Путем взятия проб установлено что потери зерна при уборке

Обновлено: 07.09.2024

Потери зерна делятся на биологические и механические.

Биологические – это потери при нарушении сроков уборки и зависят от временного фактора.

Механические появляются при нарушении как технических, так и технологических наладок, регулировок комбайнов, а также при несоблюдении технологий: скорости движения, подачи хлебной массы в молотилку и других.

Необходимо отметить, что в результате неправильного регулирования рабочих узлов, агрегатов, неудовлетворительного скашивания культур и подбирания, а также нарушения работы и небрежного контроля технологического процесса, потери зерна могут достигать до 10-12%.

Если комбайн технически исправен, правильно отрегулированы узлы и механизмы жатки, молотильный аппарат и сепарирующие органы, проведена полная герметизация возможных мест потерь и стыковки узлов, соблюдаются правила скашивания и подбора, то все виды потерь зерна за комбайном при обмолоте в сумме не должны превышать при урожайности 4 т/га и более – 60 кг/га.

У каждого комбайна есть несколько видов основных потерь:

При обмолоте – это те потери, которые происходят после обмолота зерна, пройденного через все узлы комбайна при обмолоте (ротором или барабаном с клавишами соломотряса).
Потери непосредственно после жатки - такие потери встречаются, если у комбайна не герметичен корпус жатки. Например, разошелся шов на соединении листов металла. Вследствие чего зерно частично выпадает в образовавшуюся щель в корпусе жатки.
Потери в необмолоченных колосках. Если плохо настроен комбайн, то в бункер идет много не обмолоченных колосьев. Даже после прохождения механизма домолота. В хозяйствах где используется зерновая очистка и подработка зерна на механизированном току, очистительная машина не сможет выделить зерно из необмолоченного колоса. Она просто рассортирует его с колосом в крупную фракцию и отправит в третьи сорта. А третьи сорта - это отходы и соответственно потери.

Нормальными считаются общие потери зерна после прохода комбайна при уборке прямостоячих хлебов - не более 2%, при уборке полеглых хлебов - не более 3%. За жаткой допустимы потери не более 0,5% для прямостоячих хлебов,1,5% - для полеглых хлебов, за молотилкой - не более 1,5%. Также нужно учитывать массу 1000 семян и урожайность культуры. Помимо этого, у каждого комбайна есть свой регламентированный допустимый процент потерь, который должен быть отражен в инструкции.

Пример расчета потерь при уборке:

На площади 10*10 см (1 дм2) у вас на почве лежит 7 зерен;
В одном метре квадратном 100 квадратных дециметров. То есть 7 * 100 = 700 зерен;
В 1 га - 10000 м2. 700 *10000 = 7000000 зерен потерь на 1 га;
Масса 1000 семян в среднем равна 40 грамм у пшеницы (или используйте данные лаборатории). Теперь 40 грамм умножаем на 7000 = 280000 грамм. Или 280 кг пшеницы потерь на 1 га.
Из планируемой урожайности высчитываем процент 280 кг.
Планируемая урожайность составляет 50 ц/га или 5000 кг/га.
Соответственно 5000 кг это 100 %, а 280 кг это Х.
Отсюда 280 кг × 100% / 5000 кг = 5,6% потерь на 1 га.
Если регламентированный процент потерь у комбайна составляет 3,5 %, то от 5,6 % - 3,5 % = 2,1 %.

То есть по данному расчету видно, что потери превышают допустимые на 2,1%, соответственно комбайн необходимо регулировать.

Если расчет совпадает с регламентированным в инструкции процентом потерь или меньше его, то все действия по настройке комбайна были правильными.

Еще несколько советов от агрономов

Запускаем комбайн;
Проходит 50-100 метров;
Смотрим потери за жаткой:

Не должно быть срезанных и несрезанных колосьев, а также не должно быть зерен.

Если есть зерна на почве, то уменьшаем обороты мотовила.

Если есть срезанные колосья, то устанавливаем правильную частоту вращения мотовила. Правильно, когда 1 оборот мотовила равен 1 обороту колеса комбайна.

По высоте планки мотовила должны захватывать 1/3 высоты растения для прямостоячих хлебов.

Если хлеба полеглые, то мотовило опускается ниже.

Также потеря колосом может идти из-за:

неполного захвата жатки,
неправильной регулировки пальцев граблин,
недостаточного выдвижения мотовила вперед,
чрезмерно большого зазора между спиралями шнека и днищем жатки,
большого зазора между пальцами граблин и спиралями шнека.

Если есть несрезанные колосья, то посмотреть надо целостность сегментов, пальцев, а также высоту среза.

Задача: Путем взятия проб установлено, что потери зерна при уборке составили в среднем 3 г. на 1 кв. м., среднее квадратическое отклонение потерь 1 г. Определить
1) вероятность того, что 1 га потери составляет не менее 29,6 кг.
2) величину, которую не превзойдут потери на 1 га с вероятностью 0,98

верно ли я рассуждаю?

2) , ,;

Нет, неправильно. Строго говоря, я вообще не вижу рассуждения, а вижу какие-то формулы, в которые подставлено неизвестно что и непонятно зачем.

-- Пн фев 21, 2011 22:52:33 --

Не говоря уже о такой мелочи, что с размерностями величин полный бардак. Сколько грамм в килограмме? Сколько квадратных метров в 1 ге?

Вам вот что нужно: стат. данные для пересчитать на тот самый гектар.
При этом мат. ожидание у вас увеличится в раз, а СКО - среднее квадратичное - только в корень из этого числа, т. е. в 100 раз.
И в ваши формулы именно эти величины и следует подставлять.

Последний раз редактировалось Nurgali 21.02.2011, 23:13, всего редактировалось 1 раз.

Рассуждаю следующим образом:
1 кг=1000 гр
1 га= 10000 кв. м.

Путем взятия проб установлено, что потери зерна при уборке составили в среднем 3 гр на 1 кв. м. Следовательно, на 1 га=10000 кв.м. в среднем 30000 гр=30 кг. матожидание .

$\sigma=0,1$

среднее квадратическое отклонение потерь 1 гр. Следовательно

-- Вт фев 22, 2011 00:04:23 --

далее вычисляю вероятность того, что 1 га потери составляет не менее 29,6 кг

т.е. это уже не правильно?

далее вычисляю вероятность того, что 1 га потери составляет не менее 29,6 кг

-- Вт фев 22, 2011 00:26:52 --

в случае
2) величину, которую не превзойдут потери на 1 га с вероятностью 0,98

думал так, что надо найти такую величину , для которой

Последний раз редактировалось spaits 21.02.2011, 23:56, всего редактировалось 1 раз.

Среднее квадратическое отклонение потерь 10 кг. Ведь Вы считаете на 1 га.
Математическое ожидание потерь 30 кг.
Для использования табличных данных функции нормального распределения Вам нужно потери зерна 29,6 кг выразить в относительных единицах: х=29,6:30=0,9867. Отклонение от среднегов относительных единицах: 0,9867-1 = -0,0133. Находим по таблицам функции нормального распределения значение вероятности, что х не больше этого значения (29,6 кг): р=0,495.
Решена первая часть задачи.

Все таки как правильно или ?

$\sigma=0.1$

Все правильно, (в килограммах). Это вполне разумное число и с точки зрения числовых значений задачи

-- Вт фев 22, 2011 00:45:01 --

А в формуле во-первых должно быть:

Это конечно число формально, по смыслу задачи не может быть отрицательным, но все-таки Вы применяете нормальное приближение, а нормальное распределение сосредоточено на всей прямой. А далее нужно уточнить, как у Вас определяется функция . В литературе бывают немного разные определения.

Среднее квадратическое отклонение потерь 10 кг. Ведь Вы считаете на 1 га.
Математическое ожидание потерь 30 кг.
Для использования табличных данных функции нормального распределения Вам нужно потери зерна 29,6 кг выразить в относительных единицах: х=29,6:30=0,9867. Отклонение от среднего в относительных единицах: 0,9867-1 = -0,0133. Находим по таблицам функции нормального распределения значение вероятности, что х не больше этого значения (29,6 кг): р=0,495.
Решена первая часть задачи.

$\sigma=0.1$

Все правильно, (в килограммах). Это вполне разумное число и с точки зрения числовых значений задачи

-- Вт фев 22, 2011 00:45:01 --

А в формуле во-первых должно быть:

Вы правы. При увеличении объёма выборки в 10000 раз математическое ожидание увеличивается в 10000 раз, а среднеквадратическое отклонение в 100 раз.
Следовательно, математическое ожидание потерь зерна на 1 га составит 30 кг, а среднее квадратическое отклонение будет 0,1 кг.
У меня была ошибка.

Оно основано на том, что законы распределения каждой из составляющих сумму случайных величин нам неизвестны и более того, даже перечислить эти величины мы не в состоянии ( ), а поведение суммы оказывается можно предвидеть.

Решение вопроса, при каких значениях n рекомендуется использовать нормальное приближение, зависит от требуемой точности вычисления вероятностей.

Сделаем три замечания о центральной предельной теореме, важные для практики:

Замечание 1. Если предельный вид распределения суммы случайных слагаемых при определенных условиях всегда нормален и не зависит от вида распределения самих слагаемых, то скорость сходимости распределения суммы к нормальному закону существенно зависит от типа распределения исходных компонент. Так, например, при суммировании равномерно распределенных случайных величин уже при 6-10 слагаемых можно добиться достаточной близости к нормальному закону, в то же время как для достижения той же близости при суммировании слагаемых, имеющих распределенный Хи-квадрат, понадобится более 100 слагаемых.

Замечание 2. Центральной предельной теоремой не рекомендуется пользоваться для аппроксимации вероятностей на “хвостах” распределения, т. е. при оценке вероятностей больших отклонений анализируемой суммы случайных величин от своего среднего значения. Это приводит к большим относительным ошибкам аппроксимации. Так, например, пусть (n) – нормированный среднедушевой доход в семье (соответственно – заработная плата работающих членов семьи и другие составляющие семейного дохода) и пусть нас интересует доля q семей с очень высоким доходом, а именно с доходом, не меньшим некоторого достаточного высокого уровня (руб.). Исследования показали, что точное значение этой доли q= 0,03, в то время как соответствующая нормальная аппроксимация дала результат =0,003. Разность q – мала (как и следует из центральной предельной теоремы), однако относительная погрешность составляет величину 1000%.

Замечание 3. Центральная предельная теорема позволяет проследить асимптотические связи, существующие между различными модельными законами распределения, с одной стороны, и нормальным законом – с другой (рис. 5.2).

Опираясь на центральную предельную теорему, можно объяснить, в частности, следующие полезные для статистической практики выводы:

1. Биномиально распределенная случайная величина X с параметрами n, p асимптотически (при ) нормальна с параметрами M(X) = np и D(X)= np(1 – p) = npq. Данный результат известен как теорема Муавра–Лапласа (доказана впервые Муавром в 1733 г., когда еще не была известна центральная предельная теорема).

2. Распределение –пуассоновской случайной величины X( ) асимптотически (при ) нормально с параметрами M(X) = D(X) = .

3. Другие распределения и их связи с нормальным распределением приведены на схеме (рис. 5.2).

Рис. 5.2. Схема зависимостей между некоторыми распределениями;

а * – функциональное преобразование

Рассмотрим некоторые примеры практического использования центральной предельной теоремы:

1. Ошибки измерения. Случайная ошибка измерения образуется под воздействием достаточно большого числа факторов, каждый из которых вызывает как бы часть (слагаемое) суммарной ошибки. Если при этом какой-то фактор оказывает преобладающее воздействие, то и распределение суммарной ошибки будет в основном формироваться его распределением. Однако если все факторы оказываются примерно равноценными, то при достаточно большом их числе можно ожидать почти нормального распределения суммарной ошибки измерения.

2.Рассеивание при стрельбе. Известно, что при стрельбе происходит отклонение от цели точки попадания снаряда. Причиной такого отклонения является суммарное воздействие на снаряд множества факторов, например, ветра, колебания ствола орудия, неоднообразия формы и поверхности снаряда и др. В предположении относительной равноценности воздействия этих факторов и достаточно большого их числа можно ожидать почти нормального распределения суммарного отклонения.

3.Массовое производство. Пусть имеет место устойчивый технологический процесс, с помощью которого производятся некоторые изделия. Будем рассматривать в качестве случайной величины X – отклонение изготовленного изделия от стандарта, на который настроен процесс. Существует большое количество факторов, оказывающих влияние на процесс (изменение температуры, качество заготовок и т. д.). Совокупное же их действие дает уже заметный результат: изготовленные изделия имеют различные отклонения от стандарта. Из центральной предельной теоремы следует, что случайная величина X будет иметь распределение, близкое к нормальному распределению.

4. Выборочные наблюдения. Закон больших чисел и центральная предельная теорема являются теоретической основой выборочного метода, широко применяемого в статистике. Суть его состоит в том, что по сравнительно небольшой случайной выборке судят о всей совокупности исследуемых объектов (ее называют генеральной совокупностью). Выборочным аналогом вероятности при большом числе наблюдений является относительная частота. Выборочное среднее арифметическое n одинаково распределенных случайных величин в случае повторной выборки удовлетворяет условиям центральной предельной теоремы и поэтому может рассматриваться как асимптотически нормально распределенная случайная величина.

Пример5.1. На распределительную базу поступило 100 одинаковых ящиков с радиолампами. M(X) числа радиоламп в каждом ящике, которые пришли в негодность за время транспортировки, равно 3, стандартное отклонение (X) = 2. Определить границы, в которых с вероятностью не менее 0,8 будет заключено общее число радиоламп, пришедших в негодность за время транспортировки.

Решение. Пусть Y = – число радиоламп, пришедших в негодность за время транспортировки. Тогда

M(Y) = = 100×3 =300, D(Y) = = 400.

Воспользуемся теоремой Муавра–Лапласа

P(½ ½ 2 ; среднее квадратическое отклонение равно 1 г. Найти: а) вероятность события = ; б) величину, которую с вероятностью 0,99 не превысят потери на 1 га. Считать, что Х (потери зерна) есть нормально распределенная случайная величина.

11. Для некоторого автопарка среднее число автобусов, отправляемых в ремонт после месяца эксплуатации на городских линиях, равно 5. Оценить вероятность события A = : а) если информация о дисперсии отсутствует; б) если дисперсия равна 4.

12. Дисперсия каждой из 80000 независимых случайных величин не превышает 12. Какой должна быть верхняя граница абсолютной величины отклонения среднеарифметической этих случайных величин от среднеарифметической их математических ожиданий, чтобы вероятность такого отклонения превышала 0,94?

13. В страховой компании застраховано 10000 автолюбителей. Вероятность поломки любого автомобиля в результате аварии равна 0,006. Каждый владелец застрахованного автомобиля платит в год 12 долл. страховых и в случае поломки автомобиля в результате аварии получает от компании 1000 долл. Найти вероятность: а) события A = ; б) события = m долл.>, если m = 40000; 60000; 80000.

14. Случайная величина Х распределена по следующему закону

Х	2,2	2,7	3,0	3,3	3,5	3,7	3,9
Р(Х = х_i)	0,05	0,08	0,2	0,15	0,1	0,12	0,1	0,15	0,05

Пользуясь неравенством Маркова, оценить вероятность того, что случайная величина Х примет значение, не превосходящее 3,5.

15. Среднее число вызовов на АТС за 1 минуту равно . Найти вероятности следующих событий: ; .

16. Произведено 600 независимых испытаний: в 250 из них вероятность появления события А была равна 0,5, в 160 – 0,7 и в 190 – 0,4. Оценить снизу вероятность того, что отклонение частоты от средней вероятности не превысит по абсолютной величине 0,04.

17. Сколько нужно произвести измерений, чтобы с вероятностью, равной 0,9973, можно было утверждать: погрешность средней арифметической результатов этих измерений не превысит 0,01, если измерение характеризуется средним квадратическим отклонением, равным 0,03?

18. Длина изготавливаемых деталей является случайной величиной, среднее значение которой 35 мм. Среднее квадратическое отклонение этой величины равно 0,15. Оцените вероятность того, что отклонение длины изготовленной детали от ее среднего значения по абсолютной величине превзойдет 0,3.

19. Рабочий изготавливает штучные изделия. Время изготовления – случайная величина, распределенная по показательному закону. Найти вероятность того, что на изготовление 100 изделий рабочему понадобится от 5 до 6 часов, если среднее время, необходимое для изготовления каждого изделия, равно 3 мин и не зависит от времени изготовления других изделий.

Литература

1. Гмурман В. Е. Теория вероятностей и математическая статистика. – М.: Высшая школа, 2001.

2. Гурский Е. И. Сборник задач по теории вероятностей и математической статистике. – Мн.: Высшая школа, 1984.

3. Колемаев В. А., Староверов О. В. Теория вероятностей и математическая статистика. – М.: Наука, 1993.

4. Новротская Н. Л. Сборник задач по теории вероятностей. – Мн.: Институт управления и предпринимательства, 2005.

5. Новротская Н. Л., Петрович М. Л. Теория вероятностей. Ч. 1, 2. – Мн.: Институт управления и предпринимательства, 1997.

6. Тутубалин В. Н. Теория вероятностей. – М.: МГУ, 1972.

7. Четыркин Е. М., Калихман И. Л. Вероятность и статистика. – М.: Финансы и статистика, 1982.

Читайте также: