|
Title
|
توزيع وزني وايبل انعطاف پذير و كاربردهاي
آن در صنعت
|
|
Type
|
Thesis
|
|
Keywords
|
توزيع گاما وايبول انعطاف پذير، وايبول انعطاف پذير، توزيع وزني وايبول انعطاف پذير
آنتروپي، برآوردگر ماكسيمم درستنمايي، آماره ها ي ترتيبي.
|
|
Abstract
|
در حوزه مطالعات آماري، توزيع هاي احتمالي به عنوان چارچوب هاي اساسي براي به كارگيري نظريات و
روش هاي آماري در حل مسائل دنياي واقعي شناخته مي شوند. دانشمندان اين حوزه به طور مداوم در
جستجوي توسعه مدل هايي هستند كه قادر به توصيف دقيق تر پديده هاي طبيعي و ساختگي باشند. توزيع هاي
چندپارامتري به دليل انعطاف پذيري بيشتر در توصيف داده ها، توجه ويژه اي را به خود جلب كرده اند. در اين
ميان، توزيع وايبول به دليل توانايي هاي برجسته اش در تحليل عمر و قابليت اطمينان محصولات در صنايع،
مورد توجه قرار گرفته است. در اين رساله، به معرفي برخي اصطلاحات كليدي آماري و بررسي آماره هاي
نيكويي برازش مي پردازيم. سپس، خواص مختلف توزيع هاي آماري را مورد بررسي قرار مي دهيم و در فصل
سوم، به تعريف يك توزيع دو پارامتري جديد مي پردازيم كه به عنوان توزيع جديد و كاربرد آن در حوزه هاي
مختلف از جمله صنعت شناخته شده است. اين توزيع جديد به نام “توزيع وزني وايبول انعطاف پذير“ معرفي
شده، نشان دهنده انعطاف پذيري بيشتر در مقايسه با ساير مدل هاي رقيب است، كه اين موضوع به افزايش
كارايي آن منجر مي شود. ما به بررسي خصوصيات آماري مهم اين خانواده ي جديد از توزيع ها پرداخته ايم،
شامل گشتاورها، آماره هاي مرتب، تابع نرخ خطر، تابع بقا، برآوردها و آنتروپي، خواص مجانبي....و در نتيجه
از طريق به كارگيري رويكردهاي برآوردگر حداكثر درست نمايي و ساير روش هاي برآورد، به تحليل دقيق
رفتار اين توزيع در شرايط مختلف پرداخته ايم. همچنين، اين مدل جديد با استفاده از دو مجموعه داده
واقعي مورد آزمايش قرار گرفته و با توزيع هاي شناخته شده اي مانند توزيع هاي وايبول، وايبول تواني، گاما
وايبول و وايبول قابل انعطاف مقايسه شده است. نتايج به دست آمده نشان مي دهد كه توزيع پيشنهادي ما
امكان برازش بهتري را در مقايسه با مدل هاي رقيب براي داده هاي مربوطه فراهم مي كند. اين رساله نه تنها
فصل جديدي را در كتاب توزيع هاي احتمالي مي گشايد، بلكه راه را براي به كارگيري اين توزيع در زمينه هاي
گسترده تري از تحقيقات علمي هموار مي سازد.
|
|
Researchers
|
zia ramaki (Student) , Morad Alizadeh (Primary advisor) , Saeid Tahmasebi (Advisor)
|