آمار پارامتری
آمار پارامتری

آمار پارامتری به مجموعه روش‌های آماری‌ای گفته می‌شود که مدل‌ای پارامتری برای پدیدهٔ احتمالی مورد مطالعه فرض می‌شود و همهٔ استنتاج‌های آماری از آن پس بر اساس آن مدل انجام می‌شود.






به عنوان مثال فرض می‌شود که توزیع نمره‌های یک امتحان از توزیع نرمال پیروی می‌کند. در نتیجه برای مشخص‌شدن توزیع احتمال، کافی است میانگین و واریانس توزیع را از روی داده‌های تجربی (نمره‌های دانش‌آموزان) به دست بیاوریم. حال برای پاسخ‌گفتن به سوال‌هایی چون «درصد دانش‌آموزانی که نمره‌ای بین ۱۰ تا ۱۵ آورده‌اند» از تابع توزیع به دست آمده استفاده می‌کنیم (البته بدیهی است که روش‌های ساده‌تری نیز برای چنین کاری وجود دارد).

نقطهٔ ضعف این شیوهٔ تحلیل آماری این است که در صورتی که مدل فرض‌شده با واقعیت تطبیق نداشته باشد، نتیجه‌گیری‌ها صحیح نخواهد بود.





آماره

آماره در آمار به عددی گویند که یک توزیع نمونه‌برداری را خلاصه‌سازی یا توصیف می‌کند.

تابع U=g(X۱, X۲, …, Xn)‎ از نمونهٔ تصادفی X۱, X۲, …, Xn را که در آن پارامتر مجهولی وجود نداشته باشد یک آماره می‌گویند. در این تعریف U یک متغیر تصادفی است که توزیع آن ممکن است به پارامتر بستگی نداشته باشد؛ اما تنها آماره‌هایی برای برآورد کردن مفید هستند که توزیعشان به پارامتر مجهول بستگی داشته باشد و اطلاعاتی در مورد این پارامتر به ما بدهند.





آنتروپی آماری
انتروپی آماری یک کمیت ترمودینامیکی است که در شیمی‌فیزیک کاربردهای فراوان دارد.





استنباط آماری
چنانچه به جای مطالعه کل اعضای جامعه، بخشی از آن با استفاده از فنون نمونه‌گیری انتخاب شده، و مورد مطالعه قرار گیرد و بخواهیم نتایج حاصل از آن را به کل جامعه تعمیم دهیم از روش‌هایی استفاده می‌شود که موضوع آمار استنباطی (Inferential statistics) است. آن چه که مهم است این است که در گذر از آمار توصیفی به آمار استنباطی یا به عبارت دیگر از نمونه به جامعه بحث و نقش احتمال شروع می‌شود. در واقع احتمال، پل رابط بین آمار توصیفی و استنباطی به حساب می‌آید.





توزیع جامعه

توزیع جامعه یا توزیع جمعیت (به انگلیسی: Population distribution) در آمار به توزیع تمام مشاهدات امکان پذیر را گویند.





چولگی

در آمار و نظریه احتمالات چولگی نشان دهنده میزان عدم تقارن توزیع احتمالی است. اگر داده‌ها نسبت به میانگین متقارن باشند، چولگی برابر صفر خواهد بود.






تعریف

چولگی برابر با گشتاور سوم نرمال شده است. چولگی در حقیقت معیاری از وجود یا عدم تقارن تابع توزیع می باشد. برای یک توزیع کاملاً متقارن چولگی صفر و برای یک توزیع نامتقارن با کشیدگی به سمت مقادیر بالاتر چولگی مثبت و برای توزیع نامتقارن با کشیدگی به سمت مقادیر کوچکتر مقدار چولگی منفی است.





داده‌کاوی

داده کاوی، پایگاه‌ها و مجموعه‌های حجیم داده‌ها را در پی کشف واستخراج دانش، مورد تحلیل و کند و کاوهای ماشینی (و نیمه‌ماشینی) قرار می‌دهد. این گونه مطالعات و کاوش‌ها را به واقع می‌توان همان امتداد و استمرار دانش کهن و همه جا گیر آمار دانست. تفاوت عمده در مقیاس، وسعت و گوناگونی زمینه‌ها و کاربردها، و نیز ابعاد و اندازه‌های داده‌های امروزین است که شیوه‌های ماشینی مربوط به یادگیری، مدل‌سازی، و آموزش را طلب می‌نماید.

در سال 1960 آماردانان اصطلاح "Data Fishing" یا "Data Dredging"به معنای "صید داده" را جهت کشف هر گونه ارتباط در حجم بسیار بزرگی از داده ها بدون در نظر گرفتن هیچگونه پیش فرضی بکار بردند. بعد از سی سال و با انباشته شدن داده ها در پایگاه های داده یا Database اصطلاح "Data Mining" یا داده کاوی در حدود سال 1990 رواج بیشتری یافت. اصطلاحات دیگری نظیر "Data Archaeology"یا "Information Harvesting" یا "Information Discovery" یا"Knowledge Extraction" نیز بکار رفته اند.

اصطلاح Data Mining همان طور که از ترجمه آن به معنی داده کاوی مشخص می‌شود به مفهوم استخراج اطلاعات نهان و یا الگوها وروابط مشخص در حجم زیادی از داده‌ها در یک یا چند بانک اطلاعاتی بزرگ است.






مقدمه

بسیاری از شرکت‌ها و موسسات دارای حجم انبوهی از اطلاعات هستند. تکنیک‌های داده‌کاوی به طور تاریخی به گونه‌ای گسترش یافته‌اند که به سادگی می‌توان آنها را بر ابزارهای نرم‌افزاری و ... امروزی تطبیق داده و از اطلاعات جمع آوری شده بهترین بهره را برد.

در صورتی که سیستم‌های Data Mining بر روی سکوهای Client/Server قوی نصب شده باشد و دسترسی به بانک‌های اطلاعاتی بزرگ فراهم باشد، می‌توان به سوالاتی از قبیل :کدامیک از مشتریان ممکن است خریدار کدامیک از محصولات آینده شرکت باشند، چرا، در کدام مقطع زمانی و بسیاری از موارد مشابه پاسخ داد.






ویژگی‌ها

یکی از ویژگیهای کلیدی در بسیاری از ابتکارات مربوط به تامین امنیت ملی، داده کاوی است. داده کاوی که به عنوان ابزاری برای کشف جرایم، ارزیابی میزان ریسک و فروش محصولات به کار می‌رود، در بر گیرنده ابزارهای تجزیه و تحلیل اطلاعات به منظور کشف الگوهای معتبر و ناشناخته در بین انبوهی از داده هاست. داده کاوی غالباً در زمینه تامین امنیت ملی به منزله ابزاری برای شناسایی فعالیت‌های افراد خرابکار شامل جابه جایی پول و ارتباطات بین آنها و همچنین شناسایی و ردگیری خود آنها با برسی سوابق مربوط به مهاجرت و مسافرت هاست. داده کاوی پیشرفت قابل ملاحظه‌ای را در نوع ابزارهای تحلیل موجود نشان می‌دهد اما محدودیت‌هایی نیز دارد. یکی از این محدودیت‌ها این است که با وجود اینکه به آشکارسازی الگوها و روابط کمک می‌کند اما اطلاعاتی را در باره ارزش یا میزان اهمیت آنها به دست نمی‌دهد. دومین محدودیت آن این است که با وجود توانایی شناسایی روابط بین رفتارها و یا متغیرها لزوماً قادر به کشف روابط علت و معلولی نیست. موفقیت داده کاوی در گرو بهره گیری از کارشناسان فنی و تحلیل گران کار آزموده‌ای است که از توانایی کافی برای طبقه بندی تحلیل‌ها و تغییر آنها برخوردار هستند. بهره برداری از داده کاوی در دو بخش دولتی و خصوصی رو به گسترش است. صنایعی چون بانکداری، بیمه، بهداشت و بازار یابی آنرا عموماً برای کاهش هزینه‌ها، ارتقاء کیفی پژوهش‌ها و بالاتر بردن میزان فروش به کار می‌برند. کاربرد اصلی داده کاوی در بخش دولتی به عنوان ابزاری برای تشخیص جرایم بوده‌است اما امروزه دامنه بهره برداری از آن گسترش روزافزونی یافته و سنجش و بهینه سازی برنامه‌ها را نیز در بر می‌گیرد. بررسی برخی از برنامه‌های کاربردی مربوط به داده کاوی که برای تامین امنیت ملی به کار می‌روند، نشان دهنده رشد قابل ملاحظه‌ای در رابطه با کمیت و دامنه داده‌هایی است که باید تجزیه و تحلیل شوند. توانایی‌های فنی در داده کاوی از اهمیت ویژه‌ای برخوردار اند اما عوامل دیگری نیز مانند چگونگی پیاده سازی و نظارت ممکن است نتیجه کار را تحت تأثیر قرار دهند. یکی از این عوامل کیفیت داده هاست که بر میزان دقت و کامل بودن آن دلالت دارد. عامل دوم میزان سازگاری نرم‌افزار داده کاوی با بانکهای اطلاعاتی است که از سوی شرکت‌های متفاوتی عرضه می‌شوند عامل سومی که باید به آن اشاره کرد به بیراهه رفتن داده کاوی و بهره برداری از داده‌ها به منظوری است که در ابتدا با این نیت گرد آوری نشده‌اند. حفظ حریم خصوصی افراد عامل دیگری است که باید به آن توجه داشت. اصولاً به پرسش‌های زیر در زمینه داده کاوی باید پاسخ داده شود:

سازمانهای دولتی تا چه حدی مجاز به بهره برداری از داده‌ها هستند؟
آیا از داده‌ها در چارچوبی غیر متعارف بهره برداری می‌شود؟
کدام قوانین حفظ حریم خصوصی ممکن است به داده کاوی مربوط شوند؟

کاوش در داده‌ها بخشی بزرگ از سامانه‌های هوشمند است. سامانه‌های هوشمند زیر شاخه‌ایست بزرگ و پرکاربرد از زمینه علمی جدید و پهناور یادگیری ماشینی که خود زمینه‌ای‌ست در هوش مصنوعی.

فرایند گروه گروه کردن مجموعه‌ای از اشیاء فیزیکی یا مجرد به صورت طبقه‌هایی از اشیاء مشابه هم را خوشه‌بندی می‌نامیم.

با توجه به اندازه‌های گوناگون (و در اغلب کاربردها بسیار بزرگ و پیچیده) مجموعه‌های داده‌ها مقیاس‌پذیری الگوریتم‌های به کار رفته معیاری مهم در مفاهیم مربوط به کاوش در داده‌ها است.

کاوش‌های ماشینی در متون حالتی خاص از زمینهٔ عمومی‌تر کاوش در داده‌ها بوده، و به آن دسته از کاوش‌ها اطلاق می‌شود که در آن‌ها داده‌های مورد مطالعه از جنس متون نوشته شده به زبان‌های طبیعی انسانی باشد.






چیستی

داده کاوی به بهره گیری از ابزارهای تجزیه و تحلیل داده‌ها به منظور کشف الگوها و روابط معتبری که تا کنون ناشناخته بوده‌اند اطلاق می‌شود. این ابزارها ممکن است مدلهای آماری، الگوریتم‌های ریاضی و روش‌های یاد گیرنده (Machine Laming Method) باشند که کار این خود را به صورت خودکار و بر اساس تجربه‌ای که از طریق شبکه‌های عصبی (Neural Networks) یا درخت‌های تصمیم گیری (Decision Trees) به دست می‌آورند بهبود می‌بخشد. داده کاوی منحصر به گردآوری و مدیریت داده‌ها نبوده و تجزیه و تحلیل اطلاعات و پیش بینی را نیز شامل می‌شود برنامه‌های کاربردی که با بررسی فایل‌های متن یا چند رسانه‌ای به کاوش داده‌ها می پردازند پارامترهای گوناگونی را در نظر می‌گیرد که عبارت اند از:

قواعد انجمنی (Association): الگوهایی که بر اساس آن یک رویداد به دیگری مربوط می‌شود مثلاً خرید قلم به خرید کاغذ.
ترتیب (Sequence): الگویی که به تجزیه و تحلیل توالی رویدادها پرداخته و مشخص می‌کند کدام رویداد، رویدادهای دیگری را در پی دارد مثلاً تولد یک نوزاد و خرید پوشک.
پیش بینی(Prediction): در پیش بینی هدف پیش بینی یک متغیر پیوسته می باشد. مانند پیش بینی نرخ ارز یا هزینه های درمانی.
رده بندی یا طبقه بندی (Classification): فرآیندی برای پیدا کردن مدلی است که رده های موجود در داده‌ها را تعریف می نماید و متمایز می کند، با این هدف که بتوان از این مدل برای پیش بینی رده رکوردهایی که برچسب رده آنها(متغیر هدف) ناشناخته می باشد، استفاده نمود. در حقیقت در رده بندی بر خلاف پیش بینی، هدف پیش بینی مقدار یک متغیر گسسته است. روش های مورد استفاده در پیش بینی و رده بندی عموما یکسان هستند.
خوشه بندی(Clustering): گروه بندی مجموعه ای از اعضاء، رکوردها یا اشیاء به نحوی که اعضای موجود در یک خوشه بیشترین شباهت را به یکدیگر و کمترین شباهت را به اعضای خوشه های دیگر داشته باشند.
مصورسازی (visualization): مصورسازی داده ها یکی از قدرتمندترین و جذابترین روش های اکتشاف در داده ها می باشد.

برنامه‌های کاربردی که در زمینه تجزیه و تحلیل اطلاعات به کار می‌روند از امکاناتی چون پرس و جوی ساخت یافته (Structured query) که در بسیاری از بانک‌های اطلاعاتی یافت می‌شود و از ابزارهای تجزیه و تحلیل آماری برخوردارند اما برنامه‌های مربوط به داده کاوی در عین برخورداری از این قابلیت‌ها از نظر نوع با آنها تفاوت دارند. بسیاری از ابزارهای ساده برای تجزیه و تحلیل داده‌ها روشی بر پایه راستی آزمایی (verifiction)را به کار می‌برند که در آن فرضیه‌ای بسط داده شده آنگاه داده‌ها برای تایید یا رد آن بررسی می‌شوند. به طور مثال ممکن است این نظریه مطرح شود که فردی که یک چکش خریده حتماً یک بسته میخ هم خواهد خرید. کارایی این روش به میزان خلاقیت کاربر برای ارایه فرضیه‌های متنوع و همچنین ساختار برنامه بکار رفته بستگی دارد. در مقابل در داده کاوی روشهایی برای کشف روابط بکار برده می‌شوند و به کمک الگوریتم‌هایی روابط چند بعدی بین داده‌ها تشخیص داده شده و آنهایی که یکتا (unique) یا رایج هستند شناسایی می‌شوند. به طور مثال در یک فروشگاه سخت‌افزار ممکن است بین خرید ابزار توسط مشتریان با تملک خانه شخصی یا نوع خودرو، سن، شغل، میزان درآمد یا فاصله محل اقامت آنها با فروشگاه رابطه‌ای برقرار شود.

در نتیجه قابلیت‌های پیچیده‌اش برای موفقیت در تمرین داده کاوی دو مقدمه مهم است یکی فرمول واضحی از مشکل که قابل حل باشد و دیگری دسترسی به داده متناسب. بعضی از ناظران داده کاوی را مرحله‌ای در روند کشف دانش در پایگاه داده‌ها می‌دانند (KDD). مراحل دیگری در روند KDD به صورت تساعدی شامل، پاکسازی داده، انتخاب داده انتقال داده، داده کاوی، الگوی ارزیابی، و عرضه دانش می‌باشد. بسیاری از پیشرفت‌ها در تکنولوژی و فرایندهای تجاری بر رشد علاقه‌مندی به داده کاوی در بخش‌های خصوصی و عمومی سهمی داشته‌اند. بعضی از این تغییرات شامل:

رشد شبکه‌های کامپیوتری که در ارتباط برقرار کردن پایگاهها داده مورد استفاده قرار می‌گیرند.
توسعه افزایش تکنیکهایی بر پایه جستجو مثل شبکه‌های عصبی و الگوریتم‌های پیشرفته.
گسترش مدل محاسبه کلاینت سروری که به کاربران اجازه دسترسی به منابع داده‌های متمرکز شده را از روی دسک تاپ می‌دهد.
و افزایش توانایی به تلفیق داده از منابع غیر متناجس به یک منبع قابل جستجو می‌باشد.

علاوه بر پیشرفت ابزارهای مدیریت داده، افزایش قابلیت دسترسی به داده و کاهش نرخ نگهداری داده نقش ایفا می‌کند. در طول چند سال گذشته افزایش سریع جمع آوری و نگه داری حجم اطلاعات وجود داشته‌است. با پیشنهادهای برخی از ناظران مبنی بر آنکه کمیت داده‌های دنیا به طور تخمینی هر ساله دوبرابر می‌گردد. در همین زمان هزینه ذخیره سازی داده‌ها بطور قابل توجهی از دلار برای هر مگابایت به پنی برای مگابایت کاهش پیدا کرده‌است. مطابقا قدرت محاسبه‌ها در هر ۱۸ – ۲۴ ماه به دوبرابر ارتقاء پیدا کرده‌است این در حالی است که هزینه قدرت محاسبه رو به کاهش است. داده کاو به طور معمول در دو حوزه خصوصی و عمومی افزایش پیدا کرده‌است. سازمانها داده کاوی را به عنوان ابزاری برای بازدید اطلاعات مشتریان کاهش تقلب و اتلاف و کمک به تحقیقات پزشکی استفاده می‌کنند. با اینهمه ازدیاد داده کاوی به طبع بعضی از پیاده سازی و پیامد اشتباه را هم دارد.اینها شامل نگرانی‌هایی در مورد کیفیت داده‌ای که تحلیل می‌گردد، توانایی کار گروهی پایگاههای داده و نرم‌افزارها بین ارگانها و تخطی‌های بالقوه به حریم شخصی می‌باشد.همچنین ملاحظاتی در مورد محدودیتهایی در داده کاوی در ارگان‌ها که کارشان تاثیر بر امنیت دارد، نادیده گرفته می‌شود.






محدودیت‌های داده کاوی

در حالیکه محصولات داده کاوی ابزارهای قدرتمندی می‌باشند، اما در نوع کاربردی کافی نیستند.برای کسب موفقیت، داده کاوی نیازمند تحلیل گران حرفه‌ای و متخصصان ماهری می‌باشد که بتوانند ترکیب خروجی بوجود آمده را تحلیل و تفسیر نمایند.در نتیجه محدودیتهای داده کاوی مربوط به داده اولیه یا افراد است تا اینکه مربوط به تکنولوژی باشد.

اگرچه داده کاوی به الگوهای مشخص و روابط آنها کمک می‌کند، اما برای کاربر اهمیت و ارزش این الگوها را بیان نمی‌کند.تصمیماتی از این قبیل بر عهده خود کاربر است.برای نمونه در ارزیابی صحت داده کاوی، برنامه کاربردی در تشخیص مظنونان تروریست طراحی شده که ممکن است این مدل به کمک اطلاعات موجود در مورد تروریستهای شناخته شده، آزمایش شود.با اینهمه در حالیکه ممکن است اطلاعات شخص بطور معین دوباره تصدیق گردد، که این مورد به این منظور نیست که برنامه مظنونی را که رفتارش به طور خاص از مدل اصلی منحرف شده را تشخیص بدهد.

تشخیص رابطه بین رفتارها و یا متغیرها یکی دیگر از محدودیتهای داده کاوی می‌باشد که لزوماًروابط اتفاقی را تشخیص نمی‌دهد.برای مثال برنامه‌های کاربردی ممکن است الگوهای رفتاری را مشخص کند، مثل تمایل به خرید بلیط هواپیما درست قبل از حرکت که این موضوع به مشخصات درآمد، سطح تحصیلی و استفاده از اینترنت بستگی دارد.در حقیقت رفتارهای شخصی شامل شغل(نیاز به سفر در زمانی محدود)وضع خانوادگی(نیاز به مراقبت پزشکی برای مریض)یا تفریح (سود بردن از تخفیف دقایق پایانی برای دیدن مکان‌های جدید) ممکن است بر روی متغیرهای اضافه تاثیر بگذارد.
ابزارهای داده کاوی

معروف‌ترین ابزارهای داده‌کاوی به ترتیب پرطرفدار بودن

Clementine که نسخه ۱۳ ان با نام SPSS Modeler نامیده می‌شود.

رپیدماینر
نرم‌افزار وکا







نرم‌افزار
برنامه های کاربردی و نرم‌افزار های داده کاوی متن-باز رایگان

Carrot2: پلتفرمی برای خوشه بندی متن و نتایج جستجو
Chemicalize.org: یک کاوشگر ساختمان شیمیایی و موتور جستجوی وب
ELKI: یک پروژه تحقیقاتی دانشگاهی با تحلیل خوشه ای پیشرفته و روش های تشخیص داده های خارج از محدوده که به زبان جاوا نوشته شده است.
GATE: یک پردازشگر زبان بومی و ابزار مهندسی زبان.






برنامه های کاربردی و نرم‌افزار های داده کاوی تجاری

Angoss KnowledgeSTUDIO: ابزار داده کاوی تولید شده توسط Angoss.
BIRT Analytics: ابزار داده کاوی بصری و تحلیل پیش بینی گر تولید شده توسط Actuate Corporation.
Clarabridge: راه حل تحلیلگر کلاس متن.
(E-NI(e-mining, e-monitor: ابزار داده کاوی مبتنی بر الگوهای موقتی.
IBM SPSS Modeler: نرم‌افزار داده کاوی تولید شده توسط IBM
Microsoft Analysis Services: نرم‌افزار داده کاوی تولید شده توسط مایکروسافت
Oracle Data Mining: نرم‌افزار داده کاوی تولید شده توسط اوراکل (کمیک)






بررسی اجمالی بازار نرم‌افزار های داده کاوی

تا کنون چندین محقق و سازمان بررسی هایی را بر روی ابزار های داده کاوی و راهنماییهایی برای داده کاو ها تهیه دیده اند. این بررسی ها بعضی از نقاط ضعف و قوت بسته های نرم‌افزاری را مشخص می کنند. همچنین خلاصه ای را از رفتار ها، اولویت ها و دید های داده کاوها تهیه کرده اند





درجه آزادی (آمار)

درجه آزادی یکی از مفاهیم بنیادین در آمار است. درک بسیاری از مفاهیم مطرح در آمار وابسته به درک مناسبی از این مفهوم است. بر اساس زمینهٔ کاربرد و شیوهٔ نگرش می‌توان تعاریف مختلفی برای آن ارائه نمود که همه یک مفهومند:

در نظریهٔ برآورد:

تعداد مقادیری که یک آماره امکان تغییر دارد

تعداد مشاهدات مستقل منهای تعداد پارامترهای برآورد شده.

بطور معادل: تعداد مشاهدات مستقل منهای تعداد روابط معلوم میان مشاهدات

در نظریه آزمون:

بعد فضای مجهول (مدل کامل) منهای بعد فضای مفروض (مدل مقید)

در جبر خطی:

رتبهٔ یک فرم درجه دوم

بطور معادل: تعداد ابعاد یک زیر فضا که یک بردار می‌تواند آزادانه گردش کند (مربع طول بردار یک فرم درجه دوم است)






درک شهودی

مثال: یک عدد ثابت امکان تغییر ندارد پس درجه آزادی آن برابر صفر است.

یک نقطه در صفحه یک رابطه میان دو متغیر در فضای دو بعدی است. با این نقطه نمیتوان میزان همبستگی خطی دو متغیر را با برآورد خط رگرسیون تخمین زد. چون بینهایت خط از این نقطه گذراست. (تصویر مقابل) در این مثال درجه آزادی صفر است (تعداد مشاهدات مستقل - تعداد روابط معلوم میان مشاهدات = 0) اگر خطی را بعنوان خط رگرسیونی در نظر بگیریم، این مدل نه قابل رد و نه قابل قبول است. بنابراین تعداد نمونه های قابل استفاده برای این مدل صفر است.

برای رسم خط رگرسیون حداقل دو نقطه لازم است. با دو نقطه یک درجه آزادی وجود دارد. از دو نقطه فقط یک خط گذر میکند و این خط تنها برآورد ممکن است. با اینکه دقت برآورد 100 درصد است اما این دقت کاذب به علت کم بودن درجات آزادی و اطلاعات قابل استفاده است. نمونه های زیادی از تحقیقات با رسیدن به دقتی بالا تصور میکنند که مدل بدست آمده مناسب است . در حالی که درجات آزادی کم باعث این اشتباه شده است.

مثال: اگر دو مشاهده داشته باشیم، برای برآورد میانگین دو مشاهدهء مستقل داریم، اما برای برآورد واریانس تنها یک مشاهدهء مستقل وجود دارد. زیرا هر دو مشاهده دارای یک فاصله از میانگین هستند.






دیدگاه فلسفی

برای درک بهتر این مفهوم میتوان درجهء آزادی را یک معادل برای درجهء ابطال پذیری از دیدگاه فلاسفه ای مانند کارل پوپر دانست. اگر در مسئله ای درجات آزادی کم

باشد معادل است با اینکه ابطال پذیری آن مسئله کم است. یعنی با هر مشاهده ای تایید میشود و قابل ابطال نیست.





سازمان آماری
سازمان آماری سازمانی خدماتی است که وظیفهٔ تهیهٔ آمار را بر عهده دارد. دلیل وجود، رشد و مشارکت مشهود آنها در امور مربوط به دولت و جامعةخود، از توانایی آنها در تهیة اطلاعاتی برای حل مسائل مهم ریشه می‌گیرد. ولی اولویتها می‌توانند سریعتر از توانایی سازمان برای تعدیل تلاش تولیدی خود تغییر کنند. به این دلیل، مهم است که مسئولان ارشد آن دارای شم قوی و روابطی باشند که بتوانند مشکلات جدی را شناسایی کرده و آنها را از آنچه ممکن است چیزی جز مسایل گذرا نباشند متمایز کنند.





شاخص‌های پراکندگی

سنجش‌های پراکندگی (به انگلیسی: Measures of Variability) به اعدادی گویند که پراکندگی مجموعه‌ای از مشاهدات یا داده‌های اندازه گیری شده‌ای را خلاصه و توصیف می‌کنند.

دامنه، واریانس، و انحراف معیار، هر سه نمونه‌هایی از سنجش‌های پراکندگی هستند.





ضریب تغییرات
در نظریه احتمال و آمار ضریب تغییرات (به انگلیسی: coefficient of variation، مخفف:CV) یک معیار بهنجار است که برای اندازه‌گیری توزیع داده‌های آماری به کار می‌رود.

به عبارت دیگر ضریب تغییرات، میزان پراکندگی به ازای یک واحد از میانگین را بیان می‌کند. این مقدار زمانی تعریف شده است که میانگین صفر نباشد.

این مقدار بی‌بعد است به همین دلیل مناسب برای مقایسه داده‌های آماری است که واحدهای مختلفی دارند.

ضریب تغییرات تنها قابل کاربرد برای مقیاس‌های نسبی است و نمی‌توان ار آن برای سنجش مقادیری که می‌توانند مقدار منفی بگیرند استفاده کرد یا به بیان بهتر نمی‌توان از آن برای سنجش مقادیر فاصله‌ای بهره برد. مثلاً اگر درجه حرارت را با مقیاس فارنهایت در نظر بگیریم برای آن نمی‌توان از ضریب تغییر اسفاده کرد و باید از مقیاس کلوین که همیشه مقداری مثبت است استفاده کرد.





متغیر پنهان
متغیرهای پنهان(در مقابل متغیرهای مشاهده شده)در آمار، متغیرهای هستند که بصورت مسقیم قابل مشاهده نیستند اما از میان متغیرهای دیگر که قابل مشاهده هستند توسط یک الگوی ریاضی استنباط می‌شوند. آنها همچنین بعضی وقت‌ها تحت عنوان متغیرهای پنهان، پارامترها ی مدل، متغیرهای فرضی یا ساختارهای فرضی شناخته می‌شوند.. استفاده متغیرهای پنهان در علوم اجتماعی متداول است، اقتصاد، پزشکی و تا حدی روبوتیک اما تعریف دقیق یک متغیر پنهان در این رشته‌ها کمی متفاوت است. مثال‌های از متغیرهای پنهان در حوزه اقتصاد عبارتند از کیفیت زندگی، اطمینان کار، روحیه، خوشحالی و اصول محافظه‌کاری: اینها متغیرها هستند که مستقیماً نمی‌توان آنها را سنجید. با این وجود یک مدل اقتصادی را می‌توان از پیوند این متغیرهای پنهان با متغیرهای مشاهده شده (از قبیل تولید ناخالص داخلی) بدست آورد و مقادیر متغیرهای پنهان را از متغیرهای مشاهده شده محاسبه و استنباط نمود.





متغیر تصادفی

در آمار و احتمال متغیر تصادفی متغیری است که مقدار آن از اندازه‌گیری برخی از انواع فرآیندهای تصادفی بدست می‌آید. بطور رسمی‌تر، متغیر تصادفی تابعی است از فضای نمونه به اعداد حقیقی. بطور مستقیم متغیر تصادفی توصیف عددی خروجی یک آزمایش است (مثل برآمدهای ممکن از پرتاب دو تاس (۱و۱) و (۱و۲) و غیره).

متغیرهای تصادفی به دو نوع گسسته (متغیر تصادفی که ممکن است تعداد محدود یا توالی نامحدودی از مقادیر را بگیرد) و پیوسته (متغیری که ممکن است هر مقدار عددی در یک یا چند بازه را بگیرد) طبقه‌بندی می‌شوند. مقادیر ممکن یک متغیر تصادفی می‌تواند نشان‌دهندهٔ برآمدهای آزمایشی که هنوز انجام نشده یا مقادیر بالقوهٔ یک کمیت که مقدارهای موجود آن نامطمئن هستند (مثلا درنتیجه اطلاعات ناقص یا اندازه‌گیری نادقیق) باشد. یک متغیر تصادفی می‌تواند بعنوان یک کمیت که مقدارش ثابت نیست و مقادیر مختلفی را می‌تواند بگیرد در نظر گرفته شود و توزیع احتمال برای توصیف احتمال اتفاق افتادن آن مقادیر استفاده می‌شود.

متغیرهای تصادفی معمولاً با اعداد حقیقی مقداردهی می‌شوند؛ ولی می‌توان انواع دلخواهی مانند مقدارهای بولی، اعداد مختلط، بردارها، ماتریس‌ها، دنباله‌ها، درخت‌ها، مجموعه‌ها، شکل‌ها، منیوفیلدها، توابع و فرآیندها را درنظر گرفت. عبارت المان تصادفی همه این نوع مفاهیم را دربرمی گیرد.

متغیرهای تصادفی که با اعداد حقیقی مقداردهی می‌شوند، در علوم برای پیش‌بینی براساس داده‌های بدست آمده از آزمایش‌های علمی استفاده می‌شوند. علاوه بر کاربردهای علمی، متغیرهای تصادفی برای آنالیز بازیهای قمار و پدیده‌های تصادفی بوجود آمدند. در چنین مواردی تابعی که خروجی را به یک عدد حقیقی می‌نگارد معمولا یک تابع همانی یا بطور مشابه یک تابع بدیهی است و بطور صریح توصیف نشده است. با این وجود در بسیاری از موارد بهتر است متغیر تصادفی را بصورت توابعی از سایر متغیرهای تصادفی درنظر بگیریم که دراینصورت تابع نگاشت استفاده شده در تعریف یک متغیر تصادفی مهم می‌شود. بعنوان مثال، رادیکال یک متغیر تصادفی با توزیع استاندارد (نرمال) خود یک متغیر تصادفی با توزیع کی دو است. شهود این مطلب بدین صورت است که تصور کنید اعداد تصادفی بسیاری با توزیع نرمال تولید کرده و از هرکدام رادیکال بگیریم و سپس هیستوگرام داده‌های بدست آمده را بکشیم در اینصورت اگر داده‌ها به تعداد کافی باشند، نمودار هیستوگرام تابع چگالی توزیع کی دو را با یک درجه آزادی تقریب خواهد زد.






نام‌های دیگر

در برخی از کتاب‌های قدیمی‌تر به جای «متغیر تصادفی»، اصطلاح‌های «متغیر شانسی» و «متغیر استوکاستیکی» هم به کار رفته است.






انواع

متغیر تصادفی گسسته
متغیر تصادفی پیوسته

با توجه به وضع شمارایی فضای نمونه‌ای S، متغیر می‌تواند گسسته یا پیوسته باشد. اگر S متناهی یا نامتناهی شمارا باشد متغیر تصادفی X گسسته و اگر ناشمارا باشد X پیوسته خواهد بود.

یک توزیع همچنین می تواند از نوع مختلط (mixed) باشد به این صورت که بخشی از آن مقادیر خاصی را بگیرد و بخش دیگر آن مقادیر روی یک بازه را بگیرد.





مقدار موثر
در ریاضیات، جذر متوسط مربع (به انگلیسی: root mean square یا quadratic mean) که با نام مقدار RMS و مقدار مؤثر (به انگلیسی: effective value) نیز شناخته می‌شود، معیاری آماری از اندازه کمیت متغیر است.
page1 - page2 - page3 - page4 - page5 - page7 - page8 - | 10:57 pm
جهت‌یابی با نشانه‌های طبیعی

هرگونه‌ای از درختان برش‌ها و خصوصیات خاصّ خود را دارد. باد و آفتاب بر درختان تأثیر می‌گذارند و این سرنخی است برای محاسبه جهت شمال-جنوب.

این روش‌ها خیلی قابل اطمینان نیستند. مثلاً «باد غالب» ممکن است حالت عادی را به طور قابل‌ملاحظه‌ای تغییر دهد و باعث تغییر و انحراف آن شود. همچنین در جنگل‌های انبوه -به دلیل عدم نفوذ و رسوخ آفتاب درون آن‌ها- برخی روش‌ها کارا نخواهند بود. اگر از علامت‌های طبیعی استفاده می‌کنید، برای تصمیم‌گیری، باید هر چند تا علامت مختلف را که می‌توانید پیدا کنید.






بسیاری از روش‌های زیر بر اساس آفتاب هستند: در نیمکرهٔ شمالی زمین، جهت رو به جنوب در معرض آفتاب بیشتری است. تابش خورشید رشد شاخه‌ها و برگ‌ها را زیاد می‌کند.

۱- جهت‌یابی با خزه‌ها و گلسنگ‌ها: سمت شمالی درختان و تخته‌سنگ‌ها، گلسنگ‌ها و خزه‌های بیشتری دارد؛ چرا که نمناک‌تر و مرطوب‌تر از سمت جنوبی آن‌هاست.

خزه در جایی رشد می‌کند که دارای سایه و آب زیادی باشد؛ محل‌های خنک و نمناک. تنهٔ درختان در سمت شمالی سایه و رطوبت بیشتری دارد، و در نتیجه خزه‌ها معمولاً بیشتر در این سمت می‌رویند.
این روش همیشه نتیجهٔ درست به ما نمی‌دهد. ۱) هرچند سمت شمالی در سایهٔ بیشتری است، ولی لزوماً رطوبت سمت شمال بیشتر نیست؛ و برای رشد خزه‌ها رطوبت مهم‌تر از سایه است(جایی که رطوبت در آن‌جا بیشتر ماندگار است). ۲) گاه ممکن است درختان و پوشش گیاهی مجاور طرف دیگر درخت را هم سایه کند. ۳) در یک اقلیم بارانی(جنگل‌ها و بیشه‌های مرطوب) ممکن است همه طرف درخت نمناک باشد(یعنی خزه دور برخی درختان در همه‌طرف رشد کرده؛ البته معمولاً در جهت جنوب بیشتر رشد کرده‌است). ۴) ممکن است باد مانع رشد خزه در طرف شمالی درخت شود. ۵) در مناطق خشک هم که اصلاً خزه‌ای وجود ندارد!

ضمناً در نظر داشته باشید که معمولاً خزه در جهت نور آفتاب(جنوب) خرمایی رنگ است و در مکان‌های سایه و مرطوب سبز یا طوسی رنگ.

۲- جهت‌یابی با درختان: از آن‌جا که سمت شمالی درختان در معرض آفتاب کمتری است، درختان در این سمت‌شان شاخ‌وبرگ کمتری دارند.

به دلیل آن‌که آفتاب بیشتر از سمت جنوب می‌تابد، درختان جنوب بهتر و بیشتر رشد می‌کنند. وجود درختانی مانند صنوبر سیاه و سفید، راش، بلوط، درختان آزاد، شاه بلوط هندی، افرا نروژی و درخت اقاقیا صحت این مسئله را ثابت می‌کند. این درخت‌ها در جنوب بیشتر دیده می‌شوند.
پوست درختان قدیمی در سمت رو به آفتاب(جنوب) معمولاً نازک‌تر است.
پوسیده بودن یک طرف از اکثر درختان جنگل، جهت شمال را به ما نشان می‌دهد؛ سمت پوسیده شمال است.
به خاطر نوع تابش خورشید، شاخه‌های جنوبی اکثر درختان افقی‌تر و شاخه‌های شمالی عمودی‌ترند.
در کوه‌های سنگی، کاج‌های انحناپذیر در شیب جنوبی، و صنوبرهای انگلمان در شیب شمالی می‌رویند.
معمولاً درختان برگ ریز در شیب‌های جنوبی تپه‌ها می‌رویند و سراشیب‌های شمالی همیشه سبز است.
زمینِ اطراف ریشهٔ درختان، به سمت جنوب سست‌تر و توخالی‌تر از قسمت شمالی است. پس زمین به سمت شمال سفت‌تر بوده و به خشکی زمین جنوبی نیست.
رشد پوشش گیاهی در سمت جنوبی تپه‌ها بیشتر از سمت شمالی خواهد بود.

۳-جهت‌یابی با تنهٔ درختان بریده‌شده: اگر مقطع درخت بریده‌شده‌ای را نگاه کنید، تعدادی دایرهٔ هم مرکز را مشاهده خواهید کرد، که هر یک از آنها نشان یک سال عمر درخت می‌باشد. درختی که بطور دائم آفتاب به تنه‌اش بتابد، دایره‌های نشاندهنده عمر آن درخت در یک سمت به هم نزدیک‌تر شده و در سمت دیگر از هم دور خواهند بود. سمتی که فاصله خطوط حلقه‌های سنی درخت به هم نزدیک‌تر باشد سمت شمال را مشخص می‌کند، و سمتی که خطوط حلقه‌های سنی از هم فاصلهٔ بیشتری داشته باشد سمت جنوب را نشان می‌دهد؛ به علت تابش زیاد آفتاب و رشد شدیدتر آن.

۴- جهت‌یابی به کمک گل‌ها و گیاهان: گیاهان، و گل‌های درختان تمایل دارند رو به آفتاب قرار بگیرند؛ یعنی جنوب یا شرق.

برخی گیاهان برای جهت‌یابی اشتهار یافته‌اند. مثلاً در آمریکا گُلی وجود دارد که همیشه جهت‌گیری شمالی-جنوبی دارد (رشد برگهایش به سمت خط شمال- جنوب است) و آن را «گیاه قطب‌نما(یا Compass Plant)» و یا «رُزینوید(Rosinweed)» می‌خوانند. نام علمی آن «سیلفیوم لاکینیاتوم» (Silphium laciniatum) است، و مسافران اولیهٔ این سرزمین از این گیاه برای جهت‌یابی استفاده می‌کرده‌اند.
اکالیپتوس استرالیایی هم گیاهی جهت‌یاب است. این گیاه که در سرزمین‌های گرم و خشک می‌روید، برگ‌هایش رو به شمال یا جنوب است.
همچنین درختی به نام «نخل رهنوردان([ یا Traveler’s Palm])» وجود دارد که محور شاخه‌هایش شرقی-غربی اند.
همان‌طور که گفته شد، این که کدام طرف شرق است و کدام طرف غرب، یا کدام یک از طرفین شمال یا جنوب است را می‌توان با توجه به سمت خورشید و ماه در آسمان یا روش‌های دیگر یافت -ماه و خورشید تقریباً در سمت جنوبی آسمان قرار دارند.

۵- جهت‌یابی به کمک باد غالب: بادها را از جهتی که می‌وزند، نام‌گذاری می‌کنند مانند باد شمالی از شمال. هر منطقه‌ای باد غالب و برجسته‌ای دارد که در فصل خاص یا گاهی در تمام فصول حکمفرماست. باد غالب، باد خاصی است که وزش آن طولانی‌تر بوده و در جهت خاصی می‌وزد. با دانستن جهت بادهای غالب می‌توانید چهار جهت اصلی را تشخیص دهید.

معمولاً نام باد را از جهتی که وزیده‌است، نام‌گذاری می‌کنند. مثلاً باد شمال یعنی بادی که از شمال به سمت جنوب می‌وزد.
برای جهت‌یابی به کمک باد غالب، ۱) ابتدا باید جهت باد غالب منطقه را دانست. ۲) سپس باید در جایی که هستیم جهت باد غالب را تشخیص دهیم. برای نمونه، اگر بدانیم که در منطقهٔ ما باد غالب از شرق می‌وزد، و ضمناً جهت باد غالب منطقه را تشخیص دهیم، طرف منشأ باد شرق خواهد بود؛ که با دانستن شرق، دیگر جهت‌های اصلی هم به سادگی یافته می‌شوند.

نکتهٔ اول: اگر جهت باد غالب منطقه‌تان را نمی‌دانید، اطلاعات زیر ممکن است کمک‌کار باشد:

در نواحی معتدل، باد غالب از غرب می‌وزد. (در هر دو نیم کره شمالی و جنوبی)
در نواحی گرمسیری، باد غالب بین مناطق شمال شرقی و جنوب شرقی جریان دارد.
در نواحی استوایی، باد غالب معمولاً از سمت شرق می‌وزد.

نکتهٔ دوم: جهت باد غالب منطقه را تشخیص دهیم:

در هر منطقه‌ای باد غالب ویژگی‌های خاص خود را دارد؛ مثل درجه حرارت، رطوبت و سرعت که در فصول مختلف تغییر می‌کند.
باد غالب بر رشد درختان و گیاهان، جهت جمع شدن برف‌های باد آورنده و در جهت علف‌های بلند تأثیرگذار است. در واقع باد غالب بیشترین تأثیر را بر روی جهت پوشش گیاهی، برف، ماسه یا دیگر اشیای روی سطح زمین دارد.

الف)درختان:

جهت خم شدن اغلب درختان منطقه نشان دهنده جهت وزش باد غالب منطقه‌است. برای نمونه اگر درختان به طرف شمال منحرف و متمایل شده‌اند، باد غالب محتملا از سمت جنوب وزیده‌است.
اثر دیگری که باد غالب بر درختان دارد این است که: در جهتی که از وزش باد در امان است، شاخ و برگ بیشتری رشد کرده‌است.

در واقع باد ممکن است با صدمه زدن یا خشک کردن شاخه‌های جوان، رشد درخت را کند یا متوقف کند. معمولاً وزش باد، باعث کند شدن رشد درختان می‌شود؛ برعکسِ خورشید، که رشد شاخه‌ها و برگ‌ها را زیاد می‌کند.

در زمستان باد غالب معمولاً با برف و تگرگ همراه است، که باعث شکستن شاخه‌های جوان می‌شود.
درختی که برای تعیین جهت استفاده می‌شود، باید در محلی باز و وسیع باشد. نباید در پناه تپه، درختان دیگر یا ساختمانها باشد. چند تا از درختان نزدیک به هم را مورد آزمایش قرار دهید. مطمئن شوید که درختان هرس نشده باشند.
از آن‌جا که درختان تحت تأثیر عوامل زیادی هستند، باید یافته‌های خود را با مشاهدهٔ درختان متعددی در همسایگی یکدیگر تأیید کنید.

ب)ماسه و برف:

امواج ماسه در بیابان‌ها، و امواج پستی-بلندی‌های برف در مناطق قطبی جهت باد را نشان می‌دهند. البته گاه به خاطر آن‌که این موج‌ها خیلی کوچک‌اند و از چند سانتی‌متر تجاوز نمی‌کنند، برای یافتن باد غالب نمی‌توانند کمک‌کار باشند، زیرا می‌توانند با هر باد تند موضعی به سرعت تشکیل شوند.
در بیابان‌ها انواع مختلف تلماسه‌ها وجود دارند، که شکل آن‌ها جهت باد غالب را نمایان می‌سازد؛ همچنین در مورد تل‌یخ‌های قطب: در مناطقی که به شدت پوشیده از برف‌اند، باد غالب توده‌های برف را می‌راند و آن‌ها را تبدیل به تل‌های برآمده‌ای می‌سازد. این تل‌ها از چند سانتی‌متر تا یک متر ارتفاع دارند، و موازی باد غالب تشکیل می‌شوند. در واقع برف از لحاظ فیزیکی شبیه ماسه عمل می‌کند.

ج) نسیم: برخی مناطق الگوی حرکت جریان هوایشان نوسان بیشتری نسبت به جاهای دیگر دارد. مثلاً مردم کنار ساحل با نسیم دریا مأنوس‌اند. معمولاً بعدازظهرها نسیم مداومی از طرف دریا می‌وزد. در شب هم معمولاً جهت نسیم برعکس می‌شود و از خشکی به سمت دریا می‌وزد. نسیم مشابهی در دره‌ها و کوه‌ها می‌وزد: در روز نسیمی از دره به سمت بالای کوه وزیدن می‌گیرد؛ و در شب برعکس، نسیم از بالا به سمت دره می‌وزد. اگر -مثلاً به کمک نقشه- بدانیم که دریا یا کوه (یا ساحل یا دره) در کدام جهت‌مان است، می‌توانیم جهت‌های اصلی را بیابیم.

د) هوای گرم و سرد: در نیم‌کرهٔ شمالی زمین هوایی که از شمال می‌آید معمولاً سردتر از هوایی است که از جنوب می‌آید(بادهای شمالی از بادهای جنوبی سردتر است).

هـ) سایر موارد:

اگر گمان می‌کنید که بادی که در لحظه می‌وزد باد غالب منطقه‌است، می‌توانید به درختان در مسیر باد نگاه کنید. با نگاه به نوک درختان می‌توانید جهت باد را بفهمید.
می‌توانید به تغییر جهت ابرها دقت کنید؛ به‌ویژه ابرهای بلندی که توسط بادهای غالب آورده می‌شوند.
در روی دریا و اقیانوس‌ها بادهای غالب دارای ویژگی‌ها و ابرهای خاص خود هستند.

۶- جهت‌یابی به کمک رودخانه‌ها: بسیاری از رودها و نهرها در نیم‌کرهٔ شمالی زمین رو به جنوب سرازیرند، یعنی رو به استوا. این روند عمومی رودهاست، ولی همیشه درست نیست. مثلاً رود نیل -که تماماً در نیم‌کرهٔ شمالی است- به سوی شمال جریان دارد و به مدیترانه می‌ریزد.

۷- جهت‌یابی به کمک حیوانات و حشرات:

مورچه‌ها خاکِ لانهٔ خود را به سمت جنوب یا شرق می‌ریزند. مورچه‌ها چنین می‌کنند تا در هنگام روز خاکریزشان به عنوان سایه‌بانی برایشان عمل کند، تا راحت‌تر کار خود را انجام دهند.
مورچه‌ها خانه‌های خود(مورتپه‌ها) را بر روی شیب‌های جنوب شرقی می‌سازند؛ زیرا خورشید در پاییز و زمستان بیشتر به این قسمت‌ها می‌تابد. آن‌ها مورتپه‌های خود را نزدیک درختان و صخره‌های جنوبی و جنوب شرقی بنا می‌کنند.
اگر شما در کنار برکه یا دریاچه‌ای باشید که پرندگان، ماهیان یا دوزیستان در حال تولیدمثل هستند، در نظر داشته باشید که آن‌ها معمولاً ترجیح می‌دهند در سمت غربی زاد و ولد (تولیدمثل و پرورش) نمایند.
دارکوب(شانه‌به‌سر) معمولاً حفره‌هایش را در سمت شرقی درخت حفر می‌کند.
سنجاب‌ها هم معمولاً در سوراخ‌های سمت شرقیِ درختان خانه و لانه می‌گزینند.

۸- جهت‌یابی به کمک خانه‌های شهری: امروزه معمولاً خانه‌ها را به موازات شمال -جنوب یا شرق-غرب می‌سازند؛ یعنی نسبت به جهت‌های اصلی مورب نمی‌سازند. این می‌تواند در تنظیم صحیح جهت‌ها و تصحیح روش‌های تقریبی بالا کمک‌کار باشد. باید توجه کرد که در بسیاری موارد این اصل رعایت نشده‌است.




قطب مغناطیسی شمال

قطب‌های مغناطیسی یعنی جایی که خطوط میدان مغناطیسی به صورت واگرا از زمین خارج (جنوب مغناطیسی) و یا به صورت همگرا به آن وارد (شمال مغناطیسی) می‌شوند.

عقربه قطب‌نما -به عنوان یک وسیله مغناطیسی (یک آهنربا)- وقتی که آزادانه معلق شود، قطب‌های مغناطیسی را یافته و در جهت آن‌ها آرایش می‌گیرد؛ یعنی جایی که عموماً شمال حقیقی نیست (به‌جز برخی مناطق کره زمین). زاویه بین شمال حقیقی و شمال مغناطیسی، «میل مغناطیسی» نامیده می‌شود.

قطب‌های مغناطیسی زمین در طول زمان تغییر می‌کنند. قطب شمال مغناطیسی در سال ۲۰۰۱ در موقعیت ۸۱٫۳ درجه شمالی و ۱۱۰٫۸ درجه غربی، در سال ۲۰۰۵ در موقعیت ۸۳٫۱ درجه شمالی و ۱۱۷٫۸ درجه غربی و در سال ۲۰۰۹ در موقعیت ۸۴٫۹ درجه شمالی و ۱۳۱٫۰ درجه غربی بوده‌است. در سال ۲۰۱۲ قطب مغناطیسی شمال در موقعیت ۸۵٫۹ درجه شمالی و ۱۴۷٫۰ درجه غربی قرار گرفت.

هر ۲۵ هزار سال، قطب‌های مغناطیسی یک دور کامل می‌زنند.

قطب شمال مغناطیسی، سالانه ۷٫۳۴ کیلومتر جابه‌جا می‌شود.




انحراف مغناطیسی

انحراف مغناطیسی خطای ناشی از تأثیرات جاذبه‌های مغناطیسی موضعی و منطقه‌ای (مانند فلز و الکتریسیته) ااست، که باید در کنار میل مغناطیسی در نظر گرفته شود. هر گاه قطب‌نما در نزدیکی اشیای آهنی یا فولادی و یا منابع الکتریکی قرار گرفته باشد، عقربه‌اش از جهت قطب مقداری منحرف می‌شود. کلاً به همراه داشتن اشیایی از جنس آهن یا انواع مشابه آن می‌تواند باعث اختلال در حرکت عقربه شود. حتی وجود یک گیره کاغذ روی نقشه ممکن است مساله ساز شود. بنابراین، هنگام استفاده از قطب‌نما باید مطمئن شویم که از اشیای انحراف‌دهنده آن، به‌طور کلی دور است. همچنین احتمال تأثیرگذاری جاذبه‌های مغناطیسی موجود در خاک نیز وجود دارد، که بسیار نادر است؛ ولی در مکان‌هایی که مثلاً معدن آهن وجود دارد باید در نظر گرفته شود.



میل مغناطیسی

انحراف مغناطیسی یا تغییر مغناطیسی یا میل مغناطیسی زاویه بین نصف النهار مغناطیسی و نصف النهار جغرافیایی در هر نقطه از سطح زمین است.

میل مغناطیسی، در هر نقطه از زمین، زاویه بین شمال حقیقی و شمال مغناطیسی در آن نقطه است؛ یعنی زاویهٔ بین سمتی که عقربهٔ قطب‌نما نشان می‌دهد، و سمت شمال جغرافیایی. منابع مختلف میل مغناطیسی را «شیب مغناطیسی» یا «تنزل مغناطیسی» یا «تغییر مغناطیسی» هم می‌نامند. برخی به آن انحراف مغناطیسی هم گفته‌اند، ولی دیگران این واژه را برای انحراف عقربهٔ قطب‌نما در اثر عوامل محیطی (مانند وسایل آهنی و منابع الکتریکی و غیره) مناسب‌تر می‌دانند.

میل مغناطیسی با موقعیت، زمان (سالانه و روزانه)، ناهنجاری‌های مغناطیسی محلی، ارتفاع (جزئی و قابل صرف نظر) و فعالیت‌های مغناطیسی خورشید تغییر می‌کند. میل مغناطیسی در طول خطوطی &mdash؛ که اصطلاحا خطوط هم ارز∗ نامیده می‌شوند &mdash؛ ثابت است. خط فرضی با میل مغناطیسی صفر درجه در حال حاضر از غرب خلیج هودسن، دریاچه سوپریور، دریاچه میشیگان و فلوریدا عبور می‌کند.
تعیین میل مغناطیسی

اگر عقربه قطب‌نما شرق یا غربِ شمال واقعی را به عنوان شمال مشخص نماید، این اختلاف به ترتیب میل مغناطیسی شرقی یا غربی نامیده می‌شود. شمال مغناطیسی هم در نیمکره شمالی و هم در نیمکره جنوبی به عنوان مرجع میل مغناطیسی است. مقدار زاویهٔ انحراف بستگی با محل آزمایش دارد. برای تعیین میل مغناطیسی در یک منطقه مورد نظر می‌توان از موارد زیر استفاده کرد:

نقشه‌های توپوگرافی چاپ شده: این نقشه ها با اندازه گیری های متعدد میل مغناطیسی در نقاط مختلف کرهٔ زمین تهیه می شوند. در برخی نقشه‌ها میل مغناطیسی منطقه به وسیله زاویه بین دو پیکان شمال مغناطیسی (MN) و شمال حقیقی (GN) نشان داده شده است.
نمودارهای خطوط هم‌ارز چاپ شده و یا موجود در وب‌گاه‌ها، که میل مغناطیسی را نشان می‌دهند.
حسابگر آنلاین برای مشخص نمودن آخرین میل مغناطیسی، برای یک موقعیت مشخص (طول و عرض جغرافیایی) و زمان مشخص.

لازم به ذکر است که در یک محل مقدار زاویهٔ انحراف برحسب زمان اندکی تغییر می‌کند و اندازهٔ آن در نقاط مختلف زمین متفاوت است.

در ایران میل مغناطیسی به سمت شرق است و مقدار زاویه آن در مکان‌های مختلف متفاوت است. برای نمونه در ۱۲ خردادماه سال ۱۳۸۶ میل مغناطیسی تهران &mdash؛ طبق محاسبات &mdash؛ برابر ۴ درجه و چهار دقیقه به سمت شرق بوده‌است، که هر سال نزدیک چهار دقیقه (کمتر از یک‌دهم درجه) به سمت شرق افزایش پیدا می‌کند.
مثال
چنانچه به کمک عقربهٔ مغناطیسی به طرف قطب شمال یا جنوب برویم، به قطب شمال و جنوب واقعی کرهٔ زمین نمی‌رسیم. علت این است که قطب شمال و جنوب جغرافیایی و مغناطیسی کرهٔ زمین، با هم یکی نیست؛ یعنی اینکه قطب شمال مغناطیسی زمین، درست روی قطب شمال جغرافیایی زمین قرار ندارد و اگر دو قطب جغرافیایی و مغناطیسی زمین را توسط خطی فرضی به به نام محور به هم وصل کنیم، بین دو محور مغناطیسی و محور جغرافیایی زمین، زاویه‌ای ساخته می‌شود که به آن، زاویهٔ میل مغناطیسی گویند.
ساعت : 10:57 pm | نویسنده : admin | شمال غرب | مطلب قبلی
شمال غرب | next page | next page