☆☆این جزوه تهیه شده توسط رتبه ۴ کنکور کارشناسی ارشد میباشد. وی با مطالعهی مباحث این جزوه که نوشته شده توسط خود اوست توانست به تمامی سوالات امار کنکور ارشد پاسخ دهد.
جزوه مذکور با هماهنگی اساتید دانشگاهی درس امار تهیه شده شامل مباحث
1-توزیع برنولی
2- دوجملهای،
3-دو جملهای منفی،
4-هندسی،
5-فوق هندسی،
6-چند جملهای،
7-پواسون،
8-نمایی،
9-نرمال،
10-نرمال استاندارد،
11-توزیع های نمونهای،
12-واریانس نمونه،
13-قصیه حد مرکزی،
14-برآورد فاصلهای برای میانگین/ واریانس یکجامعه و دو جامعه،
15-کارایی،
16-آزمون فرض و انواع خطا،
17-آزمون برای نسبت یک و دوجامعه،
18-آزمون نیکویی بر ارزش،
19-ازمون استقلال،
20-ضریب همبستگی نمونه گشتاوری/پیرسون و اسپیرمن ،
21- ضریب تعیین،
22-ازمون معنادار بودن،
23-رگرسیون و...
میباشد.
لینک دانلود و خرید پایین توضیحات
دسته بندی : وورد
نوع فایل : word (..doc) ( قابل ویرایش و آماده پرینت )
تعداد صفحه : 18 صفحه
قسمتی از متن word (..doc) :
2
1- مقدمه
با توجه به اهمیت و حساسیت امر مهار آبهای سطحی خصوصاً در کشور ما که اکثر رودخانههای مناطق مختلف فصلی بوده و کمبود آبی که در پهنه وسیعی از کشور وجود دارد ، نیاز به شناسایی و به مدل درآوردن رفتار رودها و شریانهای آبی جهت برنامهریزیهای بلندمدت و استفاده بیشتر و بهتر از پتانسیلهای آنها عمیقاً احساس میشود . جدیدالتاسیس بودن بیشتر ایستگاههای هیدرومتری ، نواقص موجود در آمار اکثر این ایستگاهها ، قرارگرفتن بیشتر رودها در مناطق خشک ، وضعیت بحرانی برداشت آبهای زیرزمینی و لزوم توجه بیشتر به آبهای سطحی همه و همه دلایل بیشتر و ظریفتری میباشد که به مقوله پیشبینی و تولید آمار مصنوعی در حوزههای آبریز کشورمان جلوه و نمودی کاملتر میبخشد .
روشهای متداول آماری و احتمالی بر پایه روابط و فرمولهای صرفاً ریاضی که به طور اخص به پیشبینی سریهای زمانی میپردازد ، از دیرباز مورد توجه مهندسین علوم آب قرار گرفته است . آنها با دستمایه قراردادن این بخش از علم آمار به تحلیل ، بررسی و شناخت رفتار رودخانهها میپرداختند . در این راستا نرمافزارهای مختلفی نیز تهیه وتنظیم شده که از مهمترین و بارزترین آنها میتوان SPIGOT و HEC4 را نام برد .
شبکه عصبی مصنوعی - Artificial Neural Network
نامی نوین در علوم مهندسی است که بهطور ابتدایی و آغازین درسال 1962 توسط فرانک روزن بلات و در شکل جدی و تأثیرگذار در سال 1986 توسط روملهارت و مککلند با ابداع و ارائه مدل پرسپترون بهبود یافته به جهان معرفی شد . این شیوه از ساختاری نرونی و هوشمند با الگوبرداری مناسب از نرونهای موجود در مغز انسان سعی میکند تا از طریق توابع تعریف شده ریاضی رفتار درونسلولی نرونهای مغز را شبیهسازی کند و از طریق وزنهای محاسباتی موجود در خطوط ارتباطی نرونهای مصنوعی ، عملکرد سیناپسی را در نرونهای طبیعی به مدل در آورد. ماهیت و ذات تجربی و منعطف این روش باعث میشود تا در مسائلی مانند مقوله پیش بینی که یک چنین نگرشی در ساختار آنها مشاهده میشود و از رفتاری غیرخطی و لجامگسیخته برخوردار هستند ، به خوبی قابل استفاده باشد .
2
2- شبکه های عصبی مصنوعی
2-1- مفاهیم پایه در شبکه های عصبی مصنوعی
یک نرون بیولوژیک با جمع ورودیهای خود که از طریق دندریتها با یک وزن سیناپسی خاص به نرون اعمال میشوند ، با رسیدن به یک حد معین تولید خروجی میکند . این حد معین که همان حد آستانه میباشد ، در حقیقت عامل فعالیت نرون یا غیر فعال بودن آن است .
با توضیحات فوق میتوان گفت که در مدلسازی یک نرون بیولوژیک به طور مصنوعی میبایست به سه عامل توجه شود :
نرون یا فعال است یا غیر فعال
خروجی تنها به ورودیهای نرون بستگی دارد
ورودیها باید به حدی برسند تا خروجی ایجاد گردد]1[.
2-2- شبکه عصبی پرسپترون -Perceptron
ساده
لینک دانلود و خرید پایین توضیحات
دسته بندی : وورد
نوع فایل : word (..doc) ( قابل ویرایش و آماده پرینت )
تعداد صفحه : 17 صفحه
قسمتی از متن word (..doc) :
1
دانشگاه جامع علمی کاربردی
تهران 2
جهاد دانشگاهی صنعتی شریف
موضوع:
مباحثی از احتمالات
3
9.1. تعریف احتمال
اگر بتوانیم احتمالی به هر یک ازپیشامد های ساده موجود در آزمایشی با یک فضای نمونه گسسته تخصیص دهیم آنگاه می گوییم که یک مدل احتمالی برای آزمایش ساخته ایم. تخصیص این عدد (احتمال) که معیاری برای اندازه گیری میزان باور ما در رخ دادن یک پیش آمد ساده است، به نحوی انجام می گیرد که با مفهوم فراوانی نسبی احتمال سازگار باشد. اگر چه فراوانی نسبی تعریف بسیار دقیقی از احتمال به دست نمی دهد، ولی هر تعریفی از احتمال که بخواهد واقعاً به کار گرفته شود باید با معیار ذهنی ما در مورد رفتار فراوانی نسبی پیشامد ها هماهنگ و سازگار باشد.
قبلاًدیدیم که فراوانی نسبی یکی از راههایی است که برای تخصیص احتمال به یک پیشامد به کار میرود و ما اینک آن را به عنوان یک اصل می پذیریم. بدین صورت که اگر آزمایشی با فضای نمونه S داشته باشیم و برای هر پیشامد مانند A در فضای نمونه تابع مجموعه ای (A )n را به عنوان تعداد دفعاتی به کار گیریم که پیشامد A در k تکرار آزمایش رخ میدهد، آنگاه بر اساس مفهوم فراوانی نسبی، احتمال پیشامد A عبارت است از:
به عبارت دیگر درصد حدی دفعاتی که پیشامد A رخ میدهد برابر با احتمال پیشامد A است. (اینکه چگونه مطمئن باشیم که نسبت برای هر دنباله بزرگ از آزمایش ها به سمت عدد ثابتی میل میکند یکی از نارسایی های تعریف احتمال با استفاده از مفهوم فراوانی نسبی است. )