Bayesian Biostatistics Using BUGS
|
|
- Βηθανία Τρικούπης
- 8 χρόνια πριν
- Προβολές:
Transcript
1 Bayesian Biostatistics Using BUGS Βιο-Στατιστική κατά Bayes µε τη χρήση του Λογισµικού BUGS ΜΑΘΗΜΑ 2: ΕΙΣΑΓΩΓΗ ΣΤΟ WINBUGS I. Ntzoufras Department of Statistics, Athens University of Economics & Business version Εισαγωγή: ιαφορές από το BUGS Ένα Απλό Παράδειγµα Καθορισµός Νέας Πιθανοφάνειας και Prior [µόνο στο WINBUGS] Προσοµοίωση στο Παρασκήνιο [µόνο στο 1.4]. Bayesian Biostatistics Using BUGS (2) 2.1
2 4.1. ΕΙΣΑΓΩΓΗ: ΙΑΦΟΡΕΣ ΜΕ ΤΟ ΚΛΑΣΣΙΚΟ BUGS Γενικά η λογική είναι ίδια µε το κλασσικό BUGS Επιπλέον νέες µεθοδολογίες και αλγόριθµοι (Metropolis-Hastings και Slice Gibbs) Γράφουµε κατευθείαν το κώδικα για το «κυρίως µοντέλο» εν χρειαζόµαστε το προπαρασκευαστικό κώδικα (preamble) ΕΙΣΑΓΩΓΗ: ΙΑΦΟΡΕΣ ΜΕ ΤΟ ΚΛΑΣΣΙΚΟ BUGS (2) Γραφική αναπαράσταση του µοντέλου µέσω του DoodleBUGS Φιλικά µενού για το χειρισµό της προσοµοίωσης Μπορούµε να έχουµε κατευθείαν περιγραφική ανάλυση και διαγράµµατα της posterior κατανοµής Υπάρχει δυνατότητα «Αποκοπής και επικόλλησης» (Cut/paste) σε άλλα προγράµµατα Bayesian Biostatistics Using BUGS (2) 2.2
3 4.1. ΕΙΣΑΓΩΓΗ: ΙΑΦΟΡΕΣ ΜΕ ΤΟ ΚΛΑΣΣΙΚΟ BUGS (3) Μπορούµε να ορίσουµε Πιθανοφάνεια και Prior που δε συµπεριλαµβάνονται στην προκαθορισµένη λίστα του WINBUGS Στην έκδοση 1.4 µπορούµε να προσοµοιώσουµε στο παρασκήνιο κάτι που γινόταν στο BUGS αλλά όχι στον WINBUGS Ένα Απλό Παράδειγµα Green & Touchston (1963, Am.Jour. Of Obsterics & Gynecology) Μελετάµε τη σχέση µεταξύ Y : Βάρος γέννησης (Birthweight) X : Επίπεδο Εστριόλης της µητέρας (Estriol level) Μέγεθος είγµατος n=31 Bayesian Biostatistics Using BUGS (2) 2.3
4 Ορισµός του Μοντέλου στο WINBUGS Ξεκινάµε το WinBUGS Επιλέγουµε New στο µενού file Ορισµός του Μοντέλου στο WINBUGS Γράφουµε τον κώδικα του µοντέλου Bayesian Biostatistics Using BUGS (2) 2.4
5 Ορισµός του Μοντέλου στο WINBUGS Γράφουµε τον κώδικα του µοντέλου Ακολουθούµενο από τις αρχικες τιµές list(a.star=0.0, b=0.0, tau=1.0) και τα δεδοµένα list(n=31) estriol[] birth[] END [ENTER] [ENTER] ΠΡΟΣΟΧΗ: ΑΥΤΟ ΕΝ ΧΡΕΙΑΖΕΤΑΙ ΣΤΟ WINBUGS 1.3 Check Check Model Model Load Load Data Data Compile Model Model Initial Initial Values Values Update Sampler Checks Checks Syntax Syntax Start Start Sampler Bayesian Biostatistics Using BUGS (2) 2.5
6 1 Έλεγχος του Μοντέλου (Check Model) 1 Έλεγχος του Μοντέλου (Check Model) ΜΑΥΡΙΖΟΥΜΕ (µε double click) ΤΗΝ ΕΝΤΟΛΗ model Bayesian Biostatistics Using BUGS (2) 2.6
7 1 Έλεγχος του Μοντέλου (Check Model) ΕΠΙΛΕΓΟΥΜΕ SPECIFICATION ΑΠΟ ΤΟ ΜΕΝΟΥ MODEL 1 Έλεγχος του Μοντέλου (Check Model) ΕΠΙΛΕΓΟΥΜΕ ΤΟ ΚΟΥΤΙ CHECK MODEL Bayesian Biostatistics Using BUGS (2) 2.7
8 1 Έλεγχος του Μοντέλου (Check Model) ΕΑΝ Η ΣΥΝΤΑΞΗ ΕΙΝΑΙ ΣΩΣΤΗ ΤΟΤΕ 2 Φόρτωση των εδοµένων (Load Data) ΜΑΥΡΙΖΟΥΜΕ ΤΟ list Ή ΤΗΝ 1η ΓΡΑΜΜΗ ΤΩΝ Ε ΟΜΕΝΩΝ Bayesian Biostatistics Using BUGS (2) 2.8
9 2 Φόρτωση των εδοµένων (Load Data) ΕΠΙΛΕΓΟΥΜΕ ΤΟ ΚΟΥΤΙ LOAD DATA 2 Φόρτωση των εδοµένων (Load Data) ΜΑΥΡΙΖΟΥΜΕ ΕΠΙΠΛΕΟΝ Ε ΟΜΕΝΑ ΓΙΑ ΦΟΡΤΩΜΑ Bayesian Biostatistics Using BUGS (2) 2.9
10 2 Φόρτωση των εδοµένων (Load Data) ΞΑΝΑΕΠΙΛΕΓΟΥΜΕ ΤΟ ΚΟΥΤΙ LOAD DATA 2 Φόρτωση των εδοµένων (Load Data) ΕΑΝ ΤΑ Ε ΟΜΕΝΑ ΦΟΡΤΩΘΟΥΝ ΣΩΣΤΑ ΤΟΤΕ Bayesian Biostatistics Using BUGS (2) 2.10
11 3 Εκκίνηση του Μοντέλου (Compile Model) ΜΑΥΡΙΖΟΥΜΕ ΤΗΝ ΕΝΤΟΛΗ model (ΞΑΝΑ) 3 Εκκίνηση του Μοντέλου (Compile Model) ΕΠΙΛΕΓΟΥΜΕ ΤΟ ΚΟΥΤΙ COMPILE Bayesian Biostatistics Using BUGS (2) 2.11
12 3 Εκκίνηση του Μοντέλου (Compile Model) ΕΑΝ ΤΟ ΜΟΝΤΕΛΟ ΕΚΚΙΝΗΘΕΙ ΣΩΣΤΑ ΤΟΤΕ 4 Φόρτωση ή Προσοµοίωση Αρχικών Τιµών ΜΑΥΡΙΖΟΥΜΕ ΤΗΝ ΕΝΤΟΛΗ list ΤΩΝ ΑΡΧΙΚΩΝ ΤΙΜΩΝ Bayesian Biostatistics Using BUGS (2) 2.12
13 4 Φόρτωση ή Προσοµοίωση Αρχικών Τιµών ΕΠΙΛΕΓΟΥΜΕ ΤΟ ΚΟΥΤΙ LOAD INITS 4 Φόρτωση ή Προσοµοίωση Αρχικών Τιµών ΕΑΝ ΟΙ ΑΡΧΙΚΕΣ ΤΙΜΕΣ ΦΟΡΤΩΘΟΥΝ ΣΩΣΤΑ ΤΟΤΕ Bayesian Biostatistics Using BUGS (2) 2.13
14 4 Φόρτωση ή Προσοµοίωση Αρχικών Τιµών ΤΟ WINBUGS ΕΙΝΑΙ ΕΤΟΙΜΟ ΓΙΑ ΝΑ ΠΡΟΣΟΜΟΙΩΣΕΙ ΕΝΑ ΕΙΓΜΑ ΑΠΟ ΤΗΝ ΕΚ-ΤΩΝ-ΥΣΤΕΡΩΝ ΚΑΤΑΝΟΜΗ ΜΕ ΤΗ ΧΡΗΣΗ ΤΟΥ ΕΙΓΜΑΤΟΛΗΠΤΗ GIBBS. 5 Προσοµοίωση Τιµών Burn-in ΕΠΙΛΕΓΟΥΜΕ UPDATE ΣΤΟ ΜΕΝΟΥ MODEL Bayesian Biostatistics Using BUGS (2) 2.14
15 5 Προσοµοίωση Τιµών Burn-in ΓΡΑΦΟΥΜΕ ΣΤΟ updates ΤΟΝ ## ΤΩΝ BURN-IN ΕΠΑΝΑΛΗΨΕΩΝ 5 Προσοµοίωση Τιµών Burn-in ΕΠΙΛΕΓΟΥΜΕ ΤΟ UPDATE ΓΙΑ ΝΑ ΠΡΟΣΟΜΟΙΩΣΟΥΜΕ Bayesian Biostatistics Using BUGS (2) 2.15
16 6 Παρακολούθηση Παραµέτρων ΕΠΙΛΕΓΟΥΜΕ ΤΟ SAMPLES ΣΤΟ ΜΕΝΟΥ INFERENCE 6 Παρακολούθηση Παραµέτρων ΓΡΑΦΟΥΜΕ ΣΤΟ node ΤΟ ΟΝΟΜΑ ΤΗΣ ΠΑΡΑΜΕΤΡΟΥ Bayesian Biostatistics Using BUGS (2) 2.16
17 6 Παρακολούθηση Παραµέτρων ΚΑΙ ΜΕΤΑ ΕΠΙΛΕΓΟΥΜΕ ΤΟ ΚΟΥΤΙ SET 6 Παρακολούθηση Παραµέτρων ΓΡΑΦΟΥΜΕ a ΚΑΙ ΕΠΙΛΕΓΟΥΜΕ ΤΟ ΚΟΥΤΙ SET ΓΡΑΦΟΥΜΕ b ΚΑΙ ΕΠΙΛΕΓΟΥΜΕ ΤΟ ΚΟΥΤΙ SET ΓΡΑΦΟΥΜΕ s2 ΚΑΙ ΕΠΙΛΕΓΟΥΜΕ ΤΟ ΚΟΥΤΙ SET Bayesian Biostatistics Using BUGS (2) 2.17
18 7 Προσοµοίωση Εκ-των-υστέρων Τιµών ΕΠΙΛΕΓΟΥΜΕ ΤΟ UPDATE TOOL ΓΡΑΦΟΥΜΕ ΣΤΟ updates ΤΟΝ ΑΡΙΘΜΟ ΤΩΝ ΕΠΑΝΑΛΗΨΕΩΝ ΠΟΥ ΕΠΙΘΥΜΟΥΜΕ (Ε Ω 1000) 8 Περιγραφή της Εκ-των-Υστέρων Κατανοµής ΕΠΙΛΕΓΟΥΜΕ ΤΟ SAMPLE MONITOR TOOL. Bayesian Biostatistics Using BUGS (2) 2.18
19 8 Περιγραφή της Εκ-των-Υστέρων Κατανοµής ΓΡΑΦΟΥΜΕ ΣΤΟ node ΤΟ ΟΝΟΜΑ ΤΗΣ ΠΑΡΑΜΕΤΡΟΥ ΠΟΥ ΘΕΛΟΥΜΕ ΝΑ ΠΕΡΙΓΡΑΨΟΥΜΕ [*=ΟΛΕΣ ΟΙ ΠΑΡΑΜΕΤΡΟΙ ΠΟΥ ΗΛΩΣΑΜΕ ΣΤΟ MONITOR] 8 Περιγραφή της Εκ-των-Υστέρων Κατανοµής ΕΠΙΛΕΓΟΥΜΕ ΤΟ ΚΟΥΤΙ STATS. Bayesian Biostatistics Using BUGS (2) 2.19
20 8 Περιγραφή της Εκ-των-Υστέρων Κατανοµής ΒΛΕΠΟΥΜΕ ΤΟΥΣ ΠΕΡΙΓΡΑΦΙΚΟΥΣ ΣΤΑΤΙΣΤΙΚΟΥΣ ΕΙΚΤΕΣ ΤΗΝ ΕΚ-ΤΩΝ-ΥΣΤΕΡΩΝ ΚΑΤΑΝΟΜΗΣ. 8 Περιγραφή της Εκ-των-Υστέρων Κατανοµής ΕΠΙΛΕΓΟΝΤΑΣ ΤΟ ΚΟΥΤΙ HISTORY ΣΤΟ SAMPLE MONITOR TOOL... Bayesian Biostatistics Using BUGS (2) 2.20
21 8 Περιγραφή της Εκ-των-Υστέρων a Κατανοµής 35.0 ΠΑΙΡΝΟΥΜΕ ΤΟ ΙΑΓΡΑΜΜΑ ΤΩΝ ΠΡΟΣΟΜΟΙΩΜΕΝΩΝ ΙΑΓΡΑΜΜΑΤΩΝ (TRACE PLOTS) iteration b iteration s iteration 8 Περιγραφή της Εκ-των-Υστέρων Κατανοµής ΕΠΙΛΕΓΟΝΤΑΣ ΤΟ ΚΟΥΤΙ DENSITY ΣΤΟ SAMPLE MONITOR TOOL... Bayesian Biostatistics Using BUGS (2) 2.21
22 8 Περιγραφή της Εκ-των-Υστέρων Κατανοµής ΠΑΙΡΝΟΥΜΕ ΤΑ ΙΑΓΡΑΜΜΑΤΑ ΤΗΣ ΕΚΤΙΜΩΜΕΝΗΣ ΣΥΝΑΡΤΗΣΗΣ ΠΥΚΝΟΤΗΤΑΣ ΠΙΘΑΝΟΤΗΤΑΣ ΤΗΣ ΕΚ-ΤΩΝ- ΥΣΤΕΡΩΝ ΚΑΤΑΝΟΜΗΣ a sample: b sample: s2 sample: Περιγραφή της Εκ-των-Υστέρων Κατανοµής ΕΠΙΛΕΓΟΝΤΑΣ ΤΟ ΚΟΥΤΙ QUANTILES ΣΤΟ SAMPLE MONITOR TOOL... Bayesian Biostatistics Using BUGS (2) 2.22
23 8 Περιγραφή της Εκ-των-Υστέρων Κατανοµής ΠΑΙΡΝΟΥΜΕ ΤΑ ΙΑΓΡΑΜΜΑΤΑ ΤΩΝ ΠΟΣΟΣΤΗΜΟΡΙΩΝ ΤΗΣ ΕΚ-ΤΩΝ-ΥΣΤΕΡΩΝ ΚΑΤΑΝΟΜΗΣ a iteration b iteration s iteration 8 Περιγραφή της Εκ-των-Υστέρων Κατανοµής ΕΠΙΛΕΓΟΝΤΑΣ ΤΟ ΚΟΥΤΙ AUTOC ΣΤΟ SAMPLE MONITOR TOOL... Bayesian Biostatistics Using BUGS (2) 2.23
24 8 Περιγραφή της Εκ-των-Υστέρων Κατανοµής ΠΑΙΡΝΟΥΜΕ ΤΑ ΙΑΓΡΑΜΜΑΤΑ ΤΩΝ ΑΥΤΟ-ΣΥΣΧΕΤΙΣΕΩΝ ΤΩΝ ΠΡΟΣΟΜΟΙΩΜΕΝΩΝ ΤΙΜΩΝ a lag b lag s lag 8 Περιγραφή της Εκ-των-Υστέρων Κατανοµής ΤΟ ΚΟΥΤΙ TRACE ΠΑΡΑΓΕΙ ΕΝΑ ΥΝΑΜΙΚΟ ΙΑΓΡΑΜΜΑ ΤΩΝ ΠΡΟΣΟΜΟΙΩΜΕΝΩΝ ΤΙΜΩΝ ON LINE ΤΟ ΚΟΥΤΙ CODA ΠΑΡΑΓΕΙ ΜΙΑ ΛΙΣΤΑ ΜΕ ΤΙΣ ΠΡΟΣΟΜΟΙΩΜΕΝΕΣ ΤΙΜΕΣ ΠΟΥ ΜΠΟΡΕΙ ΝΑ ΙΑΒΑΣΤΕ ΑΠΟ ΤΟ ΠΡΟΓΡΑΜΜΑ CODA ΠΟΥ ΟΥΛΕΥΕΙ ΣΤΟ R Ή ΣΤΟ SPLUS. ΤΟ ΚΟΥΤΙ GR DIAG ΠΑΡΑΓΕΙ ΕΝΑ ΙΑΓΝΩΤΙΚΟ ΕΛΕΓΧΟ ΓΙΑ ΤΗ ΣΥΓΚΛΙΣΗ ΤΗΣ ΑΛΥΣΙ ΑΣ (ΓΙΑ ΠΟΛΛΑΠΛΕΣ ΑΛΥΣΙ ΕΣ) Bayesian Biostatistics Using BUGS (2) 2.24
25 4.3. Καθορισµός Νεας Πιθανοφάνειας και Prior [MONO STO WINBUGS] Τι γίνεται αν θέλουµε να χρησιµοποίησουµε µια κατανοµή που δεν υπάρχει στο WINBUGS; ΤΟ ΚΟΛΠΟ ΜΕ ΤΑ ΜΗ ΕΝΙΚΑ! Καθορισµός Νεας Prior [MONO STO WINBUGS] ΤΟ ΚΟΛΠΟ ΜΕ ΤΑ ΜΗ ΕΝΙΚΑ! Έστω ότι θέλουµε να ορίσουµε µια prior f(θ) για την παράµετρο θ 1 Θέτουµε ότι η prior του θ είναι επίπεδη στο πεδίο τιµών της ( dflat() ή dunif() ) 2 Θέτουµε µια µεταβλητή (π.χ. zero) ίση µε µηδέν 3 Ορίζουµε ότι ακολουθεί την κατανοµή Poisson µέ µέσο λ 4 Θέτουµε λ=-logf(θ) Bayesian Biostatistics Using BUGS (2) 2.25
26 4.3.1 Καθορισµός Νεας Prior [MONO STO WINBUGS] ΤΟ ΚΟΛΠΟ ΜΕ ΤΑ ΜΗ ΕΝΙΚΑ! Π.χ. f(θ) = z (z + ωθ) θ-1 e -(z + ω θ) /(θ!). Γενικευµένη/Lagrangian Poisson µε µέσο=z/(1-ω), ιακύµανση= z/(1-ω) 3, DI= 1/(1-ω) 2 theta ~ dflat() zero <- 0 zero ~ dpois(lambda) lambda <- -( log(zeta)+(theta-1)* log(zeta+omega*theta)-(zeta+omega*theta)- logfact(theta) ) Καθορισµός Νεας Prior Γιατί δουλέυει αυτό το κόλπο; f(zero θ) είναι η Poisson µε µέση τιµή ίση -log-likelihood φ(θ) είναι η επίπεδη ψεύτο-prior που χρησιµοποιούµε για να ορίσουµε έµµεσα την πραγµατική prior. f(θ zero) είναι η prior που τελικά ορίζουµε. f(θ zero) f(zero=0 θ) φ(θ) = e -λ 1 = e -(-logf(θ)) 1 = f(θ) Bayesian Biostatistics Using BUGS (2) 2.26
27 4.3.1 Καθορισµός Νεας Prior [MONO STO WINBUGS] ΤΟ ΚΟΛΠΟ ΜΕ ΤΑ ΜΗ ΕΝΙΚΑ! είτε στο manual του WINBUGS στην ενότητα newprior για παράδειγµα µε την κανονική κατανοµή ΠΡΟΣΟΧΗ: Αυτή η µέθοδος παράγει δείγµατα µε Μεγάλη αυτο-συσχέτιση Αργή Σύγκλιση Υψηλά Μόντε Κάρλο σφάλµατα είναι δηλ. αργή υπολογιστικά και χρειάζεται να αφήσουµε το WINBUGS να τρέξει για αρκετές επαναλήψεις Καθορισµός Νεας Πιθανοφάνειας Έστω ότι θέλουµε να ορίσουµε µε y i ~f(y i θ) µε παράµετρο θ 1 Θέτουµε µια σταθερά C ίση µε ένα µεγάλο νούµερο για να εξασφαλίσουµε ότι το 2 Θέτουµε ένα διάνυσµα ψευτο-δεδοµένων zero (µε µήκος ίσο µε το µέγεθος των πραγµατικών µας δεδοµένων) ίσο µε µηδέν 3 Ορίζουµε ότι ακολουθεί την κατανοµή Poisson µέ µέσο λ i 4 Θέτουµε λ i =-logf(y i θ) Bayesian Biostatistics Using BUGS (2) 2.27
28 4.3.2 Καθορισµός Νεας Πιθανοφάνειας Π.χ. f(y i z, ω) = z (z + ωy i ) yi-1 e -(z + ωyi) /(y i!). Γενικευµένη/Lagrangian Poisson µε παραµέτρους θ=(z,ω) µέσος=z/(1-ω) και ιακύµανση= z/(1-ω) 3, C < for (i in 1:N) { zeros[i] <- 0 zeros[i] ~ dpois(lambda[i]) lambda[i] <- -L[i] + C L[i] <- -( log(zeta)+(y[i]-1)* log(zeta+omega*y[i])-(zeta+omega*y[i])- logfact(y[i]) ) } Καθορισµός Νεας Πιθανοφάνειας Γιατί δουλέυει αυτό το κόλπο; n i= 1 f ( zero i y, θ) i = n i= 1 e λ i = n i= 1 e ( L + C ) i = n i= 1 e log f ( y θ ) C i n i= 1 f ( y i θ) Bayesian Biostatistics Using BUGS (2) 2.28
29 4.3.2 Καθορισµός Νεας Πιθανοφάνειας ΠΑΡΑ ΕΙΓΜΑ ΓΕΝΙΚΕΥΜΕΝΗΣ POISSON (Rosner 1994, page 94) Αριθµός Θανάτων από πολιοµυελίτιδα την περίοδο Καθορισµός Νεας Πιθανοφάνειας ΠΑΡΑ ΕΙΓΜΑ ΓΕΝΙΚΕΥΜΕΝΗΣ POISSON model { C< for (i in 1:9) { zeros[i]<-0 zeros[i]~dpois( lambda[i] ) lambda[i]<- C - loglike[i] loglike[i] <- log(zeta)+(y[i]-1)* log(zeta+omega*y[i])- (zeta+omega*y[i])-logfact(y[i]) } zeta~dgamma(0.001, 0.001) omega~dbeta(1,1) mean<-zeta/(1-omega) var<-zeta/pow(1-omega,3) DI<-1/((1-omega)*(1-omega)) } DATA : list( y=c(24, 13, 7, 18, 2, 10, 3, 9, 16) ) INITS: list( zeta=1, omega=0.5 ) Bayesian Biostatistics Using BUGS (2) 2.29
30 4.4. Προσοµοίωση στο Παρασκήνιο ΕΙΣΑΓΩΓΗ BATCH MODE METHOD: SCRIPTING [µόνο στο WINBUGS 1.4]. Εναλλακτικός τρόπος προσοµοίωσης χωρίς να περιµένουµε για αποτελέσµατα Χρειάζονται τουλάχιστον 4 αρχεία σε WINBUGS (*.odc) ή text (*.txt) format Εντολές Προσοµοίωσης (script) Μοντέλο εδοµένων (µπορεί να είναι περισσότερα από 1) Αρχικές τιµές (1 αρχείο για κάθε αλυσίδα) 4.4. Προσοµοίωση στο Παρασκήνιο Παράδειγµα script.odc Επιλέξτε BackBugs14.lnk Στον κατάλογο του WINBUGS14 συνήθως c:\program Files\Winbugs14\ Bayesian Biostatistics Using BUGS (2) 2.30
31 4.4. Προσοµοίωση στο Παρασκήνιο Ανοίγουµε το script file c:\program Files\Winbugs14\script.odc και τρέχουµε το µοντέλο στο παρασκήνιο επιλέγοντας MODEL>SCRIPT 4.4. Προσοµοίωση στο Παρασκήνιο Μερικές Σηµαντικές Εντολές display('log') : Ανοίγει ένα αρχείο log που αποθηκεύει τα αποτελέσµατα check('test/seeds_mod.txt'): Έλεγχος µοντέλου που βρίσκεται στο αρχείο Seeds_mod.txt και στον υποκατάλογο του WINBUGS, Test. data('test/seeds_dat.txt'): Φόρτωση εδοµένων από το αρχείο Seeds_dat.txt και στον υποκατάλογο του WINBUGS, Test. compile(2) : Εκκίνηση 2 προσοµοιωµένων αλυσίδων. inits(1, 'Test/Seeds_in.txt'): Φόρτωση Αρχικών Τιµών της 1ης αλυσίδας το αρχείο Seeds_in.txt και στον υποκατάλογο του WINBUGS, Test. Bayesian Biostatistics Using BUGS (2) 2.31
32 4.4. Προσοµοίωση στο Παρασκήνιο Μερικές Σηµαντικές Εντολές gen.inits(): Προσοµοίωση Αρχικών Τιµών. update(500): Προσοµοίωση 500 Τιµών (Burn-in). set(alpha0): Αρχίζουµε και αποθηκεύουµε τις προσοµοιωµένες τιµές για την παράµετρο alpha0. update(1000): Προσοµοίωση 1000 Τιµών. stats(*): Στατιστικοί δείκτες για το προσοµοιωµένο δείγµα όλων των παραµέτρων έχουν οριστεί µέσω του της εντολής set. history(*): ιάγραµµα προσοµοιωµένων τιµών ανά επανάληψη για τις παραµέτρους που έχουν οριστεί µέσω του της εντολής set. trace(*): υναµικό (on-line) ιάγραµµα προσοµοιωµένων τιµών ανά επανάληψη για τις παραµέτρους που έχουν οριστεί µέσω του της εντολής set Προσοµοίωση στο Παρασκήνιο Μερικές Σηµαντικές Εντολές density(*): ιάγραµµα της εκτιµώµενης εκ-των-υστέρων συνάρτησης πιθανότητας ή πυκνότητας πιθανότητας για τις παραµέτρους που έχουν οριστεί µέσω του της εντολής set. autoc(*): ιάγραµµα αυτοσυσχετίσεων των προσοµοιωµένων τιµών για τις παραµέτρους που έχουν οριστεί µέσω του της εντολής set. quantiles(*): ιάγραµµα ποσοστηµορίων των προσοµοιωµένων τιµών ανά επανάληψη για τις παραµέτρους που έχουν οριστεί µέσω του της εντολής set. Bayesian Biostatistics Using BUGS (2) 2.32
33 4.4. Προσοµοίωση στο Παρασκήνιο Μερικές Σηµαντικές Εντολές coda(*,output): Αποθήκευση όλων των monitored παραµέτρων στο αρχείο output το οποίο είναι σε format CODA. Αν το όνοµα του αρχείου µείνει κενό ανοίγει παράθυρο στο WINBUGS. save('seedslog'): Αποθήκευση όλων των αποτελεσµάτων του log παραθύρου στο αρχείο seedlog.odc (format WINBUGS µαζί µε διαγράµµατα). Αν το αρχείο έχει κατάληξη txt τότε αποθηκεύονται σε αρχείο text µόνο το κείµενο (όχι διαγράµµατα και άλλα γραφικά). quit(): Έξοδος από το WINBUGS Προσοµοίωση στο Παρασκήνιο Μερικές Σηµαντικές Εντολές coda(*,output): Αποθήκευση όλων των monitored παραµέτρων στο αρχείο output το οποίο είναι σε format CODA. Αν το όνοµα του αρχείου µείνει κενό ανοίγει παράθυρο στο WINBUGS. save('seedslog'): Αποθήκευση όλων των αποτελεσµάτων του log παραθύρου στο αρχείο seedlog.odc (format WINBUGS µαζί µε διαγράµµατα). Αν το αρχείο έχει κατάληξη txt τότε αποθηκεύονται σε αρχείο text µόνο το κείµενο (όχι διαγράµµατα και άλλα γραφικά). quit(): Έξοδος από το WINBUGS. Bayesian Biostatistics Using BUGS (2) 2.33
34 4.4. Προσοµοίωση στο Παρασκήνιο Προσοµοιώνοντας το Παράδειγµα Εστριόλης στο Παρασκήνιο 1 ΦΤΙΑΧΝΟΥΜΕ 5 ΑΡΧΕΙΑ script.odc model.odc data.odc data2.odc inits.odc 2 ΑΝΟΙΓΟΥΜΕ ΤΟ SCRIPT.ODC ΚΑΙ ΤΡΕΧΟΥΜΕ ΤΟ ΜΟΝΤΕΛΟ ΣΤΟ ΠΑΡΑΣΚΗΝΙΟ ΑΠΟ ΤΟ ΜΕΝΟΥ MODEL>SCRIPT. Bayesian Biostatistics Using BUGS ΤΕΛΟΣ ΕΥΤΕΡΟΥ ΜΑΘΗΜΑΤΟΣ ntzoufras@aueb.gr Department of Statistics, Athens University of Economics & Business Bayesian Biostatistics Using BUGS (2) 2.34
WinBUGS. Το BUGS (Bayesian inference Using Gibbs Sampling) είναι ένα ελεύθερο λογισµικό στο διαδίκτυο (http://www.mrcbsu.cam.ac.uk/bugs/welcome.
WinBUGS Το BUGS (Bayesian inference Using Gibbs Sampling) είναι ένα ελεύθερο λογισµικό στο διαδίκτυο (http://www.mrcbsu.cam.ac.uk/bugs/welcome.shtml) το οποίο χρησιµοποιεί MCMC µεθόδους για την επίλυση
Διαβάστε περισσότεραΣύντοµο Εγχειρίδιο Χρήσης. του Λογισµικού Στατιστικής Επεξεργασίας. SPSS for Windows v. 8.0
Εθνικό & Καποδιστριακό Πανεπιστήµιο Αθηνών Τµήµα Μεθοδολογίας, Ιστορίας & Θεωρίας της Επιστήµης ιαπανεπιστηµιακό Πρόγραµµα Μεταπτυχιακών Σπουδών «Βασική και Εφαρµοσµένη Γνωσιακή Επιστήµη» Σύντοµο Εγχειρίδιο
Διαβάστε περισσότεραBayesian Biostatistics Using BUGS
Bayesian Biostatistics Using BUGS Βιο-Στατιστική κατά Bayes µε τη χρήση του Λογισµικού BUGS ΜΑΘΗΜΑ 4: ΕΙΣΑΓΩΓΗ ΣΤΟΝ ΕΛΕΓΧΟ ΥΠΟΘΕΣΕΩΝ, ΕΠΙΛΟΓΗ ΜΟΝΤΕΛΩΝ ΚΑΙ ΜΕΤΑΒΛΗΤΩΝ ΚΑΤΑ BAYES ΜΕ ΤΟ WINBUGS I. Ntzoufras
Διαβάστε περισσότεραBayesian Biostatistics Using BUGS 1
Bayesian BioStatistics Using BUGS Βιοστατιστική κατά Bayes με τη χρήση του Λογισμικού BUGS Ioannis Ntzoufras E-mail: ntzoufras@aegean.gr Department of Business Administration, University of the Aegean
Διαβάστε περισσότεραδιαγνωστικούς ελέγχους MCMC diagnostics CODA
MCMC DIAGNOSTICS Πόσο πρέπει να περιμένουμε για να επιτευχθεί η στασιμότητα; Πόσο μεγάλο πρέπει να είναι το m (μετά την στασιμότητα για πόσο πρέπει να τρέξεις την αλυσίδα σου); Από που να ξεκινήσεις; Για
Διαβάστε περισσότεραΣΗΜΕΙΩΣΕΙΣ ΓΙΑ ΤΟ ΜΑΘΗΜΑ ΣΤΑΤΙΣΤΙΚΗ ΓΙΑ ΠΟΛΙΤΙΚΟΥΣ ΜΗΧΑΝΙΚΟΥΣ ΜΕΡΟΣ Β
ΣΗΜΕΙΩΣΕΙΣ ΓΙΑ ΤΟ ΜΑΘΗΜΑ ΣΤΑΤΙΣΤΙΚΗ ΓΙΑ ΠΟΛΙΤΙΚΟΥΣ ΜΗΧΑΝΙΚΟΥΣ ΜΕΡΟΣ Β ηµήτρης Κουγιουµτζής http://users.auth.gr/dkugiu/teach/civilengineer E mail: dkugiu@gen.auth.gr 1/11/2009 2 Περιεχόµενα 1 ΠΕΡΙΓΡΑΦΙΚΗ
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 4 ΤΟ ΕΡΓΑΛΕΙΟ SOLVER
ΚΕΦΑΛΑΙΟ 4 ΤΟ ΕΡΓΑΛΕΙΟ SOLVER 4.1. ΕΙΣΑΓΩΓΗ Με την "Επίλυση", µπορείτε να βρείτε τη βέλτιστη τιµή για τον τύπο ενός κελιού το οποίο ονοµάζεται κελί προορισµού σε ένα φύλλο εργασίας. Η "Επίλυση" λειτουργεί
Διαβάστε περισσότεραΠΑΡΑΡΤΗΜΑ 1 (4 ου ΜΑΘΗΜΑΤΟΣ): ΠΑΡΑ ΕΙΓΜΑΤΑ ΕΛΕΓΧΩΝ ΥΠΟΘΕΣΕΩΝ, ΕΠΙΛΟΓΗΣ ΜΟΝΤΕΛΩΝ ΚΑΙ ΜΕΤΑΒΛΗΤΩΝ
ΠΑΡΑΡΤΗΜΑ 1 (4 ου ΜΑΘΗΜΑΤΟΣ): ΠΑΡΑ ΕΙΓΜΑΤΑ ΕΛΕΓΧΩΝ ΥΠΟΘΕΣΕΩΝ, ΕΠΙΛΟΓΗΣ ΜΟΝΤΕΛΩΝ ΚΑΙ ΜΕΤΑΒΛΗΤΩΝ 1 ΠΑΡΑ ΕΙΓΜΑ WINBUGS 1: Ένας Απλός Έλεγχος Υπόθεσης (ESTRIOL DATASET) model estriol; { definition of likelihood
Διαβάστε περισσότεραΑνάλυση Δεδοµένων µε χρήση του Στατιστικού Πακέτου R
Ανάλυση Δεδοµένων µε χρήση του Στατιστικού Πακέτου R, Επίκουρος Καθηγητής, Τοµέας Μαθηµατικών, Σχολή Εφαρµοσµένων Μαθηµατικών και Φυσικών Επιστηµών, Εθνικό Μετσόβιο Πολυτεχνείο. Περιεχόµενα Εισαγωγή στη
Διαβάστε περισσότεραΒιοστατιστική κατά Bayes µε τη χρήση του Λογισµικού BUGS
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΜΕΤΑΠΤΥΧΙΑΚΟ ΙΠΛΩΜΑ ΒΙΟΣΤΑΤΙΣΤΙΚΗΣ ΜΑΘΗΜΑ: ΜΠΕΫΖΙΑΝΗ ΣΥΜΠΕΡΑΣΜΑΤΟΛΟΓΙΑ Ι ΑΣΚΟΝΤΕΣ: Ι. Ντζούφρας, Π. Τσιαµυρτζής Ι ΑΚΤΙΚΟ ΥΛΙΚΟ ΓΙΑ ΤΟ ΜΑΘΗΜΑ ΜΠΕΫΖΙΑΝΗ ΣΥΜΠΕΡΑΣΜΑΤΟΛΟΓΙΑ: Βιοστατιστική
Διαβάστε περισσότεραMCMC στα Γενικευμένα Γραμμικά Μοντέλα
MCMC στα Γενικευμένα Γραμμικά Μοντέλα Response Variable (Y): Εξαρτημένη Μεταβλητή. Explanatory Variables (X j ): Επεξηγηματικές Μεταβλητές. Random Component (Τυχαία Συνιστώσα). Y (X 1,,X p )~ ΚΑΤΑΝΟΜΗ
Διαβάστε περισσότεραΣτόχος µαθήµατος: ΒΙΟΣΤΑΤΙΣΤΙΚΗ ΙΙ. 1. Απλή γραµµική παλινδρόµηση. 1.2 Παράδειγµα 6 (συνέχεια)
ΠΜΣ ΕΠΑΓΓΕΛΜΑΤΙΚΗ ΚΑΙ ΠΕΡΙΒΑΛΛΟΝΤΙΚΗ ΥΓΕΙΑ, ΙΑΧΕΙΡΙΣΗ ΚΑΙ ΟΙΚΟΝΟΜΙΚΗ ΑΠΟΤΙΜΗΣΗ ΑΚ. ΕΤΟΣ 2006-2007, 3ο εξάµηνο ΒΙΟΣΤΑΤΙΣΤΙΚΗ ΙΙ. Απλή γραµµική παλινδρόµηση Παράδειγµα 6: Χρόνος παράδοσης φορτίου ΜΑΘΗΜΑ
Διαβάστε περισσότεραΕργασία στο µάθηµα Ανάλυση εδοµένων
Μεταπτυχιακό Υπολογιστικής Φυσικής Εργασία στο µάθηµα Ανάλυση εδοµένων ηµήτρης Κουγιουµτζής E-mail: dkugiu@auth.gr 30 Ιανουαρίου 2018 Οδηγίες : Σχετικά µε την παράδοση της εργασίας ϑα πρέπει : Το κείµενο
Διαβάστε περισσότεραLab 2 Manual - Introduction to Xilinx
Lab 2 Manual - Introduction to Xilinx Εισαγωγή Σε αυτό το εργαστήριο θα κάνουµε εισαγωγή στην γλωσσά προγραµµατισµού VHDL και εργαλείο Xilinx ISE. ISE είναι το εργαλείο που παρέχεται από Xilinx για να
Διαβάστε περισσότεραΜπεϋζιανή Στατιστική και MCMC Μέρος 2 ο : MCMC
Μπεϋζιανή Στατιστική και MCMC Μέρος 2 ο : MCMC Δημήτρης Φουσκάκης, Επίκουρος Καθηγητής, Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών, Τομέας Μαθηματικών, Τηλέφωνο: (210) 772-1702, Φαξ: (210) 772-1775.
Διαβάστε περισσότεραΣυνδυασμός Μαθηματικών με γραφικές παραστάσεις
Το πρόγραμμα Origin Συνδυασμός Μαθηματικών με γραφικές παραστάσεις Δημιουργία γραφικής παράστασης συνάρτησης Για να δημιουργήσετε τη γραφική παράσταση από μια συνάρτηση επιλέξτε File-New-Graph To Origin
Διαβάστε περισσότεραΕισαγωγή στην Αριθμητική Ανάλυση
Εισαγωγή στην Αριθμητική Ανάλυση Εισαγωγή στη MATLAB ΔΙΔΑΣΚΩΝ: ΓΕΩΡΓΙΟΣ ΑΚΡΙΒΗΣ ΒΟΗΘΟΙ: ΔΗΜΗΤΡΙΑΔΗΣ ΣΩΚΡΑΤΗΣ, ΣΚΟΡΔΑ ΕΛΕΝΗ E-MAIL: SDIMITRIADIS@CS.UOI.GR, ESKORDA@CS.UOI.GR Τι είναι Matlab Είναι ένα περιβάλλον
Διαβάστε περισσότεραΜπεϋζιανή Στατιστική και MCMC Μέρος 2 ο : MCMC
Μπεϋζιανή Στατιστική και MCMC Μέρος 2 ο : MCMC Περιεχόμενα Μαθήματος Εισαγωγή στο Πρόβλημα. Monte Carlo Εκτιμητές. Προσομοίωση. Αλυσίδες Markov. Αλγόριθμοι MCMC (Metropolis Hastings & Gibbs Sampling).
Διαβάστε περισσότεραHMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Διάλεξη 6 Κατανομές πιθανότητας και εκτίμηση παραμέτρων Κατανομές πιθανότητας και εκτίμηση παραμέτρων κανονικές τυχαίες μεταβλητές Εκτίμηση παραμέτρων δυαδικές τυχαίες μεταβλητές
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ ΤΜΗΜΑ ΜΑΘΗΜΑΤΙΚΩΝ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ ΤΜΗΜΑ ΜΑΘΗΜΑΤΙΚΩΝ ΕΡΓΑΣΤΗΡΙΟ ΒΑΣΕΩΝ Ε ΟΜΕΝΩΝ ΜΕΡΟΣ ΠΕΜΠΤΟ Triggers, Stored procedures Γιώργος Μαρκοµανώλης Περιεχόµενα Triggers-Ενηµέρωση δεδοµένων άλλων πινάκων... 1 Ασφάλεια...
Διαβάστε περισσότεραΜέθοδος Newton-Raphson
Κεφάλαιο 14 Μέθοδος Newton-Raphson Θα συζητήσουµε υπολογισµό της εκτιµήτριας µεγίστης πιθανοφάνειας µε τη µέ- ϑοδο Newton-Raphson. Αν και υπάρχουν περιπτώσεις για τις οποίες η λύση µπορεί να υπολογιστεί
Διαβάστε περισσότεραΕπισκόπηση. Κατανεµηµένα Συστήµατα Ι Μάθηµα Βασικής Επιλογής, Χειµερινού Εξαµήνου Τοµέας Εφαρµογών και Θεµελιώσεων. Simulation Commands
Επισκόπηση Κατανεµηµένα Συστήµατα Ι Μάθηµα Βασικής Επιλογής, Χειµερινού Εξαµήνου Τοµέας Εφαρµογών και Θεµελιώσεων Χρήστος Κονίνης Ορέστης Ακριβόπουλος Τρίτη, 2 Νοεµβρίου 2010 Υπολογιστικό Examples Πώς
Διαβάστε περισσότεραΑνάλυση Δεδομένων με χρήση του Στατιστικού Πακέτου R
Ανάλυση Δεδομένων με χρήση του Στατιστικού Πακέτου R Δημήτρης Φουσκάκης, Επίκουρος Καθηγητής, Τομέας Μαθηματικών, Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών, Εθνικό Μετσόβιο Πολυτεχνείο. Περιεχόμενα
Διαβάστε περισσότεραΕισαγωγή στη Χρήση της Εφαρµογής Compaq Visual Fortran & του Microsoft Developer Studio
Εισαγωγή στη Χρήση της Εφαρµογής Compaq Visual Fortran & του Microsoft Developer Studio Το κείµενο που ακολουθεί είναι ένας σύντοµος οδηγός στο περιβάλλον προγραµµατισµού της γλώσσας Fortran, για τις ανάγκες
Διαβάστε περισσότεραΤΕΙ Κρήτης, Παράρτηµα Χανίων
ΠΣΕ, Τµήµα Τηλεπικοινωνιών & ικτύων Η/Υ Εργαστήριο ιαδίκτυα & Ενδοδίκτυα Η/Υ ( ηµιουργία συστήµατος µε ροint-tο-ροint σύνδεση) ρ Θεοδώρου Παύλος Χανιά 2003 Περιεχόµενα 1 ΕΙΣΑΓΩΓΗ...2 2 ΤΟ ΚΑΝΑΛΙ PΟINT-TΟ-PΟINT...2
Διαβάστε περισσότεραΕγκατάσταση Emfsigner - Algobox (driver για Graphic & Draft παραστατικά) 1. ηµιουργία εικονικού εκτυπωτή (ανίχνευσης)
Εγκατάσταση Emfsigner - Algobox (driver για Graphic & Draft παραστατικά) Η εγκατάσταση του driver απαιτεί την ολοκλήρωση των παρακάτω 3 βηµάτων: 1. ηµιουργία εικονικού εκτυπωτή. 2. Εγκατάσταση του Emfsigner.
Διαβάστε περισσότεραιαχείριση Πληροφοριών στο ιαδίκτυο
ιαχείριση Πληροφοριών στο ιαδίκτυο Εργαστήριο (Φυλλάδιο 8) ΤΕΙ Καβάλας - Σχολή ιοίκησης & Οικονοµίας Τµήµα ιαχείρισης Πληροφοριών ιδάσκων: Μαρδύρης Βασίλειος, ιπλ. Ηλ. Μηχανικός & Μηχ. Υπολογιστών, MSc
Διαβάστε περισσότεραΠαράδειγμα. Στις χρονοσειρές σημαντικό ρόλο παίζει η αυτοσυσχέτιση: η αυτοσυσχέτιση. (lag k) ισούται με όπου γ
MCMC Η Monte Carlo μεθοδολογία για την δημιουργία αριθμητικών προσεγγίσεων διαφόρων τιμών της εκ των υστέρων κατανομής, όπως του μέσου και της τυπικής απόκλισης, στηρίζεται στους Ασθενείς Νόμους των Μεγάλων
Διαβάστε περισσότεραΤο πρόγραμμα συγχρηματοδοτείται 75% από το Ευρωπαϊκό κοινωνικό ταμείο και 25% από εθνικούς πόρους.
Το πρόγραμμα συγχρηματοδοτείται 75% από το Ευρωπαϊκό κοινωνικό ταμείο και 25% από εθνικούς πόρους. ΓΕΝΙΚΟ ΤΜΗΜΑ ΦΥΣΙΚΗΣ, ΧΗΜΕΙΑΣ & ΤΕΧΝΟΛΟΓΙΑΣ ΥΛΙΚΩΝ ΕΡΓΑΣΤΗΡΙΑ ΦΥΣΙΚΗΣ ORIGIN ΕΙΣΑΓΩΓΙΚΟ ΕΓΧΕΙΡΙΔΙΟ ΧΡΗΣΗΣ
Διαβάστε περισσότεραΔΟΜΗΜΕΝΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ Κεφάλαιο 8 : H γλώσσα προγραµµατισµού Pascal
ΔΟΜΗΜΕΝΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ Κεφάλαιο 8 : H γλώσσα προγραµµατισµού Pascal Δοµή προγράµµατος 1. Δοµή προγράµµατος program όνοµα_προγράµµατος(αρχείο_1, αρχείο_2,...αρχείο_ν); ΕΠΙΚΕΦΑΛΙΔΑ ΒΙΒΛΙΟΘΗΚΕΣ uses όνοµα_βιβλιοθήκης,όνοµα_βιβλιοθήκης;
Διαβάστε περισσότερα30 / 3 /
Ανάλυση εδοµένων µε το SPSS Μάθηµα 1 30 / 3 / 2012 ΚριτσωτάκηςΙ. Ευάγγελος Βιοστατιστικός, MSc, PhD ekritsot@yahoo.gr Μάθηµα 1 -Θεµατολογία Επισκόπηση βασικών χαρακτηριστικών του SPSS και βασική ορολογία.
Διαβάστε περισσότεραΑνάλυση ιακύµανσης Μονής Κατεύθυνσης
24 Μεθοδολογία Επιστηµονικής Έρευνας & Στατιστική Ανάλυση ιακύµανσης Μονής Κατεύθυνσης Όπως ακριβώς συνέβη και στο κριτήριο t, τα δεδοµένα µας θα πρέπει να έχουν οµαδοποιηθεί χρησιµοποιώντας µια αντίστοιχη
Διαβάστε περισσότεραΟ ΗΓΙΕΣ ΓΙΑ ΤΟ ΠΡΟΓΡΑΜΜΑ LINDO ΚΑΙ ΤΗΝ ΕΠΙΛΥΣΗ ΠΡΟΒΛΗΜΑΤΩΝ ΓΡΑΜΜΙΚΟΥ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ
Ο ΗΓΙΕΣ ΓΙΑ ΤΟ ΠΡΟΓΡΑΜΜΑ LINDO ΚΑΙ ΤΗΝ ΕΠΙΛΥΣΗ ΠΡΟΒΛΗΜΑΤΩΝ ΓΡΑΜΜΙΚΟΥ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ Το LINDO (Linear Interactive and Discrete Optimizer) είναι ένα πολύ γνωστό λογισµικό για την επίλυση προβληµάτων γραµµικού,
Διαβάστε περισσότερα6 η Θεµατική Ενότητα : Σχεδίαση Συστηµάτων σε Επίπεδο Καταχωρητή
6 η Θεµατική Ενότητα : Σχεδίαση Συστηµάτων σε Επίπεδο Καταχωρητή Εισαγωγή Η σχεδίαση ενός ψηφιακού συστήµατος ως ακολουθιακή µηχανή είναι εξαιρετικά δύσκολη Τµηµατοποίηση σε υποσυστήµατα µε δοµικές µονάδες:
Διαβάστε περισσότεραΣυστήµατα Μη-Γραµµικών Εξισώσεων Μέθοδος Newton-Raphson
Ιαν. 009 Συστήµατα Μη-Γραµµικών Εξισώσεων Μέθοδος Newton-Raphson Έστω y, y,, yn παρατηρήσεις µιας m -διάστατης τυχαίας µεταβλητής µε συνάρτηση πυκνότητας πιθανότητας p( y; θ) η οποία περιγράφεται από ένα
Διαβάστε περισσότεραΣχήµα 4.1: Εισαγωγή βρόγχου while-loop.
Ο βρόγχος While-loop 1. Ο βρόγχος while-loop εκτελείται έως ότου ικανοποιηθεί µία προκαθορισµένη συνθήκη. 2. Ο αριθµός των επαναλήψεων ενός βρόγχου while-loop δεν είναι εκ των προτέρων προκαθορισµένος,
Διαβάστε περισσότεραΣηµαντικές παρατηρήσεις σχετικά µε το backround:
ΠΕΡΙΓΡΑΦΗ ΛΕΙΤΟΥΡΓΙΑΣ SOFTWARE SAE10 Το software της αναγγελίας ορόφων είναι απαραίτητο για τη δηµιουργία των USB flash που θα χρησιµοποιηθούν στην πλακέτα SAE10. Προσφέρει ταχύτητα, ευελιξία και πολλές
Διαβάστε περισσότεραΜΕΡΟΣ 1: ΠΡΟΕΤΟΙΜΑΣΙΑ ΤΗΣ ΠΕΙΡΑΜΑΤΙΚΗΣ ΙΑΤΑΞΗΣ
Εργαστηριακό Κέντρο Φυσικών Επιστηµών Αγίων Αναργύρων /0/08 Υπεύθυνος Εργ. Κέντρου: Καλλίνικος Χαρακόπουλος Επιµέλεια - Παρουσίαση : Θεοχαρόπουλος Γιάννης MEΛETH AΠΛΗΣ ΑΡΜΟΝΙΚΗΣ ΤΑΛΑΝΤΩΣΗΣ ΜΕ ΣΥΣΤΗΜΑ ΣΥΓΧΡΟΝΙΚΗΣ
Διαβάστε περισσότεραΜΑΘΗΜΑ 2 ο. ΗχρήσητουπακέτουEviews (Using Eviews econometric package)
ΜΑΘΗΜΑ 2 ο ΗχρήσητουπακέτουEviews (Using Eviews econometric package) Για να καλέσετε το πρόγραμμα πρέπει να εργαστείτε ως εξής: 1. Κάντε δύο κλικ στο εικονίδιο του Eviews 2. Από την εντολή File πάω στο
Διαβάστε περισσότεραΕΡΓΑΣΤΗΡΙΟ ΠΙΘΑΝΟΤΗΤΩΝ
ΕΡΓΑΣΤΗΡΙΟ ΠΙΘΑΝΟΤΗΤΩΝ ΜΕΡΟΣ Ο ΙΩΝΥΜΙΚΗ ΚΑΤΑΝΟΜΗ Στο εργαστήριο αυτό θα ασχοληθούµε µε την προσοµοίωση της ρίψεως ενός δίκαιου νοµίσµατος. Το µοντέλο το οποίο θα πρέπει να πραγµατοποιήσουµε θα πρέπει να
Διαβάστε περισσότεραΣύνοψη Προηγούµενου. Κανονικές Γλώσσες (1) Προβλήµατα και Γλώσσες. Σε αυτό το µάθηµα. ιαδικαστικά του Μαθήµατος.
Σύνοψη Προηγούµενου Κανονικές Γλώσσες () ιαδικαστικά του Μαθήµατος. Ορέστης Τελέλης telelis@unipi.gr Τµήµα Ψηφιακών Συστηµάτων, Πανεπιστήµιο Πειραιώς Εισαγωγή: Υπολογισιµότητα και Πολυπλοκότητα. Βασικές
Διαβάστε περισσότεραΣχήµα 6.1: Εισαγωγή της εντολής Read From Spreadsheet File στο Block Diagram.
Εισαγωγή αρχείων δεδοµένων 1. Η εισαγωγή αρχείων δεδοµένων στο LaVIEW γίνεται στο Block Diagram µε την εντολή Read From Spreadsheet File. 2. Εισάγουµε την εντολή Read From Spreadsheet File στο Block Diagram
Διαβάστε περισσότεραΕισαγωγή στη Χρήση του SPSS for Windows Σελίδα:
----------Εισαγωγή στη Χρήση του SPSS for Windows ------------- Σελίδα: 0------------ ΚΕΦΑΛΑΙΟ 7 ο 7.1. Μορφοποίηση πινάκων 7.2 ηµιουργία Υποδείγµατος Πινάκων (TEMPLATE) 7.3 Κατασκευή Γραφηµάτων 7.4 ηµιουργία
Διαβάστε περισσότεραΜάστερ στην Εφαρµοσµένη Στατιστική
Μάστερ στην Εφαρµοσµένη Στατιστική Πρότυπο Πρόγραµµα Master Εξάµηνο Σπουδών Κωδικός Τίτλος Μαθήµατος ιδακτικές Μονάδες 1 ο Εξάµηνο ΜΑΣ650 Μαθηµατική Στατιστική 10 ΜΑΣ655 ειγµατοληψία 10 ΜΑΣ658 Στατιστικά
Διαβάστε περισσότεραΣυλλογή,, αποθήκευση, ανανέωση και παρουσίαση στατιστικών δεδοµένων
Συλλογή,, αποθήκευση, ανανέωση και παρουσίαση στατιστικών δεδοµένων 1. Αναζήτηση των κατάλληλων δεδοµένων. 2. Έλεγχος µεταβλητών και κωδικών για συµβατότητα. 3. Αποθήκευση σε ηλεκτρονική µορφή (αρχεία
Διαβάστε περισσότεραΕργαστήριο Μαθηματικής Ανάλυσης Ι. Εισαγωγή στη Matlab Βασικές Συναρτήσεις-Γραφικές παραστάσεις. Πανεπιστήμιο Θεσσαλίας. Σχολή Θετικών Επιστημών
Πανεπιστήμιο Θεσσαλίας Σχολή Θετικών Επιστημών Τμήμα Πληροφορικής με εφαρμογές στη Βιοϊατρική Εργαστήριο Μαθηματικής Ανάλυσης Ι Εισαγωγή στη Matlab Βασικές Συναρτήσεις-Γραφικές παραστάσεις Εισαγωγή στη
Διαβάστε περισσότεραΦΥΣ-151. Ηλεκτρονικοί Υπολογιστές Ι (FORTRAN 77) (Άνοιξη 2004)
1 ΦΥΣ-151. Ηλεκτρονικοί Υπολογιστές Ι (FORTRAN 77) (Άνοιξη 2004) ιάλεξη 1 1.1 ΕΙΣΑΓΩΓΗ ΣΤΗ FORTRAN 77 Ένα πρόγραµµα σε οποιαδήποτε γλώσσα προγραµµατισµού δεν τίποτα άλλο από µια σειρά εντολών που πρέπει
Διαβάστε περισσότεραSimulation Users Manual
Simulation Users Manual πτυχιακή αυτή ασχολήθηκε µε την εφαρµογή των συστηµάτων και των τεχνολογιών του αυτόµατου ελέγχου στην ελληνική βιοµηχανία. Συγκεκριµένα, ανέπτυξε και µοντελοποίησε ένα τµήµα της
Διαβάστε περισσότεραΝ. Μ. Μισυρλής. Τµήµα Πληροφορικής και Τηλεπικοινωνιών, Πανεπιστήµιο Αθηνών. Καθηγητής: Ν. Μ. Μισυρλής 29 Μαΐου / 18
Ν. Μ. Μισυρλής Τµήµα Πληροφορικής και Τηλεπικοινωνιών, Πανεπιστήµιο Αθηνών Καθηγητής: Ν. Μ. Μισυρλής 29 Μαΐου 2017 1 / 18 Βέλτιστα (στατικά) δυαδικά δένδρα αναζήτησης Παράδειγµα: Σχεδιασµός προγράµµατος
Διαβάστε περισσότεραH ΓΛΩΣΣΑ C. Μάθηµα 1: Το Πρώτο µας Πρόγραµµα σε C. ηµήτρης Ψούνης
H ΓΛΩΣΣΑ C Μάθηµα 1: Το Πρώτο µας Πρόγραµµα σε C ηµήτρης Ψούνης 2 Περιεχόµενα Μαθήµατος Α. Θεωρία 1. Κύκλος Ανάπτυξης Προγράµµατος 1. Συγγραφή και Μεταγλώττιση ενός προγράµµατος 2. Εκτέλεση του προγράµµατος
Διαβάστε περισσότεραΕισαγωγή στη Matlab Βασικές Συναρτήσεις
Πανεπιστήμιο Θεσσαλίας Σχολή Θετικών Επιστημών Τμήμα Πληροφορικής με Εφαρμογές στη Βιοϊατρική Εργαστήριο Γραμμικής Άλγεβρας Εισαγωγή στη Matlab Βασικές Συναρτήσεις 2016-2017 Εισαγωγή στη Matlab Matlab
Διαβάστε περισσότεραΣυνοπτικά περιεχόμενα
b Συνοπτικά περιεχόμενα 1 Τι είναι η στατιστική;... 25 2 Περιγραφικές τεχνικές... 37 3 Επιστήμη και τέχνη των διαγραμματικών παρουσιάσεων... 119 4 Αριθμητικές μέθοδοι της περιγραφικής στατιστικής... 141
Διαβάστε περισσότεραHMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Διάλεξη 5 Κατανομές πιθανότητας και εκτίμηση παραμέτρων δυαδικές τυχαίες μεταβλητές Bayesian decision Minimum misclassificaxon rate decision: διαλέγουμε την κατηγορία Ck για
Διαβάστε περισσότεραΑΝ.ΕΦ. Γ ΛΥΚΕΙΟΥ Αν η συνθήκη ισχύει, τότε εκτελούνται οι εντολές που βρίσκονται µεταξύ των λέξεων ΤΟΤΕ και και η εκτέλεση του προγράµµατος συνεχίζετα
ΟΜΗ ΕΠΙΛΟΓΗΣ ΘΕΩΡΙΑ ΕΡΩΤΗΣΕΙΣ ΘΕΩΡΙΑΣ 1. Πότε χρησιµοποιούµε την δοµή επιλογής; Ποιες είναι οι µορφές της; Όταν η εκτέλεση µιας εντολής ή ενός συνόλου εντολών δεν είναι σίγουρη αλλά εξαρτάται από την αλήθεια
Διαβάστε περισσότεραΠρογραμματισμός Διαχείρισης Συστημάτων Ι
Προγραμματισμός Διαχείρισης Συστημάτων Ι Μάθημα 3ο Επεξεργαστές κειμένου Μιχαηλίδης Παναγιώτης Επεξεργαστές κειμένου Στα προηγούμενα μαθήματα είδαμε εντολές για τον χειρισμό αρχείων στο σύστημα αρχείων
Διαβάστε περισσότεραΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ. Κεφάλαιο 10. Εισαγωγή στην εκτιμητική
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΑΤΡΑΣ Εργαστήριο Λήψης Αποφάσεων & Επιχειρησιακού Προγραμματισμού Καθηγητής Ι. Μητρόπουλος ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ
Διαβάστε περισσότεραMEGASOFT ΤΜΗΜΑ ΥΠΟΣΤΗΡΙΞΗΣ. Οδηγός Ρυθµίσεων Συγχρονισµού PrismaWin Pos Sync
MEGASOFT ΤΜΗΜΑ ΥΠΟΣΤΗΡΙΞΗΣ Οδηγός Ρυθµίσεων Συγχρονισµού PrismaWin Pos Sync Ρυθµίσεις Συγχρονισµού Pos Sync Η διαδικασία του συγχρονισµού γίνεται από τον Η/Υ που έχει το BackOffice. Βασική προϋπόθεση για
Διαβάστε περισσότεραVersion X. Οδηγίες χρήσης
Version 1.0.1.X Οδηγίες χρήσης Πρόλογος Η εφαρµογή CallReceiver σχεδιάστηκε για την υποστήριξη ξενοδοχείων ή επιχειρήσεων, όσον αφορά στις τηλεφωνικές κλήσεις που διαχειρίζεται το τηλεφωνικό κέντρο (Τ/Κ).
Διαβάστε περισσότεραVMV SYSTEMS. ΕΛΛΗΝΙΚΑ ΤΑΒ 4. 2 Τ Α Β Μαρτίου 64. Τ.Κ Λάρισα. Τηλ:(041) Fax: (041) Κιν:
ΕΛΛΗΝΙΚΑ ΤΑΒ 4 2 Τ Α Β 42 25 Μαρτίου 64 ΤΚ 41221 Λάρισα Τηλ:(041)236125 Fax: (041)552756 Κιν: 0944744318 TAB 42 Εγχειρίδιο χρήσης Εισαγωγή Το λογισµικό πρόγραµµα ΤΑΒ 42 επιτρέπει την παρακολούθηση µιας
Διαβάστε περισσότεραΠανεπιστήμιο Κρήτης, Τμήμα Επιστήμης Υπολογιστών ΗΥ463 Συστήματα Ανάκτησης Πληροφοριών 2009-2010 Χειμερινό Εξάμηνο
Πανεπιστήμιο Κρήτης, Τμήμα Επιστήμης Υπολογιστών ΗΥ463 Συστήματα Ανάκτησης Πληροφοριών 2009-2010 Χειμερινό Εξάμηνο 2 η Σειρά Ασκήσεων Αξία: 5% του τελικού σας βαθμού Bzr (Bazaar) Το Bazaar (ή bzr) είναι
Διαβάστε περισσότεραΙΕΡΕΥΝΗΣΗ ΤΗΣ ΑΚΡΙΒΕΙΑΣ ΤΩΝ ΗΜΟΓΡΑΦΙΚΩΝ Ε ΟΜΕΝΩΝ
ΚΕΦΑΛΑΙΟ 9 ΙΕΡΕΥΝΗΣΗ ΤΗΣ ΑΚΡΙΒΕΙΑΣ ΤΩΝ ΗΜΟΓΡΑΦΙΚΩΝ Ε ΟΜΕΝΩΝ Τα δηµογραφικά δεδοµένα τα οποία προέρχονται από τις απογραφές πληθυσµού, τις καταγραφές της φυσικής και µεταναστευτικής κίνησης του πληθυσµού
Διαβάστε περισσότεραΣύντοµες οδηγίες χρήσης atube Catcher
Σύντοµες οδηγίες χρήσης atube Catcher ελλατόλας Στέλιος 2 ο Ε.Κ.Φ.Ε. Ηρακλείου Κρήτης Περιεχόµενα Εγκατάσταση του προγράµµατος...4 Λειτουργία του προγράµµατος...6 Βασική λειτουργία (κατέβασµα ένα - ένα
Διαβάστε περισσότεραΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ ΑΤΑΞΙΝΟΜΗΜΕΝΑ Ε ΟΜΕΝΑ
ΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ ΑΤΑΞΙΝΟΜΗΜΕΝΑ Ε ΟΜΕΝΑ Αριθµητικός Μέσος: όπου : αριθµός παρατηρήσεων ιάµεσος: εάν άρτιος εάν περιττός M + + M + Παράδειγµα: ηλ.: Εάν :,,, M + + 5 + +, 5 Εάν :,, M + Επικρατούσα Τιµή:
Διαβάστε περισσότεραΣτατιστική Εισαγωγικές Έννοιες
Στατιστική Εισαγωγικές Έννοιες Στατιστική: η επιστήµη που παρέχει µεθόδους και εργαλεία για την οργάνωση, συστηµατική περιγραφή και περιληπτική παρουσίαση δεδοµένων, καθώς και για την ανάλυση της πληροφορίας
Διαβάστε περισσότερα2 Ο Ε.Κ.Φ.Ε. ΗΡΑΚΛΕΙΟΥ. Οδηγίες χρήσης PDFCreator
2 Ο Ε.Κ.Φ.Ε. ΗΡΑΚΛΕΙΟΥ Οδηγίες χρήσης PDFCreator Ηράκλειο 2008 Π Ε Ρ Ι Ε Χ Ο Μ Ε Ν Α Σηµείωµα του συντάκτη... 2 Στοιχεία δηµιουργού του υλικού... 3 Εισαγωγή... 3 Τι είναι... 4 Που θα το βρείτε... 4 Τρόπος
Διαβάστε περισσότεραΕΡΓΑΣΤΗΡΙΟ ΣΤΑΤΙΣΤΙΚΗΣ
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΜΑΘΗΜΑΤΙΚΩΝ ΤΟΜΕΑΣ ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΕΠΙΧΕΙΡΗΣΙΑΚΗΣ ΕΡΕΥΝΑΣ ΕΡΓΑΣΤΗΡΙΟ ΣΤΑΤΙΣΤΙΚΗΣ Χ 2 test ανεξαρτησίας: σχέση 2 ποιοτικών μεταβλητών
Διαβάστε περισσότερα1991 US Social Survey.sav
Παραδείγµατα στατιστικής συµπερασµατολογίας µε ένα δείγµα Στα παραδείγµατα χρησιµοποιείται απλό τυχαίο δείγµα µεγέθους 1 από το αρχείο δεδοµένων 1991 US Social Survey.sav Το δείγµα λαµβάνεται µε την διαδικασία
Διαβάστε περισσότεραΤυπικές χρήσεις της Matlab
Matlab Μάθημα 1 Τι είναι η Matlab Ολοκληρωμένο Περιβάλλον Περιβάλλον ανάπτυξης Διερμηνευμένη γλώσσα Υψηλή επίδοση Ευρύτητα εφαρμογών Ευκολία διατύπωσης Cross platform (Wintel, Unix, Mac) Τυπικές χρήσεις
Διαβάστε περισσότεραΜΑΘΗΜΑ 10 Ο ΟΡΓΑΝΩΣΗ ΤΗΣ Β ΓΙΑ ΧΡΗΣΤΕΣ (NON-EXPERTS) Α. ΗΜΙΟΥΡΓΙΑ ΠΙΝΑΚΑ ΕΠΙΛΟΓΩΝ 1. TOOLS DATA UTILITIES SWITCHBOARD MANAGER YES
ΜΑΘΗΜΑ 10 Ο ΟΡΓΑΝΩΣΗ ΤΗΣ Β ΓΙΑ ΧΡΗΣΤΕΣ (NON-EXPERTS) Α. ΗΜΙΟΥΡΓΙΑ ΠΙΝΑΚΑ ΕΠΙΛΟΓΩΝ 1. TOOLS DATA UTILITIES SWITCHBOARD MANAGER YES 2. ΠΑΤΗΣΤΕ EDIT ΑΛΛΑΞΤΕ ΤΟ ΟΝΟΜΑ COMPANY CLOSE 3. ΠΑΤΗΣΤΕ NEW (CREATE NEW)
Διαβάστε περισσότεραΣΗΜΕΙΩΣΕΙΣ ΣΤΑΤΙΣΤΙΚΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥ ΩΝ «ΦΡΟΝΤΙ Α ΣΤΟ ΣΑΚΧΑΡΩ Η ΙΑΒΗΤΗ» ΑΝΑΛΥΤΙΚΗ ΣΤΑΤΙΣΤΙΚΗ
ΣΗΜΕΙΩΣΕΙΣ ΣΤΑΤΙΣΤΙΚΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥ ΩΝ «ΦΡΟΝΤΙ Α ΣΤΟ ΣΑΚΧΑΡΩ Η ΙΑΒΗΤΗ» ΑΝΑΛΥΤΙΚΗ ΣΤΑΤΙΣΤΙΚΗ Γκριζιώτη Μαρία ΜSc Ιατρικής Ερευνητικής Μεθοδολογίας Αναλυτική στατιστική Σύγκριση ποιοτικών
Διαβάστε περισσότεραΠρογραµµατισµός 2 The shell
Προγραµµατισµός 2 The shell 1 CLI vs GUI! CLI (Command Line Interface) Μεγαλύτερη ευελιξία και ταχύτητα Πιο εύκολο να γίνουν πολύπλοκες λειτουργίες. find. -mtime -2 -name '*.txt' -exec sed -i.bak 's/hi/bye/g'
Διαβάστε περισσότεραΠΛΗ111. Ανοιξη 2005. Μάθηµα 3 ο. Συνδεδεµένες Λίστες. Τµήµα Ηλεκτρονικών Μηχανικών και Μηχανικών Υπολογιστών Πολυτεχνείο Κρήτης
ΠΛΗ111 οµηµένος Προγραµµατισµός Ανοιξη 2005 Μάθηµα 3 ο Συνδεδεµένες Λίστες Τµήµα Ηλεκτρονικών Μηχανικών και Μηχανικών Υπολογιστών Πολυτεχνείο Κρήτης Ανασκόπηση ΟΑΤ λίστα Ακολουθιακή λίστα Συνδεδεµένη λίστα
Διαβάστε περισσότεραΕπισκόπιση. Κατανεµηµένα Συστήµατα Ι Μάθηµα Βασικής Επιλογής, Χειµερινού Εξαµήνου Τοµέας Εφαρµογών και Θεµελιώσεων. Σφάλµατα επικοινωνίας στο Shawn
Επισκόπιση Κατανεµηµένα Συστήµατα Ι Μάθηµα Βασικής Επιλογής, Χειµερινού Εξαµήνου Τοµέας Εφαρµογών και Θεµελιώσεων Χρήστος Κονίνης Rerun exactly the same Simulation Τρίτη, 1 εκεµβρίου, 2009 Υπολογιστικό
Διαβάστε περισσότεραΜετατροπή χαρακτήρων ASCII σε ακέραιο αριθµό (atoi) & Άνοιγµα αρχείου µέσα από τo QtSPIM, διάβασµα, και αποθήκευση του περιεχοµένου του στη µνήµη
Μετατροπή χαρακτήρων ASCII σε ακέραιο αριθµό (atoi) & Άνοιγµα αρχείου µέσα από τo QtSPIM, διάβασµα, και αποθήκευση του περιεχοµένου του στη µνήµη ( ιάλεξη 3) ιδάσκων: Γιώργος Ζάγγουλος Email: zaggoulos.george@ucy.ac.cy
Διαβάστε περισσότεραΕργαστήριο του Μαθήματος: EΠΛ 003
Εισαγωγή Εργαστήριο του Μαθήματος: EΠΛ 003 Ενότητα 4 Εισαγωγή στο Microsoft PowerPoint Το PowerPoint (PP) είναι ένα γραφικό πρόγραμμα για παρουσιάσεις Μερικά χαρακτηριστικά του ΡΡ για τη δημιουργία παρουσιάσεων
Διαβάστε περισσότεραΕγχειρίδιο SPSS 7. Εισαγωγή δεδοµένων
Εγχειρίδιο SPSS 7 Εισαγωγή εδοµένων Για να εισάγετε δεδοµένα στην εφαρµογή, απλώς κάντε κλικ µε το αριστερό πλήκτρο του ποντικιού στο άκρο αριστερά φατνίο του φύλλου δεδοµένων. Αρχίστε να πληκτρολογείτε
Διαβάστε περισσότεραουλεύοντας µε το Finale (7η συνέχεια)
ουλεύοντας µε το Finale (7η συνέχεια) Το Sampler Aria και οι ήχοι Garittan: Για την τελειότερη ακρόαση της παρτιτούρας µας Από την έκδοση 2009 και µετά το Finale εµπεριέχει το sampler Aria για την ακρόαση
Διαβάστε περισσότεραΒΙΟΣΤΑΤΙΣΤΙΚΗ Πρακτική με SPSS (1)
ΒΙΟΣΤΑΤΙΣΤΙΚΗ Πρακτική με SPSS (1) Εισαγωγή στο SPSS Παρουσίαση ποσοτικών και ποιοτικών δεδομένων Φίλιππος Ορφανός Εργαστήριο Υγιεινής, Επιδημιολογίας και Ιατρικής Στατιστικής, Πανεπιστήμιο Αθηνών orfanos@nut.uoa.gr
Διαβάστε περισσότεραΤΜΗΜΑ ΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥ ΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ. ΟΙΚΟΝΟΜΕΤΡΙΚΑ ΠΡΟΤΥΠΑ ΕΡΓΑΣΤΗΡΙΟ ΜΑΘΗΜΑ 1 ο ΕΡΓΑΣΤΗΡΙΟΥ ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΣΤΑΤΙΣΤΙΚΗΣ
ΤΜΗΜΑ ΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥ ΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΟΙΚΟΝΟΜΕΤΡΙΚΑ ΠΡΟΤΥΠΑ ΕΡΓΑΣΤΗΡΙΟ ΜΑΘΗΜΑ 1 ο ΕΡΓΑΣΤΗΡΙΟΥ ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΣΤΑΤΙΣΤΙΚΗΣ ΕΠΙΧ Οικονομετρικά Πρότυπα Διαφάνεια 1 ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΣΤΑΤΙΣΤΙΚΗΣ
Διαβάστε περισσότεραΣτόχος µαθήµατος: ΒΙΟΣΤΑΤΙΣΤΙΚΗ ΙΙ. 1. Πολλαπλή γραµµική παλινδρόµηση. 1.2 Παράδειγµα 7 (συνέχεια)
ΠΜΣ ΕΠΑΓΓΕΛΜΑΤΙΚΗ ΚΑΙ ΠΕΡΙΒΑΛΛΟΝΤΙΚΗ ΥΓΕΙΑ, ΙΑΧΕΙΡΙΣΗ ΚΑΙ ΟΙΚΟΝΟΜΙΚΗ ΑΠΟΤΙΜΗΣΗ ΑΚ. ΕΤΟΣ 2006-2007, 3ο εξάµηνο ΒΙΟΣΤΑΤΙΣΤΙΚΗ ΙΙ ΜΑΘΗΜΑ 12β ΕΡΓΑΣΤΗΡΙΟ 4β ΠΟΛΛΑΠΛΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝ ΡΟΜΗΣΗ ΜΕ ΤΗΝ ΧΡΗΣΗ SPSS
Διαβάστε περισσότεραουλεύοντας µε το Finale (6η συνέχεια)
ουλεύοντας µε το Finale (6η συνέχεια) MIDI Tool: Για την τελειότερη ακρόαση της παρτιτούρας µας Εισαγωγικά: Το Finale όπως και κάθε πρόγραµµα γραφής παρτιτούρας παρουσιάζει ένα µειονέκτηµα κατά την ακρόαση
Διαβάστε περισσότεραΤ.Ε.Ι. ΚΡΗΤΗΣ ΣΧΟΛΗ ΤΕΧΝΟΛΟΓΙΚΩΝ ΕΦΑΡΜΟΓΩΝ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΙΑΣ. Ασκήσεις 1-2 Εισαγωγή
Τ.Ε.Ι. ΚΡΗΤΗΣ ΣΧΟΛΗ ΤΕΧΝΟΛΟΓΙΚΩΝ ΕΦΑΡΜΟΓΩΝ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΙΑΣ ΒΙΟΜΗΧΑΝΙΚΟΙ ΑΥΤΟΜΑΤΙΣΜΟΙ Εφαρµογές Προγραµµατιζόµενων Λογικών Ελεγκτών-Εργαστήριο Εργαστηριακός Συνεργάτης: Βέλλος Κων/νος Ασκήσεις 1-2 Εισαγωγή
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ, ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ, ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΕΠΛ 4: ΣΥΣΤΗΜΑΤΑ ΠΟΛΥΜΕΣΩΝ Θεωρητικές Ασκήσεις (# ): ειγµατοληψία, κβαντοποίηση και συµπίεση σηµάτων. Στην τηλεφωνία θεωρείται ότι το ουσιαστικό περιεχόµενο της
Διαβάστε περισσότεραΛΟΓΙΣΜΙΚΟ ΠΡΟΣΟΜΟΙΩΣΗΣ ANYLOGIC
ΛΟΓΙΣΜΙΚΟ ΠΡΟΣΟΜΟΙΩΣΗΣ ANYLOGIC Χρησιμοποιούμε την δωρεάν έκδοση του λογισμικού προσομοίωσης Anylogic. Για εκπαιδευτική χρήση μπορείτε να «κατεβάσετε» και να εγκαταστήσετε στον υπολογιστή σας την Personal
Διαβάστε περισσότεραΠολλαπλή παλινδρόµηση. Μάθηµα 3 ο
Πολλαπλή παλινδρόµηση Μάθηµα 3 ο Πολλαπλή παλινδρόµηση (Multivariate regression ) Η συµπεριφορά των περισσότερων οικονοµικών µεταβλητών είναι συνάρτηση όχι µιας αλλά πολλών µεταβλητών Y = f ( X, X 2, X
Διαβάστε περισσότεραΣτατιστική. Εκτιμητική
Στατιστική Εκτιμητική Χατζόπουλος Σταύρος 28/2/2018 και 01 /03/2018 Εισαγωγή Το αντικείμενο της Στατιστικής είναι η εξαγωγή συμπερασμάτων που αφορούν τον πληθυσμό ή το φαινόμενο που μελετάμε, με τη βοήθεια
Διαβάστε περισσότεραΑ. ΤΕΙ ΚΡΗΤΗΣ Τµήµα Εφαρµοσµένης Πληροφορικής και Πολυµέσων Εργαστήριο Νευρωνικών Δικτύων
Α. ΤΕΙ ΚΡΗΤΗΣ Τµήµα Εφαρµοσµένης Πληροφορικής και Πολυµέσων Εργαστήριο Νευρωνικών Δικτύων 5 BACKPROPAGATION MULTILAYER FEEDFORWARD ΔΙΚΤΥΑ Α. ΕΙΣΑΓΩΓΗ Τα νευρωνικά δίκτυα που εξετάσαµε µέχρι τώρα είχαν
Διαβάστε περισσότεραΕισαγωγή στον Προγραμματισμό Μάθημα 2: Οκτώβριος 2014 Χ. Αλεξανδράκη, Γ. Δημητρακάκης
Εισαγωγή στον Προγραμματισμό Μάθημα 2: Χειρισμός Αρχείων στο Linux CLI Οκτώβριος 2014 Χ. Αλεξανδράκη, Γ. Δημητρακάκης Περίληψη Προηγουμένου Εντολές Πλοήγησης στο σύστημα αρχείων ls,cd,man,cp,mv,rm,mkdir,rmdir
Διαβάστε περισσότεραΕργαστήριο του Μαθήματος: EΠΛ 001
Κατερίνα Τορτούρη Εισαγωγή Εργαστήριο του Μαθήματος: EΠΛ 00 Ενότητα 4 Εισαγωγή στο Microsoft PowerPoint Το PowerPoint (PP) είναι ένα γραφικό πρόγραμμα για παρουσιάσεις Μερικά χαρακτηριστικά του ΡΡ για
Διαβάστε περισσότεραΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ «ΠΛΗΡΟΦΟΡΙΚΗ» ΜΑΘΗΜΑΤΙΚΑ Ι (ΘΕ ΠΛΗ 12) ΕΡΓΑΣΙΑ 4
ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ «ΠΛΗΡΟΦΟΡΙΚΗ» ΜΑΘΗΜΑΤΙΚΑ Ι (ΘΕ ΠΛΗ ) ΕΡΓΑΣΙΑ 4 Ηµεροµηνία αποστολής στον φοιτητή: 9 Φεβρουαρίου 5. Τελική ηµεροµηνία αποστολής από τον φοιτητή: Μαρτίου 5.
Διαβάστε περισσότερα4.ΣΤΡΩΜΑΤΟΠΟΙΗΜΕΝΗ ΤΥΧΑΙΑ
4.ΣΤΡΩΜΑΤΟΠΟΙΗΜΕΝΗ ΤΥΧΑΙΑ ΕΙΓΜΑΤΟΛΗΨΙΑ (STRATIFIED RANDOM SAMPLING) Στην τυχαία δειγµατοληψία κατά στρώµατα ο πληθυσµός των Ν µονάδων (πρόκειται για τον στατιστικό πληθυσµό και τις στατιστικές µονάδες)
Διαβάστε περισσότεραΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΕΣ ΤΕΧΝΙΚΕΣ Σύντομη εισαγωγή στο εργαστήριο
ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΕΣ ΤΕΧΝΙΚΕΣ Σύντομη εισαγωγή στο εργαστήριο Στο φετινό εργαστήριο του μαθήματος, έχετε τη δυνατότητα να δουλέψετε σε 2 περιβάλλοντα. Ένα σε περιβάλλον UNIX μέσω απομακρυσμένης σύνδεσης σε
Διαβάστε περισσότεραΕισαγωγή στο Προγραμματισμό με τη PASCAL & τη Matlab Εξαμηνιαία Εργασία 2014 Μετατρέποντας AC σε DC Τάση Μέρος Β : Πορεία Εργασίας
Εισαγωγή στο Προγραμματισμό με τη PASCAL & τη Matlab Εξαμηνιαία Εργασία 2014 Μετατρέποντας AC σε DC Τάση Μέρος Β : Πορεία Εργασίας. Συναρτήσεις στη PASCAL Σκοπός Προσομοίωση ενός Συστήματος / Κυκλώματος,
Διαβάστε περισσότεραΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ 1. ΕΙ Η Ε ΟΜΕΝΩΝ, ΣΥΛΛΟΓΗ, ΚΩ ΙΚΟΠΟΙΗΣΗ ΚΑΙ ΕΙΣΑΓΩΓΗ
ΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ 1. ΕΙ Η Ε ΟΜΕΝΩΝ, ΣΥΛΛΟΓΗ, ΚΩ ΙΚΟΠΟΙΗΣΗ ΚΑΙ ΕΙΣΑΓΩΓΗ Βασικές µορφές Ερωτήσεων - απαντήσεων Ανοιχτές Κλειστές Κλίµακας ΕΛΕΥΘΕΡΙΟΣ ΑΓΓΕΛΗΣ - ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΑΠΘ 2 Ανοιχτές ερωτήσεις Ανοιχτές
Διαβάστε περισσότεραΠληροφοριακά Συστήµατα ιοίκησης Τµήµα Χρηµατοοικονοµικής και Ελεγκτικής Management Information Systems Εργαστήριο 5 ΤΕΙ Ηπείρου (Παράρτηµα Πρέβεζας)
Πληροφοριακά Συστήµατα ιοίκησης Τµήµα Χρηµατοοικονοµικής και Ελεγκτικής Management Information Systems Εργαστήριο 5 ΤΕΙ Ηπείρου (Παράρτηµα Πρέβεζας) ΑΝΤΙΚΕΙΜΕΝΟ: Βελτιστοποίηση ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ σε διάφορα
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΑΣΦΑΛΙΣΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ Εξετάσεις στο μάθημα ΠΙΘΑΝΟΤΗΤΕΣ Ι
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΑΣΦΑΛΙΣΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ Εξετάσεις στο μάθημα ΠΙΘΑΝΟΤΗΤΕΣ Ι Ονοματεπώνυμο: Όνομα Πατρός:... ΑΜ:. Ημερομηνία: Σ Παρακαλώ μη γράφετε στα παρακάτω τετράγωνα Μέρος
Διαβάστε περισσότεραΒιβλιοθήκη συµβόλων κιθάρας.
ουλεύοντας µε το Finale: Γράφοντας για κιθάρα Από τον Παναγιώτη Φραγκούλη Το Finale αποτελεί πλέον απαραίτητο εργαλείο στην καθηµερινότητα κάθε σύγχρονου συνθέτη. Σε κάθε νέα του έκδοση εµπλουτίζεται µε
Διαβάστε περισσότεραΠΛΗΡΟΦΟΡΙΚΗ Ι Εργαστήριο 1 MATLAB ΠΛΗΡΟΦΟΡΙΚΗ Ι ΕΡΓΑΣΤΗΡΙΟ 1. Θέμα εργαστηρίου: Εισαγωγή στο MATLAB και στο Octave
ΠΛΗΡΟΦΟΡΙΚΗ Ι ΕΡΓΑΣΤΗΡΙΟ 1 Θέμα εργαστηρίου: Εισαγωγή στο MATLAB και στο Octave Περιεχόμενο εργαστηρίου: - Το περιβάλλον ανάπτυξης προγραμμάτων Octave - Διαδικασία ανάπτυξης προγραμμάτων MATLAB - Απλά
Διαβάστε περισσότεραΔρ. Σταύρος Καραθανάσης
Δρ. Σταύρος Καραθανάσης Οδηγίες Εκτέλεσης του Προγράμματος Box Model Chemistry Με το πρόγραμμα Box Model Chemistry μπορούν να εκτελεστούν προσομοιώσεις θαλάμου καπνομίχλης (smog chamber) με τη χρήση διαφορετικών
Διαβάστε περισσότερα1. Εισαγωγή Ο έλεγχος υποθέσεων αναφέρεται στις ιδιότητες µιας άγνωστης παραµέτρους του πληθυσµού: Ο κατηγορούµενος είναι αθώος
Έλεγχοι Υποθέσεων 1. Εισαγωγή Ο έλεγχος υποθέσεων αναφέρεται στις ιδιότητες µιας άγνωστης παραµέτρους του πληθυσµού: Ο κατηγορούµενος είναι αθώος µ = 100 Κάθε υπόθεση συνοδεύεται από µια εναλλακτική: Ο
Διαβάστε περισσότερα