025 | 4,437 |
12 | 1,083 | 1,356 | 1,782 | 2,179 | 2,681 | 3,055 | 3,930 | 4,318 |
13 | 1,079 | 1,350 | 1,771 | 2,160 | 2,650 | 3,012 | 3,852 | 4,221 |
14 | 1,076 | 1,345 | 1,761 | 2,145 | 2,624 | 2,977 | 3,787 | 4,140 |
15 | 1,074 | 1,341 | 1,753 | 2,131 | 2,607 | 2,947 | 3,733 | 4,073 |
16 | 1,071 | 1,337 | 1,746 | 2,120 | 2,583 | 2,921 | 3,686 | 4,015 |
17 | 1,069 | 1,333 | 1,740 | 2,110 | 2,567 | 2,898 | 3,648 | 3,965 |
18 | 1,067 | 1,330 | 1,734 | 2,101 | 2,552 | 2,878 | 3,610 | 3,922 |
19 | 1,066 | 1,328 | 1,729 | 2,093 | 2,539 | 2,861 | 3,579 | 3,883 |
20 | 1,064 | 1,325 | 1,725 | 2,086 | 2,528 | 2,845 | 3,552 | 3,850 |
21 | 1,063 | 1,323 | 1,721 | 2,080 | 2,518 | 2,831 | 3,527 | 3,819 |
22 | 1,061 | 1,321 | 1,717 | 2,074 | 2,508 | 2,819 | 3,505 | 3,792 |
23 | 1,060 | 1,319 | 1,714 | 2,069 | 2,500 | 2,807 | 3,485 | 3,768 |
24 | 1,059 | 1,318 | 1,711 | 2,064 | 2,492 | 2,797 | 3,467 | 3,745 |
25 | 1,058 | 1,316 | 1,708 | 2,060 | 2,485 | 2,787 | 3,450 | 3,725 |
26 | 1,058 | 1,315 | 1,706 | 2,056 | 2,479 | 2,779 | 3,435 | 3,707 |
27 | 1,057 | 1,314 | 1,703 | 2,052 | 2,473 | 2,771 | 3,421 | 3,690 |
28 | 1,056 | 1,313 | 1,7401 | 2,048 | 2,467 | 2,763 | 3,408 | 3,674 |
29 | 1,055 | 1,311 | 1,699 | 2,045 | 2,462 | 2,756 | 3,396 | 3,659 |
30 | 1,055 | 1,310 | 1,697 | 2,042 | 2,457 | 2,750 | 3,385 | 3,646 |
40 | 1,050 | 1,303 | 1,684 | 2,021 | 2,423 | 2,704 | 3,307 | 3,551 |
60 | 1,045 | 1,296 | 1,671 | 2,000 | 2,390 | 2,660 | 3,232 | 3,460 |
80 | 1,043 | 1,292 | 1,664 | 1,990 | 2,374 | 2,639 | 3,195 | 3,416 |
100 | 1,042 | 1,290 | 1,660 | 1,984 | 2,364 | 2,626 | 3,174 | 3,390 |
1000 | 1,037 | 1,282 | 1,646 | 1,962 | 2,330 | 2,581 | 3,098 | 3,300 |
Приложение Е
(обязательное)
Определение числа отбираемых образцов почвы при логнормальном распределении концентрации ОЗВ в почве
где
и
где d - ожидаемая допустимая ошибка в оценке медианы. Следует отметить, что относительный коэффициент ошибок должен быть указан в исходной нетрансформированной шкале (ошибка среднего (%)/100);
N - количество данных в генеральной совокупности.
Примеры
2 Предположим, что на некоторой территории в 24 образцах были измерены фоновые концентрации суммы ПАУ, мкг/кг. Исходные данные в порядке возрастания составляют: 1 - 14,57; 2 - 16,05; 3 - 19,3; 4 - 24,8; 5 - 27,5; 6 - 27,8; 7 - 32,4; 8 - 33,4; 9 - 33,8; 10 - 33,9; 11 - 35,1; 12 - 50,9; 13 - 54,85; 14 - 63,95; 15 - 68,3; 16 - 70,9; 17 - 96; 18 - 109,75; 19 - 135,8; 20 - 141,8; 21 - 160; 22 - 184,3; 23 - 296,9; 24 - 728,9.
Приложение Ж
(рекомендуемое)
Вероятностные графики
Для проверки формы распределения концентраций ОЗВ выборки на нормальность с помощью вероятностного графика необходимо использовать исходные данные. А для проверки логнормальности сначала необходимо преобразовать исходные данные в соответствии с выражением у=ln(х), и в дальнейшем использовать эти трансформированные значения у вместо исходных значений х. Если в выборке есть измерения ниже предела обнаружения, то их необходимо заменить числом, равным половине предела обнаружения. Порядок построения вероятностного графика по [10] следующий:
где n - это число образцов проб почвы, i - это ранг упорядоченного массива данных;
в) определите квантиль стандартного нормального распределения соответствующую кумулятивной вероятности в соответствии с уравнением (Ж.2).
Примеры
|
|
|
|
|
|
|
|
i | i | ||||||
1 | 16,05 | 0,04167 | -1,7317 | 13 | 80,8 | 0,54167 | 0,10463 |
2 | 17 | 0,08333 | -1,383 | 14 | 95 | 0,58333 | 0,21043 |
3 | 18,25 | 0,125 | -1,1503 | 15 | 104,25 | 0,625 | 0,31864 |
4 | 26,25 | 0,16667 | -0,9674 | 16 | 119,5 | 0,66667 | 0,43073 |
5 | 26,495 | 0,20833 | -0,8122 | 17 | 129,8 | 0,70833 | 0,54852 |
6 | 27,65 | 0,25 | -0,6745 | 18 | 138,4 | 0,75 | 0,67449 |
7 | 31,21 | 0,29167 | -0,5485 | 19 | 160,5 | 0,79167 | 0,81222 |
8 | 33 | 0,33333 | -0,4307 | 20 | 165 | 0,83333 | 0,96742 |
9 | 43,4 | 0,375 | -0,3186 | 21 | 179,9 | 0,875 | 1,15035 |
10 | 45,1 | 0,41667 | -0,2104 | 22 | 190,5 | 0,91667 | 1,38299 |
11 | 58 | 0,45833 | -0,1046 | 23 | 196,6 | 0,95833 | 1,73166 |
12 | 78,3 | 0,5 | -1E-16 |
|
|
|
|
Полученный вероятностный график приведён на рисунке Ж.1.
|
|
|
|
|
|
|
|
|
i | i | ||||||
1 | 14,57 | 0,04 | -1,75069 | 13 | 54,85 | 0,52 | 0,050154 |
2 | 16,05 | 0,08 | -1,40507 | 14 | 63,95 | 0,56 | 0,150969 |
3 | 19,3 | 0,12 | -1,17499 | 15 | 68,3 | 0,6 | 0,253347 |
4 | 24,8 | 0,16 | -0,99446 | 16 | 70,9 | 0,64 | 0,358459 |
5 | 27,5 | 0,2 | -0,84162 | 17 | 96 | 0,68 | 0,467699 |
6 | 27,8 | 0,24 | -0,7063 | 18 | 109,75 | 0,72 | 0,582842 |
7 | 32,4 | 0,28 | -0,58284 | 19 | 135,8 | 0,76 | 0,706303 |
8 | 33,4 | 0,32 | -0,4677 | 20 | 141,8 | 0,8 | 0,841621 |
9 | 33,8 | 0,36 | -0,35846 | 21 | 160 | 0,84 | 0,994458 |
10 | 33,9 | 0,4 | -0,25335 | 22 | 184,3 | 0,88 | 1,174987 |
11 | 35,1 | 0,44 | -0,15097 | 23 | 296,9 | 0,92 | 1,405072 |
12 | 50,9 | 0,48 | -0,05015 | 24 | 728,9 | 0,96 | 1,750686 |
При использовании исходных (нетрансформированных) данных две точки с экстремально высокими концентрациями суммы ПАУ отклоняются от прямой линии. Это указывает на то, что или это распределение логнормально, или эти две точки являются выбросами.
|
|
|
|
|
|
|
|
|
i | i | ||||||
1 | 2,678965 | 0,04 | -1,75069 | 13 | 4,004602 | 0,52 | 0,050154 |
2 | 2,775709 | 0,08 | -1,40507 | 14 | 4,158102 | 0,56 | 0,150969 |
3 | 2,960105 | 0,12 | -1,17499 | 15 | 4,22391 | 0,6 | 0,253347 |
4 | 3,210844 | 0,16 | -0,99446 | 16 | 4,26127 | 0,64 | 0,358459 |
5 | 3,314186 | 0,2 | -0,84162 | 17 | 4,564348 | 0,68 | 0,467699 |
6 | 3,325036 | 0,24 | -0,7063 | 18 | 4,698205 | 0,72 | 0,582842 |
7 | 3,478158 | 0,28 | -0,58284 | 19 | 4,911183 | 0,76 | 0,706303 |
8 | 3,508556 | 0,32 | -0,4677 | 20 | 4,954418 | 0,8 | 0,841621 |
9 | 3,520461 | 0,36 | -0,35846 | 21 | 5,075174 | 0,84 | 0,994458 |
10 | 3,523415 | 0,4 | -0,25335 | 22 | 5,216565 | 0,88 | 1,174987 |
11 | 3,558201 | 0,44 | -0,15097 | 23 | 5,693395 | 0,92 | 1,405072 |
12 | 3,929863 | 0,48 | -0,05015 | 24 | 6,591537 | 0,96 | 1,750686 |
|
Приложение И
(рекомендуемое)
Формальный статистический критерий проверки нормальности по величине отношения диапазона к стандартному отклонению
Для проверки статистического критерия q необходимо знание только величины диапазона данных измерений РФК ОЗВ в почвах W и величины стандартного отклонения s. Этот критерий проверяет степень эксцесса распределения выборки. Статистика критерия q вычисляется в соответствии с уравнением (И.1)
Пример - На некоторой территории в 100 образцах были измерены фоновые концентрации нефтяных углеводородов, мг/кг. Исходные данные в порядке возрастания составляют: 1 - 26,8; 2 - 38,7; 3 - 43,7; 4 - 68,3; 5 - 88,9; 6 - 90,9; 7 - 91,6; 8 - 93,2; 9 - 96,5; 10 - 104,4; 11 - 105,7; 12 - 107,0; 13 - 114,0; 14 - 121,8; 15 - 122,5; 16 - 123,2; 17 - 129,94 18 - 130,2; 19 - 131,3; 20 - 134,3; 21 - 140,4; 22 - 147,6; 23 - 148,5; 24 - 151,6; 25 - 154,2; 26 - 155,4; 27 - 155,8; 28 - 156,6; 29 - 157,9; 30 - 172,7; 31 - 173,2; 32 - 175,5; 33 - 175,8; 34 - 176,5; 35 - 176,5; 36 - 176,8; 37 - 181,0; 38 - 182,0; 39 - 183,5; 40 - 183,8; 41 - 185,4; 42 - 185,5; 43 - 188,5; 44 - 189,0; 45 - 189,2; 46 - 189,8; 47 - 189,8; 48 - 190,7; 49 - 191,1; 50 - 195,2; 51 - 195,2; 52 - 195,5; 53 - 198,9; 54 - 199,4; 55 - 202,6; 56 - 205,1; 57 - 209,2; 58 - 210,2; 59 - 211,0; 60 - 211,3; 61 - 214,3; 62 - 214,9; 63 - 217,3; 64 - 219,1; 65 - 220,0; 66 - 220,9; 67 - 222,1; 68 - 224,3; 69 - 225,0; 70 - 225,4; 71 - 230,6; 72 - 233,6; 73 - 235,2; 74 - 237,3; 75 - 238,4; 76 - 238,9; 77 - 239,6; 78 - 240,0; 79 - 245,9; 80 - 246,1; 81 - 246,2; 82 - 247,8; 83 - 253,4; 84 - 256,7; 85 - 260,4; 86 - 267,0; 87 - 270,9; 88 - 273,4; 89 - 282,1; 90 - 289,0; 91 - 292,2; 92 - 310,4; 93 - 311,8; 94 - 312,7; 95 - 328,1; 96 - 335,8; 97 - 346,0; 98 - 348,2; 99 - 348,5; 100 - 366,2.
Величина стандартного отклонения s для приведённого выше массива данных равна 70,44 мг/кг. Диапазон концентраций W равен 366,2-26,8=339,4 мг/кг. Отношение W/s=4,82. Для величины a=0,05 критические величины критерия на нормальность W/s для n=100 составляют: a=4,31 и b=5,90. Таким образом, 4,31<4,82<5,90 и рассчитанное отношение W/s расположено внутри диапазона критических уровней a и b, и данные выборки распределены в соответствии с нормальным законом.
Таблица И.1 - Критические величины для критерия на нормальность W/s. Столбцы a и b обозначают критический уровень слева и справа
|
|
|
|
|
|
|
|
|
|
n | Уровень значимости | n | Уровень значимости | ||||||
| 0,05 | 0,10 |
| 0,05 | 0,10 | ||||
| a | b | a | b |
| a | b | a | b |
3 | 1,758 | 1,999 | 1,782 | 1,997 | 85 | 4,20 | 5,78 | 4,33 | 5,56 |
4 | 1,98 | 2,429 | 2,04 | 2,409 | 90 | 4,24 | 5,82 | 4,36 | 5,60 |
5 | 2,15 | 2,753 | 2,22 | 2,712 | 95 | 4,27 | 5,86 | 4,450 | 5,64 |
6 | 2,28 | 3,012 | 2,37 | 2,949 | 100 | 4,31 | 5,90 | 4,44 | 5,68 |
7 | 2,450 | 3,222 | 2,49 | 3,143 | 150 | 4,59 | 6,18 | 4,72 | 5,96 |
8 | 2,50 | 3,399 | 2,59 | 3,308 | 200 | 4,78 | 6,39 | 4,90 | 6,15 |
9 | 2,59 | 3,552 | 2,68 | 3,449 | 500 | 5,47 | 6,94 | 5,49 | 6,72 |
10 | 2,67 | 3,685 | 2,76 | 3,57 | 1000 | 5,79 | 7,33 | 5,92 | 7,11 |
11 | 2,74 | 3,80 | 2,84 | 3,68 |
|
|
|
|
|
12 | 2,80 | 3,91 | 2,90 | 3,78 |
|
|
|
|
|
13 | 2,86 | 4,00 | 2,96 | 3,87 |
|
|
|
|
|
14 | 2,92 | 4,09 | 3,02 | 3,95 |
|
|
|
|
|
15 | 2,97 | 4,17 | 3,07 | 4,02 |
|
|
|
|
|
16 | 3,01 | 4,24 | 3,12 | 4,09 |
|
|
|
|
|
17 | 3,06 | 4,31 | 3,17 | 4,15 |
|
|
|
|
|
18 | 3,10 | 4,37 | 3,21 | 5,21 |
|
|
|
|
|
19 | 3,14 | 4,43 | 3,25 | 4,27 |
|
|
|
|
|
20 | 3,18 | 4,49 | 3,29 | 4,32 |
|
|
|
|
|
25 | 3,34 | 4,71 | 3,45 | 4,53 |
|
|
|
|
|
30 | 3,47 | 4,89 | 3,59 | 4,70 |
|
|
|
|
|
35 | 3,58 | 5,04 | 3,70 | 4,84 |
|
|
|
|
|
40 | 3,67 | 5,16 | 3,79 | 4,96 |
|
|
|
|
|
45 | 3,75 | 5,26 | 3,88 | 5,06 |
|
|
|
|
|
50 | 3,83 | 5,35 | 3,95 | 5,14 |
|
|
|
|
|
55 | 3,90 | 5,43 | 4,02 | 5,22 |
|
|
|
|
|
60 | 3,96 | 5,51 | 4,08 | 5,29 |
|
|
|
|
|
65 | 4,01 | 5,57 | 4,14 | 5,35 |
|
|
|
|
|
70 | 4,06 | 5,63 | 4,19 | 5,41 |
|
|
|
|
|
75 | 4,11 | 5,68 | 4,24 | 5,46 |
|
|
|
|
|
80 | 4,16 | 5,73 | 4,28 | 5,51 |
|
|
|
|
|
Приложение К
(обязательное)
Формальный статистический критерий проверки нормальности распределения Шапиро-Уилкса для числа образцов менее 50
Для применения критерия Шапиро-Уилкса для проверки на нормальность распределения данных используют исходные нетрансформированные данные. Для проверки на логнормальность распределения выборки с помощью этого критерия сначала данные логарифмируют в соответствии с уравнением у=In(х). Эти трансформированные данные используют вместо величин нетрансформированных данных х. Данные измерений ниже предела обнаружения (если в массиве данных их было не более 50%) заменяют на половину величины предела обнаружения. Критерий Шапиро-Уилкса (SW) к выборке применяют следующим образом:
а) данные рассортировывают в порядке возрастания от самого маленького к самому большому значению, где х(1) - самая маленькая величина, х(2) - большая величина и х(n) - самая большая величина;
б) принимают, что величина k равна самому большому целому числу, меньшему или равному (n/2) для чётного числа n и (n-1)/2 для нечётного числа n, где n обозначает количество данных;
в) для каждого i= 1, 2, ..., k вычисляют разницу [x(n-i+1)-х(i)];
д) величину b вычисляют в соответствии с выражением (К.1):
е) для выборки вычисляют стандартное отклонение s;
ж) затем, согласно уравнению (К.2), вычисляют статистику критерия Шапиро-Уилкса
|
|
|
|
|
|
|
|
|
|
i | n | ||||||||
| 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
1 | 0,7071 | 0,7071 | 0,6872 | 0,6646 | 0,6431 | 0,6233 | 0,6052 | 0,5888 | 0,5739 |
2 |
| 0,0000 | 0,1677 | 0,2413 | 0,2806 | 0,3031 | 0,3164 | 0,3244 | 0,3291 |
3 |
|
|
| 0,0000 | 0,0875 | 0,1401 | 0,1743 | 0,1975 | 0,2141 |
4 |
|
|
|
|
| 0,0000 | 0,0561 | 0,0947 | 0,1224 |
5 |
|
|
|
|
|
|
| 0,0000 | 0,0399 |
|
|
|
|
|
|
|
|
|
|
|
i | n | |||||||||
| 11 | 12 | 13 | 14 | 15 | 16 | 17 | 18 | 19 | 20 |
1 | 0,5601 | 0,5475 | 0,5359 | 0,5251 | 0,5150 | 0,5056 | 0,4968 | 0,4886 | 0,4808 | 0,4734 |
2 | 0,3315 | 0,3325 | 0,3325 | 0,3318 | 0,3306 | 0,3290 | 0,3273 | 0,3253 | 0,3232 | 0,3211 |
3 | 0,2260 | 0,2347 | 0,2412 | 0,2460 | 0,2495 | 0,2521 | 0,2540 | 0,2553 | 0,2561 | 0,2565 |
4 | 0,1429 | 0,1586 | 0,1707 | 0,1802 | 0,1878 | 00,1939* | 00,1988* | 0,2027 | 0,2059 | 0,2085 |
5 | 0,0695 | 0,0922 | 0,1099 | 0,1240 | 0,1353 | 0,1447 | 0,1524 | 0,1587 | 0,1641 | 0,1686 |
6 | 0,0000 | 0,0303 | 0,0539 | 0,0727 | 0,0880 | 0,1005 | 0,1109 | 0,1197 | 0,1271 | 0,1334 |
7 |
|
| 0,0000 | 0,0240 | 0,0433 | 0,0593 | 0,0725 | 0,0837 | 0,0932 | 0,1013 |
8 |
|
|
|
| 0,0000 | 0,0196 | 0,0359 | 0,0496 | 0,0612 | 0,0711 |
9 |
|
|
|
|
|
| 0,0000 | 0,0163 | 0,0303 | 0,0422 |
10 |
|
|
|
|
|
|
|
| 0,0000 | 0,0140 |
|
|
|
|
|
|
|
|
|
|
|
i | n | |||||||||
| 21 | 22 | 23 | 24 | 25 | 26 | 27 | 28 | 29 | 30 |
1 | 0,4643 | 0,4590 | 0,4542 | 0,4493 | 0,4450 | 0,4407 | 0,4366 | 0,4328 | 0,4291 | 0,4254 |
2 | 0,3185 | 0,3156 | 0,3126 | 0,3098 | 0,3069 | 0,3043 | 0,3018 | 0,2992 | 0,2968 | 0,2944 |
3 | 0,2578 | 0,2571 | 0,2563 | 0,2554 | 0,2543 | 0,2533 | 0,2522 | 0,2510 | 0,2499 | 0,2487 |
4 | 0,2119 | 0,2131 | 0,2139 | 0,2145 | 0,2148 | 0,2151 | 0,2152 | 0,2151 | 0,2150 | 0,2148 |
5 | 0,1736 | 0,1764 | 0,1787 | 0,1807 | 0,1822 | 0,1836 | 0,1848 | 0,1857 | 0,1864 | 0,1870 |
6 | 0,1399 | 0,1443 | 0,1480 | 0,1512 | 0,1539 | 0,1563 | 0,1584 | 0,1601 | 0,1616 | 0,1630 |
7 | 0,1092 | 0,1150 | 0,1201 | 0,1245 | 0,1283 | 0,1316 | 0,1346 | 0,1372 | 0,1395 | 0,1415 |
8 | 0,0804 | 0,0878 | 0,0941 | 0,0997 | 0,1046 | 0,1089 | 0,1128 | 0,1162 | 0,1192 | 0,1219 |
9 | 0,0530 | 0,0618 | 0,0696 | 0,0764 | 0,0823 | 0,0876 | 0,0923 | 0,0965 | 0,1002 | 0,1036 |
10 | 0,0263 | 0,0368 | 0,0459 | 0,0539 | 0,0610 | 0,0672 | 0,0728 | 0,0778 | 0,0822 | 0,0862 |
11 | 0,0422 | 0,0122 | 0,0228 | 0,0321 | 0,0403 | 0,0476 | 0,0540 | 0,0598 | 0,0065 | 0,0697 |
12 |
|
| 0,0000 | 0,0107 | 0,0200 | 0,0284 | 0,0358 | 0,0424 | 0,0483 | 0,0537 |
13 |
|
|
|
| 0,0000 | 0,0094 | 0,0178 | 0,0253 | 0,0320 | 0,0381 |
14 |
|
|
|
|
|
| 0,0000 | 0,0084 | 0,0159 | 0,0227 |
15 |
|
|
|
|
|
|
|
| 0,0000 | 0,0076 |
|
|
|
|
|
|
|
|
|
|
|
i | n | |||||||||
| 31 | 32 | 33 | 34 | 35 | 36 | 37 | 38 | 39 | 40 |
1 | 0,4220 | 0,4188 | 0,4156 | 0,4127 | 0,4096 | 0,4068 | 0,4040 | 0,4015 | 0,3989 | 0,3964 |
2 | 0,2921 | 0,2898 | 0,2876 | 0,2854 | 0,2834 | 0,2813 | 0,2794 | 0,2774 | 0,2755 | 0,2737 |
3 | 0,2475 | 0,2462 | 0,2451 | 0,2439 | 0,2427 | 0,2415 | 0,2403 | 0,2391 | 0,2380 | 0,2368 |
4 | 0,2145 | 0,2141 | 0,2137 | 0,2132 | 0,2127 | 0,2121 | 0,2116 | 0,2110 | 0,2104 | 0,2098 |
5 | 0,1874 | 0,1878 | 0,1880 | 0,1882 | 0,1883 | 0,1883 | 0,1883 | 0,1881 | 0,1880 | 0,1878 |
6 | 0,1641 | 0,1651 | 0,1660 | 0,1667 | 0,1673 | 0,1678 | 0,1683 | 0,1686 | 0,1689 | 0,1691 |
7 | 0,1433 | 0,1449 | 0,1463 | 0,1475 | 0,1487 | 0,1496 | 0,1505 | 0,1513 | 0,1520 | 0,1526 |
8 | 0,1243 | 0,1265 | 0,1284 | 0,1301 | 0,1317 | 0,1331 | 0,1344 | 0,1356 | 0,1366 | 0,1376 |
9 | 0,1066 | 0,1093 | 0,1118 | 0,1140 | 0,1160 | 0,1179 | 0,1196 | 0,1211 | 0,1225 | 0,1237 |
10 | 0,0899 | 0,0931 | 0,0961 | 0,0988 | 0,1013 | 0,1036 | 0,1056 | 0,1075 | 0,1092 | 0,1108 |
11 | 0,0739 | 0,0777 | 0,0812 | 0,0844 | 0,0873 | 0,0900 | 0,0924 | 0,0947 | 0,0967 | 0,0986 |
12 | 0,0585 | 0,0629 | 0,0669 | 0,0706 | 0,0739 | 0,0770 | 0,0798 | 0,0824 | 0,0848 | 0,0870 |
13 | 0,0435 | 0,0485 | 0,0530 | 0,0572 | 0,0610 | 0,0645 | 0,0677 | 0,0706 | 0,0733 | 0,0759 |
14 | 0,0289 | 0,0344 | 0,0395 | 0,0441 | 0,0484 | 0,0523 | 0,0559 | 0,0592 | 0,0622 | 0,0651 |
15 | 0,0144 | 0,0206 | 0,0262 | 0,0314 | 0,0361 | 0,0404 | 0,0444 | 0,0481 | 0,0515 | 0,0546 |
16 | 0,0000 | 0,0068 | 0,0131 | 0,0187 | 0,0239 | 0,0287 | 0,0331 | 0,0372 | 0,0409 | 0,0444 |
17 | - | - | 0,0000 | 0,0062 | 0,0119 | 0,0172 | 0,0220 | 0,0264 | 0,0305 | 0,0343 |
18 | - | - | - | - | 0,0000 | 0,0057 | 0,0110 | 0,0158 | 0,0203 | 0,0244 |
19 | - | - | - | - | - | - | 0,0000 | 0,0053 | 0,0101 | 0,0146 |
20 | - | - | - | - | - | - | - | - | 0,0000 | 0,0049 |
|
|
|
|
|
|
|
|
|
|
|
i | n | |||||||||
| 41 | 42 | 43 | 44 | 45 | 46 | 47 | 48 | 49 | 50 |
1 | 0,3940 | 0,3917 | 0,3894 | 0,3872 | 0,3850 | 0,3830 | 0,3808 | 0,3789 | 0,3770 | 0,3751 |
2 | 0,2719 | 0,2701 | 0,2684 | 0,2667 | 0,2651 | 0,2635 | 0,2620 | 0,2604 | 0,2589 | 0,2574 |
3 | 0,2357 | 0,2345 | 0,2334 | 0,2323 | 0,2313 | 0,2302 | 0,2291 | 0,2281 | 0,2271 | 0,2260 |
4 | 0,2091 | 0,2085 | 0,2078 | 0,2072 | 0,2065 | 0,2058 | 0,2052 | 0,2045 | 0,2038 | 0,2032 |
5 | 0,1876 | 0,1874 | 0,1871 | 0,1868 | 0,1865 | 0,1862 | 0,1859 | 0,1855 | 0,1851 | 0,1847 |
6 | 0,1693 | 0,1694 | 0,1695 | 0,1695 | 0,1695 | 0,1695 | 0,1695 | 0,1693 | 0,1692 | 0,1691 |
7 | 0,1531 | 0,1535 | 0,1539 | 0,1542 | 0,1545 | 0,1548 | 0,1550 | 0,1551 | 0,1553 | 0,1554 |
8 | 0,1384 | 0,1392 | 0,1398 | 0,1405 | 0,1410 | 0,1415 | 0,1420 | 0,1423 | 0,1427 | 0,1430 |
9 | 0,1249 | 0,1259 | 0,1269 | 0,1278 | 0,1286 | 0,1293 | 0,1300 | 0,1306 | 0,1312 | 0,1317 |
10 | 0,1123 | 0,1136 | 0,1149 | 0,1160 | 0,1170 | 0,1180 | 0,1189 | 0,1197 | 0,1205 | 0,1212 |
15 | 0,1004 | 0,1020 | 0,1035 | 0,1049 | 0,1062 | 0,1073 | 0,1085 | 0,1095 | 0,1105 | 0,1113 |
16 | 0,0891 | 0,0909 | 0,0927 | 0,0943 | 0,0959 | 0,0972 | 0,0986 | 0,9980 | 0,1010 | 0,1020 |
17 | 0,0782 | 0,0804 | 0,0824 | 0,0842 | 0,0860 | 0,0876 | 0,0892 | 0,0906 | 0,0919 | 0,0932 |
18 | 0,0677 | 0,0701 | 0,0724 | 0,0745 | 0,0765 | 0,0783 | 0,0801 | 0,0817 | 0,0832 | 0,0846 |
19 | 0,0575 | 0,0602 | 0,0628 | 0,0651 | 0,0673 | 0,0694 | 0,0713 | 0,0731 | 0,0748 | 0,0764 |
20 | 0,0476 | 0,0506 | 0,0534 | 0,0560 | 0,0584 | 0,0607 | 0,0628 | 0,0648 | 0,0667 | 0,0685 |
21 | 0,0379 | 0,0411 | 0,0442 | 0,0471 | 0,0497 | 0,0522 | 0,0546 | 0,0568 | 0,0588 | 0,0608 |
22 | 0,0283 | 0,0318 | 0,0352 | 0,0383 | 0,0412 | 0,0439 | 0,0465 | 0,0489 | 0,0511 | 0,0532 |
23 | 0,0188 | 0,0227 | 0,0263 | 0,0296 | 0,0328 | 0,0357 | 0,0385 | 0,0411 | 0,0436 | 0,0459 |
24 | 0,0094 | 0,0136 | 0,0175 | 0,0211 | 0,0245 | 0,0277 | 0,0307 | 0,0335 | 0,0361 | 0,0386 |
25 | 0,0000 | 0,0045 | 0,0087 | 0,0126 | 0,0163 | 0,0197 | 0,0229 | 0,0259 | 0,0288 | 0,0314 |
|
|
|
|
|
|
n | Sw0,05 | Sw0,10 | n | Sw0,05 | Sw0,10 |
3 | 0,767 | 0,789 | 27 | 0,923 | 0,935 |
4 | 0,748 | 0,792 | 28 | 0,924 | 0,936 |
5 | 0,762 | 0,806 | 29 | 0,926 | 0,937 |
6 | 0,788 | 0,826 | 30 | 0,927 | 0,939 |
7 | 0,803 | 0,838 | 31 | 0,929 | 0,940 |
8 | 0,818 | 0,851 | 32 | 0,930 | 0,941 |
9 | 0,829 | 0,859 | 33 | 0,931 | 0,942 |
10 | 0,842 | 0,869 | 34 | 0,933 | 0,943 |
11 | 0,850 | 0,876 | 35 | 0,934 | 0,944 |
12 | 0,859 | 0,883 | 36 | 0,935 | 0,945 |
13 | 0,866 | 0,889 | 37 | 0,936 | 0,946 |
14 | 0,874 | 0,895 | 38 | 0,938 | 0,947 |
15 | 0,881 | 0,901 | 39 | 0,939 | 0,948 |
16 | 0,887 | 0,906 | 40 | 0,940 | 0,949 |
17 | 0,892 | 0,910 | 41 | 0,941 | 0,950 |
18 | 0,897 | 0,914 | 42 | 0,942 | 0,951 |
19 | 0,901 | 0,917 | 43 | 0,943 | 0,951 |
20 | 0,905 | 0,920 | 44 | 0,944 | 0,952 |
21 | 0,908 | 0,923 | 45 | 0,945 | 0,953 |
22 | 0,911 | 0,926 | 46 | 0,945 | 0,953 |
23 | 0,914 | 0,928 | 47 | 0,946 | 0,954 |
24 | 0,916 | 0,930 | 48 | 0,947 | 0,954 |
25 | 0,918 | 0,931 | 49 | 0,947 | 0,955 |
26 | 0,920 | 0,933 | 50 | 0,947 | 0,955 |
Приложение Л
(обязательное)
Формальный статистический критерий проверки нормальности распределения Шапиро-Франчия для числа образцов более 50
При количестве данных в массиве более 50 (n>50) для проверки нормальности распределения в качестве формального критерия используют критерий Шапиро-Франчия. Для того чтобы применить этот критерий к проверке выборки на логнормальность, сначала вычисляют у=In(х) и используют эти трансформированные данные вместо величин х. Данные измерений ниже предела обнаружения (если в массиве данных их было не более 50%) заменяют на половину величины предела обнаружения. Для определения того, какое из двух типов распределения данных лучше описывает данную выборку, следует сравнить результаты применения критерия к исходным и логарифмированным данным:
а) данные рассортировывают в порядке возрастания от самого маленького к самому большому значению, где х(1) - самая маленькая величина, х(2) - большая величина и х(n) - самая большая величина;
г) величину критерия Шапиро-Франчия (SF) вычисляют в соответствии с уравнением (Л.2):
Если результаты статистической проверки свидетельствуют о том, что данные проходят оба типа проверки, то для того, чтобы сделать выводы о распределении данных, необходимо учитывать результаты проверки с более высоким значением SF.
|
|
|
|
n | n | ||
50 | 0,953 | 75 | 0,969 |
51 | 0,954 | 77 | 0,969 |
53 | 0,957 | 79 | 0,970 |
55 | 0,958 | 81 | 0,970 |
57 | 0,961 | 83 | 0,971 |
59 | 0,962 | 85 | 0,972 |
61 | 0,963 | 87 | 0,972 |
63 | 0,964 | 89 | 0,972 |
65 | 0,965 | 91 | 0,973 |
67 | 0,966 | 93 | 0,973 |
69 | 0,966 | 95 | 0,974 |
71 | 0,967 | 97 | 0,975 |
73 | 0,968 | 99 | 0,976 |
Пример - Предположим, что на некоторой территории в 52 образцах были измерены фоновые ОЗВ. Исходные данные в порядке возрастания составляют (в мг/кг): 1 - 1,07; 2 - 1,43; 3 - 1,51; 4 - 1,84; 5 - 1,99; 6 - 2,08; 7 - 2,20; 8 - 2,36; 9 - 2,51; 10 - 2,83; 11 - 3,25; 12 - 3,56; 13 - 3,90; 14 - 4,14; 15 - 4,26; 16 - 4,39; 17 - 4,53; 18 - 4,81; 19 - 5,0; 20 - 5,05; 21 - 5,47; 22 - 5,53; 23 - 5,58; 24 - 5,64; 25 - 5,64; 26 - 5,75; 27 - 5,81; 28 - 5,87; 29 - 6,17; 30 - 6,42; 31 - 6,96; 32 - 6,96; 33 - 7,24; 34 - 7,54; 35 - 8,17; 36 - 8,85; 37 - 11,02; 38 - 12,30; 39 - 13,07; 40 - 14,15; 41 - 14,59; 42 - 16,78; 43 - 18,17; 44 - 19,30; 45 - 20,29; 46 - 21,98; 47 - 25,79; 48 - 27,11; 49 - 31,19; 50 - 32,46; 51 - 38,47; 52 - 43,82.
С помощью вероятностных графиков можно предположить, что этот массив данных имеет логарифмически нормальное распределение. Для формального подтверждения этой гипотезы к этому массиву данных применяют критерий Шапиро-Франчия. Величина критерия Шапиро-Франчия SFLN для логарифмов исходных данных, рассчитанная с помощью уравнения (Л.2), равняется 0,9763. Величина критерия Шапиро-Франчия для исходных (нетрансформированных данных) равна только 0,7682. Для числа образцов 52 и уровня значимости 0,05 величина sf0,05 равняется 0,955. Поскольку SWLN>sw0,05, можно сделать заключение, что массив данных для ОЗВ имеет лог-нормальное распределение.
Приложение М
(рекомендуемое)
Формальный статистический критерий проверки нормальности распределения Харке-Бера для числа образцов более 1000
С помощью критерия Харке-Бера проверяют соответствие асимметрии и эксцесса выборки нормальному распределению:
и величину критерия Харке-Бера JB в соответствии с уравнением (М.3)
Затем определяют табличное значение критерия на основе таблицы М.1 критических значений Пирсона на уровне значимости 0,05 и числе степеней свободы 2. Это значение равно 5,991. Уровень значимости - это вероятность ошибки при утверждении, что распределение является ненормальным. Общепринятым является вероятность ошибки, не превышающая 5%. Число степеней свободы в данном случае отвечает за количество параметров в формуле критерия, а ими являются асимметрия и эксцесс.
Таким образом, если величина JB>5,991, то распределение не является нормальным, а если величина JB<5,991, то распределение является нормальным.
Таблица М.1 - Критические величины Пирсона для двух степеней свободы
|
|
|
|
|
|
|
0,1 | 0,05 | 0,025 | 0,01 | 0,005 | 0,001 | |
| 4,605 | 5,991 | 7,378 | 9,210 | 10,597 | 13,816 |
Пример - Предположим, что на некоторой территории в 24 образцах были измерены фоновые концентрации суммы ПАУ, мкг/кг. Исходные данные в порядке возрастания составляют: 1 - 14,57; 2 - 16,05; 3 - 19,3; 4 - 24,8; 5 - 27,5; 6 - 27,8; 7 - 32,4; 8 - 33,4; 9 - 33,8; 10 - 33,9; 11 - 35,1; 12 - 50,9; 13 - 54,85; 14 - 63,95; 15 - 68,3; 16 - 70,9; 17 - 96; 18 - 109,75; 19 - 135,8; 20 - 141,8; 21 - 160; 22 - 184,3; 23 - 296,9; 24 - 728,9.
Приложение Н
(рекомендуемое)
Формальный статистический критерий проверки нормальности распределения Д’Агостино для числа образцов более 50
Критерий Д’Агостино основан на D-статистике, который определяет постоянное отношение оценки популяции Даунтона к стандартному отношению выборки. Критерий учитывает отклонения от нормальности для эксцесса и асимметрии. Порядок расчёта по этому критерию приведён ниже:
а) необходимо рассортировать данные в порядке возрастания от самого маленького к самому большому значению, где х(1) - самая маленькая величина, х(2) - следующая большая величина и х(n) - самая большая величина;
б) затем вычисляют величину критерия D в соответствии с уравнением (Н.1)
где n - количество данных в массиве
и
в) затем вычисляют критерий Y в соответствии с уравнением
Пример - На некоторой территории в 100 образцах были измерены фоновые концентрации нефтяных углеводородов, мкг/кг. Исходные данные в порядке возрастания составляют: 1 - 26,8; 2 - 38,7; 3 - 43,7; 4 - 68,3; 5 - 88,9; 6 - 90,9; 7 - 91,6; 8 - 93,2; 9 - 96,5; 10 - 104,4; 11 - 105,7; 12 - 107,0; 13 - 114,0; 14 - 121,8; 15 - 122,5; 16 - 123,2; 17 - 129,94; 18 - 130,2; 19 - 131,3; 20 - 134,3; 21 - 140,4; 22 - 147,6; 23 - 148,5; 24 - 151,6; 25 - 154,2; 26 - 155,4; 27 - 155,8; 28 - 156,6; 29 - 157,9; 30 - 172,7; 31 - 173,2; 32 - 175,5; 33 - 175,8; 34 - 176,5; 35 - 176,5; 36 - 176,8; 37 - 181,0; 38 - 182,0; 39 - 183,5; 40 - 183,8; 41 - 185,4; 42 - 185,5; 43 - 188,5; 44 - 189,0; 45 - 189,2; 46 - 189,8; 47 - 189,8; 48 - 190,7; 49 - 191,1; 50 - 195,2; 51 - 195,2; 52 - 195,5; 53 - 198,9; 54 - 199,4; 55- 202,6; 56 - 205,1; 57 - 209,2; 58 - 210,2; 59 - 211,0; 60 - 211,3; 61 - 214,3; 62 - 214,9; 63 - 217,3; 64 - 219,1; 65 - 220,0; 66 - 220,9; 67 - 222,1; 68 - 224,3; 69 - 225,0; 70 - 225,4; 71 - 230,6; 72 - 233,6; 73 - 235,2; 74 - 237,3; 75 - 238,4; 76 - 238,9; 77 - 239,6; 78 - 240,0; 79 - 245,9; 80 - 246,1; 81 - 246,2; 82 - 247,8; 83 - 253,4; 84 - 256,7; 85 - 260,4; 86 - 267,0; 87- 270,9; 88 - 273,4; 89 - 282,1; 90 - 289,0; 91 - 292,2; 92 - 310,4; 93 - 311,8; 94 - 312,7; 95 - 328,1; 96 - 335,8; 97- 346,0; 98 - 348,2; 99 - 348,5; 100 - 366,2.
Вычисляем величину S, которая равна
Вычисляем величину Т:
Поскольку минус 0,86459 больше, чем минус 2,522, и меньше, чем 1,303, нельзя сделать заключение, что измерения в массиве данных распределены не в соответствии с нормальным законом распределения.
Таблица Н.1 - Критические величины критерия Д’Агостино для проверки нормальности выборки
|
|
|
|
|
|
|
|
|
|
|
n | 0,005 | 0,001 | 0,025 | 0,05 | 0,1 | 0,9 | 0,95 | 0,975 | 0,99 | 0,995 |
50 | -3,949 | -3,442 | 2,757 | -2,220 | -1,661 | 0,759 | 0,923 | 1,038 | 1,140 | 1,192 |
60 | -3,846 | -3,360 | -2,699 | -2,179 | -1,634 | 0,807 | 0,986 | 1,115 | 1,236 | 1,301 |
70 | -3,762 | -3,293 | -2,652 | -2,146 | -1,612 | 0,844 | 1,036 | 1,176 | 1,312 | 1,388 |
80 | -3,693 | -3,237 | -2,613 | -2,118 | -1,594 | 0,874 | 1,076 | 1,226 | 1,374 | 1,459 |
90 | -3,635 | -3,100 | -2,580 | -2,095 | -1,579 | 0,899 | 1,109 | 1,268 | 1,426 | 1,518 |
100 | -3,584 | -3,150 | -2,552 | -2,075 | -1,566 | 0,920 | 1,137 | 1,303 | 1,470 | 1,569 |
150 | -3,409 | -3,009 | -2,452 | -2,004 | -1,520 | 0,990 | 1,233 | 1,423 | 1,623 | 1,746 |
200 | -3,302 | -2,922 | -2,391 | -1,960 | -1,491 | 1,032 | 1,290 | 1,496 | 1,715 | 1,853 |
250 | -3,227 | -2,861 | -2,348 | -1,926 | -1,471 | 1,060 | 1,328 | 1,545 | 1,779 | 1,927 |
300 | -3,172 | -2,816 | -2,316 | -1,906 | -1,456 | 1,080 | 1,357 | 1,528 | 1,826 | 1,983 |
350 | -3,129 | -2,781 | -2,291 | -1,888 | -1,444 | 1,096 | 1,379 | 1,610 | 1,863 | 2,026 |
400 | -3,094 | -2,753 | -2,270 | -1,873 | -1,434 | 1,108 | 1,396 | 1,633 | 1,893 | 2,061 |
450 | -3,064 | -2,729 | -2,253 | -1,861 | -1,426 | 1,119 | 1,411 | 1,652 | 1,918 | 2,090 |
500 | -3,040 | -2,709 | -2,239 | -1,850 | -1,419 | 1,127 | 1,423 | 1,668 | 1,938 | 2,114 |
550 | -3,019 | -2,691 | -2,226 | -1,841 | -1,413 | 1,135 | 1,434 | 1,682 | 1,957 | 2,136 |
600 | -3,000 | -2,676 | -2,215 | -1,833 | -1,408 | 1,141 | 1,443 | 1,694 | 1,972 | 2,154 |
650 | -2,984 | -2,663 | -2,206 | -1,826 | -1,403 | 1,147 | 1,451 | 1,704 | 1,986 | 2,171 |
700 | -2,969 | -2,651 | -2,197 | -1,820 | -1,399 | 1,152 | 1,458 | 1,714 | 1,999 | 2,185 |
750 | -2,956 | -2,640 | -2,189 | -1,814 | -1,395 | 1,157 | 1,465 | 1,722 | 2,010 | 2,199 |
800 | -2,933 | -2,621 | -2,176 | -1,804 | -1,389 | 1,165 | 1,476 | 1,737 | 2,029 | 2,221 |
850 | -2,933 | -2,621 | -2,176 | -1,804 | -1,389 | 1,165 | 1,476 | 1,737 | 2,029 | 2,221 |
900 | -2,923 | -2,613 | -2,170 | -1,800 | -1,386 | 1,168 | 1,481 | 1,743 | 2,037 | 2,231 |
950 | -2,914 | -2,605 | -2,164 | -1,796 | -1,383 | 1,171 | 1,485 | 1,749 | 2,045 | 2,241 |
1000 | -2,906 | -2,599 | -2,159 | -1,792 | -1,381 | 1,174 | 1,489 | 1,754 | 2,052 | 2,249 |
Приложение П
(обязательное)
Идентификация единственного резко выделяющегося измерения (выброса) с помощью критерия Граббса для числа образцов от 3 до 100
Для идентификации одиночных выбросов в массиве данных с числом измерений от 3 до 100 используется критерий Граббса. Вычисления проводят в соответствии с методикой, приведённой ниже:
Пример - Предположим, что для некоторой территории в 10 образцах были измерены фоновые концентрации ОЗВ, мг/кг. Исходные данные составляют: 1 - 21,2; 2 - 26,0; 3 - 9,1; 4 - 28,7; 5 - 13,6; 6 - 52,6; 7 - 18,8; 8 - 25,5; 9 - 18,5; 10 - 26,4. Предположим, что оценка показала, что набор данных распределён нормально, за исключением одного максимального значения (одного потенциального выброса в 52,6 мг/кг).
|
|
|
|
|
|
n | n | n | |||
3 | 1,153 | 36 | 2,823 | 68 | 3,071 |
4 | 1,463 | 37 | 2,835 | 69 | 3,076 |
5 | 1,672 | 38 | 2,846 | 70 | 3,082 |
6 | 1,822 | 39 | 2,857 | 71 | 3,087 |
7 | 1,938 | 40 | 2,866 | 72 | 3,092 |
8 | 2,032 | 41 | 2,877 | 73 | 3,098 |
9 | 2,110 | 42 | 2,887 | 74 | 3,102 |
10 | 2,176 | 43 | 2,896 | 75 | 3,107 |
11 | 2,234 | 44 | 2,905 | 76 | 3,111 |
12 | 2,285 | 45 | 2,914 | 77 | 3,117 |
13 | 2,331 | 46 | 2,923 | 78 | 3,121 |
14 | 2,371 | 47 | 2,931 | 79 | 3,125 |
15 | 2,409 | 48 | 2,940 | 80 | 3,130 |
16 | 2,443 | 49 | 2,948 | 81 | 3,134 |
17 | 2,475 | 50 | 2,956 | 82 | 3,139 |
18 | 2,504 | 51 | 2,964 | 83 | 3,143 |
19 | 2,532 | 52 | 2,971 | 84 | 3,147 |
20 | 2,557 | 53 | 2,978 | 85 | 3,151 |
21 | 2,580 | 54 | 2,986 | 86 | 3,155 |
22 | 2,603 | 55 | 2,992 | 87 | 3,160 |
23 | 2,624 | 56 | 3,000 | 88 | 3,163 |
24 | 2,644 | 57 | 3,006 | 89 | 3,167 |
25 | 2,663 | 58 | 3,013 | 90 | 3,171 |
26 | 2,681 | 59 | 3,019 | 91 | 3,174 |
27 | 2,698 | 60 | 3,025 | 92 | 3,179 |
28 | 2,714 | 61 | 3,032 | 93 | 3,182 |
29 | 2,730 | 62 | 3,037 | 94 | 3,186 |
30 | 2,745 | 63 | 3,044 | 95 | 3,189 |
31 | 2,759 | 64 | 3,049 | 96 | 3,193 |
32 | 2,773 | 65 | 3,055 | 97 | 3,196 |
33 | 2,786 | 66 | 3,061 | 98 | 3,201 |
34 | 2,799 | 67 | 3,066 | 99 | 3,204 |
35 | 2,811 | 68 | 3,071 | 100 | 3,207 |
Окончание таблицы П.1
|
|
|
|
|
|
n | n | n | |||
101 | 3,210 | 116 | 3,257 | 131 | 3,296 |
102 | 3,214 | 117 | 3,259 | 132 | 3,298 |
103 | 3,217 | 118 | 3,262 | 133 | 3,302 |
104 | 3,220 | 119 | 3,265 | 134 | 3,304 |
105 | 3,224 | 120 | 3,267 | 135 | 3,306 |
106 | 3,227 | 121 | 3,270 | 136 | 3,309 |
107 | 3,230 | 122 | 3,274 | 137 | 3,311 |
108 | 3,233 | 123 | 3,276 | 138 | 3,313 |
109 | 3,236 | 124 | 3,279 | 139 | 3,315 |
110 | 3,239 | 125 | 3,281 | 140 | 3,318 |
111 | 3,242 | 126 | 3,284 | 141 | 3,320 |
112 | 3,245 | 127 | 3,286 | 142 | 3,322 |
113 | 3,248 | 128 | 3,289 | 143 | 3,324 |
114 | 3,251 | 129 | 3,291 | 144 | 3,326 |
115 | 3,254 | 130 | 3,294 | 145 | 3,328 |
Приложение Р
(рекомендуемое)
Идентификация нескольких выпадающих измерений (выбросов) с помощью критерия Диксона для числа образцов менее 25
а) располагают набор данных от наименьшего значения до наибольшего значения и отмечают наблюдения как х(1), х(2)... х(n), где х(1) является наименьшим значением и х(n) является наибольшим значением;
|
|
|
n | Статистика критерия Диксона |
|
3-7 | Уравнение (Р.1) | |
8-10 | Уравнение (Р.2) | |
11-13 | Уравнение (Р.3) | |
14-25 | Уравнение (Р.4) |
|
|
|
|
|
|
n | T | n | T | n | T |
3 | 0,941 | 11 | 0,576 | 19 | 0,462 |
4 | 0,765 | 12 | 0,546 | 20 | 0,450 |
5 | 0,642 | 13 | 0,521 | 21 | 0,440 |
6 | 0,560 | 14 | 0,546 | 22 | 0,430 |
7 | 0,507 | 15 | 0,525 | 23 | 0,421 |
8 | 0,554 | 16 | 0,507 | 24 | 0,413 |
9 | 0,512 | 17 | 0,490 | 25 | 0,406 |
10 | 0,477 | 18 | 0,475 |
|
|
Приложение С
(обязательное)
Идентификация выпадающих измерений (выбросов) с помощью критерия Рознера для числа образцов более 25
При нормальном распределении для проверки выбросов используются исходные (нетрансформированные) данные, при этом при наличии до 50% измерений ниже предела обнаружения их заменяют на величину половины предела обнаружения. Для проверки выбросов при логнормальном распределении сначала вычисляется у=In(х), и эти значения у используются вместо значений х. Вычисления проводятся с помощью методики, приведённой ниже:
и стандартного отклонения (s) для полной выборки (то есть, для i=0).
д) повторяют этапы 3 и 4 до тех пор, пока потенциальные выбросы не будут удалены. Эта процедура должна привести к набору результатов в соответствии с выражением
е) затем применяют критерий Рознера для всех возможных выбросов k. Чтобы проверить наличие выбросов, необходимо вычислить статистику критерия в соответствии с уравнением (С.4)
Пример - Предположим, что для некоторой территории в 30 образцах были измерены фоновые концентрации ОЗВ. С помощью оценки формы распределения было показано, что эти данные имеют лог-нормальное распределение. Представленные в порядке возрастания лог-трансформированные данные (в виде натуральных логарифмов концентраций, выраженных в мг/кг) составляют: 1 - минус 0,90; 2 - минус 0,85; 3 - минус 0,70; 4 - минус 0,59; 5 - минус 0,57; 6 - минус 0,57; 7 - 0,40; 8 - минус 0,29; 9 - минус 0,23; 10 - минус 0,23; 11 - минус 0,20; 12 - минус 0,19; 13 - 0,13; 14 - минус 0,10; 15 - минус 0,03; 16 - минус 0,003; 17 - 0,03; 18 - 0,10; 19 - 0,11; 20 - 0,13; 21 - 0,16; 22 - 0,25; 23 - 0,25; 24 - 0,30; 25 - 0,36; 26 - 0,55; 27 - 0,60; 28 - 1,50; 29 - 1,60; 30 - 2,00.
На основании вероятностного графика, описанного в пункте 6.1.1 раздела 6, было предположено, что три измерения с самыми высокими концентрациями являются потенциальными выбросами. В соответствии с описанной выше процедурой для i, равной 0, величина R равна 2,87, а R критическая равна 2,91; для i, равной 1, величина R равна 2,77, а R критическая равна 2,89; для i, равной 2, величина R равна 3,13, а R критическая равна 2,88. Поскольку результаты проверки показывают, что величина критерия Рознера для n, равным 30, и числа потенциальных выбросов, равных 3, составила 3,13 и была больше, чем критическая величина критерия Рознера в 2,88, можно сделать заключение, что все три максимальных значения логарифмов содержания ОЗВ в почве (1,5, 1,6 и 2,0) являются выбросами.
|
|
|
|
|
|
|
|
|
n | k | R | n | k | R | n | k | R |
25 | 1 | 2,82 | 35 | 1 | 2,98 | 45 | 1 | 3,09 |
| 2 | 2,80 |
| 2 | 2,97 |
| 2 | 3,08 |
| 3 | 2,78 |
| 3 | 2,95 |
| 3 | 3,07 |
| 4 | 2,76 |
| 4 | 2,94 |
| 4 | 3,06 |
| 5 | 2,73 |
| 5 | 2,92 |
| 5 | 3,05 |
| 10 | 2,59 |
| 10 | 2,84 |
| 10 | 2,99 |
26 | 1 | 2,84 | 36 | 1 | 2,99 | 46 | 1 | 3,09 |
| 2 | 2,82 |
| 2 | 2,98 |
| 2 | 3,09 |
| 3 | 2,80 |
| 3 | 2,97 |
| 3 | 3,08 |
| 4 | 2,78 |
| 4 | 2,95 |
| 4 | 3,07 |
| 5 | 2,76 |
| 5 | 2,94 |
| 5 | 3,06 |
| 10 | 2,62 |
| 10 | 2,86 |
| 10 | 3,00 |
27 | 1 | 2,86 | 37 | 1 | 3,00 | 47 | 1 | 3,10 |
| 2 | 2,84 |
| 2 | 2,99 |
| 2 | 3,09 |
| 3 | 2,82 |
| 3 | 2,98 |
| 3 | 3,09 |
| 4 | 2,80 |
| 4 | 2,97 |
| 4 | 3,08 |
| 5 | 2,78 |
| 5 | 2,95 |
| 5 | 3,07 |
| 10 | 2,65 |
| 10 | 2,88 |
| 10 | 3,01 |
28 | 1 | 2,88 | 38 | 1 | 3,01 | 48 | 1 | 3,11 |
| 2 | 2,86 |
| 2 | 3,00 |
| 2 | 3,10 |
| 3 | 2,84 |
| 3 | 2,99 |
| 3 | 3,09 |
| 4 | 2,82 |
| 4 | 2,98 |
| 4 | 3,09 |
| 5 | 2,80 |
| 5 | 2,97 |
| 5 | 3,08 |
| 10 | 2,68 |
| 10 | 2,91 |
| 10 | 3,03 |
29 | 1 | 2,89 | 39 | 1 | 3,03 | 49 | 1 | 3,12 |
| 2 | 2,88 |
| 2 | 3,01 |
| 2 | 3,11 |
| 3 | 2,86 |
| 3 | 3,00 |
| 3 | 3,10 |
| 4 | 2,84 |
| 4 | 2,99 |
| 4 | 3,09 |
| 5 | 2,82 |
| 5 | 2,98 |
| 5 | 3,09 |
| 10 | 2,71 |
| 10 | 2,91 |
| 10 | 3,04 |
30 | 1 | 2,91 | 40 | 1 | 3,04 | 50 | 1 | 3,13 |
| 2 | 2,89 |
| 2 | 3,03 |
| 2 | 3,12 |
| 3 | 2,88 |
| 3 | 3,01 |
| 3 | 3,11 |
| 4 | 2,86 |
| 4 | 3,00 |
| 4 | 3,10 |
| 5 | 2,84 |
| 5 | 2,99 |
| 5 | 3,09 |
| 10 | 2,73 |
| 10 | 2,92 |
| 10 | 3,05 |
31 | 1 | 2,92 | 41 | 1 | 3,05 | 60 | 1 | 3,20 |
| 2 | 2,91 |
| 2 | 3,04 |
| 2 | 3,19 |
| 3 | 2,89 |
| 3 | 3,03 |
| 3 | 3,19 |
| 4 | 2,88 |
| 4 | 3,01 |
| 4 | 3,18 |
| 5 | 2,86 |
| 5 | 3,00 |
| 5 | 3,17 |
| 10 | 2,76 |
| 10 | 2,94 |
| 10 | 3,14 |
32 | 1 | 2,94 | 42 | 1 | 3,06 | 70 | 1 | 3,26 |
| 2 | 2,92 |
| 2 | 3,05 |
| 2 | 3,25 |
| 3 | 2,91 |
| 3 | 3,04 |
| 3 | 3,25 |
| 4 | 2,89 |
| 4 | 3,03 |
| 4 | 3,24 |
| 5 | 2,88 |
| 5 | 3,01 |
| 5 | 3,24 |
| 10 | 2,78 |
| 10 | 2,95 |
| 10 | 3,21 |
33 | 1 | 2,95 | 43 | 1 | 3,07 | 80 | 1 | 3,31 |
| 2 | 2,94 |
| 2 | 3,06 |
| 2 | 3,30 |
| 3 | 2,92 |
| 3 | 3,05 |
| 3 | 3,30 |
| 4 | 2,91 |
| 4 | 3,04 |
| 4 | 3,29 |
| 5 | 2,89 |
| 5 | 3,03 |
| 5 | 3,29 |
| 10 | 2,80 |
| 10 | 2,97 |
| 10 | 3,26 |
34 | 1 | 2,97 | 44 | 1 | 3,08 | 100 | 1 | 3,38 |
| 2 | 2,95 |
| 2 | 3,07 |
| 2 | 3,38 |
| 3 | 2,94 |
| 3 | 3,06 |
| 3 | 3,38 |
| 4 | 2,92 |
| 4 | 3,05 |
| 4 | 3,37 |
| 5 | 2,91 |
| 5 | 3,04 |
| 5 | 3,37 |
| 10 | 2,82 |
| 10 | 2,98 |
| 10 | 3,35 |
Приложение Т
(обязательное)
Идентификация выпадающих измерений (выбросов) при непараметрическом распределении данных
В том случае, если распределение данных не подчиняется нормальному или логнормальному распределению, то для выборок с числом данных более 60 для идентификации потенциальных выбросов применяют следующий критерий (методология проверки данных такой выборки на выбросы приведена ниже):
б) из графиков или анализа табличных данных сначала определяют количество потенциальных выбросов r более или равно 1;
Затем вычисляют следующие параметры:
k=r+c, (Т.2)
где ceiling обозначает округление величин до следующего самого большого целого числа.
Пример - Предположим, что для некоторой территории в 61 образце были измерены фоновые концентрации ОЗВ. Исходные данные, мг/кг: 1 - 14,57; 2 - 16,05; 3 - 19,3; 4 - 24,8; 5 - 27,5; 6 - 27,8; 7 - 32,4; 8 - 33,4; 9 - 33,8; 10 - 33,9; 11 - 35,1; 12 - 50,9; 13 - 54,85; 14 - 63,95; 15 - 68,3; 16 - 70,9; 17 - 96; 18 - 109,75; 19 - 135,8; 20 - 141,8; 21 - 160; 22 - 184,3; 23 - 14,57; 24 - 16,05; 25 - 17,05; 26 - 18,05; 27 - 19,05; 28 - 20,05; 29 - 21,05; 30 - 33,4; 31 - 33,8; 32 - 33,9; 33 - 35,1; 34 - 50,9; 35 - 54,85; 36 - 63,95; 37 - 68,3; 38 - 70,9; 39 - 96; 40 - 109,75; 41 - 135,8; 42 - 141,8; 43 - 160; 44 - 184,3; 45 - 16,05; 46 - 17,05; 47 - 18,05; 48 - 19,05; 49 - 14,57; 50 - 16,05; 51 - 19,3; 52 - 24,8; 53 - 27,5; 53 - 27,5; 54 - 27,8; 55 - 32,4; 56 - 16,05; 57 - 17,05; 58 - 18,05; 59 - 296,9; 60 - 728,9; 61 - 105,2.
Приложение У
(обязательное)
Определение верхней доверительной границы среднего значения РФК, имеющей нормальное распределение при уровне значимости 0,05, с помощью критерия Стьюдента [9]
При нормальном распределении выборки ВДГ для среднего рассчитывают на основе t-распределения Стьюдента. Предварительно оценивают статистическое распределение данных с использованием формальных критериев и проводят проверку на наличие выбросов:
Пример - Предположим, что на некоторой территории в 24 образцах были измерены фоновые концентрации суммы ПАУ, мкг/кг. Исходные данные в порядке возрастания составляют: 1 - 14,57; 2 - 16,05; 3 - 19,3; 4 - 24,8; 5 - 27,5; 6 - 27,8; 7 - 32,4; 8 - 33,4; 9 - 33,8; 10 - 33,9; 11 -35,1; 12 - 50,9; 13 - 54,85; 14 - 63,95; 15 - 68,3; 16 - 70,9; 17 - 96; 18 - 109,75; 19 - 135,8; 20 - 141,8; 21 - 160; 22 - 184,3; 23 - 296,9; 24 - 728,9. Вычисленная на основе этого массива данных величина среднего арифметического равна 102,54 мкг/кг. При этом величина стандартного отклонения равна 149,54 мг/кг. Величина коэффициента Стьюдента для уровня доверия 95%, найденная в таблице У.1 для 23 степеней свободы, равна 1,714. В соответствии с выражением С1 величина 95% ВДГ равна 154,87 мкг/кг. Если из исходного массива данных удалить два самых максимальных значения, которые можно рассматривать как выбросы, то величина коэффициента Стьюдента для уровня доверия 95%, найденная в таблице У.1 для 23 степеней свободы, равна 1,721. В соответствии с уравнением (У.1) величина 95% ВДК равна 83,83 мкг/кг.
|
|
|
|
|
|
df(n-1) | 0,05 | df(n-1) | 0,05 | df(n-1) | 0,05 |
1 | 6,314 | 13 | 1,771 | 25 | 1,708 |
2 | 2,920 | 14 | 1,761 | 26 | 1,706 |
3 | 2,353 | 15 | 1,753 | 27 | 1,703 |
4 | 2,132 | 16 | 1,746 | 28 | 1,701 |
5 | 2,015 | 17 | 1,740 | 29 | 1,699 |
6 | 1,943 | 18 | 1,734 | 30 | 1,697 |
7 | 1,895 | 19 | 1,729 | 40 | 1,684 |
8 | 1,860 | 20 | 1,725 | 60 | 1,671 |
9 | 1,833 | 21 | 1,721 | 120 | 1,658 |
10 | 1,812 | 22 | 1,717 | >120 | 1,645 |
11 | 1,796 | 23 | 1,714 |
|
|
12 | 1,782 | 24 | 1,711 |
|
|
Приложение Ф
(обязательное)
Определение верхней доверительной границы среднего арифметического РФК, имеющей логнормальное распределение при уровне значимости 0,05, с помощью метода Лэнда
Процедура вычисления ВДГ по методу Лэнда [10] приведена ниже:
а) если в выборке имеются измерения ниже предела обнаружения, то их заменяют на величину половины предела обнаружения (если количество измерений ниже предела обнаружения не достигает 50%). Затем вычисляют натуральный логарифм каждого измерения, при этом трансформированное значение у будет равно ln(x);
Если полученный ВДГ больше норматива, то необходимо сделать вывод о том, что среднее РФК выше данного норматива. Если ВДГ меньше норматива, то необходимо сделать заключение, что среднее РФК ниже данного норматива.
|
|
|
|
|
|
|
|
|
|
|
n | ||||||||||
3 | 5 | 7 | 10 | 12 | 15 | 21 | 31 | 51 | 101 | |
0,10 | 2,750 | 2,035 | 1,886 | 1,802 | 1,775 | 1,749 | 1,722 | 1,701 | 1,684 | 1,670 |
0,20 | 3,295 | 2,198 | 1,992 | 1,881 | 1,843 | 1,809 | 1,771 | 1,742 | 1,718 | 1,697 |
0,30 | 4,109 | 2,402 | 2,125 | 1,977 | 1,927 | 1,882 | 1,833 | 1,793 | 1,761 | 1,733 |
0,40 | 5,220 | 2,651 | 2,282 | 2,089 | 2,026 | 1,968 | 1,905 | 1,856 | 1,813 | 1,777 |
0,50 | 6,495 | 2,947 | 2,465 | 2,220 | 2,141 | 2,068 | 1,989 | 1,928 | 1,876 | 1,830 |
0,60 | 7,807 | 3,287 | 2,673 | 2,368 | 2,271 | 2,181 | 2,085 | 2,010 | 1,946 | 1,891 |
0,70 | 9,120 | 3,662 | 2,904 | 2,532 | 2,414 | 2,306 | 2,191 | 2,102 | 2,025 | 1,960 |
0,80 | 10,43 | 4,062 | 3,155 | 2,710 | 2,570 | 2,443 | 2,307 | 2,202 | 2,112 | 2,035 |
0,90 | 11,74 | 4,478 | 3,420 | 2,902 | 2,738 | 2,589 | 2,432 | 2,310 | 2,206 | 2,117 |
1,00 | 13,05 | 4,905 | 3,698 | 3,103 | 2,915 | 2,744 | 2,564 | 2,423 | 2,306 | 2,205 |
1,25 | 16,33 | 6,001 | 4,426 | 3,639 | 3,389 | 3,163 | 2,923 | 2,737 | 2,580 | 2,447 |
1,50 | 19,60 | 7,120 | 5,184 | 4,207 | 3,896 | 3,612 | 3,311 | 3,077 | 2,881 | 2,713 |
1,75 | 22,87 | 8,250 | 5,960 | 4,795 | 4,422 | 4,081 | 3,719 | 3,437 | 3,200 | 2,997 |
2,00 | 26,14 | 9,387 | 6,747 | 5,396 | 4,962 | 4,564 | 4,141 | 3,812 | 3,533 | 3,295 |
2,50 | 32,69 | 11,67 | 8,339 | 6,621 | 6,067 | 5,557 | 5,013 | 4,588 | 4,228 | 3,920 |
3,00 | 39,23 | 13,97 | 9,945 | 7,864 | 7,191 | 6,570 | 5,907 | 5,388 | 4,947 | 4,569 |
3,50 | 45,77 | 16,27 | 11,56 | 9,118 | 8,326 | 7,596 | 6,815 | 6,201 | 5,681 | 5,233 |
4,00 | 52,31 | 18,58 | 13,18 | 10,38 | 9,469 | 8,630 | 7,731 | 7,024 | 6,424 | 5,908 |
4,50 | 58,85 | 20,88 | 14,80 | 11,64 | 10,62 | 9,669 | 8,652 | 7,854 | 7,174 | 6,590 |
5,00 | 65,39 | 23,19 | 16,43 | 12,91 | 11,77 | 10,71 | 9,579 | 8,688 | 7,929 | 7,277 |
6,00 | 78,47 | 27,81 | 19,68 | 15,45 | 14,08 | 12,81 | 11,44 | 10,36 | 9,449 | 8,661 |
7,00 | 91,55 | 32,43 | 22,94 | 18,00 | 16,39 | 14,90 | 13,31 | 12,05 | 10,98 | 10,05 |
8,00 | 104,60 | 37,06 | 26,20 | 20,55 | 18,71 | 17,01 | 15,18 | 13,74 | 12,51 | 11,45 |
9,00 | 117,70 | 41,68 | 29,46 | 23,10 | 21,03 | 19,11 | 17,05 | 15,43 | 14,05 | 12,85 |
10,00 | 130,800 | 46,31 | 32,73 | 25,66 | 23,35 | 21,22 | 18,93 | 17,13 | 15,59 | 14,26 |
Приложение X
(обязательное)
Определение верхней доверительной границы медианы РФК для выборки, имеющей непараметрическое распределение
Для выборок, которые не являются ни нормальными, ни логнормальными, используют следующий метод вычисления ВДГ. При этом доверительную границу определяют не для среднего, а для медианы. Чтобы построить доверительные границы для медианы при непараметрическом распределении данных по доверительной вероятности р находят U(p). U(p) - число, заданное равенством Ф(U(р))=(1+р)/2, где Ф(х) - функция стандартного нормального распределения с математическим ожиданием 0 и дисперсией 1. Например, при p, равной 95% (т.е. при р равной 0,95), имеем U(p), равным 1,96.
Верхняя доверительная граница для медианы имеет вид
Пример - Предположим, что на некоторой территории в 50 образцах были измерены фоновые концентрации суммы ПАУ, мкг/кг. Расчёт проводят в следующей последовательности:
Исходные данные в порядке возрастания составляют: 1 - 9; 2 - 17,5; 3 - 21; 4 - 26,5; 5 - 27,5; 6 - 31; 7 - 32,5; 8 - 34; 9 - 36; 10 - 36,5; 11 - 39; 12 - 40; 13 - 41; 14 - 42,5; 15 - 43; 16 - 45; 17 - 46; 18 - 47,5; 19 - 48; 20 - 50; 21 - 51; 22 - 53,5; 23 - 55; 24 - 56; 25 - 56; 26 - 56,5; 27 - 57,5; 28 - 58; 29 - 59; 30 - 59; 31 - 60; 32 - 61; 33 - 61,5; 34 - 62; 35 - 63; 36 - 64,5; 37 - 65; 38 - 67,5; 39 - 68,5; 40 - 70; 41 - 72,5; 42 - 77,5; 43 - 81; 44 - 82,5; 45 - 90; 46 - 96; 47- 101,5; 48 - 117,5; 49 - 127,5; 50 - 130;
б) находим медиану выборки численностью n, которая равна 56,25;
в) для доверительной вероятности p, равной 0,95, рассчитываем
Библиография
|
|
[1] | Егоров В.В., Иванова Е.Н., Фридланд В.М. Классификация и диагностика почв СССР. М.: Колос, 1977. 221 с. |
[2] | ООН. Экономический и социальный совет. Европейская экономическая комиссия. Комитет по экологической политике. Рабочая группа по мониторингу и оценке окружающей среды. Руководящие принципы разработки национальных стратегий использования мониторинга загрязнения почв в качестве инструмента экологической политики. 2014. - GE.14-10435 (R) 190914 190914. 30 с. |
[3] | Руководство по описанию почв. Четвёртое издание. Рим: Продовольственная и сельскохозяйственная организация объединённых наций, 2012. 114 с. |
[4] | Shapiro S.S., Wilk M.B. An analysis of variance test for normality (complete samples) // Biometrika. 1965. Vol. 52. P.591 -611. |
[5] | Shapiro S.S., Francia R.S. An approximate analysis of variance test for normality // Journal of the American Statistical Association. 1972. Vol. 63. P.1343-1372. |
[6] | Grubbs F.E. Procedures for Detecting Outlying Observations in Samples // Technometrics. 1969. Vol. 11, No 1. P.1-21. |
[7] | Dixon W.J. Processing data for outliers// Biometrics. 1953. Vol. 9. P.74-89. |
[8] | Rosner B. Percentage points for a generalized ESD many-outlier procedure // Technometrics. 1983. Vol. 25. P.165-172. |
[9] | Guidance for Comparing Background and Chemical Concentrations in Soil for CERCLA Sites. EPA 540-R-01-003 OSWER 9285.7-41 // Washington, DC: Office of Emergency and Remedial Response U.S. Environmental Protection Agency. 2002. 89 p. |
[10] | Gilbert R.L. Statistical methods for environmental monitoring // New York: Van Nostrand Reinold Company, 1987. 334 p. |
|
Ключевые слова: региональный фон, органические загрязнители, почва, статистические характеристики |
Лист регистрации изменений
|
|
|
|
|
|
|
|
|
Порядковый | Номер страницы | Номер | Подпись | Дата | ||||
номер изменения | изме- нённой | заме- нённой | новой | аннулиро- ванной | регистрации изменения в ГОС, дата |
| внесения изм. | введения изм. |
|
|
|
|
|
|
|
|
|
Массовая концентрация свинца, кадмия, марганца, никеля, меди, хрома, цинка и железа в атмосферных осадках и аэрозолях. Методика измерений атомно-абсорбционным методом с электротермической атомизацией
Руководство по гидрометеорологическому обеспечению морской деятельности
Массовая концентрация ртути в атмосферных осадках и поверхностных водах. Методика измерений методом атомно-абсорбционной спектрометрии "холодного пара"
Руководство по организации и проведению наблюдений, оценке состояния и загрязнения морской среды в районах разведки и разработки морских нефтегазовых месторождений
Цветность природных вод. Методика измерений фотометрическим и визуальным методами