---

در دنیای صنعتی امروز، نگهداری مؤثر تجهیزات نقش مهمی در کاهش هزینه و افزایش بهره‌وری دارد. در این مقاله، آزمون‌های نیکویی برازش مبتنی بر معیارهای اطلاع شامل آنتروپی، اکستروپی و ورآنتروپی برای ارزیابی نوع تعمیر سیستم‌های قابل تعمیر معرفی می‌شوند. این آزمون‌ها با استفاده از داده‌های سن سیستم پس از تعمیر، برازش مدل تعمیر ناقص کاهش حسابی سن از مرتبه 1  را بررسی می‌کنند. توان آزمون‌های پیشنهادی با آزمون‌های کلاسیک مبتنی بر مانده‌های مارتینگل و تبدیل انتگرال احتمال مقایسه می‌شود. نتایج شبیه‌سازی نشان می‌دهند آزمون‌های پیشنهادی در تشخیص مدل‌های تعمیر ناقص عملکرد بهتری دارند. همچنین، کاربرد آن‌ها در داده‌های واقعی خرابی خودرو نشان می‌دهد این مدل  برازش مناسبی دارد.
 

---

در این مقاله،  با در نظر گرفتن  اندازه‌های اطلاع کای-دو تعمیم‌یافته و  کای-دو تعمیم‌یافته  نسبی،  نسخه‌های گسسته‌ای از این معیار‌های اطلاع معرفی  می‌شود. سپس  تعمیم‌هایی از این کمیت‌های اطلاع بر اساس خاصیت تحدب  آن‌ها ارائه می‌شود.  برخی از ویژگی‌های مهم این اندازه‌های جدید و روابط بین آن‌ها مورد مطالعه قرار می‌گیرد.
به‌علاوه، کارکرد این  معیار‌های جدید اطلاع  برای برخی از مدل‌های شناخته‌شده و پرکاربرد در شاخه‌های نظریه کدگزاری و ترمودیناک از قبیل توزیع‌های اسکورت و اسکورت تعمیم‌یافته مطالعه می‌شود. در پایان هم  دو کاربرد برای اندازه اطلاع معرفی شده کای-دو تعمیم‌یافته گسسته در زمینه ارزیابی کیفیت تصاویر بررسی  می‌شود. علاوه بر این، نتایج به‌دست‌آمده از کارکرد این معیارها  با عملکرد معیار مهم نسبت سیگنال به نویز پیک که یک کمیت شناخته‌شده در ارزیابی کیفیت تصاویر است، مقایسه می‌شوند. نشان داده می‌شود که اندازه واگرایی کای-دو تعمیم‌یافته عملکردی مشابه با معیار نسبت سیگنال به نویز پیک دارد و می‌تواند به‌عنوان یک معیار جایگزین به‌کار رود.

---

در این مقاله، یک آزمون ناپارامتری بر پایه داده‌های ناکامل برای بررسی ترتیب تصادفی معمولی با استفاده از تعمیمی از آماره  بانرجی  برای داده‌های سانسور شده نوع I ارائه می‌شود. این تعمیم با به‌کارگیری ضرایب وزنی مبتنی بر قاعده سیمپسون و روش بوت‌استرپ با 10000 تکرار برای تخمین توزیع تجربی آماره پیشنهادی بهینه شده است. توزیع تجربی آماره در حضور سانسور نوع I مطالعه شده و توان آزمون با شبیه‌سازی مونت‌کارلو در مقابل مدل جایگزین لهمن  ارزیابی گردیده است.

 

---

مطالعه مدل‌های متنوع در نظریه صف لازم است تا بهره‌وری سیستم‌های صف‌بندی افزایش یابد. در این مقاله از خانواده مدل‌های {E_r/M/c; r,cin N}، مدل E_r/M/3 معرفی می‌شود و کمیت‌هایی مانند توزیع تعداد متقاضیان (مشتریان) در سیستم، متوسط تعداد متقاصیان در صف و سیستم و متوسط زمان انتظار در صف و سیستم یک متقاضی به دست آورده می‌شوند. به دلیل نقش ویژه پارامتر شدت ترافیک در معیارهای ارزیابی عملکرد سیستم‌های صف‌بندی، برآورد آن به روش‌های بیز، E-بیز و بیز سلسله‌مراتبی تحت تابع زیان آنتروپی عمومی و بر اساس زمان توقف سیستم، به دست آورده می‌شود و سپس بر اساس برآوردگر E-بیز، برآوردی جدید برای پارامتر شدت ترافیک معرفی می‌گردد که در این مقاله برآورد E^2-بیز نامیده می‌شود.  بنابر این در بین برآوردگرهای بیز، E-بیز، بیز سلسله‌مراتبی و برآوردگر جدید، برآوردگری که بتواند متوسط مدت زمان انتظار در صف مشتری را کاهش دهد در این مقاله به عنوان برآوردگر مطلوب پارامتر شدت ترافیک در نظر گرفته می‌شود. همچنین با استفاده از روش شبیه‌سازی مونت‌کارلو و به کمک یک مجموعه داده‌های واقعی برتری برآوردگر جدید نسبت به سایر برآوردگرهای ذکر شده در مقاله نشان داده می‌شود.

---

در این مقاله، یک فرایند خودبازگشتی از مرتبهٔ اول با مقادیر صحیح نامنفی بر اساس عملگر رقیق‌ساز دوجمله‌ای و با نوفه‌ای از نوع پواسن-کومال معرفی شده است. به‌منظور برآورد پارامترهای این مدل، دو روش برآوردیابی شامل برآورد درستنمایی شرطی و روش یول-والکر مورد بررسی قرار گرفته‌اند. همچنین، با انجام یک مطالعهٔ شبیه‌سازی، روش‌های برآوردیابی ارزیابی شده اند. علاوه بر این با استفاده از دو مجموعه دادهٔ واقعی در علوم دامپزشکی عملکرد فرآیند پیشنهادی نشان داده شده است.

---

این مطالعه به بررسی توزیع انرژی موجک در سیستم‌های فراکتالی بالا-فرکانس و تحلیل ویژگی‌های آن با استفاده از معیارهای نظریه اطلاعات می‌پردازد. نوآوری اصلی این مقاله، مدل‌سازی توزیع انرژی موجک ($p_j$) با استفاده از توزیع هندسی بریده‌شده و ادغام مفهوم اکستروپی برای اندازه‌گیری پیچیدگی سیستم است. نشان داده می‌شود که این توزیع به شدت تحت تأثیر پارامتر فراکتالی α و تعداد سطوح تجزیه M قرار دارد. این پژوهش با محاسبه آنتروپی و اکستروپی موجک، به ترتیب به عنوان معیارهای بی‌نظمی و اطلاعات، به تحلیل کمی پیچیدگی این سیستم‌ها می‌پردازد. مقاله به بررسی خصوصیات این توزیع، از جمله همگرایی آن به توزیع‌های هندسی، یکنواخت و دژنره در شرایط حدی (مانند $M to infty$ یا $alpha to 0$) می‌پردازد. نتایج نشان می‌دهد که آنتروپی و اکستروپی ابزارهای مکملی برای توصیف کامل رفتار سیستم هستند؛ در حالی که آنتروپی بی‌نظمی را اندازه‌گیری می‌کند، اکستروپی میزان اطلاعات و قطعیت را نشان می‌دهد. این رویکرد، چارچوب نوینی برای تحلیل سیگنال‌های واقعی با پارامترهای متغیر فراهم می‌کند و می‌تواند در تحلیل سیگنال‌های فراکتالی و مدل‌سازی سیستم‌های پیچیده در زمینه‌هایی مانند مالی و زیست‌شناسی به کار رود.
 برای اعتبارسنجی نظریه‌ها، سیگنال‌های فراکتالی مصنوعی (حرکت براونی کسری) با پارامترهای مختلف فراکتالی ($alpha$) و سطوح تجزیه ($M$) شبیه‌سازی شدند. نتایج عددی نشان می‌دهد که آنتروپی موجک به‌طور قابل توجهی با افزایش سطوح تجزیه  افزایش می‌یابد، در حالی که اکستروپی رشد کمتری داشته و در سطوح بالاتر به حالت اشباع می‌رسد. این یافته‌ها، اهمیت انتخاب سطح تجزیه مناسب را برجسته می‌کنند. این چارچوب ترکیبی، ابزار قدرتمندی برای تحلیل و مدل‌سازی سیستم‌های پیچیده و غیرایستا در حوزه‌هایی مانند مالی و زیست‌شناسی فراهم می‌کند. 

---

در چشم‌انداز وسیع تحلیل داده‌های مدرن، مواجهه با داده‌های شمارشی که با مشکل فراوانی بیش از حد صفر درگیر هستند، یک معضل تحلیلی بنیادین به شمار می‌رود. مدل‌های کلاسیک چون رگرسیون پواسون، در برابر این پدیده از خود ضعف نشان می‌دهد، زیرا فاقد توانایی برای تفکیک صفرهای ساختاری (ناشی از فرایندهای قطعی) از صفرهای تصادفی (ناشی از فرایندهای تصادفی) هستند. اگرچه مدل‌های رگرسیون پواسون آماسیده در صفر گامی مهم در جهت حل این چالش برداشته‌اند، اما کارایی آن‌ها در عصر داده‌های بزرگ و با ابعاد بسیار بالا، با محدودیت‌های جدی روبه‌رو است. این پژوهش، با نگاهی فراتر از چارچوب‌های سنتی، چارچوبی نوین مبتنی بر شبکه‌های عصبی عمیق را برای تقویت و متحول ساختن مدل‌های رگرسیون پواسون آماسیده در صفر معرفی می‌کند. این رویکرد ترکیبی، با بهره‌گیری از قدرت بی‌نظیر یادگیری عمیق در استخراج ویژگی‌های غیرخطی و پیچیده، قادر است فرایند دوگانه تولید داده‌ها (فرایند تولید صفر و فرایند شمارش) را با دقتی بی‌سابقه مدل‌سازی کند. نتایج حاصل از شبیه‌سازی‌های گسترده و کاربرد بر روی مجموعه داده‌های واقعی، برتری چشمگیر این معماری نوین را در سناریوهای با ابعاد بالا و روابط متغیرهای پیچیده، به وضوح آشکار می‌سازد.

---

در این مقاله، به برآورد ناپارامتری ساختار همبستگی نامانا در داده‌های فضایی با اندازه بزرگ پرداخته می‌شود. روش پیشنهادی، رویکردی بیزی مبتنی بر گروه‌بندی است که توسعه‌ای از تقریب وکیا محسوب می‌شود و بر فرض استقلال شرطی داده‌های مرتب‌شده بنا شده است. این فرض منجر به تنک‌سازی ماتریس دقت و تجزیه چولسکی تنک می‌گردد و امکان مدل‌سازی فرایند گاوسی $n$-متغیره را به‌صورت دنباله‌ای از رگرسیون‌های خطی بیزی فراهم می‌آورد. مرتب‌سازی داده‌ها با روش ماکسیمم ‌کردن کمترین فاصله، عملکرد مدل را بهبود می‌بخشد. افزون‌براین، اعمال الگوریتم گروه‌بندی روی داده‌های مرتب‌شده با حذف وابستگی‌های ضعیف بین موقعیت‌ها، ساختار کوواریانس را به‌صورت بلوک‌بندی‌شده و فوق‌العاده تنک تعریف می‌کند که منجر به کاهش چشمگیر بار محاسباتی و افزایش دقت مدل می‌شود. نتایج شبیه‌سازی و تحلیل داده‌های واقعی نشان می‌دهد که نمونه‌های به‌دست‌آمده از توزیع پسین، بازه‌های عدم قطعیت کوچکتری نسبت به روش‌های بدون گروه‌بندی دارند.

---

در این مقاله، برای تحلیل و اندازه‌گیری پیچیدگی رفتاری سیستم‌های آمیخته شرطی، یک شاخص نوین با عنوان واگرایی اکستروپی باقیمانده تجمعی ینسن  بررسی می‌شود. ابتدا با استفاده از  بردار ضرایب شرطی حاصل از بردار علامت،  رفتار این معیار برای دسته‌ای از سیستم‌های منسجم و نیز سیستم‌های دوگان آن‌ها، در حالتی که مؤلفه‌ها دارای توزیع گاما هستند، به‌صورت تحلیلی بررسی می شود. سپس برای ارزیابی نتایج بدست آمده، شبیه‌سازی انجام می‌شود. نتایج این مقاله نشان می دهد که کمترین پیچیدگی را سیستم های منسجم $k $ از $n$ با مقدار واگرایی اکستروپی باقیمانده تجمعی ینسن  برابر صفر دارند. علاوه بر این نتایج نشان می‌دهد که دوگان بودن سیستم‌ها لزوماً منجر به برابری مقدار واگرایی اکستروپی باقیمانده تجمعی ینسن در سیستم‌های آمیخته شرطی نمی‌شود؛ بلکه این شاخص نسبت به وزن‌دهی مؤلفه‌ها، آماره‌های مرتب و تعامل ساختاری بین اجزای سیستم حساس است.

---

داده‌های فضایی-زمانی معمولاً دارای ساختارهای وابستگی پیچیده و چولگی هستند که مدل‌سازی آن‌ها با چارچوب‌های کلاسیک، مانند میدان‌های تصادفی گاوسی، یا بسیار پرهزینه و یا بیش از حد محدودکننده است. در این مقاله، چارچوبی نوین با عنوان میدان عصبی بیزی برای مدل‌سازی فرایندهای فضایی–زمانی چوله معرفی می‌شود. این چارچوب با استفاده از مختصات مکانی و زمانی در کنار متغیرهای توضیحی و توزیع‌های پیشین، امکان بازنمایی انعطاف‌پذیر همبستگی‌ها و چولگی را فراهم می‌سازد و قابلیت پیش‌بینی در مکان‌ها و زمان‌های جدید را دارد. استنباط پارامترها از طریق روش استنباط واریاسیونی انجام شد که علاوه بر بهره‌وری محاسباتی، برآورد عدم‌قطعیت را نیز امکان‌پذیر می‌سازد. نتایج مطالعهٔ شبیه‌سازی نشان داد که چارچوب پیشنهادی از نظر دقت و سرعت نسبت به روش‌های مونت‌کارلویی استاندارد برتری دارد.

---

در این مقاله، مروری جامع و تحلیلی-مقایسه‌ای بر روش‌های برآوردیابی مدل‌های خودبازگشتی متناوب با نوآور‌هایی از نوع توزیع ترکیبی مقیاسی چوله نرمال ارائه می‌شود؛ این خانواده توزیعی، چارچوبی انعطاف‌پذیر برای مدل‌سازی داده‌های متقارن و نامتقارن فراهم می‌سازد. در این راستا، الگوریتم‌های ECM برای توسعه سه روش برآوردیابی که شامل برآوردیابی درست‌نمایی بیشینه، برآوردیابی بیشینه احتمال پسین، و برآوردیابی بیزی به‌کار گرفته شده‌اند. کارایی این روش‌ها از طریق مطالعات شبیه‌سازی مورد ارزیابی قرار گرفته و ویژگی‌های مجانبی، استواری در برابر داده‌های پرت، قله‌های شدید و دم‌های سنگین مورد توجه ویژه قرار گرفته‌اند. همچنین، به‌منظور بررسی کاربرد عملی مدل پیشنهادی، از این روش‌ها برای مدل‌سازی سری زمانی ماهانه قیمت سهام شرکت گوگل استفاده شده است.

---

در این مقاله، روش‌های استنباط آماری برای توزیع لیندلی-وایبول در شرایط فقدان داده‌های کامل و در دسترس بودن تنها مقادیر رکورد بالا توسعه یافته است. با بهره‌گیری از نظریه رکوردها، توابع درستنمایی مربوط به رکوردهای بالا استخراج شده و برآوردگرهای ماکسیمم درستنمایی پارامترها ارائه گردیده است. همچنین، روشی برای پیش‌بینی رکوردهای آینده بر مبنای رکوردهای مشاهده شده پیشنهاد شده است. عملکرد روش‌های ارائه شده از طریق مطالعه شبیه‌سازی و نیز کاربرد روی داده‌های واقعی مربوط به دبی اوج سیلاب مورد ارزیابی قرار گرفته است. نتایج حاکی از آن است که توزیع لیندلی-وایبول از انعطاف‌پذیری مطلوبی در مدل‌سازی داده‌های رکوردی برخوردار بوده و روش‌های استنباطی توسعه یافته از دقت و قابلیت اطمینان مناسبی در برآورد پارامترها و پیش‌بینی مقادیر آینده برخوردارند.

---

زیرساخت‌های بزرگ مهندسی مانند شبکه‌های برق، سامانه‌های ارتباطی و سامانه‌های سایبر فیزیکی در معرض شوک‌هایی با شدت و گستره متفاوت قرار دارند که در اثر وابستگی میان مؤلفه‌ها می‌توانند موجب خرابی‌های زنجیروار در کل شبکه شوند. مدل‌های کلاسیک قابلیت اطمینان عموماً با فرض استقلال میان اجزاء و شوک‌ها ساخته شده‌اند و از این‌رو در توصیف رفتار واقعی سامانه‌ها با محدودیت مواجه‌اند. در این مقاله چارچوبی جامع برای تحلیل قابلیت اطمینان شبکه‌ها در حضور شوک‌های علامت‌دار زمانی وابسته ارائه می‌شود. در این چارچوب، هر گره شبکه با فرآیندی علامت‌دار مدل می‌شود که شدت و زمان وقوع شوک‌ها را به‌صورت هم‌زمان در بر می‌گیرد و ساختار وابستگی میان مؤلفه‌ها از طریق تابع کاپولا توصیف می‌گردد. مدل پیشنهادی افزون بر وابستگی آماری، مکانیزم شکست تجمعی، تعمیر ناقص و سیاست‌های تخصیص منابع تقویتی را نیز در بر دارد.

‎‎

---

در این مقاله، مقایسه‌های تصادفی طول ‌عمر سیستم‌های سری و موازی متشکل از مؤلفه‌های مدل نرخ خطر جمع‌پذیر  مقیاسی تحت تأثیر شوک‌های تصادفی، با استفاده از مفصل‌های ارشمیدسی مورد مطالعه قرار گرفته است.  با اعمال شرایط  مناسب روی تابع توزیع پایه، پارامترهای مدل، توابع مولد و احتمالات وقوع شوک‌ها، شرایط کافی برای مقایسه طول ‌عمر دو سیستم از نظر ترتیب تصادفی معمولی و ترتیب نرخ خطر مورد مطالعه قرار گرفته است. نتایج این مقاله، نشان می‌دهند که چگونه ناهمگنی پارامترها و ساختار وابستگی، بر قابلیت اعتماد سیستم تأثیر می‌گذارند. علاوه‌بر‌این،  چندین مثال‌ عددی برای تأیید اعتبار یافته‌های نظری  ارائه شده است. 

---

در این مقاله، برآوردگری و پیش‌بینی برای توزیع نمایی اندازه-اریب بر اساس رکوردهای بالا مطالعه شده است. برآوردگری و پیش‌بینی برای رکوردهای آینده در چارچوب‌های کلاسیک و بیزی انجام گرفته است. برآوردهای ماکسیمم درستنمایی، گشتاوری و بیزیِ پارامتر توزیع، بر اساس تابع زیان متقارن مربع خطا محاسبه شده‌اند. از آنجا که انتگرال‌های مرتبط با برآوردگرها و پیش‌بینی‌کننده‌های بیزی دارای فرم بسته نیستند، از روش تقریب لیندلی، روش نمونه‌گیری اهمیت و روش مونت‌کارلو زنجیر مارکوف برای تقریب این انتگرال‌ها استفاده شده است. در ادامه، بازه‌های اطمینان مجانبی، محوری، آزمون نسبت ماکسیمم درستنمایی و بازه‌های پیش‌بینی بیزی ارائه شده‌اند. همچنین، یک مطالعه شبیه‌سازی مونت‌کارلو برای ارزیابی و مقایسه عملکرد روش‌های مختلف برآورد و پیش‌بینی انجام یافته و در پایان، برای تشریح بیشتر روش‌های معرفی‌شده، یک مثال واقعی ارائه شده است. 

---

در سیستم‌های نوبت‌دهی کلاسیک، مشتریان برای دریافت خدمات باید در یک صف منتظر بمانند، اما برخی از مشتریان تمایل دارند به طور همزمان در چند سیستم البته برای دریافت خدمت یکسان، در صف انتظار بمانند به عبارت دیگر در چند صف منتظر می‌شوند، چون هدف‌شان دریافت سرویس زودتر است و وقتی که مشتری (متقاضی) از یک صف سرویس بگیرد، صف‌های دیگر را ترک می‌کند. به عبارت دیگر مشتری دوست دارد تا جایی که ممکن است زمان انتظارش در صف مینیمم شود. بر همین اساس در این مقاله دو مدل صف‌بندی $M/M/1$ با نرخ‌های ورود و سرویس به ترتیب $lambda_1$ و $mu_1$ برای مدل اول و $lambda_2$ و $mu_2$ برای مدل دوم در نظر گرفته شده و مینیمم متوسط زمان انتظار در صف این دو مدل به روش‌های بیز، $E$-بیز و بیز سلسله‌مراتبی تحت تابع زیان آنتروپی عمومی برآورد می‌شود. همچنین به کمک روش شبیه‌سازی مونت‌کارلو و یک مجموعه داده‌های واقعی برآوردگر مناسب تعیین می‌شود.   

---

با پیشرفت علوم زیستی و فناوری‌های نوین، داده‌های با ابعاد بالا که در آن‌ها تعداد متغیرهای مستقل از تعداد مشاهدات بیشتر است، در حوزه‌های مختلف گسترش یافته‌اند. داده‌های بیان‌ژنی مرتبط با تولید ریبوفلاوین یا ویتامین $B_2$ نمونه‌ای از این داده‌ها هستند. وجود تعداد زیاد متغیرها و همخطی میان آن‌ها، استفاده از روش‌های رگرسیونی کلاسیک را با چالش مواجه می‌سازد. ازاین‌رو، روش‌های منظم‌سازی و کاهش ابعاد مانند رگرسیون ریج، لاسو، الاستیک نت و کمترین مربعات جزئی، به‌منظور افزایش پایداری مدل و بهبود پیش‌بینی توسعه یافته‌اند. همچنین، روش‌های یادگیری ماشین مانند ماشین‌های بردار پشتیبان و رگرسیون بردار پشتیبان با توانایی مدل‌سازی روابط پیچیده و غیرخطی، در تحلیل داده‌های با ابعاد بالا کاربرد گسترده‌ای یافته‌اند. در این پژوهش، روش‌های رگرسیونی و یادگیری ماشین شامل ریج، لاسو، الاستیک نت، PLS ،SVM و SVR بر روی داده‌های واقعی و شبیه‌سازی‌شده بررسی می‌شوند تا عملکرد آن‌ها ارزیابی گردد.

---

در این مقاله، ترتیب نرخ خطر در سیستم‌های ایمن-شکست با مولفه‌های مقیاس با چندین دور افتاده، تحت شوک‌های تصادفی بررسی می‌شود. ابتدا،  تحت شرایطی اثبات می‌شود که افزایش احتمالات بقای مولفه‌ها در برابر شوک‌ها، سیستم مذکور را از نظر نرخ خطر بهبود می‌بخشد. سپس نشان داده می‌شود که تخصیص متعادل تعداد مؤلفه‌ها به‌معنای بیشاندن بردار اندازه‌ها،  می‌تواند راهبردی مؤثر برای افزایش قابلیت ‌اعتماد سیستم‌های مربوطه باشد. سرانجام، تأثیر تغییرات همزمان پارامترهای مقیاس و احتمالات شوک بر ترتیب نرخ خطر در مدلی با دو نوع دورافتاده مطالعه می‌شود. همچنین به کاربردها و تفسیر یافته‌های بدست آمده پرداخته می‌شود. 

---

داده‌های فضایی-زمانی اغلب دارای توزیع‌های چوله هستند که مدل‌سازی آن‌ها با چالش‌هایی همراه است. میدان‌های تصادفی چوله گاوسی یکی از رویکردهای متداول برای تحلیل این داده‌ها هستند، اما برخی از این مدل‌ها با مشکلاتی مانند پیچیدگی محاسباتی و عدم شناسایی‌پذیری مواجه‌اند. در این مقاله، یک چارچوب بیزی برای مدل‌سازی داده‌های فضایی-زمانی چوله بر پایه میدان تصادفی چوله گاوسی بسته و منعطف پیشنهاد شده است که ویژگی‌هایی مانند شناسایی‌پذیری و بسته بودن تحت عملیات حاشیه‌سازی و شرطی‌سازی را داراست. این مدل با بهره‌گیری از تابع همبستگی مترن، انعطاف‌پذیری مناسبی در مدل‌سازی ساختارهای همبستگی فضایی-زمانی فراهم می‌کند. تحلیل بیزی مدل با استفاده از الگوریتم مونت‌کارلویی همیلتونی انجام  و در یک مطالعه شبیه‌سازی، عملکرد آن با روش‌های متداول مونت‌کارلویی زنجیر  مارکوفی مقایسه شد. در نهایت، کارایی مدل در تحلیل داده‌های  آلودگی هوا PM-10 نیز مورد بررسی قرار گرفت.

---

برخلاف روش‌های سنتی که برداشت‌ها را مستقل از فرآیند شکست فرض می‌کنند، این مقاله رویکردی نوین برای استنباط کلاسیک و بیزی داده‌های سانسورشده فزاینده نوع دو با برداشت‌های تصادفی آگاهی‌بخش ارائه می‌دهد. در این راستا با فرض مدل طول‌عمر وایبول-پواسون، دو توزیع برداشت پواسون و وایبل گسسته (هر دو بریده‌شده) معرفی می‌شوند که به‌دلیل وابستگی ساختاری با پارامترها، دقت برآوردها را در شرایط سانسور شدید افزایش می‌دهند. در نهایت، برتری این روش‌ها از طریق شبیه‌سازی مونت‌کارلو و تحلیل داده‌های واقعی زمان بهبودی بیماران سرطان مثانه ارزیابی شده است.