样本数据的分析是一个复杂的现象。分析的复杂性增加时数据包含极端值影响结果的鲁棒性估计在传统方法。全球极端事件感兴趣的实质性的对社会的影响,鉴于其潜力生态和技术系统。极端的部分样本可以突出的重要性。它可能表现出潜在的风险更大的飓风、洪水、空气污染物浓度高,收入,寿命,极端的大小,和价格冲击,等等。事实上,这是事实,未来灾难的可能性并不是微不足道的。

这样的破坏可能激励研究人员建立,减轻这一风险的一些措施和建议决策者采纳几乎为了防止更大的灾难。解决这个问题的一个解决方案是使用稳健估计方法,如基于有序统计方法,各种机器学习技术,和其他非参数方法。替代的选择提供一个健壮的统计分析框架的存在极端的观察。

这个特殊问题的目标是吸引手稿处理感兴趣的各种参数估计使用稳健估计方法。我们欢迎手稿显示广泛的数学和计算工作的应用程序在不同工程领域的存在极端的观察。最初的研究和评论文章是受欢迎的。

潜在的主题包括但不限于以下:

• 非线性constraints-based参数存在极端的观察
• 标定参数估计不同抽样方案下的极端的观察
• 机器学习的技术参数估计的极端的观察
• 发展的遗传算法在不同约束条件下最优解决方案
• 使用健壮的大数据建模和分析方法
• 的开发和应用不同的接合部函数在线性和非线性多变量数据
• 开发和应用不同的统计方法使用功能统计数据
• 贝叶斯方法的发展和应用极端的观察