en
jalali
1383
6
1
gregorian
2004
9
1
1
1
online
1
fulltext
en
در بارهی ردهبندیهای چندجملهایهای تصادفی
On Classifications of Random Polynomials
فرض کنید $ a_0 (omega), a_1 (omega), a_2 (omega), dots, a_n (omega)$ دنبالهای از متغیرهای تصادفی مستقل باشد که بر یک فضای احتمال ثابت $(Omega, Pr, A)$ تعریف شده است. برای تعداد مورد انتظار صفرهای واقعی یک چندجملهای مانند
$ a_0 (omega) psi_0(x)+ a_1 (omega)psi_1 (x)+, a_2 (omega)psi_2 (x)+ dots + a_n (omega)psi_n (x)$ ,
که در آن j=0.1.2...,n , $ psi_j(x)$ تابع معینی از x است، نتیجههای معلوم بسیاری در دست است. در این مقاله، مشخصههای گوناگون ناشی از تأثیر فرضهای مختلف بر چندجملهایهای تصادفی $ psi_j(x)$ را مورد نأکید قرار میدهیم. سپس میتوانیم چندجملهایهای تصادفی را در سه رده، ردهبندی کنیم که هر یک در خواص مشترکی سهیم باشند. هر چند بهطور عمده، تعداد ریشههای حقیقی مورد نظر است ولی چگالی ریشههای مختلط ناشی از فرض ضریبهای تصادفی مختلط برای چندجملهایها را نیز مطالعه میکنیم.
Let $ a_0 (omega), a_1 (omega), a_2 (omega), dots, a_n (omega)$ be a sequence of independent random variables defined on a fixed probability space $(Omega, Pr, A)$. There are many known results for the expected number of real zeros of a polynomial $ a_0 (omega) psi_0(x)+ a_1 (omega)psi_1 (x)+, a_2 (omega)psi_2 (x)+ dots + a_n (omega)psi_n (x)$ where $ psi_j(x)$ , j=0.1.2...,n is a specific function of x. In this paper we highlight different characteristics arising for the random polynomial dictated by assuming different values for $ psi_j(x)$. Then we are able to classify random polynomials into three classes each of which share common properties. Although, we are mainly concerned with the number of real roots we also study the density of complex roots generated by assuming complex random coefficients for polynomials.
number of real zeros, real roots, random algebraic polynomials, trigonometric polynomials, binomial coefficients, Kac-Rice formula, non-identical random variables, complex roots.
تعداد صفرهای واقعی, ریشههای واقعی, چندجملهایهای جبری تصادفی, چندجملهایهای مثلثاتی, ضریبهای دوجملهای, فرمول کاک-رایس, متغیرهای تصادفی نایکسان, ریشههای مختلط.
1
12
http://jsri.srtc.ac.ir/browse.php?a_code=A-10-1-105&slc_lang=en&sid=1
2016/02/9
1394/11/20
2016/02/9
1394/11/20
K.
Farahmand
کامبیز
فرهمند
k.farahmand@uist.ac.uk
003194753284600804
003194753284600804
Yes
en
مفهوم زیرْاستقلال و کاربرد آن در آمار و احتمال
The Concept of Sub-independence and Its Application in Statistics and Probabilities
بسیاری از قضیههای حدّی و همگرایی و مشخصسازی توزیعها در احتمال و آمار ریاضی، بهویژه آنهایی که مربوط به توزیع نرمال هستند، بر اساس فرض استقلال دو یا چند متغیر تصادفی بنا شدهاند. با این حال در اثبات این قضیهها اغلب از قدرت کامل استقلال استفاده نمیشود؛ زیرا آنچه مورد نیاز است توزیع حاصلجمع متغیرهای تصادفی است، نه توزیع مشترک آنها. در این مقاله مفهومی را دوباره معرفی میکنیم که نسبت به استقلال، کاملاً ضعیف است و در اکثر قضیههای اشاره شده در بالا میتواند جایگزین مفهوم استقلال شود. یک مفهوم نسبتاً جدید دیگر نیز مورد اشاره قرار خواهد گرفت و برخی از نتایج مربوط نیز تشریح خواهد شد.
Many Limit Theorems, Convergence Theorems and Characterization Theorems in Probability and Statistics, in particular those related to normal distribution , are based on the assumption of independence of two or more random variables.
However, the full power of independence is not used in the proofs of these Theorems, since it is the distribution of summation of the random variables which is needed and not the joint distribution of the variables. A concept is re-introduced, which is quite weak in comparison to independence, and can replace the concept of independence in most of the above mentioned theorems. Another relatively new concept will also be mentioned and some related results are discussed.
sub-independent random variables, reciprocal random variables, characterization of distributions.
متغیرهای تصادفی زیرمستقل, متغیرهای تصادفی معکوس, مشخصسازی توزیعها.
13
30
http://jsri.srtc.ac.ir/browse.php?a_code=A-10-1-107&slc_lang=en&sid=1
2016/02/92016/02/9
1394/11/20
2016/02/92016/02/9
1394/11/20
G. Hamedani
حسین
قراگوزلو همدانی
g.hamedani@mu.edu
003194753284600805
003194753284600805
Yes
en
تحلیل رگرسیونی تحت مدل گاوسی وارون در حالت مشاهدات مکرر
Regression Analysis under Inverse Gaussian Model: Repeated Observation Case
در تحلیلهای رگرسیونی مرسوم، فرضهای اساسی شامل نرمال بودن متغیر پاسخ، و عدم وابستگی بین واریانس و میانگین آن است. امّا موارد بسیاری در علوم زیستی، مهندسی واقتصاد وجود دارند که متغیر پاسخ شدیداً چوله است و بهعلاوه رابطهی تابعیِ مشخصی بین واریانس و میانگین وجود دارد. در چنین مواردی، بدیلی مناسب برای توزیع نرمال، توزیع گاوسی وارون است که خانوادهی بسیار غنی را تشکیل میدهد و میتواند برای مدلبندی حالتهای بسیار متنوع به کار رود.
در این مقاله، تحلیل رگرسیونی برای مدل گاوسی وارون را در حالتی عرضه میکنیم که بهازای مقداری مشخص از بردار متغیرهای پیشگو، مشاهداتی مکرر از متغیر پاسخ را در دست داریم. این موضوع را از سه دیدگاه درستنمایی، بیزی و بیز تجربی تحت پیشین مزدوج، مورد بررسی قرار میدهیم. در هر مورد، برآورد معادلهی رگرسیون و استنباطهای مربوط به آن را ارائه میکنیم و با مثالی عددی روشهای ابداعی را تشریح میکنیم.
Traditional regression analyses assume normality of observations and independence of mean and variance. However, there are many examples in science and Technology where the observations come from a skewed distribution and moreover there is a functional dependence between variance and mean.
In this article, we propose a method for regression analysis under Inverse Gaussian model when there are repeated observations for a fixed value of explanatory variable. The problem is treated by likelihood, Bayes, and empirical Bayes procedures, using conjugate priors. Inferences are provided for regression analysis.
Bayesian inference, empirical Bayes, conjugate prior, posterior, inverse Gaussian distribution, regression, likelihood.
استنباط بیزی, بیز تجربی, پیشین مزدوج, پسین, توزیع گاوسی وارون, رگرسیون, درستنمایی.
31
50
http://jsri.srtc.ac.ir/browse.php?a_code=A-10-1-108&slc_lang=en&sid=1
2016/02/92016/02/92016/02/9
1394/11/20
2016/02/92016/02/92016/02/9
1394/11/20
Reza
Meshkani
رضا
مشکانی
mrmeshkani@gmail.com
003194753284600806
003194753284600806
Yes
en
مدلسازی پاسخهای زوج شدهی رتبهای
Modeling Paired Ordinal Response Data
حدود ربع قرن از انتشـار مقالهی مکولا (1980) در مورد مدلبندی پاسخهای ترتیبی یکمتغیـره میگذرد. پس از انتشار این مقاله، مدل پیشنهادی وی بهتدریج مدل تعمیم یافت، بهطوری که ما هم اکنون قادریم پاسخهای چندمتغیره، همبسته و ترتیبی را بهکمک مدلهای نسبتاً پیچیده اما کارا تحلیل نموده، ارتباط بین اینگونه پاسخها با متغیرهای کمکی مختلف را مورد بررسی قرار دهیم. در این مقاله قصد داریم پیشرفتهای به وجود آمده در زمینهی مدلبندی پاسخهای ترتیبی همبسته را با تأکید بر پاسخهای دومتغیـرهی ترتیبی حاصل از مطالعهی اندامهای جفتی بدن نظیر چشم، گوش، کلیه، دست، پا، و ... بررسی کرده، در پایان، مدلی جدید برای تحلیل دادههای ترتیبی همبسته معرفی نماییم. هنگامی که دادههای پاسخ مورد بررسی دارای توزیعی دومتغیره و نامتقارن فرض میشوند، این مدل را میتوان جایگزینی مناسب برای مدل پروبیت تجمعی دومتغیره محسوب نمود. در پایان، بهعنوان مثالی کاربردی، دادههای مربوط به وضعیت پریودنتال دانشآموزان دبیرستانی شهر تهران بهکمک این مدل، تحلیل و نتایج حاصل با مدلهای مشابه مقایسه می شود.
About 25 years ago, McCullagh proposed a method for modeling univariate ordinal responses. After publishing this paper, other statisticians gradually extended his method, such that we are now able to use more complicated but efficient methods to analyze correlated multivariate ordinal data, and model the relationship between these responses and host of covariates. In this paper, we aim to present the recent progressions in modeling ordinal response data, especially in bivariate ordinal responses that arise from medical studies relating to paired organs such as ophthalmology, otology, nephrology etc. Additionally, we present a new model for analyzing correlated ordinal response data. This model is an appropriate alternative for bivariate cumulative probit regression model, when joint distribution of response data is not symmetric. Finally, as an applied example, we analyze the obtained data from an epidemiologic study relating to periodontal status among high school students in Tehran using this method and compare the results with the similar models.
Correlated ordinal responses, bivariate latent distribution, generalized estimating equations, generalized linear models.
پاسخهای ترتیبی همبسته, توزیع نهانی دومتغیره, معادلات برآوردگر تعمیمیافته, مدلهای خطی تعمیمیافته.
51
68
http://jsri.srtc.ac.ir/browse.php?a_code=A-10-1-109&slc_lang=en&sid=1
2016/02/92016/02/92016/02/92016/02/9
1394/11/20
2016/02/92016/02/92016/02/92016/02/9
1394/11/20
Anoshiravan
Kazemnejad
انوشیروان
کاظمنژاد
kazemـan@modares.ac.ir
003194753284600807
003194753284600807
Yes
Farid
Zayeri
فرید
زایری
fzayeri@yahoo.com
003194753284600808
003194753284600808
No
en
طرحهای اندازهگیری مکرر روندْمقاوم
Trend-resistant repeated measurement Designs
در این مقاله موجود بودن یا نبودن طرحهای اندازهگیری مکرر روندْمقاوم بررسی میگردد و نشان داده میشود که دو خانواده از طرحهای اندازهگیری مکرر کارامد و بهینه که در میان آزمایشگران بسیار مورد توجهاند، روندْمقاوم یا از لحاظ تیمارها روندْمقاوم هستند.
The existence and non-existence of trend-resistant repeated measurement designs are investigated. Two families of efficient/optimal repeated measurement designs which are very popular among experimenters are shown to be trend-resistant or trend-resistant with respect to treatments.
. Changeover, cross-over, optimal design, orthogonal polynomial, carry-over effect, trend-resistant
دگرتیمار, متقاطع, طرح بهینه, چندجملهای متعامد, اثرمنقول, روندْمقاوم.
69
83
http://jsri.srtc.ac.ir/browse.php?a_code=A-10-1-104&slc_lang=en&sid=1
2016/02/92016/02/92016/02/92016/02/92016/02/9
1394/11/20
2016/02/92016/02/92016/02/92016/02/92016/02/9
1394/11/20
K.
Afsarinejad
کسری
افسری نژاد
kasra.afsarinejad@astrazeneca.com
003194753284600809
003194753284600809
Yes
en
تحلیل یک مسئله با استفاده از دیدگاههای متفاوت
Analysis of a Problem Using Various Visions
در این مقاله یک مسئلهی کاربردی که در آن، پاسخ مورد نظر، تعداد موفقیتها در یک آزمایش بهخصوص است مطرح می شود و برای مدلبندی از دیدگاههای متفاوت مورد بررسی قرار می گیرد. بررسی تأثیر مقدار پاسخ دورافتاده بر نتایج یک تحلیل رگرسیونی از اهمیت فراوان برخوردار است. به این دلیل با استفاده از روشهای تشخیص، داده های دورافتاده شناسایی میشوند. نشان داده شده که استفاده از روش تبدیل آرکسینوس ممکن است تشخیص دورافتاده بودن برخی دادهها را منحرف کند. در صورتیکه حذف دادههای دورافتاده در مدلبندی امکانپذیر نباشد، استفاده از روشهای استوار پیشنهاد شده است. روش ماکسیمم درستنمایی که در مدلهای خطی تعمیم یافته و روش تبدیل، از آن برای برآورد پارامترها استفاده می شود و روش شبهدرستنمایی، استوار نیستند. روش دیگری که به نتایج استوار منجر می شود و به روش شبهدرستنمایی استوار موسوم است، در این مقاله بازبینی و روشی که از نظر محاسباتی برای استفاده آسانتر است، برای محاسبهی مقادیر معناداری در آن ارائه شده است. شیوههای مختلف مدلبندی نیز در مثال کاربردی مقایسه شده اند.
In this paper an applied problem, where the response of interest is the number of success in a specific experiment, is considered and by various visions is studied. The effects of outlier values of response on results of a regression analysis are so important to be studied. For this reason, using diagnostic methods, outlier response values are recognized. It is shown that use of arc-sine transformation many be misleading in recognizing response outliers. If deleting of outliers is not possible, use of robust modeling approach is suggested. Method of maximum likelihood for estimating parameters in generalized linear model, transformation method and also pseudo-likelihood method are not robust. A method, which is called robust pseudo-likelihood and leads to robust results, is reviewed and a simpler method of computing P-values for model selection is presented. Various approaches for modeling are also compared in the applied example.
Transformation method, logistic regression, generalized linear models, Pearson residuals, robust pseudo-likelihood.
روش تبدیل, رگرسیون لوژستیک, مدلهای خطی تعمیم یافته, ماندهی پییرسونی, شبهدرستنمایی استوار.
85
100
http://jsri.srtc.ac.ir/browse.php?a_code=A-10-1-106&slc_lang=en&sid=1
2016/02/92016/02/92016/02/92016/02/92016/02/92016/02/9
1394/11/20
2016/02/92016/02/92016/02/92016/02/92016/02/92016/02/9
1394/11/20
M.
Ganjali
مجتبی
گنجعلی
m-ganjali@cc.sbu.ac.ir
003194753284600810
003194753284600810
Yes
L.
Latifian
لیلا
لطیفیان
003194753284600811
003194753284600811
No