---

 

---

یکی از بحث‌های چالشی در مدل‌های رگرسیونی انتخاب مدل بهینه است، بدین شکل که چگونه می‌توان متغیرهای توضیحی مهم و متغیرهای قابل اغماض را مشخص کرده و رابطه‌ بین متغیر پاسخ و متغیرهای توضیحی را به‌طور ساده‌تر بیان نمود. با توجه به محدودیت‌های مربوط به انتخاب متغیر به روش کلاسیک نظیر انتخاب گام به گام، می‌توان از روش‌های رگرسیون تاوانیده استفاده کرد. یکی از مدل‌های رگرسیون تاوانیده، مدل رگرسیونی لاسو است که در آن فرض می‌شود خطاها از توزیع نرمال پیروی می‌کنند. در این مقاله، مدل رگرسیون لاسو بیزی با خطایی با توزیع نامتقارن و وجود متغیرهای توضیحی از بعد بالا معرفی می‌شود. سپس با شبیه‌سازی و تحلیل داده‌‌های  واقعی، عملکرد مدل پیشنهادی مورد بحث و بررسی قرار می‌گیرد.

---

---

---

---

افزونگی و کاهش دو روش اصلی برای بهبود قابلیت اعتماد سیستم هستند. در روش افزونگی، قابلیت  اعتماد سیستم با افزودن مولفه‌های اضافی به برخی از مولفه‌های اصلی سیستم بهبود می‌یابد. در روش کاهش قابلیت اعتماد سیستم با کاهش نرخ شکست همه یا برخی از مولفه‌های سیستم افزایش می‌یابد. این مقاله به بررسی هم‌ارزی بین روش‌های افزونگی و کاهش براساس مفهوم عامل‌های هم‌ارزی قابلیت اعتماد می‌پردازد. یک فرمول بسته برای محاسبه عامل هم‌ارزی بقاء به‌دست می‌آید. این عامل، میزان کاهش در نرخ خطر مولفه‌(های) یک سیستم برای اینکه قابلیت اعتماد آن برابر با زمانی باشد که به یکی از روش‌های افزونگی بهبود یافته است را مشخص می‌کند. تاثیر اندازه اهمیت مولفه نیز در نتایج به‌دست آمده، مورد مطالعه قرار گرفته ‌است.

---

در این مقاله، برآوردیابی و پیش‌بینی برای توزیع پواسن-نمایی بر اساس رکوردهای پایین و زمان‌های بین رکورد مورد مطالعه قرار می‌گیرند. برآوردیابی با روش‌های ماکسیمم درستنمایی و بیزی بر اساس دو تابع زیان متقارن و نامتقارن صورت می‌‍‌پذیرد. از آن‌جا که به نظر می‌رسد انتگرال‌های مرتبط با برآوردهای بیزی دارای فرم‌های بسته نیستند، از الگوریتم‌های متروپولیس-هستینگز درون گیبز و نمونه‌گیری نقاط مهم برای تقریب این انتگرال‌ها استفاده می‌شود. همچنین پیش‌بینی بیزی رکوردهای آینده نیز مورد بررسی قرار می‌گیرد. یک مطالعه شبیه‌سازی و یک مثال کاربردی برای ارزیابی و نشان دادن کاربرد نتایج مقاله و همچنین مقایسه نتایج عددی وقتی استنباط بر اساس رکوردها و زمان‌های بین رکورد است، با هنگامی که استنباط تنها بر اساس رکوردها صورت می‌پذیرد، ارائه می‌گردد.

---

تابع ژرفا  با در نظر گرفتن ویژگی‌های هندسی مجموعه داده‌های چندمتغیره و رتبه‌بندی مشاهدات  ابزار مناسبی را در آمار ناپارامتری چندمتغیره فراهم آورده است. به عبارت دیگر، این تابع منجر به مرتب‌سازی از مرکز به بیرون نقاط چندمتغیره می‌شود. از آن‌جا که دورافتادگی نقاط به طور اجتناب‌ناپذیری وابسته به ترتیب داده‌ها است، این مرتب‌سازی می‌تواند راهی برای شناسایی نقاط دورافتاده فراهم کند. در این مقاله، بر اساس مفهوم تابع ژرفا، یک روش ناوردای آفین برای شناسائی نقاط دورافتاده چندمتغیره بیان می‌شود. ویژگی مطلوب ناوردای آفین  تضمین می‌کند که نقطه دورافتاده تحت هرگونه تبدیل از محورهای مختصات کماکان به‌عنوان دورافتاده شناسایی شود. پیاده‌سازی این روش نسبت به بیشتر روش‌های چندمتغیره که دارای پیچیدگی محاسباتی هستند، ساده‌تر است. بر اساس مطالعات شبیه‌سازی عملکرد روش پیشنهادی بر اساس توابع ژرفای مختلف مورد بررسی قرار گرفته است. سرانجام، روش بیان شده برای داده‌های مسکن شهرهای منتخب ایران در سال 1397، بکار برده می‌شود. 

---

---

توجه به تابع مفصل به منظور مدل‌سازی ساختار وابستگی داده‌ها در دهه‌های اخیر بسیار رایج شده است. سه روش گشتاوری، ترکیبی و گشتاور مفصل برای برآورد پارامتر وابستگی تابع مفصل در حضور داده دورافتاده در این مقاله مورد نظر است. هرچند روش گشتاوری یک روش قدیمی است، اما گاهی اوقات این روش منجر به برآورد نامناسبی می‌گردد. در نتیجه، دو روش دیگر برآورد پارامتر بر پایه گشتاوری برای بهبود برآورد پارامتر در نظر گرفته شده‌اند. نتایج مطالعه شبیه‌سازی نشان داد که وقتی از روش گشتاور مفصل و روش ترکیبی برای مفصل در حضور داده دورافتاده استفاده می‌کنیم، میانگین مربع خطای به دست آمده کوچک‌تر است. همچنین روش گشتاور مفصل بهترین برآورد براساس میانگین مربع خطا است. در نهایت، نتایج عددی به دست آمده در یک مثال کاربردی به کار گرفته می‌شود.

---

با ظهور مِه‌داده‌ها در دو دهۀ گذشته، به منظور بهره‌برداری و استفاده از این نوع داده‌ها، نیاز به یکپارچه‌سازی پایگاه‌داده‌ها با هدف تصمیم‌گیری براساس شواهد و اطلاعات قوی‌تر، بیش از پیش احساس می‌شود. لذا آشنایی با روش‌‌شناسی اتصال رکوردی به عنوان یکی از روش‌های یکپارچه‌سازی داده‌ها و همچنین استفاده از روش‌های یادگیری ماشین برای سهولت فرآیند اتصال رکوردها ضروری است. در این مقاله، ضمن تشریح فرایند اتصال رکوردی و برخی روش‌های مرتبط با آن، با استفاده از روش‌های یادگیری ماشین، برای افزایش سرعت یکپارچه‌سازی پایگاه‌داده‌ها، کاهش هزینه و بهبود عملکرد اتصال رکوردی، دو پایگاه‌دادۀ چارچوب کارگاه‌های صنعتی مرکز آمار ایران و سازمان تامین اجتماعی به یکدیگر متصل شده‌اند. 

---

روش تحلیل مجموعه ی مقادیر تکین  (SSA(   یک روش   ناپارامتری قدرتمند  درحوزه­ ی  تحلیل  سری­های  زمانی بوده و به دلیل دارا بودن ویژگی‌هایی نظیر عدم نیاز به برقراری فروض مانایی و یا محدودیت در تعداد مشاهدات جمع آوری شده مورد توجه قرار گرفته است. هدف اصلی روش SSA  تجزیه سری­های زمانی به اجزای تفسیرپذیر مانند روند، مولفه نوسانی و نوفه بدون ساختار است. در سالهای اخیر  تلاش های مستمری از جانب محققان در حوزه های مختلف پژوهشی  در جهت بهبود این روش خصوصاٌ در زمینه­ ی پیش بینی سری های زمانی  صورت گرفته است.   در این مقاله روش جدیدی برای بهبود پیش بینی روش  SSA  با استفاده از الگوریتم فیلتر کالمن در مدل های ساختاری معرفی می شود. سپس کارایی عملکرد این روش و چند روش تعمیم یافته SSA    با روش  SSA پایه با استفاده از معیار ریشه میانگین مربعات خطاها مورد مقایسه قرار می گیرد.  برای انجام این مقایسه، از داده های شبیه سازی شده از مدل های ساختاری و نیز داده های واقعی مصرف گاز در انگستان استفاده شده است.  نتایج به دست آمده از این بررسی نشان می دهد که روش معرفی شده جدید از دقت بیشتری نسبت به سایر روش ها برخوردار است.

---

در این مقاله،  به منظور مدل‌سازی داده‌های سری زمانی گسسته‌مقدار، فرایند خودبازگشتی گسسته‌مقدار جدید بر اساس توزیع‌ نمایی-وایبل گسسته معرفی شده است.  
نظر به اهمیت توزیع‌های گسسته در مدل‌سازی داده‌های شمارشی، همتای گسسته توزیع نمایی-وایبل معرفی و برخی ویژگی‌های آماری آن از قبیل تابع ﺑﻘﺎ، ﻧﺮخ ﺧﻄر، تابع مولد گشتاور، چولگی و کشیدگی بررسی می‌شود.  شاخص‌های پراکندگی فیشر، چولگی و کشیدگی، بیانگر انعطاف‌پذیری و کارایی توزیع نمایی-وایبل گسسته در برازش انواع مختلف داده‌های شمارشی است. توزیع نمایی-وایبل گسسته، برازش داده‌هایی با ویژگی‌های مختلف پراکندگی (کم‌پراکندگی، بیش‌پراکندگی و همسان)، دم راست بلند (چوله به راست) و دم سنگین را پوشش می‌دهد. پارامترهای مدل با استفاده از سه رویکرد ماکسیمم درستنمایی شرطی، کمترین توان‌های دوم شرطی تعمیم‌یافته و یول-واکر  برآورد شده است. در پایان، کارایی و برتری فرایند مدنظر در برازش داده‌های تعداد فوت ناشی از بیماری COVID-19 نیز، در مقایسه با سایر مدل‌های رقیب بررسی می‌شود.

 

---

---

در تحلیل بیزی داده‌های فضایی-زمانی جرم و جنایت معمولاً به دلیل ناگاوسی بودن توزیع متغیر پاسخ و وجود تعداد زیادی متغیر پنهان در مدل تحت بررسی شکل بسته‌ای برای توزیع پسینی وجود ندارد. در این شرایط در استفاده از روش‌های مونت‌کارلوی زنجیر مارکوفی با چالش‌هایی نظیر وجود پارامترهای متعدد در ساختار سلسله‌مراتبی، محاسبات سنگین و زمان‌بر، انجام شبیه‌سازی گسترده، به‌ویژه زمانی که بعد میدان تصادفی بزرگ است و سرانجام عدم همگرایی توزیع پسینی مواجه می‌شویم. برای حل این مشکلات روش تقریب لاپلاس آشیانی جمع‌بسته پیشنهاد شده است. مزیت این روش این است که برآوردهایی از منظر وقوع جرم وجنایت در مکان و زمان معین ارائه کرده و همچنین نواحی با رفتار غیر‌معمول را تشخیص می‌دهد. در این مقاله با استفاده همزمان از  GIS و روش قریب لاپلاس آشیانی جمع‌بسته در یک مطالعه موردی به  تحلیل داده‌های جرم و جنایت بخشی از کشور کلمبیا می‌پردازیم.

---

در این مقاله برآورد  R{r,k}= P(X{r:n1} < Y{k:n2}) در صورتی که تنش X  و مقاومت Y  دو متغیر تصادفی مستقل دارای توزیع نمایی معکوس با پارامترهای مقیاس مجهول هستند در نظر گرفته شده است. برآورد ماکسیمم درستنمایی R{r,k}   و بازه اطمینان مجانبی برای آن بدست آورده شده است. مطالعات شبیه‌سازی و عملکرد این مدل برای دو مجموعه داده واقعی نیز مورد بررسی قرار گرفته است.
 

---

در این مقاله، بر پایه مفهوم  α-شک و رابطه آن با α-برش یک عدد فازی، به بررسی برخی از مفاهیم قابلیت اعتماد پرداخته شده است. برای این منظور، در صورت معلوم بودن توزیع طول عمر مؤلفه‌های سیستم با استفاده از تعریف متغیر تصادفی فازی مقیاس مبتنی بر α-شک برخی از معیارهای قابلیت اعتماد مورد بررسی قرار گرفته است. همچنین، در صورت نامعلوم بودن توزیع طول عمر مؤلفه‌ها یا در دسترس بودن فقط مشاهدات فازی طول عمر مؤلفه‌ها، از تابع توزیع تجربی داده‌های فازی برای تخمین قابلیت اعتماد استفاده گردیده و برای شرح بیشتر نتایج، مثال‌هایی ارائه شده است.

 

---

در این مقاله، قابلیت اعتماد تنش-مقاومت یک سیستم منسجم در حالت تنش در سطح مولفه در نظر گرفته شده است.
سیستم‌های منسجم سری، موازی و رادار مورد بررسی قرار می‌گیرند. برای سیستم‌های $ 2 $-مولفه‌ای سری یا موازی و سیستم رادار، این قابلیت اعتماد بر اساس توزیع نمایی و به روش‌های ماکسیمم درستنمایی، نااریب بطور یکنواخت با کمترین واریانس و بیز، برآورد می‌شود. همچنین برای بررسی عملکرد برآوردگرها مطالعات شبیه‌سازی انجام شده‌اند و داده‌های واقعی تحلیل می‌شوند.

 

---

در این مقاله، آماره‌های مرتب فازی را بر پایه مفهوم  α-شک بیان کرده و به بررسی برخی از کاربردهای آن در قابلیت اعتماد پرداخته شده است. برای این منظور، در صورت معلوم بودن توزیع طول عمر مؤلفه‌های سیستم، برخی از معیارهای قابلیت اعتماد i-امین آماره‌ مرتب با استفاده از تعریف متغیر تصادفی فازی مقیاس مبتنی بر α-شک مورد بررسی قرار گرفته است. همچنین، در صورت نامعلوم بودن توزیع طول عمر مؤلفه‌ها یا در دسترس بودن فقط مشاهدات فازی طول عمر مؤلفه‌ها، از تابع توزیع تجربی داده‌های فازی برای تخمین قابلیت اعتماد بر اساس آماره‌های مرتب استفاده گردیده و برای شرح بیشتر نتایج، مثال‌هایی ارائه شده است.

---

ماکسیمم آنتروپی مفصل از ترکیب نظریه آنتروپی و تابع مفصل حاصل می‌شود. این روش با درنظرگرفتن ساختار وابستگی و لحاظ کردن محدودیت‌هایی براساس اندازه‌های وابستگی، توزیع توأم ماکسیمم آنتروپی متغیرهای تصادفی را  نتیجه می‌دهد. در این مقاله، توزیع ماکسیمم آنتروپی مفصل دومتغیره  با شرط اندازه وابستگی بلیست معرفی می‌گردد و روش برآورد پارامترهای آن مورد بررسی قرار می‌گیرد. نتایج شبیه‌سازی نشان می‌دهد، در صورتی که داده‌ها دارای وابستگی دمی پائین باشند، توزیع پیشنهادی در مقایسه با توزیع‌ ماکسیمم آنتروپی مفصل دومتغیره با شرط اندازه وابستگی اسپیرمن عملکرد بهتری دارد.  در انتها کاربردی از روش‌های مورد مطالعه در تحلیل داده‌های بارش ماهانه ایستگاه زاهدان ارائه می‌گردد.