انجمن آمار ایران اندیشه آماری 1026-8944 26 2 2022 02 20 Estimation of Logistic Regression Model Parameters Using Generalized Maximum Entropy برآورد پارامترهای مدل رگرسیون لوژستیک به کمک آنتروپی ماکسیمم تعمیم یافته 1 8 723360 FA مهسا مارکانی دانشجوی کارشناسی ارشد، دانشگاه سیستان و بلوچستان منیژه صانعی طبس استادیار، گروه آمار، دانشکده ریاضی، دانشگاه سیستان و بلوچستان، زاهدان، ایران. حبیب نادری استادیار، گروه آمار، دانشکده ریاضی، دانشگاه سیستان و بلوچستان، زاهدان، ایران. حامد احمدزاده استادیار، گروه آمار، دانشکده ریاضی، دانشگاه سیستان و بلوچستان، زاهدان، ایران. جواد جمالزاده استادیار، گروه آمار، دانشکده ریاضی، دانشگاه سیستان و بلوچستان، زاهدان، ایران. Journal Article 2025 05 03 When working with a regression data set, some conditions may not be met and there may be limitations to running the regression model, which makes it difficult for us to use the least squares method. The generalized maximum entropy method with regression infrastructure is able to estimate the parameters of the regression model without considering any conditions on the probability distribution of errors. The capability of this method in small sample sizes has already been investigated and confirmed. When the response variable is a qualitative variable, the logistic regression method is used. In this study, we first introduced the generalized maximum entropy method for a logistic regression model. A random sample of bank customers was collected and in this study to estimate the model parameters from the binary logistic regression model using twogeneralized maximumentropy methods andmaximumlikelihoodanalysis and statistical work was performed and finally compared the two methods. Based on the mean square error statistics for predicting customer demand for long-term account opening, which was obtained from logistic regression using the generalized maximum entropy and maximum likelihood methods, it was found that the generalized maximum entropy estimation method has accurate results. هنگام کار با یک مجموعه داده رگرسیونی ممکن است برخی شرایط برقرار نباشند و محدودیت‌هایی برای اجرای مدل رگرسیون به وجود آیند. روش آنتروپی تعمیم‌یافته ماکسیمم قادر است پارامترهای مدل رگرسیونی را بدون اعمال هیچ شرطی روی توزیع احتمال خطاها برآورد کند. این روش حتی در مواردی که حجم نمونه خیلی کم است و یا بین متغیرهای مستقل، هم‌خطی بالایی وجود داشته باشد قادر به برآورد پارامترهای مدل است و لذا روشی توانمندی است. در این پژوهش قصد بر آن است پارامترهای مدل لجستیک دودویی با به‌کارگیری آنتروپی تعمیم‌یافته ماکسیمم (GME)‎ برآورد شود و نتایج آن با روش ماکسیمم درستنمایی ‎(ML)‎ براساس معیار میانگین مربعات خطا‎(MSE) ‎ مقایسه شود. بدین‌منظور نمونه‌ای تصادفی به حجم ‎399‎ نفر از اطلاعات مشتریان بانک مانند سن، شغل، وضعیت تأهل، میزان تحصیلات و وام به‌عنوان متغیرهای مستقل و تقاضای مشتری برای افتتاح حساب مدّت‌دار به‌عنوان متغیر وابسته جمع‌آوری شد. درنهایت با توجه به مقدار ‎MSE‎ نتیجه گرفته شد که روش GME نسبت به روش ML‎ دقیق‌تر است

https://andisheyeamari.irstat.ir/article_723360_df49e646fb3248c88e5caa66f86a6a26.pdf

انجمن آمار ایران اندیشه آماری 1026-8944 26 2 2022 02 20 Application of stochastic restricted least trimmed squares ridge regression in water consumption modeling کاربرد رگرسیون ستیغی کمترین توان‌های دوم پیراسته محدودشده تصادفی در مدل‌سازی مصرف آب 9 19 723361 FA مهدی روزبه دانشکده ریاضی، دانشگاه سمنان، سمنان، ایران ملیحه ملک جعفریان ملک جعفریان سمنان، روبروی استانداری، شرکت آب و فاضلاب شهری استان سمنان منیره معنوی دانش‌آموخته کارشناسی ارشد، آمار و علوم کامپیوتر، دانشگاه سمنان، سمنان، ایران. Journal Article 2025 05 03 The most important goal of statistics is to analyze real data from the world around us. If this information is analyzed accurately and correctly, the results will help us in many important decisions. One of the real data around us that is very important to analyze is data related to water consumption. Given that Iran is located in the semi-arid climatic region of the world, it is necessary to take deep steps to predict and select the best and most appropriate accurate water consumption models, which are necessary for national macro-decisions. In analyzing real data, the researcher may encounter the problem of collinearity and outliers. Robust methods are used to analyze data sets with outliers and the ridge approach is a method used to analyze data sets with collinearity. The limitation on models also arises from the use of non-sample data in estimating regression coefficients. This article discusses the modeling of water consumption data using a robust stochastic constrained ridge approach. مهمترین هدف علم آمار تجزیه و تحلیل داده‌های واقعی دنیای پیرامون بشر است. اگر این اطلاعات دقیق و درست تحلیل شوند، نتایج حاصل در بسیاری از تصمیمات مهم یاری‌گر ما خواهد بود. از جمله داده‌های واقعی پیرامون ما که تحلیل آن بسیار مهم است، داده‌های مربوط به مصرف آب می‌باشد. با توجه به این که کشور ایران در ناحیه نیمه خشک آب و هوایی از کره زمین قرار دارد، لازم است برای پیش‌بینی و برگزیدن بهترین و مناسب ترین مدل های دقیق مصرف آب گام‌های ژرفی برداشت که لازمه تصمیمات کلان کشوری می‌باشد. در تجزیه و تحلیل داده‌های واقعی ممکن است محقق با مشکل همخطی و نقاط دورافتاده مواجه شود. روش‌های مقاوم ‎(استوار)‎ برای تحلیل مجموعه داده‌های دارای نقاط دورافتاده و رویکرد ستیغی روشی است که برای تحلیل مجموعه داده‌های دارای همخطی استفاده می‌شوند. محدودیت روی مدل‌ها نیز ناشی از به کارگیری اطلاعات غیرنمونه‌ای در برآورد ضرایب رگرسیونی است. در این مقاله به مدل‌سازی داده‌های مصرف آب، با استفاده از رویکرد ستیغی محدود شده تصادفی استوار پرداخته می‌شود.

https://andisheyeamari.irstat.ir/article_723361_99846360508426c30ddacb790be81644.pdf

انجمن آمار ایران اندیشه آماری 1026-8944 26 2 2022 02 20 Support Vector Machines Regression Model and Comparison with Semi-parametric Regression مدل رگرسیون بردار تکیه‌گاه و مقایسه آن با رگرسیون نیم‌پارامتری 21 32 723410 FA مهدی روزبه ١هیئت علمی گروه آمار، دانشگاه سمنان، سمنان، ایران آرتا روحی دانش آموخته کارشناسی ارشد آمار، دانشگاه سمنان، سمنان، ایران. فاطمه جهادی دانش آموخته کارشناسی ارشد آمار، دانشگاه سمنان، سمنان، ایران. سعید زال زاده هیئت علمی گروه آمار، دانشگاه سمنان، سمنان، ایران. Journal Article 2025 05 03 In this research, the aim is to assess and analyze a method to predict the stock market. However, it is not easy to predict the capital market due to its high dependence on politics but by data modeling, it will be somewhat possible to predict the stock market in the long period of time. In this regard, by using the semi-parametric regression models and support vector regression (SVR) with different kernels and measuring the predictor errors in the stock market of one stock based on daily fluctuations and comparing methods using the root of mean squared error and mean absolute percentage error criteria, support vector regression model has been the most appropriate fit to the real stock market data with radial kernel and error equal to 0.1. در این تحقیق، هدف بررسی و تحلیل روشی برای پیش‌بینی قیمت سهام بورس اوراق بهادار است. هرچند پیش‌بینی بازار سرمایه با توجه به وابستگی آن به عامل سیاست چندان ساده نیست‏‏، اما با مدل‌سازی داد‌ه‌ها، پیش‌بینی عملکرد سهام بورس اوراق بهادار در بازه‌ بلندمدت تا حدودی امکان‌پذیر خواهد بود. در این راستا با ‏استفاده از مدل‌های رگرسیون نیم‌پارامتری و رگرسیون بردار تکیه‌گاه با هسته‌های مختلف و اندازه‌گیری خطاهای پیش‌بین، بر روی یکی از سهم‌های بازار بورس اوراق بهادار بر اساس نوسان‏‎‎‏های روزانه و مقایسه روش‌ها با استفاده از معیارهای ریشه میانگین توان دوم خطاها و میانگین قدرمطلق درصد خطا‎‏ها، مدل رگرسیون بردار تکیه‌گاه با هسته شعاعی و خطای ‏برابر 0.1‎ ‏دارای مناسب‌ترین برازش روی داده‌های واقعی بازار سهام بوده ‌است‎

https://andisheyeamari.irstat.ir/article_723410_eade5fd9e7439c4646cff974e5476464.pdf

انجمن آمار ایران اندیشه آماری 1026-8944 26 2 2022 02 20 Joint marginal densities of order statistics: simple proof and some useful identities توابع چگالی حاشیه‌ای آماره‌های ترتیبی: برهانی ساده و چند اتحاد مفید 33 41 723411 FA سید محمود میرجلیلی گروه آمار، دانشکده علوم پایه، دانشگاه ولایت، ایرانشهر جابر کاظم پور گروه آمار، دانشکده علوم ریاضی، دانشگاه فردوسی، مشهد بهشید یساولی گروه آمار، دانشکده علوم ریاضی، دانشگاه فردوسی، مشهد Journal Article 2025 05 03 The cumulative distribution and density functions of a product of some random variables following the power distribution with different parameters have been provided. The corresponding characteristic and moment-generating functions are also derived. We extend the results to the exponential variables and furthermore, some useful identities have been investigated in detail. در این مقاله، تابع چگالی احتمال و تابع توزیع تجمعی حاصل ضرب چند متغیر تصادفی مستقل دارای توزیع توانی با پارامترهای دوبه دو متفاوت و هم چنین تابع مولد گشتاور و تابع مشخصه این متغیرها در حالتی خاص محاسبه شده اند. به عنوان نتایجی از این محاسبات تابع چگالی احتمال و تابع توزیع تجمعی حاصل ضرب چند متغیر تصادفی مستقل دارای توزیع پارتو و مجموع چند متغیر تصادفی مستقل دارای توزیع نمایی با پارامترهای دوبه دو متفاوت ارائه شده اند. کاربردهای نظری دیگری از این محاسبات نیز در پیدا کردن تابع چگالی حاشیه ای آماره های ترتیبی با توابع چگالی احتمال مطلقاً پیوسته و چند اتحاد ترکیباتی جالب پدیدار گشته است.

https://andisheyeamari.irstat.ir/article_723411_86563315df5177145e77dafa25fcb450.pdf

انجمن آمار ایران اندیشه آماری 1026-8944 26 2 2022 02 20 Application of Optimal Spatial Stratification in Household Income and Expenditure Survey to Provide Estimates by Spatial Design-Based Sampling کاربست طبقه‌بندی بهینه فضایی در آمارگیری هزینه و درآمد خانوار برای ارائه برآورد به روش نمونه‌گیری طرح‌مبنای فضایی 43 52 723414 FA لیدا گلهری ندرآبادی استاد یار پژوهشکده ی آمار روشنک علی اکبری صبا ٢استاد یار پژوهشکده ی آمار، ir.ac.srtc@saba_r آسیه عباسی کارشناس مرکز آمار ایران، com.yahoo@abasi_a Journal Article 2025 05 03 Household Income and Expenditure Survey (HEIS) is one of the most important surveys of the Statistical Center of Iran, the main parameters of which are spatially correlated. When there is a spatial correlation between the units of population, the classical way of selecting independent sampling units is challenging due to the lack of basic condition for the independence. Using spatial sampling is a solution to encounter this problem. Implementation of spatial sampling has received less attention in official statistics due to the lack of access to a suitable framework. In this paper we review a design-based model assisted method for optimal spatial stratification of the target population. At present, spatial information of population units are not available in the framework of HEIS, but access to spatial information of some sample units has been achieved by the Statistical Center of Iran for this study. The production of spatial data is one of the main components in the modernization of the statistical system which is considered by Statistical Center of Iran. In this paper, the sampling frame is simulated based on the HEIS data and then application of optimal spatial stratification based on a generalized distance is performed. The results demonstrate an increase in the efficiency of the mentioned sampling method compared to simple random sampling at the level of geographical areas. Also, simulation of grids with different sizes and correlations reflects the better performance of this method compared to the current method of HEIS. آمارگیری هزینه و درآمد خانوار یکی از مهم ترین آمارگیری های مرکز آمار ایران است که پارامترهای اصلی آن همبسته فضایی هستند. وقتی همبستگی فضایی میان واحدهای جامعه وجود دارد، انتخاب نمونه های مستقل به روش کلاسیک به دلیل برقرار نبودن شرط استقلال واحدهای جامعه با چالش های بسیاری مواجه است. استفاده از نمونه گیری فضایی راه حلی برای مواجه با این مشکل است. به کارگیری نمونه گیری فضایی به دلیل دسترسی نداشتن به چارچوب مناسب، در آمار رسمی کمتر موردتوجه واقع شده است. در این مقاله یک روش طرح مبنای مدل یار برای طبقه بندی بهینه فضایی جامعه هدف مرور می شود. در حال حاضر اطلاعات مکانی واحدهای جامعه در چارچوب نمونه گیری آمارگیری هزینه و درآمد وجود ندارد، اما دسترسی به اطلاعات مکانی برخی از واحدهای نمونه توسط مرکز آمار ایران برای این مطالعه محقق شده است. تولید داده های مکانی یکی از مؤلفه های اصلی در مدرن سازی نظام آماری است و موردتوجه مرکز آمار ایران قرار دارد. بنابراین در این مقاله با شبیه سازی چارچوب فضایی نمونه گیری بر اساس الگوی داده های هزینه و درآمد، کاربست طبقه بندی بهینه فضایی بر اساس فاصله تعمیم یافته با استفاده از خطای پیشگویی انجام می شود. نتایج نشان دهنده افزایش کارایی روش نمونه گیری با این طبقه بندی در مقایسه با نمونه گیری تصادفی ساده در سطح نواحی جغرافیایی است. همچنین نتایج شبیه سازی با مشبکه هایی با اندازه های مختلف و میزان همبستگی متفاوت حاکی از کارایی این روش در مقایسه با روش فعلی آمارگیری هزینه و درآمد است

https://andisheyeamari.irstat.ir/article_723414_a5337d9bbcbd74433c7f1b9ec3d3617a.pdf

انجمن آمار ایران اندیشه آماری 1026-8944 26 2 2022 02 20 Analysis of Covid-19 epidemic using percolation theory تحلیل همه‌گیری کووید ‎19‎ با استفاده از نظریۀ پرکولاسیون 53 65 723441 FA رامین کاظمی گروه آمار، دانشگاه بین‌المللی امام خمینی (ره) محمد قاسم وحیدی اصل گروه آمار، دانشگاه شهید بهشتی Journal Article 2025 05 03 Knowledge of statistics, ever since its inception, has served every aspect of human life and every individual and social class. It has shown its extraordinary potential in dealing with numerous problems encountering human beings since the occurring of Covid-19 in Wuhan, China. A vast amount of literature has appeared showing the power of the science of statistics in answering different questions regarding this disease and all its consequences. But it comes short of, as an instance, in modelling the geometry of disease spread among societies and in the world as a whole. Here the only way to deal with this matter is to resort to probability theory and its many ramifications in providing realistic models in describing this spread. Avery power tool in this regard is percolation theory, which besides its many applications in mathematical physics, is very handy in modelling epidemic diseases, among them the Covid-19. A short description of this theory with its use in modelling the spread of epidemic deceases, shows the importance of dealing with probability as a separate subject in the curricula and not a subordinate of the science of statistics which is now dominant in the statistics major curricula in the Iranian schools. دانش آمار، چه در عصر شمارش‌های اولیه و چه در متعالی‌ترین شکلِ کنونی آن همواره در خدمت طبقات اجتماعی مختلف و ازجمله هیئت‌های حاکمه بوده؛ بسته به وُسع خود، و البته وُسع و صداقت کاربرنده، ابعاد زیادی از مجهولات را روشن کرده ‌است. به عنوان‌ مثال، آمارهای مربوط به کووید‎-۱۹‎ (بیماری کروناویروس) در کشورهای مختلف، هر اندازه هم ناقص و محدود و چه‌بسا در مواردی مخدوش، در تعیین آستانۀ بحرانی بین معیشت (ایجاد قرنطینه و محدودیت‌ها) و سلامت (کاهش ابتلا و مرگ‌ومیر) و انتخاب مسیری که در حالت خلاف آن، دشواری‌های بیشتر رخ می‌نموده، هدایت‌گر و همچنین عصای دست پژوهش‌گران، مدیران، و حکومت‌گران بوده ‌است. با این توصیف، از زمان شیوع همه‌گیری کووید‎-19 در ووهانِ چین، تحقیقات متعددی با هدف توصیف و ایجاد پُشت‌بندهای مهار شیوع بیماری انجام شده‌ است. ضمن تأیید نقش علم آمار در تحلیل داده‌های همه‌گیری کووید-19 ‏در ابعاد مختلف‏، اهمیت توجه بیشتر ‏را به مدل‌های احتمالاتی‏، و به‌طور کلی نظریۀ احتمال که توانایی پاسخ‌گویی به مسائل مهم مرتبط با «هندسه»ی کووید-19 و موارد مشابه را دارد‏، برای برنامه‌ریزان و مدرسان آمار و احتمال‏، به ویژه در دورۀ کارشناسی‏، تبیین می‌کنیم. در این راستا، با مروری بر یکی از مفاهیم به‌خوبی تثبیت‌شدۀ همه‌گیری‌شناسی، نظریۀ پرکولاسیون‏، گوشه‌هایی از نحوۀ انتشار کووید-19 را پایۀ این مدل‏، بررسی می‌کنیم.

https://andisheyeamari.irstat.ir/article_723441_dfb9a26a22e4ef9d38e88581f444e40e.pdf

انجمن آمار ایران اندیشه آماری 1026-8944 26 2 2022 02 20 Statistical estimation of the number π by rectangles in Buffon’s needle problem continuing title in this line (if required) برآورد آماری عدد π با استفاده از مستطیلها در مسئله سوزن بوفون 67 71 723442 FA خسرو فضلی گروه آمار دانشگاه کردستان کوروش ارزیده گروه آمار دانشگاه کردستان Journal Article 2025 05 03 The Buffon’s needle problem is a random experiment leading to estimate of the number π by ”randomly” throwing a needle onto a plane partitioned by parallel lines. Indeed, in the independently repetitions of the experiment, based on the number of times where the needle will cross a line, one can construct an estimator of π. The aim of this note is to obtain a better new estimator (in some sense) by considering a model where the plane is partitioned by rectangles. We show that both estimators are asymptotically normal and unbiased. We calculate the asymptotic relative efficiency of the estimators and show that the new estimator based on the rectangles is more efficient. We obtain also the confidence intervals for π. The data of a real experiment is provided. مسئله کلاسیک سوزن بوفون تجربه ای تصادفی است که در آن از پرتاب کاملا ”شانسی” و بی قاعده سوزنی روی یک صفحه میتوان برآوردی آماری برای عدد π بدست آورد. در این مسئله یک سوزن به تصادف روی صفحه ای که با خطوط موازی هم فاصله افراز شده است رها میشود. اگر پرتاب چندین بار بطور مستقل تکرار شود، بر حسب تعداد دفعاتی که سوزن با یکی از خطوط برخورد می کند برآوردگری برای عدد π بدست می آید. در این مقاله فرض میکنیم صفحه بوسیله خطوط افقی و عمودی هم فاصله به مستطیل های هم اندازه افراز شده است. در این حالت نیز بر حسب تعداد دفعات برخورد سوزن با اضلاع یک مستطیل برآوردگر دیگری برای πبدست می آوریم. نشان میدهیم هر دو برآوردگر به طور مجانبی نرمال و نااریب هستند. به منظور مقایسه آنها، کارآیی مجانبی نسبی برآوردگرها را بدست آورده و نشان میدهیم برآوردگر بر اساس مستطیل کاراتر میباشد. همچنین برای عدد π فواصل اطمینان بدست می آوریم و نتایج عملی تعدادی پرتاب ارائه میشود.

https://andisheyeamari.irstat.ir/article_723442_49fce6fa74e510e0affe87c0a002ef5c.pdf

انجمن آمار ایران اندیشه آماری 1026-8944 26 2 2022 02 20 Jointly dependent fuzzy random variables based on α-pessimistic متغیرهای تصادفی توام فازی وابسته 81 87 723446 FA بنیتا دولت‌زاده دانشجوی دکتری، گروه آمار، دانشکده ریاضی و کامپیوتر، دانشگاه شهید باهنر کرمان ایوب شیخی دانشیار، گروه آمار، دانشکده ریاضی و کامپیوتر، دانشگاه شهید باهنر کرمان ماشاءالله ماشینچی استاد، گروه آمار، دانشکده ریاضی و کامپیوتر، دانشگاه شهید باهنر کرمان علیرضا عرب پور دانشیار، گروه آمار، دانشکده ریاضی و کامپیوتر، دانشگاه شهید باهنر کرمان Journal Article 2025 05 04 In this article, firstly, the concepts required for fuzzy random variable are stated, and studied the fuzzy random variable and its cumulative distribution function, that these concepts are proposed using α-pessimism. Then all these concepts are expressed for the fuzzy random variable and their cumulative distribution function. Now, because the copula concept and its application are used in the construction of cumulative distribution function, for this purpose, the copula application in the construction of the cumulative distribution function of two fuzzy random variables is presented. Finally, in order to better understand the copula concept, we give an example for it. در این مقاله متغیر تصادفی فازی و تابع توزیع تجمعی آن را مطالعه میکنیم و به بیان متغیر تصادفی فازی توام و تابع توزیع تجمعی آنها میپردازیم. سپس به بیان مفهوم مفصل و کاربرد آن در ساخت تابع توزیع تجمعی توام پرداخته و کاربرد مفصل را در ساخت تابع توزیع تجمعی توام دو متغیر تصادفی فازی ارائه میدهیم. درنهایت، جهت درک بهتر مثالی را برای این مطلب بیان میکنیم.

https://andisheyeamari.irstat.ir/article_723446_0158093790b178117bd5a5f5f8b18282.pdf

انجمن آمار ایران اندیشه آماری 1026-8944 26 2 2022 02 20 Regression Models for Analyzing of Bimodal and Skewed Data مدلهای رگرسیونی برای تحلیل دادههای چوله دو مدی 89 103 723447 FA حسن میرزاوند دانشگاه تربیت مدرس، تهران مجید جعفری خالدی دانشگاه تربیت مدرس، تهران Journal Article 2025 05 04 For statistical inference about the parameters of the regression model, it is necessary to assume a specific distribution for the random error term. A basic assumption in the linear regression model is that the random error term follows a normal distribution. However, in statistical research, sometimes the distribution of the data display both skewness and bimodality, and in such situations, it is inappropriate to use the normal distribution for statistical analysis. A conventional approach to overcome this problem is to use a mixture of normal models. But in such models, the number of parameters increases substantially, which makes it difficult to fit these models to the data. In addition, the mixed models suffer from the non identifiability issues. In this case, a suitable solution is to use flexible distributions which can simultaneously handle the skewness and bimodality of the data in the modeling structure. So far, various methods have been proposed, which were created based on the development of the skew-normal distribution. In this article, these asymmetric bimodal distributions are used to build and introduce a flexible regression model compared to the regression models based on the normal distribution as well as a mixture of two normal distributions. Their performance is evaluated using a simulation example. Then, the usefulness of the method is demonstrated through a practical example related to the horse data set. برای استنباط آماری در مورد پارامتر‌های مدل رگرسیونی نیاز به فرض توزیع مشخصی بر روی عبارت خطای تصادفی می‌باشد. یک فرض اساسی در مدل رگرسیون خطی این است که عبارت خطای تصادفی از یک توزیع نرمال پیروی کند. با این حال، در پژوهش‌های آماری گاهی با داده‌هایی مواجه می‌شویم که توزیع آن‌ها چولگی و دو مدی را ارائه می‌دهند، و دیگر نمی‌توان از فرض توزیع نرمال برای تحلیل آنها استفاده کرد. یک رویکرد مرسوم برای حل این مسئله به کارگیری آمیخته‌ای از مدل‌های چوله نرمال است. اما در این گونه مدل‌ها تعداد پارامترها به نحو فزاینده‌ای افزایش می‌یابد که این خود برازش مدلها به داده‌ها را دشوار می‌نماید. بعلاوه مدل‌های آمیخته خود درگیر مسائلی مانند شناساناپذیری هستند. در این حالت یک راه‌حل مناسب استفاده از توزیع‌های منعطفی است، که بتوانند چولگی و دو مدی بودن داده‌ها را در مدل بندی لحاظ کنند. تاکنون روشهای مختلفی ارائه شده که بر مبنای توسعه توزیع چوله‌نرمال، توزیع‌های دو مدی نامتقارن ایجاد شده‌اند. در این مقاله از این روشها برای ساخت و معرفی مدل رگرسیونی منعطف نسبت به مدل‌های رگرسیون مبتنی بر توزیع چوله‌نرمال و آمیخته‌ای از دو توزیع چوله‌نرمال استفاده شده و با بکارگیری مثال شبیه سازی عملکرد آنها مورد بررسی قرار می‌گیرد. سپس نحوه کاربست آنها در یک مثال کاربردی مربوط به مجموعه داده‌های اسب دوانی نشان داده می‌شود.

https://andisheyeamari.irstat.ir/article_723447_06a43db110494ed24e18db821caf1aeb.pdf

انجمن آمار ایران اندیشه آماری 1026-8944 26 2 2022 02 20 ensitivity analysis of input variables in generalized linear models تحلیل حساسیت متغیرهای ورودی در مدل های خطی تعمیم یافته 117 126 723449 FA محمد خراسانی دانشگاه علامه طباطبایی فرزاد اسکندری دانشگاه علامه طباطبایی Journal Article 2025 05 04 In today's world, natural phenomena can be used to analyze and predict the events under study using the statistical modeling process. Many hydrological modeling methods do not make the best use of available information because hydrological models represent a wide range of environmental processes, which increases the complexity of the model. When making predictions, parameters clearly affect the performance of statistical models. The presence of uncertainty in many risk assessment problems in parameters leads to uncertainty in model predictions. General sensitivity analysis is a tool used to represent uncertainty and is useful in decision making, risk assessment, model simplification, etc. Two methods, Minkowski distance sensitivity analysis and regional sensitivity analysis, are methods that can work with a given sample set of input-output pairs of a model. A notable difference between these two methods is that Minkowski distance sensitivity analysis analyzes output distributions conditional on input values (forward) while regional sensitivity analysis analyzes input distributions conditional on output values (inverse). This paper will determine the relationships between general sensitivity methods (Minkowski distance and regional) and show that regional sensitivity analysis converges to Minkowski distance sensitivity analysis when focused on probability density functions. Similarly to forward sensitivity indices, inverse sensitivity indices can also be obtained. Finally, the sensitivity analysis of a water storage scheme is addressed using high-dimensional models with high-dimensional model outputs. در دنیای امروزی با استفاده از فرآیند مدل‌سازی آماری می‌‌توان پدیده‌‏های طبیعی را جهت تحلیل و پیش‌‏بینی اتفاقات مورد بررسی، بکار برد. دﺭ ﺑﺴﻴﺎﺭﯼ ﺍﺯ ﺭﻭﺵ‌ﻫﺎﯼ ﻣﺪﻝ‌ﺳﺎﺯﯼ ﺁﺏ‌ﺷﻨﺎﺳﯽ ﺍﺯ ﺍﻃﻼﻋﺎﺕ ﻣﻮﺟﻮﺩ ﺑﻪ ﺑﻬﺘﺮﻳﻦ ﻭﺟﻪ ﺍﺳﺘﻔﺎﺩﻩ ﻧﻤﯽ‌‌ﺷﻮد به این دلیل که مدﻝ‌‌ﻫﺎﯼ ﺁﺏ‌ﺷﻨﺎﺳﯽ فرﺍﻳﻨﺪﻫﺎﯼ ﻣﺤﻴﻄﯽ ﺭﺍ ﺩﺭ ﻃﻴﻒ ﻭﺳﻴﻌﯽ ‏نشاﻥ ﻣﯽ‌ﺩﻫﻨﺪ ﮐﻪ ﺑﺎﻋﺚ ﺍﻓﺰﺍﻳﺶ ﭘﻴﭽﻴﺪﮔﯽ ﻣﺪﻝ می‌‌شود. در هنگام پیش‌بینی به طور مشخص پارامترها بر عملکرد مدل‌های آماری تاثیر می‌‌گذارند. وجود عدم قطعیت در بسیاری از مسائل ارزیابی ریسک در پارامترها منجر به عدم قطعیت در پیش‌بینی‌های مدل می‌‌شود. تحلیل حساسیت کلی ابزاری است که برای نشان‌دادن عدم قطعیت استفاده می‌شود و در تصمیم‌گیری، ارزیابی ریسک، ساده‌سازی مدل‌ها و غیره کاربرد دارد. دو روش تحلیل حساسیت فاصله مینکوفسکی و تحلیل حساسیت منطقه‌ای روش‌هایی هستند که می‌‌توانند با یک مجموعه نمونه داده شده از جفت‌های ورودی - خروجی مدل کار کنند. یک تفاوت قابل توجه بین این دو روش آن است که تحلیل حساسیت فاصله مینکوفسکی، توزیع‌های خروجی را مشروط به مقادیر ورودی (پیشرو) تحلیل می‌‌کند در حالی که تحلیل حساسیت منطقه‌ای، توزیع‌های ورودی را مشروط به مقادیر خروجی تحلیل می‌کند (معکوس). در این مقاله به تعیین روابط روش‌های حساسیت کلی (فاصله مینکوفسکی و منطقه‌ای) پرداخته و نشان داده خواهد شد، هنگامی که تحلیل حساسیت منطقه ای بر توابع چگالی احتمالی متمرکز شود به سمت تحلیل حساسیت فاصله مینکوفسکی همگرا می‌شود. همچنین مشابه شاخص‌های حساسیت پیشرو می‌توان شاخص‌‎‏‌های حساسیت معکوس را به دست آورد. سرانجام به تحلیل حساسیت یک طرح ذخیره‌سازی آب با‏ استفاده از مدل های‌‌مد با ابعاد بالای خروجی‌های مدل پرداخته می‌شود.

https://andisheyeamari.irstat.ir/article_723449_23085dc035832a5a3745617613b0a721.pdf

انجمن آمار ایران اندیشه آماری 1026-8944 26 2 2022 02 20 Forecasting the novel coronavirus COVID-19 پیش بینی هایی در ارتباط با ویروس جدید کرونا (کووید-19) 723443 FA وحید رضایی تبار استادیار، گروه آمار، دانشگاه علامه طباطبایی، تهران، ایران Journal Article 2025 05 04 At the end of December 2019, the spread of a new infectious disease was reported in Wuhan, China, caused by a new coronavirus and officially named Covid-19bytheWorldHealthOrganization. Asthenumberofvictimsofthevirusexceeded 1,000, the World Health Organization chose the official name Covid-19 for the disease, which refers to ”corona”, ”virus”, ”disease” and the year 2019. The forecasting about Covid-19, can help the government make better decisions. In this paper, an objective approach is used for forecasting Covid-19 based on the statistical methods. The most important goal in this paper is to forecast the prevalence of coronavirus for confirmed, dead and improved cases and to estimate the duration of the management of this virus using the exponential smoothing method. The exponential smoothing family model is used for short time-series data. This model is a kind of moving average model that modifies itself. In other words, the exponential smoothingisoneofthemostwidelyusedstatisticalmethodsfortimeseriesforecasting, andtheideaisthatrecentobservations will usually provide the best guidance for the future. Finally, according to the exponential smoothing, we will provide some suggestions. در پایان دسامبر 2019، گسترش یک بیماری عفونی جدید در شهر ووهان چین گزارش شد که توسط یک کروناویروس جدید ایجاد شده و به طور رسمی توسط سازمان بهداشت جهانی به عنوان کووید-19 نامگذاری گردید. با عبور تعداد قربانیان این ویروس از مرز ۱۰۰۰ نفر، سازمان بهداشت جهانی برای بیماری ناشی از آن نام رسمی کووید-19را انتخاب کرد که اشاره‌ای به «کرونا»، «ویروس»، «بیماری» و سال ۲۰۱۹ دارد. پیشبینی هایی در ارتباط با کووید-19 میتواند به دولت در تصمیم گیریهای بهتر کمک کند. در این مقاله، از یک رویکرد عینی برای پیش بینی هایی در ارتباط با کووید-19 مبتنی بر روشهای آماری استفاده شده است. تحلیل ها با این فرض انجام شده اند که داده های ارائه شده قابل اعتماد هستند. مهم ترین هدف، پیش بینی روند شیوع ویروس کرونا برای تعداد موارد مبتلای قطعی، فوتی و بهبودیافته و تخمین مدت زمان مدیریت این ویروس است که از روش هموارسازی نمایی برای پیش بینی استفاده شده است. این خانواده از مدلها، بهخصوص برای سری های زمانی کوتاه مدت بسیار مناسب است. هموارسازی نمایی به زبان ساده نوعی میانگین متحرک است که خود را اصلاح می‌کند. در نهایت با توجه به پیش بینی آماری صورت گرفته، به ارائه راهکارهایی می پردازیم.

https://andisheyeamari.irstat.ir/article_723443_ca4604023469d1c650e82654b61c5178.pdf

انجمن آمار ایران اندیشه آماری 1026-8944 26 2 2022 02 20 Cubic Transmuted Gumbel Distribution Based on Cubic Ranking Transformation Map: Inference and it’s Application توزیع گامبل تبدیل شده‌ی مکعبی بر اساس طرح تبدیل شده‌ی رتبه مکعبی: 723448 FA ابوذر بازیاری گروه آمار، دانشکده مهندسی سیستم‌های هوشمند و علوم داده، دانشگاه خلیج فارس، بوشهر، ایران Journal Article 2025 05 04 In this paper, a generalization of the Gumbeldistribution as the cubic transmuted Gumbeldistribution basedonthecubicrank ing transmutation map is introduced. It is shown that for some of the parameters, the proposed density function is mesokurtic and for others parameters the density function is platykurtic function. The statistical properties of new distribution, consist of survival function, hazard function, moments and moment generating function have been studied. The parameters of cubic transmuted Gumbel distribution are estimated using the maximum likelihood method. Also, the application of the cubic transmuted Gumbel distribution is shown with two numerical examples and compared with Gumbel distribution and trans muted Gumbel distribution. Finally, it is shown that for a data set, the proposed cubic transmuted Gumbel distribution is better than Gumbel distribution and transmuted Gumbel distribution. در این مقاله، تعمیم جدیدی از توزیع گامبل ‏تبدیل شده به عنوان توزیع گامبل تبدیل شده‏ ‎‎ی مکعبی بر اساس طرح تبدیل شده ی رتبه مکعبی معرفی شده است. نشان داده می شود که برای برخی از پارامترها، تابع چگالی پیشنهادی مسوکورتیک و برای برخی دیگر از پارامترها تابع چگالی شبیه تابع پلاتیکوریک است. ویژگی های آماری این توزیع، شامل تابع بقا، تابع خطر، گشتاورها و تابع مولد گشتاور مورد مطالعه قرار گرفته شده است. پارامترهای توزیع گامبل تبدیل شده/ی مکعبی با روش ماکسیمم درستنمایی برآورد شده اند. ‏همچنین دو مثال عددی کاربرد توزیع گامبل تبدیل شده ی مکعبی را نشان داده و با توزیع گامبل و توزیع گامبل تبدیل شده مقایسه می شود. در پایان، نشان داده می شود که برای داده های ‏استفاده شده، توزیع گامبل تبدیل شده ی مکعبی، توزیع بهتری نسبت به توزیع های گامبل و گامبل تبدیل شده است.

https://andisheyeamari.irstat.ir/article_723448_6b6dc0599db33d78f83d4b50ace35223.pdf