در مدلهای پارامتر مبنا، مشکل اساسی ترقیب درستنمایی این مدل و در واقع برآورد پارامترهای مدل است. یک روش برخورد با این مشکل استفاده از درستنمایی های ساده تر مانند درستنمایی مرکب است. در این مقاله پس از معرفی مدلهای پارامتر مبنا و درستنمایی مرکب، به معرفی یک ملاک انتخاب مدل مبتنی بر درستنمایی مرکب پرداخته ایم. در ادامه با استفاده از شبیه سازی، توانایی درستنمایی مرکب را در استنباط و انتخاب مدل صحیح در مدلهای پارامتر مبنا نشان داده ایم

  الگوی مارکوف پنهان در مسائل بیوانفورماتیک کاربرد فراوانی دارد. برای مثال این الگو در هم ردیفی دنباله ­ ها، تفسیر خانواده ­ های پروتئین و پیش ­ بینی ژن بکار می ­ رود. پارامترهای این الگو از طریق الگوریتم بام-ولش تعلیمی که یک الگوریتم EM است برآورد می شود. بکارگیری کارآمدترین الگوریتمها برای دنباله های طویل نیازمند حجم وسیعی از حافظه می ­ باشد. در این مقاله روش ­ های مختلفی از جمله استراتژی پیشرو و استراتژی پسرو را که به منظور کاهش حافظه این الگوریتم ارائه شده ­ اند معرفی می ­ کنیم. در ادامه الگوریتمی براساس مشاهدات از راست به چپ و از چپ به راست اعضای دنباله ارائه می شود که دارای حافظه خطی است. کارایی این الگوریتم بر روی داده ­ های شبیه ­ سازی شده از پروتئین ­ ها بررسی می ­شود.

برای آزمون فرضیه همگنی مدل­های آمیخته، معمولا از آزمون نسبت درستنمایی اصلاح شده که مبتنی بر افزودن یک تابع تاوان مناسب به تابع لگ درستنمایی می­باشد، استفاده می­شود. کارایی این آزمون به شدت تحت تاثیر شکل تابع تاوان انتخابی است. انتخاب تابع تاوان در این نوع آزمون معمولا براساس پرهیز از پیچیدگی و میسر بودن برآورد پارامترها صورت می­پذیرد، که لزوما نتایج مطلوبی به دنبال ندارد. در این مقاله یک تابع تاوان جامع در نظر گرفته شده است، که دارای یک پارامتر تعیین کننده شکل است. سپس پارامتر تعیین کننده شکل این تابع با استفاده از رهیافت بیزی، به صورت پسینی برآورد شده­ اند. نشان داده شده است که رهیافت بیزی پیشنهادی در برآورد پارامترهای مدل، در مقایسه با رهیافت بسامدی، به مراتب کارایی مطلوب تری دارد. این کارایی خصوصا در شرایط شناخت ناپذیری توزیع آمیخته که روش­های بسامدی کارایی اندکی دارند، بیشتر است.

در فرآیند مخاطره انفرادی شرکت بیمه ای که اندازه های خسارت بیمه گذاران آن به یکدیگر وابسته اند، تعیین احتمال و زمان ورشکستگی از اهمیت بسزایی برخوردار است. محاسبه دقیق این احتمالات به دلیل ساختار پیچیده آن، کار آسانی نیست. در این مقاله، برآورد احتمالات ورشکستگی، تعیین زمان های ورشکستگی و بازه اطمینان احتمالات ورشکستگی  در سطوح مختلف همبستگی خسارتها با روش شبیه سازی مونت کارلو انجام شده است. در این شبیه سازی برای تولید خسارت های وابسته از تابع مفصل فرانک چند متغیره و الگوریتم مارشال و الکین کمک گرفته و نشان داده شده است که با افزایش سطح وابستگی بین اندازه های خسارت، احتمال ورشکستگی فرآیند مخاطره افزایش و زمان ورشکستگی آن کاهش می یابد

در این مقاله، یک توزیع جدید سه پارامتری طول عمر با ترکیب کردن توزیع های نمایی تعمیم یافته و لگاریتمی معرفی می شود. این توزیع به ازای مقادیر مختلف پارامترها دارای نرخ شکست نزولی و صعودی نزولی است. ویژگی های این توزیع جدید طول عمر،از جمله تابع چگالی احتمال، تابع توزیع تجمعی، تابع بقا، تابع مخاطره، تابع مولد گشتاور و گشتاورهای آن محاسبه می شوند. برآورد ماکسیمم درستنمایی پارامترهای این توزیع بااستفاده از الگوریتم تعیین و ماتریس واریانس کوواریانس مجانبی برآورد پارامترها به دست آورده می شوند. سپس با هدف تعیین دقت، با استفاده از شبیه سازی مونت کارلو، واریانس و کواریانس های برآوردگرهای ماکسیمم درستنمایی مورد بررسی قرار می گیرند

یکی از هدف های تحلیل آماری شکل، علاوه بر دستیابی به برآوردی از میانگین، برآورد واریانس شکل است، که از طریق تحلیل مولفه های اصلی قابل حصول است. به دلیل محدودیت استفاده از روش تحلیل مولفه اصلی برای مجموعه داده هایی از فضای اقلیدسی، این روش برای داده های آمار شکل که ماهیتا غیراقلیدسی هستند، قابل کاربرد نیست. در این حالت می توان از تحلیل ژئودزیک اصلی یا تقریب خطی آن به عنوان تعمیمی از تحلیل مولفه اصلی به فضای غیراقلیدسی استفاده نمود. از آنجا که اساس این روش مبتنی بر الگوریتم گرادیان نزول است، در این مقاله با آشکار ساختن چند ضعف عمده آن، الگوریتم جدیدی معرفی می شود که هم منجر به برآورد استوار میانگین شکل و هم حفظ ساختار هندسی شکل خواهد شد. سپس با ارائه جنبه های نظری روش تحلیل ژئودزیک اصلی، عملکرد آن در یک مطالعه شبیه سازی و یک مثال واقعی، مورد ارزیابی قرار خواهد گرفت

اگرچه خطای اندازه گیری در اکثر آزمایشات علمی وجود دارد اما معمولا برای ساده سازی مدل بندی وجود آن در مطالعات آماری نادیده گرفته می شود. در این مقاله، روش های مختلف برآورد پارامترهای مدل های چندسطحی در حضور خطای اندازه گیری مورد مطالعه قرار می گیرد. علاوه بر این، روشی جدید برای برآورد پارامترها در این حالت پیشنهاد می شود که در مقایسه با روش های مرسوم قبلی از دقت بالا و سرعت همگرایی قابل قبول تری برخوردار است. همچنین، به کمک مطالعه شبیه سازی و تحلیل داده های مربوط به هزینه و درآمد تعدادی از خانوارهای شهر تهران در سال 1387 عملکرد روش پیشنهادی با روش های مرسوم مورد ارزیابی و مقایسه قرار می گیرد

در این مقاله یک توزیع دو پارامتری جدید به عنوان تعمیمی از توزیع لیندلی، تحت عنوان توزیع لیندلی لگاریتمی با تابع نرخ شکست صعودی و وانی شکل معرفی می‌شود. توزیع جدید از ترکیب توزیع لیندلی و توزیع لگاریتمی به‌دست می‌آید. چندین ویژگی از توزیع جدید از جمله تابع چگالی، تابع نرخ شکست، چندک‌ها و گشتاورها محاسبه می‌شود. برآورد ماکسیمم درستنمایی با استفاده از الگوریتم EM به‌دست می‌آید. در نهایت برتری این توزیع نسبت به توزیع لیندلی، با استفاده از دو سری داده واقعی نشان داده می‌شود.

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. 

 در این مقاله، به معرفی خانواده توزیع‌های دومتغیره گومپرتز تعمیم‌یافته-سری توانی پرداخته می‌شود. این کلاس جدید از توزیع‌های دومتغیره شامل چندین مدل مانند توزیع دومتغیره گومپرتز تعمیم‌یافته-هندسی، پواسون، دوجمله‌ای، لگاریتمی و دوجمله‌ای منفی و توزیع دومتغیره نمایی تعمیم‌یافته است. نحوه ساختن و ویژگی‌های این کلاس از توزیع‌های دومتغیره ارائه شده و روند برآوردیابی برای پارامترهای مدل با روش‌های ماکسیمم درستنمایی و الگوریتم EM بحث می‌شود. در نهایت دو کاربرد از داده‌های واقعی برای برازش این مدل و مفید نشان دادن آن ارائه می‌شوند.

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.