---

 در این مقاله به مقایسه تصادفی طول عمر سیستم‌های موازی با مؤلفه‌های غیر همگن از توزیع پارتو بر حسب ترتیب تصادفی ستاره و ترتیب تصادفی محدب پرداخته می‌شود. ثابت خواهد شد که طول عمر یک سیستم موازی با مؤلفه‌های مستقل غیر همگن از مدل پارتو بر حسب ترتیب تصادفی محدب، همیشه کمتر از طول عمر یک سیستم موازی دیگر با مؤلفه‌های مستقل همگن از مدل پارتو است. همچنین تحت یک شرط کلی روی پامترهای مقیاس نتیجه‌ای در ارتباط با ترتیب تصادفی ستاره اثبات می‌شود.

---

یکی از بحث‌های چالشی در مدل‌های رگرسیونی انتخاب مدل بهینه است، بدین شکل که چگونه می‌توان متغیرهای توضیحی مهم و متغیرهای قابل اغماض را مشخص کرده و رابطه‌ بین متغیر پاسخ و متغیرهای توضیحی را به‌طور ساده‌تر بیان نمود. با توجه به محدودیت‌های مربوط به انتخاب متغیر به روش کلاسیک نظیر انتخاب گام به گام، می‌توان از روش‌های رگرسیون تاوانیده استفاده کرد. یکی از مدل‌های رگرسیون تاوانیده، مدل رگرسیونی لاسو است که در آن فرض می‌شود خطاها از توزیع نرمال پیروی می‌کنند. در این مقاله، مدل رگرسیون لاسو بیزی با خطایی با توزیع نامتقارن و وجود متغیرهای توضیحی از بعد بالا معرفی می‌شود. سپس با شبیه‌سازی و تحلیل داده‌‌های  واقعی، عملکرد مدل پیشنهادی مورد بحث و بررسی قرار می‌گیرد.

---

 الگوریتم تقویت، الگوریتمی ترکیبی برای کاهش عدم توازن و واریانس  از خانوادۀ الگوریتم‌های یادگیری ماشین در حوزۀ یادگیری با نظارت  است. ‌ این الگوریتم، روشی برای تبدیل سیستم‌های یادگیری ضعیف به سیستم قوی بر اساس ترکیب نتایج مختلف است.  پس از انتخاب متغیر‌ها و ساخت مدل اولیه، با تنظیم نرخ یادگیری و سایر پارامتر‌های الگوریتم تقویت، مدل‌های ضعیف به مدل قوی‌تری برای برازش به داده‌ها تبدیل می‌شود.
در این مقاله مدل‌های آمیخته با اثرات تصادفی  برای کوچک نواحی در نظر گرفته شده که در آن خطاها از مدل $AR-GARCH$ پیروی می‌کنند.  به‌منظور  انتخاب متغیر در این مدل‌ها برای کوچک نواحی، الگوریتم تقویت پیشنهاد شده است. با داده‌های شبیه‌سازی شده و داده‌های مالیاتی، عملکرد الگوریتم تقویت  در انتخاب متغیر با  روش‌های کلاسیک انتخاب متغیر مورد مطالعه قرار گرفته است. نتایج  نشان می‌دهند الگوریتم تقویت عملکرد بهتری در انتخاب متغیر  برای کوچک نواحی دارد.