در این مقاله توزیعی جدید بر مبنای توزیع وایبول ارائه  می‌شود. این توزیع دارای سه پارامتر است که نرخ شکست‌های صعودی، نزولی، وان شکل، تک‌مدی و صعودی نزولی صعودی را شامل می‌شود. سپس خواص  توزیع مورد بررسی قرار می‌گیرد آنگاه با استفاده از یک مجموعه  داده واقعی ویژگی‌های آن با برخی از تعمیم‌های توزیع وایبول مقایسه می‌شود.

طرح نمونه‌گیری با طبقه‌بندی قضاوتی روشی موثر برای استفاده از اطلاعات اضافی رتبه‌بندی و انتخاب نمونه‌ای با اطلاعات بیشتر نسبت به نمونه‌گیری تصادفی ساده از جامعه است. این روش نمونه‌گیری به نحوی است که هر یک از مشاهدات می‌تواند به‌طور تصادفی درون هر یک از طبقات قرار گیرد. در این مقاله برآوردگر جدیدی برای میانگین در این طرح نمونه‌گیری معرفی می‌شود که با تغییر در چینش مشاهدات باعث یک‌دست شدن مشاهدات درون طبقات می‌شود. در ادامه برآوردگر پیشنهادی با سایر برآوردگرهای میانگین موجود تحت این طرح نمونه‌گیری مورد مقایسه قرار می‌گیرد. نتایج شبیه‌سازی نشان می‌دهد که برآوردگر پیشنهادی عملکرد بهتری نسبت به سایر برآوردگرها دارد.

رگرسیون خطی استوار یکی از متداولترین رویکردها در روش‌های آماری استوار است. پارامترهای این روش اغلب از طریق کمترین توان‌های دوم پیراسته برآورد می‌شوند که در آن تابع هدف به‌گونه‌ای صورت‌بندی می‌شود که مجموع k تا از کوچکترین توان دوم باقیمانده‌ها (خطاها) کمینه شود. لذا این روش در مقایسه با روش متداول کمترین توان دوم خطا از محاسبات پیچیده‌تری برخوردار است. هدف اصلی این مقاله ارائه یک روش جدیدِ برآورد مدل‌های خطی جزئی با رویکرد تشخیص داده‌های پرت و معرفی برآوردگرهای استوار بر مبنای کمترین توان‌های دوم پیراسته است. در این راستا ابتدا روش تفاضلی در برآورد پارامترهای مدل خطی جزئی بیان می‌شود. سپس روش به‌دست آوردن برآوردگرهای تفاضلی استواری در مدل‌های خطی جزئی بر اساس یک مسئله بهینه‌سازی مبتنی بر کمینه‌سازی  مجموع k تا از کوچکترین توان دوم باقیمانده‌ها معرفی می‌شود. این رویکرد توانایی تشخیص داده‌های پرت را دارد. نتایج عددی مطالعه شبیه‌سازی و مطالعه کاربردی با داده‌های واقعی نشان‌دهنده دقت بسیار زیاد برآوردگرهای تفاضلی استوار معرفی شده در این مقاله در مقایسه با برآوردگرهای کلاسیک و متداول مدل‌های خطی جزئی هستند.

در این مقاله یک توزیع دو پارامتری جدید به عنوان تعمیمی از توزیع لیندلی، تحت عنوان توزیع لیندلی لگاریتمی با تابع نرخ شکست صعودی و وانی شکل معرفی می‌شود. توزیع جدید از ترکیب توزیع لیندلی و توزیع لگاریتمی به‌دست می‌آید. چندین ویژگی از توزیع جدید از جمله تابع چگالی، تابع نرخ شکست، چندک‌ها و گشتاورها محاسبه می‌شود. برآورد ماکسیمم درستنمایی با استفاده از الگوریتم EM به‌دست می‌آید. در نهایت برتری این توزیع نسبت به توزیع لیندلی، با استفاده از دو سری داده واقعی نشان داده می‌شود.

در نمونه‌گیری موزون به عنوان تعمیمی از نمونه‌گیری تصادفی هر مشاهده، با احتمالی متناسب با یک تابع نامنفی از آن ثبت می‌شود. در این مقاله مدل رگرسیونی نرمال تحت نمونه‌گیری موزون برای یک وزن کلی پیشنهادی مطالعه می‌گردد. پارامترهای مدل در دو حالت معلوم و نامعلوم بودن پارامتر وزن برآورد می‌شوند و با استفاده از شبیه‌سازی کارایی برآوردها هنگامی که شکل بسته‌ای برای آنها به‌دست نمی‌آ‌ید مطالعه می‌شوند. به‌عنوان یک کاربرد، داده‌های تعداد نسخه پزشکان متخصص طرف قرارداد سازمان تا مین اجتماعی اهواز این مدل  تحلیل می‌شوند.

در برخی از مسائل کاربردی نیاز به انتخاب یکی از جوامع مورد بررسی و برآورد پارامترهای این جامعه گزینش شده است. فرض کنید k نمونه  تصادفی از k جامعه به ترتیب با تابع توزیع‌هایی که از مدل نرخ شکست متناسب یا نرخ شکست وارون متناسب پیروی می‌کنند انتخاب شده باشد و براساس یک قاعده  گزینش معین هدف برآورد تابعی از پارامتر بهترین (بدترین) جامعه  گزینش شده باشد. در این مقاله تحت تابع زیان نامتقارن آنتروپی، برآوردگر مخاطره نااریب با کمترین مخاطره به‌طور یکنواخت پارامترهای جامعه گزینش شده را به دست آورده و شرایط کافی برای آن که برآوردگری برای این پارامترها مینیماکس باشد تعیین می‌شود. سپس برآوردگرهای پذیرفتنی و ناپذیرفتنی خطی آنها را به‌دست آورده و رده  کلیه برآوردگرهای غالب بر برآوردگر مفروض مشخص می‌گردد. آنگاه نشان داده می‌شود که در هر حالت برآوردگر مخاطره نااریب با کمترین مخاطره به‌طور یکنواخت ناپذیرفتنی است و برآوردگرهای به‌دست آمده از طریق رسم نمودار مخاطره آنها با یکدیگر مقایسه می‌شوند.

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.

در این مقاله روش دنباله‌ای محض برای برآورد پارامتر مقیاس توزیع نمایی وقتی که تابع ریسک توسط مقدار ثابت از پیش تعیین شده‌ای کران‌دار شده باشد مورد استفاده قرار می‌گیرد. در این مقاله فرم‌های بسته‌ای برای امید ریاضی و ریسک متغیر توقف و همچنین برآوردگر مبتنی بر آن به‌دست می‌آید. همچنین برای بهبود عملکرد برآوردگر پارامتر مقیاس، قاعده توقف تعدیل یافته معرفی می‌شود به‌طوری‌که تابع ریسک تحت آن به‌طور یکنواخت توسط مقدار از پیش تعیین شده کران‌دار گردد. در نهایت برای نشان دادن درستی آنچه به‌صورت نظری ارائه شده شبیه‌سازی‌هایی انجام می‌شود.

برآوردگرهای تاوانیده در سال‌های اخیر در برآورد پارامترهای رگرسیونی بسیار مورد توجه قرار گرفته‌اند، که معروف‌ترین آن‌ها برآوردگرهای تاوانیده با نُرم مستطیلی هستند. این برآوردگرها، همزمان انتخاب متغیر و برآورد پارامتر انجام می‌دهند. در این مقاله، با استفاده از اطلاعات پیشین غیرقطعی در مورد پارامترها، برآوردگرهای بهتری با مخاطره کمتر در مقایسه با برآوردگر لاسو، تاوانیده با نُرم مستطیلی ارائه شده است. برتری کارآیی برآوردگرهای انقباضی پیشنهاد شده در یک مطالعه‌ شبیه‌سازی نسبت به برآوردگر لاسو نشان داده شده است. همچنین کاهش در مقادیر میانگین خطاهای پیش‌بینی در مجموعه داده‌های سرطان آمار و ارقام ایالات متحده‌ آمریکا حاکی از قدرت پیش‌گویی برآوردگرهای انقباضی است.

معمولا با مشاهده یک نمونه تصادفی و با استفاده از روش‌های معمول برآوردیابی مانند روش ماکسیمم درستنمایی به برآورد پارامتر نامعلوم می‌پردازند. در بعضی مواقع اطلاعاتی در مورد پارامتر واقعی به‌صورت یک حدس در اختیار داریم. در چنین حالت‌هایی می‌توان برآوردگر ماکسیمم درستنمایی یا هر برآوردگر دیگری را در جهت مقدار حدسی منقبض کرد و برآوردگرهای انقباضی را ساخت. در این مقاله، به مطالعه رفتار یک برآوردگر انقباضی بیزی برای پارامتر مقیاس توزیع نمایی براساس نمونه‌های سانسور شده تحت یک تابع زیان نامتقارن ناوردای مقیاس می‌پردازیم. برای این منظور، برآوردگر انقباضی بیزی معرفی و کارآیی نسبی بین این برآوردگر و بهترین برآوردگر خطی با توجه به حجم نمونه، ابرپارامترهای توزیع پیشین و میزان نزدیکی مقدار حدسی به مقدار واقعی پارامتر محاسبه می‌شود. همچنین نتایج به‌دست آمده به توزیع‌های طول عمر رایلی و وایبول تعمیم داده می‌شود.

 در این مقاله، به معرفی خانواده توزیع‌های دومتغیره گومپرتز تعمیم‌یافته-سری توانی پرداخته می‌شود. این کلاس جدید از توزیع‌های دومتغیره شامل چندین مدل مانند توزیع دومتغیره گومپرتز تعمیم‌یافته-هندسی، پواسون، دوجمله‌ای، لگاریتمی و دوجمله‌ای منفی و توزیع دومتغیره نمایی تعمیم‌یافته است. نحوه ساختن و ویژگی‌های این کلاس از توزیع‌های دومتغیره ارائه شده و روند برآوردیابی برای پارامترهای مدل با روش‌های ماکسیمم درستنمایی و الگوریتم EM بحث می‌شود. در نهایت دو کاربرد از داده‌های واقعی برای برازش این مدل و مفید نشان دادن آن ارائه می‌شوند.

 در این مقاله برآوردهای ماکسیمم درستنمایی، نااریب با کمترین واریانس به طور یکنواخت، صدکی، بهترین برآورد صدکی تک-مشاهده‌ای در خانواده برآوردهای صدکی تک-مشاهده‌ای و بهترین برآورد صدکی دو-مشاهده‌ای در خانواده برآوردهای صدکی دو-مشاهده‌ای مبتنی بر آماره‌های ترتیبی برای تابع چگالی احتمال و تابع توزیع تجمعی توزیع بتا وایبول هندسی، خصوصا با تابع نرخ خطر گودالی و تک‌مدی شکل که برای مدل‌بندی داده‌های مربوط به قابلیت اعتماد و طول عمر مفید است در دو بخش به دست آورده شده و با استفاده از روش شبیه‌سازی مونت‌کارلو و محاسبه میانگین توان دوم خطای برآوردگرها مقایسه شده و در هر بخش برآورد مطلوب تعیین می‌شود.

امروزه استفاده از روش‌های مختلف سانسور در آزمون‌های قابلیت اعتماد در صنعت و آزمون‌های زمان - بقا در آزمایشات کلینیکی فراگیر شده است. یکی از این روش‌های سانسور، سانسور پیش‌رونده‌ نوع I و II است. استفاده از این نوع سانسورها، معایبی نیز به همراه دارد. در این مقاله تلاش می‌شود با ایجاد تغییراتی در سانسور پیش‌رونده نوع I، معایب آن کاهش یابد و همچنین یک طرح کلی ارائه گردد که سانسور پیش‌رونده نوع II را نیز شامل گردد. این کار از این طریق صورت می‌پذیرد که برخلاف قبل، تعداد برداشت و زمان برداشت متغیرهای تصادفی در نظر گرفته می‌شوند. ابتدا به معرفی سانسورهای پیش‌رونده نوع I، II و دو نوع از تعمیم‌های آن‌ها پرداخته می‌شود، سپس روش سانسور جدید بر پایه‌ سانسور پیش‌رونده نوع I توضیح داده و تابع چگالی احتمال آن بیان می‌گردد. چند حالت خاص آن نیز معرفی می‌شود و در پایان، پیرامون پارامترهای مدل استنباط آماری انجام می‌شود و در ادامه الگوریتم شبیه‌سازی سانسور جدید ارائه و برای مقایسه این طرح سانسور تعمیم‌یافته با روش‌های سانسور رایج، از شبیه‌سازی استفاده خواهد شد.

 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.

فرض کنید یک نمونه تصادفی از توزیع رایلی تک‌پارامتری در اختیار باشد. در روش‌های کلاسیک آمار، براساس اطلاعات موجود در نمونه و با روش‌های معمول به برآوردیابی پارامترنامعلوم پرداخته می‌شود. گاهی در عمل، محقق دارای اطلاعاتی درباره پارامتر نامعلوم به‌صورت یک حدس یا گمان می‌باشد. این حدس، اطلاعات غیرنمونه‌ای نامیده می‌شود. در این حالت، برآوردگرهای انقباضی خطی با ترکیب اطلاعات غیرنمونه‌ای و اطلاعات موجود در نمونه معرفی شدند که در نزدیکی مقدار حدسی و واقعی دارای مخاطره کمتری نسبت به برآوردگرهای معمول هستند. در این مقاله، براساس رد یا پذیرش فرضیه‌صفر نزدیکی مقدار حدسی و مقدار واقعی پارامتر، چند آزمون-برآوردگر انقباضی برای پارامتر مورد بررسی با روش‌های مختلف، معرفی و مخاطره آن‌ها تحت تابع زیان آنتروپی محاسبه می‌شود. سپس رفتار آزمون-برآوردگرهای انقباضی و بهترین برآوردگر خطی براساس کارایی نسبی بین آن‌ها مقایسه می‌شوند. آن‌گاه نتایج به‌دست آمده برای نمونه‌های سانسور شده نوع دوم به‌کار گرفته می‌شود.

در این مقاله یک توزیع وزن‌دار شده‌ جدید بر پایه توزیع مقادیر کرانگین معرفی می‌گردد. ویژگی‌ها و مشخصه‌های اساسی این توزیع از قبیل تابع توزیع تجمعی، تابع مولد گشتاور، ضریب چولگی و کشیدگی مورد بررسی قرار می‌گیرد. پس از به ‌دست آوردن برآوردگرهای ماکسیمم درستنمایی پارامترها، دو مثال واقعی برای بررسی مناسب بودن مدل و عملکرد برآوردگرها ارائه شده 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.