توضیحات
پروژه آمار مدل يابي قابليت اعتماد
دانلود پروژه آمار مدل يابي قابليت اعتماد،
در قالب word و در 80 صفحه، قابل ویرایش، شامل:
مقدمه
فصل اول مفاهيم پايه
1-1- تابع قابليت اعتماد
1-2- تابع مخاطره
1-1- تابع قابليت اعتماد
1-2- تابع مخاطره
1-3- اميد رياضي
فصل دوم: مدل هاي طول عمر رايج
2-1- فرآيند پواسن
2-2- توزيع وايبل
2-1- فرآيند پواسن
2-2- توزيع وايبل
2-3- توزيع گامبل
2-4- توزيع هاي نرمال و لوگ نرمال
2-5- توزيع هاي لجستيك و لوگ لجستيك
2-6- توزيع پاراتو
فصل سوم: انتخاب مدل
3-1- برآوردهاي ناپارامتري (R(t و (h(t
2-3- سانسور كردن
3-1- برآوردهاي ناپارامتري (R(t و (h(t
2-3- سانسور كردن
3-3- برآوردگر كاپلان- مير
3-4- روش هاي نموداري
3-5- برازش خط مستقيم
3-6- نمودار وايبل
3-7- نمودار نرمال
3-8- نمودار خانواده ديگر مدل ها
3-9- مقايسه توزيع ها
فصل چهارم: برازش مدل
4-1- برآورد پارامتري
4-2- واريانس برآورد كننده
4-3- فاصله اطمينان برآوردها
4-1- برآورد پارامتري
4-2- واريانس برآورد كننده
4-3- فاصله اطمينان برآوردها
4-4- روش ماكزيمم درست نمايي
4-5-برآورد چندك ها
4-6-روش هاي برآورد با استفاده از زمان هاي نمونه
4-7- نمودارهاي احتمالاتي معمولي
4-8- نيكوئي برازش
4-9- آزمون كاي دوپيرسن
4-10-آزمون كولموگروف- اسميرنوف
4-11- آزمون هاي نرماليتي
4-12- آزمون هاي A2 و W2
فصل پنجم: پيوست
منابع
مقدمه پروژه:
بحث قابليت اعتماد، از جالب ترين مباحث آمار است كه براي هر نوع سليقه و ضرورت هاي علمي مطلبي ارزنده دارد. از لحاظ كاربرد علوم در صنعت، تكنولوژي و ساير علوم نقش اساسي و انكارناپذير دارد. مجموعه اي كه ملاحظه مي‌كنيد، بحثي از مدل يابي قابليت اعتماد است. در فصل اول مفاهيم پايه‌اي كه ضرورت دارد مثل تابع قابليت اعتماد و تابع مخاطره آمده است. در فصل دوم توزيع هايي كه در قابليت اعتماد كاربرد دارند، ملاحظه مي‌شود. فصل سوم مبحثي از انتخاب مدل ها در قابليت اعتماد دارد كه شامل بخش هايي ويژه است. در فصل 4 مبحث برازش مدل را با استفاده از آزمون هايي رايج در علم آمار داريم. در اين مجموعه سعي شده است از مثال هايي زياد و پركابرد و نمودارهاي متناسب با آن استفاده شود.
در تهيه اين پروژه از 2 منبع:
1- تئوري قابليت اعتماد گرتس باخ
1- تئوري قابليت اعتماد گرتس باخ
2- مدل بندي قابليت اعتماد لينراس، ولستنهلم
2- مدل بندي قابليت اعتماد لينراس، ولستنهلم
استفاده شده است.
