[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
اطلاعات نشریه::
آرشیو مجله و مقالات::
ثبت نام و اشتراک::
ارسال مقاله::
پایگاه‌های مرتبط::
برای داوران::
اخلاق در پژوهش::
تماس با ما::
تسهیلات پایگاه::
::
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
Google Scholar Metrics

Citation Indices from GS

AllSince 2020
Citations4817
h-index32
i10-index00
..
ثبت شده در

AWT IMAGE


..
نماد اعتماد الکترونیکی
..
آمار نشریه
تعداد دوره های نشریه: 19
تعداد شماره ها: 37
تعداد مشاهده ی مقالات: 3369087
تعداد دریافت (دانلود) مقالات: 874048

مقالات دریافت شده: 861
مقالات پذیرفته شده: 358
مقالات رد شده: 490
مقالات منتشر شده: 355

نرخ پذیرش: 41.58
نرخ رد: 56.91

میانگین دریافت تا پذیرش: 403 روز
میانگین دریافت تا اولین داوری: 5.7 روز
میانگین پذیرش تا انتشار: 514.6 روز
____
..
:: جلد 18، شماره 1 - ( 6-1403 ) ::
جلد 18 شماره 1 صفحات 0-0 برگشت به فهرست نسخه ها
مدل‌سازی میانگین متحرک بر اساس α-شک متغیرهای تصادفی فازی
سمیرا طاهری* ، محمد قاسم اکبری ، غلامرضا حسامیان
چکیده:   (1486 مشاهده)
در این مقاله، بر پایه مفهوم  α-شک متغیر‌های تصادفی فازی به معرفی مدل میانگین متحرک فازی مرتبه q پرداخته می‌شود. در این راستا، ابتدا تعاریف واریانس، کواریانس و ضریب همبستگی بین متغیرهای تصادفی فازی ارائه و خواص آنها بررسی می‌گردد. سپس ضمن معرفی مدل میانگین متحرک فازی مرتبه q‌‌، توابع اتوکواریانس و خودهمبستگی این مدل محاسبه می‌گردد. در انتها، مثال‌هایی برای نتایج بدست آمده ارائه می‌گردد.
واژه‌های کلیدی: α-شک، متغیر تصادفی فازی، کواریانس، خطای فازی، میانگین متحرک فازی
متن کامل [PDF 588 kb]   (518 دریافت)    
نوع مطالعه: كاربردي و توسعه ای | موضوع مقاله: آمار فازی
دریافت: 1402/6/27 | پذیرش: 1403/6/10 | انتشار: 1403/3/15
فهرست منابع
1. A'yun, K., Abadi, A. M. and Saptaningtyas, F. Y. (2015), Application of Weighted Fuzzy Time Series Model to Forecast Trans Jogja's Passengers, International Journal of Applied Physics and Mathematics, 5(2), 76. [DOI:10.17706/ijapm.2015.5.2.76-85]
2. Chen. S.M. (2002), Forecasting Enrollments Based on High-order Fuzzy Time Series, Cybernetics and Systems, 33, 1-16. [DOI:10.1080/019697202753306479]
3. D'Urso, P.and Gastaldi, T.(2002), An Orderwise Polynomial Regression Procedure for Fuzzy Data, Fuzzy Sets and Systems, 130, 1-19. [DOI:10.1016/S0165-0114(02)00055-6]
4. Hesamian, G. and Akbari, M. G. (2022), A Fuzzy Quantile Method for AR Time Series Model Based on Triangular Fuzzy Random Variables, Computational and Applied Mathematics, 41(3), 123. [DOI:10.1007/s40314-022-01826-1]
5. Hesamian, G. and Akbari, M. G. (2018a). A Semiparametric Model for Time Series Based on Fuzzy Data, IEEE Transactions on Fuzzy Systems, 26(5), 2953-2966. [DOI:10.1109/TFUZZ.2018.2791931]
6. Hesamian, G. and Akbari, M. G. (2018b). Fuzzy Absolute Error Distance Measure Based on a Generalised Difference Operation, International Journal of Systems Science, 49(11), 2454-2462. [DOI:10.1080/00207721.2018.1505002]
7. Hesamian, G. R. and Chachi, J. (2015), Two-Sample Kolmogorov-Smirnov Fuzzy Test for Fuzzy Random Variables, Statistical Papers, 56, 61-82. [DOI:10.1007/s00362-013-0566-2]
8. Kruse, R. and Meyer, K. D. (1987), Statistics with Vague Data, Netherlands, Springer. [DOI:10.1007/978-94-009-3943-1]
9. Kwakernaak, H. (1978), Fuzzy Random Variables-I. Definition and Theorem, Information Sciences, 15, 1-29. [DOI:10.1016/0020-0255(78)90019-1]
10. Kwakernaak, H. (1979), Fuzzy Random Variables-II. Algorithms and Examples for the Discrete Case, Information Sciences, 17, 253-278. [DOI:10.1016/0020-0255(79)90020-3]
11. Liu, B. (2013), Uncertainty Theory, Springer Prees, Berlin. [DOI:10.1007/978-3-662-44354-5_2]
12. Puri, M. L. and Ralescu, D. A. (1986), Fuzzy Random Variables, Journal of Mathematical Analysis and Applications, 114, 409-422. [DOI:10.1016/0022-247X(86)90093-4]
13. Song. Q. and Chissom. B. S. (1993), Fuzzy Time Series and its Models, Fuzzy Sets and Systems, 54, 269-277. [DOI:10.1016/0165-0114(93)90372-O]
14. Zadeh, L. A. (1965), Fuzzy Sets, Information Control, 8, 338-356. [DOI:10.1016/S0019-9958(65)90241-X]
15. Zarei, R., Akbari, M. G., and Chachi, J. (2020), Modeling Autoregressive Fuzzy Time Series Data Based on Semi-parametric Methods, Soft Computing, 24, 7295- 7304. [DOI:10.1007/s00500-019-04349-w]
ارسال پیام به نویسنده مسئول

ارسال نظر درباره این مقاله
نام کاربری یا پست الکترونیک شما:

CAPTCHA



XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Taheri S, Akbari M G, Hesamian G. Moving average modeling based on α-value of fuzzy random variables. JSS 2024; 18 (1)
URL: http://jss.irstat.ir/article-1-869-fa.html

طاهری سمیرا، اکبری محمد قاسم، حسامیان غلامرضا. مدل‌سازی میانگین متحرک بر اساس α-شک متغیرهای تصادفی فازی. مجله علوم آماری. 1403; 18 (1)

URL: http://jss.irstat.ir/article-1-869-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
جلد 18، شماره 1 - ( 6-1403 ) برگشت به فهرست نسخه ها
مجله علوم آماری – نشریه علمی پژوهشی انجمن آمار ایران Journal of Statistical Sciences

Persian site map - English site map - Created in 0.06 seconds with 44 queries by YEKTAWEB 4700