سانسور هیبرید واحد شده ترکیبی از دو سانسور هیبرید تعمیم­یافته نوع I و II می ­ باشد. در این مقاله، طرح سانسور هیبرید واحد شده وقتی متغیرهای طول عمر، دارای توزیع نمایی تعمیم­یافته دو پارامتری هستند، بررسی می­شود. از آنجا که برآورد ماکسیمم درستنمایی پارامترها فرم بسته­ای ندارند، لذا برای حل مشکل از روش تکرار عددی نیوتن رافسون استفاده می­کنیم و با کمک ماتریس اطلاع فیشر مشاهدات، فاصله اطمینان مجانبی برای پارامترها بدست می ­ آوریم. با فرض آن که پارامترها مستقل و دارای توزیع پیشین گاما هستند، برآورد بیزی پارامترها را با کمک نمونه­گیری از نقاط مهم بدست آورده و در یک مطالعه شبیه­سازی طرح­های مختلف با هم مقایسه می­شوند. در انتها با یک مثال واقعی هدف مقاله بیشتر توضیح داده می­شود.

در برخی از مسئله های کاربردی، به دست آوردن مشاهدات اغلب زمان بر و با صرف هزینه همراه می باشد. در چنین شرایطی استفاده از یک روش نمونه گیری که موجب کاهش هزینه ها و افزایش کارآیی برآوردگرها شود، حائز اهمیت است. در این گونه موارد روش نمونه گیری مجموعه رتبه دار جایگزین مناسبی به جای روش نمونه گیری تصادفی ساده به نظر می رسد. در این مقاله برآورد بیزی پارامتر توزیع پارتو تحت توابع زیان توان دوم خطا و لاینکس، زمانی که داده ها به شیوه نمونه گیری مجموعه رتبه دار جمع آوری شده باشد، مورد بررسی قرار گرفته است. به کمک شبیه سازی مونت کارلو مخاطره بیزی برآوردگرها محاسبه و در دو روش نمونه گیری تصادفی ساده و نمونه گیری مجموعه رتبه دار هنگامی که از توزیع مزدوج و جفریر به عنوان توزیع پیشین استفاده شود، مقایسه شده اند. در انتها با ارائه مثال واقعی برآوردگرهای به دست آمده ارزیابی شده اند. نتایج به دست آمده حاکی از برتری روش نمونه گیری مجموعه رتبه دار است، بنابراین توصیه می شود اگر شرایط برای انجام نمونه گیری مجموعه رتبه دار فراهم باشد، از این طرح نمونه گیری استفاده شود

در این مقاله، وقتی که X و Y متغیرهای تصادفی مستقل و دارای توزیع رایلی با پارامترهای متفاوت هستند، برآوردهای E-بیز و بیز سلسله‌مراتبی پارامتر تنش-مقاومت یک سیستم، تحت تابع زیان لاینکس به دست آورده می‌شود. سپس با استفاده از روش شبیه‌سازی مونت‌کارلو و دو مجموعه داده‌های واقعی، این برآوردگرهای جدید با هم و با برآورد بیزی پارامتر تنش-مقاومت مقایسه می‌شوند. 

در این مقاله، تحت نمونه‌های سانسور فزاینده پیوندی بهبود یافته، برآورد بیزی پارامتر قابلیت اعتماد چندمؤلفه‌ای با مؤلفه‌های مقاومت غیر یکسان در توزیع گومپرتز تعمیم‌یافته یکه، بررسی می‌شود. این مسئله در سه حالت مختلف حل شده است. در حالت اول، فرض می‌شود که متغیرهای تنش و مقاومت دارای پارامترهای غیر مشترک نامعلوم هستند. در حالت دوم  فرض می‌شود که متغیرهای تنش و مقاومت دارای دو پارامتر مشترک و یک پارامتر غیر مشترک هستند به‌طوری‌که همه این پارامترها نامعلومند. در حالت سوم، فرض می‌شود که متغیرهای تنش و مقاومت دارای دو پارامتر مشترک معلوم و یک پارامتر غیر مشترک نامعلوم هستند. در هر کدام از این حالت‌ها، برآورد بیزی پارامتر قابلیت اعتماد چندمؤلفه‌ای با مؤلفه‌های مقاومت غیر یکسان، به‌دست می‌آیند. در نهایت با روش شبیه‌سازی مونت کارلو عملکرد برآوردهای مختلف با هم مقایسه شده و نتایج روی یک سری داده واقعی پیاده‌سازی می‌شوند.

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، 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.