مجله علوم دانشگاه تهران
سال سی‌ام شماره 1 (تیر 1383)

ابتدا ترکیب کربنات سرب در این آزمایشگاه تهیه گردید و بوسیله روش های متداول مانند XRD مورد شناسایی قرار گرفت. با بکارگیری روش Thermogravimetry Analysis (TGA) به مطالعه رفتارهای گرمایی این ماده پرداخته و نشان دادیم که ترکیب فوق در دمای?C600 کاملا به ترکیبات و تبدیل می گردد. این آزمایشات همچنین بر روی ترکیب کربنات سرب قلیایی انجام گردید و نشان داد که این ترکیب در دمای? C330 به اکسید سرب تجزیه می گردد. مطالعه دانه بندی ترکیب با میکروسکوپ الکترونی با بزرگنمایی 2500 انجام شد.

از مشکلات مهم موجود در صنعت، مسئله خوردگی و رسوبگذاری در سیستم های خنک کننده می باشد. راه جلوگیری از آن استفاده از بازدارنده ها می باشد و یکی از مواد بازدارنده مهم HEDP می باشد. این ماده کاربردهای بسیار زیادی در صنعت دارد که عبارتند از: (1) کنترل کننده رسوبگذاری در سیستم های آبی، (2) بازدارنده خوردگی و رسوبگذاری در برجهای خنک کننده، (3) پیش تغلیظ کننده و جداکننده کارآمد آکتنیدها از نمونه های رسوبی، (4) داروی مصرفی در درمان Osteoporosis، (5) بازدارنده تشکیل رسوبات معدنی کریستالی درون آوندهای گیاهی، (6) یکی از عوامل حامل انتخابی میکروالمنت آهن به گیاه در حضور کلسیم و منیزیم. در این تحقیق ابتدا کلیه روش های سنتز HEDP مورد مطالعه قرار گرفته و از میان آنها با توجه به معیارهایی چون مواد اولیه ارزان و قابل دسترس در داخل کشور، راندمان واکنش و تعداد مراحل انجام واکنش بهترین روش سنتز با استفاده از مواد اولیه استیک اسید، فسفروتری کلرید، آب، سود 40%، اتانول یا متانول انتخاب شده است و ماده سنتزی توسط روش های IR، 1HNMR و آنالیز عنصری شناسایی گردید و بررسی های سینتیکی جهت بهینه سازی آن از نظر نسبت استوکیومتری، دما، زمان و سرعت افزایش واکنشگرها جهت حصول راندمان 98% صورت گرفت.

برای مطالعه رفتار پدیده های فیزیکی معمولا آنها را توسط معادلات دیفرانسیل مدلسازی می کنند. در بسیاری از این پدیده ها عواملی تصادفی دخالت دارند که باعث می شود تا این مدلسازی توسط معادلات دیفرانسیل تصادفی صورت گیرد. این عوامل تصادفی اغلب به شکل نوفه سفید ظاهر می گردد. برای بررسی این معادلات معمولا آنها را به شکل انتگرالی بیان می کنیم، اما جمله انتگرالی مربوط به نوفه سفید با انتگرالهای ریمان و لبگ قابل محاسبه نمی باشد. برای رفع این مشکل نیاز به انتگرال ایتو می باشد. مسلما تعداد زیادی از معادلات فوق حل تحلیلی ندارند و ناگزیر به استفاده از روش های عددی برای حل آنها می باشیم، دراین مقاله سعی داریم تا با معرفی روش های تقریبی اویلر-ماریاما و میلشتاین مسیر واقعی و تقریبی جواب را برای یک معادله از نوع فوق بررسی کنیم. چون فرآیند جواب این دسته از معادلات شامل فرآیند وینر می باشد و به شکل تابع مشخصی از زمان موجود نیست، مجبوریم مسیر جواب آنها را شبیه سازی کنیم. برای این کار نیاز به تولید اعداد تصادفی است و برای این منظور از مولدهای تولید اعداد شبه تصادفی استفاده می کنیم.

مدل حاشیه ای (Marginal model) یکی از رهیافت هائی است که برای تحلیل داده های طولی (Longitudinal data) بکار می رود. در این مدل، همبستگی موجود بین پاسخ ها برای هر آزمودنی (Individual) به عنوان پارامتر درنظر گرفته می شود تا تحلیل های معتبری را نتیجه دهد. مدل های حاشیه ای مختلفی که برای تحلیل داده های طولی با پاسخ های دودویی ذکر شده اند ازجمله مدل های حاشیه ای با لگ نسبت بخت حاشیه ای (Marginal odds ratio)، لگ نسبت بخت شرطی (Conditional odds ratio)، لگ نسبت وابستگی (Dependence ratio)، مدل پروبیت چند متغیره (Multivariate probit model) و روش معادلات برآوردگر تعمیم یافته [Generalized Estimating Equations (GEE)] مرور و مقایسه شده اند. مانده هایی برای بررسی نیکویی برازش این مدل ها معرفی گردیده است. همچنین مدل های ذکرشده را درمثالی کاربردی برازش داده ایم.

در این مقاله به دوره برخی از روش های اصلی تعیین اندازه نمونه از دیدگاه بیزی می پردازیم. تلاش شده که هیچ یک از تکنیکهای اصلی و کلیدی از قلم نیفتد. دو زمینه اصلی این دیدگاه عبارتند از زمینه بیز استنباطی و زمینه کاملا بیزی. در زمینه بیز استنباطی ما غالبا درگیر استنباط راجع به پارامتر مجهول و مورد علاقه مان در جمعیت هستیم و اندازه نمونه را با استفاده از پارامترهای چگالی پسین بدست می آوریم، حال آنکه در زمینه کاملا بیزی، مسئله اندازه نمونه را با بکارگیری تابع زیان مناسبی به یک مسئله تصمیم گیری تبدیل کرده با بهینه کردن تابع هدفی اندازه نمونه را بدست می آوریم.

یکی از روش های ناپارامتری متداول برای برآورد تابع چگالی احتمال روش هسته ای است و در سالهای اخیر استفاده ازB-اسپلاین ها برای برآورد تابع چگالی احتمال مطرح شده است. هر یک از این دو روش بنوعی به پارامتر نامعلوم همواری بستگی دارند که مقدار آن در میزان همواری و دقت برآوردگرهای حاصل تاثیر بسزایی دارد. در این مقاله روش های برآورد تابع جگالی احتمال با استفاده از توابع هسته ای وB-اسپلاین ها ارایه و نحوه انتخاب پارامترهای همواری برای هر دو روش مطرح و میزان دقت برآوردگرهای حاصل بر اساس معیار میانگین انتگرال مربعات خطا و همچنین تاثیر تعداد و میزان پراکندگی داده ها در دقت دو روش مورد مطالعه قرار گرفته است. نتایج نشانگر آن هستند که افزایش پراکندگی داده هایی که از توزیع متقارن پیروی می کنند موجب کاهش دقت هر دو برآوردگر می شود، در حالیکه این امر برای داده هایی که از توزیعی غیر متقارن پیروی می کنند، برعکس موجب بهبود دقت برآوردگرهای هر دو روش می گردد.

چکیده تاکنون در حل معادلات جریان گاز در داخل روتور سانتریفوژ، تحلیلها و مدل سازی های بسیار زیادی انجام گرفته شده است، در هر حل، تقریب و خطاهایی وجود دارد، در این مقاله سعی شده است مدل (Gunzburger, et al., 1989) onsager''s از روش مقادیر ویژه و برای مقادیر حقیقی آن با استفاده از نرم افزار Mathematica تحلیل گردد.

فرض کنید G یک گروه متناهی و نشان دهنده مجموعه تمام زیرگروه های نرمال سره و غیربدیهی G باشد. یک عضو K از را –n تجزیه پذیر گوییم، هرگاه K اجتماع nکلاس تزویج متمایز از G باشد. G را –n تجزیه پذیر نامیم، هرگاه و هر عضو، -n تجزیه پذیر باشد. در این مقاله ساختار گروه های متناهی –n تجزیه پذیر را برای بررسی کرده و این گروه ها را در کلاس گروه های متناهی غیرکامل رده بندی می کنیم.

فرض کنید حاصلضرب دو گروه و باشد. در این مقاله نشان می دهیم که اگر و دو گروه تقریبا مرکزی باشند، آنگاه تقریبا حل پذیر است. یادآور می شود که در سال 1981، چرنیکف (Cernikov) در مقاله ای بسیار فشرده اثباتی برای آن آورده است، ولی اثباتی که ما در اینجا ارائه میدهیم با آنچه که وی بیان کرده کاملا متفاوت و قابل استفاده برای عموم علاقه مندان خواهد بود.

یکی از موضوعات مهم در تحلیل داده های فضایی، پیشگویی مقدار نامعلوم یک میدان تصادفی در موقعیتهای مشخص براساس بردار مشاهدات است. اگر میدان تصادفی مورد نظر گاوسی با ساختار میانگین و کوواریانس پارامتری باشد، پیشگوی بهینه و میانگین مجذور خطای آن قابل محاسبه است. اما در عمل با موارد زیادی مواجه می شویم که مشاهدات از مدل گاوسی تبعیت نمی کنند. در اینگونه موارد اگر تبدیلی غیر خطی از میدان تصادفی، گاوسی باشد پیشگویی فضایی امکان پذیر می گردد. اما اگر این تبدیل نامعلوم باشد، می توان آنرا متعلق به یک خانواده از تبدیلات پارامتری دانست. در اینصورت پیشگوی فضایی علاوه بر پارامترهای مدل به پارامتر تبدیل نیز وابسته خواهد شد و معمولا برآوردهای حداکثر درستنمایی آنها تعیین و در پیشگوی بهینه جایگذاری می شود. اما این کار موجب تردید در بهینگی پیشگوی حاصل خواهد شد. از طرف دیگر, معمولا تعیین میانگین مجذور خطای این پیشگو یا حتی ارائه تقریب مناسبی برای آن بسیار دشوار یا نشدنی است. لذا در این مقاله برای فائق آمدن بر این مسائل, رهیافت بیزی اتخاذ گردیده و با فرض آنکه پارامترهای مدل و تبدیل متغیرهایی تصادفی هستند، پیشگوی بهینه و میانگین مجذور خطای آن تعیین می شوند و نحوه اجرای این تکنیک در یک مثال کاربردی ارائه خواهد شد.

در مطا لعه عمیق روی توزیع زاویه ای پا ره های شکا فت در وا کنش یون سنگین نا همسانگردی های زیادی دیده شده است. این ناهمسانگردی ها را می توان تو سط نظریه استاندارد آماری TSM)) Transition Statistical State Model)) توضیح داد(Rossner, 1986). علت وجود این ناهمسانگردی ها را می توان به مقادیر اسپین بالا یا هسته شکافت پذیر نسبت داد. برای نا همسانگردی های بیشتر می توان از مدل آماری انقطاع (SSM) استفاده کرد. در این مدل توزیع تصویر اسپین در امتداد راستای شکافت می تواند گوسی شکل و با واریانس باشد. دراین مدل بدست آمده از تئوری های وابسته به SSM با های بدست آمده از برازش داده های تجربی به ازای پارامترهای چگالی تراز مختلف LDP و انرژی های تغییر شکل مختلف با هم مقایسه شده اند. در این تحقیق از مدل SSM برای مطالعه توزیع زاویه ای پاره های شکافت القایی حاصل از واکنشهای، ،، ، استفاده شده و نتیجه گیری شده است که مدل SSM در مورد این واکنشها کارآیی خوبی دارد. همچنین با استفاده از این مدل نسبت ممان اینرسی کروی به ممان اینرسی مؤثر محاسبه شده اند که توافق خوبی با مقادیر به دست آمده از مدل قطره مایع دارند و این نشان می دهد که مدل SSM یک مدل فیزیکی است.