P ca: Ca + P Составить уравнение электронного баланса

CA-10 P Приемно-контрольный прибор

/ Системы охранной сигнализации / Приемно-контрольные приборы / CA-10 / Главная плата /

CA-10 P

Прибор CA-10 предназначен для защиты объектов среднего размера с разделением системы на отдельные группы зон. Он обеспечивает возможность ее расширения, а также совместной работы с внешними модулями GSM/GPRS.

• максимально 16 зон
  • поддержка шлейфов: NO, NC, EOL, 2EOL/NO и 2EOL/NC
  • выбор типов реакций
  • контроль наличия и работы извещателя
• 6 программируемых выходов
• 4 группы
• порт RS-23 (разъем RJ)
• система автодозвона
• управление системой охранной сигнализации:
  • клавиатура: ЖКИ или светодиодная
  • телефон (если установлен модуль MST-1)
• программирование установок системы:
  • локальное (ЖКИ-клавиатура / светодиодная клавиатура или компьютер, подключенный к порту RS-232)
  • дистанционное (компьютер, соединяющийся через модем)
• пароли:
  • до 4 пароля администраторов (1 пароль для одной группы)
  • до 28 паролей всех остальных пользователей (максимально до 12 в одной группе)
  • 1 сервисный пароль
  • возможность назначения полномочий паролю, определяющих уровень доступа к системе
• 4 таймера
• память событий (емкость памяти: 255 событий)
• функция распечатки событий
• мониторинг в формате Contact ID и в других распространенных форматах:
  • 2 номера ПЦН
• оповещение:
  • 8 телефонных номеров
  • 1 речевое сообщение
  • 4 текстовых сообщения
• ответ на вызов и извещение о состоянии системы
• расширенный анализ сигнала телефонной станции:
  • распознавание телефонных сигналов, соответствующих стандарту TBR 21
  • разумный повтор попытки передачи данных
  • программируемый алгоритм поведения ПКП
• внутренний модем 300 bps
• автоматическая диагностика основных элементов системы
• импульсный блок питания

&nbsp

изделие снято с производства

Представленные изображения могут не отражать внешний вид готовых изделий. Размещенные в сервисе описания продукции имеют исключительно информационный характер.

Техдокументация

 ca10_siu_ru_0515.pdf

краткое руководство по эксплуатации

дата обновления: 2015-05-25

775 KB

загрузить 

 ca10_iu_ru_0515.pdf

руководство по эксплуатации

дата обновления: 2015-05-25

527 KB

загрузить 

 ca10_lu_ru_0515.pdf

список настроек

дата обновления: 2015-05-25

326 KB

перейти 

 ca10_ii_ru_0515.pdf

руководство по установке

дата обновления: 2015-05-25

577 KB

перейти 

 ca10_p_ru_0515.pdf

руководство по настройке

дата обновления: 2015-05-22

768 KB

перейти 

показать все языковые версии

Программы

 DLOAD10

польский, чешский, английский, испанский, немецкий, французский, итальянский, нидерландский , русский, словацкий, турецкий

версия от: 2019-02-21

перейти 

Сертификаты

  CA-10 P

Декларация соответствия

дата обновления: 2020-11-20

503 KB

загрузить 

Техданные

Напряжение блока питания ПКП (±10%)

12 В DC

Максимальный ток программируемых слаботочных выходов

50 мА

Максимальный ток программируемых силовых выходов (±10%)

2200 мА

Максимальный выходной ток блока питания

2 A

Габаритные размеры платы электроники

173 x 102 мм

Диапазон рабочих температур

-10…+55 °C

Напряжение питания главной платы (±15%)

18 В AC, 50-60 Гц

Инфоматериалы

Как работает метод главных компонент (PCA) на простом примере / Хабр

В этой статье я бы хотел рассказать о том, как именно работает метод анализа главных компонент (PCA – principal component analysis) с точки зрения интуиции, стоящей за ее математическим аппаратом. Максимально просто, но подробно.

Математика вообще очень красивая и изящная наука, но порой ее красота скрывается за кучей слоев абстракции. Показать эту красоту лучше всего на простых примерах, которые, так сказать, можно покрутить, поиграть и пощупать, потому что в конце концов все оказывается гораздо проще, чем кажется на первый взгляд – самое главное понять и представить.

В анализе данных, как и в любом другом анализе, порой бывает нелишним создать упрощенную модель, максимально точно описывающую реальное положение дел. Часто бывает так, что признаки довольно сильно зависят друг от друга и их одновременное наличие избыточно.

К примеру, расход топлива у нас меряется в литрах на 100 км, а в США в милях на галлон. На первый взгляд, величины разные, но на самом деле они строго зависят друг от друга. В миле 1600м, а в галлоне 3.8л. Один признак строго зависит от другого, зная один, знаем и другой.

Но гораздо чаще бывает так, что признаки зависят друг от друга не так строго и (что важно!) не так явно.

Объем двигателя в целом положительно влияет на разгон до 100 км/ч, но это верно не всегда. А еще может оказаться, что с учетом не видимых на первый взгляд факторов (типа улучшения качества топлива, использования более легких материалов и прочих современных достижений), год автомобиля не сильно, но тоже влияет на его разгон.

Зная зависимости и их силу, мы можем выразить несколько признаков через один, слить воедино, так сказать, и работать уже с более простой моделью. Конечно, избежать потерь информации, скорее всего не удастся, но минимизировать ее нам поможет как раз метод PCA.

Выражаясь более строго, данный метод аппроксимирует n-размерное облако наблюдений до эллипсоида (тоже n-мерного), полуоси которого и будут являться будущими главными компонентами. И при проекции на такие оси (снижении размерности) сохраняется наибольшее количество информации.

Шаг 1. Подготовка данных

Здесь для простоты примера я не буду брать реальные обучающие датасеты на десятки признаков и сотни наблюдений, а сделаю свой, максимально простой игрушечный пример. 2 признака и 10 наблюдений будет вполне достаточно для описания того, что, а главное – зачем, происходит в недрах алгоритма.

Сгенерируем выборку:

x = np.arange(1,11)
y = 2 * x + np.random.randn(10)*2
X = np.vstack((x,y))
print X
OUT:
[[  1.           2.           3.           4.           5.          
    6.           7.           8.           9.          10.        ]
 [  2.73446908   4.35122722   7.21132988  11.24872601   9.58103444   
  12.09865079  13.78706794  13.85301221  15.29003911  18.0998018 ]]

В данной выборке у нас имеются два признака, сильно коррелирующие друг с другом. С помощью алгоритма PCA мы сможем легко найти признак-комбинацию и, ценой части информации, выразить оба этих признака одним новым. Итак, давайте разбираться!

Для начала немного статистики. Вспомним, что для описания случайной величины используются моменты. Нужные нам – мат. ожидание и дисперсия. Можно сказать, что мат. ожидание – это «центр тяжести» величины, а дисперсия – это ее «размеры». Грубо говоря, мат. ожидание задает положение случайной величины, а дисперсия – ее размер (точнее, разброс).

Сам процесс проецирования на вектор никак не влияет на значения средних, так как для минимизации потерь информации наш вектор должен проходить через центр нашей выборки. Поэтому нет ничего страшного, если мы отцентрируем нашу выборку – линейно сдвинем ее так, чтобы средние значения признаков были равны 0. Это очень сильно упростит наши дальнейшие вычисления (хотя, стоит отметить, что можно обойтись и без центрирования).

Оператор, обратный сдвигу будет равен вектору изначальных средних значений – он понадобится для восстановления выборки в исходной размерности.

Xcentered = (X[0] - x.mean(), X[1] - y.mean())
m = (x.mean(), y.mean())
print Xcentered
print "Mean vector: ", m
OUT:
(array([-4.5, -3.5, -2.5, -1.5, -0.5,  0.5,  1.5,  2.5,  3.5,  4.5]),
 array([-8.44644233, -8.32845585, -4.93314426, -2.56723136,  1.01013247,
         0.58413394,  1.86599939,  7. 00558491,  4.21440647,  9.59501658]))
Mean vector:  (5.5, 10.314393916)

Дисперсия же сильно зависит от порядков значений случайной величины, т.е. чувствительна к масштабированию. Поэтому если единицы измерения признаков сильно различаются своими порядками, крайне рекомендуется стандартизировать их. В нашем случае значения не сильно разнятся в порядках, так что для простоты примера мы не будем выполнять эту операцию.

Шаг 2. Ковариационная матрица

В случае с многомерной случайной величиной (случайным вектором) положение центра все так же будет являться мат. ожиданиями ее проекций на оси. А вот для описания ее формы уже недостаточно толькое ее дисперсий по осям. Посмотрите на эти графики, у всех трех случайных величин одинаковые мат.ожидания и дисперсии, а их проекции на оси в целом окажутся одинаковы!

Для описания формы случайного вектора необходима ковариационная матрица.

Это матрица, у которой (i,j)-элемент является корреляцией признаков (X_i, X_j). Вспомним формулу ковариации:

В нашем случае она упрощается, так как E(X_i) = E(X_j) = 0:

Заметим, что когда X_i = X_j:

и это справедливо для любых случайных величин.

Таким образом, в нашей матрице по диагонали будут дисперсии признаков (т.к. i = j), а в остальных ячейках – ковариации соответствующих пар признаков. А в силу симметричности ковариации матрица тоже будет симметрична.

Замечание: Ковариационная матрица является обобщением дисперсии на случай многомерных случайных величин – она так же описывает форму (разброс) случайной величины, как и дисперсия.

И действительно, дисперсия одномерной случайной величины – это ковариационная матрица размера 1×1, в которой ее единственный член задан формулой Cov(X,X) = Var(X).

Итак, сформируем ковариационную матрицу Σ для нашей выборки. Для этого посчитаем дисперсии X_i и X_j, а также их ковариацию. Можно воспользоваться вышенаписанной формулой, но раз уж мы вооружились Python’ом, то грех не воспользоваться функцией

numpy.cov(X). Она принимает на вход список всех признаков случайной величины и возвращает ее ковариационную матрицу и где X – n-мерный случайный вектор (n-количество строк). Функция отлично подходит и для расчета несмещенной дисперсии, и для ковариации двух величин, и для составления ковариационной матрицы.
(Напомню, что в Python матрица представляется массивом-столбцом массивов-строк.)

covmat = np.cov(Xcentered)
print covmat, "\n"
print "Variance of X: ", np.cov(Xcentered)[0,0]
print "Variance of Y: ", np.cov(Xcentered)[1,1]
print "Covariance X and Y: ", np.cov(Xcentered)[0,1]
OUT:
[[  9.16666667  17.93002811]
 [ 17.93002811  37.26438587]] 
Variance of X:  9.16666666667
Variance of Y:  37.2643858743
Covariance X and Y:  17.9300281124

Шаг 3. Собственные вектора и значения (айгенпары)

О’кей, мы получили матрицу, описывающую форму нашей случайной величины, из которой мы можем получить ее размеры по x и y (т.

е. X₁ и X₂), а также примерную форму на плоскости. Теперь надо найти такой вектор (в нашем случае только один), при котором максимизировался бы размер (дисперсия) проекции нашей выборки на него.

Замечание: Обобщение дисперсии на высшие размерности — ковариационная матрица, и эти два понятия эквивалентны. При проекции на вектор максимизируется дисперсия проекции, при проекции на пространства больших порядков – вся ее ковариационная матрица.

Итак, возьмем единичный вектор на который будем проецировать наш случайный вектор X. Тогда проекция на него будет равна v^TX. Дисперсия проекции на вектор будет соответственно равна Var(v^TX). В общем виде в векторной форме (для центрированных величин) дисперсия выражается так:

Соответственно, дисперсия проекции:

Легко заметить, что дисперсия максимизируется при максимальном значении v^T Σv. Здесь нам поможет отношение Рэлея. Не вдаваясь слишком глубоко в математику, просто скажу, что у отношения Рэлея есть специальный случай для ковариационных матриц:

и

Последняя формула должна быть знакома по теме разложения матрицы на собственные вектора и значения. x является собственным вектором, а λ – собственным значением. Количество собственных векторов и значений равны размеру матрицы (и значения могут повторяться).

Кстати, в английском языке собственные значения и векторы именуются eigenvalues и eigenvectors соответственно.
Мне кажется, это звучит намного более красиво (и кратко), чем наши термины.

Таким образом, направление максимальной дисперсии у проекции всегда совпадает с айгенвектором, имеющим максимальное собственное значение, равное величине этой дисперсии.

И это справедливо также для проекций на большее количество измерений – дисперсия (ковариационная матрица) проекции на m-мерное пространство будет максимальна в направлении m айгенвекторов, имеющих максимальные собственные значения.

Размерность нашей выборки равна двум и количество айгенвекторов у нее, соответственно, 2. Найдем их.

В библиотеке numpy реализована функция numpy.linalg.eig(X), где X – квадратная матрица. Она возвращает 2 массива – массив айгензначений и массив айгенвекторов (векторы-столбцы). И векторы нормированы — их длина равна 1. Как раз то, что надо. Эти 2 вектора задают новый базис для выборки, такой что его оси совпадают с полуосями аппроксимирующего эллипса нашей выборки.

На этом графике мы апроксимировали нашу выборку эллипсом с радиусами в 2 сигмы (т.е. он должен содержать в себе 95% всех наблюдений – что в принципе мы здесь и наблюдаем). Я инвертировал больший вектор (функция eig(X) направляла его в обратную сторону) – нам важно направление, а не ориентация вектора.

Шаг 4. Снижение размерности (проекция)

Наибольший вектор имеет направление, схожее с линией регрессии и, спроецировав на него нашу выборку, мы потеряем информацию, сравнимую с суммой остаточных членов регрессии (только расстояние теперь евклидово, а не дельта по Y). В нашем случае зависимость между признаками очень сильная, так что потеря информации будет минимальна. «Цена» проекции — дисперсия по меньшему айгенвектору — как видно из предыдущего графика, очень невелика.

Замечание: диагональные элементы ковариационной матрицы показывают дисперсии по изначальному базису, а ее собственные значения – по новому (по главным компонентам).

Часто требуется оценить объем потерянной (и сохраненной) информации. Удобнее всего представить в процентах. Мы берем дисперсии по каждой из осей и делим на общую сумму дисперсий по осям (т.е. сумму всех собственных чисел ковариационной матрицы).
Таким образом, наш больший вектор описывает 45.994 / 46.431 * 100% = 99.06%, а меньший, соответственно, примерно 0.94%. Отбросив меньший вектор и спроецировав данные на больший, мы потеряем меньше 1% информации! Отличный результат!

Замечание: На практике, в большинстве случаев, если суммарная потеря информации составляет не более 10-20%, то можно спокойно снижать размерность.

Для проведения проекции, как уже упоминалось ранее на шаге 3, надо провести операцию v^TX (вектор должен быть длины 1). Или, если у нас не один вектор, а гиперплоскость, то вместо вектора v^T берем матрицу базисных векторов V^T. Полученный вектор (или матрица) будет являться массивом проекций наших наблюдений.

_, vecs = np.linalg.eig(covmat)
v = -vecs[:,1])
Xnew = dot(v,Xcentered)
print Xnew
OUT:
[ -9.56404107  -9.02021624  -5.52974822  -2.96481262   0.68933859
   0.74406645   2.33433492   7.39307974   5.3212742   10.59672425]

dot(X,Y) — почленное произведение (так мы перемножаем векторы и матрицы в Python)

Нетрудно заметить, что значения проекций соответствуют картине на предыдущем графике.

Шаг 5. Восстановление данных

С проекцией удобно работать, строить на ее основе гипотезы и разрабатывать модели. Но не всегда полученные главные компоненты будут иметь явный, понятный постороннему человеку, смысл. Иногда полезно раскодировать, к примеру, обнаруженные выбросы, чтобы посмотреть, что за наблюдения за ними стоят.

Это очень просто. У нас есть вся необходимая информация, а именно координаты базисных векторов в исходном базисе (векторы, на которые мы проецировали) и вектор средних (для отмены центровки). Возьмем, к примеру, наибольшее значение: 10.596… и раскодируем его. Для этого умножим его справа на транспонированный вектор и прибавим вектор средних, или в общем виде для всей выборки: X^Tv^T+m

n = 9     #номер элемента случайной величины
Xrestored = dot(Xnew[n],v) + m
print 'Restored: ', Xrestored
print 'Original: ', X[:,n]
OUT:
Restored:  [ 10.13864361  19.84190935]
Original:  [ 10.         19.9094105]

Разница небольшая, но она есть. Ведь потерянная информация не восстанавливается. Тем не менее, если простота важнее точности, восстановленное значение отлично аппроксимирует исходное.

Вместо заключения – проверка алгоритма

Итак, мы разобрали алгоритм, показали как он работает на игрушечном примере, теперь осталось только сравнить его с PCA, реализованным в sklearn – ведь пользоваться будем именно им.

from sklearn.decomposition import PCA
pca = PCA(n_components = 1)
XPCAreduced = pca.fit_transform(transpose(X))

Параметр n_components указывает на количество измерений, на которые будет производиться проекция, то есть до скольки измерений мы хотим снизить наш датасет. Другими словами – это n айгенвекторов с самыми большими собственными числами. Проверим результат снижения размерности:

print 'Our reduced X: \n', Xnew
print 'Sklearn reduced X: \n', XPCAreduced
OUT:
Our reduced X: 
[ -9.56404106  -9.02021625  -5.52974822  -2.96481262   0.68933859
   0.74406645   2.33433492   7.39307974   5.3212742   10.59672425]
Sklearn reduced X: 
[[ -9.56404106]
 [ -9. 02021625]
 [ -5.52974822]
 [ -2.96481262]
 [  0.68933859]
 [  0.74406645]
 [  2.33433492]
 [  7.39307974]
 [  5.3212742 ]
 [ 10.59672425]]

Мы возвращали результат как матрицу вектор-столбцов наблюдений (это более канонический вид с точки зрения линейной алгебры), PCA в sklearn же возвращает вертикальный массив.

В принципе, это не критично, просто стоит отметить, что в линейной алгебре канонично записывать матрицы через вектор-столбцы, а в анализе данных (и прочих связанных с БД областях) наблюдения (транзакции, записи) обычно записываются строками.

Проверим и прочие параметры модели – функция имеет ряд атрибутов, позволяющих получить доступ к промежуточным переменным:

— Вектор средних: mean_
— Вектор(матрица) проекции: components_
— Дисперсии осей проекции (выборочная): explained_variance_
— Доля информации (доля от общей дисперсии): explained_variance_ratio_

Замечание: explained_variance_ показывает выборочную дисперсию, тогда как функция cov() для построения ковариационной матрицы рассчитывает несмещенные дисперсии!

Сравним полученные нами значения со значениями библиотечной функции.

print 'Mean vector: ', pca.mean_, m
print 'Projection: ', pca.components_, v
print 'Explained variance ratio: ', pca.explained_variance_ratio_, l[1]/sum(l)
OUT: 
Mean vector:  [  5.5         10.31439392] (5.5, 10.314393916)
Projection:  [[ 0.43774316  0.89910006]] (0.43774316434772387, 0.89910006232167594)
Explained variance:  [ 41.39455058] 45.9939450918
Explained variance ratio:  [ 0.99058588] 0.990585881238

Единственное различие – в дисперсиях, но как уже упоминалось, мы использовали функцию cov(), которая использует несмещенную дисперсию, тогда как атрибут explained_variance_ возвращает выборочную. Они отличаются только тем, что первая для получения мат.ожидания делит на (n-1), а вторая – на n. Легко проверить, что 45.99 ∙ (10 — 1) / 10 = 41.39.

Все остальные значения совпадают, что означает, что наши алгоритмы эквивалентны. И напоследок замечу, что атрибуты библиотечного алгоритма имеют меньшую точность, поскольку он наверняка оптимизирован под быстродействие, либо просто для удобства округляет значения (либо у меня какие-то глюки).

Замечание: библиотечный метод автоматически проецирует на оси, максимизирующие дисперсию. Это не всегда рационально. К примеру, на данном рисунке неаккуратное снижение размерности приведет к тому, что классификация станет невозможна. Тем не менее, проекция на меньший вектор успешно снизит размерность и сохранит классификатор.

Итак, мы рассмотрели принципы работы алгоритма PCA и его реализации в sklearn. Я надеюсь, эта статья была достаточно понятна тем, кто только начинает знакомство с анализом данных, а также хоть немного информативна для тех, кто хорошо знает данный алгоритм. Интуитивное представление крайне полезно для понимания того, как работает метод, а понимание очень важно для правильной настройки выбранной модели. Спасибо за внимание!

P.S.: Просьба не ругать автора за возможные неточности. Автор сам в процессе знакомства с дата-анализом и хочет помочь таким же как он в процессе освоения этой удивительной области знаний! Но конструктивная критика и разнообразный опыт всячески приветствуются!

Пандемия EBT

Pandemic EBT, или P-EBT, — это федеральная продовольственная программа. Департамент социальных служб Калифорнии (CDSS) в партнерстве с Департаментом образования Калифорнии (CDE) получил разрешение на запуск программы в ответ на закрытие школ и детских садов в связи с COVID-19. Калифорнийская команда P-EBT в настоящее время использует P-EBT 3.0, четвертый раунд программы. P-EBT 4.0, последний раунд P-EBT, предоставит льготы детям школьного возраста и детям младше шести лет в 2022–2023 учебном году. В настоящее время разрабатывается P-EBT 4.0, и в ближайшее время будут доступны обновления. Все льготы P-EBT должны быть предоставлены до 30 сентября 2023 г. после истечения срока действия федеральной чрезвычайной ситуации в области общественного здравоохранения. Для получения дополнительной информации посетите веб-сайт P-EBT по адресу https://ca.p-ebt.org/. Если вы заинтересованы в получении льгот на питание после окончания P-EBT, вы можете подать заявку на льготы CalFresh Food на сайте GetCalfresh.org.

Право на участие в программе P-EBT 3.0

Дети младшего возраста имеют право на участие в программе P-EBT 3. 0, если они:

• До 6 лет по состоянию на 1 августа 2021 г.; и
• Часть семьи, получающая пособие CalFresh в период с августа 2021 года по август 2022 года.

Дети школьного возраста имеют право на участие в программе P-EBT 3.0, если они:

• Зачислен в школу на 2021–2022 учебный год, которая участвовала в федеральной программе школьных завтраков или национальной программе школьных обедов; и
• Право на бесплатное питание или питание по сниженной цене в 2021–2022 учебном году; и
• Посещал школу в рамках независимого обучения (калифорнийская версия виртуального обучения) или имел не менее пяти пропусков в месяц по уважительной причине

Летние пособия P-EBT также доступны для всех детей, имеющих право на участие! Маленькие дети в возрасте до шести лет будут получать летнее пособие P-EBT, если они были частью семьи, получавшей пособие CalFresh в любое время в период с июня по август 2022 года. Дети школьного возраста будут получать летнее пособие P-EBT, если они имели право на бесплатное питание или питание по сниженной цене. в рамках федеральной программы школьных завтраков или национальных школьных обедов на 2021–2022 учебный год. Дети школьного возраста не обязаны посещать школу в рамках независимого обучения, чтобы получать летние льготы P-EBT. Все дети, имеющие право на участие в программе Summer P-EBT, получат стандартную сумму пособия в размере 39 долларов США.1.

Рассылка карт P-EBT 3.0

Карты P-EBT 3.0 для имеющих право детей младшего возраста, получавших льготы CalFresh в период с августа по декабрь 2021 года, были отправлены по почте в октябре 2022 года. Карты для детей младше шести лет, имеющих право на получение льгот, с января по август 2022 года были перезагружены на существующие карты P-EBT 3.0 или отправлены по почте новым получателям в ноябре 2022 года.

Карты P-EBT 3.0 для детей школьного возраста, имеющих право на получение пособий с августа по декабрь 2021 г., были отправлены по почте в декабре 2022 г. Карты для детей школьного возраста, имеющих право на получение пособий с января по август 2022 г. , были перезагружены на существующие карты P-EBT 3.0 или рассылались по почте новым получателям, имеющим право на участие, в период с декабря 2022 г. по январь 2023 г. Карты P-EBT 3.0 были отправлены по почте в алфавитном порядке на основе имени правомочного ребенка. НЕТ приложения P-EBT 3.0.

Семьи, которые считают, что им не нужны льготы P-EBT, могут отказаться от получения льгот P-EBT, уничтожив свою карточку перед ее использованием. Каждый отвечающий требованиям ребенок получит собственную карту P-EBT 3.0.

Напоминаем, что P-EBT 3.0 не:

• Требуется регистрация или приложение;
• Влияет на другие льготы, которые вы можете получать;
• Воздействовать на иммиграцию или сделать получателя государственной обязанностью;

Для получения дополнительной информации посетите веб-сайт P-EBT по адресу https://ca.p-ebt.org/.

Помощь P-EBT

Семьи, которые уже получили карту P-EBT и нуждаются в помощи с установкой PIN-кода, нуждаются в замене карты или не получили свою карту по почте, как ожидалось, могут связаться с обратитесь за помощью в службу поддержки P-EBT по телефону (877) 328-9677 (с понедельника по пятницу с 6:00 до 20:00).

Семьи, которые не получили карточку P-EBT, но у которых есть вопросы относительно их права на участие в программе P-EBT, также могут обратиться в службу поддержки P-EBT по телефону (877) 328-9677 (с понедельника по пятницу с 6:00 до 20:00). Некоторые семьи могут иметь право на получение пособия P-EBT 3.0, если их ребенок школьного возраста прогуливал занятия по уважительной причине, связанной с COVID, в течение 2021–2022 учебного года и не получил карточку P-EBT 3.0.

История программы

P-EBT 1.0

Пособия P-EBT 1.0 были предоставлены детям, которые имели право на бесплатное питание или питание по сниженной цене в течение 2019-2020 учебного года в школе, участвующей в федеральной школе. Завтрак или национальная программа школьных обедов. Программа P-EBT 1.0 предоставила 1,58 миллиарда долларов продовольственных пособий 3,5 миллионам детей по всему штату. Отчет о результатах P-EBT 1.0 можно найти здесь.

Расширение P-EBT

Калифорния также имеет право предоставлять дополнительные льготы на питание P-EBT в августе и сентябре 2020 года. Это называется «Продление P-EBT». В рамках продления P-EBT каждый ребенок, имеющий право на участие, получил новую карту P-EBT с льготами P-EBT на август и сентябрь 2020 года. Соответствующим критериям семьям не нужно было подавать заявление на получение льгот на продление P-EBT. Программа P-EBT Extension предоставила продовольственные пособия на сумму 627 миллионов долларов 3,3 миллионам детей по всему штату.

P-EBT 2.0

Разрешенные продовольственные пособия P-EBT 2.0 на период с октября 2020 г. по август 2021 г. P-EBT 2.0 также расширил право на получение льгот для маленьких детей в возрасте до шести лет, которые в этот период получали льготы CalFresh. P-EBT 2.0 впервые предоставил летние пособия P-EBT, которые включали стандартное пособие в размере 375 долларов США за месяцы с июня по август 2021 года. P-EBT 2.0 предоставил 6,1 миллиарда долларов в виде продовольственных пособий 5 миллионам детей по всему штату. Отчет о результатах P-EBT 2.0 можно найти здесь.

Посетите наш Палмдейл, 830 W Ave P, CA Местонахождение

Как узнать, доступен ли McDelivery по моему адресу?

В зависимости от того, где вы находитесь, McDelivery доступен в приложениях DoorDash, Uber Eats, Grubhub или Postmates. Uber Eats также доступен для заказа из приложения McDonald’s. Чтобы заказать McDelivery через приложение McDonald’s, войдите в систему, если вы еще этого не сделали. Выберите «Заказ» в нижней строке меню и переключитесь с «Самовывоз» на «McDelivery». Введите желаемый адрес доставки, и вы получите уведомление, если McDelivery доступен для вас через наше приложение.

Как узнать, какие товары доступны для McDelivery?

Пункты меню зависят от местоположения. Чтобы узнать о наличии продуктов питания, выберите McDelivery в приложении McDonald’s и просмотрите продукты, доступные для доставки в Uber Eats, в приложении, выбрав «Заказать» в нижней строке меню. Вы также можете открыть приложения DoorDash, Grubhub или Postmates, чтобы узнать, есть ли рядом с вами McDonald’s, чтобы просмотреть пункты меню для заказа.

Mobile Order & Pay

Как узнать, какие рестораны участвуют в Mobile Order & Pay?

Убедитесь, что вы включили службы определения местоположения, чтобы мы могли показать вам все доступные функции в приложении McDonald’s. Мобильный заказ и оплата появится в приложении McDonald’s как функция, если вы находитесь в пределах 5 миль от ресторана McDonald’s, который предлагает мобильный заказ и оплату.

На карте местоположения, после выбора значка ресторана, при выборе белого поля сведений также будет указано, доступен ли мобильный заказ и оплата в определенном месте. Если ресторан участвует, в нижней части страницы сведений черными буквами появится надпись «Заказать здесь», что позволит вам выбрать его и начать оформление заказа. В противном случае кнопка «Заказать здесь» будет отключена, что указывает на то, что функция «Мобильный заказ и оплата» не включена в этом месте.

Какие формы оплаты принимаются в приложении McDonald’s?

Вы можете зарегистрировать Visa, MasterCard, American Express и Discover. Зарегистрированные платежные карты должны быть выпущены банком США. Если у вас есть устройство iOS и ваша карта зарегистрирована в вашем Apple Wallet, Apple Pay будет автоматически отображаться как способ оплаты в приложении McDonald’s.

Улица и бесконтактная доставка

Есть ли в McDonald’s бесконтактная доставка?

Бесконтактная доставка доступна через наших партнеров: бесконтактная доставка на DoorDash, бесконтактная доставка на Uber Eats, бесконтактная доставка на Grubhub и бесконтактная доставка на Postmates.

Как работает пункт самовывоза McDonald’s?

С помощью приложения McDonald’s вы можете получить еду через тротуар, не выходя из автомобиля.

Как заказать бесконтактную доставку McDonald’s?

Чтобы заказать бесконтактную доставку из McDonald’s, выберите понравившиеся товары в DoorDash, Uber Eats, Grubhub или Postmates, как обычно. Когда вы оформляете заказ, выберите опцию «Оставить у двери» в приложении Uber Eats, опцию «Оставить у моей двери» в приложении DoorDash или «бесконтактную доставку» в приложении Grubhub или выберите вариант доставки. Оставь заказ у моей двери» на Postmates.

Как мне найти ближайший ко мне пункт бесконтактной доставки McDonald’s?

Чтобы найти ближайший к вам пункт бесконтактной доставки McDonald’s, просто загрузите приложение DoorDash, Uber Eats, Grubhub или Postmates. Вы можете разрешить доступ к своему местоположению или ввести адрес, по которому вы хотите заказать еду для доставки. Приложения автоматически найдут ближайший к вам Макдональдс! Просто выберите «Макдоналдс» и добавьте в избранное — затем выберите «Оставить у двери» при оформлении заказа на Uber Eats, «Оставить у моей двери» при оформлении заказа на DoorDash, «Бесконтактная доставка» при оформлении заказа на Grubhub или выберите вариант самовывоза. «Оставь заказ у моей двери» на Postmates!

В ресторанах McDonald’s ведется запись?

Да, мы записываем видео для улучшения обслуживания, развития технологий и обеспечения безопасности. Дополнительную информацию можно найти в часто задаваемых вопросах об уведомлении о записи.

Трудоустройство

Как узнать, есть ли в McDonald’s набор сотрудников?

Посетите страницу вакансий в ресторане McDonald’s и найдите интересующий вас ресторан, вы будете перенаправлены на сайт этого фирменного ресторана McDonald’s и, в большинстве случаев, сможете узнать, какие вакансии размещены в ресторане.

Как подать заявление о приеме на работу в McDonald’s?

Чтобы подать заявку на работу в McDonald’s, посетите веб-сайт McDonald’s Careers или обратитесь в местный McDonald’s. На веб-сайте перейдите к разделу «Работа в ресторане» или «Работа в компании», чтобы узнать о доступных списках вакансий McDonald’s рядом с вами.

COVID-19

Сколько работает Макдональдс во время коронавируса? Когда они вернутся к часам, к которым я привык?

Из-за прошлых и текущих государственных и местных правил некоторым ресторанам пришлось скорректировать часы работы. Мы стремимся предоставить вам ваши любимые блюда McDonald’s. Часы работы McDonald’s можно найти в приложении или на веб-сайте.

Что делает McDonald’s для предотвращения распространения COVID-19?

Здоровье и безопасность сотрудников и посетителей ресторана являются главным приоритетом. В дополнение к нашим стандартным санитарным процедурам, наши сотрудники ресторана:

• Внедрили бесконтактные операции
• Прошли профилактические осмотры перед началом смены
• Наклеили на пол наклейки с указанием социального дистанцирования, чтобы помочь клиентам соблюдать надлежащую дистанцию ​​
• обучен передовым методам социального дистанцирования за прилавком
• Установили защитные барьеры в точках заказа
• Носят маски или лицевые покрытия по своему усмотрению (или когда этого требует местное руководство) и перчатки для работы с пищевыми продуктами, а также обеспечивают наличие масок для менеджеров, экипажа и клиентов
• Имеют увеличили частоту уборки, санитарной обработки и дезинфекции поверхностей, к которым часто прикасаются
• Мы продолжаем соблюдать наши высокие стандарты по продвижению регулярного и тщательного мытья рук и напоминаем нашим членам экипажа о наших передовых методах личной гигиены
• Расширяем использование дезинфицирующих средств для рук на спиртовой основе в дополнение к частому мытью рук, где это возможно

и обновления руководства по безопасности от федеральных органов здравоохранения.