مدل بندی داده های بارش و سطح آب زیرزمینی با استفاده از توابع مفصل زمان-متغیر
Publish place: Mathematics and Society، Vol: 9، Issue: 4
Publish Year: 1403
Type: Journal paper
Language: Persian
View: 56
This Paper With 21 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
JR_MATH-9-4_002
Index date: 26 January 2025
مدل بندی داده های بارش و سطح آب زیرزمینی با استفاده از توابع مفصل زمان-متغیر abstract
داده های ناایستا غالبا زمانی ایجاد می شوند که مشاهدات یک مطالعه به صورت پیاپی و وابسته به زمان جمع آوری شده باشند. در چنین حالتی معمولا یک روند زمانی همراه با تغییرات در میانگین و یا واریانس مشاهدات وجود خواهد داشت که حاکی از ناایستا بودن داده هاست. برای توصیف چنین داده هایی با استفاده از توزیع های آماری و برازش پارامترها، مدل های زمان-وابسته مناسب هستند. هدف این مطالعه معرفی و به کاربردن مدل های زمان-وابسته است که در آنها، پارامترهای مدل در توزیع های حاشیه ای و نیز در مدل های مفصل به صورت متغیری از زمان درنظر گرفته می شود. با توجه به جمع آوری داده های بارش و سطح آب زیرزمینی به صورت ماهیانه، ماهیت این داده ها زمان-وابسته بوده و روند تغییرات این داده ها نشان می دهد که میانگین داده ها در طول زمان دارای تغییرات می باشند. برای توصیف ساختار همبستگی میان این داده ها، از توزیع های حاشیه ای و سپس توابع مفصل زمان-متغیر استفاده شده است، بطوریکه پارامتر این مدل ها متغیر و به عنوان تابعی از زمان در قالب توابع رگرسیون چندجمله ای یا نمایی در نظر گرفته شده است.
مدل بندی داده های بارش و سطح آب زیرزمینی با استفاده از توابع مفصل زمان-متغیر Keywords:
مدل بندی داده های بارش و سطح آب زیرزمینی با استفاده از توابع مفصل زمان-متغیر authors
حسین زمانی
گروه آمار، دانشکده علوم پایه، دانشگاه هرمزگان، بندرعباس، ایران
زهره پاکدامن
گروه آمار، دانشکده علوم پایه، دانشگاه هرمزگان، بندرعباس ، ایران
مرضیه شکاری
گروه آمار، دانشکده علوم پایه، دانشگاه هرمزگان، بندرعباس ، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
