SIMULATION  7،شبیه سازی

شبیه سازی (Simulation) فرآیند تقلید یا همگون‌سازی شرایط اجرایی یک سیستم یا پروژه در محیط کنترل شده است. مفهوم شبیه سازی در بسیاری از زمینه ها از قبیل تکنولوژی، بهینه‌سازی، ایمنی‌مهندسی، تست کردن سیستم‌های امنیتی، آموزش و بازی‌های آنلاین مورد استفاده قرار می‌گیرد. یکی از رایج ترین نمونه‌های شبیه سازی (Simulation) در رشته کامپیوتر انجام می‌شود که شخص پژوهشگر پس از طراحی یک مدل آن را در محیط سیستم اجرا کرده و شبیه سازی می‌نماید. حتی در رشته‌های علوم اجتماعی و یا اقتصاد نیز مدل‌های علمی طراحی شده توسط محققان در محیط کنترل شده تست شده و نتایج آن در واقعیت تعمیم داده می‌شود.
یکی از نکات کلیدی در شبیه‌سازی (Simulation) این است که شخص محقق در زمان طراحی سیستم می‌بایست به داده‌های موثق و صحیحی دسترسی داشته‌باشد چرا که نقص در داده‌ها موجب نقصان در سیستم شده و شبیه سازی آن نتایج اشتباهی را ارائه خواهد کرد. دومین نکته در شبیه سازی سیستم‌ها، خصوصا در رشته‌های مانند کامپیوتر، ساده‌سازی تقریب‌ها و فرضیه‌ها (Approximation and Assumption) است. فرآیند‌ها و پروتکل‌های اعتبارسنجی و روایی یک مدل در حال حاضر تبدیل به یک رشته دانشگاهی شده است که دانشجویان در آن با چگونگی اصلاح، تعدیل، اشکال یابی و توسعه مدل‌های شبیه سازی شده خصوصا در رشته‌های علوم کامپیوتری آشنا می‌شوند.
به طور کلی در ابتدا فرآیند شبیه سازی کاملا مستقل از رشته‌ها و علوم دانشگاهی توسعه پیدا کرده و در زمینه‌های مختلف علمی و صنعتی به گستردگی مورد استفاده قرار می‌گرفت. اما در قرن بیستم با توسعه بیشتر سیستم‌های کامپیوتری، مطالعات تئوری سیستم‌ها و سایبرنتیک (Cybernetics) میزان توجهات به این حوزه افزایش یافته و مفهوم شبیه سازی بسیار تخصصی‌تر شد. در همین راستا چندین مفهوم متمایز از شبیه سازی به وجود آمد که عبارتند از :

SIMULATION  4،شبیه سازی

 شبیه‌سازی فیزیکی (Physical Simulation): شبیه سازی فیزیکی به معنای ایجاد شرایط و مکانیزم‌های آزمایشگاهی کاملا منطبق بر شرایط خارج و محیط واقعی است. در فرآیند شبیه سازی فیزیکی سعی می‌شود نمونه طراحی شده با مواد اولیه مشابه نمونه اصلی تست و بررسی شود. ویژگی‌ها و مشخصات این مواد در نمونه شبیه سازی شده دقیقا مشابه محصول نهایی است که به دست مصرف کننده یا مشتری می‌رسد. با توجه به ظرفیت سیستم شبیه ساز، نتایج بدست آمده از این شبیه سازی بسیار کاربردی بوده و به صورت مستقیم می‌توان در خط تولید و یا طراحی محصول مورد استفاده قرار داد.

شبیه‌سازی فعالانه (Interactive Simulation): نوعی از شبیه‌سازی فیزیکی است که با مداخله انسان در فرآیند شبیه‌سازی همراه است و به نوعی تعامل بین انسان و هوش مصنوعی محسوب می‌شود. از جمله شبیه سازهای فعالانه می‌توان به شبیه ساز پرواز (Flight Simulator) و شبیه ساز رانندگی (Driving Simulator) اشاره کرد. این نوع از سیستم‌های شبیه ساز که برای تعامل انسان و هوش مصنوعی یک پلتفرم ارتباطی با کاربری آسان را فراهم میکند اصطلاحا VIS می‌گویند.

شبیه‌سازی مداوم (Continiuous Simultion): شبیه سازی مداوم نوعی از فرآیند شبیه‌سازی است که به صورت دوره‌ای و طی مدت زمان‌های مشخص اقدام به بررسی و تست مدل طراحی شده کرده و خروجی‌ها را در یک بازه زمانی ارائه می‌نماید. یکی از پیچیده‌ترین انواع شبیه سازی مربوط به مدل‌های Continiuous Simultion است که در آن محقق فرمول‌های ریاضی بسیار گسترده‌ای را در سیستم تعریف می‌کند تا مدل در وضعیت‌ها و شرایط مختلف و متفاوت در بازه‌های زمانی مشخص تست و بررسی شود. برای مثال مدار الکتریکی را در نظر بگیرید که سری‌های متفاوتی از مقاومت، خازن، ترانزیستور و اتصالات را در خود جای داده‌است و یک سیستم شبیه ساز قصد دارد بهینه‌ترین و مناسب‌ترین حالت برای جای گذاری و اتصالات در مدار بیابد. بررسی حالت‌های مختلف و محاسبه نقطه بهینه هر مورد نیاز به فرمول‌های بسیار زیادی دارد که تنها در شبیه سازی مداوم قابل انجام است.

 شبیه‌سازی رویداد گسسته (Discrete-event Simulation): شبیه سازی رویداد گسسته برای مشخص کردن عملکرد سیستم در زمان‌های حساس، یک رویداد مشخص یا بحران مورد استفاده قرار می‌گیرد و معمولا نتایج بین این زمان‌ها از یافته‌های تحقیق حذف می‌شود. یکی از ساده‌ترین مثال‌ها برای شبیه سازی رویداد گسسته، تست عملکرد یک خودرو در زمان شروع به حرکت یا در زمان توقف است و نتایج مربوط به شبیه ساز در بین این دو نقطه مورد بررسی قرار نخواهد گرفت.

شبیه‌سازی استوکستیک (Stochastic Simulation): نوعی از شبیه سازی است که در آن یک متغیر یا فرآیند در مدل به صورت تصادفی از طریق تکنیک مونته کارلو (Monte Carlo) به طور مداوم تغییر می‌کند. با توجه به اینکه شرایط کلی شبیه سازی تغییری نمی‌کند اما به دلیل تغییر فاکتورهای موجود در مدل ممکن است نتایج با هم تفاوت چشمگیری داشته باشند. یکی از نمونه‌های رایج شبیه سازی استوکستیک استفاده از مدل‌های مختلف بهینه سازی توربین های بادی و انرژی است. در این فرآیند متغیرهای مختلف محیطی و فیزیکی در مدل به صورت تصادفی تغییر کرده و نتایج ثبت می‌شود. در شرایط شبیه‌سازی استوکستیک ممکن است نتایج یک تحقیق با تحقیق دیگر بسته به شرایط فرموله کردن مدل متفاوت باشد.


شبیه‌سازی قطعی (Deterministic Simulation): نوعی از شبیه سازی است که فاکتورهای درون مدل توسط الگوریتم‌های ثابت و قطعی طراحی شده و نتایج یکسانی از تحقیقات حاصل خواهد شد. این نوع از شبیه سازی شامل فرمول‌های ثابتی می‌شود که فرآیند‌های واقعی را تخمین شده و تفسیر نتایج آن بسیار ساده تر از شبیه سازی استوکستیک است.

شبیه‌سازی هایبرید (Hybrid Simulation): شبیه‌سازی هایبرید ترکیبی از Continiuous Simultion و Discrete-event Simulation است. در این فرآیند نتایج بدست آمده از هر دو شبیه سازی را به صورت عددی ترکیب کرده و خروجی‌هایی با کمترین میزان اختلاف را بر میگزینند. شبیه سازی هایبرید یک تکنیک قدرتمند تست دینامیک برای سیستم‌های ساختاری (Structural System) است. این نوع از شبیه‌سازی برای سیستم‌های ساختاری استفاده می‌شود که بسیار بزرگ یا بسیار پیچیده هستند مانند ساختمان‌های بسیار بلند یا پل‌های بسیار بزرگ و پیچیده.

شبیه‌سازی مستقل (Stand alone Simulation): نوعی از شبیه سازی است که تنها در یک ایستگاه کاری انجام شده و فرآیند انجام آن نسبت به سایر انواع شبیه‌سازی ساده تر است. برای مثال فرض کنید یک مدل شبیه سازی شده را در محیط نرم افزار Choice Simulator اجرا کرده‌اید و قصد دارید یک کپی از آن را در اختیار مشتریان و یا تعدادی از مخاطبان قرار‌دهید تا بدین وسیله تجربه کاربری آن‌ها را مورد ارزیابی قرار‌دهید. در این روش شما یک شبیه‌سازی مستقل به وجود آورده‌اید که نتایج آن منحصر به فرد و بسیار کاربردی خواهد بود.

شبیه‌سازی توزیع شده (Distributed Simulation): نوعی از شبیه‌سازی است که در آن یک مدل را برای اجرا به چند مدل کوچکتر با مقیاس جزئی‌تر تقسیم می‌کنند و یا چند مدل کوچک را ترکیب کرده و یک مدل با مقیاس بزرگ برای بررسی ایجاد می‌کنند. از مهم‌ترین مزایای شبیه سازی توزیع شده افزایش سرعت عملکرد سیستم، امکان استفاده چندباره، شخصی سازی اطلاعات و ثبات در عملکرد سیستم است.

شبیه‌سازی موازی (Parallel Simulation): این نوع از شبیه سازی به نوعی زمینه اعتبار سنجی مدل را فراهم کرده و در برگیرنده چندین اجرای همزمان مدل در سیستم است. چنانچه نتایج و خروجی های حاصل از شبیه سازی در حداقل دو سیتم یکسان باشند می توان از اعتبار مدل شبیه سازی شده اطمینان داشت.
شبیه‌سازی در محیط کامپیوتر یکی از رایج‌ترین انواع مدل سازی است که به بررسی موقعیت‌ها و فرضیات در محیط نرم افزار پرداخته و خروجی آن را در قالب یک پلتفرم آنلاین یا برنامه قابل اجرا ارائه می‌نماید. در حال حاضر مدل‌سازی یا شبیه‌سازی کامپیوتری نه تنها در رشته کامپیوتر بلکه در رشته‌های علوم انسانی، علوم اجتماعی، شیمی، فیزیک، زیست‌ شناسی و بسیاری از رشته‌های دانشگاهی کاربرد داشته و مورد استفاده محققان بسیاری قرار می‌گیرد. البته برای اینکه مفهوم شبیه‌سازی و مدلسازی در محیط کامپیوتری را برای شما واضح تر کنیم باید به یک نکته مشخص در این زمینه اشاره کنیم.

SIMULATION  9،شبیه سازی

 مدل‌سازی کامپیوتری شامل تمامی الگوریتم‌ها، فرمول‌ها و تکنیک های ریاضی است که در یک سیستم تعریف می‌شود تا رفتار آن را مشخص کنیم. اما شبیه‌سازی بررسی عملکرد سیستم در محیط واقعی است و تمامی این فرمول ها و الگوریتم ها در سیستمی است که شما قصد آزمایش و بررسی آن در محیط آزمایشگاه را دارید. از جمله کاربردهای مهم شبیه‌سازی در محیط کامپیوتری می توان به موارد زیر اشاره کرد:

  • شبیه‌سازی عملیات و فرآیند‌های اجرایی در محیط فرودگاه‌ها به منظور بررسی امنیت، کیفیت و بهره‌وری در فرآیند، ارزیابی ظرفیت‌ها و مشخص کردن نقاط ضعف و قوت سیستم‌های فرودگاهی.
  • شبیه‌سازی عملیات‌های تولیدی و صنعتی در شرکت‌های بزرگ به منظور یافتن نقاط بهینه تولید، انبارداری، فروش و ترابری. برای مثال پیش از راه‌اندازی یک خط تولید جدید می‌توان به واسطه هوش‌مصنوعی و شبیه‌سازی کامپیوتری میزان بهره‌وری، تولید و حوادث احتمالی را مورد ارزیابی و بررسی قرار داد.
  • شبیه‌سازی وضعیت ترافیک و حمل و نقل در بزرگراه‌های کشور در زمان راه اندازی یک مسیر جدید و یا کنترل ترافیک در مسیرهای کنونی.
  • شبیه‌سازی ارتباطات تلفنی و ظرفیت تماس‌های ورودی و خروجی در یک مسیر مخابراتی مشخص پیش از اجرای آن در سطح کلان. بسیاری از پروژه‌های مخابراتی در کشور پیش از اجرا توسط مهندسان شبیه سازی و امکان سنجی می شوند.
  • شبیه‌سازی انبار و نگهداری کالا در گمرکات کشوری به منظور ظرفیت سنجی و پی‌شبینی رشد در سطح بارگیری‌های بندری و میزان صادرات و واردات کالاها در کشور.

ابزارهای شبیه سازی - نمونه پروژه های شبیه سازی - Matlab - AUTOCAD

شبیه سازی روشی است که به وسیله ی آن یک تجربه ی مصنوعی یا فرعی ایجاد می شود که فراگیر را در فعالیتی درگیر می سازد که شرایط زندگی واقعی را بدون پیامدهای خطرناک یک موقعیت واقعی منعکس می سازد. در واقع شبیه سازی تقلید کردن یا مشابه سازی یک نظام واقعی است، به طوری که ما بتوانیم آن را جستجو کنیم، تجربیاتی را در آن انجام دهیم و قبل از اجرا کردن، آن را در جهان واقعی، درک کنیم.

در واقع شبیه سازی تقلیدی از یک سیستم یا یک پدیده طبیعی در محدوده آزمایشگاه و محیط آزمایشی است. شبیه سازی در واقع تقلید از یک نظام واقعی زندگی است، به طوری که ما در آن می توانیم جست و جو کرده و تجربیاتی به دست آوریم و قبل از اجرا کردن آن در جهان واقعی، آن را درک کرده و از ابعاد مختلف مورد تحلیل قرار دهیم.

شبیه سازی نمادی از کاربرد اصول «سایبرنتیک یا علم فرمانشی» است. بر اساس این علم، انسان یک نظام کنترلی است که یک دوره فعالیت را انجام می دهد در مرحله ی بعد همان فعالیت را اصلاح نموده و جهت می دهد. این رشته به عنوان مطالعه ی تطبیقی مکانیسم کنترل انسان (یا زیست شناختی) و نظام های الکترو مکانیکی نظیر رایانه توصیف می شود. با قیاس بین انسان و ماشین، فراگیر را به عنوان نظام بازخوردی خود تنظیم مفهوم سازی می کنند. به عبارتی یادگیری بر اساس سایبرنتیک تجربه کردن نتایج محیطی رفتار و اشتغال در رفتار خود اصلاحی است و محیط زمانی مناسب یادگیری است که تمام بازخوردها کامل رخ دهند. بر این اساس تمام رفتار انسانی یک طرح قابل درک حرکتی را در بر دارد که این طرح شامل رفتار نا آشکار (مثل تفکر) و رفتار نمادی آشکار است، افراد در شرایط فرضی رفتار خود را بر حسب بازخوردی که از محیط دریافت می کنند تغییر داده و شکل حرکات و پاسخ خود را در ارتباط با این بازخورد سازمان می دهند. در این فرآیند توانمندی های حسی-حرکتی آنان به نظام های بازخوردی آنان شکل می دهد.

در زير به برخي از سيستم هايي که کارايي ابزار شبيه سازی در آن ها به اثبات رسيده و از ابزار شبيه سازي به صورت گسترده استفاده مي کنند اشاره مي شود:

زنجيره تامين و لجستيك
بيمارستان ها و مراكز درماني
فرآيند بازاريابي و تحليل رقبا
فرآيند هاي ساخت و توليد
فرودگاه ها، فروشگاه ها و سيستم هاي تردد عابرين
سيستم هاي حمل و نقل و انبارداري
مديريت پروژه و مديريت دارايي ها
سيستم هاي خدماتي
سيستم هاي ريلي
سيستم هاي دفاعي و نظامي
سيستم هاي ارتباطي و مخابراتي
مديريت استراتژيك و برنامه ريزي
فرآيندهاي اجتماعي
مدل سازی سیستم های بیولوژیک
از عناصر مهم در شبیه سازی، استفاده از شبیه ساز می باشد. شبیه ساز یک وسیله مهارت آموزی است که از آن می توان برای نشان دادن واقعیت ها از نزدیک استفاده کرد و پیچیدگی رویدادها را با استفاده از آن کنترل نمود. شبیه ساز قادر است برای فراگیران وظایف یادگیری مستلزم پاسخ را فراهم آورد، که البته واقعی نیستند همانند برخورد اتومبیل شبیه سازی شده در آموزش رانندگی.

انواع‌ شبیه‌‌ سازی
- شبیه‌ سازی‌ همانی‌: در این روش، خود سیستم را به‌ عنوان مدل آن در نظر گرفته و رفتار آن‌ را بررسی می‌کنیم. به‌‌ عبارت‌ دیگر این‌ روش‌، همان‌ آزمایش‌ مستقیم‌ روی‌ سیستم‌ است‌ و در صورت‌ یافتن‌ پاسخی‌ برای‌ مسئله‌ مورد نظر، صد درصد قابل‌ استفاده‌ و مفید است.

- شبیه‌ سازی‌ نیمه‌ همانی‌: در این روش، تا آن جا که امکان دارد، از اشیا و قوانین واقعی سیستم استفاده می کنیم. تنها، اشیا یا مراحلی‌ از سیستم‌ واقعی‌ که‌ باعث‌ غیر ممکن‌ شدن‌ شبیه‌ سازی‌ همانی‌ است‌، مدل‌سازی‌ می‌شود. به‌‌ عبارت‌ دیگر، بخشی‌ از مدل‌ سیستم‌، واقعی‌ و بخش‌ دیگر غیر واقعی‌ یا شبیه‌ سازی‌ شده‌ است‌.

شبیه‌سازی‌ آزمایشگاهی‌: در این‌ روش،‌ بعضی‌ از نماها و اشیای سیستم‌ واقعی‌، به‌ وسیله‌ امکانات ‌آزمایشگاهی‌ ساخته‌ شده‌ و بعضی‌ نماها و روابط‌ دیگر به‌‌ وسیله‌ سمبل‌ها جایگزین‌ می‌شوند. مثل راداری که با امکانات و مقیاس آزمایشگاهی ساخته می‌شود.

شبیه‌سازی‌ کامپیوتری‌: در شبیه‌سازی‌ کامپیوتری‌، مدل ساخته‌‌ شده، برنامه‌ای‌ کامپیوتری‌ است‌ که کلیه‌ اشیا و نماهای‌ سیستم‌، به‌ ساختارهای‌ برنامه‌ای‌ و کلیه‌ مشخصات‌ و رفتار آن، به‌ متغیرها و توابع‌ ریاضی‌ تبدیل‌ شده و قوانین‌ و روابط‌ حاکم‌ بر سیستم‌ و ارتباط‌شان‌ با یکدیگر، در درون برنامه‌ در نظر گرفته‌ می‌شود . شبیه‌ سازی‌ کامپیوتری‌ (به‌‌ علت‌ عملی‌ بودن‌ و داشتن‌ امتیازات‌ خاص‌ خود)، برای‌ بررسی‌ و مطالعه‌ اغلب‌ سیستم‌ها؛ از قبیل‌ حمل‌ و نقل‌، بیمارستان‌، سیستم‌های‌ صنعتی‌، تولیدی‌، ترافیک‌، انبار و غیره‌ به‌کار می‌رود.

شبیه سازی به کمک کامپیوتر
شبیه سازی کامپیوتری یا شبیه سازی رایانه ای به اجرای یک شبیه سازی با استفاده از یک برنامه کامپیوتری می گویند طوری که این برنامه کامپیوتری مدل شبیه سازی شده را تعریف کرده و آن را تحلیل کند. شبیه‌ سازی کامپیوتری یک شبیه‌سازی است که در یک کامپیوتر واحد یا شبکه‌ای از کامپیوترها برای باز تولید رفتار یک سیستم اجرا می‌شود. شبیه سازی های کامپیوتری بسته به مدل شبیه سازی شده دارای حجم محاسباتی مختلف اند. در شبیه سازی های پیچیده، حجم محاسبات در شبیه سازی کامپیوتری به مراتب بسیار وسیع تر از شیوه های سنتی که در آن شبیه سازی به وسیله محقق و با استفاده از ریاضیات روی کاغذ انجام می شوند، است.

دلایل استفاده از شبیه سازی
- فشردن زمان: به کمک شبیه سازی می توان فرآیند های یک سیستم را که ممکن است چندین سال به طول می انجامد در چند ثانیه شبیه سازی کرد.

- گسترش زمان: به وسیله اطلاعات به دست آمده از شبیه سازی، پژوهشگر می تواند به جزئیاتی که در زمان واقعی (به علت بالا بودن سرعت ایجاد پدیده در سیستم واقعی) قابل مشاهده نیستند را مورد مطالعه قرار دهد.

- شبیه سازی این امکان را فراهم می کند تا یک آزمایش یا تحلیل یک پدیده را با حفظ تمامی پارامترها بارها تکرار کرد. در هر بار تکرار تنها مقادیر مورد نظر را تغییر داده و وابستگی و اثرات پارامتر تغییر داده شده را بر روی پدیده مورد ارزیابی قرار داد.

- شبیه‌ سازی‌ قادر به‌ بررسی‌ تغییرات‌ جدید در سیستم‌های‌ موجود و مطالعه‌ سیستم‌هایی‌ که‌ در مرحله طرح‌ می‌باشند و هنوز هیچ‌گونه‌ امکانات‌، سرمایه‌ و زمان‌ برای‌ پیشرفت‌ یا ایجاد فیزیکی‌ آن‌ها صرف‌ نشده است. هم چنین‌ بررسی‌ و آزمایش‌ سیستم‌های‌ فرضی‌ که‌ احیاناً ایجاد و مطالعه‌ آن‌ها به‌ وسیله‌ روش‌های‌ دیگر غیرممکن‌ یا خطرناک‌ می‌باشد با این‌ روش امکان‌پذیر است‌.

معایب استفاده از شبیه سازی
شبیه سازی کامپیوتری اغلب نیازمند دقت بسیار بالا می باشد. در یک شبیه سازی پیچیده کوچک ترین اشتباه می تواند به جواب های نامطمئن منتهی شود.

اغلب به علت عددی بودن حلگر در نرم افزار های شبیه سازی، همواره شبیه سازی دقیق نبوده و همواره درصدی خطا در نتایج وجود دارد.

مثال‌های خاص شبیه‌ سازی‌های کامپیوتری عبارتند از
شبیه‌ سازی‌های آماری براساس مجموعه‌ای از تعداد زیادی از پروفایل‌های ورودی از قبیل پیش‌بینی دمای موازنه دریافت آب‌ها، دادن اجازه ورود به گاموت هواشناسی به یک محل خاص. این روش برای پیش‌بینی آلودگی گرمایی بسط داده شد.

از شبیه‌سازی عاملی به‌ طور مؤثر در اکولوژی استفاده شده‌است؛ که در آن اغلب مدل‌سازی فردی نامیده می‌شود و در موقعیت‌هایی استفاده می‌شود که برای آن‌ها تغییرپذیری فردی در عامل هارا نمی‌توان نادیده گرفت. از جمله جنبش‌های جمعیت ماهی‌های آزاد و قزل آلا.

مدل پویای مرحله بندی شده زمانی–در هیدرولوژی چندین مدل حمل و نقل هیدرولوژی از این دست وجود دارند از جمله مدل‌های SWMM و DSSAM که توسط آژانس حفاظت محیط زیست آمریکا برای پیش‌بینی کیفیت آب رودخانه بسط داده شدند.

از شبیه‌سازی‌های کامپیوتری هم چنین برای مدل‌سازی رسمی تئوری‌های شناخت انسان و عملکرد استفاده شده‌اند از جمله ACT-R

شبیه‌ سازی کامپیوتری با استفاده از مدل‌سازی مولکولی برای کشف مواد.

شبیه‌ سازی کامپیوتری برای مطالعه حساسیت انتخابی پیوندها به وسیله مکانیک–شیمی در طول خرد کردن مولکول‌های آلی.

از شبیه‌ سازی‌های دینامیک سیالات کامپیوتری برای شبیه‌سازی رفتار هوای در حال جریان، آب و سیالات دیگر استفاده می‌شود. از مدل‌های۱، ۲ و ۳ بعدی استفاده می‌شوند. یک مدل یک بعدی اثرات چکش آب را بر یک خط لوله شبیه‌ سازی می‌کند. یک مدل دو بعدی برای شبیه‌ سازی نیروهای کششی در مقطع بال یک هواپیما استفاده می‌شود. یک شبیه‌سازی سه بعدی گرما و سرمای یک ساختمان بزرگ را برآورد می‌کند.

یک شناخت تئوری مولکولی ترمو دینامیک آماری برای شناخت راه حل‌های مولکولی اساسی می‌باشد. توسعه تئوری PDT اجازه ساده شدن این موضوع پیچیده را به نمایش‌های پایین زمینی تئوری مولکولی می‌دهد.

ابزارهای شبیه سازی - نمونه پروژه های شبیه سازی - Matlab - AUTOCAD

 انجام تحلیل آماری پایان نامه و رساله ارشد و دکتری علم آمار به معنای مطالعه فرآیند گردآوری، تجزیه و تحلیل، تفسیر، ارائه و سازماندهی داده‌های خام است. با توجه به این موضوع، تعریف تحلیل آماری (statistical analysis) به معنای تولید نمودار‌ها و جداول آماری از داده‌های خام است، به گونه ای که نتایج آن قابل فهم و استنتاج باشند. فرض کنید به عنوان یک پژوهشگر اقدام به توزیع پرسش‌نامه در مورد یک موضوع مشخص کرده‌اید و داده‌های خام بسیاری را در این حوزه جمع نموده‌اید. اما چطور می‌خواهید متوجه نظر مشارکت کنندگان و یا افراد پاسخ دهنده به تحقیق شوید؟ چگونه می‌خواهید دریابید که نتایج تحقیق چه بوده‌است؟ و یا چطور می‌خواهید از صحت و اعتبار تحقیقتان مطمئن شوید؟
در همین راستا یکی از اساسی‌ترین و مهم‌ترین ابزار تحلیل و بررسی صحت و دقت نتایج تحقیق، استفاده از تحلیل آماری (Statistical Analysis) است که به شما کمک می کند تا یافته‌ها و نتایج شفافی از داده‌های خام بدست آورید. شروع فرآیند تحلیل آماری با مشخص کردن جامعه آماری و جامعه نمونه آغاز می‌شود.
پیش از آنکه اقدام به جمع‌آوری داده‌ها کنید باید سعی کنید جامعه هدف خود برای تحقیق را شناسایی نمایید. برای مثال فرض کنید موضوع تحقیق شما " تاثیر تحریم‌های بین‌المللی بر روی تصمیم‌های سازمانی هتل‌داران کشور" است. به نظر شما جامعه هدف مناسب برای گردآوری داده‌های آماری کدام است؟ آیا کارکنان هتل‌ها هم می‌توانند در فرآیند گردآوری داده‌ها مشارکت کنند؟ آیا تنها مدیران و تصمیم‌گیران هتل‌ها گزینه مناسبی هستند و یا سیاست‌گذاران کشوری در حوزه گردشگری و هتل‌داری نیز مناسب این تحقیق می‌باشند؟ انتخاب درست و دقیق جامعه آماری به شما کمک می‌کند که بتوانید داده‌های دقیق‌تری داشته و به نتایج کاربردی‌تر دست پیدا کنید.
جامعه نمونه نماد و مظهری از جامعه آماری است و یک ماهیت خلاصه شده از آن ارائه می‌نماید. در مثال قبلی گردآوری داده از تمامی مدیران و سیاست‌گذاران هتل‌داری کار بسیار دشواری است و به همین منظور پژوهش‌گر سعی میکند یک جامعه نمونه از آن انتخاب کند. برای مثال جامعه هتل‌داران استان تهران و یا مدیران هتل های 4‌و‌5 ستاره می‌توانند نمونه مناسب و قابل اندازه‌گیری برای یک تحقیق باشند. از طرف دیگر انتخاب نمونه در تعمیم‌پذیری تحقیق تاثیر بسیار زیادی دارد. اگر نمونه آماری به درستی انتخاب شود و نماینده مناسبی برای کل جامعه باشد، در نهایت نتایج به دست آمده از نمونه تحقیق قابل تعمیم به کل جامعه آماری است.

انجام تحلیل آماری پایان نامه و رساله ارشد و دکتری

تحلیل‌های آماری و کمی که در حوزه‌های مختلف انجام می‌گیرند دو رویکرد کلی را دنبال می‌کنند:
(1) مطالعات آزمایشگاهی 
(2) مطالعات مشاهده‌ای
مطالعات آزمایشگاهی (Experimental Study) برروی یک سیستم و یا نمونه انجام می‌شود و هدف آن دستکاری و بررسی نتایج حاصل از دستکاری است. فرض کنید قصد بررسی مقاومت یک نوع خاصی از سیمان یا بتون در محیط آزمایشگاه را دارید.
در این حالت سعی می‌کنید با اعمال تغییرات و دست‌کاری محیطی مانند رطوبت، فشار، دما و سایر عوامل محیطی و شیمیایی، میزان مقاومت در سیمان و یا بتون را اندازه بگیرید.
مطالعات مشاهده ای (Observational Study) که بیشتر در حوزه علوم اجتماعی مورد استفاده قرار می‌گیرند به بررسی یه موضوع در جامعه پرداخته و نتایج حاصل از مشاهدات خود را گزارش خواهد کرد.
دو روش آماری مهم در فرآیند تحلیل آماری نیز عبارتند از:
(1) آماری توصیفی (Descriptive Statistic) 
 آمار توصیفی در تحلیل آماری به بررسی و تجزیه و تحلیل یک گروه مشخص و یا نمونه خاص پرداخته که تنها ویژگی‌های آن گزارش می‌شود و این نتایج قابل تعمیم نمی باشد.
(2) آمار استنباطی (Inferential Statistic)
آمار استنباطی به مطالعه نمونه به عنوان نماینده‌ای از کل جامعه پرداخته و نتایج آن را به صورت یافته‌های قابل تعمیم ارائه می‌نماید. 
اولین نوشته‌ها و مستندات در مورد تحلیل آماری و احتمالات توسط خلیل ابن احمد فراهیدی دانشمند عرب بین قرن 100-176 هجری در کتاب "پیام‌های رمزنگاری" مورد استفاده قرار گرفت. در این کتاب خلیل ابن احمد از روش‌ها و تحلیل‌های آماری و ریاضی سخن گفت که به واسطه آن می‌توان پیام‌ها را رمز نگاری و کدگذاری کرد.

تحلیل آماری پایان نامه ارشد و رساله دکتری

 اما اولین نوشته‌ها در مورد آمار و تحلیل آماری در اروپا به سال 1663 باز می‌گردد. در این سال مقاله‌ای با عنوان "مشاهدات طبیعی و سیاسی در مورد لوایح مرگ و میر" توسط شخصی به نام جان گرانت (John Graunt) منتشر شد. این تحقیق به ضرورت استفاده از داده ها و تحلیل‌های آماری در سیاست گذاری و تصمیم‌سازی اقتصادی و سیاسی پرداخته‌بود و به این موضوع اشاره داشت که اطلاعات زمینه‌ای و جمعیت شناختی در یک جامعه می‌توانند در فرآیند برنامه‌سازی اقتصادی و سیاسی تاثیر بسزایی داشته باشند.
اما شکل جدید و شناخته شده امروزی علم آمار در اوایل قرن 19‌و‌20 در سه مرحله شکل گرفت. اولین مرحله از فرآیند شکل‌گیری تحلیل و علوم آماری توسط فرانسیس گالتون و کارل پیرسون (Galton and Pearson) شکل گرفت که روش‌های آماری را به قواعد بسیار منظم و کاربردی برای تحلیل تبدیل کردند. از مهم‌ترین دستاوردهای گالتون ارائه تعاریف آماری مانند انحراف معیار، رگرسیون و همبستگی بود که تاثیر بسیار زیادی در درک روابط بین متغیرهای آماری ایجاد کرد.
دومین موج از توسعه علم آمار و تحلیل آماری بین سال‌های 1910 تا 1920 شکل گرفت که مهم‌ترین نقش در توسعه آن را شخصی به نام ویلیام سیلی (William Sealy) ایفا کرد و رونالد فیشر (Ronald Fisher) آن را به اوج رسانید. رونالد فیشر در یکی از مهم‌ترین و معتبر‌ترین مقالاتش، مفهومی به نام واریانس و اهمیت آن در تحلیل‌های آماری را مطرح کرد و در نهایت آخرین موج از توسعه علم آمار که به اصلاح و تعدیل مفاهیم قبلی اختصاص داشت توسط پیرسون و نیمن (Pearson and Neyman) بین سال های 1930-1934 انجام گرفت.
امروزه علم آمار و تحلیل‌های آماری در بسیاری از تحقیقات، برنامه‌ریزی‌ها و تصمیم‌گیری‌های کشوری و بین الملل نقش اساسی داشته و به واسطه آن می‌توان به نتایجی بسیار دقیق دست یافت و استدلال‌هایی مبتنی بر واقعیت انجام داد. با توجه به اینکه روش‌ها و تکنیک‌های مختلفی برای تجزیه و تحلیل آماری و فهم داده‌های خام وجود دارد، اما تحلیل‌های آماری معمولا بر3 مفهوم کلی استوار هستند که درک آن‌ها کمک بسیار زیادی به پژوهش‌گران در تجزیه و تحلیل داده‌های خام خواهد کرد. به پژوهش‌گران توصیه می‌شود قبل از انجام تحلیل‌های پیشرفته توسط نرم افزار‌های آماری، 3 مفهوم بنیادی در آمار را آموخته و مورد استفاده قرار دهند.

 STATISTICAL ANALYSIS  10 این 3 مفهوم بنیادی در تحلیل آماری عبارتند از:
میانگین: میانگین که در زبان آماری با دو عنوان (Mean) و (Average) شناخته می‌شود، نشان دهنده روند کلی در داده‌های خام است. میانگین کاربردهای بسیار زیادی در تحلیل ایفا می‌کند برای مثال قصد دارید بدانید میانگین پاسخ‌های افراد در یک طیف لیکرت 5 تایی چگونه است؟ آیا داده‌ها می تواند نرمال باشد یا غیر‌نرمال هستند؟ و یا میانگین عددی یک متغیر چگونه است.
برای مثال فرض کنید میزان تحمل فشار در بیش از 1000 لوله چدنی با اندازه، شکل و وزن یکسان در نرم افزار SPSS وارد شده است و هر کدام از این قطعه‌های آلیاژی در یک فشار مشخص و متفاوت با سایرین شکسته می‌شود. حال می‌خواهید متوجه شوید که میانگین فشاری که این 1000 لوله چدنی تحمل کرده‌اند چه مقدار است؟ بهترین روش برای این کار استفاده از میانگین یا دستور Mean در نرم افزارهای آماری است. اما تنها استفاده از میانگین در تفسیر آمار نمی‌تواند روش تحلیل مناسبی باشد چرا که این مفهوم با میانه (Median) و مد (Mode) ارتباط نزدیکی دارد و در داده‌های با توزیع غیر نرمال اهمیت پیدا می‌کنند.
انحراف معیار: دومین مفهوم بنیادی در آمار انحراف معیار یا Standard Deviation نام دارد که پراکندگی داده‌ها در اطراف میانگین را اندازه می‌گیرد. انحراف معیار بالا نشان‌دهنده این است که داده از میانگین فاصله زیادی دارند و انحراف معیار پایین نشان‌دهنده این است که پراکندگی‌داده‌ها بسیار نزدیک و در اطراف میانگین است. یکی از بهترین و مناسب‌ترین ابزارها برای تشخیص پراکندگی داده‌ها انحراف معیار است، اما اگر پراکندگی داده غیر‌نرمال و با الگوی پیچیده باشند نمی‌توان از ابزار انحراف معیار برای تفسیر بهره برد.
رگرسیون: رگرسیون (Regression) یکی از ابزارهای آماری برای سنجش ارتباط میان متغیرهای وابسته و پیوسته است. ابزار رگرسیون می‌تواند یک پیشبینی از رفتار و تغییرات یک متغیر نسبت به متغیر دیگر را ارائه نماید. بطور کلی خط رگرسیون که از میان نقاط پراکندگی متغیر عبور می‌کند می‌تواند نشان دهد که ارتباطات تا چه اندازه‌ای قوی یا ضعیف هستند.
آزمونهای آماری - اصطلاح شناسی مقالات