دانشجويان آمار دانشگاه پيام نور قم

خداحافظی با دوستان

amarqompnu — Sun, 19 Oct 2008 20:55:18 GMT

سلام یه سلام اما با حسرت

۲سال پیش خیلی اتفاقی تصمیم گرفتیم واسه اماری ها یه کاری بکنیم.از توی کلی سایتو وبلاگ ما هم

یه گوشه واسه بچه های امار انتخاب کردیم.خیلی بزرگ نبود ولی مهم اینه که بود.تا جایی هم که شد سعی کردیم مطالبی که میخوایدو توش بذاریم.اما حالا که داریم از این دانشگاه میریم نوبت شماست که یا علی رو بگید.اگه کسی مایله مدیریت وبلاگو قبول کنه بام تماس بگیره(در صورت داشتن صلاحیت و اجازه از استاد حاج سلمانی مدیریت به شما اعطا میشود)شماره تماس من ۰۹۳۶۶۹۱۳۳۲۹محمودی

انجمن علمي أمار

amarqompnu — Mon, 18 Feb 2008 21:24:18 GMT

انجمن علمي أمار به همت شما شرع به كار كرذ

amarqompnu — Mon, 20 Aug 2007 00:04:11 GMT

با سلام

نمرات درسهای نمونه گیری۱، ناپارامتری، کنترل کیفیت آماری، روشهای آماری و آمار زیستی دوشنبه (۸۶.۵.۳۰) به دانشگاه داده می شود.

amarqompnu — Sun, 05 Aug 2007 08:11:17 GMT

با سلام خدمت دوستان و بزگواران

به دلیل مشغله کاری بسیار زیاد این چندوقت موفق به ثبت مطالب ارسالی دوستان بزرگوارمان نشدم. از این بابت عذر خواهی نموده و به زودی مطالب ارسالی و خلاصه ای از پروژه های انجام شده توسط دانشجویان آمار پیام نور قم را منتشر خواهم کرد. لازم به ذکر است که نوع کارهای انجام شده در مواردی بیش از حد یک پروژه معمولی بوده و دقت کارهای انجام شده حکایت از علاقه مندی این دانشجویان دارد که امیدوارم شرایط به نحوی فراهم شود که این دوستان به اهداف علمی خود دست یابند.

ادامه مطالب سری زمانی را انشالله به زودی منتشر خواهم کرد.

قالیت اطمینان، کاربردهای آمار و تاریخچه آن در ایران

amarqompnu — Fri, 29 Jun 2007 22:21:04 GMT

قابليت اطمينان Dependability

قابليت اعتماد معمولا براي بيان درجه اي از اطمينانِ كاركردن ‏يك قطعه يا يك سيستم بطور موفقيت آميز، تحت شرايط مشخص و در ‏يك دوره زماني معين به كار مي رود. اما اين بدان معنا نيست ‏كه اگر يك قطعه يا يك سيستم خراب شد، لزوما غير قابل اعتماد ‏باشد.‏

اگر مجموعه قابليتهاي، قابليت اعتماد، قابليت نگهداري و ‏تعميرپذيري ، قابليت دسترسي، قابليت ايمني، دوام و قابليت ‏استفاده براي يك سيستم وجود داشته باشد، گوييم سيستم قابليت ‏اطمينان دارد.‏

معرفي واژه ها:‏

موجود ‏Entity

هر چيزي كه بصورت مجرد و فردي در دنياي واقعيت وجود داشته ‏باشد و يا در ذهن بتوان تصور كرد كه اين وجود دارد. در بحث ‏قابليت اعتماد اين موجود مي تواند انسان باشد، يك پيچ باشد ‏و يا يك هواپيما.‏

قابليت اعتماد ‏Reliability

قابليت اعتماد به عنوان مشخصه اي از يك موجود عبارت است از:‏

احتمال اينكه موجود كار مورد نظر را تحت شرايط معين در فاصله ‏زماني مشخص انجام دهد.‏

قابليت تعميرپذيري ‏Maintainability

احتمال اينكه يك عمل يا اعمال مشخص تعميرات براي يك موجود تحت ‏شرايط معين در مدت زمان معين انجام شود، به شرط اينكه موجود در ‏زمان صفر خراب نباشد.‏

قابليت دسترسي ‏Availability

احتمال اينكه موجود بتواند كار تعيين شده را تحت شرايط معين و ‏زمان مشخص انجام دهد.‏

سواد آماري چيست؟

سواد آماري يک توانايي/قابليت است:

توانايي فکر کردن منتقدانه درمورد استدلالها با به کار بردن آمار به عنوان سند يا مدرک قابليت خواندن و تفسير داده ها، قابليت فهم آنچه که خوانده مي شود.
توانايي فهم و تفسير آمارهايي که هر فرد در زندگي روزمره با آنها سروکار دارد.
توانايي استفاده صحيح از آمار توسط همه افراد جامعه

سواد آماري بر تصميم گيريها با استفاده از آمار به عنوان سند و مدرک متمرکز شده است، همانگونه که سوادخواندن و نوشتن بر استفاده از کلمات به عنوان مدرک متمرکز شده است.

سواد آماري بيشتر درمورد سووالات است تا جوابها. سوادآماري جوابهاي زيادي ندارد. اما مي تواند کمک کند تا سوالات بهتري پرسش شود و در نتيجه تصميمها و قضاوتهاي بهتري صورت گيرد.

سواد آماري يک هنر است، هنر تصميم گرفتن و قضاوت کردن تحت شرايط نامطمئن.

با سواد آماري کيست؟

با سواد آماري کسي است که قادر باشد تفاوت بين رابطه معمولي و رابطه علت و معلولي را از يکديگر تشخيص دهد.

او کسي است که وقتي با جملاتي همانند جملات زير روبرو مي شود، درست يا غلط بودن جمله دوم را مدرکي مستند براي درست يا غلط بودن جمله سوم نداند:

جمله اول: افرادي که وزن بيشتري دارند بلندقد تر از افرادي هستند که وزن کمتري دارند.

جمله دوم: وزن يک رابطه مثبت با قد دارد.

جمله سوم: اگر شما وزن بيشتري بدست آوريد، انتظار مي رود که قدتان نيز بلندتر شود.

واضح است که براي بزرگسالان جمله سوم غلط است. اما نمي توان نتيجه گرفت که اگر جمله سوم غلط باشد آنگاه جمله دوم نيز غلط خواهد بود. درستي جمله دوم مدرکي است براي درستي جمله سوم، اما درستي جمله دوم براي اثبات درستي جمله سوم کافي نيست.

با سواد آماري کسي است که قادر باشد تفاوت بين عبارت "نسبت دادني" را از عبارت "نسبت داده شده" تشخيص دهد.

مثال : 90درصد خودکشي ها را افراد متاهل مرتکب مي شوند. اين آمار به افراد متاهل نسبت داده شده است، اما اين بدين معنا نيست که اگر افراد ازدواج نکنند اين نسبت کاهش خواهد يافت.

با سواد آماري کسي است که فرق آماري که بر اساس نمونه به دست آمده را از پارامتر جمعيت تشخيص دهد.

باسواد آماري کسي است که بتواند برداشت درستي از درصدها، ميزان ها و نرخ ها داشته باشد.

مثال : درصد راننده ها در ميان زنان همانند درصد راننده هايي که زن هستند، نيست. درصد بيماراني که نتيجه آزمايش آنها در مورد نوعي بيماري مثبت است همانند درصد افرادي که نتيجه آزمايش مثبت دارند و بيمار هستند، نيست.

تاريخچه استفاده از آمار در ايران

واژه آمار ريشه در تاريخ زبان و فرهنگ کهن ايراني دارد و قدمت آن به زمان هخامنشبان مي رسد و تا اواسط دوره اشکانيان واژه هامار يا آمار به معني شمار و واژه شاهامار به معني سرشماري به کار مي رفته است.

به گواه سنگ نوشته ها و آثار مورخان شرق شناس، در زمان داريوش، به منظور جمع آوري آمار، تشکيلات منظمي وجود داشته است و با استفاده از اطلاعات جمع آوري شده، دفاتر مالياتي و نظامي تدوين مي يافته و بودجه مملکتي بر اساس آن تنظيم مي شده است.

در زمان کوروش نيز آمارگيري در مقياس وسيع و در تمام پهنه ممالک تابعه حکومت مرکزي ايران انجام مي شده و اخذ هرگونه تصميم درباره ولايات بايستي مبتني بر شناسائيهاي محلي و اطلاع دقيق بر کثرت و يا قلت جمعيت و قدرت و توانايي هاي مالي آن ولايات باشد.

ساسانيان توجه بيشتري به آمار داشتند و امور مالي، کشاورزي و صنعتي و بازرگاني خود را بر اساس آمارها و اطلاعاتي که ماموران سرشماري جمع آوري مي کردند، به انجام مي رساندند. به گونه اي که در زمان خسرو انوشيروان، براي اخذ ماليات سرانه، ضمن انجام سرشماري نفوس، سن افراد و ميزان ثروت آنها تعيين مي شد و حتي ميزان محصول درختاني مثل نخل، زيتون و تاک تعيين مي گرديد و بر اساس آن براي افرادي که سن آنها بين 20 تا 50 سال بود، مطابق ثروت و مکنتي که داشتند، ماليات تعيين و آگهي مي گرديد.

منبع : تاريخچه سرشماري نفوس در ايران، سيد اکبر بديع زادگان، مشاور مرکز آمار ايران

آمارشناس ها چه مي کنند؟

جهان به سوي کمي شدن اطلاعات پيش مي رود. در بسياري از حرفه ها و شغلها، تصميم گيريها به اندازه گيريهاي عددي و داده بستگي دارند. داده ها تنها شامل اعداد نيستند، بلکه اعداد خود حامل اطلاعاتي در مورد يک سيستم مشخص هستند و احتياج دارند که در سيستم مربوطه تفسير شوند. با توجه به اين رشد در استفاده از داده ها، نياز و تقاضا براي وجود آمارشناس هايي که در زمينه هاي زير کارشناس باشند، احساس مي شود:

ارائه و توليد داده هاي قابل اعتماد
تجزيه و تحليل داده ها به منظور روشن و واضح ساختن معناي آنها
ارائه استنتاج هاي عملي از داده ها

آمارشناس ها از توانايي هاي کمي، علم آمار و مهارتهاي روابط عمومي وبرقراري ارتباط براي حل بسياري از مشکلات و مسايل موجود در جامعه استفاده مي کنند. آمارشناس ها در تعيين روشهاي نمونه گيري و جمع آوري داده ها، نظارت بر اجراي مطالعه ، پردازش داده ها و نظر دادن درمورد نتايج مطالعات بدست آمده کمک مي کنند.

فعاليت آمارشناس ها در زمينه مطالعه و بررسي نمونه اي
فعاليت آمارشناس ها در مراکز دولتي
برخي زمينه هاي فعاليت براي آماريها در مراکز دولتي
فعاليت آمارشناس ها در زمينه پژوهشهاي علمي
فعاليت آمارشناس ها در زمينه صنعت و تجارت
برخي زمينه هاي فعاليت براي آماريها در صنعت و تجارت
فعاليت آمارشناس ها در زمينه بهداشت، پزشکي و سلامت
برخي زمينه هاي فعاليت براي آماريها در پزشکي و سلامت
درچه زمينه هايي آمارشناس ها مي توانند مشغول به کار شوند؟
مشخصه هاي شغلي آمارشناس ها

فعاليت آمارشناس ها در زمينه مطالعه و بررسي نمونه اي

در يک بررسي نمونه اي يک آماري مي تواند اطلاعات به دست آمده از يک نمونه را جمع آوري و پردازش کرده و نتيجه به دست آمده از نمونه را تحت رعايت شرايطي به کل جمعيت مورد مطالعه بسط دهد. يک بررسي نمونه اي ممکن است در

تعيين اينکه کداميک از نامزدهاي انتخاباتي محبوب تر هستند.
نوجوانان چه غذاهايي را براي خوردن صبحانه ترجيح مي دهند.
برآورد تعداد افراد بي خانمان يک شهر

فعاليت آمارشناس ها در مراکز دولتي

آمارشناس هايي که در مراکز دولتي مشغول به کار هستند مي توانند با اجراي مطالعاتي در پيشرفت برنامه هاي سياسي، اقتصادي و اجتماعي دولت نقش مهمي را داشته باشد. از قبيل مطالعاتي که شامل

ارزيابي مشتريان
تورم در اقتصاد
برنامه هاي استخدامي
رشد جمعيت و روند آن

برخي زمينه هاي فعاليت براي آماريها در مراکز دولتي

قانون و عدالت:

با افزايش پيچيدگي مسايل قانوني و دادگاهي نقش آمار در اين زمينه مهم تر مي شود. آمارشناس ها با تجزيه و تحليل داده ها مي توانند يک قاضي يا يک هيات منصفه دادگاه را در تصميم گيري در مورد گناهکاربودن يا نبودن يک فرد متهم کمک کنند. انواع مدارکي که ممکن است به نتايج تحليلهاي آماري احتياج داشته باشد شامل تستهاي DNA، مغايرتهاي حقوقي و ... هستند.

جنگلداري:

به کاربردن يک فرآيند علمي اندازه گيري و آناليز براي مطالعه اثرات اقليمي، آب، حيوانات و شرايط اتمسفري نقش بسزايي دارد. چگونه درختان رشد مي کنند، تکثير مي يابند و با يکديگر و نيز محيط اطراف خود رقابت مي کنند، موضوعات مورد علاقه يک زيست شناس هستند که يک آماري مي تواند او را در رسيدن به اهدافش ياري رساند.

سياست:

روشهاي آماري کاربرد وسيعي در وضع قانونها و مقررات دولتي دارند؛ ساختن قوانين براي دادوستد هاي سهام، تهيه استانداردها، تاييد داروهاي جديد و ....

دفاع ملي:

سياستمداران و کارکنان ارتش با کمک آماريها مي توانند در امنيت ملي يک کشور نقش داشته باشند. جمع آوري و تجزيه و تحليل داده ها يا کارهاي تئوري مانند گسترش مدلها و روشهاي جديد، از فعاليتهاي يک آماري در اين زمينه است.

اقتصاد:

آمار در تحليل شاخصهاي اقتصادي کليدي يک دولت نقش مهمي را دارد. اين شاخصها شامل نرخ بيکاري در جامعه، تورم، حجم بازار و.... چون اين شاخص ها بر اساس داده هاي بررسي نمونه اي هستند مهارت در نمونه گيري و تکنيکهاي برآورد يابي ارزش زياي دارند.

شناخت محيط زيست:

براي پاسخ به سووالاتي درمورد محيط زيست طبيعي زمين، جمعيت حيوانات، محصولات کشاورزي، سم دفع آفات و... آمارشناس ها مي توانند پژوهشگران اين رشته را ياري رسانند. همچنين آمارشناس ها با ارائه طرحهاي آزمايشي، به پژوهشگران محيط زيست در مورد بررسي تاثير سياست دولت بر محيط زيست کمک مي کنند.

جمعيت شناسي:

از طريق بررسي هاي نمونه اي و سرشماري ها، آمارشناس ها تصوير اقتصادي و جمعيتي يک مليت را تهيه مي کنند. تحليلهاي سريهاي زماني، برآوريابي، طرحهاي نمونه گيري و چگونگي رفتار با بدون پاسخ ها از جمله فعاليتهاي يک آماري در اين زمينه است.

فعاليت آمارشناس ها در زمينه پژوهشهاي علمي

آشاخه هاي مختلف آمار در بالا بردن اعتبار نتايج و استنتاجهاي به دست آمده در پژوهشهاي علمي انجام شده کاربرد دارند:

آزمايشهاي پزشکي انجام شده براي کشف اثر يک داروي جديد بر روي بيماران
تحقيقات کشاورزي درمورد روشهاي مختلف آبياري
اندازه گيري کيفيت آب مصرفي خانوارها
آزمونهاي روانشناسي درمورد علل موثر بر استرس افراد

فعاليت آمارشناس ها در زمينه صنعت و تجارت

پيش بيني مقدار تقاضا براي محصول توليد شده يا خدمت ارائه شده
بررسي و کنترل کيفيت محصولات توليد شده يک کارخانه
سرمايه گذاري و بورس اوراق بهادار
پيش بيني نرخ سود يا شکست

برخي زمينه هاي فعاليت براي آماريها در صنعت و تجارت

بيمه:

فارغ التحصيلان رشته آمار آکچواري در اکثر زمينه هاي بيمه اي مانند طرحهاي حقوق بازنشستگي، جداول عمر، ارزيابي ريسک، بقاي مشتري و مديريت اجرايي/عملياتي فعاليت مي کنند. آنها به تصميم گيريهاي يک موسسه بازرگاني کمک مي کنند تا موسسه مذکور با توجه به سرمايه گذاريها، اوراق قرضه و ...علاوه بر دستيابي به سود، شرايطي به وجود آورد که ضامن بقاي خود در جامعه رقابتي باشد.

مهندسي:

کمک در اجراي پروژه هاي مهندسي مانند:

پروژه يک مهندس شيمي براي يافتن راههايي جهت کاهش ضايعات شيميايي
پروژه يک مهندس الکترونيک براي طراحي و ساخت يک محصول قابل رقابتي
پروژه يک مهندس سازه براي شناخت کارآيي يک ترکيب جديد مصالح

مالي:

ساخت مدلهايي که به يک سازمان در رابطه با جلوگيري از خطر و سوء استفاده کمک مي کند.
پيش بيني بودجه يک شرکت در سال آتي
ساخت مدلهاي پيش بيني کننده بر اساس اطلاعات اقتصادي يا تجاري گذشته

بازاريابي:

براي آگاهي از خواسته ها و نيازهاي مشتريان يک محصول يا نوع جديد آن، آمارشناس ها مي توانند طرحهايي را ارائه دهند و بررسي هاي نمونه اي انجام دهند تا از نظرات مشتريان درمورد محصول مطلع شوند.

چه طرح مورد علاقه مشتريان است؟
ميزان فروش محصول توليد شده در آينده چه مقدار پيش بيني مي شود و روند آن چگونه است؟

فعاليت آمارشناس ها در زمينه بهداشت، پزشکي و سلامت

آمارشناس ها مي توانند در بيمارستانها، دانشگاهها و مراکز تحقيقاتي بهداشتي-درماني، شرکتهاي داروسازي، مراکز کنترل و پيش گيري از بيماريها، موسسه هاي سلامت و... فعاليت داشته باشند.

برخي زمينه هاي فعاليت براي آماريها در پزشکي و سلامت

تحقيقات پزشکي:

فعاليتهايي ازقبيل مقايسه روشهاي جديد درمان در پزشکي با روشهاي قديم درماني، تعيين انتخاب روش نمونه گيري مناسب، پردازش داده ها و آناليزهاي آماري

سلامت حيوانات:

آمارشناس هايي که در بخش سلامت حيوانات کار مي کنند همراه با فارغ التحصيلان رشته هايي مانند شيمي، بيولوژي، علوم دام، علوم کامپيوتر و تجارت در جهت کشف و پيشرفت روشهايي براي حفظ سلامت حيوانات، توليد غذاي سالم و مطمئن کوشش مي

داروشناسي:

آمارشناس ها با کمک داروسازان تمام جوانب و چيامدهاي يک دارو جديد کشف شده را بررسي مي کنند. مقايسه تاثير اين دارو بر بيماران و بررسي نتيجه بدست آمده، کمک و مشورت در چاپ نتايج بدست آمده در مجله هاي مختلف، پژوهش در مراکز داروسازي از جمله فعاليتهاي يک آماري است.

ژنتيک:

نقش آمارشناس ها در علم ژنتيک کمک به دانشمندان اين علوم در ساخت مدلهايي براي طبقه بندي مشخصه هاي ناهنجاريهاي ژنتيکي از قبيل نوزادان ناقص، پيري زودرس و ... يا توليد نسلهايي که داراي ويژگيهاي خاص و مورد علاقه پژوهشگر است، مي باشد. استفاده از مدلهاي آماري مختلط، يک آماري را کمک مي کند تا دانشمندان علم ژنتيک را در تصميم گيري و نيز بررسي عوامل زيست محيطي بر ژنتيک ياري رساند.

شيمي:

آمارشناس ها در شيمي (در شاخه هاي مختلف شيمي مانند شيمي آلي، معدني، بيوشيمي و...) در کنار يک شيميدان، طرحهاي مطالعاتي جهت تعيين تغييرات موجود در يک ترکيب يا انجام آزمايش ترکيبي از عناصر را طراحي کرده يا از تکنيکهاي آماري براي کشف و ساختن عناصري که در علم طب و دارو کاربرد دارند، استفاده مي کنند..

اپيدميولوژي:

آمارشناس هاي اپيدميولوژيست، درمورد پروژه هايي از قبيل بررسي نرخ شيوع سرطان يا نرخ شيوع بيماريهاي مزمن و واگيردار مطالعه مي کنند. آنها نحوه تغييرات در سلامتي افراد که وابسته به برخي رفتارها مانند فعاليتهاي فيزيکي و سيگارکشيدن است را، بررسي مي کنند.

جمعيت شناسي:

درچه زمينه هايي آمارشناس ها مي توانند مشغول به کار شوند؟

بخش خصوصي :

ي به آمارشناس ها در زمينه هايي مانند مديريت، کنترل کيفيت محصول توليد شده يا خدمت ارائه شده، پژوهشها و کشفيات پزشکي، تحقيقات داروشناسي، مهندسي، حمل و نقل، بيمه، سرويسهاي پردازش داده و بازاريابي احتياج دارند.

بخش دولتي :

آمارشناس ها را استخدام مي کنند به منظور طراحي، جمع آوري، آناليز و تفسير داده ها براي برنامه ريزي و پيشرفت سرويسهاي خدمات در بخشهاي کشاورزي، آزمايشگاهها، آموزش، سرشماري و ....

دانشگاهها و مراکز آموزشي :

به آمارشناس ها براي تدريس و آموزش، تحقيقات آماري و مشورت احتياج دارند. يکي از فوايد کار کردن در زمينه علم آمار اين است که مي توانيد علاقه خود را با اکثر علوم ديگر ترکيب کنيد. علومي از قبيل:

Agriculture	Insurance
Astronomy	Law
Biology	Manufacturing
Chemistry	Marketing
Computer Science	Medicine
Demography	Pharmacology
Ecology	Physics
Economics	Political Science
Education	Psychology
Engineering	Public Health
Epidemiology	Safety
Finance	Sociology
Forestry	Sports
Genetics	Telecommunications
Health Science	Zoology

يک آماري موفق کسي است که به همان خوبي که رياضي و آمار را مطالعه مي کند، با علومي مانند اقتصاد، مديريت، کامپيوتر، بازاريابي و ادبيات نوشتاري نيز در حد لزوم آشنا باشد. برخورداري از فنون برقراري روابط عمومي يک آماري را کمک مي کند تا به عنوان مثال نتايج آماري به دست آمده از يک تحقيق پيرامون اوضاع سهام را براي يک سهامدار توضيح دهد.

مشخصه هاي شغلي آمارشناس ها

استفاده از داده ها براي حل مشکلات و مسايل
استفاده از دانش رياضي و آمار خود در حل مشکلات اجتماعي، اقتصادي، پزشکي، زيست محيطي، سياسي و ...
کارکردن هم به صورت انفرادي و هم به صورت عضوي از يک گروه
استفاده از علم ارتباطات در برقراري رابطه با متخصصين علوم ديگر و مشورت با آنها و ادامه دادن مستمر فعاليتهاي آموزشي
گسترش مرزها و قلمرو آمار و احتمال از طريق آموزش و تحقيق

با تشکر از خانم ذوالفقاری دانشجوی روشهای نمونه گیری ۱

آموزش سری زمانی-جلسه4

amarqompnu — Wed, 18 Apr 2007 21:15:01 GMT

که در آن به جاي (p,d,q)کليه زيرمدلهاي فوق را قرارميدهيم.

همانطور که در ضميمه مشاهده ميشود هر يک از مدلها به همراه ملاک آکاييک و همگرايي آن مشخص شده است. بنابراين با توجه به مطالب گفته شده , از بين اين مدلها مدلهاي 7و8 و 9 داراي ملاک آکاييک بيشتري نسبت به ديگر مدلها هستند ,ضمن اينکه همگرا نيز ميباشند.

براي تشخيص بهترين مدل از بين اين 3 مدل ملاکهاي ديگري بکار ميبريم.اين ملاک بررسي وضعيت مانده هاست.زيرا در مدل سري زماني , مانده ها بايد مدل نوفه سفيد يا white noise باشند.

از طرفي توزيع نرمال داشته باشند.

اين موضوع را بوسيله دستور زير انجام ميدهيم:

Arima.diag(arima.mle(x,model=model))

qqnorm(Arima.diag(arima.mle(x,model=model))$std.resid)

hist(Arima.diag(arima.mle(x,model=model))$std.resid)

ks.gof(Arima.diag(arima.mle(x,model=model))$std.resid)

که در آن به جاي model هر يک از مدلهاي 7 و 8 و 9 را قرارميدهيم.

arima7<-arima.diag(mle7)

qqnorm(arima7$std.resid)

hist(arima7$std.resid)

arima8<-arima.diag(mle8)

hist(arima8$std.resid)

qqnorm(arima8$std.resid)

arima9<-arima.diag(mle9)

hist(arima9$std.resid)

qqnorm(arima9$std.resid)

ks.gof(arima7$std.resid)

ks.gof(arima8$std.resid)

ks.gof(arima9$std.resid)

در اولين نمودار مربوط به هرکدام از ازاين مدلها(در نمودار Arima.diag ) plot مربوط به مانده ها را مشاهده ميکنيم.از انجايي که در تمام اين نمودارها روندي مشاهده نميشود , ميتوان ثابت بودن واريانس را نتيجه گرفت. لذا در اين 3 مدل واريانس ثابت است و نيازي به تثبيت واريانس ديده نميشود. Plotهاي دوم و سوم هر مدل نيزنشان ميدهد که مانده ها تقريبا از مدل نوفه سفيد پيروي ميکنند.

اما Plot چهارمي که مقدار p-value را براي ljung-Box , Chi-Square statistic را محاسبه ميکند.اين ملاک به گونه اي است که نقاط برروي آن نبايد داراي يک روند نزولي و يا صعودي باشند و يا بايد اين روند حداقل باشد.

لذا با توجه به ملاکهاي موجود مدل آخر مناسب به نظر مي رسد.چراکه نقاط روند نزولي يا صودي کمي دارند. از طرفي با مقايسه هيستو گرام مانده هاي مربوط به هرکدام از اين مدلها و آزمون نرمال بودن مانده هاي اين مدل نرمال تر هستند.

پيش بيني براي مدل انتخابي :

پس از انجام پيش بيني هايبراي مدل اول که به دو صورت انجام شد (يکبار با حذف 5 مقدار آخرين سري و بار ديگر پيش بيني مقدار براي 5 زمان بعد ) پيش بيني ها تقريبا منا سب به نظر مي رسد زيرا با محاسبه واريانس خطاي پيش بيني, مقدار واريانس کم بدست امد .

x1<-arima.forecast(x[1:100],mle9$model,n=5)

arima.forecast(x[1:90],mle9$model,n=5)

آموزش سری زمانی-جلسه3

amarqompnu — Thu, 12 Apr 2007 08:27:54 GMT

پس از برسييهاي انجام شده روي هر کدام از اين مد لها و با استفاده از ملاکهاي موجود وبهترين مدل انتخاب شد و با انجام پيش بيني هاو بررسي مانده ها مدل چندان مناسب به نظر نرسيد لذا براي بار دوم تفاضل گيري با اين هدف که شايد مدرل بهتري بدست آيد و پيش بيني ها منا سب تر باشد .

x2<-diff(x,lag=2)

شکل3گرافهاي مربوط به داده ها را پس از دو بار تفا ضل گيري نشان ميدهد .

به ترتيب قبل براي pمقادير 2و4و6 وبراي q مقادير 0و2 بدست ميايد لذا کليه زير مدلها عبارتند از :

(p,d,q)=(2,2,2),(4,2,2),(6,2,2),(2,2,0),(4,2,0),(6,2,0),(2,1,2),(4,1,2),(6,1,2),(2,1,0),(4,1,0),(6,1,0)

آنچه که از ظاهر گرا فها بر مي آيد حذف روند مشاهدات اصلي است .زيرا نقاط حول يک خط به طور تقريبا مامرکز پراکنده اند و acf ان پس از يک مرحله مشخص سريعا به صفر ميل کرده است .اين نشاندهنده حذف روند است ولذا ميتوان عمليات بعدي را براي شناسا يي الگو انجام داد .

اولين قدم براي شناسا يي مدل مناسب از بين زير مدلها داشتن يک ملاک مناسب و قوي براي تشخيص است .بهترين و مناسب ترين ملاکي که معمولا مورد استفاده قرار ميگيرد ملاک آکاييکAIC)) است که هر چه از نظر مقدار کمتر باشد نمايانگر برتري مدل است . ضمنا مدل مورد نظر بايد همگرا converg))باشد .

model1 <- list(order = c(2,2,2))

model2 <- list(order = c(4,2,2))

model3 <- list(order = c(6,2,2))

model4 <- list(order = c(2,2,0))

model5 <- list(order = c(4,2,0))

model6 <- list(order = c(6,2,0))

model7 <- list(order = c(2,1,2))

model8 <- list(order = c(4,1,2))

model9 <- list(order = c(6,1,2))

model10 <- list(order = c(2,1,0))

model11 <- list(order = c(4,1,0))

mode112 <- list(order = c(6,1,0))

براي بدست آوردن اين ملاک از دستور زير در splus استفاده ميشود:

arima.mle(x,model= model,max.iter=,max.fcal=)

model<-list(order=c(p,d,q))

که در آن به جاي (p,d,q)کليه زيرمدلهاي فوق را قرارميدهيم.

از طرفي توزيع نرمال داشته باشند.

اين موضوع را بوسيله دستور زير انجام ميدهيم:

Arima.diag(arima.mle(x,model=model))

qqnorm(Arima.diag(arima.mle(x,model=model))$std.resid)

hist(Arima.diag(arima.mle(x,model=model))$std.resid)

ks.gof(Arima.diag(arima.mle(x,model=model))$std.resid)

amarqompnu — Thu, 05 Apr 2007 23:16:05 GMT

اینها هم دیتاهای اصلی سری زمانی.متاسفانه شکلها را کامل نشد بیاوریم

x<-c(21.4,20.35,21,20.9,20.75,20.2,20.5,21.5,21.5,22.6,21.5,21.35,21.4,21.4,

21.7,21.2,21.3,21.2,21.8,21.2,21.5,21.35,22.7,22.5,21.9,22.5,21.35,21.5,2

1.2,20.85,20.9,20.85,21.5,21.1,20.9,21.1,20.65,20.75,21.5,21.5,20.9,21.25

,21.3,20.9,21.5,19.82,20.17,20.51,20.43,20.53,20.56,20.89,21.41,21.81,20.

7,21.18,21.2,20,21.5,20.8,21.5,22,21.1,21.3,21.7,21.4,20.5,21.1,21.7,21.7

5,20.67,20.88,21.11,21.22,21.1,21.46,21.42,21.18,20.22,21.18,21.18,21.56,

21.28,21.58,21.6,21,21.18,20.87,19.86,21.48,20.64,20.94,21.64,21.4,21.22,

20.46,21,21.5,20.88,20.99)

آموزش سری زمانی-جلسه2

amarqompnu — Thu, 05 Apr 2007 22:52:18 GMT

بنظر ميرسد که متوسط وزن ترد در لاستيکهاي نمونه گيري شده در پايان خط توليد کارخانه در حول سطح ثابتي تغيير نمي کند و شاهد روند ضعيفي در مشاهدات هستيم . يعني با افزايش دادهها در طول زمان تمرکز داده ها در حول ميانگين کاهش مي يابد و روند صعودي و گاها نزولي را مشاهده مي کنيم .اين روند را از گراف مربوط به acf در شکل يک ميتوان تشخيص داد .بدين ترتيب که acf دادههاي داراي روند به صورت خيلي ضعيفي به صفر ميل ميکند .در مدلهاي ايستا معمولا پس از مرتبه اول و دوم به صورت خيلي سريع به صفر نزديک ميشود .

با ملاحظه شکل مربوطه دادهها روند نزولي تقريبا ضعيفي را نشان مي دهند .اما از آنجايي که حذف روند اساس مدلسازي است لذا حذف روند در مشاهدات ضروري به نظر مي رسد.حذف رونددرمشاهدات راتفاضلگيري ميگويندودرsplus بادستورX1<-diff(x,lag =) صورت ميگيرد .

شکل دو گرافهاي pacf,acf, tsplot مربوط به تفاضل مرتبه اول را نشان مي دهد .

تعيين پارامتر هاي مدل:

پس از حذف روند نوبت به تعيين پارامتر هاي مدل است .اين تشخيص به وسيلهpacf,acf, ويا گرافهاي مربوط به آنها صورت ميگيرد.از آنجاييکه گرافهاي مربوطه ساختار تناوبي را نشان نميدهد لذا مدل, فصلي به نظر نميرسد و درنتيجه مدل کلي براي اين داده ها ARIMA(p,d,q) که در آن p مرتبه اتو رگرسيو و d تعداد دفعات تفاضلگيري تا حذف روند است و q مرتبه ma را نشان ميدهد .همانگونه که قبلا اشاره شد مرتبه p,q را به ترتيب ميتوان بوسيله گراف acf و pacf تشخيص داد .بدين ترتيب که فرض مربوط به شماره خطي که از باند اطمينان خارج شده است را معني دار ميدانيم (شماره خط را ميپذيريم )وآن را مرتبه qيا p ميگيريم .با توجه به شکل (ب) ميبينيم که درنقاط 1و 2 اين خطوط خارج از باند هستند و با توجه به شکل (ج)در نقاط 0و1 خارج خط هستند .لذا مرتبه p ممکن است 1يا 2و مرتبه q0 يا 1باشد .

اما در روند الگو سازي در سري زماني بايد کليه زير مدلها با استفاده از ملاکهاي موجود مورد بررسي و آزمون قرار گيرند و پس از مشاهده پيش بيني ها بهترين مدل انتخاب شود ,زير مدلها کليه ترکيبات (p,d,q) ها است که به صورت زير در نظر گرفته ميشود :

p=1,2

d=1

q=0,1

(p,d,q)=(1,0,1),(1,1,1),(2,1,0),(2,1,1)

آموزش سری زمانی-جلسه1

amarqompnu — Mon, 26 Mar 2007 23:21:18 GMT

آموزش سری زمانی بوسیله نرم افزار splus

جلسه ۱

مقدمه

يک سري زماني دنباله اي مرتب شده ازمشاهدات است.گرچه معمولا برحسب زمان , بويژه در فواصل زماني مساوي مرتب مي شود , ولي مرتب شدن ممکن باتوجه به

ابعادديگري چون فاصله نيزباشد.

يک سري زماني نظير علائم الکتريکي وولتاژ که به طورپيوسته در زمان ثبت ميشوند , يک سري پيوسته است.

يک سري زماني نظير نرخهاي بهره و حجم فروش را که فقط درفواصل مشخص در نظرگرفته ميشوند , گسسته ميگويند.

براي مطالعه سريهاي زماني , اهداف مختلفي وجود دارد , که اين اهداف درک و مکانيسم توليدي , پيش بيني مقادير آينده و کنترل بهين يک سيستم را شامل ميشود.طبيعت ذاتي يک سري زماني , وابسته يا همبسته بودن مشاهدات آن است و بنابراين روشها و فنون آماري که مبتني برفرض مستقل بودن است , ديگرکاربرد ندارد و روشهاي متفاوتي موردنياز هستند.

به روند تعيين مدل يا مدل شناسي آماري موجود , تحليل سريهاي زماني گفته ميشود.

تحليل سري زماني(الگوسازي)

در تحليل سري زماني مدلهاي مختلفي مورد بحث قرارميگيرند که ازجمله: ..,SARIMA,ARIMA,IMA ,ARI ,MA , AR که در همه اين مدلها توجه به چند نکته بسيار ضروري است.زيرا اين نکات اساس تحليل سريهاي زماني را تشکيل مي دهند .

و درغير اين صورت الگوي بدست آمده, الگوي مناسبي نخواهد بود:

1-ايستايي مدل

2-تثبيت واريانس

بررسي داده ها و هدف از تحليل آنها

داده ها مربوط به ميانگين نمونه اي وزن ترد در هرلاستيک درزمانهاي مختلف است که ازخط توليد نمونه گيري شده اند.هدف از تحليل اين داده ها بدست آوردن الگويي است که بتوان رفتار آينده سيستم را به طور کامل از دانش کنوني و محصول آينده بيان نمود.

تحليل داده ها :

قدم اول در هر تجزيه و تحليل سري زماني بررسي وضعيت ايستايي مدل است.اين بررسي معمولا به وسيله ترسيم گرافهاي pacf,acf, tsplot صورت ميگيرد.

اين گرافها در تشخيص نوع سري ازنظر ايستايي و ناايستايي , ميانگين و واريانس و نيز تشخيص اينکه داده ها داراي يک روند فصلي است يا نه, بسيار مناسبند.

دستورترسيم اين گرافها در نرم افزار بصورت زيراست:

بردار مشاهداتx=

Tsplot(x)

Acf(x)

Acf(x,type=“p”,lag=)

بنظر ميرسد که متوسط وزن ترد در لاستيکهاي نمونه گيري شده در پايان خط توليد کارخانه در حول سطح ثابتي تغيير نمي کند و شاهد روند ضعيفي در مشاهدات هستيم . يعني با افزايش دادهها در طول زمان تمرکز داده ها در حول ميانگين کاهش مي يابد و روند صعودي و گاها نزولي را مشاهده مي کنيم .اين روند را از گراف مربوط به acf در شکل يک ميتوان تشخيص داد .بدين ترتيب که acf دادههاي داراي روند به صورت خيلي ضعيفي به صفر ميل ميکند .در مدلهاي ايستا معمولا پس از مرتبه اول و دوم به صورت خيلي سريع به صفر نزديک ميشود

x_c

tsplot(x)

acf(x)

acf(x,type="p")

کسانی که داده ها را می خواهند برای ما ایمیل بگذارند تا برایشان در اسرع وقت بفرستیم