Transcript Document

‫تحلیل فراوانی سیل‬
‫موسوی ندوشنی‬
‫مهر ‪1390‬‬
‫‪1‬‬
‫تحلیل فراوانی‬
‫‪ ‬این تحلیل شامل موارد زیر است‪:‬‬
‫‪ ‬داشتن یک سری آماری مشخص بر حسب تعریف متغیر‬
‫مورد نظر‬
‫‪ ‬یافتن یک توزیع مناسب آماری برای برازش بر سری آماری‬
‫مورد نظر‬
‫‪ ‬محاسبه دبی یا بارندگی‪ ،‬با دوره بازگشت‬
‫‪2‬‬
‫سریهای آماری‬
‫‪ ‬سریهای آماری در دبیها به دو بخش عمده تقسیم‬
‫میشوند‪:‬‬
‫‪ ‬دبیهای لحظهای‬
‫‪ ‬سری دبیهای لحظهای حداکثر‬
‫‪ ‬دبیهای متوسط‬
‫‪ ‬سری دبیهای متوسط حداکثر روزانه‬
‫‪ ‬سری دبیهای متوسط ماهانه روزانه‬
‫‪t d / 2‬‬
‫‪ ‬سری دبیهای‪1‬‬
‫ساالنه روزانه‬
‫متوسط‬
‫‪av e (t ) ‬‬
‫‪f (u ) du‬‬
‫‪‬‬
‫‪t d / 2‬‬
‫‪3‬‬
‫‪d‬‬
‫‪f (u ) du‬‬
‫‪t d / 2‬‬
‫‪‬‬
‫‪t d / 2‬‬
‫‪v ol (t ) ‬‬
‫انواع دبيهاي حداكثر در هیدرولوژي‬
‫‪4‬‬
‫روش ساختن سریهای آماری‬
‫‪‬‬
‫‪‬‬
‫برای تحلیل فراوانی سیل از دادههای لحظهای استفاده میشود‬
‫و در صورت عدم دسترسی به آنها از دبیهای متوسط‬
‫روزانه استفاده میگردد‪.‬‬
‫معموالً از تمام دادههای موجود برای ساخت سریهای‬
‫آماری استفاده نمیشود (به استثنای سریهای زمانی) و باید‬
‫به روش گزینشی عمل نمود‪ .‬برای این کار دو روش موجود‬
‫است‪.‬‬
‫‪‬‬
‫‪‬‬
‫بلوک حداکثرها ‪Block Maxima‬‬
‫روش ساختن بلوکها به این صورت است که کل دادهها به‬
‫اندازههای یکسان شامل تودهای از دادهها میباشند‪ .‬مثالً نمونههای‬
‫حداکثر ساالنه (سال آبی و یا سال تقویمی)‬
‫‪‬‬
‫‪‬‬
‫استفاده از دادههای باالتر از یک آستانه معین ‪Peak over threshold‬‬
‫)‪(POT‬‬
‫‪‬‬
‫‪5‬‬
‫در این روش برای هر سال یک داده حداکثر انتخاب میشود‪.‬‬
‫در این روش برای هر سال یک یا بیش از یک داده اختیار میگردد‪ .‬البته‬
‫در سالهای بسیار خشک ممکن است دادهای اخذ نشود‪.‬‬
‫استفاده از دادههای باالتر از یک آستانه معین‬
‫‪6‬‬
‫مقایسه روش ‪ AM‬و ‪POT‬‬
‫‪7‬‬
‫مفاهیم اولیه در روش ‪POT‬‬
‫‪ ‬فراترها ‪:Exceedences‬‬
‫‪ ‬اگر سری زمانی …‪ x1,x2,‬را در نظر بگیرید و مقدار آستانه ‪u‬‬
‫باشد‪ ،‬آنگاه ‪ x-u‬را برای ‪ xi>u‬مقادیر فراتر یافته نامند‪.‬‬
‫‪ ‬خوشه ‪:cluster‬‬
‫‪ ‬به گروهی از مقادیر فراتر یافته متوالی خوشه گویند‪.‬‬
‫‪ ‬دوره ‪:cycle length‬‬
‫‪ ‬زمان بین دو فرود متوالی را دوره گویند‪.‬‬
‫‪ ‬طول اجرا ‪:run length‬‬
‫‪ ‬پریودی از دوره است که مقادیر باالتر از آستانه وجود ندارد‪.‬‬
‫‪8‬‬
‫شکل شماتیک تعاریف اولیه روش ‪POT‬‬
‫‪9‬‬
‫توزیع مقادیر حدی‬
‫‪ ‬آشنایی با نظریه مقادیر حدی‬
‫‪ ‬در تحلیل فراوانی اگر از توزیعهای کالسیک استفاده شود‪،‬‬
‫برای برآورد پارامترهایی نظیر ‪ ‬و ‪ ‬از تمام دادههای‬
‫مشاهده شده استفاده میشود و نه از دادههای حدی‪ .‬مقادیر‬
‫مرکزی روی برآورد پارامترها تاثیر میگذارند‪.‬‬
‫‪ ‬اما اگر تحلیل دادههای حدی مورد توجه است لزومی به‬
‫استفاده از تمام دادهها نیست و فقط از مقادیر حدی استفاده‬
‫میگردد‪ .‬نظریه دادههای حدی‪ ،‬توزیعهای احتمال مورد نظر‬
‫را بهدست میدهد‪.‬‬
‫‪10‬‬
‫توزیع مقادیر حدی‬
‫‪ ‬فرض کنید که ‪ X1,X2,…,Xn‬متغیرهای تصادفی‬
‫مستقل و دارای توزیع یکسان هستند و ‪X‬ها یک تابع‬
‫توزیع ‪ F‬میباشند‪.‬‬
‫‪ ‬فرض کنید که }‪ Mn=max{X1,X2,…,Xn‬است‪.‬‬
‫]‪x‬‬
‫‪n‬‬
‫‪,X‬‬
‫]‪x‬‬
‫‪x,‬‬
‫‪n‬‬
‫‪1‬‬
‫‪ x ]  P [X‬‬
‫‪ P [X‬‬
‫‪ x ]‬‬
‫‪n‬‬
‫‪ ‬در اینجا باید مقدار ‪ F‬برآورد گردد‪.‬‬
‫‪n  ‬‬
‫‪11‬‬
‫‪1‬‬
‫‪n‬‬
‫‪P [M‬‬
‫‪ P [X‬‬
‫]) ‪ [ F ( x‬‬
‫‪ M n  bn‬‬
‫‪‬‬
‫‪P ‬‬
‫) ‪ x   G (x‬‬
‫‪an‬‬
‫‪‬‬
‫‪‬‬
‫انواع توزیع مقادیر حدی‬
‫‪‬‬
‫توزیع عمومی مقادیر حدی ‪Values (GEV) Generalize Extreme‬‬
‫بهصورت زیر است‪.‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪ 1/ ‬‬
‫‪ ‬‬
‫‪x  ‬‬
‫‪G ( x )  exp    1  ‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪ ‬‬
‫‪ ‬که دارای سه پارامتر است‪  .‬پارامتر مکان‪  ،‬پارامتر مقیاس که‬
‫نشاندهنده پراکندگی است و ‪ ‬پارامتر شکل است و رفتار انتهای‬
‫توزیع را نشان میدهد‪.‬‬
‫‪ ‬اگر ‪ =0‬باشد توزیع گامبل و اگر ‪ >0‬باشد توزیع فرشه و‬
‫باالخره اگر ‪ <0‬باشد‪ ،‬توزیع ویبول است‪.‬‬
‫‪ ‬اگر ‪ xG=+ ،<0‬باشد‪ ،‬آنگاه ‪ G‬از طرف چپ کران دارد‪.‬‬
‫‪ ‬اگر ‪ =0‬تابع ‪ xGR‬است‪.‬‬
‫‪ ‬اگر ‪ xG<+ ،>0‬باشد‪ ،‬آنگاه تابع ‪ G‬دارای کران طرف چپ‬
‫نیست‪.‬‬
‫‪12‬‬
‫نمودار توزیعهای ‪GEV‬‬
‫‪13‬‬
‫شبیهسازی توسط ‪R‬‬
‫‪‬‬
‫دادههای توزیع ‪ GEV‬را میتوان با نرمافزار ‪ R‬شبیهسازی‬
‫نمود‪.‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪14‬‬
‫با توجه به )‪ N(0,1‬تعداد ‪365‬عدد تصادفی تولید میشود‪.‬‬
‫از اعداد تولید شده حداکثر آن بدست میآید‪.‬‬
‫برای بدست آوردن مقادیر حدی دیگر‪ ،‬گامهای اول تا دوم صد بار‬
‫تکرار میگردد‪.‬‬
‫در خاتمه ‪100‬نمونه حداکثر دارید که توزیع ‪ GEV‬بر آن قابل برازش‬
‫است‪ .‬اکنون به کدهای آن توجه کنید‪.‬‬
‫)‪y = numeric(100‬‬
‫{ )‪for(i in 1:100‬‬
‫)‪z = rnorm(365‬‬
‫)‪y[i] = max(z‬‬
‫}‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫تابع چگالی پرتو ‪Pareto‬‬
‫‪ ‬فرض کنید که ‪ X1,X2,…,Xn‬متغیرهای تصادفی مستقل و‬
‫دارای توزیع یکسان هستند و ‪X‬ها یک تابع توزیع ‪F‬‬
‫میباشند‪.‬‬
‫‪ ‬فرض کنید که }‪ Mn=max{X1,X2,…,Xn‬است‪.‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪ 1/ ‬‬
‫‪‬‬
‫‪x  ‬‬
‫‪‬‬
‫‪n‬‬
‫‪F ( x )  exp    1  ‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪ ‬‬
‫‪ ‬از رابطه فوق لگاریتم گرفته میشود‪.‬‬
‫‪ 1/ ‬‬
‫‪15‬‬
‫‪x ‬‬
‫‪‬‬
‫‪n log F ( x )   1  ‬‬
‫‪ ‬‬
‫‪‬‬
‫دنباله تابع ‪...‬‬
‫‪ ‬با استفاده از بسط تیلور ])‪ log F(x)-[1-F(x‬است و با‬
‫جایگذاری در رابطه باال نتیجه میشود‪.‬‬
‫‪ 1/ ‬‬
‫‪1 ‬‬
‫‪x ‬‬
‫‪1  F ( x )  1  ‬‬
‫‪n ‬‬
‫‪ ‬‬
‫‪ ‬اکنون اگر ‪ X|X>u‬مقدار حدی را مشخص کند‪ ،‬برای ‪u‬ها‬
‫که بقدر کافی بزرگ باشند‪ .‬داریم‪:‬‬
‫‪16‬‬
... ‫دنباله تابع‬
:‫ آنگاه داریم‬،‫ باشد‬X>u ‫ بهطوری که‬،‫ باشد‬Y=X-u ‫ اگر‬
P r( X  u  y | X  u ) 




y
 1 
 (u   ) 


1



y 

 1   
 

1 
 (u  y   ) 
1


n 


1 
 (u   ) 
1

n 


 1/ 
 1/ 
 1/ 
 1/ 
17
‫دنباله تابع ‪...‬‬
‫‪ ‬که در آن ‪ u‬پارامتر آستانه‬
‫‪  ‬پارامتر مقیاس‬
‫) ‪ (u  ‬‬
‫‪ 1‬‬
‫‪ * ‬پارامتر مقیاس تغییر یافته که برابر است با‬
‫‪‬‬
‫‪  ‬پارامتر شکل است که رفتار انتهای توزیع را مشخص‬
‫میکند‪.‬‬
‫‪ ‬اگر ‪ <0‬باشد‪ ،‬مشاهده دارای کران هستند‪ .‬اگر ‪=0‬‬
‫باشد‪ ،‬توزیع نمایی خواهد بود‪ .‬اگر ‪ >0‬باشد‪ ،‬توزیع‬
‫دارای انتهای کشیده است‪.‬‬
‫‪18‬‬
‫*‬
‫‪‬‬
‫دنباله تابع ‪...‬‬
‫‪19‬‬
‫شبیهسازی توسط ‪R‬‬
‫‪ ‬با توجه به )‪ N(0,1‬تعداد ‪ 5000‬عدد تصادفی تولید میشود‪.‬‬
‫‪ ‬دادهها بهصورت نزولی مرتب میگردد‬
‫‪100 ‬مقدار حداکثر انتخاب میشود‪.‬‬
‫‪ ‬در اینجا ‪100‬نمونه وجود دارد که از آستانه ]‪ x[101‬بزرگتر‬
‫میباشند و با تابع )‪ Generalize Pareto Distribution (GPD‬برازش‬
‫مییابد‪ .‬اکنون به کدهای مورد نظر توجه کنید‪.‬‬
‫)‪x=rnorm(5000‬‬
‫)‪ x=sort(x,decreasing=T‬‬
‫]‪ y=x[1:100‬‬
‫‪‬‬
‫‪20‬‬
‫تعیین مقدار آستانه‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪21‬‬
‫برای یافتن مقدار ‪ u‬بهینه ابزارهایی وجود دارد که شرح آن در‬
‫ادامه خواهد آمد‪.‬‬
‫ابتدا باید توجه داشت که تعداد افزایشها باالتر از یک آستانه متغیر‬
‫تصادفی است که باید آنقدر بزرگ باشد (آستانه بزرگ) تا تابع‬
‫احتمال این متغیر تصادفی دارای تابع احتمال پواسون باشد (اریب‬
‫اندک)‪ .‬اگر فرض اخیر محقق نگردد‪ ،‬آنگاه توزیع حدی ‪ GPD‬برای‬
‫مقادیر باالتر از آستانه رخ نخواهد داد‪.‬‬
‫از طرفی تعداد دادههای باالتر از آستانه باید بقدر کافی بزرگ باشد‬
‫(آستانه کوچک) که بتوان پارامترهای تابع ‪ GPD‬را برآورد نمود‬
‫(واریانس اندک)‪.‬‬
‫بنابراین مقدار آستانه باید به گونهای صورت گیرد که توازنی بین‬
‫اریب و واریانس برقرار گردد‪ .‬بهر روی رویکرد تعیین مقدار‬
‫آستانه یک رویکرد چند جانبه است‪.‬‬
‫آزمون ‪Mean Residual life plot‬‬
‫‪ ‬اگر )‪ X GPD(u0,,‬باشد‪ ،‬آنگاه‬
‫‪for u  u 0‬‬
‫‪  u‬‬
‫‪1‬‬
‫‪E [X  u | X  u ] ‬‬
‫‪ ‬رابطه ]‪ E[X-u|X>u‬بر حسب ‪ u‬خطی است و متوسط مقادیر‬
‫باالتر از یک آستانه را نشان میدهد‪.‬‬
‫‪ ‬ابزار آزمون‬
‫‪ ‬برای عملی شدن آزمون اخیر باید رابطه خطی باال در حالت‬
‫نمونه محاسبه نمود‪.‬‬
‫‪nu‬‬
‫) ‪u‬‬
‫‪i‬‬
‫‪ (x‬‬
‫‪i 1‬‬
‫‪22‬‬
‫‪1‬‬
‫‪nu‬‬
‫‪eˆ (u ) ‬‬
... ‫دنباله آزمون‬
u<xmax}








{u,e(u): ‫ در یک دستگاه مختصات زوجهای‬،‫ پس از محاسبه‬
‫ به عنوان مثال به‬.‫ قسمت خطی گراف فوق را مشخص کنید‬.‫رسم کنید‬
.‫ُکدهای زیر توجه کنید‬
library(POT)
data(ardieres)
ardieres <- clust(ardieres, 4, 10 / 365, clust.max =
TRUE)
flows <- ardieres[, "obs"]
mrlplot(flows, u.range=c(4,15),lty=c(3,1,3),col =
c("red","black","red"))
segments(5.8,4.7,10,4.7,lwd=2,col="blue",lty='dashe
d')
text(10.5,3.5,"linear")
arrows(9.7,3.4,8.4,4.5,angle=20,length=0.1)
23
‫دنباله آزمون ‪...‬‬
‫‪24‬‬
‫معیار پارامترها برای انتخاب مقدار آستانه‬
‫‪ ‬اگر )‪ X GPD(u0,,‬باشد‪ ،‬آنگاه برای کلیه مقادیر‬
‫‪ u>u0‬و ‪ X|X>u‬برای توزیع ‪ GPD‬داریم‪:‬‬
‫‪ ‬مقدار پارامتر شکل ‪ (u)‬مستقل از مقادیر آستانهها ‪u‬‬
‫است‪.‬‬
‫‪ ‬مقدار پارامتر مقیاس )‪ *(u‬مستقل از مقادیر آستانهها ‪u‬‬
‫است‪.‬‬
‫‪ ‬ابزار آزمون‪:‬‬
‫نمایش ) ‪(u‬‬
‫زیر را ‪:u  x‬‬
‫‪ ‬نقاط ‪‬‬
‫دهید*‪ and   u ,  .‬‬
‫‪m ax‬‬
‫‪25‬‬
‫‪ ‬قسمت ثابت را مشخص کنید‪.‬‬
‫‪m ax‬‬
‫‪x‬‬
‫‪  u ,  (u )  :u‬‬
‫کدهای مربوط به تغییرات پارامترها بر حسب آستانه‬
 library(POT)
 data(ardieres)
 ardieres <- clust(ardieres, 4, 10 / 365, clust.max = TRUE)
 flows <- ardieres[, "obs"]
 par(mfrow=c(1,2))
 tcplot(flows, u.range = c(0, 15), which=1 )
 segments(5,-0.05,15,-0.05, lwd=2,col='red')
 tcplot(flows, u.range = c(0, 15), which=2 )
 segments(5,0.25,15,0.25, lwd=2,col='red')
26
‫دنباله معیار پارامترها ‪...‬‬
‫‪27‬‬
‫دنباله معیار پارامترها ‪...‬‬
‫‪28‬‬
‫اندیس پراکندگی‬
‫‪ ‬همانطور که قبالً ذکر شد‪ ،‬متغیر شمارش تعداد نقاط‬
‫حداکثر باالی آستانه دارای توزیع پواسون است‪ .‬در این‬
‫توزیع مقدار میانگین و واریانس یکسان است‪ .‬بنابراین‬
‫نسبت آنها برابر واحد است‪ .‬البته مقدار واحد‪ ،‬مقداری‬
‫نظری است و مقدار نمونهای این نسبت حول عدد واحد‬
‫در نوسان است‪.‬‬
‫‪ ‬فاصله اطمینان این نوسان با توزیع مربع خی با درجه‬
‫آزادی ‪ M-1‬تعریف میگردد‪ .‬که ‪ M‬تعداد کل سالهای‬
‫اطمینان به ‪ ‬‬
‫دادههای مشاهده شده است‪ .‬‬
‫‪‬‬
‫صورت‬
‫فاصله‬
‫‪,‬‬
‫‪‬‬
‫‪‬‬
‫‪M  1 ‬‬
‫‪ M  1‬‬
‫زیر تعریف میگردد‪.‬‬
‫‪2‬‬
‫‪1   / 2 , M 1‬‬
‫‪29‬‬
‫‪2‬‬
‫‪ / 2 , M 1‬‬
‫ابزار آزمون اندیس پراکندگی‬
.‫ابتدا باید نقاط زیر را رسم نمود‬

2




ˆ



u
u
,
:
u

x


m ax 
ˆ


 u 





library(POT)
data(ardieres)
ardieres <- clust(ardieres, 1.5, 10 / 365, clust.max = TRUE)
diplot(ardieres,xlim=c(1,22),ylim=c(0.5,2.0))
 abline(h=1,lty=2,col='red')
30
‫نمودار اندیس پراکندگی‬
‫‪31‬‬
‫جمعبندی تعیین مقدار آستانه‬












library(POT)
data(ardieres)
events0 <- clust(ardieres, u = 1.5, tim.cond =
8/365, clust.max = TRUE)
par(mfrow = c(2, 2))
mrlplot(events0[, "obs"])
abline(v = 6, col = "green")
diplot(events0)
abline(v = 6, col = "green")
tcplot(events0[, "obs"], which = 1)
abline(v = 6, col = "green")
tcplot(events0[, "obs"], which = 2)
abline(v = 6, col = "green")
32
‫جمع بندی نمودارها‬
‫‪33‬‬
‫عدم قطعیت در مدلسازی‬
‫‪ ‬در مدلسازی عدم قطعیت مربوط به موارد زیر می‬
‫گردد‪.‬‬
‫‪ ‬داده های ورودی به مدل (نمونهگیری‪ ،‬خطای اندازهگیری و‬
‫تعداد کم دادهها بخصوص در حالت حدی)‬
‫‪ ‬عدم قطعیت در برآورد پارامترهای مدل‬
‫‪ ‬عدم قطعیت در مدلسازی‪ :‬ساختار مدل به گونهای است که‬
‫ممکن است نتواند پدیده مورد نظر را مدل نماید‪.‬‬
‫‪34‬‬
‫برآورد پارامترهای مدل‬
‫‪ ‬اگر ‪ X‬متغیر تصادفی با مقادیر حقیقی باشد‪ .‬تابع تجمعی آن‬
‫بهصورت زیر است‪.‬‬
‫‪0  F (x )  1‬‬
‫] ‪F ( x )  P r[ X  x‬‬
‫‪ ‬در حالتی که )‪ F(.‬یک تابع پیوسته باشد و تابع معکوس داشته باشد‬
‫)‪ x(.‬را تابع چندک متغیر ‪ X‬نامند‪.‬‬
‫‪ ‬برای ‪ 0<u<1‬مقدار )‪ x(u‬یکتا و در رابطه زیر صدق میکند‪.‬‬
‫‪F ( x (u ))  u‬‬
‫‪ ‬در ادبیات محیط زیست و مهندسی چندکها بر حسب دوره بازگشت‬
‫بیان میشود‪.‬‬
‫‪ ‬در عمل وقتی توزیع یک پدیده مشخص شد‪ ،‬آنگاه با یک‬
‫مجموعهای از پارامترها روبرو هستیم‪.‬‬
‫‪1 ,  p‬‬
‫‪ ‬بنابراین تابع چندک برای پارمترها به صورت زیر است‪.‬‬
‫) ‪p‬‬
‫‪35‬‬
‫‪x (u ;  1 ,‬‬
‫نکویی برآوردگرها‬
‫‪ ‬پارامترهای مجهول از روی دادهها برآورد میشوند‪.‬‬
‫ها برآوردگر تابعی از دادهها‬
‫برای یک سری از داده ˆ‪‬‬
‫است‪.‬‬
‫ˆ‪‬‬
‫‪ ‬برآوردگر یک متغیر تصادفی است و دارای توزیع‬
‫احتمال میباشد‪.‬‬
‫ˆ‪‬‬
‫‪ ‬نکویی برآوردگر بستگی به این دارد که چقدر به ‪‬‬
‫نزدیک شده است‪ .‬انحراف این از یکدیگر را میتوان به‬
‫دو بخش تقسیم نمود‪.‬‬
‫‪36‬‬
‫‪ ‬اریب یا سویه‪ :‬میزان تمایل برآوردگر به کوچکتر و یا‬
‫بزرگتر شدن از مقدار واقعی پارامتر‬
‫‪ ‬میزان پراکندگی‪ :‬انحراف تصادفی تخمین از مقدار واقعی‬
‫حتی اگر برآوردگر سویه نداشته باشد‪.‬‬
‫دنباله نکویی برآوردگرها‬
‫‪ ‬برای بیان نکویی دو شاخص سویه و واریانس به شرح‬
‫زیر فرموله میگردد‪.‬‬
‫) ‪bias(ˆ )  E (ˆ  ‬‬
‫‪ ‬سویه‪:‬‬
‫‪ ‬وقتی برآوردگر سویه ندارد که‪bias( ˆ )=0‬‬
‫یعنی‪E (ˆ ) ‬‬
‫‪‬‬
‫باشد‪.‬‬
‫‪ ‬اما ممکن است چند برآوردگر برای یک پارامتر همه بدون‬
‫سویه باشند‪ .‬لذا برای مقایسه آنها از معیار واریانس استفاده‬
‫میشود‪ .‬هر چقدر واریانس کمتر باشد‪ ،‬برآوردگر کاراتر‬
‫)‪ (efficiency‬است‪.‬‬
‫‪37‬‬
‫روشهای برآورد پارامترهای آماری‬
‫‪ ‬در آمار روشهای مختلفی برای برآورد پارامترها وجود‬
‫دارد‪ .‬که به شرح زیر است‪.‬‬
‫‪ ‬روش گشتاورها ‪Mehtod of Moments‬‬
‫‪ ‬روش حداکثر درستنمایی ‪Method of Maximum Likelihood‬‬
‫‪ ‬روش گشتاورهای وزنی احتمال ‪probability weighted moments‬‬
‫‪ ‬روش گشتاورهای خطی ‪Method of L-moments‬‬
‫‪38‬‬
‫روش گشتاورها‬
‫مرکزی‪  E ( x‬‬
‫)‬
‫‪ ‬در این روش گشتاور مقدار‬
‫‪ ‬برای گشتاورهای مرتبه باالتر داریم‪:‬‬
‫‪r  2, 3,‬‬
‫‪r‬‬
‫) ‪ r  E (X  ‬‬
‫‪ ‬انحراف معیار که پراکندگی را اندازه میگیرد‪.‬‬
‫‪‬‬
‫‪ ‬گشتاورهای بدون بعد مرتبههای باالتر‬
‫‪1/ 2‬‬
‫‪2‬‬
‫) ‪ E (X  ‬‬
‫‪r / 2‬‬
‫‪r /2‬‬
‫‪ ‬چولگی ‪skewness‬‬
‫‪ ‬کشیدگی ‪kurtosis‬‬
‫‪39‬‬
‫‪  3 / 2‬‬
‫‪3/ 2‬‬
‫‪  4 / 2‬‬
‫‪2‬‬
‫‪1/ 2‬‬
‫‪2‬‬
‫‪ ‬‬
‫دنباله روش گشتاورها‬
‫‪ ‬اگر تابع معکوس )‪ u=F(x‬در نظر بگیرید‪.‬‬
‫‪1‬‬
‫‪ x (u )du‬‬
‫‪E (X ) ‬‬
‫‪0‬‬
‫‪ ‬یک تابع از یک متغیر تصادفی‪ ،‬خود یک متغیر تصادفی‬
‫است و امید ریاضی آن به شکل زیر محاسبه میشود‪.‬‬
‫‪‬‬
‫‪1‬‬
‫‪ g ( x (u )) du‬‬
‫‪0‬‬
‫‪40‬‬
‫‪g ( x ) f ( x ) dx ‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪g ( x ) dF ( x ) ‬‬
‫‪‬‬
‫‪‬‬
‫‪E [ g ( X )] ‬‬
‫روش حداکثر درستنمایی‬
‫‪ ‬از منظر آماری برداری از دادهها )‪ y=(y1,…,yn‬یک‬
‫نمونه تصادفی است که از جامعهی آماری نامعلوم استخراج‬
‫شده است‪ .‬هدف از تحلیل دادهها این است که جامعهی مذکور‬
‫معلوم گردد‪ .‬در آمار هر جامعهای با یک توزیع احتمال‬
‫مشخص میشود‪.‬‬
‫‪ ‬هر توزیع دارای پارامتر و یا پارامترهایی است که مقدار‬
‫منحصر بهفرد دارند‪.‬‬
‫‪ ‬فرض کنید که )‪ f(y|w‬تابع چگالی احتمالی است که احتمال‬
‫هر داده از بردار ‪ y‬را به ازاء پارامتر ‪ w‬را بهدست میدهد‪.‬‬
‫طبیعی است که توزیعها میتوانند دارای بیش از یک پارامتر‬
‫باشند‪ ،‬بنابراین میتوان )‪w=(w1,…,wk‬منظور نمود‪ .‬اگر‬
‫)‪( yf(y|w‬را‪f‬‬
‫رابطه ‪)  f ( y‬‬
‫توان ‪, , y‬‬
‫می ‪| w‬‬
‫باشند‪)  f‬‬
‫مستقل | ‪( y‬‬
‫هم ‪w ) f‬‬
‫‪| w‬از‪( y‬‬
‫داده)ها‬
‫‪ 41‬بهصورت زیر نوشت‪:‬‬
‫‪n‬‬
‫‪n‬‬
‫‪1‬‬
‫‪1‬‬
‫‪n‬‬
‫‪1‬‬
‫دنباله روش حداکثر درستنمایی‬
‫‪ ‬اکنون ایده فوق برای سادهترین حالت که ‪ n=k=1‬است‪،‬‬
‫بیان میگردد‪ .‬فرض کنید که ‪ y‬تعداد موفقیتها در ‪10‬‬
‫آزمون برنولی را نشان میدهد و احتمال پیروزی در هر‬
‫آزمون برابر ‪ 0.2‬است که مقدار پارامتر ‪ w‬را نشان‬
‫میدهد‪.‬‬
‫! ‪10‬‬
‫‪‬‬
‫‪f ( y | n ,w ) ‬‬
‫)‪(0.2) (1  0.2‬‬
‫بنابراین‪y :‬‬
‫‪0,1, ,10‬‬
‫‪10  y‬‬
‫‪y‬‬
‫! ) ‪y !(10  y‬‬
‫‪ ‬و بهطور کلی میتوان نوشت‪:‬‬
‫‪,n‬‬
‫‪42‬‬
‫‪0  w  1; y  0,1,‬‬
‫‪ny‬‬
‫) ‪(1  w‬‬
‫‪y‬‬
‫‪w‬‬
‫!‪n‬‬
‫! ) ‪y !( n  y‬‬
‫‪f ( y | n ,w ) ‬‬
‫تابع درستنمایی‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫برای مجموعهای از مقادیر پارامترها بعضی از دادهها محتملتر از‬
‫دادههای دیگر هستند‪ .‬برای مثال در مساله قبلی ‪ y=2‬محتملتر از‬
‫‪ y=5‬برای ‪ 0.302( w=0.2‬در مقابل ‪ )0.026‬است‪ .‬در عمل‬
‫ابتداً با دادهها روبرو هستیم‪ ،‬لذا با عکس مساله مواجه خواهیم شد‪.‬‬
‫یعنی به ازاء دادههای مشاهده شده و مدل مورد نظر در بین توابع‬
‫چگالی احتمال به دنبال بیشترین شباهت دادهها تولید شده با دادههای‬
‫مشاهده شده هستیم‪.‬‬
‫برای حل مساله معکوس از تابع درستنمایی استفاده میشود‪.‬‬
‫یعنی‬
‫) ‪L (w | y )  f ( y | w‬‬
‫‪ ‬که در آن )‪ L(w|y‬نشاندهنده درستنمایی پارامتر ‪ w‬بر حسب‬
‫دادههای مشاهده شده است‪.‬‬
‫‪43‬‬
‫تابع درستنمایی‬
‫‪ ‬اگر مثال قبلی را در نظر بگیرید‪.‬‬
‫‪w (1  w ) 0  w  1‬‬
‫‪3‬‬
‫‪7‬‬
‫! ‪10‬‬
‫!‪7 !3‬‬
‫‪L (w | n  10, y  7 )  f ( y  7 | n  10, w ) ‬‬
‫‪ ‬اختالف مهمی بین تابع چگالی احتمال )‪ f(y|w‬و تابع‬
‫درستنمایی)‪ L(w|y‬وجود دارد‪.‬‬
‫‪44‬‬
‫تابع درستنمایی‬
‫‪45‬‬
‫کدهای شکل قبل‬






rm(list=ls());p=seq(0,1,.01)
w <- 4
n <- 10
y=dbinom(x=w,size=n,prob=p)
par(mfrow=c(1,2))
plot(p,y,typ="l", lwd=2, xlab="parameter w", ylab="L(w|n=10,y=4)",
main="", ylim=c(0,0.275),col='blue')
 max_x <- which.max(y)
 text(p[max_x],max(y)+0.01,"MLE")
 plot(0:10,dbinom(0:10, size=n, prob=0.5),type='h', xlab="x",
ylab="p(y|w=0.5)", col='red')
46
‫دنباله تابع درستنمایی‬
‫‪ ‬برآورد به روش ‪ MLE‬میتواند موجود و یکتا نباشد‪.‬‬
‫در اینجا فرض میشود که شرط وجود ویکتایی برای‬
‫محاسبه ‪MLE‬برقرار است‪.‬‬
‫‪ ‬برای محاسبه‪ ،‬لگاریتم تابع درستنمایی حداکثر میگردد‪.‬‬
‫لگاریتم و خود تابع درستنمایی همنوا هستند و دارای‬
‫نتایج مرتبطی میباشند‪ .‬دلیل لگاریتم گرفتن این است که‬
‫‪ ‬حاصلضرب به دلیل توابع حاشیهای مستقل دادهها به‬
‫حاصلجمع تبدیل میگردد و مقدار احتمال غالبا ً کوچک هست‬
‫و کارکردن با حاصلضرب‪ ،‬همراه با اعداد کوچک در حل‬
‫مسایل عددی اشکاالتی را باعث میشود‪.‬‬
‫‪47‬‬
‫دنباله تابع درستنمایی‬
‫‪ ‬فرض کنید که تابع)‪ ln L(w|y‬مشتقپذیر است‪ ،‬اگر‬
‫‪wMLE‬موجود باشد‪ ،‬باید معادله دیفرانسیل زیر برقرار‬
‫) ‪ ln L (w | y‬‬
‫باشد‪.‬‬
‫‪i‬‬
‫‪w‬‬
‫‪ ‬که در آن ‪wi=wi,MLE‬به ازاء تمام مقادیر ‪i=1,…,k‬‬
‫است‪.‬‬
‫‪ ‬در مشتق مرتبه اول ممکن است هم مقدار حداکثر و هم‬
‫مقدار حداقل حاصل شود‪ .‬برای اطمینان از حداکثر بودن‬
‫مشتق مرتبه دوم )‪ ln L(w|y‬محاسبه میشود که باید‬
‫برای مقادیر ‪wi=wi,MLE‬به ازاء تمام مقادیر منفی‬
‫‪ i=1,…,k 48‬باشد‪.‬‬
‫دنباله تابع درستنمایی‬
‫‪‬‬
‫مشتق مرتبه دوم عبارتست از‪:‬‬
‫) ‪ ln L (w | y‬‬
‫‪2‬‬
‫‪0‬‬
‫‪‬‬
‫‪i‬‬
‫‪w‬‬
‫اکنون برای مثال به تابع درستنمایی )‪L(w|n=10,y=7‬‬
‫منظور‪10‬گردد‪.‬‬
‫توجه کنید‪ .‬اگر لگاریتم‬
‫!‬
‫‪ln L (w | n  10, y  7 )  ln‬‬
‫) ‪ 7 ln w  3 ln(1  w‬‬
‫!‪7 !3‬‬
‫‪ ‬اکنون مشتق آن محاسبه میگردد‪.‬‬
‫‪0‬‬
‫‪7  10w‬‬
‫) ‪w (1  w‬‬
‫‪‬‬
‫‪3‬‬
‫‪1 w‬‬
‫‪‬‬
‫‪7‬‬
‫‪w‬‬
‫‪‬‬
‫)‪d ln L (w | n  10, y  7‬‬
‫‪dw‬‬
‫‪ ‬که پس از حل معادله اخیر مقدار ‪wMLE=0.7‬میشود‪.‬‬
‫‪49‬‬
‫دنباله تابع درستنمایی‬
‫‪ ‬برای اطمینان از این که مقدار مورد نظر حداکثر است و‬
‫نه حداقل‪ ،‬مشتق مرتبه دوم محاسبه میشود و مقدار آن‬
‫به ازاء ‪ w=wMLE‬محاسبه میگردد‪.‬‬
‫‪  47.62  0‬‬
‫‪50‬‬
‫‪3‬‬
‫‪2‬‬
‫) ‪(1  w‬‬
‫‪‬‬
‫‪7‬‬
‫‪2‬‬
‫‪w‬‬
‫) ‪d ln L (w | n  10, y  7‬‬
‫‪2‬‬
‫‪‬‬
‫‪2‬‬
‫‪dw‬‬
‫‪ ‬در عمل‪ ،‬برای برآورد ‪ MLE‬راه حل تحلیلی وجود‬
‫ندارد‪ .‬باالخص وقتی که ‪ PDF‬دارای پارامترهای‬
‫متعددی باشد‪ .‬لذا با توجه به روشهای عددی و‬
‫بهینهسازی باید برآورد‬
‫انجام گردد‪.‬‬
‫دنباله تابع درستنمایی‬
‫‪ ‬فرض کنید که ‪ X‬یک متغیر تصادفی نرمال باشد که‬
‫میانگینش ‪ ‬مجهول است و واریانس آن یک است‪ .‬اگر‬
‫‪ X1,X2,…,Xn‬یک نمونه تصادفی ‪ X‬باشد تابع‬
‫درستنمایی عبارتست از‪:‬‬
‫‪(x i  ) /2‬‬
‫‪2‬‬
‫‪e‬‬
‫‪2‬‬
‫‪2‬‬
‫‪51‬‬
‫‪‬‬
‫‪2‬‬
‫‪ ‬لگاریتمش عبارتست از‪:‬‬
‫) ‪(x i  ‬‬
‫‪n‬‬
‫‪1‬‬
‫‪/2‬‬
‫‪2‬‬
‫‪ln(2  )  ‬‬
‫‪n‬‬
‫‪(x ) ‬‬
‫‪i 1‬‬
‫‪i 1‬‬
‫) ‪(x i ‬‬
‫‪‬‬
‫‪e‬‬
‫‪‬‬
‫‪n‬‬
‫‪2‬‬
‫‪X‬‬
‫‪f‬‬
‫‪L ( ) ‬‬
‫‪n /2‬‬
‫‪ 1 ‬‬
‫‪‬‬
‫‪‬‬
‫‪ 2 ‬‬
‫‪K (  )  ln L (  )  ‬‬
‫دنباله تابع درستنمایی‬
‫‪ ‬مشتق مرتبه اول و دوم عبارتست از‪:‬‬
‫‪ n‬‬
‫‪i‬‬
‫‪x‬‬
‫‪ ) ‬‬
‫‪i‬‬
‫‪ (x‬‬
‫‪dK‬‬
‫‪‬‬
‫‪d‬‬
‫‪2‬‬
‫‪ n  0‬‬
‫‪d K‬‬
‫‪2‬‬
‫‪d‬‬
‫‪ ‬فرض کنید که ‪ X‬یک متغیر تصادفی یکنواخت در فاصله‬
‫)‪ (0,‬که در آن ‪ ‬پارامتر مثبت مجهولی است‪ ،‬باشد‪.‬‬
‫بنابراین‬
‫‪1‬‬
‫‪0x ‬‬
‫‪52‬‬
‫‪‬‬
‫‪f X (x ) ‬‬
‫دنباله تابع درستنمایی‬
‫‪‬‬
‫تابع درستنمایی آن برای یک نمونه به اندازه ‪ n‬عبارت است‬
‫‪1‬‬
‫از‪:‬‬
‫‪L ( ) ‬‬
‫‪‬‬
‫منحنی نمایش آن به گونهای است که شیب در هیچ جا صفر‬
‫نمیشود‪ .‬لذا احتیاجی به مشتق گرفتن و مساوی صفر قرار‬
‫دادن نیست‪ .‬اما توجه داسته باشید که هر قدر ‪ ‬به صفر‬
‫نزدیکتر شود تابع درستنمایی از نظر مقدار افزایش مییابد‪.‬‬
‫پس )‪ L(‬به ازاء کوچکترین مقداری که ‪ ‬میتواند قبول‬
‫کند حداکثر میشود‪ .‬واضح است که ‪ ‬نمیتواند کوچکتر از‬
‫بزرگترین مقداری باشد که در نمونه ما رخ دهد (زیرا فرض‬
‫این است که‪ˆ  x‬‬
‫هر‪ ‬عضو نمونه همان توزیعی را داردکه ‪X‬‬
‫دارد)‪.‬‬
‫است‪.‬‬
‫بنابراین‬
‫‪n‬‬
‫) ‪(n‬‬
‫‪ 53‬‬
‫‪‬‬
‫دنباله تابع درستنمایی‬
‫‪ ‬مثال‪ :‬نمونههای زیر از یک توزیع یکنواخت در فاصله‬
‫)‪ (0,‬اخذ شده است‪.‬‬
‫‪ 0.5,0.6,0.1,2,0.9,1.6,0.7,0.8,1,1.5‬‬
‫‪ ‬با استفاده از روش گشتاور تخمین پارامتر ‪ ‬دو برابر‬
‫میانگین است‪ 20.94=1.88 .‬اما همانطور که مشاهده‬
‫میشود‪ .‬نمونه با مقدار ‪ 2‬از آن بزرگتر است و در‬
‫فاصله )‪ (0,‬قرار نمیگیرد‪.‬‬
‫‪ ‬با استفاده از روش حداکثر درستنمایی تخمین پارامتر ‪‬‬
‫برابر ‪ 2‬است که مشکل روش گشتاورها را ندارد‪.‬‬
‫‪54‬‬
‫گشتاورهای خطی‬
‫‪‬‬
‫این روش جانشینی برای بیان شکل توزیع احتمال است‪ .‬به‬
‫لحاظ تاریخی از تغییر گشتاورهای وزنی احتمال حاصل شده‬
‫است‪.‬‬
‫گشتاورهای وزنی احتمال یک متغیر تصادفی با تابع توزیع‬
‫تجمعی‪ ،‬توسط ‪ Greenwood‬و همکاران (‪ )1979‬به‬
‫صورت کمیتهای‬
‫‪M‬‬
‫‪ E  X  F ( X ) 1  F ( X ) ‬‬
‫‪‬‬
‫‪M‬‬
‫خاص‪ ،‬موارد ویژهی مفید‪،‬‬
‫تعریف شدند‪ .M‬به ‪‬طور‬
‫هستند‪.‬‬
‫و‬
‫گشتاورهای وزنی احتمال‬
‫برای یک توزیع که تابع چندک دارد‪ ،‬روابط زیر رانتیجه‬
‫‪‬‬
‫‪r‬‬
‫‪s‬‬
‫‪p‬‬
‫‪‬‬
‫‪55‬‬
‫‪1,0 , s‬‬
‫‪‬‬
‫‪s‬‬
‫‪1, r ,0‬‬
‫‪r‬‬
‫‪p , r ,s‬‬
‫دنباله گشتاورهای خطی‬
‫‪ ‬اگر احتمال تجاوز )‪ (Exceedance‬در نظر باشد‪.‬‬
‫‪1‬‬
‫‪    x (u )(1  u ) s d u‬‬
‫‪s‬‬
‫‪‬‬
‫‪‬‬
‫‪s‬‬
‫‪1  F ( X )‬‬
‫‪p‬‬
‫‪ E X‬‬
‫‪‬‬
‫‪1,0 , s‬‬
‫‪s  M‬‬
‫‪0‬‬
‫‪ ‬اگر احتمال عدم تجاوز )‪ (Non-Exceedance‬در‬
‫نظر باشد‪.‬‬
‫‪1‬‬
‫‪r‬‬
‫‪‬‬
‫‪F‬‬
‫(‬
‫‪X‬‬
‫)‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪x‬‬
‫(‬
‫‪u‬‬
‫)‬
‫‪u‬‬
‫‪du‬‬
‫‪‬‬
‫‪ ‬‬
‫‪r‬‬
‫‪‬‬
‫‪r‬‬
‫‪p‬‬
‫‪ E X‬‬
‫‪‬‬
‫‪1, r , 0‬‬
‫‪r  M‬‬
‫‪0‬‬
‫‪ ‬گشتاورهای وزنی احتمال و به عنوان اساس‬
‫روشهای برآورد پارامترهای توزیعهای احتمال مورد‬
‫استفاده قرار گرفتهاند‪ .‬با این حال تفسیر مستقیم آنها‬
‫بهعنوان شاخصهای مقیاس و شکل توزیع احتمال دشوار‬
‫‪ 56‬است‪.‬‬
‫دنباله گشتاورهای خطی‬
‫‪ ‬برای مثال‪ ،‬برآوردهایی از پارامترهای مقیاس توزیعها‪،‬‬
‫یا ‪2 ‬‬
‫‪‬‬
‫مضاربی از‪  2‬‬
‫هستند‪.‬‬
‫‪ ‬این ترکیبات خطی از انتگرالهای وزن یافته با‬
‫مجموعهای از چند جملهایهای متعامد پدید میآیند‪.‬‬
‫را تعریف میکنیم که در آنها‬
‫‪ ‬ما چند جملهایهای‬
‫و از شرایط زیر پیروی میکنند‪:‬‬
‫‪1‬‬
‫‪0‬‬
‫‪1‬‬
‫‪0‬‬
‫یک چند جملهای ‪ r‬درجه بر ‪ u‬حسب است‪.‬‬
‫‪‬‬
‫‪p r (1)  1‬‬
‫*‬
‫‪1‬‬
‫‪r s‬‬
‫‪p r (u ) p s (u ) du  0‬‬
‫*‬
‫*‬
‫‪‬‬
‫‪0‬‬
‫‪57‬‬
‫دنباله گشتاورهای خطی‬
‫‪‬‬
‫گشتاورهای وزنی ‪ s‬و ‪ r‬توسط روابط زیر با هم مرتبط‬
‫میشوند‪.‬‬
‫‪s ‬‬
‫‪     (  1) ‬‬
‫‪i‬‬
‫‪s‬‬
‫‪i‬‬
‫‪i‬‬
‫‪ ‬‬
‫‪‬‬
‫‪i‬‬
‫(‬
‫‪‬‬
‫)‪1‬‬
‫‪i‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪58‬‬
‫‪s‬‬
‫‪i 0‬‬
‫‪r‬‬
‫‪r   ‬‬
‫‪i 0  i‬‬
‫‪r‬‬
‫در سال ‪ 1990‬گشتاور خطی که ترکیب خطی از‬
‫گشتاورهای وزنی احتمال است‪ ،‬توسط هاسکینگ معرفی‬
‫شد‪.‬‬
‫گشتاورهای خطی مناسبتر از گشتاورهای وزنی احتمال‬
‫هستند‪ ،‬زیرا بهصورت مستقیم میتواند اندازههایی مثل‬
‫مقیاس و شکل توزیع احتمال را تبیین کنند‪.‬‬
‫دنباله گشتاورهای خطی‬
‫‪ ‬گشتاورهای خطی بر حسب گشتاورهای وزنی احتمال ‪‬‬
‫و ‪ ‬بهصورت زیر معرفی شد‪.‬‬
‫‪r‬‬
‫‪p r ,k  r‬‬
‫*‬
‫‪‬‬
‫‪k 0‬‬
‫‪ ‬که در آن‬
‫‪r‬‬
‫‪p r ,k  r ‬‬
‫*‬
‫‪‬‬
‫‪r‬‬
‫‪ r 1    1 ‬‬
‫‪k 0‬‬
‫)‪ r   r  k  (  1‬‬
‫!‪ r  k ‬‬
‫‪ ‬‬
‫‪‬‬
‫‪2‬‬
‫‪k‬‬
‫‪k‬‬
‫! ) ‪ k ! ( r  k‬‬
‫‪ ‬‬
‫‪‬‬
‫‪r k‬‬
‫‪r k‬‬
‫)‪p r , k  (  1‬‬
‫*‬
‫‪ ‬در گشتاورهای خطی نیز مثل گشتاورهای عادی‬
‫زیر است‪ .‬‬
‫نسبتهایی معرفی میشود‪ ،‬که بهصور ‪‬‬
‫‪r 3‬‬
‫‪59‬‬
‫‪r‬‬
‫‪2‬‬
‫‪r ‬‬
‫‪2‬‬
‫‪1‬‬
‫‪ ‬‬
‫دنباله گشتاورهای خطی‬
‫‪ 1 ‬اندازه مکان‪  ،‬اندازه مقیاس یا پراکندگی است‪.‬‬
‫‪ LCv ‬گشتاورهای باالتر خطی را نشان میدهد که نباید با‬
‫نماد ضریب تغییرات اشتباه شود‪.‬‬
‫‪ 3 ‬اندازه چولگی ‪ LCs‬و ‪ 4‬اندازه کشیدگی ‪ LCk‬بیان‬
‫میکند‪.‬‬
‫‪ ‬نسبت گشتاورهای خطی نمونه را با ‪ t‬و ‪ tr‬نشان داده‬
‫میشود که با قرار دادن برآورد ‪ r‬بدست میآید‪.‬‬
‫‪ ‬اگر ‪ r3‬باشد آنگاه قدر مطلق ‪ r‬کمتر از واحد است‪.‬‬
‫‪60‬‬
‫دیاگرام نسبت گشتاورهای خطی‬
‫‪61‬‬
‫شرح دیاگرام نسبت گشتاورهای خطی‬
‫‪ ‬نمودار نسبتهای گشتاور خطی‪ .‬توزیعهای دو و سه پارامتری به ترتیب‬
‫با نقاط و خطوط نشان داده شدهاند‪ .‬نشانههای اختصاری به کار رفته‬
‫برای توزیعهای مختلف عبارتند از‪:‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪ E‬برای توزیع نمایی‪،‬‬
‫‪ G‬برای توزیع گامبل‪،‬‬
‫‪ L‬برای توزیع لجستیک‪،‬‬
‫‪ N‬برای توزیع نرمال‪،‬‬
‫‪ U‬برای توزیع یکنواخت‪،‬‬
‫‪ GPA‬برای پرتو تعمیم یافته‪،‬‬
‫‪ GEV‬برای مقادیر حدی تعمیم یافته‪،‬‬
‫‪ GLO‬برای لجستیک تعمیم یافته‪،‬‬
‫‪ LN3‬برای لوگ نرمال سه پارامتری‪،‬‬
‫‪ PE3‬برای پیرسون نوع ‪.3‬‬
‫‪ ‬ناحیهی هاشور خورده شامل مقادیر ممکن است که از رابطهی زیر به‬
‫دست میآیند‪.‬‬
‫‪62‬‬
63
‫برآورد پارامترهای توزیع ‪ PGD‬برحسب توزیعهای خطی‬
‫‪ ‬پارامترهای این توزیع بر حسب گشتاورهای خطی به‬
‫صورت زیر است‪     1  Γ  1    /  .‬‬
‫‪1‬‬
‫‪ Γ (1   ) / ‬‬
‫‪3‬‬
‫)‬
‫‪‬‬
‫‪  6(1  2‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪  10 1  3‬‬
‫‪‬‬
‫‪1 2‬‬
‫‪ 2   1  2‬‬
‫‪‬‬
‫‪2 1  3‬‬
‫‪‬‬
‫‪‬‬
‫‪1 2‬‬
‫‪5 1  4‬‬
‫‪3 ‬‬
‫‪4 ‬‬
‫‪ ‬در اینجا ‪ (.)‬نشان دهندهی تابع گاما است‪.‬‬
‫‪‬‬
‫‪‬‬
‫‪64‬‬
‫‪  t x 1e  t dt‬‬
‫‪0‬‬
‫‪Γ x‬‬
‫بستههای نرمافزاری ‪ R‬راجع به گشتاورهای خطی و تحلیل منطقهای‬
‫‪‬‬
‫بسته ‪lmom‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫این بسته شامل توابع مربوط به گشتاورهای خطی است‪ .‬محاسبهی‬
‫گشتاورهای خطی توزیعها‪ ،‬برآورد پارامترها‪ ،‬ترسیم نمودار‬
‫نسبتهای گشتاور خطی و ‪ ،...‬از جمله امکاناتی است که این بسته‬
‫برای کاربران فراهم میکند‪.‬‬
‫بسته ‪lmomco‬‬
‫‪‬‬
‫‪‬‬
‫‪65‬‬
‫نویسنده‪J. R. M. Hosking :‬‬
‫نویسنده‪William H. Asquith :‬‬
‫این بسته جهت اجرای گشتاورهای خطی‪ ،‬شامل برآورد‬
‫گشتاورهای خطی‪ ،‬برآورد گشتاورهای وزنی احتمال‪ ،‬برآورد‬
‫پارامترهای توزیعهای آشنا و نه چندان آشنای متعدد‪ ،‬و برآورد‬
‫گشتاورهای خطی این توزیعها از روی پارامترهای آنها نوشته‬
‫شده است‪.‬‬
‫دنباله بستههای نرمافزاری ‪ R‬راجع به گشتاور‪...‬‬
‫‪‬‬
‫بسته ‪RFA‬‬
‫‪‬‬
‫‪‬‬
‫نویسنده‪Mathieu Ribatet :‬‬
‫این بسته شامل چندین تابع جهت اجرای یک تحلیل فراوانی‬
‫منطقهای است‪ .‬چند نمونه داده نیز در این بسته ارائه شده است‪.‬‬
‫‪ ‬بسته ‪nsRFA‬‬
‫‪‬‬
‫‪‬‬
‫‪66‬‬
‫نویسنده‪Alberto Viglione :‬‬
‫این بسته شامل مجموعهای از ابزارهای آماری برای کاربردهای‬
‫عملی روشهای تحلیل فراوانی منطقهای در هیدرولوژی است‪ .‬این‬
‫بسته بیشتر با تمرکز روی روش مقدار (سیالب) نمایه‪،‬‬
‫هیدرولوگها را در جهت منطقهبندی مقدار نمایه‪ ،‬تشکیل مناطق‬
‫همگن با منحنیهای رشد مشابه و برازش توابع توزیع بر‬
‫منحنیهای رشد منطقهای تجربی یاری میدهد‪.‬‬
‫دنباله بستههای نرمافزاری ‪ R‬راجع به گشتاور‪...‬‬
‫‪ ‬بسته ‪lomomRFA‬‬
‫‪ ‬نویسنده‪J. R. M. Hosking :‬‬
‫‪ ‬این بسته دارای توابعی برای تحلیل فراوانی منطقهای منطبق‬
‫با روش ‪ Hosking‬و ‪ )1997( Wallis‬در « ‪Regional Frequency‬‬
‫‪ »Analysis: An Approach Based on L-moments‬است‪.‬‬
‫‪67‬‬
‫برآورد پارامترهای توزیع ‪GPD‬‬
‫‪ ‬تابع درستنمایی ‪ GPD‬به صورت زیر است‪.‬‬
‫)‪ L(,)=f(y1,…,yk|,‬‬
‫‪ ‬تابع لگاریتم درستنمایی به صورت زیر است‪.‬‬
‫) ‪l ( ,  )  log L (  , ‬‬
‫‪k‬‬
‫) ‪  k log   (1  1 /  )  log(1   y i / ‬‬
‫‪i 1‬‬
‫‪ ‬اگر ‪ =0‬باشد‪ .‬آنگاه‬
‫‪i‬‬
‫‪k‬‬
‫‪y‬‬
‫‪i 1‬‬
‫‪68‬‬
‫‪1‬‬
‫‪‬‬
‫‪l ( )   k log  ‬‬
‫برآورد‬
‫‪ ‬بطور کلی برآوردها به دو دسته تقسیم میشوند‪.‬‬
‫‪ ‬برآورد نقطهای‬
‫‪ ‬برآورد فاصلهای‬
‫‪ ‬برآورد نقطهای همانطور که از اسمش پیداست‪ ،‬نشان از‬
‫یک نقطه دارد‪ .‬مانند‪:‬‬
‫‪X ; m‬‬
‫‪S ; s‬‬
‫‪ ‬در این نوع برآورد‪ ،‬اثر تغییر نمونهها در میزان برآورد‬
‫مشهود نیست‪.‬‬
‫‪ ‬این نوع برآورد دارای احتمال متناظر نیست‪.‬‬
‫‪69‬‬
‫دانشگاه صنعت آب و برق‬
‫برآورد فاصلهای‬
‫‪ ‬برای این برآورد یک نوع فاصله در نظر گرفته میشود‪.‬‬
‫‪Lower # < population parameter < Upper #‬‬
‫‪ ‬به عنوان مثال‪:‬‬
‫‪P(Lower # < µ< Upper # )=1-α‬‬
‫‪ ‬احتمال متناظر این فاصله برابر با ‪ 1-‬است‪.‬‬
‫‪usually 90%, 95%, or 99%‬‬
‫)‪( = 10%), ( = 5%), ( = 1%‬‬
‫‪70‬‬
‫دانشگاه صنعت آب و برق‬
‫تکمیل و بسط بیشتر روش ‪MLE‬‬
‫‪ ‬همانطور که مالحظه شد در حالتی که با پارامتر مواجه‬
‫بودیم و از منحنی )‪ (curve‬درستنمایی صحبت شد‪.‬‬
‫‪ ‬اکنون اگر تعداد پارامترها بیش از یکی باشد راجع به‬
‫سطح )‪ (surface‬درستنمایی صحبت میشود‪.‬‬
‫‪ ‬برای تعدد پارامترها الزم است که تعاریف و قضیههایی‬
‫را مرور نمود‪.‬‬
‫‪71‬‬
‫تعریف ماتریس واریانس‪-‬کوواریانس‬
‫‪ ‬اگر بردار ‪ X=(X1,…Xn)T‬در نظر باشد‪ .‬ماتریس‬
‫مذکور به شرح زیر است‪.‬‬
‫‪ 1, n ‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪ n , n ‬‬
‫‪ 1,1‬‬
‫‪ i,j‬‬
‫‪j ,i‬‬
‫‪‬‬
‫‪ n ,1‬‬
‫‪‬‬
‫‪‬‬
‫‪ ‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪ ‬که در آن ‪ i,i=var(Xi)‬و ‪ i,j=cov(Xi,Xj)‬که ‪ij‬‬
‫است‪.‬‬
‫‪ ‬اگر متغیر فوق از تابع احتمال چند متغیره نرمال پیروی‬
‫کند بردار میانگین به صورت ‪ =(1,…,n)T‬و‬
‫است‬
‫ماتریس واریانس‪-‬کوواریانس پارامتر‬
‫‪X‬‬
‫‪M.V‬‬
‫آن‪N ( ‬‬
‫دوم ‪, ‬‬
‫)‬
‫‪T‬‬
‫‪72‬‬
‫تابع نرمال چند متغیره‬
‫‪ ‬تابع احتمال توام نرمال به صورت زیر تعریف ميشود‪.‬‬
‫‪1‬‬
‫‪f (x ) ‬‬
‫‪exp   ( x   )  ( x   )  x ‬‬
‫‪n‬‬
‫‪1‬‬
‫‪T‬‬
‫‪1‬‬
‫‪2‬‬
‫‪1/ 2‬‬
‫‪‬‬
‫‪k /2‬‬
‫) ‪(2‬‬
‫‪X‬‬
‫‪ ‬که در آن |‪ |‬دترمینان ماتریس واریانس‪-‬کوواریانس‬
‫است و هر تابع حاشیهای آن خود تابع نرمال میباشد‪.‬‬
‫‪ ‬ماتریس اطالعات مورد انتظار ‪expected‬‬
‫‪ information matrix‬که با )‪ IE(‬نشان میدهند‬
‫میزان مقدار مورد انتظار سطح لگاریتم درستنمایی را‬
‫نشان میدهد‪.‬‬
‫‪73‬‬
(Fisher) ‫ماتریس اطالعات مورد انتظار‬


I E ( )  



e
1,1
( )
e 1,d ( ) 




e d ,d ( ) 
e i , j ( )
e j , i ( )
e d ,1 ( )
2





e i , j ( )  E  
l ( ) 


  i  j

n
l ( )  log L ( ) 
 log f
i
( x i ; )
i 1
74
‫ماتریس اطالعات مشاهده )‪(Fisher‬‬
‫‪ ‬این ماتریس برای تخمین جمالت ماتریس ‪ IE‬بهکار‬
‫میرود زیرا ‪ =o‬عموما مجهول است‪ .‬بنابر تعریف‬
‫ماتریس مذکور عبارت است از‪:‬‬
‫‪l ( ) ‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫) ‪l (‬‬
‫‪‬‬
‫‪2‬‬
‫‪‬‬
‫‪  1  d‬‬
‫) ‪l (‬‬
‫‪‬‬
‫) ‪l (‬‬
‫‪2‬‬
‫‪‬‬
‫‪ i  j‬‬
‫‪2‬‬
‫‪‬‬
‫‪d‬‬
‫‪2‬‬
‫‪1‬‬
‫‪2‬‬
‫‪‬‬
‫‪‬‬
‫) ‪l (‬‬
‫‪‬‬
‫‪2‬‬
‫‪‬‬
‫‪2‬‬
‫‪‬‬
‫‪ j  i‬‬
‫) ‪l (‬‬
‫‪‬‬
‫‪2‬‬
‫‪‬‬
‫‪d  i‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪I O ( )  ‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪ ‬برای تابع چند متغیره‪ ،‬معکوس ماتریس اطالعات معادل‬
‫ماتریس‪-‬کوواریانس است‪.‬‬
‫‪75‬‬
‫فاصله اطمینان‬
‫‪ ‬قضیه‪ :‬اگر ‪ x1,…xn‬مقادیر محقق شده از یک توزیع‬
‫درستنمایی و‬
‫(دارای چند پارامتر) باشد و )‪ l(.‬تابع‬
‫ˆ‪‬‬
‫برآورد به روش ‪ MLE‬باشد‪ ،‬آنگاه برای ‪ n‬بزرگ‬
‫داریم‪:‬‬
‫) ) ‪ˆ M V N ( , I (‬‬
‫‪1‬‬
‫‪E‬‬
‫‪d‬‬
‫‪ ‬با استفاده از این قضیه میتوان فاصله اطمینان را برای‬
‫)‪ o=(1,…,n‬بدست آورد‪ .‬اگر معکوس )‪ IE(o‬با‬
‫بزرگ داریم‪:‬‬
‫ˆ‪‬‬
‫برای‪Nn(‬‬
‫‪ i,j‬نشان دهیم‪ ،‬آنگاه) ‪,‬‬
‫‪i ,i‬‬
‫‪i‬‬
‫‪i‬‬
‫‪ ‬اگر برای ‪ 1-α‬فاصله اطمینان در نظر‬
‫‪76‬‬
‫داریم‪:‬‬
‫گرفته‬
‫شود‪ˆi ،‬‬
‫‪z ‬‬
‫‪i ,i‬‬
‫‪2‬‬
‫دنباله فاصله اطمینان‬
‫ˆ‪‬‬
‫برآوردگر به روش‬
‫‪ ‬قضیه‪ :‬برای اندازه بزرگ ‪ n‬اگر‬
‫‪ MLE‬پارامتر )‪ o=(1,…,d‬با ماتریس واریانس‪-‬‬
‫کوواریانس ‪ V‬باشد‪ ،‬آنگاه اگر )‪ =g(‬یک تابع‬
‫‪ˆ o=g(‬داریم‪:‬‬
‫‪N ( , o‬‬
‫اسکالر باشد‪ MLE ،‬از )‪V)‬‬
‫‪ ‬که‬
‫‪V   V ‬‬
‫‪ ‬با‬
‫‪ ‬‬
‫‪ ‬‬
‫‪‬‬
‫‪o‬‬
‫‪T‬‬
‫‪‬‬
‫‪‬‬
‫‪d ‬‬
‫‪,‬‬
‫‪‬‬
‫‪  ‬‬
‫‪,‬‬
‫‪ 1‬‬
‫‪ ‬این قضیه به روش دلتا شهرت دارد‪.‬‬
‫‪77‬‬
R ‫کد مربوط در‬
:‫ برای روش دلتا داریم‬

library(POT)
 data(ardieres)
 ardieres <- clust(ardieres, 4, 10 / 365, clust.max =
TRUE)
 fitted <- fitgpd(ardieres[,"obs"], 5, 'mle')
 rbind(gpd.fishape(fitted),gpd.fiscale(fitted))
:‫ نتیجه میشود که‬
 conf.inf.shape conf.sup.shape
 [1,] -0.01491947
0.5846731
 [2,]
1.79820282
3.8749015
78
‫روش پروفیل درستنمایی‬
‫‪ ‬اگر پارامتر ‪ =(1,…,n)‬باشد ˆ‪‬و برآورد آن به‬
‫روش ‪ MLE‬باشد و فرض کنید که )‪ l(x;‬لگاریتم تابع‬
‫درستنمایی باشد‪ ،‬آنگاه‬
‫‪2‬‬
‫‪2 l ( x ; ˆ )  2 l ( x ;  )   n n  ‬‬
‫‪1‬‬
‫‪ ‬بنابراین اگر یک پارامتر داشته باشیم تابع حدی‬
‫خواهد بود‪.‬‬
‫‪ ‬دو ویژگی را میتوان برای پروفیل درستنمایی در نظر‬
‫گرفت‪.‬‬
‫‪2‬‬
‫‪ ‬غالبا روش دلتا فاصله اطمینان بزرگتری را ایجاد میکند‪.‬‬
‫‪ ‬فاصله اطمینان نامتقارن است (عدم قطعیت روی کران باال‬
‫بیشتر است‪).‬‬
‫‪79‬‬
R ‫کدهای مربوط به‬


set.seed(6)
x <- rgpd(100, 0, 5, 0.3)
 mle <- fitgpd(x, 0)
 ic.delta <- gpd.firl(mle, p = 0.8, conf = 0.9)
 ic.prof <- gpd.pfrl(mle, p = 0.8, conf = 0.9,
 range = c(5, 15))
 rbind(ic.delta, ic.prof)
.‫ نتیجه به صورت زیر است‬



conf.inf conf.sup
ic.delta 7.326755 10.59160
ic.prof 7.474747 10.70707
80
‫تعریف تابع برازش توزیع پرتو عمومی ‪fitgpd‬‬
‫)‪fitgpd(data, threshold, est = "mle", corr...‬‬
‫‪ :data ‬داده های مورد نظر است‪.‬‬
‫‪ :threshold ‬آستانه مورد نظر‬
‫‪ :est ‬روش برآورد پارامترها‬
‫‪ : ‬این آرگومان منطقی‪ ،‬ماتریس همبستگی را نشان‬
‫میدهد‪.‬‬
‫‪81‬‬
‫‪‬‬
‫تعریف تابع فاصله اطمینان ‪confint‬‬
‫‪confint(object, parm, level = 0.95, ...,‬‬
‫)‪range, prob, prof = TRUE‬‬
‫‪ :object ‬شی است که قرار فاصله اطمینان آن تعیین‬
‫گردد‪.‬‬
‫‪ :parm ‬پارامتری که قرار است فاصله اطمینان برای آن‬
‫محاسبه گردد‪.‬‬
‫‪ :level ‬سطح فاصله اطمینان‬
‫‪ :range ‬دامنه است که حد باال و پایین را نشان میدهد‪.‬‬
‫‪ :prob ‬احتمال عدم تجاوز ‪Non-Exceedance‬‬
‫‪ :prof ‬پروفیل درستنمایی که نامتقارن است‪ .‬اگر مقدار‬
‫‪ 82‬آن ‪ FALSE‬باشد‪ ،‬روش دلتا اعمال میگردد‪.‬‬
‫‪‬‬
‫توابع فاصله اطمینان ‪Fisher‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪83‬‬
‫روش فیشر برای تعیین فاصله اطمینان پارامتر ‪shape‬‬
‫)‪ gpd.fishape(object, conf‬‬
‫‪ :object‬شی است که قرار فاصله اطمینان آن تعیین گردد‪.‬‬
‫‪ :conf‬سطح اطمینان‬
‫روش فیشر برای تعیین فاصله اطمینان پارامتر ‪scale‬‬
‫)‪ gpd.fiscale(fitted, conf‬‬
‫‪ :object‬شی است که قرار فاصله اطمینان آن تعیین گردد‪.‬‬
‫‪ :conf‬سطح اطمینان‬
‫روش فیشر برای تعیین فاصله اطمینان سطح دروه بازگشت )‪return level (rl‬‬
‫) ‪ gpd.firl(fitted, prob, conf‬‬
‫‪ :object‬شی است که قرار فاصله اطمینان آن تعیین گردد‪.‬‬
‫‪ :‬احتمال عدم تجاوز ‪Non-Exceedance‬‬
‫‪ :conf‬سطح اطمینان‬
‫توابع فاصله اطمینان ‪profile likelihood‬‬
‫‪ ‬روش پروفیل درستنمایی برای تعیین فاصله اطمینان پارامتر‬
‫‪shape‬‬
‫‪ gpd.pfshape(object, range, xlab, ylab, conf ,‬‬
‫)‪nrang, vert.lines = TRUE, ...‬‬
‫‪ :object ‬شی است که قرار فاصله اطمینان آن تعیین گردد‪.‬‬
‫‪ :range ‬دامنه است که حد باال و پایین را نشان میدهد‪.‬‬
‫‪ :ylab,xlab ‬نام محور طولها و نام محور عرضها را‬
‫مشخص میکند‪.‬‬
‫‪ :conf ‬سطح اطمینان‬
‫‪ :nrange ‬دامنه است که حد باال و پایین را نشان میدهد‪.‬‬
‫‪ :vert.lines ‬ترسیم کننده خطوط عمودی‬
‫‪84‬‬
‫دنباله توابع فاصله اطمینان ‪profile likelihood‬‬
‫‪ ‬روش پروفیل درستنمایی برای تعیین فاصله اطمینان پارامتر‬
‫‪scale‬‬
‫‪ gpd.pfscale(object, range, xlab, ylab, conf ,‬‬
‫)‪nrang, vert.lines = TRUE, ...‬‬
‫‪ :object ‬شی است که قرار فاصله اطمینان آن تعیین گردد‪.‬‬
‫‪ :range ‬دامنه است که حد باال و پایین را نشان میدهد‪.‬‬
‫‪ :ylab,xlab ‬نام محور طولها و نام محور عرضها را‬
‫مشخص میکند‪.‬‬
‫‪ :conf ‬سطح اطمینان‬
‫‪ :nrange ‬دامنه است که حد باال و پایین را نشان میدهد‪.‬‬
‫‪ :vert.lines ‬ترسیم کننده خطوط عمودی‬
‫‪85‬‬
‫دنباله توابع فاصله اطمینان ‪profile likelihood‬‬
‫‪ ‬روش پروفیل درستنمایی برای تعیین فاصله اطمینان پارامتر‬
‫‪return level‬‬
‫‪ gpd.pfsrl(object, range, xlab, ylab, conf ,‬‬
‫)‪nrang, vert.lines = TRUE, ...‬‬
‫‪ :object ‬شی است که قرار فاصله اطمینان آن تعیین گردد‪.‬‬
‫‪ :range ‬دامنه است که حد باال و پایین را نشان میدهد‪.‬‬
‫‪ :ylab,xlab ‬نام محور طولها و نام محور عرضها را‬
‫مشخص میکند‪.‬‬
‫‪ :conf ‬سطح اطمینان‬
‫‪ :nrange ‬دامنه است که حد باال و پایین را نشان میدهد‪.‬‬
‫‪ :vert.lines ‬ترسیم کننده خطوط عمودی‬
‫‪86‬‬
profile likelihood ‫ و‬fisher ‫کدهای مربوط به برآورد پارامترها و فاصله اطمینان آنها به روش‬














library(POT)
x <- rgpd(500, 0, 1, 0.25)
mle <- fitgpd(x, 0, corr=T)
mle$param[1:2]
mle$std.err
mle$exceed
mle$corr
par(mfrow=c(1,2))
profile_shape <- confint(mle, parm = "shape")
profile_scale <- confint(mle, parm = "scale")
rbind(profile_shape,profile_scale)
fisher_shape <- gpd.fishape(mle)
fisher_scale <- gpd.fiscale(mle)
rbind(fisher_shape,fisher_scale)
87
88
‫مناسب بودن مدل برازش یافته‬
‫‪ ‬با سه نمودار این مطلب را مورد بررسی قرار می دهیم‪.‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫نمودار احتمال‪-‬احتمال )‪(PP-Plot‬‬
‫نمودار چندک‪-‬چندک )‪(QQ-Plot‬‬
‫منحنی چگالی احتمال‬
‫)‪library(POT‬‬
‫)‪data(ardieres‬‬
‫‪ardieres <- clust(ardieres, 4, 10 / 365, clust.max‬‬
‫)‪= TRUE‬‬
‫)'‪fitted <- fitgpd(ardieres[, "obs"], 6, 'mle‬‬
‫)‪plot(fitted,which=1‬‬
‫‪ ‬برای بدست آوردن نمودار دوم و سوم باید پارامتر ‪ which=2‬و‬
‫‪ which=3‬گردد‪ .‬باالخره نمودار چهارم ‪which=4‬‬
‫‪89‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫نمودار احتمال‪-‬احتمال )‪(PP-Plot‬‬
‫‪ ‬برای ترسیم نمودار به روش زیر عمل شده است‪.‬‬
‫) ‪Ptheo ( x i )  F ( x i‬‬
‫‪‬‬
‫‪rank ( x i )  0.5‬‬
‫‪n‬‬
‫‪Pobs ( x i ) ‬‬
‫‪ ‬که در آن ‪ n‬تعداد نمونه ها است‪.‬‬
‫‪ ‬اکنون در یک دستگاه مختصات نقاط زیر را رسم‬
‫میکنیم‪.‬‬
‫‪ ( Pobs ( x i ), Ptheo ( x i )) : i  1, , n ‬‬
‫‪ ‬برای برازش مناسب باید نقاط حول نیمساز ربع اول‬
‫‪ 90‬قرار گیرند‪.‬‬
PP-Plot ‫نمودار‬
91
‫نمودار چندک‪-‬چندک )‪(QQ-Plot‬‬
‫‪ ‬برای ترسیم نمودار به روش زیر عمل شده است‪.‬‬
‫) ‪x theo  F ( p i‬‬
‫‪rank ( x i )  0.5‬‬
‫‪n‬‬
‫‪pi ‬‬
‫‪ ‬که در آن ‪ n‬تعداد نمونه ها است‪.‬‬
‫‪ ‬اکنون در یک دستگاه مختصات نقاط زیر را رسم‬
‫میکنیم‪ ( x i , x th eo ( i )) : i  1, , n  .‬‬
‫‪ ‬برای برازش مناسب باید نقاط حول نیمساز ربع اول‬
‫‪ 92‬قرار گیرند‪.‬‬
QQ-Plot ‫نمودار‬
93
ardieres <- clust(ardieres, 4, 10 / 365,
clust.max = TRUE)
fitted <- fitgpd(ardieres[, "obs"], 6,
'mle')
plot(fitted,which=4)
94
‫نمودار بازگشتها مورد نظر‬
‫‪95‬‬