عوامل مختلفی مانند خطاهای انسانی و دستگاهی، شرایط اندازه‌گیری و طبیعت جریان در شرایط یکتا ممکن است سبب بروز داده‌هایی شود که با الگوی نرمال جامعه آماری در تناقض باشند؛ به گونه‌ای که این گمان به وجود آید که با یک روند متفاوت تولید شده‌اند. در یک تعریف کلی به این نوع از داده‌ها، داده‌های غیرنرمال (پرت یا خارج از محدوده) گفته می‌شود. شناسایی داده‌های پرت از جنبه‌های مختلف دارای اهمیت بوده و منجر ب...

تشخیص داده‌‌‌های نویز(پرت یا غیرعادی) از داده‌های جریان در شبکه‌های توزیع آب در مرحله آماده‌سازی و پیش‌پردازش داده‌ها برای دستیابی به داده‌های تاریخی قابل اعتماد انجام می‌گیرد؛ که در بهبود روش‌های ارزیابی و مدیریت نشت و بهره‌برداری مؤثر از شبکه، مهم و ضروری است. هدف از ارائه این مقاله توسعه یک متدولوژی جدید بر مبنای روش‌های یادگیری بدون نظارت، جهت شناسایی داده‌های پرت یا غیرعادی در یک مجموعه دا...

گاهی زیر مجموعه کوچکی از داده ها می توانند اثر نامناسبی بر برآورد پارامترها یا پیش بینی داشته باشند. بنابراین یافتن این داده ها برای تحلیل گر رگرسیون حائز اهمیت بوده و گامی مهم در فرآیند ساختن مدل است. اغلب وجود مشاهدات ناروا و وقوع هم خطی به صورت هم زمان پیچیدگی هایی را ایجاد می کند. بنابراین لازم است ابتدا هم خطی کنترل و سپس به تشخیص مشاهدات ناروا پرداخته شود. از سوی دیگر هم خطی باعث افزایش و...

در هیـدرولوژی نمـی­تـوان زمـان دقیق وقـوع یک پدیـده مانند سیـلاب و بارش را تعیین نمود ولی می توان نحوه وقوع حوادث قبلی را بررسی کرد و احتمال وقوع متوسط آنها را به دست آورد و مقدار آن را در دوره بازگشت های مختلف برآورد کرد. یکی از مهمترین فاکتور های لازم در تحلیل فراوانی داشتن سری داده های صحیح و طولانی است در میان سری داده­ها، داده های پرت می توانند نقش منفی در پیش بینی مقادیر داشته باشند. هدف ...

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...

در این مقاله روشی برای استفاده از خروجی‌های کالمن فیلتر برای شناسایی تغییرات تأثیر گذار سری زمانی ارائه شده است. از آن‌جا که الگوریتم کالمن فیلتر برای تحلیل مدل‌های فضای حالت به کار می‌رود که مدل‌های خطی ARMA را پوشش می‌دهد، استفاده از این روش می‌تواند برای شناسایی تغییرات از جمله مقادیر پرت به کار رود. در این مقاله روش پیشنهاد شده برای شناسایی پنج تغییر: نقطه پرت جمع پذیر، تغییر سطح، تغییرات ف...

وجود مشاهدات پرت یکی از مهمترین موضوعات در استنباط آماری است. با توجه به این که این مشاهدات تاثیر زیادی بر روی مدل برازش شده و استنباط­های مربوط به آن  دارند، پیدا کردن روشی برای مشخص کردن اثر مشاهدات پرت ضروری است. هدف این مقاله بررسی تاثیر مشاهدات پرت بر روی برآورد تابع  چگالی به روش هسته­ای است. در این مقاله با استفاده از  روش جستجوی پیشرو، به شناسایی مشاهدات پرت و تاثیر آنها بر برآورد تابع ...