<?xml version="1.0" encoding="UTF-8"?>
<rss version="2.0">
<channel>
<title> مجله علوم آماری </title>
<link>http://jss@irstat.ir</link>
<description>مجله علوم آماری – نشریه علمی پژوهشی انجمن آمار ایران - مقالات نشریه - سال 1397 جلد12 شماره1</description>
<generator>Yektaweb Collection - https://yektaweb.com</generator>
<language>fa</language>
<pubDate>1397/6/10</pubDate>

					<item>
						<title>برآوردیابی پارامترهای مدل‌های خطی دو مرحله‌ای منظم</title>
						<link>http://irstat.ir/jss/browse.php?a_id=330&amp;sid=1&amp;slc_lang=fa</link>
						<description>&lt;div style=&quot;text-align: justify;&quot;&gt;&amp;nbsp;مدل های خطی دو مرحله ای وقتی کاربرد دارند که داده های متغیرهای مستقل و وابسته در دو مقطع یا مرحله زمانی به دست آمده و لازم باشد از اطلاعات هر دو مرحله در برازش مدل استفاده شود. در این مقاله پس از معرفی مدل های خطی چند مرحله ای و دو مرحله ای، به دو شیوه مختلف برآورد پارامترهای مدل های خطی دو مرحله ای منظم به دست آورده می شوند. پس با توجه به پیچیده بودن برآوردها، روش های محاسباتی با نرم افزار R برای برآورد پارامترها ارائه می شوند. در پایان نحوه کاربست مدل ارائه شده در قالب یک مثال کاربردی نشان داده می شود.&lt;/div&gt;</description>
						<author>میثم آگاهی</author>
						<category></category>
					</item>
					
					<item>
						<title>یک معیار جدید انتخاب مدل مبتنی بر داده تاگی</title>
						<link>http://irstat.ir/jss/browse.php?a_id=481&amp;sid=1&amp;slc_lang=fa</link>
						<description>&lt;p style=&quot;text-align: justify;&quot;&gt;یک چالش اساسی در استنباط مدل های آمیخته، معرفی معیارهای کارا برای انتخاب مدل است. منبع اصلی این چالش نیز برازش و محاسبه ماکسیمم تابع درستنمایی مدل می باشد. داده تاگی روش جدیدی است که برای برازش کارای مدل های آمیخته با روش ماکسیمم درستنمایی پیشنهاد شده است. این روش، اخیرا، طرفداران زیادی پیدا کرده است و مشکلات عمده سایر روش های استنباط مبتنی بر درستنمایی در مدل های 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 می شود. بنابراین به نظر می رسد با روش داده تاگی نمی توان یک معیار اطلاع مناسب، به طور مستقیم، برای یافتن بهترین مدل در رده مدل های آمیخته، تعریف کرد. این پژوهش تلاشی است در جهت نقض این باور. در این مقاله، یک معیار مبتنی بر روش داده تاگی معرفی می شود و عملکرد آن در یک مطالعه شبیه سازی مورد ارزیابی قرار می گیرد.&lt;/p&gt;</description>
						<author>حسین باغیشنی</author>
						<category></category>
					</item>
					
					<item>
						<title>مقایسه تصادفی چولگی سیستم‌های موازی در مدل پارتو</title>
						<link>http://irstat.ir/jss/browse.php?a_id=461&amp;sid=1&amp;slc_lang=fa</link>
						<description>&lt;p style=&quot;text-align: justify;&quot;&gt;&amp;nbsp;در این مقاله به مقایسه تصادفی طول عمر سیستم های موازی با مؤلفه های غیر همگن از توزیع پارتو بر حسب ترتیب تصادفی ستاره و ترتیب تصادفی محدب پرداخته می شود. ثابت خواهد شد که طول عمر یک سیستم موازی با مؤلفه های مستقل غیر همگن از مدل پارتو بر حسب ترتیب تصادفی محدب، همیشه کمتر از طول عمر یک سیستم موازی دیگر با مؤلفه های مستقل همگن از مدل پارتو است. همچنین تحت یک شرط کلی روی پامترهای مقیاس نتیجه ای در ارتباط با ترتیب تصادفی ستاره اثبات می شود.&lt;/p&gt;</description>
						<author>ابراهیم امینی سرشت</author>
						<category></category>
					</item>
					
					<item>
						<title>بهینه‌سازی نگهداری و تعمیرات پیشگیرانه در یک سیستم چند وضعیتی</title>
						<link>http://irstat.ir/jss/browse.php?a_id=351&amp;sid=1&amp;slc_lang=fa</link>
						<description>&lt;div style=&quot;text-align: justify;&quot;&gt;در این تحقیق، روش نگهداری و تعمیرات یک سیستم مورد بررسی قرار گرفته است. این سیستم در لحظه شروع در وضعیت یک بوده که در آن سیستم کاملا سالم و نو فرض می شود. پس از مدت زمانی تصادفی، سیستم خراب و به وضعیت تعمیر می رود و پس از آن دوباره شروع به کار می کند. اما در این وضعیت طول عمر سیستم به طور تصادفی کمتر از طول عمر آن در وضعیت اولیه خواهد بود. پس از خرابی مجدد سیستم، دوباره تعمیر شده و با طول عمر به طور تصادفی کمتر از طول عمر قبل شروع به کار می کند. در نهایت پس از خرابی مجدد سیستم، بررسی می گردد که آیا بایستی سیستم اسقاط شده یا بطور اساسی تعمیر گردد. در حین کارکرد سیستم می توان از روش های نگهداری و تعمیرات پیشگیرانه جهت افزایش طول عمر سیستم بهره برد. چون این اقدامات هزینه بر بوده، در این مقاله به ارائه روشی برای بهینه سازی هزینه نگهداری و تعمیر پیشگیرانه پرداخته می شود. سپس با ارائه مثالی کاربردهای این روش در سیستم هایی با توزیع های مختلف آماری نشان داده می شود.&lt;/div&gt;</description>
						<author>فاطمه ایرانمنش</author>
						<category></category>
					</item>
					
					<item>
						<title>رگرسیون ضرایب متغیر طولی حاشیه‌ای با اسپلاین تاوانیده</title>
						<link>http://irstat.ir/jss/browse.php?a_id=356&amp;sid=1&amp;slc_lang=fa</link>
						<description>&lt;p style=&quot;text-align: justify;&quot;&gt;مدل های رگرسیونی ناپارامتری و نیمه پارامتری در زمینه  داده های مستقل توسعه چشمگیری پیداکرده اند، اما رشد آن ها در زمینه داده های طولی، محدود به چند سال اخیر است. از آنجا که روش های رگرسیونی معمول برای داد ه های همبسته نسبت به داده های مستقل توانایی کمتری دارند، باید از مدل هایی استفاده شود، که همبستگی بین داده ها را نیز در نظر بگیرند. در این میان مدل های آمیخته و حاشیه ای که عامل همبستگی بین داده ها را نیز در نظر می گیرند، مدل هایی هستند که برای برازش داده های طولی مورد استفاده قرار می گیرند. همچنین با توجه به انعطاف پذیری مدل های نیمه پارامتری نسبت به مدل های پارامتری و ناپارامتری، مدل رگرسیون نیمه پارامتری طولی حاشیه ای با برآوردهای اسپلاین تاوانیده مدل مناسبی برای تحلیل داده های طولی است. در این مقاله رگرسیون نیمه پارامتری با ضرایب متغیر که در آن ارتباط بین متغیر پاسخ و یک متغیر پیش بین بر مبنای متغیر پیش بین دیگر مشخص می شود، بررسی  شده است. همچنین استنباط بیزی برای مدل ناپارامتری روی داده های شبیه سازی  شده و برای مدل نیمه پارامتری طولی حاشیه ای روی  داده های واقعی، با نرم افزارهای استاندارد انجام  شده است که نشان دهنده  عملکرد قابل قبول این استنباط است.&lt;/p&gt;</description>
						<author>آرش اردلان</author>
						<category></category>
					</item>
					
					<item>
						<title>سانسور پیش‌رونده‌ کلی</title>
						<link>http://irstat.ir/jss/browse.php?a_id=334&amp;sid=1&amp;slc_lang=fa</link>
						<description>&lt;p style=&quot;text-align: justify;&quot;&gt;امروزه استفاده از روش های مختلف سانسور در آزمون های قابلیت اعتماد در صنعت و آزمون های زمان - بقا در آزمایشات کلینیکی فراگیر شده است. یکی از این روش های سانسور، سانسور پیش رونده  نوع I و II است. استفاده از این نوع سانسورها، معایبی نیز به همراه دارد. در این مقاله تلاش می شود با ایجاد تغییراتی در سانسور پیش رونده نوع I، معایب آن کاهش یابد و همچنین یک طرح کلی ارائه گردد که سانسور پیش رونده نوع II را نیز شامل گردد. این کار از این طریق صورت می پذیرد که برخلاف قبل، تعداد برداشت و زمان برداشت متغیرهای تصادفی در نظر گرفته می شوند. ابتدا به معرفی سانسورهای پیش رونده نوع I، II و دو نوع از تعمیم های آن ها پرداخته می شود، سپس روش سانسور جدید بر پایه  سانسور پیش رونده نوع I توضیح داده و تابع چگالی احتمال آن بیان می گردد. چند حالت خاص آن نیز معرفی می شود و در پایان، پیرامون پارامترهای مدل استنباط آماری انجام می شود و در ادامه الگوریتم شبیه سازی سانسور جدید ارائه و برای مقایسه این طرح سانسور تعمیم یافته با روش های سانسور رایج، از شبیه سازی استفاده خواهد شد.&lt;/p&gt;</description>
						<author>محمد بیات</author>
						<category></category>
					</item>
					
					<item>
						<title>تحلیل استوار واریانس بر اساس توزیع جایگشتی میانگین پیراسته</title>
						<link>http://irstat.ir/jss/browse.php?a_id=474&amp;sid=1&amp;slc_lang=fa</link>
						<description>&lt;p dir=&quot;RTL&quot; style=&quot;text-align: justify;&quot;&gt;ساختار آزمون تحلیل واریانس به گونه ای است که در صورت حضور داده های دورافتاده در بین مشاهدات، نتایج آزمون می تواند به اشتباه 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 فرض های کلاسیک همچون نرمال بودن داده ها و حضور داده های دورافتاده را کاهش داده و اعتبار نتایج حاصل را تضمین می کند. روش پیشنهادی با روش تحلیل استوار واریانس بر اساس رهیافت جستجوی پیشرو مقایسه می شود. روش ارائه شده برخلاف روش مبتنی بر جستجوی پیشرو، ما را از فرضیات محدودکننده پارامتری بی نیاز و ازنظر محاسباتی زمان کمتری را صرف می کند. نتایج بررسی های عددی روی خطای نوع اول و توان آزمون، حکایت از عملکرد خوب این روش استوار در مقایسه با روش رقیب دارد.&lt;/p&gt;</description>
						<author>کورش دادخواه</author>
						<category></category>
					</item>
					
					<item>
						<title>شناسایی انواع تغییرات تأثیر گذار بر رفتار مدل‌های سری‌ زمانی ساختاری با معادلات فضای حالت</title>
						<link>http://irstat.ir/jss/browse.php?a_id=303&amp;sid=1&amp;slc_lang=fa</link>
						<description>&lt;p style=&quot;text-align: justify;&quot;&gt;در این مقاله روشی برای استفاده از خروجی های کالمن فیلتر برای شناسایی تغییرات تأثیر گذار سری زمانی ارائه شده است. از آن جا که الگوریتم کالمن فیلتر برای تحلیل مدل های فضای حالت به کار می رود که مدل های خطی ARMA را پوشش می دهد، استفاده از این روش می تواند برای شناسایی تغییرات از جمله مقادیر پرت به کار رود. در این مقاله روش پیشنهاد شده برای شناسایی پنج تغییر: نقطه پرت جمع پذیر، تغییر سطح، تغییرات فصلی، تغییر دوره و شیب ناگهانی سری زمانی استفاده شده است. توانایی روش پیشنهادی در یافتن نقاط تأثیر گذار با استفاده شبیه سازی نشان داده شد. به عنوان یک مثال واقعی داده های ازدواج در کشور انگلیس مورد بررسی قرار گرفت.&lt;/p&gt;</description>
						<author>رضا ذبیحی مقدم</author>
						<category></category>
					</item>
					
					<item>
						<title>خانواده توزیع‌های ریستیک-بالاکریشنان-G: خواص ریاضی و کاربرد آن‌ها</title>
						<link>http://irstat.ir/jss/browse.php?a_id=377&amp;sid=1&amp;slc_lang=fa</link>
						<description>&lt;p style=&quot;text-align: justify;&quot;&gt;&amp;nbsp;در این مقاله به کمک توزیع های G-توانی بسط   هایی کلی برای تابع چگالی احتمال و تابع توزیع تجمعی، گشتاورها و آنتروپی های رنی و شانون و آماره های مرتب این خانواده توزیع ها به دست آورده می شود. همچنین از روش ماکسیمم درستنمایی برای برآورد پارامترهای آن استفاده کرده و به کمک یک مجموعه داده واقعی نشان داده می شود که خانواده توزیع های ریستیک-بالاکریشنان-G مدلی مناسب برای توزیع طول عمر است.&lt;/p&gt;</description>
						<author>علی شادرخ</author>
						<category></category>
					</item>
					
					<item>
						<title>پیش‌گویی فضایی با مدل‌های اتورگرسیو یک‌طرفه در فضای دو بعدی</title>
						<link>http://irstat.ir/jss/browse.php?a_id=475&amp;sid=1&amp;slc_lang=fa</link>
						<description>&lt;p style=&quot;text-align: justify;&quot;&gt;&amp;nbsp;یکی از موضوعات مهم در تحلیل داده های فضایی، پیش گویی مقدار نامعلوم کمیت مورد مطالعه در موقعیت های دلخواه بر اساس یکی از مدل های فضایی مانند اتورگرسیو فضایی یک طرفه، اتورگرسیو شرطی و میانگین متحرک است. در این مقاله ابتدا پارامترهای مدل (SAR(2,1 را به روش ماکسیمم درستنمایی برآورد کرده سپس فرمول هایی برای پیش گویی درون قلمرو داده ها (درون یابی) و خارج قلمرو داده ها (برون یابی) به دست آورده می شود. سپس کاربرد و کارایی روش های ارائه شده در قالب یک مثال مربوط به پردازش تصویر نشان داده خواهد شد.&lt;/p&gt;</description>
						<author>یداله واقعی</author>
						<category></category>
					</item>
					
					<item>
						<title>توزیع مقادیر کرانگین موزون و ویژگی‌های آن</title>
						<link>http://irstat.ir/jss/browse.php?a_id=472&amp;sid=1&amp;slc_lang=fa</link>
						<description>&lt;p style=&quot;text-align: justify;&quot;&gt;در این مقاله یک توزیع وزن دار شده  جدید بر پایه توزیع مقادیر کرانگین معرفی می گردد. ویژگی ها و مشخصه های اساسی این توزیع از قبیل تابع توزیع تجمعی، تابع مولد گشتاور، ضریب چولگی و کشیدگی مورد بررسی قرار می گیرد. پس از به  دست آوردن برآوردگرهای ماکسیمم درستنمایی پارامترها، دو مثال واقعی برای بررسی مناسب بودن مدل و عملکرد برآوردگرها ارائه شده است.&lt;/p&gt;</description>
						<author>مهرداد نادری</author>
						<category></category>
					</item>
					
					<item>
						<title>آزمون-برآوردیابی انقباضی در توزیع رایلی و کاربرد آن در داده‌های سانسور شده نوع دوم</title>
						<link>http://irstat.ir/jss/browse.php?a_id=469&amp;sid=1&amp;slc_lang=fa</link>
						<description>&lt;p style=&quot;text-align: justify;&quot;&gt;فرض کنید یک نمونه تصادفی از توزیع رایلی تک پارامتری در اختیار باشد. در روش های کلاسیک آمار، براساس اطلاعات موجود در نمونه و با روش های معمول به برآوردیابی پارامترنامعلوم پرداخته می شود. گاهی در عمل، محقق دارای اطلاعاتی درباره پارامتر نامعلوم به صورت یک حدس یا گمان می باشد. این حدس، اطلاعات غیرنمونه ای نامیده می شود. در این حالت، برآوردگرهای انقباضی خطی با ترکیب اطلاعات غیرنمونه ای 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 فرضیه صفر نزدیکی مقدار حدسی و مقدار واقعی پارامتر، چند آزمون-برآوردگر انقباضی برای پارامتر مورد بررسی با روش های مختلف، معرفی و مخاطره آن ها تحت تابع زیان آنتروپی محاسبه می شود. سپس رفتار آزمون-برآوردگرهای انقباضی و بهترین برآوردگر خطی براساس کارایی نسبی بین آن ها مقایسه می شوند. آن گاه نتایج به دست آمده برای نمونه های سانسور شده نوع دوم به کار گرفته می شود.&lt;/p&gt;</description>
						<author>مهران نقی زاده قمی</author>
						<category></category>
					</item>
					
					<item>
						<title>تحلیل آمارشکل تپه‌های ماسه‌ای اردستان در حضور خطای اندازه‌گیری</title>
						<link>http://irstat.ir/jss/browse.php?a_id=477&amp;sid=1&amp;slc_lang=fa</link>
						<description>&lt;p dir=&quot;rtl&quot; style=&quot;margin: 0px; text-align: justify;&quot;&gt;اده های شکل با توجه به تعدد منابع خطاها اغلب در معرض ابتلا به خطای اندازه گیری قرار دارند. نادیده گرفتن چنین خطایی در صورت وجود، باعث بروز مشکلات زیادی از قبیل اریبی برآوردگرها می شود. در این حالت برآوردگرهای حاصل از عدم دخالت خطای اندازه گیری برآوردگرهای ناپخته نامیده می شوند. برآوردگرهای ناپخته برای پارامترهای مقیاس و دوران در هنگام استفاده از انطباق پروکراستس داده های شکل دو بعدی، اریب هستند. برای تصحیح اریبی و بهبود برآوردگرهای ناپخته، در این مقاله روش های کالبیدن رگرسیون که از طریق بکارگیری مدل های رگرسیونی مختلط و توزیع نرمال مختلط حاصل می شود و همچنین روش امتیاز شرطی پیشنهاد می شود. به علاوه ، با انجام شبیه سازی آماری عملکرد این روش ها مورد مطالعه قرار می گیرند. هم چنین، تحلیل آماری مربوط به شکل تپه های ماسه ای اردستان، با فرض وجود خطای اندازه گیری در مشاهدات، انجام می شود.&lt;/p&gt;</description>
						<author>موسی گل علی زاده</author>
						<category></category>
					</item>
					
					<item>
						<title>برآورد پارامترهای مکان و شکل توزیع گومپرتز با آماره‌های ترتیبی تعمیم‌یافته</title>
						<link>http://irstat.ir/jss/browse.php?a_id=359&amp;sid=1&amp;slc_lang=fa</link>
						<description>&lt;p style=&quot;text-align: justify;&quot;&gt;&amp;nbsp;در این مقاله ضمن ارائه روش تولید آماره های ترتیبی تعمیم یافته از توزیع گومپرتز، برآوردهای بیزی و ماکسیمم درستنمایی پارامترها و تابع های قابلیت اعتماد و خطر آن در طرح های سانسور شده فزآینده نوع دوم و مقادیر رکوردها بر اساس آماره های ترتیبی به دست آورده شده و با استفاده از شبیه سازی مونت کارلو و دو مجموعه داده واقعی مقایسه می شوند. همچنین با مقایسه برآوردهای بیزی و ماکسیمم درستنمایی توزیع گومپرتز با برآوردهای مشابه در توزیع های وایبول و لوماکس نشان داده می شود که برآوردهای توزیع گومپرتز بهترند.&lt;/p&gt;</description>
						<author>شهرام یعقوب زاده</author>
						<category></category>
					</item>
					
	</channel>
</rss>
