نظرا للأهميه الكبيرة التى يلعبها التوزيع الطبيعي المتعدد في كثير من التطبيقات في حياتنا اليومية، وفي بعض الأحيان تواجهنا بيانات في الواقع العملي تكون غير كاملة لسبب او لآخر مثل عدم الدقة في تسجيل البيانات أو الإهمال والغياب أو الحرائق والتلف وغيرها، جاءت فكرة هدا البحث لتسليط بعض الضوء حول هدا الموضوع .ويهدف هدا البحث الى تقديم أسلوب الأرجحية العظمى لتقدير معالم التوزيع الطبيعي الثنائي وذلك في الحالات التى تكون فيها البيانات ناقصة، ونظرا لعدم تطبيق الطريقة المباشرة للتقدير في مثل هذه الحالات فإننا نلجأ الى بعض الطرق التجريبية والتى تعتمد على قيم إبتدائية إفتراضية للمعالم المجهولة والمراد تقديرها من واقع المعلومات المتاحة، وقد يكون من أهم هذه الطرق العددية طريقة نيوتن رافسون المعروفة والتى تعتمد على مصفوفة المعلومات لفيشر وكذلك طريقة تعظيم القيمه المتوقعه (EM) والتى صاغ ملامحها النهائية العالم ديمبستر وزملاءه في العام 1977، وتتميز هذه الطريقة بالسهولة في الإستخدام والدقة وقلة حساسيتها لإختيار القيم الأولية للمعالم المجهولة وجزء من إهتمام هذه الرسالة يتعلق بتطبيق هاتين الطريقتين على مجموعة من البيانات الطبيعية الثنائية المولدة إصطناعيا عن طريق المحاكاة بالحاسوب وهذه البيانات تعمدنا أن تكون ناقصة، الأمر الذي يمكننا من مقارنة أداء كل طريقة والوقوف على ميزاتها وعيوبها وذلك عند إستخدام نفس البيانات و نفس القيم الأاولية للمعالم، أي تهيئة نفس الظروف للطريقتين مما يجعل المقارنة عادلة بينهما تم في هده الدراسة توليد 10 مجموعات مختلفة من البيانات الطبيعية الثنائية حيث تم إستخدام معالم مختلفة في كل مرة، حيث إستخدمنا قيم مختلفة لمعامل الإرتباط الخطي بين المتغيرين، ولتفادي التكرار والإسهاب إقتصرت النتائج في هذا البحث على ثلاثة قيم لمعامل الارتباط الخطي هي 0، 0.5، 0.9 وفي كل مجموعة من البيانات إعتبرنا أن هناك قيما مفقودة حيث تراوح عددها من واحد الى عشرة قيم وذلك للوقوف على تأثير معامل الارتباط وكذلك عدد القيم المفقودة على عملية التقدير وذلك عند إستخدام الطريقتين في التقديرلكي تسهل عملية المفاضلة بينهما تحت نفس الظروف.وخلصت الدراسة الى أن أسلوب تعظيم القيمة المتوقعة (EM) لها الأفضلية المطلقة على طريقة نيوتن رافسون المعدلة حيث أنها أسهل تطبيقا وأكثر دقة ولا تتأثر بالقيم الأولية بنفس درجة طريقة نيوتن رافسون المعدلة. ومن أهم فوائد هذه الطريقة بالإضافة الى تقدير المعالم المجهولة بأفضل الطرق، إمكانية إسترجاع القيم المفقودة لتكوين بيانات كاملة و التى قد تستخدم فيما بعد لأي تحليل أو إستخدام مباشر أو غير مباشر. Abstract The object of this thesis is to introduce a statistical technique, namely, the maximum likelihood estimation procedure to fit an incomplete bivariate normal data using two widely known iterative techniques, the EM and Newton-Raphson iterative procedures. This enable us to investigate a general estimation procedure for the bivariate normal parameters, not for the typical case where all observations are considered to be known but in the case of a missing data, since in practice we often find ourselves confronted with a large number of data sets which are not complete.As an introductory chapter of this thesis, chapter one is designed to include a general introduction as well as a full literature review of previous related studies followed by a definition of the multivariate and the bivariate normal distributions, at the end of this chapter we focus on describing the problem of incomplete data where some items of the data are missing.Chapter two is devoted to review the theoretical background of the thesis which provide aspects and definition of the maximum likelihood methodology and to define the conditional multivariate normal distribution which then to be used when some data are given and some other data are to be considered missing, then to give a review of the iterative EM algorithm and Newton-Raphson method as a general numerical frameworks to provide the maximum likelihood estimation of the bivariate normal distribution in the case of incomplete data. As last chapter of this thesis, chapter three is devoted to the application part of the thesis. The demonstration of the two fitting procedures, the EM and the Modified Newton Raphson methods, is performed with ten different data sets to highlight the many advantages of the procedures when applied to many incomplete data sets each with different correlation value and varying number of missing observations. The final part of this study illustrated the most important conclusions and outlines of possible future work by which this study could be extended.
سميرة ميلود ارحومة (2010)

لهذه الدراسة هدفان مهمان وهما: أولاً: توضيح فكرة بناء الشبكات؛ العصبية المقترحة ثانياً: مقارنة هذه الطرق بالإدراك الجيد لنماذج السلاسل الزمنية (ARIMA) باستعمال المعيار MSE، وهو المعيار الأول لتدريب الشبكة العصبية والثاني لحساب آلية توقعات نماذج الشبكات العصبية. باستخدام بعض الأمثلة الخاصة اتضح أن الإجراءات حول نموذج الشبكات العصبية وجدت بأنها تقدم توقعات أفضل من نماذج السلاسل الزمنية، وأن نماذج الشبكات العصبية قد تستعمل في التنبؤ ببيانات السلاسل الزمنية بتعديل بعض الأوزان التى تعتبر معالم نماذج الشبكات العصبية والتى يمكن أن تقدر خلال عملية تدريب الشبكة، ودقة التوقعات مقدرة بالدالة المناسبة التى تستعمل في عملية تدريب الشبكة. إن مشكلة تنبؤ النماذج شائعة في التحليلات الإحصائية، وفى الغالب الطرق مستعملة للتعامل مع تنبؤ نموذج الانحدار والسلاسل الزمنية بالرغم من أن هذه الطرق قد لاتكون دقيقة في العينات الصغيرة و النتائج المتحصل عليها في هذا البحث حسبت بفصل مجموعة البيانات إلى مجموعتين جزئيتين أو أكثر، استعملنا الجزء الأول لملائمة النموذج والجزء الأخير لبناء التوقع باستخدام المعيار MSE كأداة للمقارنة بين النماذج, وكلما كانت قيمة هذا المعيار صغيرة كان النموذج أفضل. Abstract This study has two objectives. First, presenting artificial neural networks (ANN) second, comparing the proposed method with the well known ARIMA model, the accuracy of the neural network forecasts is compared with the corresponding ARIMA models by using the mean square error (MSE). By using the proposed (MSE) measures the artificial neural networks (ANN) were found deliver a better forecasts than the ARIMA model. A class of artificial neural networks (ANN) may be used in forecasting time series data. It may be used to approximate unknown expectation function of future observation given past values , thus the weights of these ANN can be viewed as parameters, which can be estimated through the network training. Then the model is used for forecasting. The accuracy of the forecasts is evaluated by suitable function. The problem of forecasting model is common in statistical analysis. One of the mostly used approach to deal with forecasting model is regression and time series. Although, approaches may not accurate in small sample. In an effort to forecast daily flow waters to the three important dams such as Ejdabia, Sirt, Benghazi, we will training to a take new tool if forecasting model which known as neural network model. This tool deal with testing data after made as partition of the original series into two sets first is called training set, were used to fit the model, while the second is called testing sets, were used to make forecasting. In this work the MSE is well known as tool for comparing between the models, further more when the MSE is less, the value of this model is a better than other models.
ساميه محمد ميره (2010)

منذ أن قام كل من بوكس وكوكس بكتابة ورقتهما الأصلية خلال سنة 1964والتي عرضت نوع من التحويلات القوة التي تهدف إلى تحويل البيانات التي لا تتبع التوزيع الطبيعي إلى بيانات تتبع التوزيع الطبيعي , هذا النوع من تحويلات القوة كان ذو أهمية كبيرة لدى الباحثين, سواء في البحوث النظرية أو في التطبيقات العملية (BOX and COX 1964) . هذه الورقة تطرقت إالى الموضوعات التالية المتعلقة بتحويلة القوة لبوكس - كوكس: * التعريف بتحويلة القوة لبوكس- كوكس *أستعراض مختصر لبعض الدراسات السابقة حول التحويلة. *شرح لكيفية تقدير معلمة تحويلة القوة لبوكس- كوكس بطريقتين مختلفتين وذلك بالإستعانة بالبرمجة ماتلاب (MATLAB Software) . عرض لبعض طرق الكشف عن مدى نجاح تحويلة القوة لبوكس- كوكس في تحويل البيانات التي لا تتبع إلى بيانات التوزيع الطبيعي.
سعاد محمد احمد البرقاوي, د البهلول عمر شلابي(12-2021)