در این تحقیق رابطه پوشش گیاهی و خاک در استان قم مورد مطالعه قرار گرفت .این منطقه که در مرکز ایران قرار دارد دارای مساحت 14631 کیلومتر مربع با احتساب سطح دریاچه نمک می باشد. در این تحقیق ابتدا کلیاتی از وضعیت منطقه شامل موقعیت جغرافیایی ، تاریخچه زمین شناسی ، خاک شناسی و اقلیم مورد بررسی واقع شد. چون هدف ، بررسی جوامع گیاهی منطقه و روابط این جوامع با خاک آنها می باشد. لذا تفکیک اولیه جوامع و تیپ های گیاهی با روش فیزیونومیک – فلوریستیک- اکولوژیک انجام شد. برای مطالعه پوشش گیاهی منطقه از روش کوادرات گذاری استفاده شد. در این مطالعه تعداد 10 کوادرات برای هر یک از تیپ های گیاهی اجرا شد برای مستقر کردن کوادرات ها در یک تیپ گیاهی یا جامعه از روش نمونه برداری تصادفی طبقه بندی شده استفاده شده است.برای تعیین اثر خاک منطقه ریشه در عمق0 تا 50 سانتی متری از روش میانگین گیری وزنی استفاده گردید. در این مطالعه 11 فاکتور مربوط به خاک در 48 تیپ مرتعی مورد بررسی قرار گرفت. این فاکتور ها شامل درصد شن ، رس وسیلت خاک ، اسیدیته خاک ، هدایت الکتریکی مقادیر سدیم، پتاسیم، کلسیم،منیزیم و مقادیر گچ و آهک ، می باشندبا استفاده از روش آنالیز خوشه ای 13 جامعه گیاهی در منطقه تفکیک شدند که شامل جامع: aeluropus litoralis ، alhagi spp، halanthium rariflorum ،halochnemum strobilaceum ، halostachys caspica ،limonium iranicum ، salsola praecox ، salsola tomento ،salsola niraria ،seidlitzia rosmarinus ، suaeda aegyptiaca ، suaeda sp و tamarix sp . سپس برای تعیین اثر عوامل محیطی با استقرار پوشش گیاهی با استفاده از برنامه رایانه ای (canonical correspondence analysis ) cca رسته بندی ویژگی های گونه ای جوامع در ارتباط با عوامل محیطی انجام شد. نتایج آنالیز رسته بندی نشان داد عوامل محیطی هدایت الکتریکی ، آهک ، گچ، پتاسیم ، سدیم و کلسیم بیشترین نقش را در استقرار و گسترش جوامع گیاهی منطقه مورد مطالعه دارند. اختلاف در بافت ، املاح و درصد آهک و گچ خاک نقش مهمی در پراکنش واحد های گیاهی دارند . شناخت عوامل محیطی موثر بر استقرار و گسترش گیاهان می تواند ما را به سازگاری گونه های بومی هر منطقه آشنا سازد و بر اساس سرشت این گونه های بومی ، نسبت به مدیریت بوم شناختی آنها اقدام نمود. نتایج حاصل از بوم شناختی منطقه ما را در شناخت زیستگاه های طبیعی مشابه کمک نموده که از گیاهان با سرشت اکولوژیکی مشابه جهت اصلاح مراتع منطقه استفاده نماییم.

در سالهای اخیر یک توزیع جدید با نام توزیع نمایی تعمیم یافته معرفی شده و به طور وسیع مورد مطالعه قرار گرفته است . توزیع نمایی تعمیم یافته مانند توزیع گاما و وایبل دارای دو پارامتر ( شکل و مقیاس ) است . بنابراین توزیع نمایی تعمیم یافته را می توان با عنوان جایگزینی برای توزیع های گاما و وایبل به کار برد . پیدایش این مدل ، ویژگی های مختلف ، رو شهای مختلف برآورد و ویژگ یهای آنها در این پایان نامه بحث خواهد شد. در این پایان نامه به بررسی برآورد بیزی پارامترهای نامعلوم توزیع نمایی تعمیم یافته تحت انتخاب توزیع پیشین گاما روی پارامترهای شکل و مقیاس می پردازیم . برآوردگرهای بیز توزیع نمایی تعمیم mcmc یافته بصورت فرم صریحی بدست نم یآیند . برآوردگرهای بیز تقریبی بوسیله ایده لیندلی و روش محاسبه م یشوند در پایان نیز شبیه سازی انجام شده است

مقایسه بین روش های برآورد بیزی و احتمالی از موضوعات جالب و چالش زای علم آمار به شمار می رود. در این پایان نامه برآوردها و پیش بینی کننده های بیز از یک توزیع نرمال گرفته می شوند. متداول ترین پیش بینی کننده ی احتمالی برآورد ماکسیمم درست نمایی دارای یک روند درونی است، می توان ذکر کرد که با جایگزینی برآورد ماکسیمم درستنمایی برای میانگین جامعه، توزیع پیش بینی کننده به دست می آید. این پایان نامه مشتمل بر چهار فصل است. فصل اول و فصل دوم را مفاهیم و برخی قضایای مفیدی از نظریه تصمیم را در بردارد. فصل سوم مسئله ی برآوردیابی میانگین جامعه ی نرمال در حالت یک متغیره و در فصل چهارم مسئله در جامعه های نرمال چندمتغیره، تحت موضوع مدل های خطی بررسی می کنیم.

در این پایان نامه پیش بینی سری های زمانی با استفاده از روش تحلیل طیفی تکین(ssa) مورد مطالعه قرار می گیرد. نظریه تحلیل طیفی تکین(ssa) روش جدیدی برای تحلیل سری زمانی می باشد. در این روش سری زمانی اصلی را به مولفه های مستقل مانند روند ، هارمونیک و اغتشاش تجزیه می کنیم. روش تحلیل طیفی تکین(ssa) یک روش ناپارامتری بوده و نیازمند هیچ نوع فرض آماری نظیر مانایی سری زمانی و نرمال بودن خطاها نبوده و برای سری های زمانی کوتاه مدت نیز قابل اجراست. سپس روش تحلیل طیفی تکین با الگوریتم باکس و جنکینس ، فرآیندهای اتورگرسیو میانگین متحرک تلفیق شده arima)) و روش هموارسازی وینترز با استفاده از روش های شبیه سازی مورد مقایسه قرار می گیرد. شبیه سازی کامپیوتری نشان می دهد که توان پیش بینی روش تحلیل طیفی تکین در مقایسه با این روش ها بهتر می باشد. در پایان کاربرد این روش ها برای متولدین استان مازندران برای سال های 88-82 مورد مقایسه قرار می گیرد.

براورد چارامترهای توزیع پارتوی نمایی شده شامل برآورد درستنمایی ماکزیمم،برآورد گشتاوری،برآوردl- گشتاوری براورد کمترین مربعات ،براوردکمترین مربعات وزنی ...برآورد بیزی ،فاصله اطمینان وآزمون فرض چارامترهای توزیع می باشدو همچنین شبیه سازی براوردها بااستفاده از نرم افزار اسپلاس می باشد.

بسیاری از سری های زمانی مشاهده شده، یک ساختار دوره ای آماری دارند. بنابراین مدل سری های زمانی با خواص دوره-ای، در علوم مختلف، مورد توجه است. این گونه مطالعات در زمینه های آب شناسی، هوا شناسی، اقتصادی، مهندسی الکترونیک، پزشکی، جزر و مد، نوسانات طبیعی و بسیاری از علوم دیگر ملاحظه می شود. گاهی اوقات مشاهدات سری زمانی به داده هایی که با مشاهدات اصلی بسیار متفاوت است، آلوده می شوند. حضور این داده های دورافتاده در بسیاری از فرآیند ها، باعث برآورد-های نامناسب برای پارامتر های مدل می شود. لذا برآنیم تا در این پایان نامه برآورد استوار پارامترهای مدل اتورگرسیو دوره ای ( par ) زمانی که داده ها شامل داده های دورافتاده جمع پذیر هستند را ارائه نماییم. به طور کلی داده هایی که از لحاظ اندازه (بزرگی یا کوچکی) تناسبی با سایر داده ها ندارد، داده دورافتاده می نامیم (نقاطی که در ساده ترین بیان، از بقیه داده ها، از لحاظ مقدار دورتر باشند) که توضیحات بیشتر در این باره را در فصل های بعد خواهیم داد. روش استوارسازی که در این پایان نامه معرفی شده است، استفاده از مقیاس استوار و تابع اتوکوواریانس که توسط کراکس و روسیو ]37[ ، ژنتون و ما ]30[ ارائه گردید، می باشد. این توابع استوار دوره ای برای دستیابی به برآورد استوار پارامترها در معادلات یول - والکر استفاده شده اند . در بیشتر تحلیل های آماری، فرض می کنیم خطاها دارای توزیع نرمال هستند. اما داده های واقعی در برخی موارد، شامل نوعی از داده ها، به نام "نقاط دورافتاده " نیز می شوند که منطبق بر فرض اولیه یعنی نرمال بودن نیستند. آن ها می بایست در مدل هایی که شکلی تقریباً نرمال دارند، بررسی شوند که ناحیه وسط آن همانند توزیع نرمال و توزیع در دم ها، کلفت تر یا نازک تر از حالت نرمال هستند. برآورد صحیحی از چنین توزیع هایی، به نمونه هایی با اندازه بزرگ نیازمند است. از این رو قادر نخواهیم بود که بطور کامل برآوردگرهای کارا را استفاده کنیم، چرا که ساختار دقیق یک چگالی دم کلفت تقریباً نرمال، کاملاً شناخته شده نیست. بطور کلی محققان هنگام تجزیه و تحلیل داده های جمع آوری شده، زمانی که به نقاط دورافتاده برمی خورند، بایستی روش های مقتضی مناسبی همچون حذف (پیراستن) و یا کم وزن کردن نقاط دورافتاده در داده ها را به کار برده و سپس از روش های کمترین توان های دوم یا ماکسیمم درستنمایی و یا از روش های معمول دیگر بهره گیرند. در فصل اول این پایان نامه، تعاریف و مفاهیم مقدماتی از سری های زمانی و فرآیندهای تصادفی و نیز مدلهای پر کاربرد سری های زمانی را معرفی می نماییم. در ادامه، مدل برداری که در تحلیل سری های زمانی دوره ای مورد استفاده واقع می شوند را معرفی نموده و در انتهای فصل اول به تعریف مدل های سببی می پردازیم. در فصل دوم نیز به معرفی کامل فرآیندهای دوره ای و بیان ویژگی های آنها در سری های زمانی پرداخته و در ادامه ی این فصل تفاوت بین مدل های دوره ای و مدل فصلی مطرح نموده و در انتهای فصل دوم نیز به معرفی کامل مدل های دوره ای ساده و بیان ویژگی های هر کدام می پردازیم. در فصل سوم، نقاط دورافتاده در سری های زمانی را معرفی می نماییم و پس از معرفی تابع نفوذ، به عنوان میزانی برای تاثیر حضور و یا عدم حضور مجموعه ای از مشاهدات، بر روی یک برآوردگر، به بیان استوارسازی و اهمیت این امر، بخصوص زمانی که داده ها شامل داده ی دورافتاده هستند، می-پردازیم. در فصل چهارم، به نحوه ی برآورد استوار پارامتر های مدل اتورگرسیو دوره ای، زمانی که مشاهدات سری زمانی به داده-های دورافتاده آلوده شده باشند، می پردازیم. در ادامه از روش استوار سازی در برآورد پارامتر های مدل که در مقاله ی ما و ژنتون ]30 [ارائه شده است، استفاده نموده و پارامترهای مدل را بر پایه یک تابع مقیاس استوار، برآورد می نماییم. در انتهای این فصل نیز با مثالی کاربردی که بر روی مشاهدات رودخانه فریزر ارائه می نماییم، به بررسی کامل مطالب ارائه شده در فصل های قبل پرداخته و مدل اتورگرسیو دوره ای مرتبه ی 1 را برای این مشاهدات انتخاب می نماییم.

در این پایان نامه به مرور برخی از روش های اصلی محاسبه اندازه نمونه از دیدگاه کلاسیک و دیدگاه بیزی می پردازیم. ممکن است در ذهن خواننده ایجاد شود که چرا به سراغ روش بیز می رویم و از روش کلاسیک استفاده نمی کنیم. با فرض اینکه نمونه ای تصادفی دارای توزیع نرمال باشد به این سوال پاسخ خواهیم داد. از طرفی یک نمونه با اندازه ی بهینه هزینه ی زیادی ندارد و دقت کافی را فراهم می کند. چون توزیع نمونه به چند پارامتر بستگی دارد، محاسبه ی نمونه با اندازه بهینه در روش کلاسیک همیشه آسان نیست. تلاش شده است که هیچ یک از روش های اصلی و کلیدی از قلم نیفتد. دو زمینه ی اصلی این دیدگاه عبارتند از زمینه بیز استنباطی و زمینه کاملاً بیزی (نظریه تصمیم). در زمینه بیز استنباطی، غالباً درگیر استنباط راجع به پارامتر مجهول و مورد علاقه مان در جامعه هستیم و اندازه ی نمونه را با استفاده از پارامترهای چگالی پسین بدست می آوریم.

کنترل کیفیت به طور کلی سیستمی برای نگهداری سطح مطلوب کیفیت یک فراورده یا فرایند با برنامه ریزی دقیق، استفاده از لوازم مناسب بازرسی مداوم و اقدام به عملیات اصلاحی در قسمتهای لازم است. هدف از کنترل کیفیت اعمال نظارت دقیق بر تمام پدیده های موثر درتولید، به نحوی که محصول حاصل در تمام شرایط کیفیت یکسانی داشته باشد. کنترل کیفیت آماری، شاخه ای از کنترل کیفیت بوده و شامل گرداوری و تحلیل و تفسیر داده ها می شود و ابتدا برای داده های یک متغیره معرفی شده است. حال با توجه به این که در اکثر صنایع با وضعیت هایی روبه رو هستیم که در آن ها می بایست چندین خصوصیت وابسته، به طور همزمان کنترل شوند، لذا روش های کنترل کیفیت آماری چند متغیره پیشنهاد شده است. در این بین، مسئله مهم در کنترل کیفیت، داشتن الگوریتم های مناسب برای برخورد با داده های دور افتاده است. در این پایان نامه، پس از شرح دو مرحله ی راه اندازی ( فاز اول) و اجرا (فاز دوم) در کنترل کیفیت، داده های دور افتاده و براوردهاگرهای مکانی مقیاسی استوار را به تفصیل توضیح می دهیم. سپس چند روشt^2 استاندارد، منیم حجم بیضی (t_mve^2) مینیمم کوواریانس دترمینان (t_mcd^2)، و مینیمم کوواریانس دترمینان بازموزون را (t_rmcd^2) را در جهت شناسایی داده های دورافتاده بیان نموده و خواص معیارهای استوارسازی نظیر هم وردایی نسبی و نقطه فروریزش را برای آن ها معرفی می نماییم. در پایان با استفاده از شبیه سازی در محیط نرم افزاری r، توانایی این سه روش را در زمینه شناسایی داده های دورافتاده مورد مقایسه قرار می دهیم.

در این پایان نامه،رکوردها و آماره های مرتب معرفی می شوند.سپس مساله پیش گویی آماره های مرتب آینده بر اساس مقادیر رکورد مشاهده شده و به طور مشابه، پیش گویی رکوردهای آینده بر اساس آماره های مرتب مشاهده شده ،بحث خواهیم کرد. احتمال پوشش این فاصله ها دقیق بوده و آزاد نوزیع می باشد. از دو نمونه داده ی مستقل برای نشان دادن روش های ارائه شده استفاده شده است. فواصل پیش بینی بیرونی و درونی برای فواصل رکوردی آینده و فاصله بین رکوردهای آن ها بر اساس آماره های مرتب مشاهده شده با توزیع مشترک آورده شده است. سه حالت متفاوت در نظر گرفته می شود ودر هر حالت یک بیان دقیق و صریح برای ضریب پیش بینی به دست آمده است و همچنین با ذکر یک مثال عددی نتایج به دست آمده را تشریح می کنیم.