مشاهدات سری های زمانی گاهی اوقات تحت تأثیر پیشامدهایی نظیر: اعتصاب ها، ظهور جنگ، بحران های سیاسی و غیره قرار می گیرند. نتایج این پیشامدهای بازدارنده، به وجود آمدن مشاهداتی مصنوعی است که با بقیه ی مشاهدات در سر ی های زمانی، سازگاری ندارد. این قبیل مشاهدات را نقاط پرت می نامند. در این پایان نامه ابتدا روش آزمون دنباله ای را برای پیدا کردن نقاط پرت جمع پذیر و نوساز در مدل های arma به کار می بریم. ...

در این رساله ابتدا به تعریف مدل‏های خطی با خطا در اندازه‏گیری پرداخته و برآورد پارامترهای مدل براساس روش امتیاز تصحیح شده ارائه می‏شود. سپس به معرفی مدل‏های حذف موردی و مدل‏های انتقال میانگین در این قبیل مدل‏ها پرداخته و برآورد پارامترهای مدل مورد اشاره قرار می‏گیرد. در ادامه یک روش بوت استرپ پارامتری جهت شناسایی گروهی نقاط پرت ارائه می‏شود. مدل انتقال واریانس را برای مدل‏های خطی با خطا در اندا...

در تحلیل پوششی داده ها که از مقایسه ی عملکرد نسبی یک واحد در قیاس با مجموعه ی مرجع برای تشخیص ناکارایی نسبی و ارائه ی الگوی بهبود استفاده می شود، تشخیص درست واحدهای پرت برای دستیابی به نتایج دقیق بسیار مهم است. در این نوع مدل ها ی مرز قطعی، امروزه به کارگیری آزمون های آماری در تشخیص داده های پرت بسیار مرسوم هستند. این مقاله به معرفی دو آزمون آماری برای تشخیص نقاط پرت در تحلیل پوششی داده ها می پ...

بسیاری از سری های زمانی در عمل تحت تاثیر رویدادهای خارجی نظیر:اعتصاب ها، ظهور جنگ، بحران های سیاسی و غیره قرار می گیرند. نتیجه ی این پیشامدهای بازدارنده که نقاط پرت نامیده می شوند، ظهور مشاهدات تصنعی است که با سایر مشاهدات سری زمانی سازگاری ندارد. در این رساله نقاط پرت نوساز، جمع پذیر، تغییر سطح و تغییر موقت در مدل های garch مورد بررسی قرار گرفته و جهت شناسایی نقاط پرت، اثرات آن ها در تعیین مدل...

‎در یک سری زمانی ممکن است در یک بازه زمانی ‎‎‏معین نقاط پرت به صورت پی در پی وجود داشته باشند‎.‎ مجموعه این نقاط پرت که ‎‎یک تکه پرت گ‎‏فته می شود‏، به تازگی مورد توجه آماردانان قرار گرفته است. شناسایی تکه پرت جمع پذیر به دلیل وجود اثرات پوششی و غرق شدن به آسانی میسر نمی شود. روش های بیزی که در سال های جدید در سری های زمانی کاربرد یافته اند‏، با کمک الگوریتم مونت کارلوی زنجیره مارکوفی می توانند...

در این رساله به شناسایی داده‏های پرت جمع‏پذیر در سری های تلفیق یافته که در سال‏های اخیر توجه خاص بسیاری از آماردانان را به خود جلب کرده است، پرداخته شده است. ابتدا با به کار بردن تابع مداخله، اثر چهار نوع معمول نقطه ی پرت، 1) نقطه‏ی پرت نوساز، 2) نقطه‏ی پرت جمع‏پذیر، 3) تغییر سطح و 4) تغییر موقت، را در مدل سری زمانی sarima به عنوان یک حالت خاص مدل فصلی تلفیق یافته بررسی کرده و در ادامه سه روش ب...

در این تحقیق به تاثیر و شناسایی انواع نقاط پرت نوساز، جمع پذیر، تغییر سطح، تغییر موقت در تعیین مدل و براورد پارامترهای سری زمانی چند متغیره پرداخته می شود. برای شناسایی انواع نقاط پرت در مدل سری های زمانی چند متغیره روش تکرار پانکراز و همکاران (2000) مورد توجه قرار می گیرد. سپس توانایی این روش نسبت به روش کلاسیک یک متغیره سری زمانی مورد بررسی قرار می گیرد. از آنجا که قیمت سکه تحت تاثیر قیمت جها...

در این مقاله روشی سریع مبتنی بر پردازش های هوشمند تصویر، جهت آشکارسازی و ردیابی خودروهای متحرک در تقاطع ها ارائه شده است. در بخش آشکارسازی، ابتدا از مدل گوسی ترکیبی استفاده شده تا مناطق متحرک به دست آید. سپس به کمک یک مدل آشکارساز که توسط ویژگی های هیستوگرام گرادیان جهت دار استخراج شده از تصاویر آموزشی و کلاس بند آبشاری و ماشین بردار پشتیبان آموزش دیده است، آشکارسازی خودروها صورت می پذیرد. در ب...

توزیع گاما و وایبل سه پارامتری اغلب در تحلیل داده های طول عمر مورد استفاده قرار می گیرند‎.‎ به دلیل وجود پارامترهای شکل و مقیاس‎‎‏، هر دو توزیع انعطاف پذیری بالایی در آنالیز انواع داده های طول عمر دارند؛ اما هر دو توزیع معایبی دارند. ‎‎اخیراً گوپتا و کندو(1997)‎حالت خاصی از توزیع وایبل نمایی شده سه پارامتری معرفی شده توسط‎‎ مادهولکر‎‎‏‎‏، سریواستاوا 199‎3)‎‎) را تحت عنوان توزیع نمایی تعمیم یافته...

مشاهدات سری های زمانی گاهی اوقات تحت تأثیر پیشامدهایی نظیر: اعتصا ب ها، ظهور جنگ ها، بحران های سیاسی و غیره قرار می گیرند. نتایج این پیشامدهای بازدارنده، به وجود آوردن مشاهدات مصنوعی است که با بقیه ی مشاهدات سری زمانی سازگاری ندارد. این قبیل مشاهدات را نقاط پرت می نامند. در این رساله نقاط پرت نوساز، جمع پذیر، تغییر سطح ، تغییر موقت در سری های زمانی چند متغیره مورد بررسی قرار گرفته اند. جهت شن...