|
|
|
|
|
 |
جستجو در مقالات منتشر شده |
 |
|
4 نتیجه برای یارمحمدی
شهرام یعقوب زاده، علی شادرخ، مسعود یارمحمدی،
جلد 9، شماره 1 - ( 6-1394 )
چکیده
در این مقاله یک توزیع پنج پارامتری جدید به نام توزیع بتاوایبول هندسی که نرخ شکست آن افزایشی، کاهشی و گودالی شکل است معرفی می‌شود و به کمک چندجمله‌ای‌های استرلینگ، تابع چگالی احتمال و برخی از ویژگی‌های آن مانند تابع‌های نرخ خطر و بقا، گشتاورها و چندک، آنتروپی‌های رنی و شانون، گشتاورهای آماره‌های مرتب، میانگین مانده عمر و میانگین مانده عمر معکوس به‌دست آورده می‌شود. همچنین با روش ماکسیمم درستنمایی برآورد پارامترها ارائه و با مقایسه برازش توزیع بتا وایبول هندسی و چند زیرمدل آن به یک مجموعه داده واقعی، نشان داده می‌شود که توزیع بتا وایبول هندسی برازش بهتری به این مجموعه داده دارد.
علی شادرخ، شهرام یعقوب زاده، مسعود یارمحمدی،
جلد 12، شماره 1 - ( 6-1397 )
چکیده
در این مقاله به کمک توزیع‌های G-توانی بسط‌‌‌هایی کلی برای تابع چگالی احتمال و تابع توزیع تجمعی، گشتاورها و آنتروپی‌های رنی و شانون و آماره‌های مرتب این خانواده توزیع‌ها به دست آورده می‌شود. همچنین از روش ماکسیمم درستنمایی برای برآورد پارامترهای آن استفاده کرده و به کمک یک مجموعه داده واقعی نشان داده می‌شود که خانواده توزیع‌های ریستیک-بالاکریشنان-G مدلی مناسب برای توزیع طول عمر است.
زهرا خادم بشیری، علی شادرخ، مسعود یارمحمدی،
جلد 15، شماره 1 - ( 6-1400 )
چکیده
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.
آقای رضا ذبیحی مقدم، دکتر مسعود یارمحمدی، دکتر حسین حسنی، دکتر پرویز نصیری،
جلد 16، شماره 2 - ( 12-1401 )
چکیده
روش تحلیل مجموعه ی مقادیر تکین (SSA( یک روش ناپارامتری قدرتمند درحوزه ی تحلیل سریهای زمانی بوده و به دلیل دارا بودن ویژگی‌هایی نظیر عدم نیاز به برقراری فروض مانایی و یا محدودیت در تعداد مشاهدات جمع آوری شده مورد توجه قرار گرفته است. هدف اصلی روش SSA تجزیه سریهای زمانی به اجزای تفسیرپذیر مانند روند، مولفه نوسانی و نوفه بدون ساختار است. در سالهای اخیر تلاش های مستمری از جانب محققان در حوزه های مختلف پژوهشی در جهت بهبود این روش خصوصاٌ در زمینه ی پیش بینی سری های زمانی صورت گرفته است. در این مقاله روش جدیدی برای بهبود پیش بینی روش SSA با استفاده از الگوریتم فیلتر کالمن در مدل های ساختاری معرفی می شود. سپس کارایی عملکرد این روش و چند روش تعمیم یافته SSA با روش SSA پایه با استفاده از معیار ریشه میانگین مربعات خطاها مورد مقایسه قرار می گیرد. برای انجام این مقایسه، از داده های شبیه سازی شده از مدل های ساختاری و نیز داده های واقعی مصرف گاز در انگستان استفاده شده است. نتایج به دست آمده از این بررسی نشان می دهد که روش معرفی شده جدید از دقت بیشتری نسبت به سایر روش ها برخوردار است.
|
|
|
|
|
|
|
|
|
|
|
