http://jss@irstat.ir مجله علوم آماری – نشریه علمی پژوهشی انجمن آمار ایران - مقالات نشریه - سال 1395 جلد10 شماره1 Yektaweb Collection - https://yektaweb.com fa 1395/5/11 http://irstat.ir/jss/browse.php?a_id=250&sid=1&slc_lang=fa <p>با توجه به کاربردهای گسترده سیستم های نرم افزاری، لزوم تولید نرم افزارهای تقریبا بدون خطا و با کیفیت بالا بیش از پیش اهمیت پیدا کرده است. قابلیت&nbsp;اعتماد نرم افزار یک رهیافت مهم برای ارزیابی کیفیت نرم افزار در نظر گرفته می شود. مدل سازی قابلیت اعتماد نرم افزار براساس فرایند پواسون ناهمگن یکی از روش های کاملا موفق در مهندسی قابلیت اعتماد نرم افزار می باشد. در این مقاله ابتدا مدل عمومی رشد قابلیت اعتماد بررسی می شود. سپس&nbsp;با&nbsp;در نظر گرفتن دو نوع خطای ساده و پیچیده و لحاظ کردن وابستگی بین خطاهای پیچیده و نیز تاخیر زمانی بین کشف و&nbsp;حذف&nbsp;خطاهای پیچیده&nbsp;به&nbsp;ارائه یک مدل تعمیم یافته قابلیت اعتماد نرم افزار پرداخته می شود. برآورد پارامترهای مدل پیشنهادی با استفاده&nbsp;از&nbsp;مجموعه&nbsp;داده های شکست دو پروژه نرم افزاری واقعی و از طریق نرم افزار انجام می شود. در پایان مدل پیشنهادی با دو مدل موجود با استفاده از معیارهای مختلف مقایسه می شود. نتایج نشان می دهد مدل ارائه شده در این تحقیق بر روی این مجموعه داده ها بهتر برازش شده، اطلاعات دقیق تری در مورد کیفیت نرم افزار ارائه می کند.</p> طاهره یعقوبی http://irstat.ir/jss/browse.php?a_id=256&sid=1&slc_lang=fa <p style="text-align: justify;"><span dir="RTL">آزمون فرضیه تساوی میانگین های k&nbsp;</span><span dir="RTL" style="line-height: 1.6em;">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&nbsp; جدید برای یافتن پرتوانترین آزمون به طور یکنواخت در سطح معنی داری&nbsp;</span><span dir="RTL" style="line-height: 1.6em;">&alpha;</span><span dir="RTL" style="line-height: 1.6em;"> بر حسب توزیع t&nbsp;</span><span dir="RTL" style="line-height: 1.6em;">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 به کار برده شده است. همچنین آزمون فرضیه تساوی میانگین های&nbsp;</span><span style="line-height: 1.6em;">k</span><span dir="RTL" style="line-height: 1.6em;"> 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.</span></p> ابوذر بازیاری http://irstat.ir/jss/browse.php?a_id=340&sid=1&slc_lang=fa <p dir="RTL" style="text-align: justify;">مدل<span dir="LTR"> </span>بندی داده<span dir="LTR"> </span>های فضایی چوله اغلب با استفاده از میدان تصادفی چوله گاوسی صورت می<span dir="LTR"> </span>پذیرد. مساله اصلی این است که<span style="line-height: 1.6em;">&nbsp;شبیه سازی از این میدان تصادفی برای بعضی مقادیر پارامترها و بعدهای بالا خیلی زمان</span><span dir="LTR" style="line-height: 1.6em;"> </span><span style="line-height: 1.6em;">بر و حتی در برخی حالت</span><span dir="LTR" style="line-height: 1.6em;"> </span><span style="line-height: 1.6em;">ها ناممکن و نیازمند استفاده از روش</span><span dir="LTR" style="line-height: 1.6em;"> </span><span style="line-height: 1.6em;">های تقریبی است. یکی از شاخه</span><span dir="LTR" style="line-height: 1.6em;"> </span><span style="line-height: 1.6em;">های آمار فضایی که اغلب در تعیین ذخائر زیرزمینی همچون نفت و گاز مورد استفاده قرار می</span><span dir="LTR" style="line-height: 1.6em;"> </span><span style="line-height: 1.6em;">گیرد، تحلیل داده</span><span dir="LTR" style="line-height: 1.6em;"> </span><span style="line-height: 1.6em;">های سایسمیک توسط مدل معکوس است. مدل معکوس گاوسی بیزی معمولا در معکوس سایسمیک مورد استفاده قرار می</span><span dir="LTR" style="line-height: 1.6em;"> </span><span style="line-height: 1.6em;">گیرد که از لحاظ تحلیلی و محاسباتی به راحتی برای بعدهای بالا قابل انجام است. اما در عمل با&nbsp;</span><span style="line-height: 1.6em;">متغیرهایی &nbsp;مواجه می</span><span dir="LTR" style="line-height: 1.6em;"> </span><span style="line-height: 1.6em;">شویم که نامتقارن و چوله هستند، مدل</span><span dir="LTR" style="line-height: 1.6em;"> </span><span style="line-height: 1.6em;">بندی این نوع داده</span><span dir="LTR" style="line-height: 1.6em;"> </span><span style="line-height: 1.6em;">ها با استفاده از توزیع</span><span dir="LTR" style="line-height: 1.6em;"> </span><span style="line-height: 1.6em;">های چوله صورت می</span><span dir="LTR" style="line-height: 1.6em;"> </span><span style="line-height: 1.6em;">گیرد. در تحلیل بیزی مدل معکوس چوله گاوسی بسته نیز یکی از مشکلات مهم تولید نمونه از توزیع چوله</span><span dir="LTR" style="line-height: 1.6em;"> </span><span style="line-height: 1.6em;">نرمال بسته است. در این مقاله یک الگوریتم کارآمد برای تولید نمونه از توزیع چوله</span><span dir="LTR" style="line-height: 1.6em;"> </span><span style="line-height: 1.6em;">نرمال بسته با بعد بالا ارائه می</span><span dir="LTR" style="line-height: 1.6em;"> </span><span style="line-height: 1.6em;">شود. همچنین توزیع چوله</span><span dir="LTR" style="line-height: 1.6em;"> </span><span style="line-height: 1.6em;">تی بسته معرفی می</span><span dir="LTR" style="line-height: 1.6em;"> </span><span style="line-height: 1.6em;">شود که شامل دم</span><span dir="LTR" style="line-height: 1.6em;"> </span><span style="line-height: 1.6em;">های سنگین در تابع چگالی است و یک الگوریتم شبیه</span><span dir="LTR" style="line-height: 1.6em;"> </span><span style="line-height: 1.6em;">سازی برای تولید نمونه از این توزیع نیز بیان می</span><span dir="LTR" style="line-height: 1.6em;"> </span><span style="line-height: 1.6em;">گردد.&nbsp;</span><span dir="RTL" style="line-height: 1.6em;">در نهایت بحث و نتیجه</span><span style="line-height: 1.6em;"> </span><span dir="RTL" style="line-height: 1.6em;">گیری ارائه می</span><span style="line-height: 1.6em;"> </span><span dir="RTL" style="line-height: 1.6em;">شود.</span></p> امید کریمی http://irstat.ir/jss/browse.php?a_id=284&sid=1&slc_lang=fa <p><span dir="RTL">در این مقاله ضمن یادآوری تابع چندک، برخی از اندازه های قابلیت اعتماد مبتنی بر آن بازنویسی شده، سپس&nbsp; آنتروپی مانده ی تجمعی پویا را بر اساس تابع چندک به دست آورده و برخی از ویژگی های آن مطالعه&nbsp; شده است. در ادامه توزیع های آماری یکنواخت، نمایی و پارتو بر اساس آنتروپی مانده ی تجمعی پویا مبتنی بر تابع چندک &nbsp;مشخص سازی شده است.&nbsp; آنگاه&nbsp; برآوردگر ساده ای برای این آنتروپی معرفی و رفتار آن برای توزیع نمایی بررسی شده است. در انتها نیز بحث و نتیجه گیری ارائه شده است.</span></p> فاطمه حوتی http://irstat.ir/jss/browse.php?a_id=216&sid=1&slc_lang=fa <p><span dir="RTL">در این مقاله توزیعی جدید بر مبنای توزیع وایبول ارائه&nbsp; می شود. این توزیع دارای سه پارامتر است که نرخ شکست های صعودی، نزولی، وان شکل، تک مدی و صعودی نزولی صعودی را شامل می شود. سپس خواص&nbsp; توزیع مورد بررسی قرار می گیرد آنگاه با استفاده از یک مجموعه&nbsp; داده واقعی ویژگی های آن با برخی از تعمیم های توزیع وایبول مقایسه می شود.</span></p> علی دوستمرادی http://irstat.ir/jss/browse.php?a_id=313&sid=1&slc_lang=fa <p style="text-align: justify;"><span dir="RTL">رگرسیون خطی استوار یکی از متداولترین رویکردها در روش های آماری استوار است. پارامترهای این روش اغلب از طریق کمترین توان های دوم پیراسته برآورد می شوند که در آن تابع هدف به گونه ای صورت بندی می شود که مجموع&nbsp;k تا از کوچکترین توان دوم باقیمانده ها (خطاها) کمینه شود. لذا این روش در مقایسه با روش متداول کمترین توان دوم خطا از محاسبات پیچیده تری برخوردار است. هدف اصلی این مقاله ارائه یک روش جدیدِ برآورد مدل های خطی جزئی با رویکرد تشخیص داده های پرت و معرفی برآوردگرهای استوار بر مبنای کمترین توان های دوم پیراسته است. در این راستا ابتدا روش تفاضلی در برآورد پارامترهای مدل خطی جزئی بیان می شود. سپس روش به دست آوردن برآوردگرهای تفاضلی استواری در مدل های خطی جزئی بر اساس یک مسئله بهینه سازی مبتنی بر کمینه سازی &nbsp;مجموع&nbsp;k تا از کوچکترین توان دوم باقیمانده ها معرفی می شود. این رویکرد توانایی تشخیص داده های پرت را دارد. نتایج عددی مطالعه شبیه سازی و مطالعه کاربردی با داده های واقعی نشان دهنده دقت بسیار زیاد برآوردگرهای تفاضلی استوار معرفی شده در این مقاله در مقایسه با برآوردگرهای کلاسیک و متداول مدل های خطی جزئی هستند.</span></p> جلال چاچی http://irstat.ir/jss/browse.php?a_id=324&sid=1&slc_lang=fa <p>از جمله روش هایی که در سال های اخیر توجه بسیاری از محققان را برای مدل سازی داده های چندمتغیره آمیخته به خود جلب کرده است، استفاده از تابع مفصل می باشد. در این مقاله مدلی رگرسیونی برای پاسخ های آمیخته بقا و گسسته بر اساس تابع مفصل ارائه می شود 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 توزیع های حاشیه ای 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 داده های فاصله بین تولدها در شهر اهواز مورد استفاده قرار گرفت.</p> محمدرضا آخوند http://irstat.ir/jss/browse.php?a_id=321&sid=1&slc_lang=fa <p>طرح نمونه گیری با طبقه بندی قضاوتی روشی موثر برای استفاده از اطلاعات اضافی رتبه بندی و انتخاب نمونه ای با اطلاعات بیشتر نسبت به نمونه گیری تصادفی ساده از جامعه است. این روش نمونه گیری به نحوی است که هر یک از مشاهدات می تواند به طور تصادفی درون هر یک از طبقات قرار گیرد. در این مقاله برآوردگر جدیدی برای میانگین در این طرح نمونه گیری معرفی می شود که با تغییر در چینش مشاهدات باعث یک دست شدن مشاهدات درون طبقات می شود. در ادامه برآوردگر پیشنهادی با سایر برآوردگرهای میانگین موجود تحت این طرح نمونه گیری مورد مقایسه قرار می گیرد. نتایج شبیه سازی نشان می دهد که برآوردگر پیشنهادی عملکرد بهتری نسبت به سایر برآوردگرها دارد.</p> حامد محمدقاسمی http://irstat.ir/jss/browse.php?a_id=333&sid=1&slc_lang=fa <p style="text-align: justify;"><span dir="RTL">در این مقاله یک توزیع دو پارامتری جدید به عنوان تعمیمی از توزیع لیندلی، تحت عنوان توزیع لیندلی&nbsp;لگاریتمی با تابع نرخ شکست صعودی و وانی شکل معرفی می شود. توزیع جدید از ترکیب توزیع لیندلی و توزیع لگاریتمی به دست می آید. چندین ویژگی از توزیع جدید از جمله تابع چگالی، تابع نرخ شکست، چندک ها و گشتاورها محاسبه می شود. برآورد ماکسیمم درستنمایی با استفاده از الگوریتم&nbsp;</span>EM <span dir="RTL">به دست می آید. در نهایت برتری این توزیع نسبت به توزیع لیندلی، با استفاده از دو سری داده واقعی نشان داده می شود.</span></p> عیسی محمودی http://irstat.ir/jss/browse.php?a_id=312&sid=1&slc_lang=fa <p>یک نامساوی مهم برای توزیع ماکسیمم متغیرهای تصادفی مستقل نامساوی لوی است. در این مقاله یک نسخه از این نامساوی برای متغیرهای به طور ضعیف وابسته منفی ارایه می گردد. قانون قوی برای متغیرهای وابسته توسط مولفین مختلفی مورد بررسی قرار گرفته اند. در این تحقیق، همچنین، همگرایی کامل وزنی برای آرایه ای از متغیرهای تصادفی سطری وابسته منفی کراندار احتمالی بدست می آید. همگرایی کامل و قانون قوی برای چنین خانواده ای از متغیرهای تصادفی از نتایج حاصله می باشند</p> حمیدرضا نیلی ثانی