در این پروژه نمرات نهایی درس ریاضی 20 دانشجوی دختر و پسر مورد بررسی قرار میگیرد
در این تحقیق میانگین و انحراف معیار و میانگین و میانه و مد و ... نمرات نهایی درس ریاضی 20 دانشجوی دختر و پسر به همراه انواع نمودار ( هیستوگرام ، دایره ای، میله ای و ...) و آزمون tتست و جداول مربوطه و ... آورده شده است
.
نمرات نهایی درس ریاضی 20 دانشجوی دختر وپسر بصورت جدول زیر میباشد.
نـوع فایـل : Word
تعداد صفحات : 15
حجم فایل : 68 کیلوبایت
جزوه درسی و کلاسی آمار و احتمال مهندسی همراه با تست و مثال - استاد ایوزیان
در این بخش نقشه فایل GIS آبادی‌های استان خراسان جنوبی به همراه آمار جمعیتی سرشماری سال 1390 برای دانلود قرار داده شده است. این محصول حاوی دوشیپ‌فایل آبادی‌ها و محدوده استان خراسان جنوبی به همراه فایل راهنمای فیلدهای جمعیتی میباشد. شیپ‌فایل آبادی‌ها علاوه بر تقسیمات سیاسی( شامل استان، شهرستان،بخش ، دهستان و آبادی) دارای فیلدهای آماری جمعیتی منطبق بر سرشماری سال 1390 (جمعیت کل، تعداد مردان، تعداد زنان)نیز می‌باشند. تصویر پیشنمایش مربوط به همین نقشه می باشد.
لینک دانلود و خرید پایین توضیحات
فرمت فایل word و قابل ویرایش و پرینت
تعداد صفحات: 17
آمار و احتمال
توزیع دو جمله ای :
اگر آزمایشی دارای ویژگی های زیر باشد ، آزمایش تصادفی دوجمله ای است .
1- آزمایش ها مستقل از یکدیگر تکرار شوند
2- آزمایش ها به تعداد دفعات معین مثلا n بار تکرار شوند
3- آزمایش تصادفی به دو نتیجة ممکن موفقیت و شکست منجرگردد .
4- احتمال موفقیت ها در همة آزمایش ها ثابت و برابر p باشد .
مثال 1 : کدام یک از موارد زیر می تواند به عنوان آزمایش دوجمله ای تلقی شود ؟
الف- نمونه گیری تصادفی از 500 زندانی برای تعیین اینکه آیا آنها قبلا در زندان بوده اند یا خیر .
ب- نمونه گیری تصادفی از 500 زندانی برای تعیین طول مدت محکومیت آنها .
حل :
مورد « الف » شرایط لازم برای یک آزمایش دوجمله ای را دارد .
1- آزمایش ها مستقل از یکدیگرند
2- تعداد آزمایش ها ( 500 ) ثابت است
3- هرآزمایش دو نتیجه دارد : یا در زندان بوده یا نبوده
4- احتمال موفقیت ها ( مثلا زندانی نبودن ) در همة آزمایش ها ثابت است .
مورد « ب » شرایط لازم برای یک آزمایش دوجمله ای را ندارد زیرا طول مدت محکومیت زندانیان متفاوت بوده و بنابراین هرآزمایش بیش از دو نتیجه دارد .
متغیر تصادفی و تابع توزیع احتمال
متغیر تصادفی دو جمله ای عبارت است از تعداد موفقیت ها دریک آزمایش تصادفی دو جمله ای تابع توزیع احتمال دو جمله ای که در آن p احتمال موفقیت و x تعداد موفقیت ها در n آزمایش باشد به صورت زیر تعریف می شود :
نکتة 1 : توزیع احتمال دوجمله ای دارای دو پارامتر p , n می باشد .
مثال 2 : یک آزمون چندگزینه ای دارای 30 سئوال ، و هرسئوال دارای 5 جواب ممکن است که یکی از آنها درست می باشد اگر به تمام سئوالات پاسخ داده شود ، چقدر احتمال داردکه دقیقا 4 تای آنها پاسخ درست باشد ؟
حل :
امید ریاضی ، واریانس و تابع مولدگشتاور
1- E ( X ) = np
2- Var ( X ) = npq
3-
مثال 3 : احتمال اینکه مشتری ای که وارد فروشگاهی می شود چیزی بخرد 6 /0 است . اگر 10 مشتری وارد فروشگاهی شده باشند امید ریاضی و واریانس تعداد مشتریان خریدکرده چقدر است ؟
حل :
این موقعیت شرایط لازم برای یک آزمایش دوجمله ای را داردکه درآن 6 /0 = p ، 4/0= q و 10 = n ، پس :
24 /0 = 4 /0 * 6 /0 * 10 = npq = Var ( x) ، 6 = 6 /0 * 10 = np = E ( X)
مثال 4 : تابع مولدگشتاورهابرای کمیت تصادفی X به صورت10 ( t e 8 /0 +2 /0 ) =M x ( t )
به دست آمده است ضریب تغییرات متغیرتصادفی X را بیابید .
حل :
10 = n ، 8 /0 = p ، 2 /0 = q → 10 ( t e 8 /0 + 2 /0 ) = M X ( t )
27 /1= → 6 /1 = 2 /0 * 8 /0 * 10 = npq = Var (x) ،
8 = 8 /0 * 10 = n .p = μ = E ( X )
توزیع پواسن :
اگر آزمایشی دارای ویژگی های زیرباشد ، آزمایش تصادفی پواسن است .
1- احتمال رخداد بیش ازیک حادثه دریک فاصله زمانی یا مکانی بسیارکوچک تقریبا صفر باشد .
2- احتمال رخداد یک حادثه درهرفاصله زمانی یامکانی متناسب با طول آن فاصله باشد.
3- احتمال رخدادها درفواصل زمانی یا مکانی مستقل ازهم باشد .
متغیر تصادفی و تابع توزیع احتمال :
لینک دانلود و خرید پایین توضیحات
فرمت فایل word و قابل ویرایش و پرینت
تعداد صفحات: 19
1- مقدمه
با توجه به اهمیت و حساسیت امر مهار آب‌های سطحی خصوصاً در کشور ما که اکثر رودخانه‌های مناطق مختلف فصلی بوده و کمبود آبی که در پهنه وسیعی از کشور وجود دارد ، نیاز به شناسایی و به مدل در‌آوردن رفتار رودها و شریان‌های آبی جهت برنامه‌ریزی‌های بلندمدت و استفاده بیشتر و بهتر از پتانسیل‌های آنها عمیقاً احساس می‌شود . جدیدالتاسیس بودن بیشتر ایستگاه‌های هیدرومتری ، نواقص موجود در آمار اکثر این ایستگاه‌ها ، قرارگرفتن بیشتر رودها در مناطق خشک ، وضعیت بحرانی برداشت آب‌های زیرزمینی و لزوم توجه بیشتر به آب‌های سطحی همه و همه دلایل بیشتر و ظریف‌تری میباشد که به مقوله پیش‌بینی و تولید آمار مصنوعی در حوزه‌های آبریز کشورمان جلوه و نمودی کامل‌تر می‌بخشد .
روش‌های متداول آماری و احتمالی بر پایه روابط و فرمول‌های صرفاً ریاضی که به طور اخص به پیش‌بینی سری‌های زمانی می‌پردازد ، از دیرباز مورد توجه مهندسین علوم آب قرار گرفته است . آنها با دست‌مایه قراردادن این بخش از علم آمار به تحلیل ، بررسی و شناخت رفتار رودخانه‌ها می‌پرداختند . در این راستا نرم‌افزارهای مختلفی نیز تهیه وتنظیم شده که از مهم‌ترین و بارزترین آنها می‌توان SPIGOT و HEC4 را نام برد .
شبکه عصبی مصنوعی نامی نوین در علوم مهندسی است که به‌طور ابتدایی و آغازین درسال 1962 توسط فرانک روزن بلات و در شکل جدی و تأثیرگذار در سال 1986 توسط رومل‌هارت و مک‌کلند با ابداع و ارائه مدل پرسپترون بهبود یافته به جهان معرفی شد . این شیوه از ساختاری نرونی و هوشمند با الگوبرداری مناسب از نرون‌های موجود در مغز انسان سعی می‌کند تا از طریق توابع تعریف شده ریاضی رفتار درون‌سلولی نرون‌های مغز را شبیه‌سازی کند و از طریق وزن‌های محاسباتی موجود در خطوط ارتباطی نرون‌های مصنوعی ، عملکرد سیناپسی را در نرون‌های طبیعی به مدل در آورد. ماهیت و ذات تجربی و منعطف این روش باعث می‌شود تا در مسائلی مانند مقوله پیش بینی که یک چنین نگرشی در ساختار آنها مشاهده می‌شود و از رفتاری غیرخطی و لجام‌گسیخته برخوردار هستند ، به خوبی قابل استفاده باشد .
2- شبکه های عصبی مصنوعی
2-1- مفاهیم پایه در شبکه های عصبی مصنوعی
یک نرون بیولوژیک با جمع ورودی‌های خود که از طریق دندریت‌ها با یک وزن سیناپسی خاص به نرون اعمال می‌شوند ، با رسیدن به یک حد معین تولید خروجی می‌کند . این حد معین که همان حد آستانه میباشد ، در حقیقت عامل فعالیت نرون یا غیر فعال بودن آن است .
با توضیحات فوق می‌توان گفت که در مدل‌سازی یک نرون بیولوژیک به طور مصنوعی می‌بایست به سه عامل توجه شود :
نرون یا فعال است یا غیر فعال
خروجی تنها به ورودی‌های نرون بستگی دارد
ورودی‌ها باید به حدی برسند تا خروجی ایجاد گردد]1[.
2-2- شبکه عصبی پرسپترون ساده
فرانک روزن بلات ، با اتصال این نرون‌ها به طریقی ساده پرسپترون را ایجاد و ابداع کرد ، و برای نخستین بار این مدل را در کامپیوترهای دیجیتال شبیه‌سازی و آنها را به طور رسمی تحلیل نمود]1[.
2-3- شبکه عصبی پرسپترون چند لایه ) MLP (
در بسیاری از مسائل پیچیدة ریاضی که به حل معادلات بغرنج غیر خطی منجر می‌شود ، یک شبکة پرسپترون چند لایه می‌تواند به سادگی با تعریف اوزان و توابع مناسب مورد استفاده قرارگیرد . توابع فعالیت مختلفی به فراخور اسلوب مسئله در نرون ها مورد استفاده قرار میگیرد . در این نوع شبکه‌ها از یک لایة ورودی جهت اعمال ورودی‌های مسئله یک لایة پنهان و یک لایة خروجی که نهایتاً پاسخ‌های مسئله را ارائه می‌نمایند ، استفاده می‌شود.
گره‌هایی که در لایة ورودی هستند ، نرون‌های حسی و گره‌های لایة خروجی ، نرون‌های پاسخ دهنده هستند . در لایة پنهان نیز ، نرون‌های پنهان وجود دارند]2[.
آموزش این‌گونه شبکه‌ها معمولاً با روش پس انتشار خطا انجام می‌شود . نمونه‌ای از یک شبکه پرسپترون چند لایه در زیر نمایش داده شده است . شکل (1).
شکل 1- ساختار پرسپترون چندلایه با نرون‌های پنهان tansigو نرون‌های خروجی با تابع خطی]3[.
شبکههای پرسپترون چند لایه می‌توانند با هر تعداد لایه ساخته و به کار گرفته شوند ، ولی قضیه‌ای که ما در این‌جا بدون اثبات می پذیریم بیان می‌کند که یک شبکه پرسپترون سه لایه قادر است هر نوع فضایی را تفکیک کند . این قضیه که قضیة کولموگوروف نامیده می‌شود ، بیانگر مفهوم بسیار مهمی است که می‌توان در ساخت شبکههای عصبی از آن استفاده کرد]1[.
نوع خاصی از شبکههای عصبی چند لایه به نام پرسپترون تک لایه
) SLP (میباشد . این شبکه از یک لایة ورودی و یک لایة خروجی تشکیل شده است .
3- شرح تحقیق
با توجه به حساسیت بالای شبکههای عصبی به نوع اطلاعات مورد استفاده و همبستگی ورودی‌های شبکه با یکدیگر و متعاقب آن با خروجی‌‌های مربوطه جدای از بحث نوع شبکه و کاربرد آن به عنوان ابزاری جهت تولید