مقایسه تبدیل های نرمال ساز جهت نرمال کردن داده های بارندگی سالانه ایستگاه های سینوپتیک ایران

Publish Year: 1392
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,091

This Paper With 10 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

NACONF01_1597

تاریخ نمایه سازی: 25 خرداد 1393

Abstract:

در کاربرد تئوری های آمار و احتمالی در تحلیل سری های زمانی هیدرولوژیکی فرض بر این است که متغییرها دارای توزیع نرمال هستند. از آنجا که بسیاری از سری ها ی زمانی نرمال نبوده ، لذا نیاز است قبل از هر گونه تحلیل و مدل سازی ، آنها را نرمال کرد.این کار توسط توایع تبدیل صورت می گیرد.در این مطالعه با استفاده از 6 تابع تبدیل نرمال رایج ،داده های میانگین بارندگی سالانه 140 ایستگاه سینوپتیک سارسر ایران ،تبدیل به داده های توزیع نرمال شد و با استفاده از آزمون ضریب چولگی نزدیک به صفر ، توابع برتر در هر ایستگاه سینوپتیک انتخاب شد.نتایج حاصل از تحقیق بیانگر پیروی 75 ایستگاه از 140 ایستگاه مورد مطالعه از تبدیل لگاریتم با ضرایب b و aمتفاوت بود و در رتبه دوم نیز تابع گاما با تعداد 22 ایستگاه و سپس تابع توان با تعداد 17 ایستگاه قرار دارد.ایستگاه هایی که با استفاده از توزیع های غیر از توزیع لگاریتم به توزیع نرمال تبدیل شدند،با توزیع لگاریتم نیز، ضریب چولگی ها آن ها مورد تایید بود و می توان تقریبا برای تمام ایستگاه های سینوپتیک ایران ، تابع تبدیل لگاریتم را برای نرمال کردن سری زمانی بارش سالانه برای تمام ایستگاه های سینوپتیک ایران پیشنهاد کرد.

Keywords:

تبدیل های نرمال ساز , توزیع نرمال , ضریب چولگی , تست نرمال بودن داده ها

Authors

محمد ناظری تهرودی

دانشجوی کارشناسی ارشد منابع آب دانشگاه ارومیه

ندا خان محمدی

دانشجوی دکتری منابع آب دانشگاه ارومیه

کیوان خلیلی

استادیار گروه مهندسی آب دانشگاه ارومیه

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 :