---

---

هنگامی‌که مشاهدات نشان‌دهند‎‏ۀ ساختار چندنمایی، نامتقارن، بریده یا ترکیبی از این حالات هستند، استفاده از توزیع‌های تک‌نمایی متقارن برای مدل‌بندی آنها به نتایج گمراه‌کننده منجر می‌شود. به همین دلیل، توزیع‌هایی که قابلیت مدل‌بندی چولگی، دو یا چندنمایی بودن و بریدگی را داشته باشند، همواره در ادبیات آماری مورد علاقه بوده‌اند. برای ایجاد چنین ویژگی‌هایی در یک توزیع، راه‌های متفاوتی وجود دارد که از آن جمله می‌توان به ‌کار بست توزیع‌های وزنی اشاره نمود. در این مقاله، نشان داده شده است که با انتخاب توابع وزن مناسب برای یک توزیع متقارن مانند نرمال می‌توان چنین قابلیت‌هایی را در توزیع وزنی متناظر با آن ایجاد نمود.

---

فرایند همترازسازی به‌منظور مقایسه نمرات حاصل از دو آزمون مختلف با موضوع‌های یکسان به ‌کار برده می‌شود. این پژوهش با هدف یافتن بهترین روش همترازسازی داده‌ها
با استفاده از مدل لوژستیک انجام گرفته است.‎
از داده‌های آزمون دکتری رشته آمار در دو سال متوالی ‎92‎ و ‎93‎ استفاده گردید. برای تحلیل صرفا‏ً سؤال‌های آزمون‌های تخصصی رشته آمار که ‎45‎ سؤال است به ‌کار گرفته شد. پارامترهای سؤال و توانایی افراد بر اساس مدل سه پارامتری با استفاده از نرم‌افزار ‎MULTILOG‎ برآورد شدند. به‌منظور انجام این پژوهش روش‌های میانگین - میانگین، میانگین - سیگما،‌ هابرا و استوکینگ - لرد با در نظر گرفتن گروه‌های نابرابر با طرح آزمون لنگر اجرا شده و از آمارۀ انحراف میانگین توان دوم خطاها برای انتخاب روش بهینه استفاده گردید. نتایج تحلیل‌ها به‌طور کلّی نشان می‌دهد که روش‌های مبتنی بر منحنی ویژگی دارای نتایج دقیق‌تری هستند.

---

 در این مقاله، یک توزیع جدید معرفی می‌گردد که تعمیمی از یک توزیع شناخته شده است. این توزیع انعطاف‌پذیر بوده و در مدل‌بندی داده‌های درآمد کاربرد دارد. در ابتدا برخی از ویژگی‌های ریاضی و توزیعی این الگوی جدید را ارائه می‌کنیم و سپس برای نشان دادن انعطاف‌پذیری توزیع جدید، کاربردهایی از این توزیع را با استفاده از داده‌های واقعی ارائه خواهد شد. نتایج برازش داده‌ها نیز مناسب بودن این الگوی جدید را برای مجموعه‌داده‌های واقعی در نظر گرفته شده تأیید می‌کنند.  

---

مدل‌های فرایند نقطه‌ای زیادی برای بررسی انواع رشته‌های علمی از قبیل: زمین‌شناسی، پزشکی، ستاره‌شناسی، جنگل‌داری، محیط ‌‌زیست و غیره پیشنهاد شده‌اند. مسئلۀ ارزیابی برازش این مدل‌ها مهم است. روش‌های مبنی بر مانده‌ها، ابزارهای مناسبی برای ارزیابی نیکویی برازش مدل‌های فرایند نقطه‌ای فضایی هستند. در این مقاله ابتدا مفاهیم مرتبط با مانده‌های ورونوی بررسی می‌شود، در ادامه پس از برازش یک فرایند نقطه‌ای خوشه‌ای به مجموعه‌داده‌های موقعیت درختان جنگل گیلان، با استفاده از این مانده‌ها مدل پیشنهاد شده ارزیابی می‌شود.

---

یکی از معروف‌ترین رویکردهای اکتشافی برای کاهش بُعد و توصیف ساده‌تر منابع اصلی تغییرات، تحلیل مؤلفه‌های اصلی است. با وجود مزایای جالب توجه این روش، به‌کارگیری آن در برخی از مواقع مشکلاتی را به همراه دارد. حضور نقاط دوراُفتاده در مجموعه‌داده‌ها، تأثیرهای مخربی بر نتایج این رویکرد دارد که به نظر می‌رسد گونه‌ای از مؤلفه‌های اصلی که اُستوار باشند برای اخذ نتایج معتبر، سودمند است. به علاوه، وجود بارهای میانی در برخی از ترکیبات خطی، تفسیر مؤلفه‌ها را دشوار می‌سازد که در این حالت می‌توان گونه‌ای از تُنُک‌سازی مؤلفه‌ها را در نظر گرفت. در این مقاله، برای حصول هم‌زمان مؤلفه‌های اصلی اُستوار و تُنُک، رویکرد ترکیبی کارآمدی ارائه و سپس به‌منظور ارزیابی و مقایسه آن با رویکردهای مطرح شده از شبیه‌سازی آماری بهره گرفته می‌شود. در نهایت، ابزارهای مورد اشاره در تحلیل مثال واقعی مرتبط با مجموعه‌داده‌های جرم و جنایت در آمریکا مورد استفاده قرار می‌گیرد.

---

هدف این مقاله، معرفی روش انقباض برای تحلیل الگوریتم‌ها است. بر اساس این روش، چندین رده از روابط بازگشتی می‌توانند به‌عنوان حالت‌های خاص چارچوب کلّی بیان شده تحلیل شوند. گام‌های اصلی این فن بر اساس ویژگی‌های انقباض الگوریتم نسبت به متر‌های احتمالیِ مناسب پایه‌ریزی می‌شوند. نوعاً توزیع حدی به‌عنوان نقطه‌ ثابت یک عملگر حدی روی ردۀ توزیع‌های احتمال مشخص‌سازی می‌شود. 

---

با توجه به افزایش روز افزون سهم خدمات در سراسر دنیا یکی از عوامل تأثیر‌گذار بر رضایت مشتریان ارائه خدمات به موقع با کمترین میزان تأخیر است و همواره یکی از دغدغه‌های اصلی مراکز ارائه خدمات حضوری، نحوه تخصیص کار‌‌‌ها، برنامه‌ریزی و سازماندهی و ترتیب رسیدگی و مسیریابی ارائه خدمات به مشتریان بوده است و عدم برنامه‌ریزی صحیح در این زمینه موجب افزایش بار ترافیکی در سطح شبکه و افزایش آلودگی زیست محیطی، آلودگی صوتی و اتلاف وقت، اتلاف سوخت و در‌نهایت نارضایتی مصرف‌کنندگان و تکنسین‌ها را به‌همراه خواهد‌ داشت. از جهتی  تقسیم کار روزانه جهت ارائه سرویس به‌صورت دلخواه و با در نظر گرفتن نظر افراد انتخاب بهینه‌ای نخواهد بود در این پژوهش با مطالعه موردی در یک شرکت خدمات پس از فروش در صنعت لوازم خانگی و با استفاده تقاضاهای مشتریان در شهر اصفهان، با بکارگیری ازروش‌های داده‌کاوی، نقاط تقاضای جغرافیایی مشتریان با الگوریتم ‎K-means‎  خوشه‌بندی شده  و سعی شده است با استفاده از خوشه‌بندی مناطق جغرافیایی،  فضای جستجوی مسئله را کاهش داده شود و با توجه به این‌که مسئله مسیریابی جز مسائل ‎NP-Hard‎ قرارمی‌گیرد از الگوریتم شبیه‌سازی تبرید جهت یافتن مسیر تکنسین‌ها با تقاضای احتمالی مشتریان با رعایت ظرفیت کار روزانه در هر خوشه استفاده شده و به‌منظور مقایسۀ نتایج، مسئله مسیریابی تکنسین‌ها و با همان محدودیت‌ها و بدون اعمال خوشه‌بندی، نیز انجام شده است.  نتایج محاسباتی نشان می‌دهد که در مسئله مسیریابی تقاضای احتمالی با رعایت محدودیت ظرفیت کار روزانه برای سرویسکاران پس از خوشه‌بندی با الگوریتم ‎K-means‎، تابع هدف، در مقایسه با حل مسئله بدون اعمال خوشه‌بندی بهبود قابل توجهی داشته است. مسیریابی تکنسین خدمات، بااستفاده از خوشه‌‌بندی ضمن جوابگو بودن در زمان بسیار کمتر دارای آزمون تکرار پذیری بالاتری بوده و موجب ایجاد نظم و افزایش حس مسئولیت و افزایش تسلط بر مناطق ارائه خدمات می‌گردد و نقش مؤثری در کاهش زمان رسیدگی به مصرف‌کننده و جلب رضایت آنها دارد.

---

در عصر حاضر دسته‌بندی داده‌ها به‌منظور تشخیص و پیش‌بینی وقایع، یکی از موضوعات بسیار مهم در علوم مختلف است. در علم آمار دیدگاه سنتی این کلاس‌بندی‌ها براساس روش‌های کلاسیک و بر پایه مدل‌های آماری از جمله رگرسیون لژستیک امکان‎‌ پذیر خواهد بود. در عصر حاضر که به‌عبارتی عصر انفجار اطلاعات نامیده می‌شود، در اکثر موارد با داده‌هایی مواجه هستیم که نمی‌توان توزیع دقیقی را برای آن‌ها یافت؛ از این‌رو استفاده از روش‌های داده کاوی و یادگیری ماشین که به مدل‌های از پیش تعیین شده نیاز ندارند، می‌تواند مسمر ثمر باشد. در بسیاری از کشورها تشخیص دقیق نوع منابع آب‌های زیر زمینی، یکی از مسائل قابل توجه در زمینه علوم آب است. در این مقاله به مقایسه نتایج حاصل از رده‌بندی یک مجموعه داده مربوط به منابع آب‌های زیرزمینی با استفاده از روش‌های رگرسیونی، شبکه عصبی و ماشین بردار پشتیبان پرداخته‌ایم. نتایج از این کلاس‌بندی‌ها نشان داد که روش‌های یادگیری ماشین در تشخیص دقیق نوع چشمه‌ها موثر بوده است.

---

مدیریت شواهد مبنا و برنامه‌ریزی‌های توسعه‌ای متکی به آمارهای رسمی هستند. بعضی موانع وجود دارند که باعث می‌شوند نتوان آمارگیری تک‌مدی را انجام داد. این موانع عبارت‌اند از چارچوب نمونه‌گیری، زمان، بودجه و دقت اندازه‌گیری در هر مد. این عامل‌ها باعث می‌شوند که همیشه نتوان از آمارگیری تک‌مدی استفاده کرد. بنا بر این نیاز است که از روش دیگری برای گرداوری داده‌ها که بر این موانع فائق بیایند، استفاده کرد. این روش را روش آمارگیری آمیخته‌مد که ترکیبی از چند مد است می‌نامند. ما در این مقاله نشان می‌دهیم که آمارگیری‌های آمیخته‌مد می‌توانند دقت بیشتری در تولید آمارهای رسمی نسبت به آمارگیری‌های تک‌مدی داشته باشند. 

---

در تجزیه و تحلیل داده‌های بقای سانسورشده، مدل‌های رگرسیونی کاکس از اهمیت ویژه‌ای برخوردار هستند. با افزایش متغیرها در یک مدل، به منظور دست‌یابی به مدل‌های کاراتر، می‌توان از روش‌های تاوانیده  استفاده کرد.  در این مقاله،  به مروری بر مدل رگرسیون کاکس تاوانیده برای برخی از توابع تاوان معروف پرداخته شده است. هم‌چنین،  مجموعه داده‌های پزشکی mgus2 بررسی شده و نشان داده شده که مدل‌های تاوانیده بهتر از رگرسیون کاکس به این داده‌ها برازش می‌شود که تاوان لاسو، بهترین عملکرد را برای این داده‌ها دارد. 
 

---

هنگامی که داده ها از یک الگوی خطی ثابت تبعیت نکنند و به شکل پویایی بر حسب زمان یا مکان الگوهای متنوعی داشته باشند، مدل های با ضرایب متغیر به عنوان مهم ترین ابزار برای کشف الگوهای پویا در آنها مطرح می شوند. این مدل ها تعمیم طبیعی مدل های کلاسیک پارامتری هستند که با تفسیر پذیری خوب، محبوبیت زیادی در تجزیه و تحلیل داده ها به دست آورده اند. انعطاف پذیری و تفسیر پذیری بالای این مدل ها سبب کاربرد زیاد آنها در داده های واقعی شده است.

در این مقاله ضمن مرور مختصری بر مدل های با ضرایب متغیر به روش برآورد پارامتر با استفاده از تابع هسته و اسپلاین مکعبی پرداخته و فاصله اطمینان و آزمون فرض برای توابع پارامترها به دست می آوریم. در نهایت با استفاده از داده های واقعی نرخ تورم ایران در سالهای 1368 تا 1396، کاربرد و قابلیت های مدل با ضرایب متغیر را در تفسیر نتایج نشان می دهیم چالش اصلی عدم برازش مناسب مدل داده های پانلی و نیز مدل های با واریانس غیر ثابت سربهای زمانی مثل مدل های آرچ و گارچ و مشتقات آنها به این داده هاست که استفاده از مدل های با ضرایب متغیر را توجیه می نماید.

---

داده‌های شمارشی فضایی در اغلب علوم مانند علوم محیطی، هواشناسی، زمین‌شناسی و پزشکی مشاهده می‌شود. برای تحلیل داده‌های رسته‌ای شمارشی که همبستگی مکانی در آن‌ها مشاهده می‌شود اغلب از مدل‌های خطی تعمیم‌یافته فضایی براساس توزیع‌های پواسونی  (مدل فضایی پواسون-لگ‌نرمال) و دوجمله‌ای (مدل فضایی دوجمله‌ای-لوجیت نرمال) استفاده می‌شود. تابع درست‌نمایی این نوع مدل‌ها دارای پیچیدگی‌های تئوری و محاسباتی است. رهیافت بیزی به‌واسطه الگوریتم‌های مونت کارلویی زنجیر مارکوف یک راه‌حل برای برازش این مدل‌ها می‌تواند باشد، هرچند مشکلاتی از لحاظ نرخ پایین پذیرش نمونه‌ها و طولانی شدن زمان اجرای الگوریتم‌ها معمولا وجود دارد. یک راه‌کار مناسب استفاده از الگوریتم مونت کارلویی همیلتونی  (هیبریدی) در رهیافت بیزی است. در این مقاله، روش جدید مونت کارلوی همیلتونی برای تحلیل بیزی مدل‌های شمارشی فضایی  روی داده‌های آلودگی هوای شهر تهران مورد مطالعه قرار می‌گیرد. همچنین دو الگوریتم مونت کارلویی معمول زنجیر مارکوفی (گیبز و متروپولیس- هستینگس)  و لانجوین-هستینگس برای رهیافت بیزی کامل مدل‌ها روی داده‌ها به‌کار گرفته می‌شوند.  در نهایت با ملاک‌های تشخیصی، رهیافت مناسب برای تحلیل داده‌ها و پیشگویی در همه نقاط شهر معرفی می‌شود.

---

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.
 

---

روش کمترین توان‌های دوم برای برآورد ضرایب رگرسیونی مدل‌های خطی روشی بسیار ساده، کاربردی و مفید است. این روش آماری توسط کاربران رشته‌های مختلف به‌سبب ارائه بهترین برآوردگر خطی نااریب با کمترین واریانس مورد استفاده قرار می‌گیرد. متاسفانه این روش در شرایطی که مشاهده ‎(مشاهدات)‎ پرت در مجموعه داده حضور داشته باشند، خروجی قابل اطمینانی نخواهد داشت، زیرا نقطه فروریزش (معیار استواری برآوردگر) این روش %0 است. به همین سبب شناسایی این مشاهدات امری حائز اهمیت است. تاکنون روش‌های مختلفی برای شناسایی این مشاهدات پیشنهاد شده است. در این مقاله به ‏مرور و بحث در مورد جزئیات روش‌های معرفی‌شده پرداخته می‌شود. در انتها با ارائه یک مثال شبیه‌سازی‌ به بررسی هر یک از روش‌های معرفی شده می‌پردازیم.

---

یکی از مسائل مهم در علوم مختلف موضوع رده‌بندی است. رگرسیون لوژیستیک یکی از روش‌های آماری برای رده‌بندی داده‌ها است که در آن توزیع داده‌ها معلوم فرض می‌شود.محققان امروزه علاوه بر روش‌های آماری از روش‌های دیگری که در آن نیاز به معلوم بودن توزیع داده‌ها نیست مانند روش‌های یادگیری ماشین برای رده‌بندی داده‌ها استفاده می‌کنند . در این در این مقاله علاوه بر رگرسیون لوژیستیک، برخی از الگوریتم های یادگیری ماشین شامل CART،تقویت، Bagging جنگل تصادفی  در حوزه ی یادگیری با نظارت توضیح داده می شود. در نهایت با استفاده از ۴ مجموعه داده واقعی و یک مثال شبیه سازی شده  کارایی رگرسیون لوژیستیک با الگوریتم‌های یادشده  بر اساس معیار دقت و حساسیت و صحت  مورد مقایسه قرار می گیرند.


 

---

امروزه ضرورت توجه به آموزش آمار در همه پایه ها از دوره ابتدایی گرفته تا دانشگاه بیش از پیش نمایان شده است. یکی از اهداف نظام‌های مختلف آموزشی که در اسناد بالادستی آنها انعکاس یافته است، داشتن شهروندانی است که مجهز به سواد آماری هستند. در این راستا، بسیاری از سازمان‌ها و نهادهای آماری، از آموزش آمار به عنوان یکی از اهداف و رسالت‌های ویژه خود یاد کرده‌اند. کتاب‌های درسی ریاضی مدرسه‌ای در ایران نیز بخش‌هایی را به بحث‌های آمار و احتمال اختصاص داده‌اند. بررسی نقش مباحث آمار و احتمال در کتاب‌های درسی مدرسه‌ای در ایران نشان می‌دهد که پیشرفت خوبی در گنجانیدن بحث‌های آمار و احتمال در کتاب‌های درسی حاصل شده است، اما هنوز با وضعیت ایده‌آل فاصله زیادی دارد. در مقاله حاضر پس از بحث مختصر در مورد ضرورت توجه به آموزش آمار در برنامه درسی ریاضی مدرسه‌ای، سیر تاریخی ارایه بحث‌های آموزش آمار و احتمال در ایران و جهان مرور خواهد شد. سپس چالش‌های موجود در معرفی مباحث آموزش آمار و احتمال در برنامه درسی ریاضی مدرسه‌ای به تصویر کشیده می‌شود و در پایان دو رویکرد جدید (توجه به مه‌داده‌ها، استفاده از فناوری‌های نوین برای شبیه‌سازی و مدل‌سازی پدیده های دنیای واقعی) برای رسیدن به وضعیت مطلوب در حوزه آموزش آمار و احتمال، با تفصیل بیشتر و ذکر مثال، معرفی خواهند شد.

---

رخداد داده­های طول عمر مساله­ای است که معمولا در تحقیق­های گوناگون شامل آمارگیری­ها، آزمایش­های کلینیکی و مطالعات اپیدمیولوژی روی می­دهد. اخیرا تحقیق­های نظری وسیعی در حوزه­ی تحلیل داده­های طول عمر انجام شده است. با این حال، از آن­جایی که معمولا اطلاعات کمی بر اساس داده­ها برای برآورد صحیح پارامترهای مدل­ موجود است؛ استنباط­ها ممکن نسبت به فرض­های غیر قابل آزمون حساس باشند که نیاز به انجام یک تحلیل حساسیت را گوشزد می­نماید.  در این مقاله، ما نحوه ارزیابی­کردن اثر پریشیدگی پاسخ­های رگرسیونی لگ – بتا وایبل را بیان می­کنیم. همچنین کاربرد و تفسیر روش­های تحلیل تاثیر با استفاده از  تحلیل داده های سانسور شده، مرور و تعمیم داده می شود. یک شیوه درستنمایی – مبنا که منجر به برآورده­های ماکسیمم درستنمایی برای پارامترهای مدل می­گردد، مورد استفاده قرار می گیرد. به منظور ارزیابی عملکرد شاخص­های معرفی شده در کشف حساسیت پارامترهای کلیدی مدل، چندین مطالعه شبیه سازی انجام گرفته است. ما  به وسیله تحلیل کردن  داده­های  سرطان، روش های بیان شده را تشریح می­کنیم.

---

 الگوریتم­ کاهش بعد چندعاملی به عنوان یک الگوریتم توانمند برای شناسایی اثرات متقابل مراتب بالا در ساختارهای ابربعد محسوب می­شود. در این تحقیق با استفاده از اطلاعات  748 مورد بیمار مبتلا به بیماری بهجت که به مرکز تحقیقات روماتولوژی، بیمارستان شریعتی تهران مراجعه کرده بودند  و 776 شاهد سالم، برای شناسایی اثرات متقابل بین پلی مورفیسم های ژن ERAP1 دخیل در رخداد بیماری بهجت از الگوریتم کاهش بعد چندعاملی استفاده شده است. محاسبات با استفاده از نرم افزار mdr 3.0.2 انجام گرفته است. مدل های حاصل از الگوریتم کاهش ابعاد چند عاملی با دقت متعادل[3] بالای 6/0 دخیل در افزایش ریسک بیماری بهجت تعیین شده اند. الگوریتم کاهش ابعاد چند عاملی توان و سرعت بالایی در محاسبه اثرات متقابل پلی مورفیسم­ها یا جهش­های ژنتیکی و شناسایی اثرات متقابل مهم و معنی­دار دارد.

---

در این تحقیق، هدف بررسی و تحلیل روشی برای پیش‌بینی قیمت سهام بورس اوراق بهادار است. هرچند پیش‌بینی بازار سرمایه با توجه به وابستگی آن به عامل سیاست چندان ساده نیست‏‏،

اما با مدل‌سازی داد‌ه‌ها، پیش‌بینی عملکرد سهام بورس اوراق بهادار در بازه‌ بلندمدت تا حدودی امکان‌پذیر خواهد بود. در این راستا با ‏استفاده از مدل‌های رگرسیون نیم‌پارامتری و رگرسیون بردار تکیه‌گاه

با هسته‌های مختلف و اندازه‌گیری خطاهای پیش‌بین، بر روی یکی از سهم‌های بازار بورس اوراق بهادار بر اساس نوسان‏‎‎‏های روزانه و مقایسه روش‌ها با استفاده از معیارهای ریشه میانگین توان دوم خطاها

و میانگین قدرمطلق درصد خطا‎‏ها، مدل رگرسیون بردار تکیه‌گاه با هسته شعاعی و خطای ‏برابر 0.1‎

‏دارای مناسب‌ترین برازش روی داده‌های واقعی بازار سهام بوده ‌است‎.