نمودارهای کنترل که ابزارهای کنترل آماری فرایند هستند، ابزار موثری نیز برای براورد پارامترهای فرایند به خصوص در مطالعات کارایی فرایند محسوب می شوند که ممکن است با استفاده از روش های ساده مانند نمودار کنترل شوهارت یا معیارهای آماری دیگر یا با استفاده از معیارهای اقتصادی طراحی گردند. طراحی اقتصادی نمودارهای کنترل شامل تعیین اندازه ی نمونه (n)، فاصله ی زمانی بین نمونه ها (h) و ضریب حدود کنترل (k) است. در این پایان نامه مروری بر طراحی اقتصادی و آماری-اقتصادی نمودارهای کنترل انجام می گیرد. در این ارتباط بیش تر مدل های ذکر شده در فصل 2، برای نمودارهای کنترلی است که برای حفظ سطوح جاری کیفیت فرایند به کار می روند. وهه با در سال 1996، یک مدل کنشی برای بهبود فرایند ارائه داد اما این مدل فقط، طراحی اقتصادی نمودارهای کنترل تکی را در بر داشت. به عبارت دیگر وهه با، بسته به نوع تغییری که در فرایند به وجود می آید، یک طراحی کنشی برای نمودار و دیگری برای نمودار s پیش نهاد کرد. در صورتی که در عمل معمولاً دو نمودار کنترل (یکی برای پایش تغییرات ایجاد شده در میانگین فرایند؛ و دیگری برای پایش تغییرات ایجاد شده در پراکندگی فرایند) برای پایش متغیرهای پیوسته ی مورد مطالعه در فرایند مورد استفاده قرار می گیرند

در بیش تر مطالعه هایی که صورت می گیرد، علاقه مند به استنباط درباره ی توزیع جامعه و پارامترهای آن هستیم. از جمله روش های معمول برای براورد پارامترهای جامعه -زمانی که توزیع معلوم است- روش ماکسیمم درستنمایی است. برارودهای حاصل از این روش در حالت حدی ویژگی های مطلوب بسیاری دارند. نااریبی، مینیمم واریانس و توزیع حدی نرمال به همراه روش دلتا استنباط پیرامون پارامترها و توابع آن ها را میسر می سازد. در صورت نا شناخته بودن توزیع جامعه، روش های ناپارامتری بسیاری وجود دارند. برخی از این روش ها مانند روش باز نمونه گیری خودگردان، بر پایه ی تکرار نمونه گیری از یک نمونه ی اولیه پایه ریزی شده اند. در این پایان نامه رهیافت نا پارامتری درستنمایی تجربی به منظور استفاده ی بهتر از اطلاعات کمکی برای استنباط درباره ی پارامترهای جامعه معرفی می شود. توزیع حدی آماره ی نسبت درستنمایی تجربی، به دست آمده و چگونگی ساختن ناحیه ی اطمینان با استفاده از آن بیان می شود. همچنین استفاده از این روش در براورد مدل رگرسیون میانه ی زمان شکست در حضور داده های سانسور از راست نشان داده می شود و ناحیه ی اطمینان بردار پارامترهای مدل به دست می آید. علاوه بر این آماره ی نسبت درستنمایی تجربی نیم رخ با هدف محاسبه ی ناحیه ی اطمینان برای زیر بردار دلخواه از پارامترها تعریف شده و توزیع حدی آن به دست می آید. سپس توزیع نمونه گیری آماره ی نسبت درستنمایی تجربی نیم رخ با به کار گیری روش خودگردان ساخته شده و از آن برای محاسبه ی مرز ناحیه ی اطمینان استفاده می شود. سرانجام به عنوان کاربردی از روش های بیان شده در پایان نامه، مدل رگرسیون میانه ی طول عمر برای مجموعه ی داده های مربوط به بیماران مبتلا به سرطان مغز استخوان با در نظر گرفتن مجموعه ای از متغیرهای کمکی، برارود می شود. همچنین ناحیه ی اطمینان برای بردار پارامترها و بازه های اطمینان برای تک تک ضریب های رگرسیونی به دست می آید.

در این تحقیق به منظور مطالعه داده های بقا در حالت عدم استقلال، مدل شکنندگی همبسته معرفی و در این مدل با استفاده از متغیری تصادفی تحت عنوان شکنندگی به بررسی مدل های بقا پرداخته و توابع بقا، خطر و درستنمایی را محاسبه می نماییم. در ادامه به منظور بررسی محدودیت های بیشتر تعمیمی از این مدل ها که مدل های شکنندگی همبسته شفایافتگی و شکنندگی همبسته شفایافتگی با تاخیر چندگانه می باشند ارائه و کلیه بررسی ها را از دیدگاه بیزی و با استفاده از اطلاعات پیشین پارامترها انجام می دهیم.

در بسیاری از نظام های آماری، نوعی از آمارگیری موسوم به آمارگیری در طول زمان متداول است که به شکلی مستمر در دوره های زمانی تکرار می شود. یکی از روش های آمارگیری در طول زمان، آمارگیری پانلی نام دارد. در این روش، به نمونه ای ثابت در دوره های زمانی مختلف مراجعه می شود. مهمترین چالش در یک آمارگیری پانلی، ناتوانی در به دست آوردن پاسخ از واحدهای نمونه ای و به وجود آمدن بی پاسخی می باشد که معمولاَ باعث اریبی و در برخی موارد منجر با افزایش واریانس براوردها می شود. در آمارگیری های پانلی علاوه بر بی پاسخی قلم اطلاعاتی، بی پاسخی دوره نیز وجود دارد. در این نوع بی پاسخی، واحد نمونه ای حداقل برای یک دوره ی آمارگیری پاسخگو است. حالت خاصی از بی پاسخی دوره، کاهش پاسخگو است که در این حالت واحد نمونه ای از دوره ای به بعد از مطالعه خارج شده و هرگز باز نمی گردد. یکی از رهیافت های کاهش اثرهای نامطلوب بی پاسخی دوره، استفاده از روش های وزن دهی است. در این پایان نامه پس از بررسی انواع آمارگیری پانلی و بی پاسخی دوره، در مورد روش های مختلف تعدیل بی پاسخی بحث می شود. برای کاهش اثرهای نامطلوب این نوع بی پاسخی از روش های وزن دهی استفاده می شود. استفاده از متغیرهای کمکی مناسب در محاسبه ی براوردهای موزون، می تواند کارایی براوردها را بهبود بخشد. این نوع براوردها به منظور جبران اثر احتمال های پاسخ نابرابر، بی پاسخی، ناپوششی و یا نوسان حاصل از نمونه گیری حول مقدارهای معلوم جامعه به کار می رود. ساده ترین براوردگرهایی که از این اطلاعات کمکی استفاده می کنند، براوردگرهای نسبتی و رگرسیونی هستند. دویل و سارندال(1992) نشان دادند که براوردگر رگرسیونی را می توان به شکل یک براوردگر موزون که وزن های آن با مینیمم کردن یک تابع فاصله به دست آورد. وزن هایی که به این شکل حاصل می شوند را وزن های کالیبره و براوردگرهای حاصل را براوردگرهای کالیبره گویند. ویژگی مطلوب این براوردگر، کاهش قابل توجه اریبی بی پاسخی با استفاده از اطلاعات کمکی موجود می باشد. در یک مطالعه با استفاده از داده های طرح آمارگیری خانواری انگلستان، دو روش براورد کالیبره و براورد رگرسیونی تعمیم یافته به منظور مقایسه ی اثر آن در تعدیل اثر بی پاسخی تصادفی برای متغیر مورد نظر (با توجه به اثر اندازه-ی نمونه، همبستگی بین داده های دوره ها و نرخ بی پاسخی دوره) با استفاده از معیارهای اریبی نسبی و میانگین توان دوم خطای دو روش، مقایسه می شوند. نتیجه های مطالعه نشان می دهد که روش براوردگرهای کالیبره در اغلب موردها عمل کرد بهتری دارد.

در بیش تر آمارگیری ها ممکن است علاقه مند باشیم در فاصله های زمانی منظم پارامترهای جامعه را ‏براورد کرده و تغییرات آن ها را از یک دوره به دوره ی بعد مطالعه کنیم. آمارگیری های در طول زمان ‏‏(آمارگیری های مکرر) ما را در رسیدن به این مهم یاری می کنند. این آمارگیری ها به طور منظم در طول ‏زمان تکرار می شوند. نمونه گیری چرخشی یکی از روش های مورد استفاده در آمارگیری های مکرر است. ‏واریانس به عنوان متداول ترین شاخص برای براورد میزان خطای یک براوردگر (خطای نمونه گیری) و ‏تعیین دقت آن به کار می رود. بنابر این، براورد این پارامتر کلیدی در تدوین طرح های مختلف آماری در ‏مرکزهای آماری کشورها از اهمیت به سزایی برخوردار است. با توجه به گسترش استفاده از نمونه گیری ‏چرخشی در واحدهای ملی آمار، انجام یک بررسی جامع درباره ی براورد واریانس در طرح های ‏نمونه گیری چرخشی امری ضروری به نظر می رسد‎.‎

over the past decades a number of approaches have been applied for forecasting mortality. in 1992, a new method for long-run forecast of the level and age pattern of mortality was published by lee and carter. this method was welcomed by many authors so it was extended through a wider class of generalized, parametric and nonlinear model. this model represents one of the most influential recent developments in the field of mortality forecasts. also, the important feature of this model is that for a precise value of the time index , we can define a complete set of death probabilities that allow us to calculate entries life table. these are some reasons for selecting the lee-carter model in our work. in this thesis we investigate the feasibility of the lee-carter model and two of the main extensions of this model, which are obtained by adding cohort (year of birth) effect, in forecasting mortality rate. we applied these three models on rasht mortality data (total, men and women) in order to find the best model and then use it to forecast rasht mortality rate for the next six years.

نمودارهای کنترلی با آماره ی میانگین موزون متحرک نمایی‎ (ewma) برای پایش توام میانگین و واریانس فرایند استفاده می شود. یک مدل مینیمم سازی هزینه ای‎ (ewma) براساس دو طرح اقتصادی و آماری-اقتصادی ارایه شده است. طرح اقتصادی با اعمال محدودیت هایی در متوسط طول اجرا در شرایط تحت کنترل و متوسط طول اجرا در شرایط خارج از کنترل به طرح آماری-اقتصادی تبدیل می شود. کیفیت وابسته به هزینه های تولید در طرح نمودار کنترلی‎(ewma) با استفاده از تابع زیان درجه دوم تاگوچی محاسبه می شود. مقدار بهینه ی پارامترهای بهینه سازی مدل شامل، ثابت های هموارساز، فاصله ی نمونه گیری، اندازه ی نمونه ای و پارامتر حدهای کنترلی نمودار را از روش های جستجوی عددی به دست می آوریم. برای محاسبه ی متوسط طول اجرا در طرح نمودار کنترلی توام‎ (ewma) برای میانگین و واریانس در شرایط تحت کنترل و خارج از کنترل از رویکرد زنجیر مارکوفی استفاده می کنیم.

برای پاسخ به بسیاری از پرسش های علمی، نیاز به گرداوری داده ها است و گرداوری داده ها به تنهایی پاسخ گوی بسیاری از پرسش ها نیست. بنابراین امروزه تحلیل داده ها در تمام شاخه های علمی امری ضروری به شمار می آید. طی چند دهه ی اخیر تحلیل داده های رده بندی در حوزه های آمار رسمی و علوم پزشکی به طور چشم گیری متحول شده است. با توجه به کثرت وجود این داده ها، بدیهی است که تحلیل و مدل بندی آن ها می تواند تأثیر عمده ای در راستای تولید دانش آماری داشته باشد. اما در تحلیل این داده ها با دو مشکل عمده روبرو هستیم. داده های همبسته و داده های گم شده. این دو مشکل فرض آماری مشاهده های مستقل در روش های رگرسیونی سنتی را نقض می کند. با وجود این که اکثر مطالعه ها برای گرداوری تمام داده ها طراحی می شوند ولی بروز گم شدگی در داده ها نیز اجتناب ناپذیر خواهد بود. مکانیسم های گم شدگی یک مسئله ی حائز اهمیت است زیرا خصوصیات روش های برخورد با گم شدن داده ها به این مکانیسم ها مربوط می شود. با در نظر گرفتن یک متغیر نشانگر برای وضعیت گم شدگی و توزیعی برای آن، سه مکانیسم گم شدگی تصادفی،کاملاً تصادفی وغیرتصادفی برای داده ها تعریف می شوند. در چنین شرایطی روش معادله های براوردساز تعمیم یافته معرفی می شود. این رویکرد یکی از مناسب ترین روش ها را برای تحلیل فراهم می کند . در این معادله ها تنها فرض هایی که اختیار می شوند ، فرض درباره ی امید ریاضی حاشیه ای مرتبه ی اول و دوم پاسخ ها است و هیچ فرضی درباره ی توزیع کامل آنها اختیار نمی شود . حال مسئله ی مورد نظر ما تعریف می شود. با چه روش هایی بر پایه gee می توان به براورد پارامترها در حضور داده های گم شده پرداخت؟ از مهمترین روش ها در رویارویی با داده های گم شده روش جانهی است که این روش و انواع مختلف آن از جمله جانهی ساده، جانهی میانگینی و جانهی چندگانه را بیان می کنیم. روش دوم روش موسوم به وزن دهی است که در آن، سهم هر مشاهده در معادله براوردساز برابر با معکوس احتمال مشاهده شده ی آن است. روش بعدی استفاده از تقریب توزیع چندمتغیره ی نرمال است که از براورد نرمال برای پارامترهای همبستگی بهره می برد. روش دیگر آلگوریتم au است که یک روش تکراری را برای حل معادله های براوردساز تعمیم یافته در حضور داده های گم شده ارائه می کند. در پایان تلاش خواهیم کرد با یک مطالعه شبیه سازی روش های گوناگون را مقایسه کنیم. در مجموع بر حسب اریبی و خطای استاندارد نتایج شبیه سازی نشان می دهند که روش آلگوریتم au از سایر روش ها در مواجهه با داده های گم شده بهتر عمل می کند.

این پایان نامه، مشتمل بر سه فصل و با موضوعات کاملاً مجزا ارائه می گردد. در فصل اول به ارائه روش های تکراری دایره برای ریشه یابی توابع مختلط می پردازیم و این روش را با بعضی از روش های دیگر مقایسه می کنیم. فصل دوم به معرفی یک روش تکراری برای مینیمم یابی و ماکزیمم یابی توابع چند متغیره اختصاص دارد. فصل سوم که به معادلات انتگرال اختصاص دارد، در خصوص یک روش عددی برای حل معادلات انتگرال فردهلم جدایی پذیر که جواب های آنها توابعی یک و چند متغیره هستند، بحث می شود. به علاوه در این فصل روشی تحلیلی برای یافتن جواب های دقیق معادلات انتگرال خطی و معادلات انتگرال - دیفرانسیل خطی، ارائه می گردد.

در سال های اخیر روش های براورد کوچک ناحیه ای مورد توجه خاصی قرار گرفته است. این توجه به دلیل افزایش درخواست براوردهای معتبری برای کوچک ناحیهها است. این براوردها برای برنامه ریزی های توسعه ای، تخصیص اعتبارهای دولتی و ایجاد زمینه های شغلی به کار می آیند. بنا بر این پرسش کلیدی در براورد کوچک ناحیهای این است که وقتی اندازه ی نمونهای شامل مشاهدههای بسیار اندک و اطلاعات کم است، چگونه میتوان براوردهای معتبر بهدست آورد؟ زمانیکه اندازهی نمونه ای بهدست آمده از یک ناحیه، کوچک باشد (حتی ممکن است گاهی صفر باشد)، براوردگرهای مستقیم از یک انحراف معیار بزرگ و غیر قابل قبولی برخوردار میشوند (کوکران 1977). بنا بر این براوردهای بهدست آمده از این دادهها نامعتبراند. یک راه بهبود این براوردها، وام گرفتن قدرت از منبع های داده ای موجود (داده های مربوط به کوچک ناحیههای مشابه یا مجاور یا داده های مربوط به آخرین آمارگیری ها از همان کوچک ناحیه یا ترکیبی از این دو) می باشد. برای این کار می توان از طریق مدل بندی متغیرها یا به عبارتی استفاده از مدل های پیوندی (شامل مدل های صریح و ضمنی) اثر اندازه ی نمونه ای را بهبود بخشید. مدلهای آمیختهی خطی تعمیم یافته و بهترین پیشگوگر نااریب خطی تجربی برای براورد معتبر میانگین کوچک ناحیه ای به طور گسترده مورد استفاده قرار گرفته اند. به کمک مدل های آمیخته ی خطی میتوان اطلاعات کوچک ناحیهها را با هم ادغام کرد تا نمونه ا ی مطلوب بهدست آورد. در این پایاننامه ابتدا کوچک ناحیه و براوردهای مربوط به آنرا مورد بررسی قرار میدهیم. سپس برای بهدست آوردن براوردهای معتبر برای کوچک ناحیهها به معرفی مدلهای آمیختهی خطی تعمیم یافته و حالت های خاص این مدل ها که برای براورد کوچک ناحیه ای از آن ها استفاده می شود، میپردازیم. هم چنین فرمولهای مربوط به براوردگرهای کوچک ناحیهای و براوردگرهای پارامترهای مدلهای آمیختهی خطی و بهترین پیشگوگر نااریب خطی تجربی و میانگین توانهای دوم خطای مربوط به این پیشگوگر را ارایه میکنیم. سرانجام در یک مطالعه ی کاربردی با استفاده از داده های سرشماری کشاورزی سال 1382، تولید کل محصول پرتقال در شهرستان های استان فارس (کوچک ناحیه ها) در سال 1382 براورد می شود. سپس در یک مطالعه ی شبیه سازی، عمل کرد براوردگرهای فی- هریوت، ترکیبی و مستقیم با هم مقایسه می شوند. یافته ی این مطالعه ی شبیه سازی نشان می دهد که براوردگر فی-هریوت عمل کرد بهتری (از دیدگاه mse) نسبت به براوردگرهای ترکیبی و مستقیم دارد.

آمارگیری نمونه ای معمولا ًبرای ساختن براوردهایی برای جامعه ی هدف و زیرگروه های اصلی از آن طراحی می شوند. براوردهای آمارگیرهای استاندارد برای گروه های اصلی، براوردهای مستقیم یا طرح مبنا نامیده می شوند چون آن ها تنها مبتنی بر داده های آمارگیری و احتمال گزینش نمونه ی مورد نظر از زیرگروه های جامعه هستند. اگر اندازه های نمونه ای در زیرگروه مورد نظر، کوچک (یا حتی صفر) باشد، آن گاه استنباط بر اساس روش های مدل مبنا مشکل ساز می شود. در این شرایط، فن های مدل مبنا برای ساختن براوردهای نامستقیم یا کوچک ناحیه ای بسیار مورد استفاده قرار می گیرند. فن های براورد کوچک ناحیه ای برای افزایش دقّت براوردها، اطّلاعات را از منبع های مختلف با یک دیگر ترکیب می کنند. براوردگرهای نامستقیم بر اساس انواع کوناگونی از مدل های ضمنی و صریح هستند. مسئله ی مهم در براوردهای کوچک ناحیه ای وام گرفتن قدرت از متغیرهای کمکی برای ساختن براوردهای بهتر در سطح کوچک ناحیه است. رده ای از رویکردهای براورد کوچک ناحیه ای که بیشتر در مدل های صریح به کار می رود، مدل های کوچک ناحیه ای نامیده می شود. مدل های کوچک ناحیه ای موجود به دو گروه مدل در سطح ناحیه و مدل در سطح واحد آماری تقسیم می شوند. پژوهش های اخیر که روی براوردهای کوچک ناحیه ای برای براورد پارامتر نسبت تمرکز دارند. مدل های آمیخته ی خطی تعمیم یافته و در میان آن ها مدل رگرسیون لوژستیکی معمولاً به عنوان مدلی برای براورد نسبت کوچک ناحیه ای به کار گرفته اند. برخی رویکردها مانند بهترین پیشگوگر تجربی(eb)، بهترین پیشگوگر نااریب خطی (blup) و بیز سلسله مراتبی (hb) برای استنباط در مورد پارامترهای کوچک ناحیه ای به کار می روند. در این پایان نامه بعد از معرفی انواع براوردگرهای مستقیم و نامستقیم، مدل های ضمنی و صریح، فن های (eb)، (blup) و (hb)، خلاصه ای از انواع مدل های کوچک ناحیه ای را معرفی می کنیم. سپس روی مدل رگرسیون لوژستیکی که برای دادهای دوحالتی به کار می رود، تمرکز کرده، انواع این مدل را که در آن اثرهای تصادفی از توزیع نرمال پیروی نمی کنند را معرفی می کنیم، سپس مدل آمیخته ی لوجیتی چند جمله ای برای براورد ویژگی های اشتغال در کوچک ناحیه ها معرفی می شود. سرانجام به عنوان کاربرد مدل رگرسیون لوژستیکی در این پایان نامه با استفاده از داده های نیروی کار مرکز آمار ایران، نرخ بیکاری در کوچک ناحیه ها برای یک فصل در سال 1389 در سطح استان براورد می شود.

فعالیت های مختلف یک آمارگیری به چهار زمینه ی اصلی تقسیم می شوند ساخت چارچوب نمونه گیری طراحی طرح نمونه گیری انتخاب واحدهای نمونه ای و جلب همکاری آنها و گردآوری داده ا و انتقال آنها به رایانه خطاهایی که ممکن است در هر یک از این مرحله ها رخ دهند عبارت اند از: خطای چارچوب خطای نمونه گیری خطای بی پاسخی و خطای اندازه گیری در این تقسیم بندی خطای چارچوب خطای بی پاسخی و خطای اندازه گیری خطاهای غیرنمونه گیری نامیده می شوند. چنانچه در آمارگیری ها خطاهای غیرنمونه گیری رخ ندهند شرایط آمارگیری شرایطی ایده آل نامیده می شود. وجود شرایط ایده آل در آمارگیری ها تقریبا غیرممکن است یعنی آمارگیری ها فارغ از خطاهای غیرنمونه گیری نیستند. بنابراین از آن جا که شرایط ایده آل در آمارگیری ها وجود ندارد نمی توان از فرمول های کلاسیک برآورد استفاده کرد. در صورت استفاده از این فرمول ها به دلیل وجود خطا آماره ها از اعتبار کافی برخوردار نخواهند بود. در این پایان نامه هدف معرفی شیوه به دست آوردن برآوردهادر حضور خطاهای غیرنمونه گیری می باشد. به دلیل گسترده بودن خطاهای غیرنمونه گیری بررسی تمام آنها در این پایان نامه ممکن نیست بنابراین از بین خطاهای غیرنمونه گیری خطای بی پاسخی و خطای پرسشگر مورد بررسی قرار خواهند گرفت. خطای بی پاسخی هنگامی رخ می دهد که شخص پاسخگو به بخشی یا تمام پرسشنامه پاسخ ندهد. خطای پرسشگر به دلیل عدم دقت پرسشگرها به وجود می آید و باعث تغییر پاسخ می شود. یک یکاربرد از شیوه معرفی شده برای برآورد آماره ها در حضور خطای پرسشگر ارایه خواهد شد که در آن از داده های شبیه سازی شده توسط نرم افزار r استفاده می شود. نتیجه های بدست آمده با استفاده از شیوه معرفی شده با برآوردهای کلاسیک مقایسه خواهند شد نتیجه این مطالعه نشان می دهد که هر چه بار کار پرسشگر بیشتر باشد دقت اماره ها کاسته می شود.

در این پایان نامه یک روش توسیع و یک روش تکراری توسیع برای حل عددی معادلات انتگرال ولترای خطی نوع اول ارائه می شود. این روش ها مبتنی بر استفاده از توابع بلاک پالس و ماتریس عملگری آنها است. با استفاده از روش تکراری توسیع معادلات انتگرال ولترای خطی نوع اول به رابطه ی تکراری تبدیل می شود و در هر تکرار تقریب مقدار تابع جواب را تخمین می زند. همچنین نتایج عددی و مقایسه این روش با بعضی از روش های دیگر طی مثال هایی انجام شده است.

معادلات دیفرانسیل یکی از مهم ترین ابزار های ریاضی است که که مدل سازی مسایل فیزیکی و بیولوژیکی به کار گرفته می شود. در این پایان نامه برخی از روش های عددی موثر را برای حل یک دسته از این معادلات یعنی مسائل مقدار اولیه معادلات دیفرانسیل معمولی در نظر می گیریم.روش های عددی حل معادلات دیفرانسیل را می توان به دو دسته تک گامی و چندگامی تقسیم بندی نمود. پژوهش حاضر در چهار فصل تدوین شده است در ابتدا بحث روش های تک گامی مطرح می شود.برای افزایش دقت روش های چندگامی را که مقادیر قبلی جواب نیز به کار می برد مورد بررسی قرار می دهیم. گرچه با افزایش تعداد گام ها در روش های چندگامی انتظار افزایش دقت در جواب بدست آمده راداریم، اما در عین حال این کار باعث پیچیدگی روش شده و به کار گیری آن مستلزم انجام حجم وسیعی از محاسبات است. یک راهکار برای توسیع ناحیه پایداری و افزایش دقت آن استفاده از روش های چندگامی مبتنی بر مشتقات مراتب بالاتر است. در این پایان نامه روش های چندگامی مبتنی بر مشتق اول و مشتق دوم و ویژگی های آن ها نظیر همگرایی، پایداری را مورد بحث قرار می دهیم.

سازمان های آماری ملی با این مسئله مواجه هستند که چگونه بین انتشار اطلاعات آماری برای استفاده ی کاربران و افشای اطلاعات محرمانه ی واحدهای آماری تعادل برقرار نمایند. سازمان های آماری ملی برای ایجاد این تعادل از روش های کنترل افشای اطلاعات واحدهای آماری استفاده می کنند.

چکیده ندارد.

چکیده ندارد.

هدف از انجام این تحقیق، به دست آوردن براوردهایی کارا برای مقدارهای گمشده، در حضور بی پاسخی دوره با ساختار گمشدگی تصادفی در آمارگیری های پانلی می باشد. به این ترتیب می توان با بررسی دقیق روش های تعدیل بی پاسخی به دنبال یافتن روشی باشیم که علاوه بر آن که برای داده های پانلی مناسب باشد، بتواند تغییر پذیری ناشی از واحدهای نمونه ای و زمان را به خوبی منعکس کند. هم چنین با استفاده از این روش ها موجبات کاهش هزینه ها را فراهم ساخته و براوردهایی مناسب برای مقدارهای گمشده در آمارگیری های پانلی به دست آوریم.

اعتبارسنجی، رتبه بندی اعتباری و امتیاز بندی اعتباری هر سه به مفهوم ارزیابی و سنجش توان بازپرداخت متقاضیان اعتبار و تسهیلات مالی و احتمال عدم بازپرداخت اعتبارات دریافتی از سوی آنها است. بدین منظور بانک ها و موسسات اعتباری از معیارهای خاصی که نشان دهنده عملکرد متقاضی تسهیلات در حال و گذشته باشد، استفاده نموده و امتیاز اعتباری وی را برآورد می نمایند. یکی از این معیارها مدل سازی آماری می باشد. مدل های آماری براساس روش های علمی و با استفاده از مشخصات فردی و تاریخچه اعتباری یک فرد، امتیاز اعتباری او را برآورد می نمایند. روش های متعددی برای ساختن مدل های اعتبارسنجی وجود دارد لیکن مساله اصلی وجود همبستگی بین متغیرهای پیشگو در مدل های فوق می باشد که منجر به بروز همخطی در مدل می شود. در صورتی که متغیرهای پیشگو یک متغیره یا چند متغیره نامتداخل باشند، در صورت معلوم بودن ساختار همبستگی بین آنها از تابع مفصل یا تابع اتصال برای ساختن توزیع توأم چند متغیره استفاده می شود. مفصل های ارشمیدسی خانواده ای از مفصل ها هستند که به دلیل ساختار محاسباتی خاص خود مورد توجه بسیاری از محققین امور مالی و اقتصادی می باشند. پرکاربردترین مفصل های ارشمیدسی عبارت اند از مفصل کلی تون، گامبل و فرانک که ساختار همبستگی بین توزیع های حاشیه ای آنها به وسیله ضریب همستگی رتبه ای تاوکندال بیان می شود.