در این مقاله ضمن معرفی کران های باتاچاریا و شیرساگار، سعی شده است کران باتاچاریا چندپارامتری را که کمتر مورد بررسی دقیق قرار گرفته به طور ساده تر و قابل فهم بازنویسی شود. همچنین کران شیرساگار چندپارامتری که تاکنون مورد مطالعه قرار نگرفته است بیان و اثبات می شود. در نهایت با ارائه چند مثال از توزیع لگ نرمال به محاسبه و مقایسه کران های معرفی شده پرداخته می شود

یک نامساوی مهم برای توزیع ماکسیمم متغیرهای تصادفی مستقل نامساوی لوی است. در این مقاله یک نسخه از این نامساوی برای متغیرهای به طور ضعیف وابسته منفی ارایه می گردد. قانون قوی برای متغیرهای وابسته توسط مولفین مختلفی مورد بررسی قرار گرفته اند. در این تحقیق، همچنین، همگرایی کامل وزنی برای آرایه ای از متغیرهای تصادفی سطری وابسته منفی کراندار احتمالی بدست می آید. همگرایی کامل و قانون قوی برای چنین خانواده ای از متغیرهای تصادفی از نتایج حاصله می باشند

در این مقاله ضمن یادآوری تابع چندک، برخی از اندازه‌های قابلیت اعتماد مبتنی بر آن بازنویسی شده، سپس  آنتروپی مانده‌ی تجمعی پویا را بر اساس تابع چندک به دست آورده و برخی از ویژگی‌های آن مطالعه  شده است. در ادامه توزیع‌های آماری یکنواخت، نمایی و پارتو بر اساس آنتروپی مانده‌ی تجمعی پویا مبتنی بر تابع چندک  مشخص‌سازی شده است.  آنگاه  برآوردگر ساده‌ای برای این آنتروپی معرفی و رفتار آن برای توزیع نمایی بررسی شده است. در انتها نیز بحث و نتیجه‌گیری ارائه شده است.

سیستم قابل تعمیری را در نظر بگیرید که از زمان صفر شروع به کار کند، به محض از کار افتادن با یک مولفه از نوع خودش تعویض می‌شود یا تعمیر شده و دوباره به فعالیت خود ادمه می‌دهد. در این مقاله فعالیت این سیستم در حالت‌های مختلف برحسب نوع تعمیر در نظر گرفته و برای هر حالت مدل احتمال و تابع درستنمایی برای فرآیند تعمیرات در بازه‌ای با طول معین، تحت عنوان سانسور پنجره‌ای، به‌دست آورده می‌شود. با توجه به اینکه مدل‌های حاصل به توزیع اولیه طول عمر مولفه بستگی دارند، با فرض اینکه این توزیع نمایی باشد، برآورد ماکسیمم درستنمایی و میزان اطلاع فیشر برای برخی از حالت‌ها محاسبه شده است. بدیهی است در صورت تعمیرکامل، مدل تحت مطالعه منطبق با ساختار احتمال یک فرایند تجدید است.

 یکی از موضوعات مهم در تحلیل داده‌های فضایی، پیش‌گویی مقدار نامعلوم کمیت مورد مطالعه در موقعیت‌های دلخواه بر اساس یکی از مدل‌های فضایی مانند اتورگرسیو فضایی یک‌طرفه، اتورگرسیو شرطی و میانگین متحرک است. در این مقاله ابتدا پارامترهای مدل (SAR(2,1 را به روش ماکسیمم درستنمایی برآورد کرده سپس فرمول‌هایی برای پیش‌گویی درون قلمرو داده‌ها (درون‌یابی) و خارج قلمرو داده‌ها (برون‌یابی) به‌دست آورده می‌شود. سپس کاربرد و کارایی روش‌های ارائه شده در قالب یک مثال مربوط به پردازش تصویر نشان داده خواهد شد.

آنتروپی نقش اساسی در مباحث قابلیت اعتماد و مطالعات طول عمر سیستم‌ها ایفا می‌کند. در مطالعات اخیر توجه زیادی به استفاده از تابع چندک، خواص و کاربردهای آن به عنوان رویکردی جایگزین در تشخیص مدل‌های آماری و تحلیل داده‌ها شده است. در مقاله حاضر آنتروپی مانده تسالیس مبتنی بر تابع چندک معرفی و به بررسی خواص آن در مدل‌های پیوسته پرداخته می‌شود. با در نظر گرفتن توزیع‌های طول عمر خاص، صورت‌هایی بسته برای آنتروپی مانده تسالیس چندکی بدست آورده و خواص یکنوایی آنها را مورد مطالعه قرار داده و به مشخص‌سازی بر اساس این آنتروپی پرداخته شده ‌است. همچنین اندازه واگرایی تسالیس بر مبنای تابع چندک و شکل چندکی آن برای متغیر مانده عمر بدست آورده می‌شود. در نهایت یک برآوردگر برای آنتروپی مانده تسالیس چندکی معرفی شده و با مطالعه شبیه‌سازی، عملکرد آن ‌مورد بررسی قرار گرفته ‌است.

در مباحث قابلیت اعتماد، سیستم‌های چند جزئی که هر یک از اجزای آن‌ها شامل چندین مؤلفه باشد به سیستم‌های مرکب معروف هستند. در این تحقیق سیستم‌های مرکبی در نظرگرفته می‌شوند که دارای n جزء بوده و هر یک از اجزای آن‌ها شامل دو مؤلفه‌ی وابسته است. با شرط فعال بودن برخی مؤلفه‌ها در زمان مشخص t، میانگین مانده‌ی عمر این سیستم‌ها مورد بررسی قرار می‌گیرد. برای این منظور، ابتدا مدل دو جمله‌ای دومتغیره و تعمیم‌هایی از این مدل بیان و سپس میانگین مانده‌ی عمر سیستم‌های مرکب در حالت کلی بررسی می‌شود. رفتار این تابع تحت مدل فارلی-گامبل-مورگنشترن نسبت به پارامترهای مختلف با استفاده از روش‌های عددی مورد بررسی قرار می‌گیرد.

 در تحلیل سری‌های زمانی، بهتر است قبل از هرگونه تحلیلی، وابستگی داده‌ها مورد بررسی قرار گیرد. زیرا اگر داده‌ها از یکدیگر مستقل باشند، برازش مدل‌های متداول سری زمانی که مبتنی بر اصولی چون مانایی و وابستگی داده‌های زمانی است، اعتباری نخواهد داشت. ملاک واگرایی توان در سال‌های اخیر، اغلب برای آزمون نیکویی برازش مورد استفاده قرار گرفته است. در این مقاله با تشکیل بردارهای مجاور ‎m‎تایی و استفاده از نمادسازی جایگشت، آزمونی مبتنی بر ملاک واگرایی توان برای بررسی استقلال سری‌های زمانی معرفی می‌شود که به پارامتر کنترل کننده نوع آزمون بستگی دارند. پس از بدست آوردن توزیع حدی آماره آزمون، با استفاده از یک مطالعه شبیه‌سازی، خطای نوع اول و توان آزمون برای برخی از حالت‌های خاص پارامتر کنترل کننده نوع آزمون بدست می‌آید. به وسیله نتایج شبیه‌سازی نشان داده می‌شود که برای حجم نمونه نسبتا بزرگ به ازای تمامی مقادیر پارامتر کنترل کننده نوع آزمون خطای نوع اول آزمون به سطح اسمی آن نزدیک می‌شود و آزمون‌های خی-دو اصلاح شده، نسبت درستنمایی اصلاح شده و فریمن-توکی بیشترین توان را دارند.

در این مقاله الگوی طول عمر برمبنای سیستم‌های سری با تعداد مؤلفه‌های تصادفی از خانواده توزیع‌های سری توانی در نظر گرفته شد. ابتدا  نتایج نظری پایه به‌دست آمده  که در ادامه از آن‌ها در مسئله بهینه‌سازی تعداد مؤلفه‌ها در سیستم‌های سری استفاده شده است. متوسط طول عمر سیستم، تابع هزینه و زمان کل آزمایش به عنوان معیارهای بهینه‌سازی تعداد مؤلفه‌ها مورد استفاده قرار گرفته‌اند. مسئله با جزئیات برای حالتی که طول عمر مؤلفه‌های سیستم دارای توزیع وایبل و تعداد مؤلفه‌ها دارای توزیع هندسی، لگاریتمی یا پواسن بریده‌شده در صفر باشد، بررسی  و نتایج به صورت تحلیلی و عددی بیان شده است. در پایان با ارائه یک مثال، از نتایج به‌دست آمده برای تحلیل داده‌های واقعی استفاده شده است.

توجه به تابع مفصل به منظور مدل‌سازی ساختار وابستگی داده‌ها در دهه‌های اخیر بسیار رایج شده است. سه روش گشتاوری، ترکیبی و گشتاور مفصل برای برآورد پارامتر وابستگی تابع مفصل در حضور داده دورافتاده در این مقاله مورد نظر است. هرچند روش گشتاوری یک روش قدیمی است، اما گاهی اوقات این روش منجر به برآورد نامناسبی می‌گردد. در نتیجه، دو روش دیگر برآورد پارامتر بر پایه گشتاوری برای بهبود برآورد پارامتر در نظر گرفته شده‌اند. نتایج مطالعه شبیه‌سازی نشان داد که وقتی از روش گشتاور مفصل و روش ترکیبی برای مفصل در حضور داده دورافتاده استفاده می‌کنیم، میانگین مربع خطای به دست آمده کوچک‌تر است. همچنین روش گشتاور مفصل بهترین برآورد براساس میانگین مربع خطا است. در نهایت، نتایج عددی به دست آمده در یک مثال کاربردی به کار گرفته می‌شود.