OTHERS_CITABLE
مشخصهسازی توزیع رایلی بر اساس آنتروپی باقیماندهی تجمعی و آزمون نیکویی برازش مربوط به آن
توزیع رایلی در مدلسازی آماری بهصورتی وسیع مورد استفاده قرار میگیرد. این مدل در دستگاههای الکتریکی دارای خلا و مهندسی ارتباطات نقش بهسزایی دارد. رائو و همکاران ( (2004آنتروپی باقیماندهی تجمعی (CRE) را که تعمیمی از آنتروپی شانون با استفاده از تابع توزیع تجمعی است، معرفی نمودند. در این مقاله، کلاسی از توزیعهای ماکسیمم CRE را معرفی کرده، سپس به مشخصهسازی توزیع رایلی پرداخته و با استفاده از آن، آزمون نیکویی برازش برای بررسی صحت مدل را انجام میدهیم. برای ساختن آمارهی این آزمون، اطلاع کولبک- لیبلر باقیماندهی تجمعی (CKL) که توسط براتپور و حبیبی (2012) معرفی شد را به کار میبریم. مقادیر بحرانی آمارهی آزمون با اندازههای مختلف نمونه را بهکمک شبیهسازی مونت کارلو به دست میآوریم. تحلیل توان با استفاده از شبیهسازی مونت کارلو برای فرضیههای مقابل مختلف و نمونههایی با اندازههای متفاوت بهمنظور مقایسهی آزمون معرفیشده با آزمونهای رایج بر اساس تابع توزیع تجمعی، انجام میگردد و نشان میدهیم آزمون معرفیشده خواص توانی خوبی دارد. در نهایت کاربرد آزمون معرفیشده را در یک مثال تشریحی نشان میدهیم.
http://jsri.srtc.ac.ir/article-1-203-fa.pdf
2016-08-16
115
131
10.18869/acadpub.jsri.9.2.115
آنتروپی باقیماندهی تجمعی
ماکسیمم آنتروپی
اطلاع کولبک-لیبلر
توزیع رایلی
آزمون نیکویی برازش
مطالعهی توان
A Cumulative Residual Entropy Characterization of the Rayleigh Distribution and Related Goodness-of-Fit Test
Rayleigh distribution is widely used for life-time modeling and is important in electro vacuum devices and communication engineering. Rao et al. (2004) suggested the Cumulative Residual Entropy (CRE), which is the extension of the Shannon entropy to the the cumulative distribution function. In this paper, a general class of maximum CRE distributions is introduced and then we characterize the Rayleigh distribution and use it to construct a goodness-of-fit test for ascertaining appropriateness of such model. For constructing the test statistics, we use Cumulative residual Kullback-Leibler information (CKL) that was introduced by Baratpour and Habibi (2012). Critical values for various sample sizes determined by means of Monte Carlo simulations are presented for the test statistics. A Monte Carlo power analysis is performed for various alternatives and sample sizes in order to compare the proposed test with several existing goodness-of-fit tests based on the empirical distribution. We find that the proposed test has good power properties. The use of the proposed test is shown in an illustrative example.
http://jsri.srtc.ac.ir/article-1-203-en.pdf
2016-08-16
115
131
10.18869/acadpub.jsri.9.2.115
Cumulative residual entropy
maximum entropy
Kullback-Leibler divergence
Rayleigh distribution
goodness of fit
power study
S.
Baratpour
baratpour@um.ac.ir
1
AUTHOR
F.
Khodadadi
ne_khodadad2@yahoo.com
2
AUTHOR
OTHERS_CITABLE
آزمون بیز تجربی و کاربرد آن در انتخاب آستانهی موجک
در این مقاله، روشی جدید برای انتخاب مقدار آستانهای در انقباض موجکی با استفاده از دیدگاه بیز تجربی ارایه شده است. با بهکارگیری آزمون فرض کلاسیک و بیزی به جای براورد نقطهای، بهترین آزمون که منتج به بهترین پیشین میشود، انتخاب شده و مناسبترین مقدار آستانهای متناظر با آن را معرفی میکنیم. توابع استاندارد برای ارزیابی روش ارایهشده با روشهای موجود، مورد استفاده قرار گرفته است.
http://jsri.srtc.ac.ir/article-1-60-fa.pdf
2015-12-22
133
146
10.18869/acadpub.jsri.9.2.133
آزمون بیزی
آستانهی موجک
بیز تجربی
پرتوانترین آزمون
توزیعهای دمکلفت.
Parametric Empirical Bayes Test and Its Application to Selection of Wavelet Threshold
In this article, we propose a new method for selecting level dependent threshold in wavelet shrinkage using the empirical Bayes framework. We employ both Bayesian and frequentist testing hypothesis instead of point estimation method. The best test yields the best prior and hence the more appropriate wavelet thresholds. The standard model functions are used to illustrate the performance of the proposed method and make comparisons with other traditional methods.
http://jsri.srtc.ac.ir/article-1-60-en.pdf
2015-12-22
133
146
10.18869/acadpub.jsri.9.2.133
Bayes test
parametric empirical Bayes
most powerful test
heavy tailed distribution
unbiased test
wavelet thresholding
Mona
Shokripour
m_shokripour@sbu.ac.ir
1
AUTHOR
Adel
Mohammadpour
adel@aut.ac.ir
2
AUTHOR
Mina
Aminghafari
aminghafari@aut.ac.ir
3
AUTHOR
OTHERS_CITABLE
نتایجی در مورد خانوادهای از تابعهای مفصل ارشمیدسی تعمیمیافته
دورانته و همکاران (2007) خانوادهای از تابعهای مفصل را معرفی نمودند که به دو مولد وابسته است و برخی از مفصلهای معروف از جمله مفصل ارشمیدسی را تعمیم میدهد. در این مقاله با در نظر گرفتن تابعهای بقای یکمتغیره بهعنوان مولد، نتایجی در مورد ویژگیهای این خانواده بیان میشود.
http://jsri.srtc.ac.ir/article-1-61-fa.pdf
2015-12-22
147
158
10.18869/acadpub.jsri.9.2.147
تابع مفصل
مفصل ارشمیدسی
ترتیب وابستگی
تابع بقا
Some Results on a Generalized Archimedean Family of Copulas
Durante et al. (2007) introduced a class of bivariate copulas depending on two generators which generalizes some known families such as the Archimedean copulas. In this paper we provide some result on properties of this family when the generators are certain univariate survival functions.
http://jsri.srtc.ac.ir/article-1-61-en.pdf
2015-12-22
147
158
10.18869/acadpub.jsri.9.2.147
Copula
Archimedean copula
dependence ordering
survival function
Ali
Dolati
adolati@yazd.ac.ir
1
AUTHOR
Mojdeh
Karbasian
mkarbasian9@gmail.com
2
AUTHOR
OTHERS_CITABLE
بهبود در براورد میانگین جامعه در نمونهگیری خوشهای
گوپتا و شبیرشکل دیگری از براوردگرهای نوع رگرسیونی را برای براورد میانگین جامعه پیشنهاد دادهاند، ما براوردگرهای جدیدی را توسط آمیختن دو روش نمونهگیری طبقهبندی و خوشهای معرفی کردیم. سپس این براوردگرها را توسط متغیرهای کمکی ارتفا میدهیم و براوردگرهای جدیدی معرفی میکنیم. بهعنوان مثال در جامعههای بسیار بزرگ با پراکندگی جغرافیایی بالا، جامعه میتواند به چند زیرجامعهی کوچکتر که تا حدی منجر به کاهش پراکندگی میشود، تقسیم شود. این موضوع روی واریانس براوردگر تأثیر خواهد گذاشت. مضافاً تقسیمبندی جامعه، صرفهجویی در هزینه، زمان و محاسبات آسان را نتیجه خواهد داد.
http://jsri.srtc.ac.ir/article-1-62-fa.pdf
2015-12-22
159
177
10.18869/acadpub.jsri.9.2.159
متغیرهای کمکی
نمونهگیری خوشهای
براوردگر
نمونهگیری طبقهبندی
Some Improvment in the Estimation of Population Mean in Cluster Sampling
Gupta and Shabbir (2008) have suggested an alternative form of ratio-type estimator for estimating the population mean. In this paper, we introduced new estimators by mixing two, stratified and cluster sampling method. Then we improved these estimators by using auxiliary variables and introducing new estimators. For sampling in infinite populations with a high geographic dispersion, the population will be divided into some smaller sub-population which leads to dispersion reduction to some extent. This will affect the variance of the estimator. Additionally dividing the population will result in saving cost, time and eases calculations.
http://jsri.srtc.ac.ir/article-1-62-en.pdf
2015-12-22
159
177
10.18869/acadpub.jsri.9.2.159
Auxiliary variables
cluster sampling
estimator
stratified sampling.
M.
Sakizadeh
mansoure6611@yahoo.com
1
AUTHOR
A.
Gerami
agerami@ut.ac.ir
2
AUTHOR
OTHERS_CITABLE
مجموعهی اطمینان مدل بر اساس فاصلهی کولبک-لیبلر
فرض کنید X1,…, Xn یک نمونهی تصادفی از تابع چگالی احتمال درست h(.) باشد. در حالت کلی h(.) نامعلوم است و با تابع چگالی مناسب fƟ(x) تقریب زده میشود. در این مقاله، با استفاده از آزمون و ونگ (۱۹۸۹)، به همراه kمدل غیر آشیانی(k>2)، یک مجموعهی اطمینان از مدلهای مناسب، بهعنوان تقریبی ازh(.) ساخته میشود. کاربردی از چنین مجموعهی اطمینانی، با استفاده از شبیهسازی تأیید شده است.
http://jsri.srtc.ac.ir/article-1-63-fa.pdf
2015-12-22
179
193
10.18869/acadpub.jsri.9.2.179
آزمون وونگ
انتخاب مدل
فاصلهی کولبک-لیبلر
مجموعهی اطمینان
مدلهای غیر آشیانی.
Model Confidence Set Based on Kullback-Leibler Divergence Distance
Consider the problem of estimating true density, h(.) based upon a random sample X1,…, Xn. In general, h(.)is approximated using an appropriate in some sense, see below) model fƟ(x). This article using Vuong's (1989) test along with a collection of k(> 2) non-nested models constructs a set of appropriate models, say model confidence set, for unknown model h(.).Application of such confidence set has been confirmed through a simulation study.
http://jsri.srtc.ac.ir/article-1-63-en.pdf
2015-12-22
179
193
10.18869/acadpub.jsri.9.2.179
Kullback-Leibler divergence distance
confidence set
model selection
non-nested models
Vuong's test.
G.
Barmalzan
ghbarmalzan@uoz.ac.ir
1
AUTHOR
T.
Payandeh Najafabad
amirtpayandeh@sbu.ac.ir
2
AUTHOR
OTHERS_CITABLE
براورد برای توزیع مقدار غایی نوع بر مبنای سانسور پیشروندهی نوع II
در این مقاله استنباط آماری روی پارامترهای نامعلوم و تابع قابلیت اعتماد توزیع مقدار غایی نوع II را بر مبنای سانسور پیشروندهی نوع II مورد بحث قرار میدهیم. با استفاده از الگوریتم EM براوردهای ماکسیمم درستنمایی را به دست میآوریم و همچنین براوردگرهای ماکسیمم درستنمایی تقریبی را که شکل صریحی دارند، پیشنهاد میکنیم. براوردهای بیزی را با استفاده از تابع زیان متقارن (زیان توان دوم خطا) و توابع زیان نامتقارن (زیانهای لاینکس و آنتروپی) فراهم میکنیم. برای به دست آوردن براوردهای بیزی روشهای تقریب لیندلی و مونت کارلوی زنجیر مارکوفی را به کار میگیریم. در پایان با استفاده از شبیهسازیهای مونت کارلو روشهای بحثشده در این مقاله را مقایسه کرده و این روشها را برای یک مجموعه دادهی واقعی به کار میبریم.
http://jsri.srtc.ac.ir/article-1-64-fa.pdf
2015-12-22
195
221
10.18869/acadpub.jsri.9.2.195
الگوریتم EM
براوردگرهای ماکسیمم درستنمایی تقریبی
براوردهای بیزی
تقریب لیندلی
سانسور پیشروندهی نوع II
شبیهسازی مونت کارلو
Estimation for the Type-II Extreme Value Distribution Based on Progressive Type-II Censoring
In this paper, we discuss the statistical inference on the unknown parameters and reliability function of type-II extreme value (EVII) distribution when the observed data are progressively type-II censored. By applying EM algorithm, we obtain maximum likelihood estimates (MLEs). We also suggest approximate maximum likelihood estimators (AMLEs), which have explicit expressions. We provide Bayes estimates using both the symmetric and asymmetric loss functions via squared error loss, LINEX loss, and general entropy loss functions. Bayes estimates are obtained using the idea of Lindley and Markov chain Monte Carlo techniques. Finally, Monte Carlo simulations are presented to illustrate the methods discussed in this paper. Analysis is also carried out for a real data set.
http://jsri.srtc.ac.ir/article-1-64-en.pdf
2015-12-22
195
221
10.18869/acadpub.jsri.9.2.195
Approximate maximum likelihood estimators
Bayes estimates
EM algorithm
Lindley's approximation
Monte Carlo simulation
progressive type-II censoring.
K.
Ahmadi
K.Ahmadi@birgand.ac.ir
1
AUTHOR
V.
Ahrari Khalaf
v_ahrary84@yahoo.com
2
AUTHOR
M.
Rezaei
Mjrezaei@yahoo.com
3
AUTHOR