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

آزمون فرضیه تساوی میانگین های k جامعه نرمال یک متغیره در مقابل فرضیه یکطرفه میانگین های مرتب شده با واریانس های مجهول و برابر در نظر گرفته شده است. یک روش کاملا  جدید برای یافتن پرتوانترین آزمون به طور یکنواخت در سطح معنی داری α بر حسب توزیع t چند متغیره برای این مساله آزمون ارائه شده است. با توجه به اینکه تعیین توزیع آماره آزمون تحت فرضیه صفر برای بیش از دو جامعه ساده نیست، تابع توان آزمون محاسبه و سپس مقادیر بحرانی آن برای سطوح معنی داری مختلف به دست آمده اند. این روش آزمون برای مثال های با داده های واقعی به‌کار برده شده است. همچنین آزمون فرضیه تساوی میانگین های k جامعه نرمال چند متغیره در مقابل فرضیه مرتب شده دو طرفه بردارهای میانگین در نظر گرفته شده است. با روش شبیه سازی مونت کارلو مقادیر توان آزمون کلاسیک برای دو جامعه نرمال دو متغیره و سه متغیره در سطوح معنی داری مختلف محاسبه و با آزمون دیگری مقایسه شده است.

در این مقاله، یک بازه  تحمل تقریبی برای توزیع  گسسته پواسون لیندلی اندازه اریب ارائه می‌شود. این بازه تحمل تقریبی، براساس بازه اطمینان  والد با نمونه‌های بزرگ برای پارامتر توزیع پواسون لیندلی اندازه اریب ساخته می‌شود. سپس به مطالعه احتمال پوشش و طول مورد انتظار بازه تحمل ارائه شده پرداخته می‌شود. نتایج نشان می‌دهند که احتمال‌های پوشش برای مقادیر کوچک پارامتر توزیع، رفتار بهتری دارد و به سطح اطمینان اسمی نزدیکتر است و برای مقادیر بزرگتر پارامتر، رفتار محافظه‌کارانه‌ای دارد. در پایان، یک مثال کاربردی برای نمایش بازه تحمل تقریبی ارائه خواهد شد.

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.

در این مقاله به بحث انتخاب متغیر با رویکردی جدید در آمیزه‌ای متناهی از مدل‌های رگرسیونی نیم‌پارامتری پرداخته می‌شود، به گونه‌ای که داده‌ها از توزیع پواسون تبعیت می‌کنند. اما دو عامل بیش‌پراکندگی و صفرهای بیش از حد به دلیل استفاده از توزیع پواسون می‌تواند تاثیر زیادی بر انتخاب متغیر و براورد پارامترها داشته باشند. در واقع براورد پارامترها در بخش پارامتری مدل رگرسیونی نیم‌پارامتری با استفاده از رویکرد درستنمایی تاوانیده انجام می‌پذیرد و در بخش ناپارامتری پس از تقریب موضعی تابع ناپارامتری با استفاده از بسط تیلور، محاسبات در حضور براورد ضرایب پارامتری انجام می‌گیرد. استفاده از رویکرد جدید در این مقاله باعث شده است تا موانع در انتخاب درست متغیرها برطرف گردد. در این مقاله علاوه بر ارائه تئوری‌های مربوطه، در بخش شبیه‌سازی داده‌ها نیز دو موضوع بیش پراکندگی و صفرهای بیش از حد مورد توجه قرار می‌گیرد و استفاده از روش EM در براورد پارامترها منجر به افزایش دقت در نتیجه شده 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.

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.