در بین تمام توزیع‌های آماری توزیع نرمال استاندارد مهم‌ترین و کاربردی‌ترین توزیع آماری بوده و محاسبه سطح زیر منحنی چگالی و تابع توزیع آن مورد نیاز است. ضابطه این تابع به‌صورت یک انتگرال معین بیان می‌شود، ولی متاسفانه تابع اولیه آن دارای شکل بسته و تحلیلی نیست، لذا باید آن را تقریب زد. در این مقاله رابطه تقریبی سرگئی وینزکی با یک روش جدید اثبات می‌شود، سپس این تقریب با تغییراتی در رابطه آن بهبود داده و نشان می‌دهیم حداکثر مقدار خطای آن کمتر از 0000584/0 است. در انتها رابطه‌ای نیز برای محاسبه صدک‌های توزیع نرمال به‌دست آورده می‌شود.

تمام مشاهدات نقش یکسان در مدل‌های آماری ندارند. گاهی برخی از مشاهدات اثرات نامناسبی روی نتایج تحلیل رگرسیونی‌ دارند. بنابراین شناسایی چنین مشاهداتی در تحلیل داده‌ها از اهمیت ویژه‌ای برخوردار است. برای شناسایی چنین مشاهداتی از روش‌های تشخیصی استفاده می شود. در مقاله حاضر با استفاده از روش حذف موردی و مدل انتقال میانگین نقاط دورافتاده، مباحث تشخیصی در مدل خطی آمیخته نیمه‌پارامتری با خطا در اندازه‌گیری مورد بررسی قرار گرفته است. علاوه بر مباحث حذف موردی، مباحث حذف آزمودنی نیز ارایه شده است. در پایان عملکرد مباحث تشخیصی با استفاده از مجموعه داده‌های واقعی و یک مثال شبیه‌سازی نشان داده شده است.

در این مقاله یک روش برای برآورد ماتریس کوواریانس مدل ARMA با بهره‌گیری از ماتریس باند پیشنهاد شده است. تابع درستنمایی مدل ARMA با ماتریس کوواریانس قطری به دست آمده و تقریب‌هایی نیز برای معیارهایی مانند کولبک-لیبلر و چرنوف ارائه شده است. بعلاوه دو قاعده برای ممیزی مدل‌های ARMA با استفاده از تقریب‌های به دست آمده پیشنهاد شده است. سپس با استفاده از داده‌های شبیه‌سازی شده و واقعی، توانایی روش پیشنهادی در ممیزی مدل‌های مختلف ARMA نشان داده شده است. کاهش قابل ملاحظه تعداد محاسبات برای سری‌های زمانی بزرگ و نرخ خطای ممیزی پایین از ویژگی‌های قواعد پیشنهاد شده است. همچنین عدم نیاز به فرض نرمال بودن در یک قضیه نشان داده شده است.

در تحلیل رگرسیونی مطالعه مباحث تشخیصی شامل تعیین مشاهدات مؤثر و نقاط پرت از اهمیت ویژه‌ای برخوردار است. حساسیت روش کمترین توان‌های دوم نسبت به حضور مشاهدات مؤثر و داده‌های پرت در مدل موجب شد که گامی در جهت توسعه‌ مباحث تشخیصی به منظور ارائه‌ معیارهایی برای اندازه‌گیری تأثیر و شدت وابستگی به این مشاهدات برداشته شود. تعیین مشاهدات مؤثر و نقاط پرت در داده‌ها، زمانی که متغیرهای مستقل همخطی داشته باشند، بسیار پیچیده و مشکل است و خصوصاً اینکه حضور همخطی می‌تواند برخی از داده‌های غیرعادی را پوشش دهد. یکی از روش‌های مورد توجه برای تعیین مشاهدات پرت، روش انتقال میانگین است. در این مقاله، روش انتقال میانگین را برای برآوردگر ریج تحت محدودیت‌های خطی تصادفی؛ که به منظور کاهش اثر همخطی استفاده شده، تعمیم داده و برای این برآوردگر آماره آزمون جهت شناسایی مشاهدات پرت ارائه خواهد شد. در نهایت توانایی این روش را با استفاده از یک مثال کاربردی از داده‌های واقعی نشان داده می‌شود.