فاصله‌های تحمل مورد توجه بسیاری از پژوهشگران قرار گرفته و به‌طور گسترده‌ای در صنعت به‌کار می‌رود. فاصله تحمل یک فاصله تصادفی است که با یک ضریب اطمینان مشخص، نسبتی از جامعه مورد بررسی را پوشش می‌دهد. در این مقاله، ابتدا حدود تحمل آماری شامل حدود تحمل با پوشش مورد انتظار β و حدود تحمل با میزان پوشش β و سطح اطمینان γ برای طول عمر سیستم‌های k از n با مولفه‌های توزیع‌شده با توزیع نمایی بیان می‌شوند. سپس دقت حدود تحمل و تعداد شکست‌های لازم برای رسیدن به سطح دقت مورد نظر را بر اساس داده‌های سانسور شده نوع دوم محاسبه می‌شوند. در پایان، نتایج به توزیع وایبول تعمیم داده می‌شود.

 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.

در این مقاله ابتدا به معرفی مدل‌های رگرسیون پواسون آمیخته پرداخته و در ادامه به معرفی یک مدل جدید به نام رگرسیون پواسون-بیرنبام ساندرز با هدف لحاظ کردن مسئله بیش‌پراکنش در مدل‌بندی داده‌های شمارشی پرداخته می‌شود.
از آن‌جا که توزیع بیرنبام ساندرز آمیخته‌ای از دو توزیع گاوسی وارون تعمیم‌یافته است، لذا می‌توان مدل معرفی شده دو پارامتری را تعمیمی بر مدل‌های قبلی دانست که علاوه بر داشتن یک پارامتر کمتر نسبت به مدل رگرسیون پواسون گاوسی وارون تعمیم‌یافته، دارای شکل بسته در تابع جرم احتمال حاشیه‌ای و گشتاورهای مربوطه است.

برای برآورد پارامتر‌های این مدل از الگوریتم EM استفاده و در نهایت کارایی این مدل نسبت به مدل‌های موجود با استفاده از مطالعه شبیه‌سازی شده و یک مثال واقعی نشان داده شده است.

  در این مقاله تعمیم دیگری از توزیع بیرنبام-ساندرز برپایه‌ توزیع چوله-لاپلاس ارایه می‌شود. همچنین برخی از ویژگی‌های توزیع معرفی شده به همراه برآورد پارامترهای توزیع با استفاده از الگوریتم EM و برآورد خطاهای استاندارد ارائه شده است. در نهایت نیز یک مثال شبیه‌سازی شده و همچنین کاربرد برازش توزیع روی دو مجموعه داده‌ واقعی مورد بررسی قرار گرفته شده است.

فرایند‌های تصادفی در آمار و احتمال از اهمیت زیادی برخوردار هستند، به طوری که پیدا کردن کران‌های بالایی و پائینی برای انتگرال‌های میانگین مربعِ تصادفی به یک مسئله اساسی منجر ‌شده است. در این مقاله نشان داده می‌شود که برای فرایندهای تصادفی میانگین مربع مشتق‌پذیر، شرط تحدب در نتایج مشهور گذشته را می توان با شرایط ضعیف‌تر جایگزین کرد.

 توزیع بتا برای مدل‌بندی داده‌هایی که به‌صورت نسبت هستند، توزیع مناسبی است. در موارد زیادی که داده‌های نسبت شامل تعداد زیادی صفر و یک هستند، توزیع‌های بتای آماسیده مناسب هستند. در صورتی که احتمال ثبت چنین مشاهده‌هایی متناسب با یک تابع وزن نامنفی از آن‌ها باشد، آن مشاهده‌ها دارای توزیع موزون بتای آماسیده هستند. تمرکز این مقاله روی توزیع اریب اندازه بتای آماسیده به عنوان یک حالت خاص از توزیع موزون بتای آماسیده با وزن توانی است. خواصی از این توزیع مطالعه و پارامترهای آن به روش‌های ماکسیمم درستنمایی و گشتاوری برآورد و با استفاده از مطالعه شبیه‌سازی دو روش مقایسه می‌شوند. در پایان مدل مفروض به داده‌های واقعی نسبت مرگ و میر برازش داده می‌شوند.

در این مقاله روشی برای استفاده از خروجی‌های کالمن فیلتر برای شناسایی تغییرات تأثیر گذار سری زمانی ارائه شده است. از آن‌جا که الگوریتم کالمن فیلتر برای تحلیل مدل‌های فضای حالت به کار می‌رود که مدل‌های خطی ARMA را پوشش می‌دهد، استفاده از این روش می‌تواند برای شناسایی تغییرات از جمله مقادیر پرت به کار رود. در این مقاله روش پیشنهاد شده برای شناسایی پنج تغییر: نقطه پرت جمع پذیر، تغییر سطح، تغییرات فصلی، تغییر دوره و شیب ناگهانی سری زمانی استفاده شده است. توانایی روش پیشنهادی در یافتن نقاط تأثیر گذار با استفاده شبیه‌سازی نشان داده شد. به عنوان یک مثال واقعی داده‌های ازدواج در کشور انگلیس مورد بررسی قرار گرفت.

 در این مقاله ضمن ارائه روش تولید آماره‌های ترتیبی تعمیم‌یافته از توزیع گومپرتز، برآوردهای بیزی و ماکسیمم درستنمایی پارامترها و تابع‌های قابلیت اعتماد و خطر آن در طرح‌های سانسور شده فزآینده نوع دوم و مقادیر رکوردها بر اساس آماره‌های ترتیبی به‌دست آورده شده و با استفاده از شبیه‌سازی مونت‌کارلو و دو مجموعه داده واقعی مقایسه می‌شوند. همچنین با مقایسه برآوردهای بیزی و ماکسیمم درستنمایی توزیع گومپرتز با برآوردهای مشابه در توزیع‌های وایبول و لوماکس نشان داده می‌شود که برآوردهای توزیع گومپرتز بهترند.

مدل‌های رگرسیونی ناپارامتری و نیمه‌پارامتری در زمینه‌ داده‌های مستقل توسعه چشمگیری پیداکرده‌اند، اما رشد آن‌ها در زمینه داده‌های طولی، محدود به چند سال اخیر است. از آنجا که روش‌های رگرسیونی معمول برای داد‌ه‌های همبسته نسبت به داده‌های مستقل توانایی کمتری دارند، باید از مدل‌هایی استفاده شود، که همبستگی بین داده‌ها را نیز در نظر بگیرند. در این میان مدل‌های آمیخته و حاشیه‌ای که عامل همبستگی بین داده‌ها را نیز در نظر می‌گیرند، مدل‌هایی هستند که برای برازش داده‌های طولی مورد استفاده قرار می‌گیرند. همچنین با توجه به انعطاف‌پذیری مدل‌های نیمه‌پارامتری نسبت به مدل‌های پارامتری و ناپارامتری، مدل رگرسیون نیمه‌پارامتری طولی حاشیه‌ای با برآوردهای اسپلاین تاوانیده مدل مناسبی برای تحلیل داده‌های طولی است. در این مقاله رگرسیون نیمه‌پارامتری با ضرایب متغیر که در آن ارتباط بین متغیر پاسخ و یک متغیر پیش‌بین بر مبنای متغیر پیش‌بین دیگر مشخص می‌شود، بررسی ‌شده است. همچنین استنباط بیزی برای مدل ناپارامتری روی‌داده‌های شبیه‌سازی ‌شده و برای مدل نیمه‌پارامتری طولی حاشیه‌ای روی ‌داده‌های واقعی، با نرم‌افزارهای استاندارد انجام ‌شده است که نشان‌دهنده‌ عملکرد قابل‌قبول این استنباط است.

 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.

یک چالش اساسی در استنباط مدل‌های آمیخته، معرفی معیارهای کارا برای انتخاب مدل است. منبع اصلی این چالش نیز برازش و محاسبه ماکسیمم تابع درستنمایی مدل می‌باشد. داده تاگی روش جدیدی است که برای برازش کارای مدل‌های آمیخته با روش ماکسیمم درستنمایی پیشنهاد شده است. این روش، اخیرا، طرفداران زیادی پیدا کرده است و مشکلات عمده سایر روش‌های استنباط مبتنی بر درستنمایی در مدل‌های آمیخته را ندارد. یکی از معایب این روش، عدم توانایی محاسبه مقدار ماکسیمم تابع درستنمایی است. این مقدار یک کمیت کلیدی در معرفی و محاسبه معیارهای انتخاب مدل محسوب می‌شود. بنابراین به‌نظر می‌رسد با روش داده تاگی نمی‌توان یک معیار اطلاع مناسب، به‌طور مستقیم، برای یافتن بهترین مدل در رده مدل‌های آمیخته، تعریف کرد. این پژوهش تلاشی است در جهت نقض این باور. در این مقاله، یک معیار مبتنی بر روش داده تاگی معرفی می‌شود و عملکرد آن در یک مطالعه شبیه‌سازی مورد ارزیابی قرار می‌گیرد.

در این مقاله پارامترهای تابع کوواریانس‌های فضایی با استفاده از روش درستنمایی مرکب بلوکی برآورد می‌شود. در این روش درستنمایی مرکب با استفاده از تابع‌های چگالی توأم بلوک‌های زوجی داده‌های تفاضل‌یافته ساخته می‌شود. برای این منظور پس از انجام تفاضل‌گیری مجموعه داده‌های بزرگ را به مجموعه داده‌های کوچک‌تر افراز کرده تابع درستنمایی هر یک از مجموعه داده‌های کوچک‌تر به طور جداگانه محاسبه و در نهایت از طریق جمع به سادگی با هم ترکیب می‌شوند. از مزایای روش درستنمایی بلوکی این است که نیازی به معکوس کردن و محاسبه دترمینان ماتریس‌های با ابعاد بالا ندارد. سپس با استفاده از مطالعه شبیه‌سازی روش ارائه شده در این مقاله با روش درستنمایی مرکب بلوکی زوجی از نظر کارایی و محاسباتی مقایسه می‌شود. مطالعات شبیه‌سازی نشان می‌دهد که برآوردگرهای حاصل از روش ارائه شده به خوبی برآوردگرهای درستنمایی است. در نهایت یک داده واقعی مورد تحلیل قرار خواهد گرفت.

یکی از روش‌های رفع مشکل همخطی در مدل‌های خطی، استفاده از برآوردگر لیو است. در این مقاله، برآوردگر جدیدی را با تعمیم برآوردگر لیو اصلاح‌ شده لی و یانگ (۲۰۱۲) ارائه شده است. این برآوردگر بر اساس یک اطلاع پیشین از بردار پارامترها در مدل رگرسیون خطی و برآوردگر تعمیم‌یافته آکدنیز و کاچیرانلار (۱۹۹۵) به‌دست می‌آید. با استفاده از معیار ماتریس میانگین توان دوم خطا، شرایط برتری این برآوردگر بر برآوردگر لیو تعمیم‌یافته به‌دست آورده می‌شود. به منظور مقایسه رفتار این برآوردگر با برآوردگرهای موجود، یک مثال عددی و یک مطالعه شبیه‌سازی انجام شده است. 

یک سیستم مشتمل بر ‎n‎ ‏‎ ‎مولفه‎ مستقل دو وضعیتی را در نظر بگیرید. فرض کنید ‏هر مولفه دارای یک وزن تصادفی بوده و سیستم در زمان ‎‎t‎‎ ‏‎ ‎کار ‎‏‌کند‎ هرگاه مجموع وزن مولفه‌های فعال آن در این زمان‏، بزرگتر از مقدار از پیش تعیین شده ‎‎k‎‎ ‏‎ ‎باشد.‎ چنین سیستمی را سیستم ‎‎k‎‎‏-از-‎‎n‎‎ ‏‎ ‎وزنی‎ تصادفی می‌نامیم. در این مقاله‏، به کمک ترتیب‌های تصادفی‏، نحوه تاثیر وزن و قابلیت اعتماد مولفه‌های یک سیستم ‎‎k‎‎‏-از-‎‎n‎ ‏‎ ‎وزنی‎ تصادفی را بر طول عمر آن بررسی کرده و نشان داده‌ایم که با افزایش وزن و قابلیت اعتماد مولفه‌ها‏، طول عمر سیستم نیز افزایش می‌یابد. هم‌چنین نشان داده‌ایم که بهترین سیستم ‎‎k‎‎‏-از-‎‎n‎‎ ‏‎ ‎وزنی‎ تصادفی زمانی ایجاد می‌شود که مولفه‌های با وزن بیشتر‏، دارای قابلیت اعتماد بیشتری نیز باشند. به کمک تناظر بین سیستم‌های ‎‎k‎‎‏-از-‎‎n‎‎ ‏‎ ‎وزنی و ‎منسجم‏،‎ تابع قابلیت اعتماد و میانگین زمان خرابی یک سیستم ‎‎k‎‏-از-‎‎n‎‎ ‏‎ ‎وزنی‎ تصادفی را برحسب قابلیت اعتماد سیستم‌های منسجم بیان کرده‌ایم. علاوه بر این‏، یک الگوریتم برای شبیه‌سازی میانگین زمان خرابی سیستم‌های ‎‎k‏-از-‎‎n‎‎ ‏‎ ‎وزنی‎ تصادفی‏، ارایه و پیاده‌سازی کرده‌ایم.

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.

یک روش مناسب در برازش داده‌های نامتقارن و تحلیل داده‌هایی با ساختار غیر نرمال, استفاده از کلاس توزیع‌های وزن‌دار شده است. در این مقاله خانواده دیگری از توزیع‌های چوله-لاپلاس بر اساس تابع وزن دو پارامتری و به منظور برازش بهتر داده‌هایی از جوامع نامتقارن چند مدی و غیر نرمال معرفی می‌شود. همچنین برخی مشخصه‌های اصلی توزیع از جمله چولگی و کشیدگی, تابع مولد گشتاور و غیره مورد بررسی قرار گرفته‌اند. در انتها نیز کاربرد توزیع برای برازش به داده‌ها، با استفاده از یک مجموعه داده‌ واقعی مورد بررسی قرار گرفته است.