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.

 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 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.

 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.

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.

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.

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.

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 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.

هدف این مقاله یافتن برآوردگرهایی مناسب برای تابع چگالی جمعیت آماری با روش نمونه‌گیری ترابرشی خطی در حضور توابع آشکار‌ساز با توزیع‌های با دم‌های سبک و سنگین است، بعلاوه نشان داده می‌شود که چگونه نوع تابع آشکار‌ساز می‌تواند در انتخاب بهتربن برآوردگر تاثیرگذار باشد. سپس برآوردگری نااریب پیشنهاد می‌شود که دارای واریانس کمتری نسبت به برآوردگر‌های موجود است. در مطالعه‌ا‌ی شبیه‌سازی نشان داده می‌شود اگر توابع آشکار‌ساز دارای توزیع دم سبک باشند، برآوردگرهای جدید دارای کمترین میانگین توان دوم خطا خواهند بود.

با توجه به تعریف کندال از شکل به‌عنوان نقطه‌ای در فضای اَبَر کره، در این مقاله مدل‌بندی رگرسیونی شکل در این فضا مورد مطالعه قرار می‌گیرد. همچنین به منظور سهولت در مدل‌بندی، روش مثلث‌بندی شکل با استفاده از دو نقطه شاخص خاص پیشنهاد می‌شود که عملکرد مناسبی در مقایسه با رویکردهای دیگر دارد. مثلث‌بندی نه‌تنها مدل‌بندی رگرسیونی شکل را آسان می‌نماید بلکه توانایی بازسازی ساختار هندسی اشیاء با استفاده از ابزارهای ساده محاسباتی را دارد. نوآوری روش پیشنهادی مقاله حاضر در استفاده از متغیر تبینی مبتنی بر شکل اشیاء است که تغییرات هندسی متغیر پاسخ را به‌خوبی توصیف می‌کند. مقایسه و ارزیابی روش پیشنهادی با مدل انطباق پروکراستس کامل بر اساس معیار مجموع توان دوم خطا انجام و عملکرد دو مدل در تحلیل داده‌های پیکربندی جمجمه موش‌های آزمایشگاهی مورد بررسی قرار می‌گیرد.

در سال‌های اخیر از رگرسیون پواسن برای مدل‌بندی متغیرهای پاسخ شمارشی استفاده شده است. زمانی که مجموعه داده‌های شمارشی دارای فراوانی بیش از حد در عدد صفر باشند، استفاده از رگرسیون پواسن مناسب نیست. در این مقاله، از دو مدل رگرسیون پواسن با صفر آماسیده و رگرسیون پواسن دو متغیره با صفر آماسیده با اثر تصادفی برای مدل‌بندی پاسخ شمارشی با فراوانی بیش از حد در عدد صفر استفاده شده است. معمولا توزیع اثر تصادفی را نرمال فرض می‌کنند، اما در این مقاله از توزیع چوله نرمال که از انعطاف‌پذیری بیشتری نسبت به توزیع نرمال برخوردار است به‌عنوان توزیع اثر تصادفی استفاده کرده‌ایم. در پایان مدل بدست آمده برای تحلیل داده‌های مربوط به تعداد واحدهای مردودی و نیم‌سال‌های مشروطی دانشجویان دانشگاه شهید چمران اهواز مورد استفاده قرار گرفته است و از روش شبیه‌سازی برای اعتبار‌سنجی مدل بدست آمده استفاده شده است.

در این مقاله، یک روش کلی برای انجام آزمون نیکویی برازش برای خانواده‌ توزیع‌های مکان-مقیاس با استفاده از داده‌های سانسور شده‌ فزاینده‌ نوع دوم ارائه و ویژگی‌های آن بررسی می‌شود. سپس با به‌کار گیری شبیه‌سازی مونت‌کارلو، توان این آزمون با توان برخی از آزمون‌های موجود، برای فرضیه‌ گامبل بودن مقایسه می‌شود. سرانجام از آزمون ارائه شده برای برازش توزیع به یک مجموعه از داده‌ واقعی استفاده می‌شود.

آزمون فرض استقلال میان زیربردار‌‌های یک بردار p‎ متغیره، به عنوان پیش‌نیاز بسیاری از آزمون‌های آماری، همواره مورد توجه بوده‌ است. وقتی اندازه نمونه n‎ در مقایسه با بُعد ‎p خیلی بزرگ است، آزمون نسبت درستنمایی با توزیع تقریبی خی‌دو، عملکرد قابل قبولی دارد. برای ‎‎داده‌های با بُعد نسبتاً بالا‎''‎ که در آنها n‎ در قیاس با p چندان بزرگ نیست، تقریب خی‌دو برای توزیع آماره آزمون نسبت درستنمایی کارایی لازم را ندارد. به عنوان یک حالت جامع‌تر، در این مقاله، آزمونی همزمان در k جامعه ‎ p‎متغیره‌ نرمال با بُعد نسبتاً بالا که در هر جامعه آزمون استقلال میان زیربردار‌های دلخواه آزموده می‌شود، مد نظر قرار گرفته است. به منظور آزمون این فرض، یک تقریب نرمال برای توزیع آماره آزمون نسبت درستنمایی تحت فرض صفر بدست آمده است. علاوه بر این، به منظور تصدیق عملکرد بهتر تقریب نرمال پیشنهادی بر تقریب خی‌دوی کلاسیک، مطالعه شبیه‌سازی انجام شده است. در پایان، کاربردی از روش پیشنهادی بر مجموعه داده سرطان پرستات ارائه شده است. 

امروزه استنباط براساس نمونه‌­های سانسور شده توسط پژوهش­­‌گران زیادی مورد مطالعه قرار گرفته است. یکی از معمول‌­ترین روش‌­های سانسور، سانسور فزاینده نوع دو از راست است.  در این روش از سانسور، n‎ واحد در آزمایش قرار می­‌گیرند و در زمان از کارافتادگی هر واحد تعدادی از واحدهای باقیمانده از آزمایش خارج می‌شوند. این کار ادامه می‌یابد تا به ازای یک مقدار از قبل تعیین شده مانند ‎m، زمان‌های از کارافتادگی m واحد ثبت شوند و سپس آزمایش خاتمه می­‌یابد. برای تعیین بهترین تعدادی که در ابتدا برای واحدهای تحت آزمایش قرار می‌گیرند معیارهای متفاوتی می‌توان در نظر گرفت که یکی از مهم‌ترین آن‌ها معیار هزینه است. در این مقاله با در نظر گرفتن تابع هزینه و توزیع وایبل برای طول عمر داده‌های مورد بررسی و طرح‌های سانسور مختلف، به تعیین بهترین مقدار برای اندازه نمونه اولیه یعنی ‎n پرداخته می‌شود. به‌منظور ارزیابی نتایج بدست آمده یک مثال عددی براساس داده‌های واقعی ارائه شده‌‌ است.