---

  بیماری‌های قلبی-عروقی شایع‌ترین علت مرگ و میر در سراسر جهان است. از سوی دیگر برای تعیین یک مدل بقای مناسب به‌منظور پیشگویی خطر بروز بیماری‌های قلبی و شناسایی عوامل خطرساز مهم در بروز این بیماری‌ها باید شکل تابعی که زمان بقا و عوامل خطرساز را به هم مرتبط ‌سازد را مشخص کرد. در این مطالعه یک روش کاهش بعد بسنده با استفاده از یک مدل کلّی که مدل‌های بقای متداول را به‌عنوان موارد خاص شامل می‌شود، به‌منظور پیشگویی خطر بروز بیماری‌های قلبی پیشنهاد شده است.

روش‌های کاهش بعد بسنده مبتنی بر رگرسیون وارون که با مدل خطرهای متناسب کاکس ترکیب شده، در مجموع یک عملکرد پیشگویانۀ خوبی برای بقای آینده افراد دارد.

---

امروزه به موازات رشد روزافزون علم و فناوری، داده هایی با ماهیت تابعی به سهولت جمع آوری می شوند. از اینرو تحلیل آماری چنین داده هایی از اهمیت ویژه ای برخوردار شده است. همانند تحلیل های چند متغیره ترکیبات خطی از متغیرهای تصادفی نقشی کلیدی در تحلیل داده های تابعی دارند. در این میان نقش نظریه ی فضاهای هیلبرت با هسته ی بازآفرین بسیار حائز اهمیت است. در این مقاله، مفهومی عام از تحلیل تشخیصی خطی فیشر که توسط شین ( ٢٠٠٨ ) معرفی شده و تعمیمی از روش چند متغیره کلاسیک برای داده های تابعی است، مرور شده است. در این تعمیم یک نگاشت دوسویی که فرایند تصادفی نوع دوم را با فضای هیلبرت با هسته بازآفرین تولید شده بوسیله تابع کوواریانس درون رده ای ارتباط می دهد، بکار گرفته می شود. در نهایت داده های هواشناسی کشور در سال ٢٠٠٨ به منظور رده بندی اقلیمی مورد تجزیه و تحلیل قرار گرفته اند.