ΒΑΣΙΚΑ ΧΑΡΑΚΤΗΡΙΣΤΙΚΑ ΧΡΟΝΟΣΕΙΡΑΣ

Save this PDF as:
 WORD  PNG  TXT  JPG

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "ΒΑΣΙΚΑ ΧΑΡΑΚΤΗΡΙΣΤΙΚΑ ΧΡΟΝΟΣΕΙΡΑΣ"

Transcript

1 ΚΕΦΑΛΑΙΟ ΒΑΣΙΚΑ ΧΑΡΑΚΤΗΡΙΣΤΙΚΑ ΧΡΟΝΟΣΕΙΡΑΣ Στο κεφάλαιο αυτό θα μελετήσουμε κάποια βασικά χαρακτηριστικά των χρονοσειρών μέσα από πραγματικά παραδείγματα. Συγκεκριμένα θα μελετήσουμε στοιχεία μη-στασιμότητας, δηλαδή την τάση και περιοδικότητα (που συμπεριλαμβάνει την εποχικότητα), και πως μπορούμε αυτά να τα εκτιμήσουμε ή και να τα απαλείψουμε. Θα συνδέσουμε την έννοια της στασιμότητας με στοχαστικές διαδικασίες και θα ορίσουμε την αυτοσυσχέτιση και πως εκτιμάται αυτή σε μια δεδομένη χρονοσειρά. Τέλος θα διερευνήσουμε την ύπαρξη συσχέτισης και εξάρτησης σε χρονοσειρές.. Στασιμότητα, μη-στασιμότητα και σταθεροποίηση διασποράς Η ύπαρξη μη-στασιμότητας είναι ένα από τα βασικότερα προβλήματα στην ανάλυση χρονοσειρών και το πρώτο που πρέπει να αντιμετωπιστεί. Ας το δούμε μέσα από ένα πραγματικό παράδειγμα. Σχήμα 5 Πάνω: Η χρονοσειρά ολικής τάσης από πείραμα πλαστικής παραμόρφωσης στο αριστερό σχήμα και ένα τμήμα αυτής στο δεξιό σχήμα (οι κατακόρυφες γραμμές δηλώνουν το τμήμα της χρονοσειράς). Κάτω: η χρονοσειρά των υπολοίπων μετά από προσαρμογή πολυωνύμου πρώτου βαθμού (αριστερά) και πέμπτου βαθμού (δεξιά) στο τμήμα της χρονοσειράς. Στο Σχήμα 5 δίνεται η χρονοσειρά ολικής τάσης όπως μετρήθηκε καθ όλη τη διάρκεια του πειράματος παραμόρφωσης υλικού σε συγκεκριμένες συνθήκες (υλικό,

2 close index close index close index close index θερμοκρασία, σταθερή τάση εφελκυσμού). Είναι φανερό πως η ολική τάση αυξάνει κατά τη διάρκεια του πειράματος. Το ενδιαφέρον στη μελέτη του φαινομένου δεν εστιάζεται στην αύξηση της ολικής τάσης, που είναι αναμενόμενη, αλλά στις διακυμάνσεις της σε μικρά χρονικά διαστήματα που αντιστοιχούν σε αλλαγές στις δομές του υλικού που επιφέρει ο σταθερός εφελκυσμός. Θα θέλαμε λοιπόν να μελετήσουμε την ολική τάση σε κάποιο χρονικό διάστημα, όπως αυτό που παρουσιάζεται στο Σχήμα 5, και σε αυτό να απαλείψουμε την αυξητική τάση που παρουσιάζεται, ώστε να μελετήσουμε τη χρονοσειρά απαλλαγμένη από αυτήν την τάση. Στο συγκεκριμένο παράδειγμα η τάση φαίνεται να μπορεί να παρασταθεί σε ικανοποιητικό βαθμό ως μια απλή γραμμική συνάρτηση του χρόνου ή ίσως και πολυωνυμική συνάρτηση του χρόνου. Η χρονοσειρά απαλλαγμένη από την τάση είναι η χρονοσειρά των υπολοίπων μετά την προσαρμογή της πολυωνυμικής συνάρτησης του χρόνου (δες Σχήμα 5 για πολυώνυμο πρώτου και πέμπτου βαθμού). Γενικά όταν η τάση σε μια χρονοσειρά μπορεί να περιγραφεί από κάποια γνωστή ή εκτιμώμενη συνάρτηση του χρόνου, f (), όπως στο παραπάνω παράδειγμα, ονομάζεται καθοριστική τάση [deerminisic rend]. Μπορεί όμως η τάση σε μια χρονοσειρά να μην είναι δυνατόν να περιγραφεί από μια γνωστή (παραμετρική) συνάρτηση του χρόνου, να παρουσιάζει δηλαδή αργές μεταβολές με το χρόνο αλλά όχι με κάποιο καθοριστικό τρόπο. Αυτή η τάση λέγεται στοχαστική [sochasic rend]. Στα χρηματο-οικονομικά, τυπικά οι διάφοροι δείκτες παρουσιάζουν στοχαστική τάση, όπως ο δείκτης ΧΑΑ που δίνεται στο Σχήμα 6α. 6 () 4 () years years () years years () Σχήμα 6 (α) Η χρονοσειρά του δείκτη κλεισίματος ΧΑΑ την περίοδο //7 3//. (β) Η χρονοσειρά των πρώτων διαφορών του δείκτη στο (α). (γ) Η χρονοσειρά των διαφορών των λογαρίθμων του δείκτη στο (α). (δ) Η χρονοσειρά των σχετικών μεταβολών του δείκτη στο (α). Θεωρούμε το δείκτη κλεισίματος ΧΑΑ τη χρονική στιγμή ως την παρατηρούμενη τυχαία μεταβλητή Y και οι n παρατηρήσεις της Y σε κάποια χρονική περίοδο αποτελούν τη χρονοσειρά y, y,, y n. Για τα δεδομένα στο Σχήμα 6, το μήκος της χρονοσειράς είναι n =6 για την περίοδο //7 ως 3//. Η τιμή ενός δείκτη καθορίζεται από το νόμισμα της αγοράς και για αυτό 3

3 επηρεάζεται από παράγοντες όπως ο πληθωρισμός, η ανάπτυξη ή η ύφεση της οικονομίας, και διακυμάνσεις στην παγκόσμια αγορά. Αυτά τα φαινόμενα δημιουργούν σχετικά αργές τάσεις ή και διακυμάνσεις στο δείκτη Y που ενδεχομένως δε σχετίζονται με το υπό μελέτη σύστημα της χρηματιστηριακή αγοράς. Έτσι αντί η μελέτη να γίνει στη χρονοσειρά του δείκτη Y μπορεί να γίνει σε χρονοσειρά που προκύπτει από μετασχηματισμό του δείκτη Y με σκοπό την απαλοιφή της τάσης ή και της διακύμανσης. Παρακάτω δίνονται τρεις τέτοιοι μετασχηματισμοί:. Ο μετασχηματισμός της μεταβολής των τιμών του δείκτη, που απαλείφει την n τάση στη χρονοσειρά y (δες Σχήμα 6β) x y y. (). Ο μετασχηματισμός της μεταβολής του λογαρίθμου των τιμών του δείκτη, που απαλείφει την τάση και ελαττώνει τις μεγάλες διακυμάνσεις στη n χρονοσειρά y (δες Σχήμα 6γ) x ln y ln y. () 3. Ο μετασχηματισμός της σχετικής μεταβολής των τιμών του δείκτη, που έχει τα ίδια χαρακτηριστικά όπως ο παραπάνω μετασχηματισμός (δες Σχήμα 6δ) x y y. (3) Μπορεί να δειχθεί ότι για μεγάλες διακυμάνσεις της Y οι μετασχηματισμοί της σχέσης () και (3) δίνουν σχεδόν το ίδιο αποτέλεσμα και αναφέρονται και ως αποδόσεις του δείκτη [reurns] (δες Σχήμα 6γ και δ). Στη συνέχεια θα συμβολίζουμε ως y, y,, y n τη τυχόν μη-στάσιμη χρονοσειρά και αντίστοιχα την παρατηρούμενη (τυχαία) μεταβλητή Y και ως x, x,, x n τη στάσιμη χρονοσειρά (ή γενικά τη χρονοσειρά που προκύπτει από κάποιο μετασχηματισμό της y, y,, y n ) και αντίστοιχα τη μεταβλητή X. Ο μετασχηματισμός της μεταβολής του λογαρίθμου των τιμών (ή ισοδύναμα της σχετικής μεταβολής των τιμών) έχει ένα πλεονέκτημα σε σύγκριση με το μετασχηματισμό των πρώτων διαφορών. Ενώ και οι δύο μετασχηματισμοί απαλείφουν αργές μεταβολές της μέσης τιμής, η διαφορά των λογαρίθμων σταθεροποιεί και τη διασπορά, όπως φαίνεται και από τα γραφήματα στο Σχήμα 6. Γενικά παίρνοντας τους λογαρίθμους των τιμών πετυχαίνουμε να μειώσουμε μεγάλες εξάρσεις της χρονοσειράς και τείνει η χρονοσειρά να γίνει κανονική, να έχει δηλαδή Γκαουσιανή περιθώρια κατανομή. Η σταθεροποίηση της διασποράς μπορεί να αντιμετωπισθεί με μαθηματικό παρά εμπειρικό τρόπο (όπως παίρνοντας λογαρίθμους) θεωρώντας πως η διασπορά της χρονοσειράς y, y,, y n αλλάζει ως συνάρτηση της μέσης τιμής μ (που μπορεί να μην είναι σταθερή ως προς το χρόνο ), δηλαδή Var[ Y ] f ( ). Το πρόβλημα της σταθεροποίησης της διασποράς είναι να βρούμε το μετασχηματισμό x = T ( y ) έτσι ώστε Var[ X ] cons κάτω από την υπόθεση Var[ Y ] f ( ). Μια λύση στο πρόβλημα αυτό δίνει ο μετασχηματισμός δύναμης των Box και Cox y 4

4 y x με παράμετρο λ που γενικά θα πρέπει να εκτιμηθεί από τα δεδομένα. Για λ= ο μετασχηματισμός γίνεται x ln( y ) (παίρνοντας το όριο στην παραπάνω σχέση). Για συγκεκριμένες μορφές της συνάρτησης f δίνονται στον Πίνακας ο μετασχηματισμός της χρονοσειράς για τη σταθεροποίηση της διασποράς καθώς και η αντίστοιχη τιμή της παραμέτρου λ του μετασχηματισμού δύναμης (δες επίσης την άσκηση ). λ x Var[Y ] - / y cμ 4.5 / y cμ 3 ln(y ) cμ.5 cμ y Πίνακας Μετασχηματισμοί σταθεροποίησης διασποράς (στήλη ) για συγκεκριμένες συναρτήσεις της διασποράς ως προς την τάση (στήλη 3, c είναι σταθερά) και η αντίστοιχη τιμή της παραμέτρου λ του μετασχηματισμού δύναμης. Σημειώνεται πως ο μετασχηματισμός δύναμης έχει ένα δεύτερο σκοπό συνυφασμένο με τον πρώτο σκοπό της σταθεροποίησης της διασποράς: διορθώνει την περιθώρια κατανομή της χρονοσειράς στην κατεύθυνση της κανονικής (Γκαουσιανής) κατανομής. Η διόρθωση δεν είναι πάντα πετυχημένη, δηλαδή δε μπορεί αυτός ο μετασχηματισμός να μετατρέψει οποιαδήποτε περιθώρια κατανομή σε κανονική. Παράδειγμα Η χρονοσειρά του δείκτη Aurora Elecroje (AE) στο Σχήμα φαίνεται να παρουσιάζει εξάρσεις, δηλαδή να έχει ασταθή διασπορά. Πράγματι η περιθώρια κατανομή της είναι λοξή με μακριά δεξιά ούρα που αντιστοιχεί στις εξάρσεις, όπως φαίνεται στο Σχήμα 7β. Εφαρμόζοντας το μετασχηματισμό του λογαρίθμου παρατηρούμε πως οι εξάρσεις έχουν μειωθεί και γενικά η περιθώρια κατανομή της μετασχηματισμένης χρονοσειράς έγινε πιο συμμετρική (δες Σχήμα 7γ και δ). Η περιθώρια κατανομή της όμως δε μπορούμε να πούμε πως είναι Γκαουσιανή καθώς παρουσιάζει σημαντικές αποκλίσεις. Μπορεί κάποιος εύκολα να διαπιστώσει πως κανένας από τους άλλους μετασχηματισμούς στον Πίνακας δεν καταφέρνει να προσεγγίσει καλύτερα την Γκαουσιανή κατανομή. Σημειώνεται πως ο πιο κατάλληλος μετασχηματισμός για να πετύχουμε η περιθώρια κατανομή να είναι ακριβώς Γκαουσιανή είναι Y x F ( y ) όπου F ( y ) είναι η περιθώρια αθροιστική κατανομή της αρχικής χρονοσειράς και Y ( u ) είναι η αντίστροφη αθροιστική συνάρτηση της τυπικής Γκαουσιανής κατανομής (πρόσεξε πως η τιμή u είναι για τυχαία μεταβλητή U ~ U [,], δηλαδή ομοιόμορφη κατανομή στο [,], που μπορεί να είναι είτε η F ( y ), ή η ( x), η Y οποιαδήποτε αθροιστική κατανομή). 5

5 log(ae index) f Y (y) AE index f X (x) 5 () 5 x -3 () y normal ime [ min] () x () x=log(y) normal ime [ min] 5 y Σχήμα 7 Σταθεροποίηση διασποράς της χρονοσειράς του δείκτη μαγνητόσφαιρας ΑΕ: (α) το γράφημα της αρχικής χρονοσειράς και (β) το γράφημα της περιθώριας κατανομής της (επίσης στο σχήμα δίνεται το γράφημα της κανονικής κατανομή), (γ) το γράφημα της χρονοσειράς που προκύπτει από το μετασχηματισμό του λογαρίθμου και (δ) το γράφημα της περιθώρια κατανομής της καθώς και της κανονικής κατανομής.. Κατανομές και ροπές στοχαστικής διαδικασίας Η ακολουθία των τυχαίων μεταβλητών Y για κάθε χρονική στιγμή ορίζει τη στοχαστική διαδικασία Y (και αντίστοιχα για τη X και X ). Θα αναφερόμαστε στη στοχαστική διαδικασία και ως χρονοσειρά εννοώντας την άγνωστη ακολουθία των τυχαίων μεταβλητών και όχι τις παρατηρήσεις. Η χρονική διάταξη των μεταβλητών με το χρόνο σε μια στοχαστική διαδικασία είναι αυτή που υποδηλώνει την ανάγκη της δυναμικής και όχι μόνο στατικής περιγραφής, δηλαδή της συσχέτισης μεταξύ των στοιχείων της στοχαστικής διαδικασίας. Η πλήρης περιγραφή μιας στοχαστικής διαδικασίας Y απαιτεί ότι οι κοινές κατανομές [join disribuions] όλων των τάξεων (για οποιοδήποτε σύνολο μεταβλητών της στοχαστικής διαδικασίας) είναι γνωστές για κάθε χρονική στιγμή. Η κατανομή τάξης ένα αντιστοιχεί στη στατική περιγραφή της στοχαστικής διαδικασίας και είναι η (περιθώρια) κατανομή της Y Z, f ( y ) f ( y, ), δηλαδή ορίζεται ως συνάρτηση όχι μόνο της κάθε τιμής y αλλά και του χρόνου. Κατά τον ίδιο τρόπο η κοινή κατανομή δύο μεταβλητών της Y ) είναι, Z, Y Y, Y Y Y f ( y, y ) f ( y, y,, ), η κοινή κατανομή τριών μεταβλητών (κατανομή τάξης 3) είναι (κατανομή τάξης 6

6 ,, Z, 3 f ( y, y, y ) f ( y, y, y,,, ) Y, Y, Y Y 3 και αντίστοιχα ορίζονται οι κατανομές μεγαλύτερων τάξεων. Αντίστοιχα με τις κατανομές ορίζονται και οι ροπές της στοχαστικής διαδικασίας, δηλαδή ως συναρτήσεις του χρόνου. Η μέση τιμή (ροπή πρώτης τάξης) είναι Η ροπή δεύτερης τάξης είναι Z, Y yf ( y, )dy. Y, Z, (, ) Y Y y y f ( y, y,, )dy dy Y και η κεντρική ροπή δεύτερης τάξης που ονομάζεται αυτοδιασπορά [auocovariance] είναι (, ) ( Y )( Y ) Y Y (, ). Για ορίζεται η διασπορά ( Y ) Y. Αντίστοιχα ορίζονται οι ροπές και οι κεντρικές ροπές μεγαλύτερης τάξης για δύο μεταβλητές και οι ροπές γενικεύονται για περισσότερες μεταβλητές. Σημειώνεται ότι από τις ροπές για κάθε τάξη για δύο ή περισσότερες μεταβλητές μπορεί να οριστεί η αντίστοιχη κοινή κατανομή. Σε αυτήν τη γενική περιγραφή της στοχαστικής διαδικασίας οι κατανομές και οι ροπές είναι συναρτήσεις των χρονικών στιγμών, δηλαδή μπορούν να μεταβάλλονται με το χρόνο..3 Στάσιμη στοχαστική διαδικασία και αυτοσυσχέτιση Η στατιστική περιγραφή της στοχαστικής διαδικασίας απλουστεύεται αν θεωρήσουμε ότι οι στατιστικές της ιδιότητες παραμένουν σταθερές στο χρόνο και τότε η στοχαστική διαδικασία ορίζεται ως στάσιμη. Αυτή είναι μα υπόθεση που δύσκολα μπορεί να υιοθετηθεί σε πολλά πραγματικά προβλήματα, αλλά μπορεί να χρησιμοποιηθεί ως υπόθεση εργασίας για την εξαγωγή χρήσιμων συμπερασμάτων. Ειδικότερα ορίζονται δύο μορφές στασιμότητας. Η στοχαστική διαδικασία Y είναι αυστηρά στάσιμη [sric-sense saionary] όταν οι κατανομές της για κάθε τάξη (ή ισοδύναμα όλες οι ροπές) είναι σταθερές στo χρόνο, δηλαδή όταν ισχύει Z, f ( y ) f ( y, ) f ( y ),, Z,,, Z, 3 Y Y Y f ( y, y ) f ( y, y ), Y, Y, Y Y f ( y, y, y ) f ( y, y, y ), Y, Y, Y 3,, 3 Y 3 Y Y και αντίστοιχα για κατανομές μεγαλύτερης τάξης. Για ροπές τάξης μεγαλύτερης του ένα, οι κατανομές δίνονται ως συνάρτηση όχι των χρονικών στιγμών, π.χ.,, αλλά της υστέρησης μεταξύ των χρονικών στιγμών, π.χ., δηλαδή για οποιεσδήποτε δύο χρονικές στιγμές που απέχουν μεταξύ τους τ χρονικά βήματα. Ο έλεγχος της αυστηρής στασιμότητας απαιτεί τη διερεύνηση κοινών κατανομών ή ροπών όλων των τάξεων και δεν αποτελεί μια πρακτικά χρήσιμη ιδιότητα. Για αυτό συχνά χαλαρώνουμε τη συνθήκη στασιμότητας περιορίζοντας την στις δύο πρώτες ροπές. 7

7 Η στοχαστική διαδικασία ή χρονοσειρά Y είναι ασθενής στάσιμη [weak ή wide-sense saionary] όταν οι ροπές πρώτης και δεύτερης τάξης είναι σταθερές στo χρόνο, δηλαδή α) η μέση τιμή είναι σταθερή : Z, Y, β) η αυτοδιασπορά ορίζεται μόνο ως προς την υστέρηση και όχι τις χρονικές στιγμές:, Z, (, ) (, ) ( ). (Το σύμβολο δηλώνει ισοδυναμία στο συμβολισμό. Θα χρησιμοποιούμε και τους δύο συμβολισμούς της αυτοδιασποράς). Το β) προκύπτει από τη συνθήκη ότι η δεύτερη ροπή είναι σταθερή, δηλαδή ισχύει Y Y Y, Y (, ) ( ). Από τις συνθήκες α) και β) προκύπτει ότι η διασπορά είναι επίσης σταθερή. Πράγματι για Y, ισχύει () Y () Y. Y () και άρα Στην πράξη, η συνθήκη ασθενούς στασιμότητας ερμηνεύεται συχνά ως σταθερή μέση τιμή και διασπορά (απλή ροπή δεύτερης τάξης), που δεν είναι σωστό αφού η συνθήκη αναφέρεται στην κοινή ροπή δεύτερης τάξης (αυτοδιασπορά). Για τη μελέτη συσχετίσεων σε στάσιμες χρονοσειρές χρησιμοποιείται η αυτοσυσχέτιση, που είναι η κανονικοποίηση της αυτοδιασποράς με την διασπορά. Θεωρούμε την (ασθενώς) στάσιμη στοχαστική διαδικασία (ή χρονοσειρά) X. Η αυτοσυσχέτιση [auocorrelaion] για υστέρηση τ ορίζεται ως ( ) ( ). () Η αυτοσυσχέτιση μετράει τη συσχέτιση μεταβλητών της X που βρίσκονται σε χρονική υστέρηση τ και είναι ένα χρήσιμο μέτρο της «μνήμης» της στοχαστικής διαδικασίας. Μπορεί να δειχθεί πως και άρα για κάθε υστέρηση τ. Επίσης η αυτοδιασπορά και η αυτοσυσχέτιση είναι άρτιες συναρτήσεις της υστέρησης τ, ισχύει δηλαδή και. Παράδειγμα Υποθέτουμε την στοχαστική διαδικασία X A sin( ), όπου Α είναι τυχαία μεταβλητή με μέση τιμή και διασπορά, θ είναι τυχαία μεταβλητή που ακολουθεί ομοιόμορφη κατανομή στο διάστημα [-π,π], ~ U [, ], και τα θ και Α είναι ανεξάρτητα μεταξύ τους. Σημειώνεται ότι οι μεταβλητές θ και Α είναι σταθερές ως προς το χρόνο, αλλά είναι τυχαίες ως προς τις πραγματοποιήσεις (αλλάζουν δηλαδή σε κάθε πραγματοποίηση της στοχαστικής διαδικασίας). Θέλουμε να διερευνήσουμε αν η στοχαστική διαδικασίας είναι (ασθενώς) στάσιμη. H μέση τιμή και αυτοδιασπορά της είναι: E[ X ] E[ A]E[sin( )], E[ X X ] E A sin( ) sin( ( ) )... cos( ), 8

8 (όπου οι "τελίτσες" σημαίνουν πως το αποτέλεσμα προκύπτει ύστερα από πράξεις) δηλαδή οι ροπές πρώτης και δεύτερης τάξης δεν εξαρτώνται από το χρόνο και άρα η στοχαστική διαδικασία είναι στάσιμη..4 Κάποιες βασικές στοχαστικές διαδικασίες.4. Ανεξάρτητες και ισόνομες τυχαίες μεταβλητές Μια απλή υπόθεση για τη χρονοσειρά X είναι ότι αποτελείται από ανεξάρτητες τυχαίες μεταβλητές αλλά που όλες ακολουθούν την ίδια κατανομή, και λέγεται χρονοσειρά ανεξάρτητων και ισόνομων τυχαίων μεταβλητών [independen and idenically disribued, iid]. Μαθηματικά η iid ορίζεται από την ανεξαρτησία για οποιοδήποτε σύνολο n μεταβλητών X, X,, X της n X, δηλαδή ισχύει P( X x, X x,, X x ) P( X x ) P ( X x ) P ( X x ), n n n n όπου P δηλώνει πιθανότητα, τα κεφαλαία γράμματα τις τυχαίες μεταβλητές και τα μικρά τυχαίες τιμές του πεδίου τιμών της χρονοσειράς. Μια iid χρονοσειρά είναι εντελώς τυχαία και δεν περιέχει αυτοσυσχετίσεις (γραμμικές ή μη-γραμμικές), δηλαδή συσχετίσεις μεταξύ στοιχείων της χρονοσειράς. Η ανεξαρτησία σε μια χρονοσειρά δηλώνει πως δεν υπάρχει καμιά πληροφορία να αντλήσουμε από τη μελέτη της και η πραγματοποίηση της αποτελείται από τυχαίες τιμές και η μόνη περιγραφή που μπορούμε είναι στατική και περιορίζεται στην περιθώρια κατανομή της..4. Λευκός θόρυβος Είναι γνωστό πως η μηδενική συσχέτιση δύο τυχαίων μεταβλητών δε σημαίνει πως και ανεξαρτησία τους. Κατά τον ίδιο τρόπο μια χρονοσειρά μπορεί να μην έχει γραμμικές συσχετίσεις αλλά τα στοιχεία της να μην είναι ανεξάρτητα, δηλαδή να μην είναι iid. Μια τέτοια χρονοσειρά θα την ονομάζουμε λευκό θόρυβο [whie noise] και θα την συμβολίζουμε W N, X λευκός θόρυβος ορίζεται από τη σχέση τυχαίες μεταβλητές της χρονοσειράς X. με μέση τιμή και διασπορά E X X i j ij X w. Μαθηματικά ο για οποιεσδήποτε δύο Σημειώνεται πως στη βιβλιογραφία δεν υπάρχει συμφωνία στην έννοια του όρου "λευκός θόρυβος". Σε κάποια συγγράμματα (κυρίως στατιστικής), όπως εδώ, ο όρος "λευκός θόρυβος" χρησιμοποιείται για χρονοσειρές ασυσχέτιστες αλλά όχι ανεξάρτητες, ενώ σε άλλα συγγράμματα (κυρίως φυσικής, μηχανικής) ταυτίζεται με τον όρο iid. Αν επιπλέον τα στοιχεία της χρονοσειράς λευκού θορύβου ακολουθούν κανονική (Γκαουσιανή) κατανομή (είναι η γνωστή κατανομή Gauss με συνάρτηση πυκνότητας πιθανότητας σε σχήμα καμπάνας), τότε η χρονοσειρά λέγεται Γκαουσιανός λευκός θόρυβος [Gaussian whie noise]. Ο Γκαουσιανός λευκός θόρυβος ταυτίζεται με iid με Γκαουσιανή κατανομή αφού η κοινή Γκαουσιανή κατανομή ορίζεται μόνο από τις δύο πρώτες ροπές και μηδενική συσχέτιση συνεπάγεται ανεξαρτησία..4.3 Γκαουσιανή στοχαστική διαδικασία Η πιο απλή στοχαστική διαδικασία με συσχετίσεις είναι η Γκαουσιανή στοχαστική διαδικασία ή χρονοσειρά. Για κάθε τάξη n η κοινή κατανομή 9

9 f ( x, x,, x ) X, X,, X n n της Γκαουσιανής χρονοσειράς είναι n-διάστατη Γκαουσιανή κατανομή. Για μια Γκαουσιανή χρονοσειρά η έννοια της ασθενής και αυστηρής στασιμότητας ταυτίζονται αφού η Γκαουσιανή κατανομή ορίζεται μόνο από τις δύο πρώτες ροπές..4.4 Τυχαίος περίπατος Ο τυχαίος περίπατος [random walk] είναι μια μη-στάσιμη χρονοσειρά Y, όπου η κάθε τυχαία μεταβλητή Y για χρόνο προκύπτει όταν στην προηγούμενη τυχαία μεταβλητή Y προστεθεί ένα τυχαίο βήμα, δηλαδή iid τυχαία μεταβλητή Y Y X X,. (4) Το όνομα υποδηλώνει ακριβώς ότι η χρονοσειρά παράγεται από την κίνηση κάποιου (μεθυσμένου?) πάνω σε μια ευθεία γραμμή (στο ), που σε κάθε χρονική στιγμή κάνει ένα τυχαίο βήμα μπρος ή πίσω ( X ) από το σημείο που βρίσκεται ( Y ) στο επόμενο ( Y ). Σημειώνεται ότι αρχίζοντας από κάποια τιμή X (για ) και αντικαθιστώντας επαναληπτικά τον ορισμό (4) του τυχαίου περιπάτου για χρόνους ως ο ορισμός του τυχαίου περιπάτου μπορεί να γραφεί ως Y X, (5) k δηλαδή ως άθροισμα όλων των τυχαίων βημάτων ως τη στιγμή. Από τη σχέση (5) είναι φανερό πως η μέση τιμή του τυχαίου περιπάτου είναι EY και η διασπορά του είναι E Y Y. Το τελευταίο αποτέλεσμα δηλώνει πως η διασπορά του X τυχαίου περιπάτου είναι ανάλογη του χρόνου, γεγονός που αποδεικνύει ότι η χρονοσειρά του τυχαίου περιπάτου είναι μη-στάσιμη. Αντίστροφα, αν πάρουμε τις πρώτες διαφορές της Y προκύπτει η στάσιμη iid χρονοσειρά X. Στη χρηματο-οικονομία ο τυχαίος περίπατος αποτελεί συχνή υπόθεση για παρατηρούμενους δείκτες και χαρακτηρίζει την λεγόμενη αποτελεσματική αγορά, δηλαδή όταν όλες οι διαθέσιμες πληροφορίες επεξεργάζονται στιγμιαία με την εισαγωγή τους στην αγορά και αντανακλούν αμέσως σε νέες τιμές των συναλλασσόμενων προϊόντων. Ένα τυπικό διάγραμμα ιστορίας τυχαίου περιπάτου είναι αυτό στο Σχήμα 6α του γενικού δείκτη ΧΑΑ (κάτω από την υπόθεση ότι η χρηματιστηριακή αγορά της Ελλάδας για την περίοδο που αναφέρεται η χρονοσειρά είναι αποτελεσματική)..5 Εκτίμηση αυτοσυσχέτισης Θεωρούμε πως έχουμε μια πραγματοποίηση x,, x n της στοχαστικής διαδικασίας X. Σημειώνεται ότι η λέξη χρονοσειρά χρησιμοποιείται (θεωρητικά) για τη στοχαστική διαδικασία ή (πρακτικά) για την πραγματοποίηση της, δηλαδή το σύνολο των παρατηρήσεων. k

10 Μπορεί να δειχθεί πως η εκτίμηση της μέσης τιμής μ της X από τις n x παρατηρήσεις x,, x n με το γνωστό μέσο όρο x είναι αμερόληπτη. n Δηλαδή η υπόθεση της ανεξαρτησίας των παρατηρήσεων στο δείγμα δεν είναι απαραίτητη για την αμερόληπτη εκτίμηση της μέσης τιμής (η χρονοσειρά μπορεί να έχει συσχετίσεις). Η εκτίμηση της αυτοδιασποράς δίνεται ως c c( ) ˆ ( ) ( x x x ),,,, n n και για τ= η διασπορά δίνεται ως n (6) s c() () ( x x ). (7) n X X n Παρατηρούμε πως η εκτίμηση της αυτοδιασποράς και διασποράς στις σχέσεις (6) και n (7) είναι μεροληπτική και η μεροληψία είναι E[ c ] V ar[ x], και n n είναι συνάρτηση της ίδιας της αυτοδιασποράς καθώς και της υστέρησης τ. Η μεροληψία μειώνεται θεωρώντας την εκτίμηση c c x x x n ( ) ( ) (8) n και τότε η μεροληψία είναι E[ c ] Var[ x]. Για μεγάλο n, η μεροληψία και των δύο εκτιμήσεων της αυτοδιασποράς τείνουν προς τη διασπορά της εκτίμησης της μέσης τιμής (που επίσης τείνει στο μηδέν). Αντίστοιχα, η εκτίμηση της αυτοσυσχέτισης είναι r c( ) c( ) r( ) ˆ ( ) (9) c() sx Για τ= είναι r()=r τ =. Για μεγάλο n, μπορεί να δειχθεί πως ο εκτιμητής r τ ακολουθεί Γκαουσιανή κατανομή r N (, Var[ r ]), όπου η διασπορά του δίνεται από τον λεγόμενο τύπο του Barle Var[ r ] ( 4 ). m m m m m m n m Για πολύ μεγάλο n ο παραπάνω τύπος απλοποιείται ως V ar[ r ] m n. m Η παραπάνω προσέγγιση για τη διασπορά της δειγματικής αυτοσυσχέτισης r τ μας επιτρέπει να σχεδιάσουμε όρια σημαντικότητας της αυτοσυσχέτισης ως εξής. Για παρατηρούμενη χρονοσειρά λευκού θορύβου, δηλαδή ασυσχέτιστες παρατηρήσεις, θεωρητικά έχουμε,. Για μεγάλο n, σύμφωνα με την παραπάνω προσέγγιση της διασποράς του r τ, η δειγματική αυτοσυσχέτιση θα ακολουθεί κανονική κατανομή r N (, / n). Η κατανομή του r τ για λευκό θόρυβο μας επιτρέπει να σχεδιάσουμε (παραμετρικό) έλεγχο σημαντικότητας για την αυτοσυσχέτιση, δηλαδή H : και H :. Θεωρώντας ως στατιστικό ελέγχου το r τ, η απορριπτική περιοχή είναι

11 r R r z / n / για στάθμη σημαντικότητας α. Πρακτικά λοιπόν ορίζουμε ως σημαντική αυτοσυσχέτιση για κάποια υστέρηση τ, όταν η δειγματική αυτοσυσχέτιση r τ είναι έξω από το όριο z / n, που για / α=.5 το όριο προσεγγιστικά είναι / n. Παράδειγμα Για μια χρονοσειρά παρατηρήσεων δίνονται οι πρώτες δειγματικές αυτοσυσχετίσεις Αν υποθέσουμε πως η χρονοσειρά είναι λευκός θόρυβος ( H : ) θα πρέπει V ar[ r ].5. Για α=.5, το 95% των δειγματικών αυτοσυσχετίσεων αναμένουμε να βρίσκεται στο διάστημα Παρατηρούμε πως μόνο οι δύο πρώτες αυτοσυσχετίσεις είναι εκτός του ορίου σημαντικότητας και απορρίπτεται η υπόθεση πως δεν είναι σημαντικές. Μια τέτοια λοιπόν χρονοσειρά δε μπορεί να υποτεθεί ότι προέρχεται από στοχαστική διαδικασία λευκού θορύβου δηλαδή ότι είναι ακολουθία ασυσχέτιστων τυχαίων μεταβλητών..6 Μετασχηματισμός μη-στάσιμης σε στάσιμη χρονοσειρά Επιστρέφουμε στο πρόβλημα της μη-στασιμότητας για να το μελετήσουμε πιο μεθοδικά. Υπάρχουν στατιστικοί έλεγχοι για να διερευνήσουμε τη στασιμότητα σε μια χρονοσειρά y, y,, y n αλλά δε θα μας απασχολήσουν εδώ. Θα δούμε όμως κάποιους βασικούς μετασχηματισμούς που εφαρμόζουμε σε μια φανερά μη-στάσιμη χρονοσειρά για να την κάνουμε στάσιμη και να προχωρήσουμε με την ανάλυση της μετασχηματισμένης χρονοσειράς. Γενικά η απαλοιφή της τάσης ή της εποχικότητας (γενικά περιοδικότητας) γίνεται όταν δε μας ενδιαφέρει να μελετήσουμε τις μεταβολές στη χρονοσειρά που οφείλονται σε τάσεις ή περιοδικότητα γιατί θεωρούμε ότι δημιουργούνται από άλλους παράγοντες που δε σχετίζονται με το σύστημα που θέλουμε να διερευνήσουμε ή περιγράψουμε. Για προβλέψεις, είτε συμπεριλαμβάνουμε την τάση και περιοδικότητα στο μοντέλο πρόβλεψης, είτε εκτιμούμε το μοντέλο στη χρονοσειρά που προκύπτει αφαιρώντας την τάση ή περιοδικότητα και στις προβλέψεις του μοντέλου αυτού προσθέτουμε την τάση και περιοδικότητα για να πάρουμε την πρόβλεψη του παρατηρούμενου μεγέθους. Αντίθετα, σε κάποιες εφαρμογές μπορεί η πληροφορία που θέλουμε να αντλήσουμε από τη χρονοσειρά να είναι ακριβώς η τάση ή η περιοδικότητα (ή και τα δύο). Τότε η ανάλυση της χρονοσειράς περιορίζεται στην εκτίμηση της τάσης ή της περιοδικότητας και θεωρεί την υπόλοιπη πληροφορία στις παρατηρήσεις χωρίς καμιά σημασία ή τυχαία. Συνοψίζοντας, μια χρονοσειρά { } y μπορεί σε κάθε χρονική στιγμή να αναλυθεί στις συνιστώσες τάσης και περιοδικότητας, δηλαδή για τη μεταβλητή Y θεωρούμε το μοντέλο a

12 όπου Y s X, () είναι η τάση ως συνάρτηση του χρόνου, δηλαδή το αργά μεταβαλλόμενο μέσο επίπεδο τιμών της Y, s είναι η συνιστώσα εποχικότητας ή περιοδικότητας για κάποια περίοδο d και ισχύει s s d και X είναι το υπόλοιπο, που συγκεντρώνει την πληροφορία (αν υπάρχει) για τη δυναμική του συστήματος απαλλαγμένο από τάση και περιοδικότητα. [Σε πολλά βιβλία θεωρούν την εποχικότητα και περιοδικότητα ως δύο διαφορετικές συνιστώσες, η πρώτη με γνωστή περίοδο (μέρα, μήνας, εποχή) ενώ για τη δεύτερη η περίοδος πρέπει να εκτιμηθεί.].6. Απαλοιφή της τάσης Αρχικά θα υποθέσουμε πως η μη-στασιμότητα της χρονοσειράς οφείλεται αποκλειστικά στην ύπαρξη τάσης, δηλαδή θεωρούμε ότι η Y δίνεται ως Y X. Στην Ενότητα. έγινε μια πρώτη εισαγωγή στην ύπαρξη καθοριστικής ή στοχαστικής τάσης σε χρονοσειρά. Την καθοριστική τάση που φαίνεται να υπάρχει στη χρονοσειρά της ολικής τάσης στο πείραμα πλαστικής παραμόρφωσης (δες Σχήμα 5) την εκτιμήσαμε με πολυώνυμο πρώτου και πέμπτου βαθμού, ενώ τη στοχαστική τάση στη χρονοσειρά του γενικού δείκτη ΧΑΑ (δες Σχήμα 6) την απαλείψαμε παίρνοντας πρώτες διαφορές, ή διαφορές των λογαρίθμων των τιμών (για να σταθεροποιήσουμε και τη διασπορά των τιμών). Γενικά αν η τάση στη χρονοσειρά είναι καθοριστική μπορούμε να την εκτιμήσουμε και στη συνέχεια να την απαλείψουμε [derend] με κάποια παραμετρική συνάρτηση f() του χρόνου, όπως με πολυώνυμο κάποιου βαθμού p p f () a a a. Όταν η τάση όμως δε φαίνεται να είναι κάποια γνωστή συνάρτηση του χρόνου, η προσαρμογή μιας συνάρτησης του χρόνου σε όλη τη χρονοσειρά δεν είναι κατάλληλη. Σε αυτήν την περίπτωση θα πάρουμε καλύτερα αποτελέσματα αν προσαρμόσουμε τη συνάρτηση f() τοπικά σε συνεχόμενα τμήματα της χρονοσειράς. Για τη χρονοσειρά του γενικού δείκτη ΧΑΑ δίνεται στο Σχήμα 8α η προσέγγιση της τάσης με πολυώνυμο βαθμού 5, καθώς και με τμηματικά γραμμική συνάρτηση του χρόνου χρησιμοποιώντας σημεία τεμαχισμού [breakpoins]. Παρατηρούμε πως το σφαιρικό πολυώνυμο δεν προσαρμόζεται καλά στη χρονοσειρά του δείκτη ΧΑΑ και η χρονοσειρά των υπολοίπων συνεχίζει να παρουσιάζει τάσεις (δες Σχήμα 8β). Η χρήση του τμηματικά γραμμικού πολυωνύμου βελτιώνει την προσαρμογή, αλλά η χρονοσειρά των υπολοίπων συνεχίζει να παρουσιάζει αργές μεταβολές, λιγότερο από αυτές που παίρνουμε με την προσαρμογή του πολυωνύμου, που μπορούν όμως να χαρακτηριστούν ως τάσεις. p 3

13 close index close index close index close index 6 4 () orig local linear, breakpoins polynomial,p=5 5 () local linear, breakpoins polynomial,p= years () orig MA(3) MA(5) years years () MA(3) MA(5) years Σχήμα 8 (α) Προσαρμογή πολυωνύμου βαθμού και τοπικού πολυωνύμου πρώτου βαθμού χρησιμοποιώντας σημεία τεμαχισμού στη χρονοσειρά του γενικού δείκτη ΧΑΑ την περίοδο, με συμβολισμούς γραμμών όπως δίνονται στο ένθετο. (β) Οι χρονοσειρές των υπολοίπων από τις προσαρμογές των πολυωνύμων στο (α). (γ) Όπως στο (α) αλλά η προσαρμογή γίνεται με μοντέλα κινούμενου μέσου τάξης 3 και 5. (δ) Οι χρονοσειρές των υπολοίπων από τις προσαρμογές των μοντέλων κινούμενου μέσου στο (γ). Όπως αναφέραμε στην Ενότητα. όταν η τάση είναι στοχαστική μπορεί να απαλειφθεί (και όχι να εκτιμηθεί!) παίρνοντας τις πρώτες διαφορές. Ο μετασχηματισμός αυτός είναι X Y Y Y ( B ) Y, () όπου δηλώνει τον τελεστή της διαφοράς πρώτης τάξης και Β είναι ο τελεστής υστέρησης [lag operaor]. Αν η χρονοσειρά δε γίνει στάσιμη μπορούμε να πάρουμε πάλι πρώτες διαφορές και αυτός είναι ο μετασχηματισμός διαφορών δεύτερης τάξης [second differences] ( ) ( )( ) ( ) X Y Y B B Y B B Y Y Y Y. Γενικά στην πράξη χρησιμοποιούμε συνήθως διαφορές τάξης ένα (πρώτες διαφορές) γιατί στις περισσότερες περιπτώσεις οι τοπικές τάσεις μπορεί να προσεγγιστούν ικανοποιητικά από γραμμικά πολυώνυμα. Πράγματι αν η τάση είναι τοπικά γραμμική, δηλαδή είναι a a, απαλείφεται με τις πρώτες διαφορές. Ο μετασχηματισμός των πρώτων διαφορών δίνει όπου η τάση στη νέα χρονοσειρά είναι Y Y Y X X ( ) a a a a a, δηλαδή σταθερή ως προς το χρόνο και άρα έχει απαλειφθεί. Γενικά αν η τάση εκφράζεται τοπικά με πολυώνυμο βαθμού p, απαλείφεται με χρήση διαφορών τάξης p p,. Μάλιστα μπορεί να δειχθεί πως Y p! c X. p Y Για το παράδειγμα του γενικού δείκτη ΧΑΑ ο μετασχηματισμός των πρώτων διαφορών είναι ικανοποιητικός καθώς η νέα χρονοσειρά παρουσιάζει μόνο διακυμάνσεις γύρω από το μηδέν (δες Σχήμα 6β). 4

14 Ένας τρίτος τρόπος απαλοιφής της τάσης είναι με τη χρήση φίλτρου κινούμενου μέσου όρου τάξης q [moving average (MA) filer]. Για κάθε χρονική στιγμή, q n q, το στοιχείο της τάσης της χρονοσειράς y, y,, y n εκτιμάται από τον τοπικό μέσο των παρατηρήσεων στο διάστημα q, q δηλαδή ˆ q j j p q y. () Η τιμές { ˆ, ˆ,, ˆ } αφαιρούνται από τις αντίστοιχες αρχικές q q n q παρατηρήσεις και η χρονοσειρά { x, x,, x } που προκύπτει είναι q q n q απαλλαγμένη από τάσεις. Οι πρώτες και οι τελευταίες παρατηρήσεις παραλείπονται ή θέτονται ίσες με τις αρχικές. Γενικά μπορεί ο κινούμενος μέσος να είναι σταθμισμένος, q. ˆ a y, a j j j j q j q Είναι φανερό πως ο απλός κινούμενος μέσος προκύπτει από την παραπάνω έκφραση για συντελεστές στάθμισης a, j q,, q. j q Αν η τάξη του κινούμενου μέσου είναι άρτιος αριθμός q, μπορεί να ορισθεί όπως στη σχέση () αλλά με στάθμιση.5 στις ακραίες τιμές για χρόνο -q και +q, δηλαδή q sˆ (.5 y y y.5 y ) d / d / d / d / (3) d Η εκλογή του q παίζει σημαντικό ρόλο στην εξομάλυνση της σειράς και στη συνέχεια στην απαλοιφή της τάσης. Αν θέλουμε να απαλείψουμε μόνο πολύ αργές μεταβολές (τάσεις) θα πρέπει να χρησιμοποιήσουμε μεγάλη τάξη, ενώ για την απαλοιφή μεταβολών σε μικρότερη χρονική κλίμακα η τάξη πρέπει να είναι αντίστοιχα μικρή. Για το παράδειγμα του γενικού δείκτη ΧΑΑ, το φίλτρο MA(3) (δηλαδή για q 3) φαίνεται να απάλειψε τις τάσεις από τη χρονοσειρά του γενικού δείκτη και η χρονοσειρά μοιάζει περισσότερο με αυτήν από τις πρώτες διαφορές (δες Σχήμα 6β) παρά με τις χρονοσειρές των υπολοίπων από προσαρμογή πολυωνύμου (δες Σχήμα 8β). Αυξάνοντας την τάξη σε 5, μόνο πολύ αργές μεταβολές εξαλείφονται, παρόμοια με την προσαρμογή πολυωνύμου. Τέλος θα πρέπει να σημειωθεί ότι αν δεν έχουμε κάποια πληροφορία για τη μορφή της τάσης που θέλουμε να απαλείψουμε (σε ποια χρονική κλίμακα πιστεύουμε ότι οι αργές μεταβολές είναι άσχετες με το υπό μελέτη σύστημα και ορίζονται από εξωγενείς παράγοντες που δε μας ενδιαφέρει να τους εμπλέξουμε στην ανάλυση μας), τότε δεν είναι ξεκάθαρο ποια μέθοδος ή παράμετρος μεθόδου απαλοιφής τάσης είναι η πιο κατάλληλη. Στο παράδειγμα του γενικού δείκτη ΧΑΑ, συνίσταται η μέθοδος των πρώτων διαφορών (ή καλύτερα των αποδόσεων), γιατί μας ενδιαφέρει να μελετήσουμε το σύστημα που περιγράφει τις ημερήσιες μεταβολές του δείκτη. Αν θα θέλαμε να μελετήσουμε τις διακυμάνσεις του ημερήσιου δείκτη σε χρονικό ορίζοντα εβδομάδας ή μήνα, θα προτιμούσαμε ενδεχομένως να απαλείψουμε την τάση με κινούμενο μέσο με κατάλληλη τάξη (7 ή 3 αντίστοιχα, ή καλύτερα 5 και ). 5

15 .6. Απαλοιφή περιοδικότητας ή εποχικότητας Υποθέτουμε τώρα πως η χρονοσειρά έχει περιοδικότητα ή εποχικότητα και η Y δίνεται ως Y s X, όπου η περίοδος της περιοδικής συνάρτησης s έχει γνωστή περίοδο d. Αν η περιοδικότητα αντιστοιχεί σε κάποια γνωστή περίοδο, όπως 4 ώρες ή μήνες, αναφέρεται ως εποχικότητα. Όπως για την τάση, μπορεί η περιοδική συνάρτηση να είναι τέτοια που επιτρέπει την προσέγγιση της με κάποια γνωστή (παραμετρική) περιοδική συνάρτηση, s = f(), όπως π.χ. μια ημιτονοειδής συνάρτηση. Συχνά όμως η μορφή της περιοδικής συνάρτησης δεν είναι συγκεκριμένη. Γενικά για γνωστή περίοδο d, ένας απλός τρόπος εκτίμησης της s είναι από τους μέσους όρους των στοιχείων της περιοδικής συνάρτησης, s i i=,,d. Αν k n / d είναι ο αριθμός των περιόδων στη χρονοσειρά y, y,, y n, τότε το κάθε στοιχείο της περιοδικής συνάρτησης s i μπορεί να εκτιμηθεί ως sˆ k y. (4) i i jd k j Ένας δεύτερος τρόπος εκτίμησης της περιοδικής συνάρτησης είναι με τον κινούμενο μέσο όρο θέτοντας την τάξη του ίση με την περίοδο d. Η εξομάλυνση με το φίλτρο αυτό έχει ως αποτέλεσμα να καταστραφεί η περιοδικότητα, δηλαδή παίρνοντας τον κινούμενο μέσο όρο τάξης d σε μεγάλο βαθμό απαλείφουμε το περιοδικό στοιχείο περιόδου d. Για να εκτιμήσουμε το s με ακρίβεια (και στη συνέχεια να το απαλείψουμε) θα πρέπει να πάρουμε πρώτα τη διαφορά της αρχικής χρονοσειράς { y, y,, y } και του κινούμενου μέσου { ˆ, ˆ,, ˆ }, q q n q q q n q έστω w y (εδώ έχουμε υποθέσει πως d=q+, αν το d είναι άρτιος χρησιμοποιούμε τη διόρθωση της σχέσης (3)). Στη συνέχεια παίρνουμε το μέσο όρο των w w i ως προς κάθε στοιχείο i για i=,,d, έστω w. Αν τα w για i=,,d jd i i δεν αθροίζονται στο, αφαιρούμε τη μέση τιμής τους και η εκτίμηση της περιοδικής συνάρτησης είναι όπου sˆ sˆ. d d sˆ w w, j,, d i i j d j, (5) Αν μας ενδιαφέρει απλά να απαλείψουμε το περιοδικό στοιχείο περιόδου d (δηλαδή δε μας ενδιαφέρει να το εκτιμήσουμε), μπορούμε να πάρουμε της διαφορές υστέρησης d, ή d-διαφορές [d-differencing] d Y Y Y ( B ) Y. (6) d d.6.3 Απαλοιφή τάσης και περιοδικότητας ή εποχικότητας Όταν μια χρονοσειρά έχει τάση και περιοδικότητα συνδυάζονται οι μέθοδοι απαλοιφής τάσης και περιοδικότητας για την απαλοιφή και των δύο. Η σειρά που εφαρμόζεται η απαλοιφή τάσης και περιοδικότητας δεν είναι γενικά καθορισμένη. Ας δούμε την απαλοιφή τάσης και περιοδικότητας σ ένα πραγματικό παράδειγμα. 6

16 year cycle of GICP residual GICP GICP derended GICP Παράδειγμα Στο Σχήμα 9α, δίνεται ο γενικός δείκτης τιμών καταναλωτή (general index for consumer price, GICP) σε μηνιαίες τιμές από τον Ιανουάριο ως τον Αύγουστο 5. Η χρονοσειρά έχει λοιπόν μήκος n 56. Φαίνεται καθαρά, πως ο GICP παρουσιάζει σταθερή πληθωριστική τάση για όλη την περίοδο παρατήρησης αλλά και ασθενής ετήσια περιοδικότητα (εποχικότητα). Η πληθωριστική τάση μπορεί να περιγραφεί ικανοποιητικά ως γραμμική συνάρτηση του χρόνου (μήνα). Η προσαρμογή απλού γραμμικού μοντέλου παλινδρόμησης του ως προς 56 το, θεωρώντας τις παρατηρήσεις { y } ως τιμές του, έδωσε και φαίνεται με γκρίζα γραμμή στο Σχήμα 9α. 5 () 3 () year 3 () years 3 () year year Σχήμα 9 (α) Μηνιαίες τιμές γενικού δείκτη τιμών καταναλωτή (GICP) την περίοδο Ιανουάριος Αύγουστος 5 (η κάθετη διακεκομμένη γραμμή δηλώνει την αρχή του έτους). Στο διάγραμμα φαίνεται η προσαρμογή γραμμικού μοντέλου τάσης. Η ευθεία γραμμή δηλώνει την προσαρμοσμένη γραμμική τάση. (β) Η χρονοσειρά που προκύπτει από την αφαίρεση της γραμμικής τάσης στη χρονοσειρά GICP. (γ) Ο εκτιμούμενος ετήσιος κύκλος για την GICP. (δ) Η χρονοσειρά που προκύπτει από την αφαίρεση του εκτιμούμενου ετήσιου κύκλου από τη χρονοσειρά στο (β). Αφαιρώντας αυτή τη γραμμική τάση από τη χρονοσειρά GICP βρίσκουμε τη χρονοσειρά απαλλαγμένη από τάση y y ˆ που δίνεται στο Σχήμα 9β. Αυτή είναι η κατάλληλη χρονοσειρά για ανάλυση αν θέλουμε να μελετήσουμε την μεταβολή του GICP απαλλαγμένη από τον πληθωρισμό. Εδώ φαίνεται καλύτερα η ετήσια περιοδικότητα του GICP αλλά δεν είναι προφανές με ποια περιοδική συνάρτηση του χρόνου μπορούμε να εκτιμήσουμε τον ετήσιο κύκλο [annual cycle]. Μπορούμε να εκτιμήσουμε τον ετήσιο κύκλο του GICP από τους μέσους όρους των στοιχείων της περιοδικής συνάρτησης, δηλαδή τις μέσες τιμές του κάθε μήνα για τα έτη 5 (ως το 4 για τους μήνες Σεπτέμβριο Δεκέμβριο). Η περιοδική χρονοσειρά sˆ n (του επαναλαμβανόμενου ετήσιου κύκλου) δίνεται στο Σχήμα 9γ όπου η περίοδος είναι d. Τη μέση τιμή για τον Ιανουάριο την αφαιρούμε από τις 5 παρατηρήσεις του Ιανουαρίου (για τα έτη 5). Το ίδιο κάνουμε και για τους άλλους μήνες. Με αυτόν τον τρόπο παίρνουμε τη χρονοσειρά των υπολοίπων { x } n (δες Σχήμα 9δ) x y sˆ y ˆ sˆ. Παρατηρούμε ότι αυτή η χρονοσειρά είναι απαλλαγμένη από τάση και περιοδικότητα και δε φαίνεται να έχει κάποια κανονικότητα ή δομή. 7

17 r() r() Αν η χρονοσειρά { x } n είναι εντελώς τυχαία, δηλαδή δεν έχει να μας δώσει καμιά πληροφορία, τότε η ανάλυση σταματάει εδώ και περιοριζόμαστε να περιγράψουμε τη χρονική μεταβολή του GICP ως μια πληθωριστική γραμμική τάση σε συνδυασμό με έναν ετήσιο κύκλο. Οι ορισμοί (6) και (9) της δειγματικής αυτοδιασποράς και αυτοσυσχέτισης, αντίστοιχα, έχουν νόημα όταν η χρονοσειρά είναι στάσιμη. Όταν δεν είναι στάσιμη δε μπορεί η αυτοσυσχέτιση (και η αυτοδιασπορά) να οριστούν ως συνάρτηση της υστέρησης αλλά ορίζονται για κάθε χρονική στιγμή. Αν επιχειρήσουμε να υπολογίσουμε τη συνάρτηση αυτοσυσχέτισης ως προς την υστέρηση σε μια μη-στάσιμη χρονοσειρά με τάσεις, παρατηρούμε ότι έχει πολύ υψηλές τιμές και φθίνει πολύ αργά με την υστέρηση. Αυτό σημαίνει ότι υπάρχουν ισχυρές συσχετίσεις μεταξύ κοντινών χρονικά σημείων που είναι λόγο της τάσης. Αυτή η χαρακτηριστική μορφή της αυτοσυσχέτισης φαίνεται στο Σχήμα α για τη χρονοσειρά του γενικού δείκτη ΧΑΑ την περίοδο () () Σχήμα (α) Αυτοσυσχέτιση της χρονοσειράς του γενικού δείκτη ΧΑΑ την περίοδο (β) Αυτοσυσχέτιση της χρονοσειράς των μηνιαίων τιμών GICP την περίοδο Ιανουαρίου Αυγούστου 5, απαλλαγμένη από την πληθωριστική τάση. Αντίστοιχα η αυτοσυσχέτιση μια (μη-στάσιμης) χρονοσειράς με έντονη περιοδικότητα ή εποχικότητα θα παρουσιάσει ταλαντώσεις με κορυφές σε υστερήσεις που είναι πολλαπλάσια της περιοδικότητας. Για παράδειγμα, παρατηρούμε στο Σχήμα β, πως η αυτοσυσχέτιση της χρονοσειράς των μηνιαίων τιμών GICP την περίοδο Ιανουαρίου Αυγούστου 5 (απαλλαγμένη από την πληθωριστική τάση), έχει χαρακτηριστικές κορυφές για υστέρηση και 4. Επίσης παρατηρούμε πως εμφανίζει κορυφές για υστερήσεις 6 και 8, το οποίο δηλώνει την ύπαρξη και εξαμηνιαίου κύκλου, μικρότερης όμως ισχύος από τον ετήσιο..7 Στατιστικός έλεγχος ανεξαρτησίας Πριν προχωρήσουμε με την ανάλυση και την προσαρμογή μοντέλου στη στάσιμη χρονοσειρά, θα πρέπει να αποκλείσουμε το ενδεχόμενο η χρονοσειρά να είναι ανεξάρτητη (ακολουθία iid τυχαίων μεταβλητών). Η κατάλληλη μεθοδολογία γι αυτό είναι να κάνουμε στατιστικό έλεγχο για τη μηδενική υπόθεση (Η ) ότι η χρονοσειρά είναι iid. Μια στάσιμη χρονοσειρά είναι γραμμικά ασυσχέτιστη όταν η συνάρτηση αυτοσυσχέτισης είναι μηδενική για κάθε υστέρηση ( ). Ο λευκός θόρυβος είναι μια γραμμικά ασυσχέτιστη χρονοσειρά αλλά κάθε γραμμικά ασυσχέτιστη χρονοσειρά δεν είναι λευκός θόρυβος. [Σε κάποια βιβλία ανάλυσης χρονοσειρών η γραμμικά ασυσχέτιστη χρονοσειρά με μέση τιμή καλείται λευκός θόρυβος]. Μπορεί λοιπόν μια χρονοσειρά να έχει μηδενικές γραμμικές συσχετίσεις αλλά μη-μηδενικές μη- 8

18 γραμμικές συσχετίσεις. Παρόλα αυτά στην ανάλυση χρονοσειρών στα πλαίσια της υπόθεσης γραμμικής στοχαστικής διαδικασίας είναι ικανοποιητικό να ελέγξουμε την ύπαρξη συσχέτισης, δηλαδή μη-μηδενικής αυτοσυσχέτισης. Θεωρητικά η αυτοσυσχέτιση της χρονοσειράς λευκού θορύβου είναι μηδενική για. Πρακτικά όμως η αυτοσυσχέτιση εκτιμάται από μια πεπερασμένη χρονοσειρά (κάποιου μήκους n) και άρα θα έχει διακυμάνσεις γύρω από το. Στην Ενότητα.5 αναφέραμε πως η δειγματική αυτοσυσχέτιση της χρονοσειράς λευκού θορύβου ακολουθεί Γκαουσιανή κατανομή, r ~, / n και για αυτό θεωρούμε ότι η αυτοσυσχέτιση για κάποιο τ είναι στατιστικά ασήμαντη σε επίπεδο σημαντικότητας α=.5 αν r / n, / n. Τα παρακάτω όρια ορίζουν και την απορριπτική περιοχή (για α=.5) για τον παραμετρικό έλεγχο σημαντικότητας για την αυτοσυσχέτιση, δηλαδή H : και H :. Αν λοιπόν η χρονοσειρά { x, x,, x } n είναι λευκός θόρυβος η αυτοσυσχέτιση r για κάθε τ θα πρέπει να ανήκει στο διάστημα / n με πιθανότητα.95. Με άλλα λόγια αν πάνω από 5% των τιμών r βρίσκονται έξω από το παραπάνω διάσημα, τότε η Η μπορεί να απορριφθεί. Αντίστροφα, το / των αυτοσυσχετίσεων μπορεί "κατά τύχη" να βρίσκεται έξω από το διάστημα / n, / n, δηλαδή αν υπολογίσουμε την αυτοσυσχέτιση για υστερήσεις από ως, κατά μέσο όρο μια από αυτές θα περιμένουμε να ξεπερνάει το όριο σημαντικότητας για α=.5. Αντί να κάνουμε στατιστικό έλεγχο για κάθε υστέρηση τ, είναι ακριβέστερο να ελέγξουμε τη σημαντικότητα της r για ένα εύρος υστερήσεων συγχρόνως. Αυτός είναι ο γνωστός έλεγχος Pormaneau (Pormaneau es). Η στατιστική Q για αυτόν τον έλεγχο και για κάποια μέγιστη υστέρηση k έχει ορισθεί ως k (7) Q n r από τους Box και Pierce και διορθώθηκε ως k (8) Q n( n ) r /( n ) από τους Ljung και Box. Έχει βρεθεί πως η στατιστική Q ακολουθεί τη k (Χιτετράγωνο με k βαθμούς ελευθερίας) και έτσι μπορούμε να απορρίψουμε την Η αν η τιμή της Q που υπολογίζουμε στη χρονοσειρά παίρνει μεγάλες τιμές (δηλαδή αν για στάθμη σημαντικότητας α, είναι Q ). k; a Έχουν προταθεί και άλλοι έλεγχοι ανεξαρτησίας, όπως ο έλεγχος του σημείου καμπής ή σημείου αλλαγής πρόσημου [urning poin es] και ο έλεγχος έλεγχο προσήμου διαφορών [difference sign es] και άλλοι λιγότερο γνωστοί. Επίσης στον έλεγχο ανεξαρτησίας έχουν χρησιμοποιηθεί ως στατιστικές και μη-γραμμικά μέτρα, όπως η αμοιβαία πληροφορία [muual informaion]. Οι έλεγχοι αυτοί παρουσιάζουν τη δυσκολία ότι οι μη-γραμμικές στατιστικές συνήθως δεν έχουν γνωστή κατανομή κάτω από την Η (π.χ. κανονική ή ). Το πρόβλημα αυτό λύνεται σχηματίζοντας την εμπειρική κατανομή της στατιστικής κάτω από την Η κάνοντας χρήση τεχνικών boosrapping ή αντιμεταθέσεων (permuaions). Αυτό το θέμα δε θα μας απασχολήσει εδώ. Παράδειγμα 9

19 r() Q(k) Συνεχίζουμε το προηγούμενο παράδειγμα για το γενικό δείκτη τιμών καταναλωτή GICP (δες Σχήμα 9α) και θεωρούμε τη χρονοσειρά των υπολοίπων που σχηματίστηκε με την απαλοιφή της τάσης και περιοδικότητας (δες Σχήμα 9δ). Η δειγματική αυτοσυσχέτιση της χρονοσειράς των υπολοίπων δίνεται στο Σχήμα α και το στατιστικό ελέγχου Pormaneau από τη σχέση (8) δίνεται στο Σχήμα β. Παρατηρούμε πως μόνο η αυτοσυσχέτιση για υστέρηση είναι στατιστικά σημαντική και μάλιστα αυτή είναι η πρώτη μέγιστη υστέρηση που η τιμή του στατιστικού Q=4.6 είναι στην απορριπτική περιοχή ( 8.3 ). Τα ;.95 αποτελέσματα αυτά υποδεικνύουν πως δεν υπάρχουν σημαντικές συσχετίσεις στη χρονοσειρά των υπολοίπων του δείκτη GICP, αφού για τις πρώτες 9 υστερήσεις δεν απορρίπτεται η μηδενική υπόθεση μηδενικής αυτοσυσχέτισης..3 () 35 () sample Q 5 X (k,) 5 5 k Σχήμα (α) Γράφημα αυτοσυσχέτιση για τη χρονοσειρά υπολοίπων των μηνιαίων τιμών γενικού δείκτη τιμών καταναλωτή (GICP) την περίοδο Ιανουάριος Αύγουστος 5. Οι οριζόντιες διακεκομμένες γραμμές δείχνουν τα όρια στατιστικής σημαντικότητας της αυτοσυσχέτισης. (β). Γράφημα του στατιστικού του ελέγχου Pormaneau (σχέση (8)) και των αντίστοιχων ορίων σημαντικότητας από την κατανομή k (δες ένθετο). 3

20 Ασκήσεις. Βρείτε την έκφραση για το μετασχηματισμό X = T ( Y ) που σταθεροποιεί τη διασπορά της χρονοσειράς y, y,, y n όταν αυτή θεωρείται ότι είναι κάποια συνάρτηση της τάσης Var[ Y ] f ( ). Επίσης δείξτε τις συγκεκριμένες εκφράσεις του μετασχηματισμού Τ για τις περιπτώσεις της f του Πίνακας. Βοήθεια: Χρησιμοποιείστε ανάπτυξη Taylor πρώτης τάξης και ολοκληρώσετε την παράγωγο για να πάρετε την έκφραση της συνάρτησης Τ ως προς την f. Με αντικατάσταση της f σε κάθε περίπτωση βρίσκεται τον αντίστοιχο μετασχηματισμό.. Ελέγξτε αν η χρονοσειρά X cos( a) είναι στάσιμη, όπου λ είναι σταθερά και a ~ U[, ] σταθερή όμως ως προς το χρόνο. Κάνετε το ίδιο για τη χρονοσειρά X cos( a) Y, όπου η Y στάσιμη χρονοσειρά με μέση τιμή και διασπορά. Y 3. Έστω η { Z } Γκαουσιανή iid διαδικασία με Ν(,) (δηλαδή μέση τιμή και διασπορά ) και η διαδικασία { X } που ορίζεται ως X Z Z άρτιος περιττός Δείξτε ότι η { X } είναι λευκός θόρυβος WΝ(,) αλλά όχι iid. 4. Έστω η χρονοσειρά που δίνεται από τη σχέση X a b για κάθε χρονική στιγμή, όπου a και b σταθερές με b. Δείξτε ότι για κάθε τ, r καθώς n. Βοήθεια: Επικεντρωθείτε στις υψηλότερες δυνάμεις του n στην έκφραση για το r τ. 5. Έστω η χρονοσειρά που δίνεται από τη σχέση X c cos( ) για κάθε χρονική στιγμή, όπου c και ω σταθερές με c και (, ). Δείξτε ότι για κάθε τ, r cos( ) καθώς n. Βοήθεια: Χρησιμοποιείστε τη σχέση n cos( ) όταν k / n και k k k,,, n /, και με βάση αυτήν δείξτε πως x όταν n. Επίσης θα πρέπει να χρησιμοποιήσετε τριγωνομετρικές συναρτήσεις και την παραπάνω σχέση. 6. Οι τιμές της δειγματικής αυτοσυσχέτισης για τις 9 πρώτες υστερήσεις που υπολογίστηκαν σε μια χρονοσειρά 4 παρατηρήσεων είναι Μπορούμε να δεχτούμε πως η χρονοσειρά είναι λευκός θόρυβος. 7. Δίνεται η χρονοσειρά του ημερήσιου γενικού δείκτη ΧΑΑ (κλεισίματος) την περίοδο //7-3// (στήλη 7 στο αρχείο ASEJan7_Oc.da στην ιστοσελίδα του μαθήματος). Εξετάστε αν η χρονοσειρά των πρώτων διαφορών 3

21 είναι ανεξάρτητη. Κάνετε το ίδιο για τη χρονοσειρά των αποδόσεων. Για να ελέγξετε την ανεξαρτησία χρησιμοποιείστε τον έλεγχο Pormaneau. Αλλάζουν τα αποτελέσματα αν επαναλάβετε τον έλεγχο Pormaneau στα τετράγωνα των τιμών της χρονοσειράς των πρώτων διαφορών ή αποδόσεων. Ερμηνεύστε τα αποτελέσματα.. 8. Η στοχαστική διαδικασία X, όπου μία ακολουθία ανεξάρτητων κανονικά κατανεμημένων τυχαίων μεταβλητών με μέση τιμή μηδέν και διασπορά, είναι στάσιμη; 9. Δίνεται η X X Z διαδικασία με συνάρτηση αυτοδιασποράς ( ) και X παράμετρο ϕ. Αν Y X, υπολογίστε για ποιες τιμές της ϕ η διασπορά της Y είναι μικρότερη της διασποράς της X. 3

Χρονοσειρές Μάθημα 2. Μη-στασιμότητα. Τάση? Εποχικότητα / περιοδικότητα? Ασταθή διασπορά? Αυτοσυσχέτιση?

Χρονοσειρές Μάθημα 2. Μη-στασιμότητα. Τάση? Εποχικότητα / περιοδικότητα? Ασταθή διασπορά? Αυτοσυσχέτιση? AE index General Index of Comsumer Prices Χρονοσειρές Μάθημα General Index of Comsumer Prices, period Jan - Aug 5 5 Μη-στασιμότητα 5 Τάση? Εποχικότητα / περιοδικότητα? 5 4 5 6 4 Auroral Elecroje Index

Διαβάστε περισσότερα

ΑΝΑΛΥΣΗ ΧΡΟΝΟΣΕΙΡΩΝ Κουγιουμτζής Δημήτρης

ΑΝΑΛΥΣΗ ΧΡΟΝΟΣΕΙΡΩΝ Κουγιουμτζής Δημήτρης ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΑΛΥΣΗ ΧΡΟΝΟΣΕΙΡΩΝ Μάθημα του μεταπτυχιακού προγράμματος ειδίκευσης Στατιστική και Μοντελοποίηση του Τμήματος Μαθηματικών ΑΠΘ Κουγιουμτζής Δημήτρης Αν. Καθηγητής

Διαβάστε περισσότερα

Χρονοσειρές Μάθημα 1

Χρονοσειρές Μάθημα 1 Χρονοσειρές Μάθημα Περιεχόμενα - Στασιμότητα, αυτοσυσχέτιση, μερική αυτοσυσχέτιση, απομάκρυνση στοιχείων μη-στατικότητας, έλεγχος ανεξαρτησίας για χρονικές σειρές - Γραμμικές στοχαστικές διαδικασίες: αυτοπαλινδρομούμενη

Διαβάστε περισσότερα

Εφαρμοσμένη Στατιστική: Συντελεστής συσχέτισης. Παλινδρόμηση απλή γραμμική, πολλαπλή γραμμική

Εφαρμοσμένη Στατιστική: Συντελεστής συσχέτισης. Παλινδρόμηση απλή γραμμική, πολλαπλή γραμμική ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΜΕΡΟΣ B Δημήτρης Κουγιουμτζής e-mal: dkugu@auth.gr Ιστοσελίδα αυτού του τμήματος του μαθήματος: http://uer.auth.gr/~dkugu/teach/cvltraport/dex.html Εφαρμοσμένη Στατιστική:

Διαβάστε περισσότερα

ΜΑΘΗΜΑ 3ο. Βασικές έννοιες

ΜΑΘΗΜΑ 3ο. Βασικές έννοιες ΜΑΘΗΜΑ 3ο Βασικές έννοιες Εισαγωγή Βασικές έννοιες Ένας από τους βασικότερους σκοπούς της ανάλυσης των χρονικών σειρών είναι η διενέργεια των προβλέψεων. Στα υποδείγματα αυτά η τρέχουσα τιμή μιας οικονομικής

Διαβάστε περισσότερα

ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ. Επικ. Καθ. Στέλιος Ζήμερας. Τμήμα Μαθηματικών Κατεύθυνση Στατιστικής και Αναλογιστικά Χρηματοοικονομικά Μαθηματικά

ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ. Επικ. Καθ. Στέλιος Ζήμερας. Τμήμα Μαθηματικών Κατεύθυνση Στατιστικής και Αναλογιστικά Χρηματοοικονομικά Μαθηματικά ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ Επικ. Καθ. Στέλιος Ζήμερας Τμήμα Μαθηματικών Κατεύθυνση Στατιστικής και Αναλογιστικά Χρηματοοικονομικά Μαθηματικά 2015 Πληθυσμός: Εισαγωγή Ονομάζεται το σύνολο των χαρακτηριστικών που

Διαβάστε περισσότερα

Χρονοσειρές - Μάθημα 5

Χρονοσειρές - Μάθημα 5 Χρονοσειρές - Μάθημα 5 Εκτίμηση μοντέλου MA(q) στοχαστική διαδικασία AR() X X X X Z Z ~ WN(, Z) στοχαστική διαδικασία MA(q) X Z Z Z Z q q στοχαστική διαδικασία ARMA(,q) X X X X Z Z Z Z q q Εκτίμηση διαδικασίας

Διαβάστε περισσότερα

Απλή Γραμμική Παλινδρόμηση και Συσχέτιση 19/5/2017

Απλή Γραμμική Παλινδρόμηση και Συσχέτιση 19/5/2017 Απλή Γραμμική Παλινδρόμηση και Συσχέτιση 2 Εισαγωγή Η ανάλυση παλινδρόμησης περιλαμβάνει το σύνολο των μεθόδων της στατιστικής που αναφέρονται σε ποσοτικές σχέσεις μεταξύ μεταβλητών Πρότυπα παλινδρόμησης

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 06-07 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Επικ. Καθηγητής v.koutra@fme.aegea.gr Τηλ: 7035468 Θα μελετήσουμε

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 06-07 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Λέκτορας v.koutras@fme.aegea.gr Τηλ: 7035468 Εκτίμηση Διαστήματος

Διαβάστε περισσότερα

Χρονοσειρές Μάθημα 3. Γραμμικές στάσιμες διαδικασίες. Γραμμική χρονοσειρά (στοχαστική διαδικασία) Z Z ~ WN(0, ) είναι στάσιμη. Θεωρούμε μ=0 E[ X ] 0

Χρονοσειρές Μάθημα 3. Γραμμικές στάσιμες διαδικασίες. Γραμμική χρονοσειρά (στοχαστική διαδικασία) Z Z ~ WN(0, ) είναι στάσιμη. Θεωρούμε μ=0 E[ X ] 0 Γραμμικές στάσιμες διαδικασίες Γραμμική χρονοσειρά (στοχαστική διαδικασία) ~ WN(, ) i i i E[ ] είναι στάσιμη? i () Θεωρούμε μ= i i i Χρονοσειρές Μάθημα 3 i Θεωρώντας τον τελεστή υστέρησης: ( B) ( B) ib

Διαβάστε περισσότερα

Συσχέτιση μεταξύ δύο συνόλων δεδομένων

Συσχέτιση μεταξύ δύο συνόλων δεδομένων Διαγράμματα διασποράς (scattergrams) Συσχέτιση μεταξύ δύο συνόλων δεδομένων Η οπτική απεικόνιση δύο συνόλων δεδομένων μπορεί να αποκαλύψει με παραστατικό τρόπο πιθανές τάσεις και μεταξύ τους συσχετίσεις,

Διαβάστε περισσότερα

9. Παλινδρόμηση και Συσχέτιση

9. Παλινδρόμηση και Συσχέτιση 9. Παλινδρόμηση και Συσχέτιση Παλινδρόμηση και Συσχέτιση Υπάρχει σχέση ανάμεσα σε δύο ή περισσότερες μεταβλητές; Αν ναι, ποια είναι αυτή η σχέση; Πως μπορεί αυτή η σχέση να χρησιμοποιηθεί για να προβλέψουμε

Διαβάστε περισσότερα

Εισόδημα Κατανάλωση 1500 500 1600 600 1300 450 1100 400 600 250 700 275 900 300 800 352 850 400 1100 500

Εισόδημα Κατανάλωση 1500 500 1600 600 1300 450 1100 400 600 250 700 275 900 300 800 352 850 400 1100 500 Εισόδημα Κατανάλωση 1500 500 1600 600 1300 450 1100 400 600 250 700 275 900 300 800 352 850 400 1100 500 Πληθυσμός Δείγμα Δείγμα Δείγμα Ο ρόλος της Οικονομετρίας Οικονομική Θεωρία Διατύπωση της

Διαβάστε περισσότερα

ΑΠΟ ΤΟ ΔΕΙΓΜΑ ΣΤΟΝ ΠΛΗΘΥΣΜΟ

ΑΠΟ ΤΟ ΔΕΙΓΜΑ ΣΤΟΝ ΠΛΗΘΥΣΜΟ ΑΠΟ ΤΟ ΔΕΙΓΜΑ ΣΤΟΝ ΠΛΗΘΥΣΜΟ Το ενδιαφέρον επικεντρώνεται πάντα στον πληθυσμό Το δείγμα χρησιμεύει για εξαγωγή συμπερασμάτων για τον πληθυσμό π.χ. το ετήσιο εισόδημα των κατοίκων μιας περιοχής Τα στατιστικά

Διαβάστε περισσότερα

Στοχαστικές Μέθοδοι στους Υδατικούς Πόρους Τυχαίες μεταβλητές, στοχαστικές ανελίξεις και χρονοσειρές

Στοχαστικές Μέθοδοι στους Υδατικούς Πόρους Τυχαίες μεταβλητές, στοχαστικές ανελίξεις και χρονοσειρές Στοχαστικές Μέθοδοι στους Υδατικούς Πόρους Τυχαίες μεταβλητές, στοχαστικές ανελίξεις και χρονοσειρές Δημήτρης Κουτσογιάννης Τομέας Υδατικών Πόρων και Περιβάλλοντος, Σχολή Πολιτικών Μηχανικών, Εθνικό Μετσόβιο

Διαβάστε περισσότερα

Τεχνικές Προβλέψεων Αυτοπαλινδρομικά Μοντέλα Κινητού Μέσου Όρου (ARIMA)

Τεχνικές Προβλέψεων Αυτοπαλινδρομικά Μοντέλα Κινητού Μέσου Όρου (ARIMA) ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Τεχνικές Προβλέψεων Αυτοπαλινδρομικά Μοντέλα Κινητού Μέσου

Διαβάστε περισσότερα

Χρονοσειρές - Μάθημα 5

Χρονοσειρές - Μάθημα 5 Χρονοσειρές - Μάθημα 5 Εκτίμηση μοντέλου MA(q) στοχαστική διαδικασία AR(p) p p ~ WN(, ) στοχαστική διαδικασία MA(q) q q στοχαστική διαδικασία ARMA(p,q) p p q q Εκτίμηση διαδικασίας (μοντέλο) AR, MA ή ARMA?

Διαβάστε περισσότερα

ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ

ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ ΤΕΧΝΙΚΕΣ ΠΡΟΒΛΕΨΕΩΝ& ΕΛΕΓΧΟΥ ΜΑΘΗΜΑ ΤΡΙΤΟ ΣΥΝΑΡΤΗΣΗ ΑΥΤΟΣΥΣΧΕΤΙΣΗΣ-ΕΛΕΓΧΟΣ ΣΤΑΣΙΜΟΤΗΤΑΣ Δρ. Κουνετάς Η Κωνσταντίνος ΕΠΙΧ Τεχνικές Προβλέψεων & Ελέγχου

Διαβάστε περισσότερα

Άσκηση 1: Λύση: Για το άθροισμα ισχύει: κι επειδή οι μέσες τιμές των Χ και Υ είναι 0: Έτσι η διασπορά της Ζ=Χ+Υ είναι:

Άσκηση 1: Λύση: Για το άθροισμα ισχύει: κι επειδή οι μέσες τιμές των Χ και Υ είναι 0: Έτσι η διασπορά της Ζ=Χ+Υ είναι: Άσκηση 1: Δύο τυχαίες μεταβλητές Χ και Υ έχουν στατιστικές μέσες τιμές 0 και διασπορές 25 και 36 αντίστοιχα. Ο συντελεστής συσχέτισης των 2 τυχαίων μεταβλητών είναι 0.4. Να υπολογισθούν η διασπορά του

Διαβάστε περισσότερα

Ενδεικτικές ασκήσεις ΔΙΠ 50

Ενδεικτικές ασκήσεις ΔΙΠ 50 Ενδεικτικές ασκήσεις ΔΙΠ 50 Άσκηση 1 (άσκηση 1 1 ης εργασίας 2009-10) Σε ένα ράφι μιας βιβλιοθήκης τοποθετούνται με τυχαία σειρά 11 διαφορετικά βιβλία τεσσάρων θεματικών ενοτήτων. Πιο συγκεκριμένα, υπάρχουν

Διαβάστε περισσότερα

Υ: Νόσος. Χ: Παράγοντας Κινδύνου 1 (Ασθενής) 2 (Υγιής) Σύνολο. 1 (Παρόν) n 11 n 12 n 1. 2 (Απών) n 21 n 22 n 2. Σύνολο n.1 n.2 n..

Υ: Νόσος. Χ: Παράγοντας Κινδύνου 1 (Ασθενής) 2 (Υγιής) Σύνολο. 1 (Παρόν) n 11 n 12 n 1. 2 (Απών) n 21 n 22 n 2. Σύνολο n.1 n.2 n.. Μέτρα Κινδύνου για Δίτιμα Κατηγορικά Δεδομένα Σε αυτή την ενότητα θα ορίσουμε δείκτες μέτρησης του κινδύνου εμφάνισης μίας νόσου όταν έχουμε δίτιμες κατηγορικές μεταβλητές. Στην πιο απλή περίπτωση μας

Διαβάστε περισσότερα

Χρονοσειρές Μάθημα 1

Χρονοσειρές Μάθημα 1 Χρονοσειρές Μάθημα Μάθημα του προπτυχιακού προγράμματος σπουδών του Τμήματος Ηλεκτρολόγων Μηχανικών και Μηχανικών Η/Υ (ΤΗΜΜΥ) ΑΠΘ Κουγιουμτζής Δημήτρης Αν. Καθηγητής Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών

Διαβάστε περισσότερα

Τμήμα Διοίκησης Επιχειρήσεων (Γρεβενά) Μάθημα: Στατιστική II Διάλεξη 1 η : Εισαγωγή-Επανάληψη βασικών εννοιών Εβδομάδα 1 η : ,

Τμήμα Διοίκησης Επιχειρήσεων (Γρεβενά) Μάθημα: Στατιστική II Διάλεξη 1 η : Εισαγωγή-Επανάληψη βασικών εννοιών Εβδομάδα 1 η : , Τμήμα Διοίκησης Επιχειρήσεων (Γρεβενά) Μάθημα: Στατιστική II Διάλεξη 1 η : Εισαγωγή-Επανάληψη βασικών εννοιών Εβδομάδα 1 η :1-0-017, 3-0-017 Διδάσκουσα: Κοντογιάννη Αριστούλα Σκοπός του μαθήματος Η παρουσίαση

Διαβάστε περισσότερα

Είδη Μεταβλητών Κλίμακα Μέτρησης Οι τεχνικές της Περιγραφικής στατιστικής ανάλογα με την κλίμακα μέτρησης Οι τελεστές Π και Σ

Είδη Μεταβλητών Κλίμακα Μέτρησης Οι τεχνικές της Περιγραφικής στατιστικής ανάλογα με την κλίμακα μέτρησης Οι τελεστές Π και Σ ΠΕΡΙΕΧΟΜΕΝΑ ΚΕΦΑΛΑΙΟ 1 Εισαγωγικές Έννοιες 19 1.1 1.2 1.3 1.4 1.5 1.6 1.7 Η Μεταβλητότητα Η Στατιστική Ανάλυση Η Στατιστική και οι Εφαρμοσμένες Επιστήμες Στατιστικός Πληθυσμός και Δείγμα Το στατιστικό

Διαβάστε περισσότερα

ΘΕΩΡΙΑ ΟΙΚΟΝΟΜΕΤΡΙΑΣ ΣΥΝΟΠΤΙΚΕΣ ΣΗΜΕΙΩΣΕΙΣ

ΘΕΩΡΙΑ ΟΙΚΟΝΟΜΕΤΡΙΑΣ ΣΥΝΟΠΤΙΚΕΣ ΣΗΜΕΙΩΣΕΙΣ ΘΕΩΡΙΑ ΟΙΚΟΝΟΜΕΤΡΙΑΣ ΣΥΝΟΠΤΙΚΕΣ ΣΗΜΕΙΩΣΕΙΣ ΑΠΛΟ ΓΡΑΜΜΙΚΟ ΥΠΟΔΕΙΓΜΑ Συντελεστής συσχέτισης (εκτιμητής Person: r, Y ( ( Y Y xy ( ( Y Y x y, όπου r, Y (ισχυρή θετική γραμμική συσχέτιση όταν, ισχυρή αρνητική

Διαβάστε περισσότερα

Ανάλυση διακύμανσης (Μέρος 1 ο ) 17/3/2017

Ανάλυση διακύμανσης (Μέρος 1 ο ) 17/3/2017 Ανάλυση διακύμανσης (Μέρος 1 ο ) 17/3/2017 2 Γιατί ανάλυση διακύμανσης; (1) Ας θεωρήσουμε k πληθυσμούς με μέσες τιμές μ 1, μ 2,, μ k, αντίστοιχα Πως μπορούμε να συγκρίνουμε τις μέσες τιμές k πληθυσμών

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ Τμήμα Μαθηματικών Κατεύθυνση Στατιστικής και Αναλογιστικών Χρηματοοικονομικών Μαθηματικών ΧΡΟΝΟΣΕΙΡΕΣ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ Τμήμα Μαθηματικών Κατεύθυνση Στατιστικής και Αναλογιστικών Χρηματοοικονομικών Μαθηματικών ΧΡΟΝΟΣΕΙΡΕΣ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ Τμήμα Μαθηματικών Κατεύθυνση Στατιστικής και Αναλογιστικών Χρηματοοικονομικών Μαθηματικών ΧΡΟΝΟΣΕΙΡΕΣ Σημειώσεις Πανεπιστημιακών Παραδόσεων ΑΛΕΞΑΝΔΡΟΣ ΜΗΛΙΏΝΗΣ ΟΚΤΩΒΡΙΟΣ 205 ΚΕΦΑΛΑΙΟ

Διαβάστε περισσότερα

Γραμμικά Μοντέλα Χρονοσειρών και Αυτοσυσχέτισης ΜΕΤΑΠΤΥΧΙΑΚΗ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ. Σταυρούλα Γαζή

Γραμμικά Μοντέλα Χρονοσειρών και Αυτοσυσχέτισης ΜΕΤΑΠΤΥΧΙΑΚΗ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ. Σταυρούλα Γαζή ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΜΑΘΗΜΑΤΙΚΩΝ Δ.Π.Μ.Σ. : «ΜΑΘΗΜΑΤΙΚΑ των ΥΠΟΛΟΓΙΣΤΩΝ και των ΑΠΟΦΑΣΕΩΝ» Κατεύθυνση : ΣΤΑΤΙΣΤΙΚΗ και ΕΠΙΧΕΙΡΙΣΙΑΚΗ ΕΡΕΥΝΑ Γραμμικά Μοντέλα Χρονοσειρών και

Διαβάστε περισσότερα

ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ. ΜΑΘΗΜΑ 4ο

ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ. ΜΑΘΗΜΑ 4ο ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΜΑΘΗΜΑ 4ο Διαδικασία των συντελεστών αυτοσυσχέτισης Ονομάζουμε συνάρτηση αυτοσυσχέτισης (autocorrelation function) και συμβολίζεται με τα γράμματα

Διαβάστε περισσότερα

ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ

ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ ΤΕΧΝΙΚΕΣ ΠΡΟΒΛΕΨΕΩΝ& ΕΛΕΓΧΟΥ ΜΑΘΗΜΑ ΤΕΤΑΡΤΟ ΑΥΤΟΠΑΛΙΝΔΡΟΜΑ ΥΠΟΔΕΙΓΜΑΤΑ AR(p) Δρ. Κουνετάς Η Κωνσταντίνος ΕΠΙΧ Τεχνικές Προβλέψεων & Ελέγχου ιαφάνεια

Διαβάστε περισσότερα

Η ΙΣΧΥΣ ΕΝΟΣ ΕΛΕΓΧΟΥ. (Power of a Test) ΚΕΦΑΛΑΙΟ 21

Η ΙΣΧΥΣ ΕΝΟΣ ΕΛΕΓΧΟΥ. (Power of a Test) ΚΕΦΑΛΑΙΟ 21 ΚΕΦΑΛΑΙΟ 21 Η ΙΣΧΥΣ ΕΝΟΣ ΕΛΕΓΧΟΥ (Power of a Test) Όπως είδαμε προηγουμένως, στον Στατιστικό Έλεγχο Υποθέσεων, ορίζουμε δύο είδη πιθανών λαθών (κινδύνων) που μπορεί να συμβούν όταν παίρνουμε αποφάσεις

Διαβάστε περισσότερα

Διαστήματα εμπιστοσύνης, εκτίμηση ακρίβειας μέσης τιμής

Διαστήματα εμπιστοσύνης, εκτίμηση ακρίβειας μέσης τιμής Ενότητα 2 Διαστήματα εμπιστοσύνης, εκτίμηση ακρίβειας μέσης τιμής Ένας από τους βασικούς σκοπούς της Στατιστικής είναι η εκτίμηση των χαρακτηριστικών ενός πληθυσμού βάσει της πληροφορίας από ένα δείγμα.

Διαβάστε περισσότερα

Χρονοσειρές Μάθημα 3

Χρονοσειρές Μάθημα 3 Χρονοσειρές Μάθημα 3 Ασυσχέτιστες (λευκός θόρυβος) και ανεξάρτητες (iid) παρατηρήσεις Chafield C., The Analysis of Time Series, An Inroducion, 6 h ediion,. 38 (Chaer 3): Some auhors refer o make he weaker

Διαβάστε περισσότερα

Στατιστική Συμπερασματολογία

Στατιστική Συμπερασματολογία Στατιστική Συμπερασματολογία Διαφάνειες 1 ου κεφαλαίου Βιβλίο: Κολυβά Μαχαίρα, Φ. & Χατζόπουλος Στ. Α. (2016). Μαθηματική Στατιστική, Έλεγχοι Υποθέσεων. [ηλεκτρ. βιβλ.] Αθήνα: Σύνδεσμος Ελληνικών Ακαδημαϊκών

Διαβάστε περισσότερα

Είδη Μεταβλητών. κλίµακα µέτρησης

Είδη Μεταβλητών. κλίµακα µέτρησης ΠΕΡΙΕΧΟΜΕΝΑ Κεφάλαιο 1 Εισαγωγικές Έννοιες 19 1.1 1.2 1.3 1.4 1.5 1.6 1.7 Η Μεταβλητότητα Η Στατιστική Ανάλυση Η Στατιστική και οι Εφαρµοσµένες Επιστήµες Στατιστικός Πληθυσµός και Δείγµα Το στατιστικό

Διαβάστε περισσότερα

Απλή Παλινδρόμηση και Συσχέτιση

Απλή Παλινδρόμηση και Συσχέτιση Απλή Παλινδρόμηση και Συσχέτιση Πωλήσεις, Δαπάνες Διαφήμισης και Αριθμός Πωλητών Έτος Πωλήσεις (χιλ ) Διαφήμιση (χιλ ) Πωλητές (Άτομα) Έτος Πωλήσεις (χιλ ) Διαφήμιση (χιλ ) Πωλητές (Άτομα) 98 050 6 3 989

Διαβάστε περισσότερα

ΚΑΤΑΝΟΜΗ ΠΥΚΝΟΤΗΤΑΣ ΠΙΘΑΝΟΤΗΤΑΣ

ΚΑΤΑΝΟΜΗ ΠΥΚΝΟΤΗΤΑΣ ΠΙΘΑΝΟΤΗΤΑΣ ΚΑΤΑΝΟΜΗ ΠΥΚΝΟΤΗΤΑΣ ΠΙΘΑΝΟΤΗΤΑΣ Σε αντίθεση με την διακριτή τυχαία μεταβλητή, μία συνεχής τυχαία μεταβλητή παίρνει μη-αριθμήσιμο (συνεχές) πλήθος τιμών. Δεν μπορούμε να καταγράψουμε το σύνολο των τιμών

Διαβάστε περισσότερα

Στατιστική Ι. Ενότητα 9: Κατανομή t-έλεγχος Υποθέσεων. Δρ. Γεώργιος Κοντέος Τμήμα Διοίκησης Επιχειρήσεων Γρεβενών

Στατιστική Ι. Ενότητα 9: Κατανομή t-έλεγχος Υποθέσεων. Δρ. Γεώργιος Κοντέος Τμήμα Διοίκησης Επιχειρήσεων Γρεβενών Στατιστική Ι Ενότητα 9: Κατανομή t-έλεγχος Υποθέσεων Δρ. Γεώργιος Κοντέος Τμήμα Διοίκησης Επιχειρήσεων Γρεβενών Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για

Διαβάστε περισσότερα

Χ. Εμμανουηλίδης, 1

Χ. Εμμανουηλίδης, 1 Εφαρμοσμένη Στατιστική Έρευνα Απλό Γραμμικό Υπόδειγμα AΠΛΟ ΓΡΑΜΜΙΚΟ ΥΠΟ ΕΙΓΜΑ Δρ. Χρήστος Εμμανουηλίδης Αν. Καθηγητής Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης Εφαρμοσμένη Στατιστική, Τμήμα Ο.Ε. ΑΠΘ Χ. Εμμανουηλίδης,

Διαβάστε περισσότερα

Ελλιπή δεδομένα. Εδώ έχουμε 1275. Στον πίνακα που ακολουθεί δίνεται η κατά ηλικία κατανομή 1275 ατόμων

Ελλιπή δεδομένα. Εδώ έχουμε 1275. Στον πίνακα που ακολουθεί δίνεται η κατά ηλικία κατανομή 1275 ατόμων Ελλιπή δεδομένα Στον πίνακα που ακολουθεί δίνεται η κατά ηλικία κατανομή 75 ατόμων Εδώ έχουμε δ 75,0 75 5 Ηλικία Συχνότητες f 5-4 70 5-34 50 35-44 30 45-54 465 55-64 335 Δεν δήλωσαν 5 Σύνολο 75 Μπορεί

Διαβάστε περισσότερα

1. Ποιες είναι οι διαφορές μεταξύ αυτοπαλίνδρομων υποδειγμάτων (AR) και υποδειγμάτων κινητού μέσου (MA);

1. Ποιες είναι οι διαφορές μεταξύ αυτοπαλίνδρομων υποδειγμάτων (AR) και υποδειγμάτων κινητού μέσου (MA); Ερωτήσεις: 1. Ποιες είναι οι διαφορές μεταξύ αυτοπαλίνδρομων υποδειγμάτων (AR) και υποδειγμάτων κινητού μέσου (MA); Στα αυτοπαλίνδρομα υποδείγματα η τρέχουσα τιμή της y είναι συνάρτηση p υστερήσεων της

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 6-7 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Λέκτορας v.koutras@fme.aegea.gr Τηλ: 735468 Σε αρκετές εφαρμογές

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 06-07 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Λέκτορας v.koutras@fme.aegea.gr Τηλ: 7035468 Τυχαίο Δείγμα

Διαβάστε περισσότερα

Υ: Νόσος. Χ: Παράγοντας Κινδύνου 1 (Ασθενής) 2 (Υγιής) Σύνολο. 1 (Παρόν) n 11 n 12 n 1. 2 (Απών) n 21 n 22 n 2. Σύνολο n.1 n.2 n..

Υ: Νόσος. Χ: Παράγοντας Κινδύνου 1 (Ασθενής) 2 (Υγιής) Σύνολο. 1 (Παρόν) n 11 n 12 n 1. 2 (Απών) n 21 n 22 n 2. Σύνολο n.1 n.2 n.. Μέτρα Κινδύνου για Δίτιμα Κατηγορικά Δεδομένα Σε αυτή την ενότητα θα ορίσουμε δείκτες μέτρησης του κινδύνου εμφάνισης μίας νόσου όταν έχουμε δίτιμες κατηγορικές μεταβλητές. Στην πιο απλή περίπτωση μας

Διαβάστε περισσότερα

Τεχνικές Προβλέψεων Αυτοπαλινδρομικά Μοντέλα Κινητού Μέσου Όρου (ARIMA)

Τεχνικές Προβλέψεων Αυτοπαλινδρομικά Μοντέλα Κινητού Μέσου Όρου (ARIMA) ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Τεχνικές Προβλέψεων Αυτοπαλινδρομικά Μοντέλα Κινητού Μέσου

Διαβάστε περισσότερα

Εργασία στο µάθηµα Ανάλυση εδοµένων

Εργασία στο µάθηµα Ανάλυση εδοµένων Μεταπτυχιακό Υπολογιστικής Φυσικής Εργασία στο µάθηµα Ανάλυση εδοµένων ηµήτρης Κουγιουµτζής E-mail: dkugiu@gen.auth.gr 31 Ιανουαρίου 2017 Οδηγίες : Σχετικά µε την παράδοση της εργασίας ϑα πρέπει : Το κείµενο

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ. Ερωτήσεις πολλαπλής επιλογής. Συντάκτης: Δημήτριος Κρέτσης

ΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ. Ερωτήσεις πολλαπλής επιλογής. Συντάκτης: Δημήτριος Κρέτσης ΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ Ερωτήσεις πολλαπλής επιλογής Συντάκτης: Δημήτριος Κρέτσης 1. Ο κλάδος της περιγραφικής Στατιστικής: α. Ασχολείται με την επεξεργασία των δεδομένων και την ανάλυση

Διαβάστε περισσότερα

Έλεγχος υποθέσεων και διαστήματα εμπιστοσύνης

Έλεγχος υποθέσεων και διαστήματα εμπιστοσύνης 1 Έλεγχος υποθέσεων και διαστήματα εμπιστοσύνης Όπως γνωρίζουμε από προηγούμενα κεφάλαια, στόχος των περισσότερων στατιστικών αναλύσεων, είναι η έγκυρη γενίκευση των συμπερασμάτων, που προέρχονται από

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 5-6 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Λέκτορας v.koutras@fme.aegea.gr Τηλ: 735468 Σε αρκετές εφαρμογές

Διαβάστε περισσότερα

Χρονοσειρές Μάθημα 6

Χρονοσειρές Μάθημα 6 Χρονοσειρές Μάθημα 6 Πρόβλεψη Χρονικών Σειρών Μοντέλα για χρονικές σειρές AR, MA, ARMA, ARIMA, SARIMA πρόβλεψη Πολλές εφαρμογές Δείκτης και όγκος συναλλαγών Χρηματιστηρίου Αξιών Αθηνών ΧΑΑ Θα μπορούσαμε

Διαβάστε περισσότερα

ΣΥΝΔΥΑΣΤΙΚΑ ΕΠΑΝΑΛΗΠΤΙΚΑ ΘΕΜΑΤΑ ΜΑΘΗΜΑΤΙΚΩΝ ΓΕΝΙΚΗΣ ΠΑΙΔΕΙΑΣ

ΣΥΝΔΥΑΣΤΙΚΑ ΕΠΑΝΑΛΗΠΤΙΚΑ ΘΕΜΑΤΑ ΜΑΘΗΜΑΤΙΚΩΝ ΓΕΝΙΚΗΣ ΠΑΙΔΕΙΑΣ ΣΥΝΔΥΑΣΤΙΚΑ ΕΠΑΝΑΛΗΠΤΙΚΑ ΘΕΜΑΤΑ ΜΑΘΗΜΑΤΙΚΩΝ ΓΕΝΙΚΗΣ ΠΑΙΔΕΙΑΣ 1.Έστω ο δειγματικός χώρος Ω = { 1,,, K,10} με ισοπίθανα απλά ενδεχόμενα. Να 4 βρείτε την πιθανότητα ώστε η συνάρτηση f ( x ) = x 4x + λ να

Διαβάστε περισσότερα

ΟΚΙΜΑΣΙΕΣ χ 2 (CHI-SQUARE)

ΟΚΙΜΑΣΙΕΣ χ 2 (CHI-SQUARE) ΔΟΚΙΜΑΣΙΕΣ χ (CI-SQUARE) ΟΚΙΜΑΣΙΕΣ χ (CI-SQUARE). Εισαγωγή Οι στατιστικές δοκιμασίες που μελετήσαμε μέχρι τώρα ονομάζονται παραμετρικές (paramtrc) διότι χαρακτηρίζονται από υποθέσεις σχετικές είτε για

Διαβάστε περισσότερα

ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ. Κεφάλαιο 7. Τυχαίες Μεταβλητές και Διακριτές Κατανομές Πιθανοτήτων

ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ. Κεφάλαιο 7. Τυχαίες Μεταβλητές και Διακριτές Κατανομές Πιθανοτήτων ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΑΤΡΑΣ Εργαστήριο Λήψης Αποφάσεων & Επιχειρησιακού Προγραμματισμού Καθηγητής Ι. Μητρόπουλος ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ

Διαβάστε περισσότερα

Στατιστική για Πολιτικούς Μηχανικούς Λυμένες ασκήσεις μέρους Β

Στατιστική για Πολιτικούς Μηχανικούς Λυμένες ασκήσεις μέρους Β Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης Στατιστική για Πολιτικούς Μηχανικούς Λυμένες ασκήσεις μέρους Β Κουγιουμτζής Δημήτρης Τμήμα Πολιτικών Μηχανικών Α.Π.Θ. Θεσσαλονίκη, Μάρτιος 4 Άδειες Χρήσης Το παρόν

Διαβάστε περισσότερα

ΕΡΩΤΗΣΕΙΣ ΘΕΩΡΙΑΣ. για τα οποία ισχύει y f (x) , δηλαδή το σύνολο, x A, λέγεται γραφική παράσταση της f και συμβολίζεται συνήθως με C

ΕΡΩΤΗΣΕΙΣ ΘΕΩΡΙΑΣ. για τα οποία ισχύει y f (x) , δηλαδή το σύνολο, x A, λέγεται γραφική παράσταση της f και συμβολίζεται συνήθως με C Επιμέλεια: Κ Μυλωνάκης ΕΡΩΤΗΣΕΙΣ ΘΕΩΡΙΑΣ ΕΡΩΤΗΣΗ Τι ονομάζεται πραγματική συνάρτηση με πεδίο ορισμού το Α; Έστω Α ένα υποσύνολο του R Ονομάζουμε πραγματική συνάρτηση με πεδίο ορισμού το Α μια διαδικασία

Διαβάστε περισσότερα

Στοχαστικές Ανελίξεις (2) Αγγελική Αλεξίου

Στοχαστικές Ανελίξεις (2) Αγγελική Αλεξίου Στοχαστικές Ανελίξεις (2) Αγγελική Αλεξίου alexiou@unipi.gr 1 Στοχαστικές Διαδικασίες 2 Στοχαστική Διαδικασία Στοχαστικές Ανελίξεις Α. Αλεξίου 3 Στοχαστική Διαδικασία ως συλλογή από συναρτήσεις χρόνου

Διαβάστε περισσότερα

2 ο κεφάλαιο: Ανάλυση και Σύνθεση κυματομορφών με τον Μετασχηματισμό Fourier

2 ο κεφάλαιο: Ανάλυση και Σύνθεση κυματομορφών με τον Μετασχηματισμό Fourier 2 ο κεφάλαιο: Ανάλυση και Σύνθεση κυματομορφών με τον Μετασχηματισμό Fourier Η βασική ιδέα στην ανάλυση των κυματομορφών με την βοήθεια του μετασχηματισμού Fourier συνίσταται στο ότι μία κυματομορφή

Διαβάστε περισσότερα

Κεϕάλαιο 6. Χρονοσειρές

Κεϕάλαιο 6. Χρονοσειρές Κεϕάλαιο 6 Χρονοσειρές Στο προηγούµενο κεϕάλαιο µελετήσαµε τη σχέση ενός µεγέθους µε άλλα µεγέθη καθώς και την εξάρτηση του µεγέθους (της εξαρτηµένης τυχαίας µεταβλητής) από άλλα µεγέθη (τις ανεξάρτητες

Διαβάστε περισσότερα

ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ

ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ ΤΕΧΝΙΚΕΣ ΠΡΟΒΛΕΨΕΩΝ& ΕΛΕΓΧΟΥ ΜΑΘΗΜΑ ΤΡΙΤΟ ΣΥΝΑΡΤΗΣΗ ΑΥΤΟΣΥΣΧΕΤΙΣΗΣ-ΕΛΕΓΧΟΣ ΣΤΑΣΙΜΟΤΗΤΑΣ Δρ. Κουνετάς Η Κωνσταντίνος ΕΠΙΧ Τεχνικές Προβλέψεων & Ελέγχου

Διαβάστε περισσότερα

ΤΜΗΜΑ ΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥ ΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ

ΤΜΗΜΑ ΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥ ΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΤΜΗΜΑ ΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥ ΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΤΕΧΝΙΚΕΣ ΠΡΟΒΛΕΨΕΩΝ & ΕΛΕΓΧΟΥ ΜΑΘΗΜΑ ΘΕΩΡΙΑΣ-ΥΠΟΔΕΙΓΜΑΤΑ ΚΙΝΗΤΟΥ ΜΕΣΟΥ MA(q) ΚΑΙ ΜΙΚΤΑ ΥΠΟΔΕΙΓΜΑΤΑ ARMA (p,q) ΕΠΙΧ - Τεχνικές Προβλέψεων & Ελέγχου

Διαβάστε περισσότερα

2.5.1 ΕΚΤΙΜΗΣΗ ΠΟΣΟΣΤΙΑΙΩΝ ΣΗΜΕΙΩΝ ΜΙΑΣ ΚΑΤΑΝΟΜΗΣ

2.5.1 ΕΚΤΙΜΗΣΗ ΠΟΣΟΣΤΙΑΙΩΝ ΣΗΜΕΙΩΝ ΜΙΑΣ ΚΑΤΑΝΟΜΗΣ .5. ΕΚΤΙΜΗΣΗ ΠΟΣΟΣΤΙΑΙΩΝ ΣΗΜΕΙΩΝ ΜΙΑΣ ΚΑΤΑΝΟΜΗΣ Η μέθοδος κατασκευής διαστήματος εμπιστοσύνης για την πιθανότητα που περιγράφεται στην προηγούμενη ενότητα μπορεί να χρησιμοποιηθεί για την κατασκευή διαστημάτων

Διαβάστε περισσότερα

Σ ΤΑΤ Ι Σ Τ Ι Κ Η. Statisticum collegium iv

Σ ΤΑΤ Ι Σ Τ Ι Κ Η. Statisticum collegium iv Σ ΤΑΤ Ι Σ Τ Ι Κ Η i Statisticum collegium iv Στατιστική Συμπερασματολογία Ι Σημειακές Εκτιμήσεις Διαστήματα Εμπιστοσύνης Στατιστική Συμπερασματολογία (Statistical Inference) Το πεδίο της Στατιστικής Συμπερασματολογία,

Διαβάστε περισσότερα

iii ΠΕΡΙΕΧΟΜΕΝΑ Πρόλογος

iii ΠΕΡΙΕΧΟΜΕΝΑ Πρόλογος iii ΠΕΡΙΕΧΟΜΕΝΑ Πρόλογος xi 1 Αντικείμενα των Πιθανοτήτων και της Στατιστικής 1 1.1 Πιθανοτικά Πρότυπα και Αντικείμενο των Πιθανοτήτων, 1 1.2 Αντικείμενο της Στατιστικής, 3 1.3 Ο Ρόλος των Πιθανοτήτων

Διαβάστε περισσότερα

ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ. ΜΑΘΗΜΑ 5ο

ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ. ΜΑΘΗΜΑ 5ο ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΜΑΘΗΜΑ 5ο Μοναδιαία ρίζα Είδαμε προηγουμένως πως ο έλεγχος της στασιμότητας μιας χρονικής σειράς μπορεί να γίνει με τη συνάρτηση αυτοσυσχέτισης.

Διαβάστε περισσότερα

ΚΑΤΑΝΟΜΈΣ. 8.1 Εισαγωγή. 8.2 Κατανομές Συχνοτήτων (Frequency Distributions) ΚΕΦΑΛΑΙΟ

ΚΑΤΑΝΟΜΈΣ. 8.1 Εισαγωγή. 8.2 Κατανομές Συχνοτήτων (Frequency Distributions) ΚΕΦΑΛΑΙΟ ΚΑΤΑΝΟΜΈΣ ΚΕΦΑΛΑΙΟ 8 81 Εισαγωγή Οι κατανομές διακρίνονται σε κατανομές συχνοτήτων, κατανομές πιθανοτήτων και σε δειγματοληπτικές κατανομές Στη συνέχεια θα γίνει αναλυτική περιγραφή αυτών 82 Κατανομές

Διαβάστε περισσότερα

3.4.2 Ο Συντελεστής Συσχέτισης τ Του Kendall

3.4.2 Ο Συντελεστής Συσχέτισης τ Του Kendall 3..2 Ο Συντελεστής Συσχέτισης τ Του Kendall Ο συντελεστής συχέτισης τ του Kendall μοιάζει με τον συντελεστή ρ του Spearman ως προς το ότι υπολογίζεται με βάση την τάξη μεγέθους των παρατηρήσεων και όχι

Διαβάστε περισσότερα

Στοχαστικές Μέθοδοι στους Υδατικούς Πόρους Φασματική ανάλυση χρονοσειρών

Στοχαστικές Μέθοδοι στους Υδατικούς Πόρους Φασματική ανάλυση χρονοσειρών Στοχαστικές Μέθοδοι στους Υδατικούς Πόρους Φασματική ανάλυση χρονοσειρών Δημήτρης Κουτσογιάννης Τομέας Υδατικών Πόρων και Περιβάλλοντος, Σχολή Πολιτικών Μηχανικών, Εθνικό Μετσόβιο Πολυτεχνείο Αθήνα Επανέκδοση

Διαβάστε περισσότερα

ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ ΕΡΓΑΣΤΗΡΙΟ ΤΕΧΝΙΚΩΝ ΠΡΟΒΛΕΨΕΩΝ& ΕΛΕΓΧΟΥ ΜΑΘΗΜΑ ΤΡΙΤΟ-ΑΥΤΟΣΥΣΧΕΤΙΣΗ (AUTOCORRELATION)

ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ ΕΡΓΑΣΤΗΡΙΟ ΤΕΧΝΙΚΩΝ ΠΡΟΒΛΕΨΕΩΝ& ΕΛΕΓΧΟΥ ΜΑΘΗΜΑ ΤΡΙΤΟ-ΑΥΤΟΣΥΣΧΕΤΙΣΗ (AUTOCORRELATION) ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ ΕΡΓΑΣΤΗΡΙΟ ΤΕΧΝΙΚΩΝ ΠΡΟΒΛΕΨΕΩΝ& ΕΛΕΓΧΟΥ ΜΑΘΗΜΑ ΤΡΙΤΟ-ΑΥΤΟΣΥΣΧΕΤΙΣΗ (AUTOCORRELATION) Μέθοδοςεκθετικήςεξομάλυνσης Μια άλλη τεχνική για δεδομένα με

Διαβάστε περισσότερα

ΕΙΣΑΓΩΓΗ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ

ΕΙΣΑΓΩΓΗ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ ΕΙΣΑΓΩΓΗ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ Μ.Ν. Ντυκέν, Πανεπιστήμιο Θεσσαλίας Τ.Μ.Χ.Π.Π.Α. Ε. Αναστασίου, Πανεπιστήμιο Θεσσαλίας Τ.Μ.Χ.Π.Π.Α. ΔΙΑΛΕΞΗ 07 & ΔΙΑΛΕΞΗ 08 ΣΗΜΠΕΡΑΣΜΑΤΙΚΗ ΣΤΑΤΙΣΤΙΚΗ Βόλος, 016-017 ΕΙΣΑΓΩΓΗ ΣΤΗΝ

Διαβάστε περισσότερα

Μέθοδος μέγιστης πιθανοφάνειας

Μέθοδος μέγιστης πιθανοφάνειας Μέθοδος μέγιστης πιθανοφάνειας Αν x =,,, παρατηρήσεις των Χ =,,,, τότε έχουμε διαθέσιμο ένα δείγμα Χ={Χ, =,,,} της κατανομής F μεγέθους με από κοινού σ.κ. της Χ f x f x Ορισμός : Θεωρούμε ένα τυχαίο δείγμα

Διαβάστε περισσότερα

Περιπτώσεις που η στατιστική συνάρτηση ελέγχου είναι η Ζ: 1. Η σ είναι γνωστή και ο πληθυσμός κανονικός.

Περιπτώσεις που η στατιστική συνάρτηση ελέγχου είναι η Ζ: 1. Η σ είναι γνωστή και ο πληθυσμός κανονικός. ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΤΜΗΜΑ: ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ (Πάτρας) Διεύθυνση: Μεγάλου Αλεξάνδρου 1, 263 34 ΠΑΤΡΑ Τηλ.: 2610 369051, Φαξ: 2610 396184, email: mitro@teipat.gr Καθ η γη

Διαβάστε περισσότερα

Κεφάλαιο 8 Συνεχείς Κατανομές Πιθανοτήτων

Κεφάλαιο 8 Συνεχείς Κατανομές Πιθανοτήτων Κεφάλαιο 8 Συνεχείς Κατανομές Πιθανοτήτων Copyright 2009 Cengage Learning 8.1 Συναρτήσεις Πυκνότητας Πιθανοτήτων Αντίθετα με τη διακριτή τυχαία μεταβλητή που μελετήσαμε στο Κεφάλαιο 7, μια συνεχής τυχαία

Διαβάστε περισσότερα

Χρονοσειρές - Μάθημα 9 Aνάλυση χρονοσειρών και δυναμικά συστήματα

Χρονοσειρές - Μάθημα 9 Aνάλυση χρονοσειρών και δυναμικά συστήματα Χρονοσειρές - Μάθημα 9 Aνάλυση χρονοσειρών και δυναμικά συστήματα - Ανακατασκευή του χώρου καταστάσεων παρατήρηση της πολυπλοκότητας / στοχαστικότητας / δομής του συστήματος - Εκτίμηση χαρακτηριστικών

Διαβάστε περισσότερα

Στατιστική Επιχειρήσεων ΙΙ

Στατιστική Επιχειρήσεων ΙΙ ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα Στατιστική Επιχειρήσεων ΙΙ Ενότητα #4: Έλεγχος Υποθέσεων Μιλτιάδης Χαλικιάς Τμήμα Διοίκησης Επιχειρήσεων Άδειες Χρήσης Το παρόν

Διαβάστε περισσότερα

ΜΑΘΗΜΑΤΙΚΑ. 1 ο ΔΙΑΓΩΝΙΣΜΑ. ΘΕΜΑ 1 ο Δίνεται η συνάρτηση f x. Ι. Το πεδίο ορισμού της f είναι:., 1 υ -1, B. 1, Γ. -1,., 1.

ΜΑΘΗΜΑΤΙΚΑ. 1 ο ΔΙΑΓΩΝΙΣΜΑ. ΘΕΜΑ 1 ο Δίνεται η συνάρτηση f x. Ι. Το πεδίο ορισμού της f είναι:., 1 υ -1, B. 1, Γ. -1,., 1. Γ ΛΥΚΕΙΟΥ-ΓΕΝΙΚΗ ΠΑΙΔΕΙΑ ΜΑΘΗΜΑΤΙΚΑ ο ΔΙΑΓΩΝΙΣΜΑ ΘΕΜΑ ο Δίνεται η συνάρτηση f Ι. Το πεδίο ορισμού της f είναι:., υ -, B., Γ. -,.,., ΙΙ. Το όριο f lm 0 είναι ίσο με: Α. 0 Β. Γ. Δ. Ε. Τίποτε από τα προηγούμενα

Διαβάστε περισσότερα

2.1 Έννοια του στοχαστικού σήµατος. Θεωρούµε ένα µονοδιάστατο γραµµικό δυναµικό σύστηµα που περιγράφεται από τις σχέσεις:

2.1 Έννοια του στοχαστικού σήµατος. Θεωρούµε ένα µονοδιάστατο γραµµικό δυναµικό σύστηµα που περιγράφεται από τις σχέσεις: Στοχαστικά σήµατα Έννοια του στοχαστικού σήµατος Θερούµε ένα µονοδιάστατο γραµµικό δυναµικό σύστηµα που περιγράφεται από τις σχέσεις: & α Γνρίζουµε µε απόλυτη βεβαιότητα (µε πιθανότητα ένα), ότι η αρχική

Διαβάστε περισσότερα

Επεξεργασία Στοχαστικών Σημάτων

Επεξεργασία Στοχαστικών Σημάτων Επεξεργασία Στοχαστικών Σημάτων Σεραφείμ Καραμπογιάς Σχολή Θετικών Επιστημών Τμήμα Πληροφορικής και Τηλεπικοινωνιών Η Έννοια της τυχαίας Διαδικασίας Η έννοια της τυχαίας διαδικασίας βασίζεται στην επέκταση

Διαβάστε περισσότερα

Τμήμα Τεχνολόγων Γεωπόνων-Κατεύθυνση Αγροτικής Οικονομίας Εφαρμοσμένη Στατιστική Μάθημα 4 ο :Τυχαίες μεταβλητές Διδάσκουσα: Κοντογιάννη Αριστούλα

Τμήμα Τεχνολόγων Γεωπόνων-Κατεύθυνση Αγροτικής Οικονομίας Εφαρμοσμένη Στατιστική Μάθημα 4 ο :Τυχαίες μεταβλητές Διδάσκουσα: Κοντογιάννη Αριστούλα Τμήμα Τεχνολόγων Γεωπόνων-Κατεύθυνση Αγροτικής Οικονομίας Εφαρμοσμένη Στατιστική Μάθημα 4 ο :Τυχαίες μεταβλητές Διδάσκουσα: Κοντογιάννη Αριστούλα Ορισμός τυχαίας μεταβλητής Τυχαία μεταβλητή λέγεται η συνάρτηση

Διαβάστε περισσότερα

Επισκόπηση ύλης Πιθανοτήτων: Μέρος ΙΙ. M. Kούτρας

Επισκόπηση ύλης Πιθανοτήτων: Μέρος ΙΙ. M. Kούτρας Επισκόπηση ύλης Πιθανοτήτων: Μέρος ΙΙ M. Kούτρας Πειραιάς, 2014 1 Από κοινού συνάρτηση πιθανότητας μιας δισδιάστατης διακριτής τυχαίας μεταβλητής Με λόγια, η f ( x, y) δίνει την πιθανότητα να εμφανισθεί

Διαβάστε περισσότερα

Αναλυτική Στατιστική

Αναλυτική Στατιστική Αναλυτική Στατιστική Συμπερασματολογία Στόχος: εξαγωγή συμπερασμάτων για το σύνολο ενός πληθυσμού, αντλώντας πληροφορίες από ένα μικρό υποσύνολο αυτού Ορισμοί Πληθυσμός: σύνολο όλων των υπό εξέταση μονάδων

Διαβάστε περισσότερα

Τυχαία μεταβλητή (τ.μ.)

Τυχαία μεταβλητή (τ.μ.) Τυχαία μεταβλητή (τ.μ.) Τυχαία μεταβλητή (τ.μ.) είναι μια συνάρτηση X ( ) με πεδίο ορισμού το δειγματικό χώρο Ω του πειράματος και πεδίο τιμών ένα υποσύνολο πραγματικών αριθμών που συμβολίζουμε συνήθως

Διαβάστε περισσότερα

Έλεγχος Υποθέσεων. Δρ. Αθανάσιος Δαγούμας, Επ. Καθηγητής Οικονομικής της Ενέργειας & των Φυσικών Πόρων, Πανεπιστήμιο Πειραιώς

Έλεγχος Υποθέσεων. Δρ. Αθανάσιος Δαγούμας, Επ. Καθηγητής Οικονομικής της Ενέργειας & των Φυσικών Πόρων, Πανεπιστήμιο Πειραιώς Δρ. Αθανάσιος Δαγούμας, Επ. Καθηγητής Οικονομικής της Ενέργειας & των Φυσικών Πόρων, Πανεπιστήμιο Πειραιώς Η μηδενική υπόθεση είναι ένας ισχυρισμός σχετικά με την τιμή μιας πληθυσμιακής παραμέτρου. Είναι

Διαβάστε περισσότερα

Διαχείριση Υδατικών Πόρων

Διαχείριση Υδατικών Πόρων Εθνικό Μετσόβιο Πολυτεχνείο Διαχείριση Υδατικών Πόρων Γ.. Τσακίρης Μάθημα 3 ο Λεκάνη απορροής Υπάρχουσα κατάσταση Σενάριο 1: Μέσες υδρολογικές συνθήκες Σενάριο : Δυσμενείς υδρολογικές συνθήκες Μελλοντική

Διαβάστε περισσότερα

Παραβίασητωνβασικώνυποθέσεωντηςπαλινδρόμησης (Violation of the assumptions of the classical linear regression model)

Παραβίασητωνβασικώνυποθέσεωντηςπαλινδρόμησης (Violation of the assumptions of the classical linear regression model) ΜΑΘΗΜΑ 4 ο 1 Παραβίασητωνβασικώνυποθέσεωντηςπαλινδρόμησης (Violation of the assumptions of the classical linear regression model) Αυτοσυσχέτιση (Serial Correlation) Lagrange multiplier test of residual

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ II ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ 1. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΕΝΑ ΚΡΙΤΗΡΙΟ 2. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΔΥΟ ΚΡΙΤΗΡΙΑ

ΚΕΦΑΛΑΙΟ II ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ 1. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΕΝΑ ΚΡΙΤΗΡΙΟ 2. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΔΥΟ ΚΡΙΤΗΡΙΑ ΚΕΦΑΛΑΙΟ II ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΕΝΟΤΗΤΕΣ 1. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΕΝΑ ΚΡΙΤΗΡΙΟ. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΔΥΟ ΚΡΙΤΗΡΙΑ 1. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΕΝΑ ΚΡΙΤΗΡΙΟ (One-Way Analyss of Varance) Η ανάλυση

Διαβάστε περισσότερα

ΠΙΘΑΝΟΤΗΤΕΣ Δειγματικός Χώρος. Ενδεχόμενα {,,..., }.

ΠΙΘΑΝΟΤΗΤΕΣ Δειγματικός Χώρος. Ενδεχόμενα {,,..., }. ΠΙΘΑΝΟΤΗΤΕΣ Δειγματικός Χώρος Το σύνολο των δυνατών αποτελεσμάτων λέγεται δειγματικός χώρος (sample space) και συμβολίζεται συνήθως με το γράμμα Αν δηλαδή ω,,, ω2 ωκ είναι τα δυνατά αποτελέσματα ενός πειράματος

Διαβάστε περισσότερα

E [ -x ^2 z] = E[x z]

E [ -x ^2 z] = E[x z] 1 1.ΦΙΛΤΡΟ KALMAN ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ Σε αυτήν την διάλεξη θα πάμε στο φίλτρο με περισσότερες λεπτομέρειες, και θα παράσχουμε μια νέα παραγωγή για το φίλτρο Kalman, αυτή τη φορά βασισμένο στην ιδέα της γραμμικής

Διαβάστε περισσότερα

Β Γραφικές παραστάσεις - Πρώτο γράφημα Σχεδιάζοντας το μήκος της σανίδας συναρτήσει των φάσεων της σελήνης μπορείτε να δείτε αν υπάρχει κάποιος συσχετισμός μεταξύ των μεγεθών. Ο συνήθης τρόπος γραφικής

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ 2 ΑΝΑΣΚΟΠΗΣΗ ΑΠΑΡΑΙΤΗΤΩΝ ΓΝΩΣΕΩΝ: ΕΚΤΙΜΗΤΕΣ

ΚΕΦΑΛΑΙΟ 2 ΑΝΑΣΚΟΠΗΣΗ ΑΠΑΡΑΙΤΗΤΩΝ ΓΝΩΣΕΩΝ: ΕΚΤΙΜΗΤΕΣ ΚΕΦΑΛΑΙΟ ΑΝΑΣΚΟΠΗΣΗ ΑΠΑΡΑΙΤΗΤΩΝ ΓΝΩΣΕΩΝ: ΕΚΤΙΜΗΤΕΣ Ως γνωστό δείγμα είναι ένα σύνολο παρατηρήσεων από ένα πληθυσμό. Αν ο πληθυσμός αυτός θεωρηθεί μονοδιάστατος τότε μπορεί να εκφρασθεί με τη συνάρτηση

Διαβάστε περισσότερα

Περιεχόμενα της Ενότητας. Συνεχείς Τυχαίες Μεταβλητές. Συνεχείς Κατανομές Πιθανότητας. Συνεχείς Κατανομές Πιθανότητας.

Περιεχόμενα της Ενότητας. Συνεχείς Τυχαίες Μεταβλητές. Συνεχείς Κατανομές Πιθανότητας. Συνεχείς Κατανομές Πιθανότητας. Περιεχόμενα της Ενότητας Στατιστική Ι Ενότητα 5: Συνεχείς Κατανομές Πιθανότητας Δρ. Χρήστος Εμμανουηλίδης Επίκουρος Καθηγητής Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης. Συνεχείς Τυχαίες Μεταβλητές. Συνεχείς

Διαβάστε περισσότερα

3η Ενότητα Προβλέψεις

3η Ενότητα Προβλέψεις ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Τεχνικές Προβλέψεων 3η Ενότητα Προβλέψεις (Μέρος 4 ο ) http://www.fsu.gr

Διαβάστε περισσότερα

Πιθανότητες & Τυχαία Σήματα. Διγαλάκης Βασίλης

Πιθανότητες & Τυχαία Σήματα. Διγαλάκης Βασίλης Πιθανότητες & Τυχαία Σήματα Διγαλάκης Βασίλης Στατικές (Στάσιμες) Διαδικασίες Στατική (Stationary) ορίζεται η διαδικασία της οποίας οι στατιστικές ιδιότητες δεν μεταβάλλονται με την πάροδο του χρόνου.

Διαβάστε περισσότερα

Χρονοσειρές - Μάθημα 7. Μη-γραμμική ανάλυση χρονοσειρών

Χρονοσειρές - Μάθημα 7. Μη-γραμμική ανάλυση χρονοσειρών Χρονοσειρές - Μάθημα 7 Μη-γραμμική ανάλυση χρονοσειρών Γραμμική ανάλυση / Γραμμικά μοντέλα αυτοσυσχέτιση AR μοντέλο ARMA(p,q) μοντέλο x x px p z z z q q Πλεονεκτήματα:. Απλά 2. Κανονική διαδικασία, ανεπτυγμένη

Διαβάστε περισσότερα

2 Ανάλυση Χρονοσειρών στο Πεδίο των Συχνοτήτων

2 Ανάλυση Χρονοσειρών στο Πεδίο των Συχνοτήτων Ανάλυση Χρονοσειρών στο Πεδίο των Συχνοτήτων Η ανάλυση χρονοσειρών στο πεδίο των συχνοτήτων είναι συμπληρωματική της ανάλυσης στο πεδίο του χρόνου, αλλά μπορεί να διερευνήσει χαρακτηριστικά που δεν εντοπίζονται

Διαβάστε περισσότερα

5. Έλεγχοι Υποθέσεων

5. Έλεγχοι Υποθέσεων 5. Έλεγχοι Υποθέσεων Υποθέσεις Η μηδενική υπόθεση Η (ή ΗΑ) εναλλακτική υπόθεση Δεχόμαστε Η Απορρίπτουμε Η Η σωστή Σωστή απόφαση -α Σφάλμα τύπου Ι α Η λάθος Σφάλμα τύπου ΙΙ β Σωστή απόφαση -β ΒΙΟ39-Έλεγχος

Διαβάστε περισσότερα

ΤΕΣΤ ΣΤΑΤΙΣΤΙΚΗΣ ΕΦΑΡΜΟΣΜΕΝΗΣ ΣΤΑΤΙΣΤΙΚΗΣ ΓΕΩΡΓΙΚΟΥ ΠΕΙΡΑΜΑΤΙΣΜΟΥ. Τεστ 1 ο Κατανοµή Συχνοτήτων (50 βαθµοί)

ΤΕΣΤ ΣΤΑΤΙΣΤΙΚΗΣ ΕΦΑΡΜΟΣΜΕΝΗΣ ΣΤΑΤΙΣΤΙΚΗΣ ΓΕΩΡΓΙΚΟΥ ΠΕΙΡΑΜΑΤΙΣΜΟΥ. Τεστ 1 ο Κατανοµή Συχνοτήτων (50 βαθµοί) ΤΕΣΤ ΣΤΑΤΙΣΤΙΚΗΣ ΕΦΑΡΜΟΣΜΕΝΗΣ ΣΤΑΤΙΣΤΙΚΗΣ ΓΕΩΡΓΙΚΟΥ ΠΕΙΡΑΜΑΤΙΣΜΟΥ Τεστ 1 ο Κατανοµή Συχνοτήτων (50 βαθµοί) Α. Ερωτήσεις πολλαπλών επιλογών.(11 βαθµοί) (1:3 βαθµοί, 2-9:8 βαθµοί) 1. ίνεται ο πίνακας: Χ

Διαβάστε περισσότερα

4. ΕΠΙΛΟΓΗ ΤΗΣ ΜΕΘΟΔΟΥ ΠΡΟΒΛΕΨΗΣ

4. ΕΠΙΛΟΓΗ ΤΗΣ ΜΕΘΟΔΟΥ ΠΡΟΒΛΕΨΗΣ 4. ΕΠΙΛΟΓΗ ΤΗΣ ΜΕΘΟΔΟΥ ΠΡΟΒΛΕΨΗΣ Πριν από την επιλογή της κατάλληλης μεθόδου πρόβλεψης είναι σκόπιμο να λάβουμε υπ όψη τα παρακάτω ερωτήματα: (α) (β) (γ) (δ) (ε) (ζ) (η) Γιατί χρειαζόμαστε την πρόβλεψη;

Διαβάστε περισσότερα

Κεφάλαιο 9. Έλεγχοι υποθέσεων

Κεφάλαιο 9. Έλεγχοι υποθέσεων Κεφάλαιο 9 Έλεγχοι υποθέσεων 9.1 Εισαγωγή Όταν παίρνουμε ένα ή περισσότερα τυχαία δείγμα από κανονικούς πληθυσμούς έχουμε τη δυνατότητα να υπολογίζουμε στατιστικά, όπως μέσους όρους, δειγματικές διασπορές

Διαβάστε περισσότερα