هجدهمین کنفرانس آمار ایران

| آخرین بروزرسانی: 1405/4/17 |

هجدهمین کنفرانس آمار ایران، دانشگاه صنعتی خواجه نصیرالدین طوسی، 7 تا 9 شهریور 1405

مقدمه و معرفی کنفرانس

کنفرانس آمار ایران بزرگ‌ترین و معتبرترین رویداد علمی جامعه آماری کشور است که هر دو سال یک بار با همکاری انجمن آمار ایران در یکی از دانشگاه‌های مطرح برگزار می‌گردد. دانشگاه صنعتی خواجه نصیرالدین طوسی افتخار دارد در شهریورماه 1405 میزبان هجدهمین دوره این همایش بزرگ ملی و بین‌المللی باشد.

مهم‌ترین اهداف این رویداد علمی عبارتند از:

فراهم آوردن بستری مناسب برای ارائه آخرین دستاوردهای پژوهشی و کاربردی در تمامی گرایش‌های علوم آماری و داده‌کاوی.
تقویت ارتباط بین دانشگاهیان، پژوهشگران و متخصصان صنایع و سازمان‌های اجرایی کشور جهت به کارگیری روش‌های آماری.
برگزاری نشست‌های نقد و بررسی تخصصی، کارگاه‌های آموزشی کاربردی و سخنرانی اساتید و دانشمندان برجسته داخلی و بین‌المللی.

📅 زمان‌بندی کنفرانس

شروع ثبت‌نام در سایت: 1404/10/01
آغاز دریافت مقالات: 1404/11/01
پایان ارسال مقالات: 1405/03/16
اعلام نتایج داوری مقالات: 1405/04/10
آخرین مهلت ثبت‌نام: 1405/04/30
زمان برگزاری کنفرانس: 7 تا 9 شهریور 1405

🔬 محورهای کنفرانس

آمار نظری
آمار کاربردی
آمار فضایی
آمار زیستی
احتمال و فرایند تصادفی
آمار و احتمال در محیط‌های فازی و عدم قطعیت
علم‌داده‌ها، کلان‌داده و حکمرانی داده
یادگیری ماشین و هوش مصنوعی
توسعه پایدار و هوشمندسازی
آمار رسمی و اقتصاد سنجی
قابلیت اطمینان، قابلیت اعتماد، تحلیل دوام و کنترل کیفیت آماری
آموزش آمار، سواد آماری و سواد داده
بانکداری، بیمه مالی و مدیریت ریسک
تاریخ، فلسفه و اخلاق در آمار
آمار و کاربرد آن در سایر علوم

🎙️ برنامه سخنرانی‌های کلیدی و مدعو

1. Professor Dr. Saleha Naghmi Habibullah

Kinnaird College for Women, Lahore, Pakistan

عنوان سخنرانی

Improved Estimation of Parameters of Log-Symmetric Distributions for Achieving Better Fit

چکیده

Non-negative data arises in numerous fields. Self-inverse log-symmetric distributions provide an opportunity to construct estimators of distribution parameters that are more efficient than the corresponding well-known moment estimators, leading, in general, to more accurate modeling of non-negative real data.

This paper presents a review of a number of self-inversion-based estimators that have been developed during the past ten to twelve years, and focuses on a self-inversion-based estimator of the rth moment about the mean. A simulation study is presented to demonstrate the superiority of the self-inversion-based estimator over the moment (MoM) estimator in terms of efficiency.

The advantageousness of the self-inversion-based estimator over the moment estimator for purposes of modeling is demonstrated through application to two data-sets taken from the literature.

Keywords: self-inverse log-symmetric distributions, self-inversion-based estimators, simulation study, efficient estimator, modeling.

2. Professor Victor H. Lachos

Department of Statistics, University of Connecticut, Connecticut, United States of America

چکیده

Matrix-variate normal distributions are widely used for modeling three-way data structures that frequently arise in longitudinal studies and multidimensional spatiotemporal analyses. In practice, however, such datasets often contain incomplete information, including censored values—reported only as being above or below detection limits—and missing observations. Moreover, deviations from normality, such as skewness, introduce additional challenges.

To address these issues, we propose an efficient EM-type algorithm for maximum likelihood estimation under interval-censored and/or missing data within the matrix-variate skew-normal framework. The algorithm leverages closed-form expressions based on the truncated moments of multivariate skew-normal distributions, which can be efficiently evaluated using available software. Through simulation studies, we demonstrate the limitations of matrix-variate normal models when applied to non-normal data.

The practical value of the proposed method is further illustrated with a real-world case study on water quality monitoring.

3. Professor Andriëtte Bekker

Emeritus Professor, Department of Statistics, Faculty of Natural and Agricultural Sciences, the University of Pretoria

عنوان سخنرانی

Modeling incomplete compositional datasets

چکیده

Incomplete compositional data analysis is hindered by the lack of likelihood-based methods that directly handle missing proportions on the simplex. This topic introduces an estimation technique that operates directly on the original data, thereby accommodating missing values while preserving the interpretability of the variables within their natural domain.

Simulation studies demonstrate robust performance in parameter estimation and imputation across missingness mechanisms. To showcase its practicality, the proposed algorithm is applied to real datasets exhibiting distinct missingness patterns.

Keywords: Censoring, Compositional, Clustering, Detection limit, Hidden values, Missing values, Mixture Models.

4. Professor Shahjahan Khan

Emeritus Professor, University of Southern Queensland, Australia
Vice Chancellor, Asian University of Bangladesh, Dhaka, Bangladesh

چکیده

The world is passing through the age of data revolution with phenomenal growth of data every moment. Scientific processing of large volume data to extract the beneficial hidden information requires statistical methods and analyses. The old perception of Statistics as a mere collection of tools to gather, compile, and analyse data along with the misleading statement of ‘lies, damned lies and statistics’ have no place in the knowledge society dominated by the data revolution.

In the contemporary world, statistics is the foundation of evidence-based decision-making using complex and large volume of data. The application of statistics has found new momentum in diverse disciplines due to the emergence of high-power computer, big data, and data science/analytics. Many of the popular artificial intelligence methods such as machine learning tools and predictive modellings are essentially adopted statistical techniques.

Because of its ability to uncover otherwise unavailable valuable information latent in the mess of data, statistical methods are increasingly being applied for both private and public decision-making, as well as research and innovation. The scope of statistics is not confined by any artificial borders as it disseminates through policymaking across scientific disciplines, and private, public, and international spaces.

Because of the inherent power of statistics, results from data have been widely used, misused and abused by many of those who are in authority and power, often creating controversies.

5. Professor Reza Ramezan

Department of Statistics and Actuarial Science, University of Waterloo

عنوان سخنرانی

Revisiting Laplace Approximation: A Scalable Bayesian Computational Framework for Spatial GEV Models

چکیده

The generalized extreme value (GEV) distribution is a popular model for analyzing and forecasting extreme weather data. To increase prediction accuracy, spatial information is often pooled via a latent Gaussian process (GP) on the GEV parameters. Inference for GEV-GP models is typically carried out using Markov chain Monte Carlo (MCMC), or approximately via methods such as the integrated nested Laplace approximation (INLA).

However, MCMC becomes prohibitively slow as the number of spatial locations increases, whereas INLA is only applicable in practice to a limited subset of GEV-GP models. Here we revisit the original Laplace approximation GEV-GP models.

In combination with a sparsity-inducing basis expansion, we show through simulations that our approach accurately estimates the Bayesian predictive distribution of extreme weather events, is scalable to thousands of spatial locations, and is orders of magnitude faster than MCMC. A case study on extreme snowfall in Canada is presented.

6. Dr. Sarah Jomhouri

Department of Statistics, University of Birjand

عنوان سخنرانی

Change Point Detection in Count Time Series: An Empirical Likelihood Approach
تشخیص نقطه تغییر در سری‌های زمانی شمارشی: یک رویکرد درستنمایی تجربی

چکیده

تشخیص نقطه تغییر یکی از موضوعات مهم در تحلیل سری‌های زمانی است که با هدف شناسایی زمان وقوع تغییرات ساختاری در رفتار یک فرآیند تصادفی انجام می‌شود. این مسئله در سری‌های زمانی شمارشی، به دلیل ماهیت گسسته داده‌ها و وابستگی زمانی موجود در مشاهدات، از اهمیت و چالش‌های ویژه‌ای برخوردار است.

در این سخنرانی، با استفاده از رویکردهای ناپارامتری مانند درستنمایی تجربی، تغییرات ساختاری موجود در پارامترهای مدل‌های سری زمانی شمارشی مورد بررسی قرار می‌گیرند. در این چارچوب، بدون نیاز به فرض یک توزیع پارامتری مشخص برای داده‌ها، آماره‌های نسبت درستنمایی تجربی برای آزمون وجود نقطه تغییر و شناسایی مکان آن ساخته می‌شوند.

همچنین عملکرد روش‌های پیشنهادی از طریق مطالعات شبیه‌سازی و تحت سناریوهای مختلف ارزیابی خواهد شد. در نهایت، کاربرد روش‌های مورد بحث بر روی مجموعه‌داده‌های واقعی شمارشی ارائه خواهد شد تا نحوه استفاده از این رویکردها در مسائل کاربردی و شناسایی نقاط تغییر در داده‌های واقعی نشان داده شود.

7. Dr. Majid Malekan

Queen's University – Instructor of Educational Studies

عنوان سخنرانی

آموزش آمار شهروندی از کنفرانس 1403 تا کنون: کمی روضه و یک پیشنهاد

چکیده

در کنفرانس آمار سال 1403، در همراهی با برخی از شرکت‌کنندگان، مطلبی با عنوان «پیشنهادهای یک غیرآماری در زمینه آموزش آمار برای شهروندی» ارائه شد. بازخوردهای مثبت این سخنان و مکاتبات پس از کنفرانس برای پیگیری برخی از پیشنهادها، دلگرم‌کننده بود.

اما اکنون که دو سال از آن رویداد گذشته است، حتی کوچک‌ترین، کم‌زحمت‌ترین و کم‌خرج‌ترین پیشنهادها نیز جامه عمل نپوشیده‌اند.

این ارائه تلاشی برای واکاوی برخی دلایل این ناکامی است. بیشتر پیشنهادهای مطرح‌شده در کنفرانس سال 1403 را می‌توان ذیل آموزش غیررسمی (Informal Education) دسته‌بندی کرد. به‌علاوه، آموزش برای شهروندی ماهیتاً در زمره آموزش انتقادی (Critical Pedagogy) قرار می‌گیرد. همچنین همه آن پیشنهادها متکی بر فعالیت‌های داوطلبانه بودند.

در این سخنرانی تلاش می‌شود با تشریح برخی ویژگی‌های آموزش غیررسمی، آموزش انتقادی و فعالیت‌های داوطلبانه، ریشه‌های ناکامی پیش‌گفته تبیین و در نهایت، پیشنهادی مشخص برای برون‌رفت از وضعیت کنونی ارائه شود.

کلمات کلیدی: آمار مدنی، آمار شهروندی، ترویج علم، آموزش غیررسمی، آموزش انتقادی، فعالیت داوطلبانه.

8. Professor Mohammad Reza Faghihi

Department of Statistics, Shahid Beheshti University

عنوان سخنرانی

علم آمار در عصر هوش مصنوعی: از استنباط داده‌محور تا تصمیم‌گیری هوشمند

چکیده

جهان امروز با رشد بی‌سابقه داده‌ها، گسترش هوش مصنوعی و پیچیده‌تر شدن مسائل علمی، اقتصادی و اجتماعی مواجه است. در چنین شرایطی، بیش از هر زمان دیگری نیاز به روش‌هایی احساس می‌شود که بتوانند از دل داده‌ها، دانش معتبر استخراج کرده و عدم قطعیت را به شکلی علمی مدیریت کنند. این مأموریت تاریخی، از آغاز تاکنون، بر عهده علم آمار بوده است.

اگرچه در سال‌های اخیر توجه افکار عمومی و صنایع به هوش مصنوعی معطوف شده است، اما بسیاری از پیشرفت‌های بنیادین این حوزه بر مفاهیم آماری همچون احتمال، استنباط، یادگیری از داده، طراحی آزمایش، مدل‌سازی و سنجش عدم قطعیت استوار هستند. از این منظر، هوش مصنوعی را می‌توان نه رقیب آمار، بلکه یکی از مهم‌ترین عرصه‌های تجلی و گسترش آن دانست.

این سخنرانی کلیدی به بررسی جایگاه علم آمار در قلب تحولات فناورانه قرن بیست‌ویکم می‌پردازد و مهم‌ترین دستاوردهای نوین این علم، از جمله استنباط علّی، روش‌های بیزی، یادگیری آماری، تحلیل داده‌های کلان، تبیین‌پذیری مدل‌های هوشمند و کمی‌سازی عدم قطعیت را مرور می‌کند.

همچنین نقش آمار در توسعه کاربردهای نوظهور در حوزه‌هایی نظیر سلامت و پزشکی شخصی‌سازی‌شده، صنعت و تولید هوشمند، خودروهای خودران، مدیریت ریسک مالی، حکمرانی داده‌محور و سیاست‌گذاری عمومی مورد بحث قرار خواهد گرفت.

👥 ارکان و کمیته‌های کنفرانس

اعضای کمیته علمی کنفرانس

دکتر محمد آرشی (دبیر کمیته علمی | تخصص: یادگیری و مدل‌بندی آماری-ماشینی | دانشگاه فردوسی مشهد)
دکتر محسن محمدزاده (تخصص: آمار فضایی | دانشگاه تربیت مدرس)
دکتر غلامرضا محتشمی برزادران (تخصص: نظریه اطلاعات | دانشگاه فردوسی مشهد)
دکتر عبدالرحمن راسخ (تخصص: مدل‌های خطی | دانشگاه شهید چمران اهواز)
دکتر مریم عبدالعلی (تخصص: هوش مصنوعی | دانشگاه صنعتی خواجه نصیرالدین طوسی)
دکتر جواد کوشکی (تخصص: بهینه‌سازی | دانشگاه صنعتی خواجه نصیرالدین طوسی)
دکتر راضیه خودسیانی (تخصص: طرح و تجزیه آزمایش‌ها | دانشگاه صنعتی خواجه نصیرالدین طوسی)
دکتر زهرا رضایی قهرودی (تخصص: آمار ریاضی | دانشگاه تهران)

اعضای کمیته اجرایی کنفرانس

دکتر احد ملک زاده (دبیر کنفرانس | تخصص: آمار استنباطی | دانشگاه صنعتی خواجه نصیرالدین طوسی)
دکتر راضیه خودسیانی (مسئول دبیرخانه | تخصص: طرح و تجزیه آزمایش‌ها | دانشگاه صنعتی خواجه نصیرالدین طوسی)
دکتر جواد کوشکی (تخصص: بهینه‌سازی | دانشگاه صنعتی خواجه نصیرالدین طوسی)
دکتر مریم عبدالعلی (تخصص: هوش مصنوعی | دانشگاه صنعتی خواجه نصیرالدین طوسی)

📝 الگوها و راهنمای نگارش مقالات

پژوهشگران و اساتید محترم می‌توانند فایل‌های فرمت، الگوهای آماده‌سازی و دستورالعمل نگارش مقالات کنفرانس را از لینک‌های زیر دریافت نمایند:

📝 فرم‌های کنفرانس

برای ارسال پیشنهادها و اطلاعات مربوط به برنامه‌های علمی هجدهمین کنفرانس آمار ایران، فرم‌های زیر در وب‌سایت رسمی کنفرانس در دسترس است:

💳 هزینه‌های کنفرانس

🏛️ آیین‌های نکوداشت و کارگاه‌های جانبی

آیین نکوداشت استاد پیشکسوت آمار، دکتر غلامرضا محتشمی برزادران

در حاشیه آیین اختتامیه هجدهمین کنفرانس آمار ایران، مراسم نکوداشت دکتر غلامرضا محتشمی برزادران، استاد پیشکسوت گروه آمار دانشگاه‌های بیرجند و فردوسی و رئیس اسبق دانشگاه بیرجند، برگزار شد.

کارگاه‌های آموزشی

هم‌زمان با هجدهمین کنفرانس آمار ایران، سه کارگاه آموزشی تخصصی با حضور استادان و پژوهشگران برگزار می‌شود. این کارگاه‌ها از 7 تا 9 شهریور 1405 به‌صورت مجازی برگزار شد.