---

---

روش های عددی اغلب برای یافتن پاسخ سوال های از پیش تعیین شده مناسب هستند. در حالی که روش های گرافیکی محدودیت کمتری دارند. نمودرهای آماری در درک روابط بین متغیرها مفیدند. همچنین در شناسایی نقاط متمایز و زیر مجموعه های داده ها کاربرد دارند. دستیابی به چنین اطلاعاتی توسط روش های عددی بسیار دشوار است. در این مقاله با استفاده از یک مجموعه داده ی واقعی، برخی از انواع نمایش داده های دو متغیره معرفی می شوند.

---

یک نوار اطمینان، همزمان اطلاعات مفیدی در محدودۀ قابل قبولی از مدل رگرسیونی مجهول ارائه می‌دهد و نوارهای اطمینان متفاوت اغلب می‌توانند برای مدل رگرسیونی یکسان ساخته شوند. برای یک خط رگرسیون ساده، لیووهایتر‎(۲۰۰۷)‎ کاربرد سطح مجموعۀ اطمینان متناظر با یک نوار اطمینان را به‌عنوان یک معیار بهینگی در مقایسۀ نوارهای اطمینان پیشنهاد کردند؛ هرچه سطح مجموعۀ اطمینان کوچک‌تر باشد، نوار اطمینان متناظر بهتر است. در مطالعۀ نوار‌های اطمینان برای یک مدل رگرسیونی خطی چندگانه، این معیار مجموعۀ اطمینان با سطح مینیمم را می‌توان به یک معیار مجموعۀ اطمینان با حجم مینیمم تعمیم داد.

در این مقاله نوار‌های اطمینان هذلولوی و نوار‌های اطمینان با پهنای ثابت برای یک مدل رگرسیونی خطی چند گانه روی یک ناحیۀ بیضیواری خاصی از متغیر‌های پیشگوی تحت معیار مقایسه می‌شوند. مشاهده می‌شود که بهتر بودن یک نوار نسبت به نوار دیگر به مقدار یک زاویۀ خاص بستگی دارد که اندازۀ ناحیه متغیر پیشگو را تعیین می‌کند. زمانی‌که این زاویه و در نتیجه اندازۀ ناحیه متغیر پیشگو کوچک باشد، نوار اطمینان با پهنای ثابت بهتر از نوار اطمینان هذلولوی است اما فقط به‌طور حاشیه‌ای. وقتی که این زاویه و در نتیجه اندازۀ ناحیه متغیر پیشگو بزرگ است، نوار اطمینان هذلولوی می‌تواند به‌طور کلّی بهتر از نوار اطمینان با پهنای ثابت باشد.

---

در عصر حاضر دسته‌بندی داده‌ها به‌منظور تشخیص و پیش‌بینی وقایع، یکی از موضوعات بسیار مهم در علوم مختلف است. در علم آمار دیدگاه سنتی این کلاس‌بندی‌ها براساس روش‌های کلاسیک و بر پایه مدل‌های آماری از جمله رگرسیون لژستیک امکان‎‌ پذیر خواهد بود. در عصر حاضر که به‌عبارتی عصر انفجار اطلاعات نامیده می‌شود، در اکثر موارد با داده‌هایی مواجه هستیم که نمی‌توان توزیع دقیقی را برای آن‌ها یافت؛ از این‌رو استفاده از روش‌های داده کاوی و یادگیری ماشین که به مدل‌های از پیش تعیین شده نیاز ندارند، می‌تواند مسمر ثمر باشد. در بسیاری از کشورها تشخیص دقیق نوع منابع آب‌های زیر زمینی، یکی از مسائل قابل توجه در زمینه علوم آب است. در این مقاله به مقایسه نتایج حاصل از رده‌بندی یک مجموعه داده مربوط به منابع آب‌های زیرزمینی با استفاده از روش‌های رگرسیونی، شبکه عصبی و ماشین بردار پشتیبان پرداخته‌ایم. نتایج از این کلاس‌بندی‌ها نشان داد که روش‌های یادگیری ماشین در تشخیص دقیق نوع چشمه‌ها موثر بوده است.

---

امروزه کاربرد علم آمار در علوم دیگر از جمله علوم پزشکی بسیار رایج شده است.  اخیرا طرح بهینه بعنوان ابزاری برای افزایش کارایی در انجام آزمایش‌ها  در این علوم مورد توجه محققان است.
فارماکوکنتیک بعنوان شاخه‌ای از داروشناسی که وظیفه بررسی عملکرد دارو در موجودات زنده را دارد، از اهمیت خاصی در علوم پزشکی برخوردار است. هدف این تحقیق معرفی طرح‌های بهینه برای  مدل‌های مطالعات فارماکوکنتیک است. مدل‌های مورد استفاده در این مقاله، در متون آماری تحت عنوان مدل‌های غیرخطی شناخته می‌شوند. این مدل‌ها وابسته به پارامترهای خاص براساس فاکتورهای داروشناسی و نیز زمان بعنوان متغیر پیشگو کننده هستند. طرح‌های بهینه براساس توابعی از ماتریس اطلاع فیشر بدست می‌آیند. این توابع بعنوان معیارهای بهینگی شناخته می‌شوند. در این مقاله ما دو معیار A- و E- بهینگی را در نظر می‌گیریم. براساس این دومعیار طرح‌های بهینه موضعی برای مدل‌های  معرفی‌شده، بدست آورده می‌شوند.