دانلود مقاله کامل درباره یافتن مشاهدات پرت

اختصاصی از نیک فایل دانلود مقاله کامل درباره یافتن مشاهدات پرت دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 24

یافتن مشاهدات پرت :

مشاهدات پرت تحلیل‌های آماری را مشکل می‌سازند. هنگام تحلیل داده‌ها، گاهی اوقات مقادیری دور از بقیه داده‌ها پیدا می‌کنید چنین مقادیری مشاهدات پرت نامیده می‌شود.

هنگامی که شما با یک مشاهده پرت روبه‌رو می‌شوید ممکن است وسوسه شوید که آن را حذف کنید. در ابتدا از خود این سوال‌ها را بپرسید :

آیا این مقدار را به طور صحیح وارد کامپیوتر شده؟ اگر خطایی در وارد کردن داده‌ها دارد آن را تصحیح کنید.

آیا در رابطه با این مقدار خطای آزمایشی وجود دارد؟

آیا آن مشاهده از یک تنوع زیستی سبب شده است ؟ اگر هر مقدار، از یک شخص مختلف بیاید آن مشاهده ممکن است یک مقدار صحیح باشد و علت آن مشاهده علت فردی است که با دیگران تفاوت دارد.

بعد از پاسخ منفی به این سوال‌ها، شما باید تصمیم بگیرید که با این مشاهدات چه کار کنید ؟

که 2 احتمال وجود دارد:

یک امکان این است که آن مشاهده پرت از شانس ناشی شود در این مورد شما باید آن مقدار را در تحلیل نگه دارید که آن مقدار از جامعه‌ای می‌آید که دیگر مقادیر آمده‌اند بنابراین باید محاسبه شود.

امکان دیگر آن است که مشاهده پرت از یک خطا ناشی شود (مانند صفره یا سوراخی در فیلتر). وقتی یک مقدار نادرست در تحلیل وارد شود نتیجه بی اعتبار خواهد بود و آن مقدار از جامعه متفاوت از بقیه می‌آید که گمراه کننده است و باید از داده‌ها حذف شود.

مسأله این است که شما هرگز مطمئن نیستید که کدام از این امکان‌ها درست است.

به طور آشکار هیچ محاسبات ریاضی به شما نخواهد گفت که آن مشاهده پرت از جامعه همانند یا مختلف از بقیه داده‌ها می‌آید اما محاسبات آماری می‌تواند به این سوال پاسخ دهد. اگر مقادیر واقعاً همه نمونه گرفته شده از یک توزیع باشند شانسی که یک مقدار دور از بقیه داده‌ها باشد چیست؟ اگر این احتمال کوچک باشد شما نتیجه‌گیری خواهید کرد که با احتمال زیاد مشاهده پرت یک مقدار نادرست است و شما برای حذف آن توجیه و دلیل دارد.

آمار شناسان چندین روش را برای شناسایی نقاط پرت تدبیر کرده‌اند. همه روشها در ابتدا معلوم می‌کنند که این شاهدات پرت چقدر از بقیه نقاط دور هستند. این با محاسبه اختلاف بین مشاهده پرت و میانگین مقادیر باقی مانده و سپس تقسیم بر انحراف معیار که استاندارد کردن آن است بدست می‌آید.

سپس مقدار p-value را برای این سوال مقایسه می‌کنیم. که اگر مقدار p- value کوچک باشد شما نتیجه می‌گیرد که انحراف مشاهده پرت از بقیه نقاط معنی دار است.

پس وقتی در منابع مشاهدات پرت جستجو می‌کنیم در ابتدا باید بررسی کنیم که در ثبت و وارد کردن داده‌ها خطایی نباشد. برای کاهش رخداد در خطای ثبت داده‌ها از برنامه‌ای استفاده کنید که امکان اجرای محاسبات روی چندین ستون اعداد را برقرار کند مانند EXCEL و SAS نیز مخصوصاً ابزار خوبی برای این هدف است و دلیل دیگر برای مشاهدات پرت حادثه‌هایی هستند که به ندرت رخ می‌دهند مانند یک روز 70 درجه در ژانویه در OREGON

چرا مشاهدات پرت مسأله و مشکل هستند ؟‌

روشهای در حال توسعه بر جستجوی مشاهدات پرت و فهمیدن این که تحلیل‌های آماری را پیچیده می‌کنند بخش مهمی از تمام تحلیل را در برمی‌گیرد.

برای مثال با حضور مشاهده پرت در هر آزمون آماری میانگین و انحراف معیار تحریف می‌شود. برآورد ضرایب رگرسیون که مجموع مربعات خطا را مینیمم می‌کند بسیار تحت تأثیر مشاهده پرت است.

چندین عامل تأثیر گذار از مشاهدات پرت عبارت است از :

اریبی با تحریف برآوردها

زیاد نشدن مجموع توان دوم‌ها

تحریف p-value

نتیجه‌گیری غلط

دانلود تحقیق یافتن مشاهدات پرت

اختصاصی از نیک فایل دانلود تحقیق یافتن مشاهدات پرت دانلود با لینک مستقیم و پر سرعت .

یافتن مشاهدات پرت  :
مشاهدات پرت تحلیل‌های آماری را مشکل می‌سازند. هنگام تحلیل داده‌ها، گاهی اوقات مقادیری دور از بقیه داده‌ها پیدا می‌کنید چنین مقادیری مشاهدات پرت نامیده می‌شود.
هنگامی که شما با یک مشاهده پرت روبه‌رو می‌شوید ممکن است وسوسه شوید که آن را حذف کنید. در ابتدا از خود این سوال‌ها را بپرسید :
-    آیا این مقدار را به طور صحیح وارد کامپیوتر شده؟ اگر خطایی در وارد کردن داده‌ها دارد آن را تصحیح کنید.
-    آیا در رابطه با این مقدار خطای آزمایشی وجود دارد؟
-    آیا آن مشاهده از یک تنوع زیستی سبب شده است ؟ اگر هر مقدار، از یک شخص مختلف بیاید آن مشاهده ممکن است یک مقدار صحیح باشد و علت آن مشاهده علت فردی است که با دیگران تفاوت دارد.
بعد از پاسخ منفی به این سوال‌ها، شما باید تصمیم بگیرید که با این مشاهدات چه کار کنید ؟
که 2 احتمال وجود دارد:
-    یک امکان این است که آن مشاهده پرت از شانس ناشی شود در این مورد شما باید آن مقدار را در تحلیل نگه دارید که آن مقدار از جامعه‌ای می‌آید که دیگر مقادیر آمده‌اند بنابراین باید محاسبه شود.
-    امکان دیگر آن است که مشاهده پرت از یک خطا ناشی شود (مانند صفره یا سوراخی در فیلتر). وقتی یک مقدار نادرست در تحلیل وارد شود نتیجه بی اعتبار خواهد بود و آن مقدار از جامعه متفاوت از بقیه می‌آید که گمراه کننده است و باید از داده‌ها حذف شود.
مسأله این است که شما هرگز مطمئن نیستید که کدام از این امکان‌ها درست است.
به طور آشکار هیچ محاسبات ریاضی به شما نخواهد گفت که آن مشاهده پرت از جامعه همانند یا مختلف از بقیه داده‌ها می‌آید اما محاسبات آماری می‌تواند به این سوال پاسخ دهد. اگر مقادیر واقعاً همه نمونه گرفته شده از یک توزیع باشند شانسی که یک مقدار دور از بقیه داده‌ها باشد چیست؟ اگر این احتمال کوچک باشد شما نتیجه‌گیری خواهید کرد که با احتمال زیاد مشاهده پرت یک مقدار نادرست است و شما برای حذف آن توجیه و دلیل دارد.
آمار شناسان چندین روش را برای شناسایی نقاط پرت تدبیر کرده‌اند. همه روشها در ابتدا معلوم می‌کنند که این شاهدات پرت چقدر از بقیه نقاط دور هستند. این با محاسبه اختلاف بین مشاهده پرت و میانگین مقادیر باقی مانده و سپس تقسیم بر انحراف معیار که استاندارد کردن آن است بدست می‌آید.
سپس مقدار p-value را برای این سوال مقایسه می‌کنیم. که اگر مقدار p- value کوچک باشد شما نتیجه می‌گیرد که انحراف مشاهده پرت از بقیه نقاط معنی دار است.
پس وقتی در منابع مشاهدات پرت جستجو می‌کنیم در ابتدا باید بررسی کنیم که در ثبت و وارد کردن داده‌ها خطایی نباشد. برای کاهش رخداد در خطای ثبت داده‌ها از برنامه‌ای استفاده کنید که امکان اجرای محاسبات روی چندین ستون اعداد را برقرار کند مانند EXCEL و SAS نیز مخصوصاً ابزار خوبی برای این هدف است و دلیل دیگر برای مشاهدات پرت حادثه‌هایی هستند که به ندرت رخ می‌دهند مانند یک روز 70 درجه در ژانویه در OREGON
چرا مشاهدات پرت مسأله و مشکل هستند ؟‌
روشهای در حال توسعه بر جستجوی مشاهدات پرت و فهمیدن این که تحلیل‌های آماری را پیچیده می‌کنند بخش مهمی از تمام تحلیل را در برمی‌گیرد.
برای مثال با حضور مشاهده پرت در هر آزمون آماری میانگین و انحراف معیار تحریف می‌شود. برآورد ضرایب رگرسیون که مجموع مربعات خطا را مینیمم می‌کند بسیار تحت تأثیر مشاهده پرت است.
چندین عامل تأثیر گذار از مشاهدات پرت عبارت است از :
-    اریبی با تحریف برآوردها
-    زیاد نشدن مجموع توان دوم‌ها
-    تحریف p-value
-    نتیجه‌گیری غلط
مثال زیر ممکن است خیلی بزرگ به نظر بیاید اما داده‌های حقیقی با این مشخصات وجود دارند. اما نتایج به روشنی ثابت می‌کنند که مشکلات ناشی از مقدارهای غیر عادی در کمین هستند.

شامل 24 صفحه Word

ارزیابی و مقایسه محصول بارش ماهواره PERSIANN-CCS و مشاهدات باران سنجی، مطالعه موردی: شبکه باران سنجی استان های تهران - البرز

اختصاصی از نیک فایل ارزیابی و مقایسه محصول بارش ماهواره PERSIANN-CCS و مشاهدات باران سنجی، مطالعه موردی: شبکه باران سنجی استان های تهران - البرز دانلود با لینک مستقیم و پر سرعت .

• مقاله با عنوان: ارزیابی و مقایسه محصول بارش ماهواره PERSIANN-CCS و مشاهدات باران سنجی، مطالعه موردی: شبکه باران سنجی استان های تهران - البرز  

• نویسندگان: مسعود بهبودیان ، مرجان حسینی ، رضا کراچیان  

• محل انتشار: نهمین کنگره ملی مهندسی عمران - دانشگاه فردوسی مشهد - 21 تا 22 اردیبهشت 95  

• فرمت فایل: PDF و شامل 8 صفحه می باشد.

چکیــــده:

بارش، از جمله عوامل بسیار مؤثر در تصمیم گیری های مربوط به مدیریت منابع آب می باشد. در این خصوص، ایستگاه های مختلف هواشناسی موجود در شبکه های پایش نظیر ایستگاه های سینوپتیک، کلیماتولوژی و باران سنجی به منظور اندازه گیری داده های بارش مورد استفاده قرار می گیرند. علاوه بر آن، در دهه های اخیر، استفاده از داده های بارش ماهواره ای نیز بسیار رواج یافته است. الگوریتم تخمین بارش PERSIANN-CCS که از اطلاعات ماهواره GEO به منظور تخمین داده های بارش استفاده می کند، یکی از این موارد می باشد. در این مقاله، به منظور بررسی صحت عملکرد الگوریتم PERSIANN-CCS ، به ارزیابی و مقایسه داده های بارش ایستگاه های زمینی واقع در استان های تهران و البرز با اطلاعات حاصل از این الگوریتم پرداخته شده است. برای ارزیابی از شاخص های آماری چون اریب، اریب نسبی (RBias) ، میانگین خطای مطلق (MAE) و جذر میانگین مربعات خطا (RMSE) استفاده شده است. تحلیل های اولیه نشان می دهند که داده های تخمین زده شده این الگوریتم تفاوت قابل توجهی با داده های باران سنجی دارند. در این راستا، مقادیر تخمین زده PERSIANN-CCS با استفاده از داده های مشاهده ای باران سنجی حذف اریب شده اند. بر اساس نتایج، داده های حاصل از ماهواره پس از کالیبراسیون با دقت قابل قبولی به مقادیر مشاهداتی نزدیک شده اند و می توانند مبنایی برای تکمیل اطلاعات و تصمیم گیری های آتی قرار گیرند.

________________________________

** توجه: خواهشمندیم در صورت هرگونه مشکل در روند خرید و دریافت فایل از طریق بخش پشتیبانی در سایت مشکل خود را گزارش دهید. **

** درخواست مقالات کنفرانس‌ها و همایش‌ها: با ارسال عنوان مقالات درخواستی خود به ایمیل [e-mail] پس از قرار گرفتن مقالات در سایت به راحتی اقدام به خرید و دریافت مقالات مورد نظر خود نمایید. **