آشنایی با موضوع

یک داده پرت(به انگلیسی: Outliers)، مشاهده ای است که به طور غیرعادی یا اتفاقی از وضعیت عمومی داده های تحت آزمایش و نسبت به قاعده ای که براساس آن آنالیز می شود، انحراف داشته باشد. تشخیص داده های پرت: در بسیاری از داده ها، می توان مشاهده نمود که تعدادی از آن ها پراکندگی زیادتری نسبت به بقیه دارند، به طوری که نشان دهنده منابع غیر طبیعی خطا بوده و این خطاها در بحث های نظری، در نظر گرفته نشده اند. برای اطلاعات بیش تر به بارنت و لویس (۱۹۹۴) مراجعه کنید. اگر توسط روش های آزمون فرضیه بتوانیم تشخیص دهیم که تعدادی از مشاهدات، داده پرت هستند، آنگاه هر چند ممکن است که مطمئن نباشیم که این روش تشخیص کاملا درست است، اما می تواند به ما در تجزیه و تحلیل داده ها کمک فراوانی کند. بنابراین در مسأله مواجهه با داده های پرت یکی از مشکلات، روش تشخیص آن ها می باشد. البته با توجه به تعریف جامع داده های پرت، عملا تشخیص آن ها با روش های آزمون فرضیه امکان پذیر نمی باشد. زیرا که داده های پرت ممکن است از توزیعی همانند توزیع بقیه مشاهدات ولی با یک یا چند پارامتر متفاوت، آمده باشند، یا این که از توزیع متفاوتی پیروی کنند. لذا، در صورتی که بدانیم یا بپذیریم داده ها هم توزیع می باشند، می توان با استفاده از تکنیک های مختلفی، داده های پرت را تشخیص داد. محققین فراوانی تاکنون در مورد روش های تشخیص داده های پرت در توزیع های مختلف نرمال، نمایی، گاما، پارتو، وایبل و غیره مقالاتی را نوشته اند.
در این صفحه تعداد 408 مقاله تخصصی درباره داده پرت که در نشریه های معتبر علمی و پایگاه ساینس دایرکت (Science Direct) منتشر شده، نمایش داده شده است. برخی از این مقالات، پیش تر به زبان فارسی ترجمه شده اند که با مراجعه به هر یک از آنها، می توانید متن کامل مقاله انگلیسی همراه با ترجمه فارسی آن را دریافت فرمایید.
در صورتی که مقاله مورد نظر شما هنوز به فارسی ترجمه نشده باشد، مترجمان با تجربه ما آمادگی دارند آن را در اسرع وقت برای شما ترجمه نمایند.
مقالات ISI داده پرت (ترجمه نشده)
مقالات زیر هنوز به فارسی ترجمه نشده اند.
در صورتی که به ترجمه آماده هر یک از مقالات زیر نیاز داشته باشید، می توانید سفارش دهید تا مترجمان با تجربه این مجموعه در اسرع وقت آن را برای شما ترجمه نمایند.
Elsevier - ScienceDirect - الزویر - ساینس دایرکت
Keywords: داده پرت; Robust identification; Outliers; t-Distribution; Laplace distribution; Mixture of Gaussian distribution; Flat-topped distribution; Bayesian methods; EM algorithm; Variational Bayesian approach; Expectation Propagation; Monte Carlo methods; ARX models;