انجمن آمار ایراناندیشه آماری1026-894418220140220Tail dependence for the weighted average of two joint functionsوابستگی دمی برای میانگین موزون دو تابع مفصل17724163FAمحمدامینیعضو هیت علمی گروه امار دانشگاه فردوسی مشهد0000-0002-8336-201Xمهلاقاسم نژادعضو هیئت علمی گروه امار دانشگاه فردوسی مشهدهادیجباری نوقابیکارشناسی ارشد گروه امار دانشگاه فردوسی مشهدJournal Article20250515In this article, we examine the properties of the power, arithmetic, geometric, and harmonic weighted averages of two detailed functions.در این مقاله خواص میانگینهای موزون توانی؛ حسابی؛ هندسی و هارمونیک دو تابع مفصل را بررسی می کنیم.https://andisheyeamari.irstat.ir/article_724163_734e9a9da609b14fb62fed8dde8a53d0.pdfانجمن آمار ایراناندیشه آماری1026-894418220140220Time series audit using the kernel methodممیزی سری های زمانی به روش هسته920724164FAراضیهدهقانیانکارشناسی ارشد دانشگاه اهوازرحیمچینی پردازاستاد گروه دانشگاه اهوازبهزادمنصوریاستادیار گروه دانشگاه اهوازJournal Article20250515Classical auditing methods such as linear and quadratic do not work well in many time series models. In this case, it is necessary to classify the time series observations in a different way. The nonparametric method, kernel auditing, is based on using the estimate of the kernel density function instead of using their actual values. The most important issue in estimating the kernel density function is choosing the appropriate value of the smoothing parameter. So far, various methods have been proposed for choosing the smoothing parameter. In this paper, various methods of estimating the kernel probability density function and the appropriate method of choosing the smoothing parameter that leads to its optimal value in time series auditing have been obtained.روش های کلاسیک ممیزی مانند خطی و درجه دوم در بسیاری از مدل های سری زمانی کارایی مناسب ندارند. در این صورت لازم است مشاهدات سری زمانی به صورت دیگری رده بندی شوند. روش ناپارامتری، ممیزی هسته مبتنی بر استفاده از برآورد تابع چگالی هسته به جای استفاده از مقادیر واقعی آن ها است. مهم ترین مسئله در برآورد تابع چگالی هسته انتخاب مقدار مناسب پارامتر هموارکننده است. تاکنون روش های مختلفی برای انتخاب پارامتر هموارکننده پیشنهاد شده است. در این مقاله روش های مختلف برآورد تابع چگالی احتمال هسته و روش مناسب انتخاب پارامتر هموارکننده که منجر به مقدار بهینه آن در ممیزی سری های زمانی می باشد به دست آورده شده است
https://andisheyeamari.irstat.ir/article_724164_abe144ec839cf80d518b5c322d193b47.pdfانجمن آمار ایراناندیشه آماری1026-894418220140220Inverse hazard rate in mixed distributionsنرخ خطر معکوس در توزیع های آمیخته2125724166FAزهراعرب برزوگروه آمار دانشگاه آزاد مشهدغلامرضامحتشمی برزادرانگروه آمار دانشگاه فردوسی مشهدJournal Article20250515In this article, we briefly introduce the inverse hazard rate and mixed distributions, then we introduce the inverse hazard rate in mixed distributions,
the time elapsed since failure in these distributions, we also introduce two cumulative and multiplicative models of the mixed inverse hazard rate, and we show that the mixed inverse hazard rate of the K subpopulation with the increasing inverse hazard rate is always increasing. در این مقاله به معرفی اجمالی از نرخ خطر معکوس و توزیع های آمیخته پرداخته و سپس نرخ خطر معکوس در توزیع های آمیخته،
زمان سپری شده از شکست در این توزیع ها را معرفی می کنیم، همچنین دو مدل جمعی و ضربی از نرخ خطر معکوس آمیخته را معرفی می کنیم و نشان می دهیم نرخ خطر معکوس آمیخته از K زیر جامعه با نرخ خطر معکوس افزایشی همواره افزایشی است.https://andisheyeamari.irstat.ir/article_724166_b0b660443bb38edb6aad758b86f73b71.pdfانجمن آمار ایراناندیشه آماری1026-894418220140220Predicting future record values in an exponential distributionپیشگویی مقادیر رکوردهای آینده در توزیع نمایی2734724168FAسعیدبگرضاییدانشجوی دکترای گروه آمار دانشگاه رازیابراهیمامینی سرشتدانشجوی کارشناسی ارشد گروه آمار دانشگاه رازیJournal Article20250515In this paper, we want to obtain a maximum likelihood estimate of the parameter of the exponential distribution based on observations of the first n upper records. Then, we focus on the problem of point prediction of future upper records in the exponential distribution based on classical and Bayesian approaches under quadratic and Linex loss functions. Finally, we will numerically compare the obtained point predictions through Monte Carlo simulation.در این مقاله میخواهیم بر اساس مشاهدات اولین n رکورد بالایی از توزیع نمایی، برآورد حداکثر درستنمایی پارامتر این توزیع را بدست آوریم.سپس روی مسئله پیشگویی نقطه ای مقادیر رکوردهای بالایی آینده در توزیع نمایی بر اساس نگرشهای کلاسیک وبیز وتحت توابع زیان درجه دوم و لاینکس متمرکز می شویم.در پایان نیز از طریق شبیه سازی مونت کارلو به مقایسه عددی پیشگوهای نقطه ای بدست امده خواهیم پرداختhttps://andisheyeamari.irstat.ir/article_724168_1e857ce1a7ab759e3e72a7f2c634074f.pdfانجمن آمار ایراناندیشه آماری1026-894418220140220Estimating the value of e using stopping time random variablesبرآورد مقدار e به کمک متغیرهای تصادفی زمان توقف3538724169FAمهراننقی زاده قمیگروه آمار دانشگاه مازندرانآزادهکیاپورگروه آمار دانشگاه آزاد بابلJournal Article20250515In this paper, we obtain unbiased estimators for the Napper number, e, using random variables of stopping time and simulation.در این مقاله، به کمک متغیرهای تصادفی زمان توقف و انجام شبیه سازی، برآوردگرهای نااریب برای عدد نپر،e، به دست می آوریم. https://andisheyeamari.irstat.ir/article_724169_73ecc7fe33a1e51e57a38357f14198f1.pdfانجمن آمار ایراناندیشه آماری1026-894418220140220Comparison of five introduced confidence intervals for the ratio parameter in the binomial distributionمقایسهی پنج فاصله اطمینان معرفی شده برای پارامتر نسبت در توزیع دوجملهای3946724170FAعلیرضا شیروانیگروه آمار دانشگاه ولایتمیناتوحیدیگروه آمار دانشگاه ولایتJournal Article20250515So far, several confidence intervals have been introduced for the binomial distribution ratio parameter. Our goal in this article is to compare five popular confidence intervals based on the exact value of the confidence coefficient and their average probability coverage.تا به حال فاصله اطمینانهای متعددی برای پارامتر نسبت توزیع دوجملهای معرفی شدهاند. هدف ما در این مقاله مقایسهی پنج فاصله اطمینان معروف براساس مقدار دقیق ضریب اطمینان و میانگین احتمال پوشش آنهاستhttps://andisheyeamari.irstat.ir/article_724170_d26f861f83572fb4a8e2730b8fa008af.pdfانجمن آمار ایراناندیشه آماری1026-894418220140220A review of numerical methods for calculating point and interval estimates using s-plus softwareمروری بر روش های عددی برای محاسبه برآوردهای نقطه ای و فاصله ای با استفاده از نرم افزار s-plus4760724171FAموسیعبدیعضو هیئت علمی مجتمع آموزش عالی بماکبراصغرزادهعضو هیئت علمی دانشگاه مازندرانJournal Article20250515To calculate point estimates such as moment estimates and maximum likelihood estimates and interval estimates such as classical confidence intervals, shortest confidence intervals, unbiased confidence intervals, and Bayesian confidence intervals with the highest posterior density (HPD), we may encounter equations that must be solved numerically. In this paper, numerical methods for solving such equations are studied in the form of the statistical software S-PLUS. Various examples are provided to illustrate the methods described.برای محاسبه برآوردهای نقطه ای از جمله برآورد گشتاوری و درستنمایی ماکزیمم و برآوردهای فاصله ای از جمله فاصله های اطمینان کلاسیک، کوتاهترین فاصله اطمینان، فاصله اطمینان نااریب و فاصله اطمینان بیزی با بالاترین چگالی پسین HPD ممکن است به معادلاتی برخورد کنیم که باید از روش های عددی حل شوند. در این مقاله روش های عددی برای حل این گونه معادلات در قالب نرم افزار آماری S-PLUS مورد مطالعه قرار می گیرد. مثال های متنوعی برای تشریح روش های بیان شده ارائه می شود.
https://andisheyeamari.irstat.ir/article_724171_ba51d9ea8446e5f59e0287bf6b93902e.pdfانجمن آمار ایراناندیشه آماری1026-894418220140220Previous introduction of the Dirichlet process in the framework of nonparametric Bayesian modelsمعرفی پیشین فرایند دیریکله در چارچوب مدلهای بیزی ناپارامتری6172724172FAعاطفهجاویدیگروه امار دانشگاه تربیت مدرسسمیهراه پیماگروه امار دانشگاه تربیت مدرسمجیدجعفری خالدیگروه امار دانشگاه تربیت مدرسJournal Article20250515Statistical models are used to understand the mechanism by which data is generated. In most models, the random variables Y_{i}, i=1,...,n, are assumed to be random samples of a distribution F, where F belongs to a class of parametric distributions. However, in many practical problems, a parametric model cannot be expected to be suitable for describing the data. In these situations, the parametric assumption can be dropped and more flexible and robust models can be used to analyze the data. In the framework of the nonparametric Bayes method, this flexibility is achieved by defining a prior distribution over the entire space of probability distributions and assuming it for the distribution of the random variable. In other words, stochastic processes are defined over a family of distribution functions and used as a prior for the random distribution. Among the most important of these priors is the Dirichlet process, which has important and interesting properties, and is therefore used in a wide range of nonparametric Bayes problems. In this article, this process and its properties are introduced.مدلهای آماری برای شناخت مکانیزمی که داده‌ها از آن تولید شده، استفاده می‌شود. در بیشتر مدل‌ها فرض می‌شود متغیرهای
تصادفی Y_{i}، i=1,...,n، نمونه‌ای تصادفی از توزیع F هستند، که F متعلق به یک کلاس از خانواده توزیع‌های پارامتری است. اما در بسیاری از مسائل عملی نمی‌توان انتظار داشت که یک مدل پارامتری برای توصیف داده‌ها مناسب باشد. در این شرایط می‌توان فرض پارامتری را کنار گذاشت و از مدلهای انعطاف‌پذیر و نیرومندتری برای تحلیل داده‌ها استفاده کرد. در چارچوب روش بیز ناپارامتری با تعریف یک توزیع پیشین روی فضای کل توزیع‌های احتمالی و فرض نمودن آن برای توزیع متغیر تصادفی این انعطاف‌پذیری حاصل می‌شود.
بعبارت دیگر فرآیندهای تصادفی روی خانواده‌ای از توابع توزیع تعریف می‌شوند و بعنوان پیشین برای توزیع تصادفی
بکار می‌روند. از جمله مهم‌ترین این پیشین‌ها فرآیند دیریکله است که دارای ویژگی‌های مهم و جالبی است، لذا در
گستره وسیعی از مسائل بیز ناپارامتری مورد استفاده قرار می‌گیرد. در این مقاله این فرآیند و خواص آن معرفی
می‌شود.https://andisheyeamari.irstat.ir/article_724172_b46fc015e4c6ab893fa40491fce31ae7.pdfانجمن آمار ایراناندیشه آماری1026-894418220140220A Bayesian predictive density-based variability moving average control chartیک نمودار کنترل میانگین متحرک تغییرپذیری مبتنی بر چگالی پیش بین بیزی7382724173FAعاطفهمختاری حسن آبادیدانشگاه اصفهانمنوچهرخردمندنیادانشگاه اصفهانJournal Article20250515Recently, several control charts have been introduced in the statistical process control literature that are based on the idea of Bayesian predictive density. Among these charts is the variability control chart, which we call the VBPD chart.
In this paper, we add the idea of a moving average to the VBPD chart, thus introducing a new control chart that has all the advantages of the original VBPD chart and, in addition, has a new advantage, which is sensitivity to small changes in the process variance. We call this new chart the MAVBPD chart.
In both the VBPD and MAVBPD charts, the parameters are assumed to be unknown, but the control statistic in both cases follows a known Fisher distribution, so that simulation is not required to calculate the control limits. اخیرا چندین نمودار کنترل در متون کنترل فرآیندهای آماری معرفی شده که بر اساس ایده چگالی پیش بین بیزی استوار است . در بین این نمودارها نمودار کنترل تغییرپذیری قرار دارد که ما آن را نمودار VBPD می نامیم.
در این مقاله ما ایده میانگین متحرک را به نمودار VBPD اضافه می کنیم و به این ترتیب یک نمودار کنترل جدید معرفی می کنیم که تمام مزیت های نمودار اولیه VBPD را دارد و علاوه بر آن دارای یک مزیت جدید است، که آن مزیت جدید حساسیت نسبت به تغییرات کوچک در واریانس فرآیند می باشد. ما این نمودار جدید را نمودار MAVBPD می نامیم.
در هر دو نمودار VBPD و MAVBPD، پارامترها مجهول فرض می شوند ولی آماره کنترل در هر دو مورد از یک توزیع معلوم فیشر پیروی می کند که در نتیجه برای محاسبه حدود کنترل نیازی به شبیه سازی نمی باشد.