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.

از جمله روش‌هایی که در سال‌های اخیر توجه بسیاری از محققان را برای مدل‌سازی داده‌های چندمتغیره آمیخته به خود جلب کرده است، استفاده از تابع مفصل می‌باشد. در این مقاله مدلی رگرسیونی برای پاسخ‌های آمیخته بقا و گسسته بر اساس تابع مفصل ارائه می‌شود که در آن متغیر پیوسته از نوع زمان بوده و امکان وقوع مشاهده سانسور شده در آن وجود دارد. برای انجام این کار فرض شد که توزیع‌های حاشیه‌ای مشخص هستند و متغیری پنهان برای تبدیل حاشیه گسسته به پیوسته مورد استفاده قرار گرفت. سپس با استفاده از تابع مفصل تابع توزیع توام برای دو متغیر تشکیل و در پایان مدل به دست آمده بر روی داده‌های فاصله بین تولدها در شهر اهواز مورد استفاده قرار گرفت.

در برخی آزمایش‌ها، تیمارها تحت تأثیر اثرات همسایه‌ها قرار می‌گیرند. در این موارد بهتر است از طرح‌هایی استفاده شود که هر تیمار، هر یک از تیمارهای دیگر را به تعداد یکسان در همسایگی خود داشته باشد و به‌عبارت دیگر همسایه‌ها متعادل باشند. طرح‌های همسایه متعادل به دو دسته تقسیم می‌شوند. در طرح‌های دسته اول، اثرات همسایه چپ و راست یکسان است درحالی‌که در طرح‌های دسته دوم این دو اثر با هم متفاوتند. در بسیاری از پژوهش‌هایی که انجام شده است به ساختن طرح‌های دسته اول پرداخته‌اند. در این مقاله چگونگی ساختن طرح‌های دسته دوم با روش تغییرات دوره‌ای بیان می‌شود. همچنین برای چندین مقدار از v (تعداد تیمار) و k (اندازه بلوک) با استفاده از نرم افزار MATLAB این طرح‌ها به‌دست آورده می‌شوند. سپس برخی از آنها که تحت مدل با اثرات همسایه یک‌طرفه، بهینه عمومی هستند مشخص خواهند شد.

 عمده تحقیقات بهینه‌سازی طرح بر روی مدل‌های خطی و خطی تعمیم‌یافته صورت گرفته است. در مطالعات کاربردی در زمینه کشاورزی و علوم اجتماعی و ... معمولا در کنار اثرات ثابت حداقل یک اثر تصادفی نیز در مدل وجود دارد. این مدل‌ها تحت عنوان مدل‌های آمیخته شهرت دارند. در این مقاله مدل رگرسیون بتا با یک عرض از مبدا تصادفی به عنوان یک مدل آمیخته، مورد توجه است و طرح D-بهینه موضعی برای دو حالت ساده و درجه دو از این مدل محاسبه می‌شود و روند تغییرات نقاط طرح بهینه به ازای مقادیر پارامترهای مختلف بررسی خواهد شد. در مدل ساده به ازای پارامترهای مختلف یک طرح D-بهینه موضعی دو نقطه‌ای بدست آمده است و در مدل درجه دو یک طرح D-بهینه موضعی سه نقطه‌ای حاصل شد که موقعیت و وزن نقاط به تفصیل در مقاله ارائه می‌شود. همچنین بر اساس معیار کارایی این طرح‌های D-بهینه موضعی با طرح‌های مشابه وقتی اثر تصادفی در مدل در نظر گرفته نمی‌شود، از کارایی طرح بهینه وقتی اثر تصادفی در مدل در نظر گرفته نشود پایین‌تر است.

 عدد پایه تکثیر، متوسط تعداد افرادی است که توسط یک فرد مبتلا به یک بیماری واگیردار، به آن بیماری مبتلا می‌شوند. از لحاظ علم پزشکی، برآورد عدد پایه تکثیر از دیرباز دارای اهمیت ویژه‌ای بوده است. در این مقاله با استفاده از فرایند شاخه‌ای روشی جدید برای برآورد آن معرفی می‌شود و در انتها، این روش برای داده‌های ارائه شده توسط مرکز ملی اطلاعات بیوتکنولوژی آمریکا به کار گرفته می‌شود.

روش‌های متعددی برای خوشه‌بندی داده‌های بیان ژن دوره‌ای زمانی وجود دارد ولی محدودیت‌هایی برای این روش‌ها وجود دارد که از جمله‌ آن‌ها می‌توان به عدم در نظر گرفتن همبستگی در طول زمان و زمان‌بر بودن محاسبات اشاره داشت. در این مقاله با معرفی مدل‌های اثرات آمیخته‌ی ناپارامتری و نیمه‌پارامتری، این همبستگی در طول زمان در نظر گرفته شده و با استفاده از اسپلاین تاوانیده، حجم محاسبات به طور چشم‌گیری کاهش یافته است. در پایان با استفاده از مطالعه‌ شبیه‌سازی عملکرد روش پیشنهادی با روش‌های قبلی مقایسه و با استفاده از ملاک BIC، مدل مناسب‌تر انتخاب و تحلیل می‌شود. همچنین روش پیشنهادی در یک مثال کاربردی داده‌های بیان ژن دوره‌ای زمانی ارائه شده است.

تمام مشاهدات نقش یکسان در مدل‌های آماری ندارند. گاهی برخی از مشاهدات اثرات نامناسبی روی نتایج تحلیل رگرسیونی‌ دارند. بنابراین شناسایی چنین مشاهداتی در تحلیل داده‌ها از اهمیت ویژه‌ای برخوردار است. برای شناسایی چنین مشاهداتی از روش‌های تشخیصی استفاده می شود. در مقاله حاضر با استفاده از روش حذف موردی و مدل انتقال میانگین نقاط دورافتاده، مباحث تشخیصی در مدل خطی آمیخته نیمه‌پارامتری با خطا در اندازه‌گیری مورد بررسی قرار گرفته است. علاوه بر مباحث حذف موردی، مباحث حذف آزمودنی نیز ارایه شده است. در پایان عملکرد مباحث تشخیصی با استفاده از مجموعه داده‌های واقعی و یک مثال شبیه‌سازی نشان داده شده است.

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 مقایسه تصادفی طول عمر سیستم‌های موازی با مؤلفه‌های غیر همگن از توزیع پارتو بر حسب ترتیب تصادفی ستاره و ترتیب تصادفی محدب پرداخته می‌شود. ثابت خواهد شد که طول عمر یک سیستم موازی با مؤلفه‌های مستقل غیر همگن از مدل پارتو بر حسب ترتیب تصادفی محدب، همیشه کمتر از طول عمر یک سیستم موازی دیگر با مؤلفه‌های مستقل همگن از مدل پارتو است. همچنین تحت یک شرط کلی روی پامترهای مقیاس نتیجه‌ای در ارتباط با ترتیب تصادفی ستاره اثبات می‌شود.

ساختار آزمون تحلیل واریانس به‌گونه‌ای است که در صورت حضور داده‌های دورافتاده در بین مشاهدات، نتایج آزمون می‌تواند به‌اشتباه منجر به رد یا پذیرش فرض صفر شود. در این مقاله، روش استوار توزیع جایگشتی آماره F بر اساس میانگین پیراسته پیشنهادشده است. این روش، به کمک توزیع جایگشتیِ تابعی از میانگین پیراسته، حساسیت نسبت به فرض‌های کلاسیک همچون نرمال بودن داده‌ها و حضور داده‌های دورافتاده را کاهش داده و اعتبار نتایج حاصل را تضمین می‌کند. روش پیشنهادی با روش تحلیل استوار واریانس بر اساس رهیافت جستجوی پیشرو مقایسه می‌شود. روش ارائه‌شده برخلاف روش مبتنی بر جستجوی پیشرو، ما را از فرضیات محدودکننده پارامتری بی‌نیاز و ازنظر محاسباتی زمان کمتری را صرف می‌کند. نتایج بررسی‌های عددی روی خطای نوع اول و توان آزمون، حکایت از عملکرد خوب این روش استوار در مقایسه با روش رقیب دارد.

اده‌های شکل با توجه به تعدد منابع خطاها اغلب در معرض ابتلا به خطای اندازه‌گیری قرار دارند. نادیده گرفتن چنین خطایی در صورت وجود، باعث بروز مشکلات زیادی از قبیل اریبی برآوردگرها می‌شود. در این حالت برآوردگرهای حاصل از عدم دخالت خطای اندازه‌گیری برآوردگرهای ناپخته نامیده می‌شوند. برآوردگرهای ناپخته برای پارامترهای مقیاس و دوران در هنگام استفاده از انطباق پروکراستس داده‌های شکل دو بعدی، اریب هستند. برای تصحیح اریبی و بهبود برآوردگرهای ناپخته، در این مقاله روش‌های کالبیدن رگرسیون که از طریق بکارگیری مدل‌های رگرسیونی مختلط و توزیع نرمال مختلط حاصل می‌شود و همچنین روش امتیاز شرطی پیشنهاد می‌شود. به علاوه‌، با انجام شبیه‌سازی آماری عملکرد این روش‌ها مورد مطالعه قرار می‌گیرند. هم‌چنین، تحلیل آماری مربوط به شکل تپه‌های ماسه‌ای اردستان، با فرض وجود خطای اندازه‌گیری در مشاهدات، انجام می‌شود.