برای مقایسه قدرت‌ محاسباتی CPU و یا GPU‌ها یک شاخص خیلی رایج، مفهومی به نام ترافلاپ (TeraFlop) است. یک ترافلاپ معادل یک تریلیون عملیات ممیز شناور در ثانیه(Floating-Point Operations per second) است. ولی عملیات ممیز شناور چه معنایی دارد؟
عملیات ممیز شناور، به محاسباتی گفته می‌شود که با اعداد اعشاری سروکار دارد. برای مثال؛ فرض کنید می‌خواهید مقدار زیر را محاسبه کنید؛
3.14 * 3.14
این یک عملیات ممیز شناور محسوب می‌شود، حالا اگر بخواهید محاسبه زیر را انجام دهید؛
y = 2.1 * cos(1.2) + 3.5 * sin(4.2)
• ابتدا باید مقدار cos(1.2) محاسبه شود که استفاده از سری تیلور یا جداول این مقدار به دست می‌اید (۱ عملیات ممیز شناور)
• سپس باید مقدار به دست آمده cos(1.2) در 2.1 ضرب شود (۱ عملیات ممیز شناور)
• در ادامه باید مقدار sin(4.2) محاسبه شود (۱ عملیات ممیز شناور)
• مقدار به دست آمده برای sin(4.2) باید در 3.5 ضرب شود (۱ عملیات ممیز شناور)

پس در مجموع باید ۴ عملیات ممیز شناور برای محاسبه رابطه بالا انجام شود. اگر یک پردازند که می‌تواند CPU یا GPU باشد، ۱ ترافلاپ قدرت داشته باشد یعنی می‌تواند در هر ثانیه ده به توان دوازده عملیات ممیز شناور را در یک ثانیه انجام دهد. برای درک راحت‌تر، یک پلی استیشن ۲ که یک کنسول بازی قدیمی عرضه شده توسط شرکت سونی در سال ۲۰۰۰ است، حدود ۶ هزارم ترافلاپ قدرت محاسباتی داشته است و یک پلی استیشن ۵ که جدیدترین کنسول بازی شرکت سونی است در حدود 10.28 ترافلاپ قدرت محاسباتی دارد. در نمودار موزاییکی بالا قدرت محاسباتی کشور‌های دنیا که براساس مجموع‌گیری از قدرت‌ محاسباتی ابرکامپیوترهای موجود در این کشور‌ها حاصل شده است را نشان می‌دهد. در این مقایسه کامپیوترهایی به عنوان ابرکامپیوتر شناخته می‌شوند که بیش از ۵۰۰ ترافلاپ قدرت محاسباتی داشته باشند. در این نمودار تعداد این ابرکامپیوترها نیز گزارش شده است. در ادامه جدولی که این نمودار از آن استخراج شده است نیز آمده است. البته نویسنده این گزارش که منبع آن در انتهای این پیام آمده است، به درستی (از دیدگاه من) بیان کرده است که توان محاسباتی چین بالاتر از رقم گزارش شده در این نمودار است و چرایی آن را، پنهان‌کاری چین در آشکار سازی توان محاسباتی بعضی از کامپیوترهایش به دلیل ترس از تحریم‌های جدید آمریکا دانسته است.

[منبع خبر ]

آیا مدل #پیش‌بینی بقاء‌ای که طراحی کردیم، واقعاً قدرت تفکیک بیماران پرخطر از کم‌خطر را دارد؟ شاخص C-Index کمک می‌کند تا این توانایی را دقیقاً اندازه‌گیری کنیم.

#مدل_بقا فقط پیش‌بینی نمی‌کند، بلکه باید تمایز ایجاد کند! سند ضمیمه شده نشان می‌دهد که چگونه با استفاده از C-Index کیفیت پیش‌بینی‌ مدل‌های بقاء را بسنجید.

کتاب آمار رسمی - انجمن آمار ایران
https://irstat.ir/content/1041/%DA%A9%D8%AA%D8%A7%D8%A8-%D8%A2%D9%85%D8%A7%D8%B1-%D8%B1%D8%B3%D9%85%DB%8C

irstat.ir

کتاب آمار رسمی

کتاب آمار رسمی در دسترس اساتید، دانشجویان، کارکنان  دستگاه‌های اجرایی و علاقه مندان به آمار رسمی قرار گرفت. بدینوسیله از جناب آقای دکتر نواب پور که اجازه دسترسی الکترونیک کتاب  آمار رسمی را برای علاقمندان از طریق  سایت انجمن آمار ایران را فراهم نمودند،…

در #مطالعات_بقاء و یا حتی #قابلیت_اطمینان، معمولا یک پیشامد را به‌عنوان پیشامد اصلی مطالعه تعریف می‌کنیم، مثلا در یک مطالعه #کارآزمایی_بالینی بر‌ روی بیماران مبتلا به فشار خون که بر‌اساس نوع درمانی که برای ایشان ارائه می‌شود به دو گروه تقسیم شده باشند، پیشامد اصلی را بهبودی بیماران تعیین کنیم و یا در یک مطالعه مربوط به درمان بیماران مبتلا به سرطان رحم برای بررسی یک داروی جدید و مقایسه‌ اثر آن با یک داروی استاندارد، مرگ بیماران را به عنوان پیشامد اصلی تعریف کنیم. #سنسور‌ ها یکی از مفاهیم اصلی در مطالعات مربوط به بقاء هستند و مزیت استفاده از روش‌های مختص چنین مطالعاتی مانند #رگرسیون_کاکس و یا #برآورد‌گر_کاپلان_مایر، یکی از دلایلش همین در نظر گرفتن سنسور‌ها می‌باشد. ولی سنسورها چی هستند؟
سِنسور‌ در حقیقت شرکت‌کننده‌هایی در مطالعه هستند که ما اطلاعاتی از این افراد (کیس‌ها، آبجکت‌ها) در مطالعه داریم ولی از زمان بقاء واقعی آن‌ها بی‌خبر هستیم.
با توجه به چیزی که در ابتدا یادداشت گفته شد، ما (معمولا) برای هر مطالعه بقاء یک پیشامد اصلی تعریف می‌کنیم، لذا فردی که در مطالعه شرکت کرده باشد ولی اطلاعی از این‌که پیشامد اصلی برای فرد مورد نظر روی داده باشد یا خیر؟ نداشته باشیم، اصطلاحا می‌گوییم آن فرد سِنسور شده است، حالا این سنسور شدن ممکن است به این علت باشد که مطالعه پایان یافته و تا پایان مطالعه رویداد اصلی مورد نظر محقق در مطالعه، تا پایان دوره مطالعه برای فرد روی نداده باشد یا مثلا در وسط مطالعه، این فرد از مطالعه خارج شده باشد یا پیشامدی غیر از پیشامد اصلی مورد نظر محقق بر‌روی فرد در حین مطالعه روی داده باشد، مثلا اگر رویداد اصلی در مطالعه مرگ بر‌ اساس سرطان ریه باشد ولی در حین مطالعه فرد بر‌ اثر تصادف در گذشته باشد. حالا که یک نمای نسبی از سنسور‌ها پیدا کردیم، بهتر است نگاهی داشته باشیم به انواع سنسور‌ها در مطالعات بقاء؛
سنسورها در مطالعه بقاء را می‌توان با وفاداری به کتاب «تحلیل بقاء، ویرایش سوم» نوشته کلن‌باوم و میتچل کلین، در سه دسته قرار دهیم؛
۱- سنسور از راست: زمانی حادث می‌شود که تا پایان مطالعه رویداد مورد نظر برای فرد روی ندهد که این ممکن است به علت این باشد که فرد تا پایان دوره پیگیری، رویداد مورد نظر را تجربه نکند یا‌ این‌که فرد مورد نظر در اواسط مطالعه به هر دلیلی از مطالعه خارج شده باشد که می‌تواند به دلیل روی دادن رویدادی غیر از رویداد مورد نظر محقق باشد و یا اصولا بنا به هر دلیلی چه فردی و یا غیر فردی از مطالعه خارج شده باشد.
۲- سنسور از چپ: زمانی حادث می‌شود که فرد مورد نظر رویداد را در حین پیگیری و یا حتی قبل از دوره پیگیری تجربه کرده باشد، ولی از زمان واقعی تجربه رویداد توسط فرد اطلاع دقیقی نداشته باشیم. مثلا ممکن است یک فرد در یک مطالعه شرکت کرده باشد، ولی قبل از شروع پیگیری، فرد رویداد مورد نظر را تجربه کرده باشد، یا از زمان شروع پیگیری تا اولین زمان بررسی وضعیت افراد، فرد مورد نظر رویداد را تجربه کرده باشد ولی زمان رویداد به یک زمان قبل از زمان بررسی بر‌میگردد که زمان دقیق آن مشخص نیست.
۳- سنسور فاصله‌ای: سنسور فاصله‌ای زمانی حادث می‌شود که باز هم فرد رویداد مورد نظر را تجربه کرده باشد، ولی این تجربه رویداد بین دو زمان مشخص روی داده‌ باشد، یعنی تا یک زمان مشخص مثلا t1 واضح بوده است که فرد در مطالعه است و رویداد را تجربه نکرده است، ولی در زمان t2 که بررسی مجدد بر‌روی وضعیت افراد انجام شده است، مشخص شده است که فرد در یک زمانی بین t1‌ تا t2 رویداد مورد نظر را تجربه کرده است ولی زمان دقیق آن مشخص نیست.

همچنین سنسور‌ها را می‌توان بر‌اساس نوع طرح‌ریزی مطالعه نیز طبقه‌بندی کرد.

۱- سنسور‌های نوع اول: مطالعاتی که بر‌اساس یک زمان مشخص پیگیری انجام می‌شوند، از یک زمان شروع و تا یک زمان پایان مشخص فارغ از این‌که چه تعداد رویداد مورد نظر داشته باشیم یا چه تعداد سِنسور‌.

۲- سنسورهای نوع دوم: مطالعاتی که در آن پیگیری تا روی دادن تعداد معینی رویداد مورد نظر انجام می‌گیرد.

همچنین باید در نظر داشت که روش‌های آماری مانند رگرسیون کاکس و همچنین برآوردگر کاپلان-مایر با این فرض همراه هستند که سنسورهای درون مطالعه سنسور از راست می‌باشند ولی مدل‌های پارامتری که برای زمان بقا یک توزیع آماری را به عنوان پیش‌فرض در نظر میگیرند، می‌توانند هر سه نوع سنسور گفته شده در این نوشتار را مدیریت کنند.