c(x 1 + x 2 + x 3 ) εάν 0 x 1, x 2, x 3 k (x 1, x 2, x 3 ) =
|
|
- Αἴαξ Μπότσαρης
- 7 χρόνια πριν
- Προβολές:
Transcript
1 ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ Τμήμα Ηλεκτρονικών Μηχανικών και Μηχανικών Υπολογιστών Τομέας Τηλεπικοινωνιών ΤΗΛ 11: ΠΙΘΑΝΟΤΗΤΕΣ ΚΑΙ ΤΥΧΑΙΑ ΣΗΜΑΤΑ 4ο Εξάμηνο η ΕΡΓΑΣΙΑ ΑΣΚΗΣΗ 1 Εστω X = x 1, x, x T τυχαίο διάνυσμα με κατανομή: { c(x 1 + x + x ) εάν 0 x 1, x, x k f x1,x,x (x 1, x, x ) = 0 αλλού Βρείτε: (i) Την σταθερά c. (4%) (ii) Την οριακή ΣΠΠ της τυχαίας μεταβλητής x στο σημείο 0.5 (4%) (iii) Την οριακή ΣΠΠ του υποδιανύσματος x 1, x T στο σημείο (x 1, x ) = (0.7, 0.8). (4%) (iv) Την υπό συνθήκη ΣΠΠ f x x 1,x (x x 1, x ) στο σημείο (x 1, x, x ) = (0.1, 0., 0.). (4%) (v) Την υπό συνθήκη ΣΠΠ f x,x x 1 (x, x x 1 ) στο σημείο (x 1, x, x ) = (0.4, 0.9, 0.6). (4%) ΛΥΣΗ (i) Θα πρέπει το τριπλό ολοκλήρωμα της Σ.Π.Π να ισούται με 1. c c k k k k k 0 0 k k 0 0 k f x1,x,x (x 1, x, x ) dx dx dx 1 = 1 x 1 + x + x dx dx dx 1 = 1 x 1 x + x x + x k dx dx 1 = 1 kx 1 + kx + k dx dx 1 = 1 c k x 1 + k 0 + k dx 1 = 1 ( ) k 4 c + k4 + k4 = 1 c k4 = 1 c = k 4 0
2 (ii) Για να πάρουμε το ζητούμενο αρκεί να ολοκληρώσουμε την από κοινού προς τις υπόλοιπες τ.μ. (iii) Ομοίως με το προηγούμενο. f x (x ) = k k = c 0 0 k 0 k f x1,x,x (x 1, x, x ) dx dx 1 = x 1 x + x + x k x dx 1 = 0 = c kx 1 + k 0 + kx dx 1 = ( ) k = c + k + k x = = k + k + k x k 4 = = k (k + x ) f x (x ) = k (k + x ) εάν 0 x k 0 αλλού f x1,x (x 1, x ) = k f x1,x,x (x 1, x, x ) dx = 0 k = c x 1 + x + x dx = 0 = ) (kx k kx + k = = ( k x 1 + x + k ) ( f x1,x (x 1, x ) = k x 1 + x + k ) εάν 0 x 1, x k 0 αλλού (iv) Από τον ορισμό της δεσμευμένης πιθανότητας. (v) f x1 x,x (x 1 x, x ) = f x 1,x,x (x 1, x, x ) = f x1,x (x 1, x ) = k 4 x 1 + x + x x 1 + x + k = k = 1 x 1 + x + x k x 1 + x + k 1 x 1 + x + x f x1 x,x (x 1 x, x ) = k x 1 + x + k εάν 0 x 1, x, x k 0 αλλού f x,x x 1 (x, x x 1 ) = f x 1,x,x (x 1, x, x ) f x1 (x 1 ) Στο συγκεκριμένο σημείο η από κοινού είναι μηδεν, οπότε και η ζητούμενη Σ.Π.Π είναι μηδέν.
3 ΑΣΚΗΣΗ Εστω το τυχαίο διάνυσμα X = x 1, x, x T πίνακα συνδιασποράς: µ X = ακολουθεί από κοινού κανονική κατανομή με μέση τιμή και Σ X = Και τυχαίο διάνυσμα Y = y 1, y T = AX + b, όπου: 1 k A = 1 1 b = 4 4 Υπολογίστε: (i) την μέση τιμή του y 1 (6%) (ii) την συνδιασπορά σ y1,y των y 1, y (6%) (iii) τον συντελεστή συσχέτισης ρ y1y των y 1, y (6%) ΛΥΣΗ Υπολογίζουμε την μέση τιμή µ Y = Aµ X + b και τον πίνακα συνδιασποράς Σ Y = AΣ X A T, από τους οποίους αντλούμε όλα τα ζητούμενα (i) 4 1 k 4 µ Y = Aµ X + b = (ii) Σ Y = AΣ X A T = 1 k k 1 (iii) ρ y1y = σ y1y σ y 1 σ y Οπου οι συντελεστές αντλούνται από τον πίνακα συνδιακύμανσης που ορίσαμε νωρίτερα.
4 ΑΣΚΗΣΗ Η γραμμή παραγωγής ενός εργοστασίου συσκευάζει ηλεκτρονικά εξαρτήματα. Ο αριθμός των εξαρτημάτων που τοποθετούνται σε κάθε κουτί ακολουθεί κατανομή P oisson με αναμενόμενη τιμή k εξαρτήματα ανά κουτί. Στο τέλος της διαδικασίας, τα κουτιά περνούν από τον ποιοτικό έλεγχο, όπου όσα ανιχνεύονται σαν άδεια ανακυκλώνονται και τα υπόλοιπα πωλούνται: Τα άδεια κουτιά ανακυκλώνονται με πιθανότητα 0.8. Τα κουτιά με ένα εξάρτημα ανιχνεύονται (λανθασμένα) σαν άδεια και ανακυκλώνονται με πιθανότητα 0.1. Τα κουτιά με δύο εξαρτήματα ανιχνεύονται (λανθασμένα) σαν άδεια και ανακυκλώνονται με πιθανότητα Τα κουτιά με τρία και πάνω εξαρτήματα πωλούνται με πιθανότητα 1. Κάθε εξάρτημα κοστίζει στην εταιρία 50 για να παραχθεί και κάθε κουτί, ανεξάρτητα του αριθμού των εξαρτημάτων που περιέχει, πωλείται για 100. Θεωρήστε ότι το κόστος της συσκευασίας είναι μηδέν, όπως και τα έσοδα από κάθε κουτί που ανακυκλώνεται (το κόστος όμως δεν είναι μηδέν). Υπολογίστε: (i) την πιθανότητα να ανακυκλωθεί ένα οποιοδήποτε κουτί στο στάδιο του ποιοτικού ελέγχου (4%) (ii) το αναμενόμενο κόστος παραγωγής κάθε κουτιού. (4%) (iii) το αναμενόμενο κόστος κάθε κουτιού που ανακυκλώνεται (4%) (iv) την πιθανότητα ένα οποιοδήποτε κουτί να είναι άδειο και να πουληθεί (4%) (v) Υπολογίστε στο MATLAB, χρησιμοποιώντας γεννήτριες Τ.Μ, το αναμενόμενο καθαρό κέρδος της εταιρίας από ένα οποιοδήποτε κουτί (5%) ΛΥΣΗ Εστω n ο αριθμός των εξαρτημάτων σε κάθε κουτί, τότε: P n (n 0 ) = kn0 e k n 0! Ορίζουμε ενδεχόμενα Α={το κουτί ανακυκλώθηκε}, Α ={το κουτί πουλήθηκε}. Οπότε : P (A n = 0) = 0.8 P (A n = 1) = 0.1 P (A n = ) = 0.05 P (A n ) = 0
5 Και : P (n = 0) = k0 e k = e k 0! P (n = 1) = k1 e k = ke k 1! P (n = ) = k e k = k! e k P (n ) = 1 P (n ) = 1 ) (1 + k + k e k Μπορούμε να περιγράψουμε όλο το πείραμα σαν ένα δέντρο, που εμφανίζεται παρακάτω: 1 n A P (n ) P (n = ) n = 1 P (A n = ) P (A n = ) A A P (n = 1) P (n = 0) n = 1 1 P (A n = 1) A P (A n = 1) A n = 0 1 P (A n = 0) A P (A n = 0) A (i) Χρησιμοποιούμε διαμερισμό και αλυσίδα. P (A) = P (A, n = 0) + P (A, n = 1) + P (A, n = ) + P (A, n ) = = P (A n = 0)P (n = 0) + P (A n = 1)P (n = 1) + P (A n = )P (n = ) + P (A n )P (n ) = = 0.8P (n = 0) + 0.1P (n = 1) P (n = ) + 0 = = 0.8e k + 0.1ke k k e k (ii) Ξέρουμε ότι το κόστος παραγωγής είναι ίσο με 50 n άρα: E(50 n) = 50E(n) = 50k
6 (iii) (iv) E(50 n A) = 50E(n A) = + = 50 P (n A) n = = 50 n=0 0P (n = 0 A) + 1P (n = 1 A) + P (n = A) + + n= P (A n = 1)P (n = 1) P (A n = )P (n = ) = P (A) P (A) P (A n = 1)P (n = 1) + P (A n = )P (n = ) = 50 = P (A) = ke k k e k 0.8e k + 0.1ke k k e k P (n A) n + 0 = = P (n = 0, A ) = P (A n = 0)P (n = 0) = 0.e k (v) Ακολουθούμε την εξέλιξη του πειράματος: πρώτα παράγουμε κουτιά με P oisson αριθμό εξαρτημάτων, έπειτα επιλέγουμε τυχαία ποια θα πεταχτούν και ποια θα πουληθούν και τέλος υπολογίζουμε το κέρδος ή ζημία για κάθε περίπτωση. Το ζητούμενό μας είναι η μέση τιμή. ΚΩΔΙΚΑΣ %c l e a r memory, screen and c l o s e a l l graphs clear a l l ; close a l l ; clc ; %number o f experiments i t e r = ; %c r e a t e poisson boxes box = p o i s s r n d ( k, i t e r, 1 ) ; %c r e a t e b e r n o u l l i s a l e (1 i f box i s sold, 0 i f thrown ) r = rand( i t e r, 1 ) ; s a l e ( 1 : length ( box ), 1 ) = 1 ; s a l e ( box == 0) = r ( box == 0) > 0. 8 ; s a l e ( box == 1) = r ( box == 1) > 0. 1 ; s a l e ( box == ) = r ( box == ) > ; %c r e a t e p r o f i t per case p r o f i t ( 1 : length ( box ), 1 ) = 0 ; p r o f i t ( s a l e == 0) = 50 box ( s a l e == 0 ) ; p r o f i t ( s a l e >= 1) = box ( s a l e >= 1 ) ;
7 %mean p r o f i t E = mean( p r o f i t )
8 ΑΣΚΗΣΗ 4 (i) Εκτίμηση Κανονικής Κατανομής με χρήση MATLAB (10%) Δημιουργείστε N = 1000 δείγματα από μία κανονική κατανομή N(k, 4) με την συνάρτηση normpdf. Προσέξτε ότι οι σχετικές συναρτήσεις του MATLAB δέχονται σαν παράμετρο το σ και όχι το σ. Σχεδιάστε το κανονικοποιημένο ιστόγραμμα των δειγμάτων και την κανονική κατανομή N(k, 4) στο ίδιο διάγραμμα έτσι ώστε να βεβαιωθείτε ότι τα δεδομένα σας ακολουθούν την εν λόγω κατανομή. Οι μπάρες ενός ιστογράμματος μετράνε τις εμφανίσεις των στοιχείων σε ένα διάστημα. Ενα κανονικοποιημένο ιστόγραμμα μετράει την πιθανότητα εμφάνισης των στοιχείων στο εν λόγω διάστημα. Παράδειγμα κανονικοποίησης ιστογράμματος σας δόθηκε μαζί με την εκφώνηση. Με τη βοήθεια του MAT LAB βρείτε την μέση τιμή (µ) και διασπορά (σ ) των δειγμάτων βάση των τύπων των εκτιμητών μέγιστης πιθανότητας όπως υπάρχει στις σημειώσεις (Κεφ. 5). Επειτα βρείτε την μέση τιμή και διασπορά με τις συναρτήσεις mean και var του MATLAB και συγκρίνετε τις εκτιμήσεις. Υπολογίστε το μέσο τετραγωνικό σφάλμα των εκτιμητών σας. Για να γίνει αυτό πρέπει να τρέξετε το πείραμά σας αρκετές φορές και να υπολογίσετε την ποσότητα 1 M (θ ˆθ) όπου M = 100 είναι ο αριθμός των φορών που θα τρέξετε το πείραμά σας, θ είναι η πραγματική τιμή της ποσότητας που θέλουμε να εκτιμήσουμε (π.χ. μέση τιμή,διασπορά) και ˆθ είναι η τιμή που εκτιμάμε. Επαναλάβετε το ίδιο για N = 100 και N = Σχολιάστε συνοπτικά τα συμπεράσματά σας για τις διάφορες εκτιμήσεις. (ii) Εκτίμηση Κατανομής Rayleigh με χρήση MATLAB (10%) Δημιουργείστε N = 1000 δείγματα από μία κατανομή Rayleigh f x (x; b) = x b e x b με την συνάρτηση raylrnd. όπου b = k Σχεδιάστε το κανονικοποιημένο ιστόγραμμα των δειγμάτων και την παραπάνω εκθετική κατανομή στο ίδιο διάγραμμα έτσι ώστε να βεβαιωθείτε ότι τα δεδομένα σας ακολουθούν την εν λόγω κατανομή. Βρείτε την μέση τιμή και διασπορά με τις συναρτήσεις mean και var του MATLAB και συγκρίνετε τις εκτιμήσεις. Επειτα θα εκτιμήσουμε πειραματικά την μέση τιμή και την διασπορά. Θυμίζουμε ότι η μέση τιμή της παραπάνω κατανομής Rayleigh είναι E(x) = b π και η διασπορά είναι V ar(x) = 4 π b. Οπότε χρειαζόμαστε τον εκτιμητή μέγιστης πιθανότητας του b ο οποίος είναι ˆb ML = 1 N N i=1 x i. Υπολογίστε το μέσο τετραγωνικό σφάλμα των εκτιμητών σας όπως και στην προηγούμενη περίπτωση. Επαναλάβετε το ίδιο για Ν=100 και Ν=10000 Σχολιάστε συνοπτικά τα συμπεράσματά σας για τις διάφορες εκτιμήσεις. Σημείωση : Παραδώστε δύο αρχεία MATLAB, ένα για κάθε ένα από τα ερωτήματα (i),(ii) και σχολιασμό των αποτελεσμάτων στην αναφορά. ΛΥΣΗ
9 (i) ΚΩΔΙΚΑΣ %c l e a r memory, screen and c l o s e a l l graphs clear a l l ; close a l l ; clc ; mu = k ; sigma = ; % matlab uses sigma, not sigma ˆ N cases = 1 0 0, , ; for i = 1 : length ( N cases ) N = N cases ( i ) ; M = 100; d i s p l a y ( ) ; d i s p l a y ( N=,numstr(N), M=,numstr(M) ) ; d i s p l a y ( ) ; %c r e a t e gaussian samples samples = normrnd (mu, sigma, N,M) ; %c r e a t e a c t u a l gaussian pdf x = 4 sigma : : 4 sigma ; y = normpdf ( x,mu, sigma ) ; %c r e a t e and normalize histogram n, xout = hist ( samples ( :, 1 ), 0 ) ; bw = xout () xout ( 1 ) ; n1 = n/sum( n. bw ) ; %p l o t histogram and pdf bar ( xout, n1 ) hold on plot ( x, y, r, Linewidth, ) ; hold o f f %c a l c u l a t e mean and variance using the e q u a t i o n s mu est1 = sum( samples, 1 ). /N; s i g m a e s t 1 = sum( ( samples repmat ( mu est1,n, 1 ) ). ˆ, 1 ). /N; %c a l c u l a t e mean square e r r o r mu error1 = sum( ( mu est1 mu). ˆ ). /M; s i g m a e r r o r 1 = sum( ( s i g m a e s t 1 sigma ˆ ). ˆ ). /M;
10 %d i s p l a y d i s p l a y ( notes=n(,numstr( mu est1 ( 1 ) ),,,numstr( s i g m a e s t 1 ( 1 ) ), ) ) ; d i s p l a y ( msqe=,numstr( mu error1 ),,,numstr( s i g m a e r r o r 1 ) ) ; %c a l c u l a t e mean and variance using matlab f u n c t i o n s mu est = mean( samples, 1 ) ; s i g m a e s t = var ( samples, 0, 1 ) ; %c a l c u l a t e mean square e r r o r mu error = sum( ( mu est mu). ˆ ). /M; s i g m a e r r o r = sum( ( s i g m a e s t sigma ˆ ). ˆ ). /M; %d i s p l a y d i s p l a y ( matlab=n(,numstr( mu est ( 1 ) ),,,numstr( s i g m a e s t ( 1 ) ), ) ) ; d i s p l a y ( msqe=,numstr( mu error ),,,numstr( s i g m a e r r o r ) ) ; d i s p l a y ( p r e s s e n t e r to continue ) ; pause end (ii) ΚΩΔΙΚΑΣ %c l e a r memory, screen and c l o s e a l l graphs clear a l l ; close a l l ; clc ; b = k ; mu = b sqrt ( pi / ) ; sigma = ((4 pi ) / ) ( b ˆ ) ; N cases = 1 0 0, , ; d i s p l a y ( mean =,numstr(mu),, var =,numstr( sigma ) ) ; for i = 1 : length ( N cases ) N = N cases ( i ) ; M = 100; d i s p l a y ( ) ; d i s p l a y ( N=,numstr(N), M=,numstr(M) ) ; d i s p l a y ( ) ; %c r e a t e r a y l e i g h samples
11 samples = r a y l r n d (b,n,m) ; %c r e a t e a c t u a l r a y l e i g h pdf x = 0 : : 1 0 sigma ; y = r a y l p d f ( x, b ) ; %c r e a t e and normalize histogram n, xout = hist ( samples ( :, 1 ), 0 ) ; bw = xout () xout ( 1 ) ; n1 = n/sum( n. bw ) ; %p l o t histogram and pdf bar ( xout, n1 ) hold on plot ( x, y, r, Linewidth, ) ; hold o f f %c a l c u l a t e b using the equation b e s t 1 = sqrt (sum( samples. ˆ, 1 ). / ( N) ) ; %c a l c u l a t e mean and variance using e q u a t i o n s mu est1 = b e s t 1 sqrt ( pi / ) ; s i g m a e s t 1 = ((4 pi ) / ). ( b e s t 1. ˆ ) ; %c a l c u l a t e mean square e r r o r mu error1 = sum( ( mu est1 mu). ˆ ). /M; s i g m a e r r o r 1 = sum( ( s i g m a e s t 1 sigma ). ˆ ). /M; %d i s p l a y d i s p l a y ( notes=(,numstr( mu est1 ( 1 ) ),,,numstr( s i g m a e s t 1 ( 1 ) ), ) ) ; d i s p l a y ( msqe=,numstr( mu error1 ),,,numstr( s i g m a e r r o r 1 ) ) ; %c a l c u l a t e mean and variance using matlab f u n c t i o n s mu est = mean( samples, 1 ) ; s i g m a e s t = var ( samples, 0, 1 ) ; %c a l c u l a t e mean square e r r o r mu error = sum( ( mu est mu). ˆ ). /M; s i g m a e r r o r = sum( ( s i g m a e s t sigma ). ˆ ). /M; %d i s p l a y d i s p l a y ( matlab=(,numstr( mu est ( 1 ) ),,,numstr( s i g m a e s t ( 1 ) ), ) ) ; d i s p l a y ( msqe=,numstr( mu error ),,,numstr( s i g m a e r r o r ) ) ; d i s p l a y ( p r e s s e n t e r to continue ) ; pause
12 end
13 ΑΣΚΗΣΗ 5 Δίδεται τυχαία διαδικασία: X(t) = At + B Οπου A, B ανεξάρτητες, ομοιόμορφα κατανεμημένες τ.μ. στο k, k. Υπολογίστε την μέση τιμή της διαδικασίας την στιγμή t 0 = 5 (7%) Υπολογίστε την συνάρτηση αυτοσυσχέτισης για τις χρονικές στιγμές t 1 = 1, t = (7%) Υπολογίστε στο MATLAB, χρησιμοποιώντας γεννήτριες την εμπειρική κατανομή (το ιστόγραμμα) της X(t = 5) (7%) ΛΥΣΗ Οι Τ.Μ A, B έχουν μέση τιμή μηδέν και διασπορά k. (i) (ii) Ξέρουμε ότι ισχύει E(X(t 0 )) = E(At 0 + B) = = t 0 E(A) + E(B) = 0 R XX (t 1, t ) = E(X(t 1 )X(t )) = = E((At 1 + B)(At + B)) = = E(A t 1 t + (t 1 + t )AB + B ) = = t 1 t E(A ) + (t 1 + t )E(AB) + E(B ) σa = E(A ) E(A) = k E(A ) = k Ομοίως παίρνουμε ότι E(B ) = k. Οι A, B είναι ανεξάρτητες, άρα και ασυσχέτιστες, οπότε: Και τελικά: (iii) ΚΩΔΙΚΑΣ E(AB) = E(A)E(B) = 0; R XX (t 1, t ) = k (t 1t + 1) %c l e a r memory, screen and c l o s e a l l graphs clear a l l ; close a l l ; clc ; %number o f experiments
14 i t e r = ; %c r e a t e uniform A and B A = rand( i t e r, 1 ) k k ; B = rand( i t e r, 1 ) k k ; %c r e a t e X x = A. 5 + B; %c r e a t e histogram hist ( x )
15 ΑΣΚΗΣΗ 6 BONUS: Εστω τυχαίο διάνυσμα X = x 1 Οπου c πραγματική σταθερά. x T που ακολουθεί από κοινού Gaussian κατανομή με Σ.Π.Π: f x1,x (x 1, x ) = ce 1 ( 4 x x + 8 x1x 8x1 16x+16) Υπολογίστε τον συντελεστή συσχέτισης ρ x1x (0%) Υπόδειξη: Διαβάστε το κεφάλαιο του βιβλίου των διδασκόντων που αναφέρεται σε τυχαία διανύσματα και τα σχετικά παραδείγματα. ΛΥΣΗ Ξέρουμε ότι το διάνυσμα ακολουθεί πολυδιάστατη κανονική κατανομή, άρα ο εκθέτης θα είναι το ανάπτυγμα της έκφρασης 1 (X µ X) T Σ 1 X (X µ X) Οπότε μπορούμε να εξισώσουμε τους εκθέτες ώστε να υπολογίσουμε τον πίνακα Σ 1 X και από αυτόν τον Σ X Οπως αναφέρεται και στις σημειώσεις του μαθήματος, ο εκθέτης μιας δισδιάστατης Gaussian κατανομής μπορεί να εκφραστεί και σαν 1 i=1 j=1 (x i µ xi )w ij (x j µ xj ) Οπου w ij το στοιχείο στην γραμμή i, στήλη j του πίνακα Σ 1 X. Μπορούμε να απλουστεύσουμε κατά πολύ τις πράξεις παρατηρώντας ότι μόνο ο όρος που αντιστοιχεί στο w 11 θα παράγει x 1, μόνο ο όρος που αντιστοιχεί στο w θα παράγει x, ενώ οι όροι w 1 και w 1 είναι ίσοι και θα παράγουν το x 1 x. Οπότε: w 11 (x 1 µ x1 ) = w 11 (x ) = w 11 x w (x µ x ) = w (x +...) = w x +... (x 1 µ x1 )w 1 (x µ x ) + (x µ x )w 1 (x 1 µ x1 ) = (x 1 µ x1 )w 1 (x µ x ) = w 1 x 1 x +... Οι υπόλοιποι όροι που παράγονται από τα γινόμενα δεν μας χρησιμεύουν, οπότε δεν τους υπολογίζουμε. Εξισώνουμε τους συντελεστές των ίδιας τάξης όρων και έχουμε: w 11 = 4, w = 16, w 1 = w 1 = 4, οπότε Και τέλος Σ X = Σ X = Σ 1 X Σ 1 X = = ρ x1x = σ x 1x σ x1 σ x = = 1 =
E(X(t)) = 1 k + k sin(2π) + k cos(2π) = 1 k + k 0 + k 1 = 1
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ Τμήμα Ηλεκτρονικών Μηχανικών και Μηχανικών Υπολογιστών Τομέας Τηλεπικοινωνιών ΤΗΛ 2: ΠΙΘΑΝΟΤΗΤΕΣ ΚΑΙ ΤΥΧΑΙΑ ΣΗΜΑΤΑ 4ο Εξάμηνο 2009-200 4η ΕΡΓΑΣΙΑ ΑΣΚΗΣΗ Εστω τυχαία διαδικασία X(t) =
Διαβάστε περισσότεραa n n! = ea e y2 2 y 0 10E(n A) = = 100 E(k) = n p = = 4.6
Πιθανότητες και Τυχαία Σήματα Λύσεις Θεμάτων Ιουνίου 200 Ασκηση (20 μονάδες) Οι 7 νάνοι ψάχνουν για διαμάντια στα ορυχεία τους. Στο ορυχείο A τα διαμάντια ανακαλύπτονται σύμφωνα με την κατανομή Poisson
Διαβάστε περισσότεραP (Ā) = k P ( C A) = 0
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ Τμήμα Ηλεκτρονικών Μηχανικών και Μηχανικών Υπολογιστών Τομέας Τηλεπικοινωνιών ΤΗΛ : ΠΙΘΑΝΟΤΗΤΕΣ ΚΑΙ ΤΥΧΑΙΑ ΣΗΜΑΤΑ 4ο Εξάμηνο 9- η ΕΡΓΑΣΙΑ ΑΣΚΗΣΗ Το διαστημόπλοιο Άριαν αποτελείται από
Διαβάστε περισσότεραHMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Διάλεξη 2 Επισκόπηση θεωρίας πιθανοτήτων Τυχαίες μεταβλητές: Βασικές έννοιες Τυχαία μεταβλητή: Μεταβλητή της οποίας δε γνωρίζουμε με βεβαιότητα την τιμή (σε αντίθεση με τις
Διαβάστε περισσότερα4 4 2 = 3 2 = = 1 2
Πιθανότητες και Τυχαία Σήματα Μάθημα 3 ΑΣΚΗΣΗ Εστω ότι έχουμε δύο νομίσματα. Στο νόμισμα A η πιθανότητα να έρθει κεφαλή είναι. Στο νόμισμα B 4 3 η πιθανότητα να έρθει κεφαλή είναι. Δεν είστε σίγουροι ποιο
Διαβάστε περισσότεραf(y) dy = b a dy = b a x f(x) dx = b a dx = x 2 = b2 a 2 2(b a) b a dx = = (a2 + ab + b 2 )(b a) 3(b a)
Κεφάλαιο 11 Συνεχείς κατανομές και ο Ν.Μ.Α. Στο προηγούμενο κεφάλαιο ορίσαμε την έννοια της συνεχούς τυχαίας μεταβλητής, και είδαμε τις βασικές της ιδιότητες. Εδώ θα περιγράψουμε κάποιους ιδιαίτερους τύπους
Διαβάστε περισσότεραHMY 799 1: Αναγνώριση Συστημάτων
HMY 799 : Αναγνώριση Συστημάτων Διάλεξη Στοχαστικές Τυχαίες Μεταβλητές/ Στοχαστικά Σήματα Πειραματικά δεδομένα >Επιλογή τύπου μοντέλου >Επιλογή κριτηρίου >Υπολογισμός >Επικύρωση Προσαρμογή καμπύλης (Curve
Διαβάστε περισσότεραΛύσεις 4ης Ομάδας Ασκήσεων
ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΠΙΘΑΝΟΤΗΤΕΣ Γ. ΚΟΝΤΟΓΙΑΝΝΗΣ. Ζυγοβίστι Λύσεις 4ης Ομάδας Ασκήσεων Τμήμα Α Λ αʹ Το συνολικό πλήθος των τερμάτων που θα σημειωθούν είναι X + Y, και η μέση
Διαβάστε περισσότεραΠιθανότητες & Τυχαία Σήματα. Διγαλάκης Βασίλης
Πιθανότητες & Τυχαία Σήματα Διγαλάκης Βασίλης Τυχαία Σήματα Γενίκευση τυχαίων διανυσμάτων Άπειρο σύνολο πιθανά αριθμήσιμο από τυχαίες μεταβλητές Παραδείγματα τυχαίων σημάτων: Τηλεπικοινωνίες: Σήμα πληροφορίας
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 περισσότεραStochastic Signals Class Estimation Theory. Andreas Polydoros University of Athens Dept. of Physics Electronics Laboratory
Stochastic Signals Class Estimation Theory Andreas Polydoros University of Athens Dept. of Physics Electronics Laboratory 1 Τι ειναι «Εκτιμηση» (Estimation)? Γενικο Πλαισιο: Θεωρια και Πραξη Συμπερασματων
Διαβάστε περισσότεραΔειγματοληψία. Πρέπει να γνωρίζουμε πως πήραμε το δείγμα Το πλήθος n ij των παρατηρήσεων σε κάθε κελί είναι τ.μ. με μ ij συμβολίζουμε την μέση τιμή:
Δειγματοληψία Πρέπει να γνωρίζουμε πως πήραμε το δείγμα Το πλήθος των παρατηρήσεων σε κάθε κελί είναι τ.μ. με μ συμβολίζουμε την μέση τιμή: Επομένως στην δειγματοληψία πινάκων συνάφειας αναφερόμαστε στον
Διαβάστε περισσότεραΔειγματοληψία. Πρέπει να γνωρίζουμε πως πήραμε το δείγμα Το πλήθος n ij των παρατηρήσεων σε κάθε κελί είναι τ.μ. με μ ij συμβολίζουμε την μέση τιμή:
Δειγματοληψία Πρέπει να γνωρίζουμε πως πήραμε το δείγμα Το πλήθος των παρατηρήσεων σε κάθε κελί είναι τ.μ. με μ συμβολίζουμε την μέση τιμή: Επομένως στην δειγματοληψία πινάκων συνάφειας αναφερόμαστε στον
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ 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.outras@e.aegea.gr Τηλ: 7035468 Μέθοδος Υπολογισμού
Διαβάστε περισσότερα0 x < (x + 2) 2 x < 1 f X (x) = 1 x < ( x + 2) 1 x < 2 0 x 2
ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Τµήµα Επιστήµης Υπολογιστών HY-7: Πιθανότητες-Χειµερινό Εξάµηνο 6-7 ιδάσκων : Π. Τσακαλίδης Φροντιστήριο 9 Επιµέλεια : Γιαννόπουλος Μιχάλης Ασκηση Εστω X συνεχής Τ.Μ. µε Συνάρτηση Πυκνότητας
Διαβάστε περισσότεραΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ Ι Συμπληρωματικές Σημειώσεις Δημήτριος Παντελής
ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ Ι Συμπληρωματικές Σημειώσεις Δημήτριος Παντελής ΣΤΑΤΙΣΤΙΚΕΣ ΕΚΤΙΜΗΣΕΙΣ Οι συναρτήσεις πιθανότητας ή πυκνότητας πιθανότητας των διαφόρων τυχαίων μεταβλητών χαρακτηρίζονται από κάποιες
Διαβάστε περισσότεραX 1 X 2. X d X = 2 Y (x) = e x 2. f X+Y (x) = f X f Y (x) = f X (y)f Y (x y)dy. exp. exp. dy, (1) f X+Y (x) = j= σ2 2) exp x 2 )
Εστω X : Ω R d τυχαίο διάνυσμα με ΠΟΛΥΔΙΑΣΤΑΤΗ ΚΑΝΟΝΙΚΗ ΚΑΤΑΝΟΜΗ X Εχουμε δει ότι η γνώση της κατανομής καθεμιάς από τις X, X,, X d δεν αρκεί για να προσδιορίσουμε την κατανομή του X, αφού δεν περιέχει
Διαβάστε περισσότεραΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I Παντελής Δημήτριος Τμήμα Μηχανολόγων Μηχανικών
ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I Παντελής Δημήτριος Τμήμα Μηχανολόγων Μηχανικών ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ Σε κάθε αποτέλεσμα του πειράματος αντιστοιχεί μία αριθμητική τιμή Μαθηματικός ορισμός: Τυχαία μεταβλητή X είναι
Διαβάστε περισσότεραΘεωρία Πιθανοτήτων & Στατιστική
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΙΚΑ ΜΑΘΗΜΑΤΑ & Στατιστική Ενότητα 4 η : Χαρακτηριστικά Τυχαίων Μεταβλητών. Γεώργιος Ζιούτας Τμήμα Ηλεκτρολόγων Μηχανικών & Μηχανικών Υπολογιστών Α.Π.Θ.
Διαβάστε περισσότεραHMY 429: Εισαγωγή στην Επεξεργασία Ψηφιακών. Χρόνου (Ι)
HMY 429: Εισαγωγή στην Επεξεργασία Ψηφιακών Σημάτων Διάλεξη 5: Στοχαστικά/Τυχαία Σήματα Διακριτού Διάλεξη 5: Στοχαστικά/Τυχαία Σήματα Διακριτού Χρόνου (Ι) Στοχαστικά σήματα Στα προηγούμενα: Ντετερμινιστικά
Διαβάστε περισσότεραΆσκηση 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 περισσότεραΜέθοδος μέγιστης πιθανοφάνειας
Αν x =,,, παρατηρήσεις των Χ =,,,, τότε έχουμε διαθέσιμο ένα δείγμα Χ={Χ, =,,,} της κατανομής F μεγέθους με από κοινού σκ της Χ f x f x Ορισμός : Θεωρούμε ένα τυχαίο δείγμα Χ=(Χ, Χ,, Χ ) από πληθυσμό το
Διαβάστε περισσότεραΤμήμα Διοίκησης Επιχειρήσεων (Γρεβενά) Μάθημα: Οικονομετρία Διάλεξη 2η: Απλή Γραμμική Παλινδρόμηση. Διδάσκουσα: Κοντογιάννη Αριστούλα
Τμήμα Διοίκησης Επιχειρήσεων (Γρεβενά) Μάθημα: Οικονομετρία Διάλεξη 2η: Απλή Γραμμική Παλινδρόμηση Διδάσκουσα: Κοντογιάννη Αριστούλα Πώς συσχετίζονται δυο μεταβλητές; Ένας απλός τρόπος για να αποκτήσουμε
Διαβάστε περισσότερα1.4 Λύσεις αντιστρόφων προβλημάτων.
.4 Λύσεις αντιστρόφων προβλημάτων. Ο τρόπος παρουσίασης της λύσης ενός αντίστροφου προβλήµατος µπορεί να διαφέρει ανάλογα µε τη «φιλοσοφία» επίλυσης που ακολουθείται και τη δυνατότητα παροχής πρόσθετης
Διαβάστε περισσότεραΠΟΛΥΔΙΑΣΤΑΤΕΣ ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ
Δ.Φουσκάκης- Πολυδιάστατες Τυχαίες Μεταβλητές 1 ΠΟΛΥΔΙΑΣΤΑΤΕΣ ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ Συνάρτηση Κατανομής: Έστω Χ=(Χ 1,,Χ ) T τυχαίο διάνυσμα (τ.δ). Ονομάζουμε συνάρτηση κατανομής πιθανότητας (σ.κ.π.) του τ.δ.
Διαβάστε περισσότεραΚεφ. Ιο ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΘΕΩΡΙΑΣ ΠΙΘΑΝΟΤΗΤΩΝ
ΠΕΡΙΕΧΟΜΕΝΑ Πρόλογος 75 Κεφ. Ιο ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΘΕΩΡΙΑΣ ΠΙΘΑΝΟΤΗΤΩΝ 1.1. Τυχαία γεγονότα ή ενδεχόμενα 17 1.2. Πειράματα τύχης - Δειγματικός χώρος 18 1.3. Πράξεις με ενδεχόμενα 20 1.3.1. Ενδεχόμενα ασυμβίβαστα
Διαβάστε περισσότεραΘΕΩΡΙΑ ΑΠΟΦΑΣΕΩΝ 3 ο ΦΡΟΝΤΙΣΤΗΡΙΟ ΛΥΣΕΙΣ ΤΩΝ ΑΣΚΗΣΕΩΝ
ΘΕΩΡΙΑ ΑΠΟΦΑΣΕΩΝ 3 ο ΦΡΟΝΤΙΣΤΗΡΙΟ ΛΥΣΕΙΣ ΤΩΝ ΑΣΚΗΣΕΩΝ ΑΣΚΗΣΗ Σύμφωνα με στοιχεία από το Πανεπιστήμιο της Οξφόρδης η πιθανότητα ένας φοιτητής να αποφοιτήσει μέσα σε 5 χρόνια από την ημέρα εγγραφής του στο
Διαβάστε περισσότεραΣτατιστική Επιχειρήσεων Ι
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Τεχνολογικό Εκπαιδευτικό Ίδρυμα Πειραιά Στατιστική Επιχειρήσεων Ι Ενότητα 4: Πολυδιάστατες Τυχαίες Μεταβλητές Μιλτιάδης Χαλικιάς, Επίκουρος Καθηγητής Τμήμα Διοίκησης Επιχειρήσεων Άδειες
Διαβάστε περισσότεραΑντικείμενο του κεφαλαίου είναι: Ανάλυση συσχέτισης μεταξύ δύο μεταβλητών. Εξίσωση παλινδρόμησης. Πρόβλεψη εξέλιξης
Γραμμική Παλινδρόμηση και Συσχέτιση Αντικείμενο του κεφαλαίου είναι: Ανάλυση συσχέτισης μεταξύ δύο μεταβλητών Εξίσωση παλινδρόμησης Πρόβλεψη εξέλιξης Διμεταβλητές συσχετίσεις Πολλές φορές χρειάζεται να
Διαβάστε περισσότεραΑναπλ. Καθηγήτρια, Ελένη Κανδηλώρου. Αθήνα Σημειώσεις. Εκτίμηση των Παραμέτρων β 0 & β 1. Απλό γραμμικό υπόδειγμα: (1)
Σημειώσεις Αναπλ. Καθηγήτρια, Ελένη Κανδηλώρου Αθήνα -3-7 Εκτίμηση των Παραμέτρων β & β Απλό γραμμικό υπόδειγμα: Y X () Η αναμενόμενη τιμή του Υ, δηλαδή, μέση τιμή του Υ, δίνεται παρακάτω: EY ( ) X EY
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ 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 περισσότεραΣτατιστική 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 περισσότεραΤΥΧΑΙΑ ΔΙΑΝΥΣΜΑΤΑ. 1. 0 F(x) 1, x n. 2. Η F είναι μη φθίνουσα και δεξιά συνεχής ως προς κάθε μεταβλητή. 3.
ΤΥΧΑΙΑ ΔΙΑΝΥΣΜΑΤΑ Έστω Χ = (Χ 1,,Χ ) T τυχαίο διάνυσμα (τ.δ). Ονομάζουμε συνάρτηση κατανομής πιθανότητας (σ.κ.π.) του τ.δ. Χ την: F(x) = P(X 1 x 1,, X x ), x = (x 1,,x ) T 1. 0 F(x) 1, x.. Η F είναι μη
Διαβάστε περισσότεραΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ. Ενότητα 4: Δειγματοληψία και Κβάντιση Εικόνας
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ Ενότητα 4: Δειγματοληψία και Κβάντιση Εικόνας Ιωάννης Έλληνας Τμήμα Υπολογιστικών Συστημάτων Άδειες Χρήσης
Διαβάστε περισσότεραΤΕΙ ΣΕΡΡΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ ΕΞΕΤΑΣΗ ΣΤΟ ΜΑΘΗΜΑ «ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ» ΔΕ. 11 ΙΟΥΝΙΟΥ 2012
ΔΕ. ΙΟΥΝΙΟΥ Δίνονται τα εξής πρότυπα: [ ] [ ] [ ] [ ] Άσκηση η ( μονάδες) Χρησιμοποιώντας το κριτήριο της ομοιότητας να απορριφθεί ένα χαρακτηριστικό με βάσει το συντελεστή συσχέτισης. (γράψτε ποιο χαρακτηριστικό
Διαβάστε περισσότεραΘεωρητικές Κατανομές Πιθανότητας
Θεωρητικές Κατανομές Πιθανότητας Θεωρητικές Κατανομές Πιθανότητας Α. ΔΙΑΚΡΙΤΕΣ ΚΑΤΑΝΟΜΕΣ α) Διακριτή Ομοιόμορφη κατανομή β) Διωνυμική κατανομή γ) Υπεργεωμετρική κατανομή δ) κατανομή Poisson Β. ΣΥΝΕΧΕΙΣ
Διαβάστε περισσότεραHMY 795: Αναγνώριση Προτύπων. Διάλεξη 2
HMY 795: Αναγνώριση Προτύπων Διάλεξη 2 Επισκόπηση θεωρίας πιθανοτήτων Θεωρία πιθανοτήτων Τυχαία μεταβλητή: Μεταβλητή της οποίας δε γνωρίζουμε με βεβαιότητα την τιμή (αντίθετα με τις ντετερμινιστικές μεταβλητές)
Διαβάστε περισσότεραΤΕΙ ΣΕΡΡΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ ΕΞΕΤΑΣΗ ΣΤΟ ΜΑΘΗΜΑ «ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ» ΠΑ. 7 ΣΕΠΤΕΜΒΡΙΟΥ 2012
ΠΑ. 7 ΣΕΠΤΕΜΒΡΙΟΥ Δίνονται τα εξής πρότυπα: [ ] [ ] [ ] [ ] Άσκηση η (3 μονάδες) Χρησιμοποιώντας το κριτήριο της ομοιότητας να απορριφθεί ένα χαρακτηριστικό με βάση το συντελεστή συσχέτισης. (γράψτε ποιο
Διαβάστε περισσότεραΕισόδημα 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 περισσότεραΟΙΚΟΝΟΜΕΤΡΙΑ Κεφάλαιο 2
013 [Κεφάλαιο ] ΟΙΚΟΝΟΜΕΤΡΙΑ Κεφάλαιο Μάθημα Εαρινού Εξάμηνου 01-013 M.E. OE0300 Πανεπιστήμιο Θεσσαλίας Τμήμα Μηχανικών Χωροταξίας, Πολεοδομίας και Περιφερειακής Ανάπτυξης [Οικονομετρία 01-013] Μαρί-Νοέλ
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 07-08 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Επικ. Καθηγητής v.koutras@fme.aegea.gr Τηλ: 7035468 Θα μελετήσουμε
Διαβάστε περισσότεραcov(x, Y ) = E[(X E[X]) (Y E[Y ])] cov(x, Y ) = E[X Y ] E[X] E[Y ]
Πανεπιστήµιο Κρήτης - Τµήµα Επιστήµης Υπολογιστών ΗΥ-317: Εφαρµοσµένες Στοχαστικές ιαδικασίες-εαρινό Εξάµηνο 2016 ιδάσκων : Π. Τσακαλίδης Συνδιασπορά - Συσχέτιση Τυχαίων Μεταβλητών Επιµέλεια : Κωνσταντίνα
Διαβάστε περισσότεραPr(10 X 15) = Pr(15 X 20) = 1/2, (10.2)
Κεφάλαιο 10 Συνεχείς τυχαίες μεταβλητές Σε αυτό το κεφάλαιο θα εξετάσουμε τις ιδιότητες που έχουν οι συνεχείς τυχαίες μεταβλητές. Εκείνες οι Τ.Μ. X, δηλαδή, των οποίων το σύνολο τιμών δεν είναι διακριτό,
Διαβάστε περισσότεραΑΣΚΗΣΕΙΣ Γ.Π. ΚΕΦ 1,2,3
Ασκηση 1 ΑΣΚΗΣΕΙΣ Γ.Π. ΚΕΦ 1,2,3 Δίνεται η συνάρτηση α. Να εξετάσετε την f ως προς τα ακρότατα. β. Να βρείτε την εξίσωση της εφαπτομένης της C f στο (1,f(1)). γ. Αν το α παίρνει τιμές που προκύπτουν από
Διαβάστε περισσότεραΤυχαία 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 περισσότεραX = = 81 9 = 9
Πιθανότητες και Αρχές Στατιστικής (11η Διάλεξη) Σωτήρης Νικολετσέας, καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Πανεπιστήμιο Πατρών Ακαδημαϊκό Ετος 2018-2019 Σωτήρης Νικολετσέας, καθηγητής 1 / 35 Σύνοψη
Διαβάστε περισσότεραΑπλή 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 περισσότεραΤμήμα 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 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 περισσότεραΤυχαία Διανύσματα και Ανεξαρτησία
Τυχαία Διανύσματα και Ανεξαρτησία Θα γενικεύσουμε την έννοια της τυχαίας μεταβλητής από συνάρτηση στο R σε συνάρτηση στο R n. Ακολούθως, θα επεκτείνουμε τις έννοιες με τις οποίες ασχοληθήκαμε μέχρι τώρα
Διαβάστε περισσότεραΗΥ-217-ΠΙΘΑΝΟΤΗΤΕΣ-ΧΕΙΜΕΡΙΝΟ ΕΞΑΜΗΝΟ 2016 ΔΙΔΑΣΚΩΝ: ΠΑΝΑΓΙΩΤΗΣ ΤΣΑΚΑΛΙΔΗΣ
ΗΥ-217-ΠΙΘΑΝΟΤΗΤΕΣ-ΧΕΙΜΕΡΙΝΟ ΕΞΑΜΗΝΟ 2016 ΔΙΔΑΣΚΩΝ: ΠΑΝΑΓΙΩΤΗΣ ΤΣΑΚΑΛΙΔΗΣ ΦΡΟΝΤΙΣΤΗΡΙΑ 6-7: ΔΙΑΚΡΙΤΕΣ ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ ΕΠΙΜΕΛΕΙΑ: ΓΙΑΝΝΟΠΟΥΛΟΣ ΜΙΧΑΛΗΣ Τυχαία Μεταβλητή (Τ.Μ.): Συνάρτηση πραγματικών τιμών
Διαβάστε περισσότερα3. Κατανομές πιθανότητας
3. Κατανομές πιθανότητας Τυχαία Μεταβλητή Τυχαία μεταβλητή (τ.μ.) (X) είναι μια συνάρτηση που σε κάθε σημείο (ω) ενός δειγματικού χώρου (Ω) αντιστοιχεί έναν πραγματικό αριθμό. Ω ω X (ω ) R Διακριτή τ.μ.
Διαβάστε περισσότεραΑ Ν Ω Τ Α Τ Ο Σ Υ Μ Β Ο Υ Λ Ι Ο Ε Π Ι Λ Ο Γ Η Σ Π Ρ Ο Σ Ω Π Ι Κ Ο Υ Ε Ρ Ω Τ Η Μ Α Τ Ο Λ Ο Γ Ι Ο
Α Ν Ω Τ Α Τ Ο Σ Υ Μ Β Ο Υ Λ Ι Ο Ε Π Ι Λ Ο Γ Η Σ Π Ρ Ο Σ Ω Π Ι Κ Ο Υ Ε Ρ Ω Τ Η Μ Α Τ Ο Λ Ο Γ Ι Ο «Περιγραφική & Επαγωγική Στατιστική» 1. Πάνω από το 3 ο τεταρτημόριο ενός δείγματος βρίσκεται το: α) 15%
Διαβάστε περισσότεραHMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Διαλέξεις 7-8 Μπεϋζιανή εκτίμηση - συνέχεια Μη παραμετρικές μέθοδοι εκτίμησης πυκνότητας Δυαδικές τ.μ. κατανομή Bernoulli : Εκτίμηση ML: Εκτίμηση Bayes για εκ των προτέρων
Διαβάστε περισσότεραΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ - ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ Θεωρία Παιγνίων και Αποφάσεων Διδάσκων: Ε. Μαρκάκης, Εαρινό εξάμηνο 2015
ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ - ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ Θεωρία Παιγνίων και Αποφάσεων Διδάσκων: Ε. Μαρκάκης, Εαρινό εξάμηνο 2015 Λύσεις 1ης σειράς ασκήσεων Προθεσμία παράδοσης: 22 Απριλίου 2015 Πρόβλημα 1.
Διαβάστε περισσότεραΧρονικές σειρές 2 Ο μάθημα: Εισαγωγή στις χρονοσειρές
Χρονικές σειρές 2 Ο μάθημα: Εισαγωγή στις χρονοσειρές Εαρινό εξάμηνο 2018-2019 μήμα Μαθηματικών ΑΠΘ Διδάσκουσα: Αγγελική Παπάνα Μεταδιδακτορική Ερευνήτρια Πολυτεχνική σχολή, Α.Π.Θ. & Οικονομικό μήμα, Πανεπιστήμιο
Διαβάστε περισσότερα12xy(1 x)dx = 12y. = 12 y. = 12 y( ) = 12 y 1 6 = 2y. x 6x(1 x)dx = 6. dx = 6 3 x4
Πανεπιστήµιο Κρήτης - Τµήµα Επιστήµης Υπολογιστών ΗΥ-7: Πιθανότητες-Χειµερινό Εξάµηνο 5 ιδάσκων: Π. Τσακαλίδης Λύσεις 6ης Σειρά Ασκήσεων Ασκηση. α) Η περιθωριακή σ.π.π. της f X,Y για την τ.µ X γίνεται:
Διαβάστε περισσότεραΚεφάλαιο 10 Εισαγωγή στην Εκτίμηση
Κεφάλαιο 10 Εισαγωγή στην Εκτίμηση Εκεί που είμαστε Κεφάλαια 7 και 8: Οι διωνυμικές,κανονικές, εκθετικές κατανομές και κατανομές Poisson μας επιτρέπουν να κάνουμε διατυπώσεις πιθανοτήτων γύρω από το Χ
Διαβάστε περισσότεραP (A B) = P (AB) P (B) P (A B) = P (A) P (A B) = P (A) P (B)
Πιθανότητες και Αρχές Στατιστικής (4η Διάλεξη) Σωτήρης Νικολετσέας, καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Πανεπιστήμιο Πατρών Ακαδημαϊκό Ετος 2017-2018 Σωτήρης Νικολετσέας, καθηγητής 1 / 39 Περιεχόμενα
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΛΟΠΟΝΝΗΣΟΥ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΛΟΠΟΝΝΗΣΟΥ ΤΜΗΜΑ ΕΠΙΣΤΗΜΗΣ & ΤΕΧΝΟΛΟΓΙΑΣ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ TE Αρχές Ψηφιακών Συστημάτων Επικοινωνίας και Προσομοίωση Εαρινό Εξάμηνο Διάλεξη 3 η Νικόλαος Χ. Σαγιάς Επίκουρος Καθηγητής Webpage:
Διαβάστε περισσότεραΧρονικές σειρές 6 Ο μάθημα: Αυτοπαλίνδρομα μοντέλα (2)
Χρονικές σειρές 6 Ο μάθημα: Αυτοπαλίνδρομα μοντέλα (2) Εαρινό εξάμηνο 2018-2019 Τμήμα Μαθηματικών ΑΠΘ Διδάσκουσα: Αγγελική Παπάνα Μεταδιδακτορική Ερευνήτρια Πολυτεχνική σχολή, Α.Π.Θ. & Οικονομικό Τμήμα,
Διαβάστε περισσότεραΜέρος IV. Πολυδιάστατες τυχαίες μεταβλητές. Πιθανότητες & Στατιστική 2017 Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Παν. Ιωαννίνων Δ15 ( 1 )
Μέρος IV Πολυδιάστατες τυχαίες μεταβλητές Πιθανότητες & Στατιστική 07 Τμήμα Μηχανικών Η/Υ & Πληροφορικής Παν. Ιωαννίνων Δ5 ( ) Πολυδιάστατες μεταβλητές Πολλά ποσοτικά χαρακτηριστικά που σχετίζονται με
Διαβάστε περισσότεραxp X (x) = k 3 10 = k 3 10 = 8 3
ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Τµήµα Επιστήµης Υπολογιστών HY-7: Πιθανότητες - Χειµερινό Εξάµηνο 07 ιδάσκων : Π. Τσακαλίδης Φροντιστήριο 5 ιακριτές Τυχαίες Μεταβλητές ( ΙΙ ) Ασκηση. Ρίχνουµε ένα αµερόληπτο εξάεδρο
Διαβάστε περισσότερα27-Ιαν-2009 ΗΜΥ 429. 2. (ι) Βασική στατιστική (ιι) Μετατροπές: αναλογικό-σεψηφιακό και ψηφιακό-σε-αναλογικό
ΗΜΥ 429 2. (ι) Βασική στατιστική (ιι) Μετατροπές: αναλογικό-σεψηφιακό και ψηφιακό-σε-αναλογικό 1 (i) Βασική στατιστική 2 Στατιστική Vs Πιθανότητες Στατιστική: επιτρέπει μέτρηση και αναγνώριση θορύβου και
Διαβάστε περισσότεραΣτατιστική Ι-Θεωρητικές Κατανομές ΙΙ
Στατιστική Ι-Θεωρητικές Κατανομές ΙΙ Γεώργιος Κ. Τσιώτας Τμήμα Οικονομικών Επιστημών Σχολή Κοινωνικών Επιστημών Πανεπιστήμιο Κρήτης 12 Δεκεμβρίου 2012 Περιγραφή 1 Θεωρητικές Κατανομές ΙΙ Περιγραφή 1 Θεωρητικές
Διαβάστε περισσότεραP( X < 8) = P( 8 < X < 8) = Φ(0.6) Φ( 1) = Φ(0.6) (1 Φ(1)) = Φ(0.6)+Φ(1) 1
ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Τµήµα Επιστήµης Υπολογιστών HY-7: Πιθανότητες - Χειµερινό Εξάµηνο ιδάσκων: Π. Τσακαλίδης 9ο Φροντιστήριο Επιµέλεια: Κωνσταντίνα Φωτιάδου Ασκηση. Η τ.µ. X ακολουθεί την κανονική κατανοµή
Διαβάστε περισσότεραΣυμπίεση Δεδομένων
Συμπίεση Δεδομένων 2014-2015 Κβάντιση Δρ. Ν. Π. Σγούρος 2 Άσκηση 5.1 Για ένα σήμα που έχει τη σ.π.π. του σχήματος να υπολογίσετε: μήκος του δυαδικού κώδικα για Ν επίπεδα κβάντισης για σταθερό μήκος λέξης;
Διαβάστε περισσότεραΟρίζουμε την τυπική πολυδιάστατη κανονική, σαν την κατανομή του τυχαίου (,, T ( ) μεταξύ τους ανεξάρτητα. Τότε
Η πολυδιάστατη κανονική κατανομή Ορίζουμε την τυπική πολυδιάστατη κανονική, σαν την κατανομή του τυχαίου (,, διανύσματος =, όπου ~ N ( 0, και όλα τα μεταξύ τους ανεξάρτητα Τότε = (,, = ( 0, ( 0, f x f
Διαβάστε περισσότερα, x > a F X (x) = x 3 0, αλλιώς.
ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Τµήµα Επιστήµης Υπολογιστών HY-17: Πιθανότητες - Χειµερινό Εξάµηνο 015 ιδάσκων : Π. Τσακαλίδης 11ο Φροντιστήριο - Θέµατα Εξετάσεων από προηγούµενα έτη Επιµέλεια : Κωνσταντίνα Φωτιάδου
Διαβάστε περισσότερα0, x < 0 1+x 8, 0 x < 1 1 2, 1 x < x 8, 2 x < 4
Πανεπιστήµιο Κρήτης - Τµήµα Επιστήµης Υπολογιστών ΗΥ-7: Πιθανότητες-Χειµερινό Εξάµηνο 5 ιδάσκων : Π. Τσακαλίδης Φροντιστήριο 7 Συνεχείς Τυχαίες Μεταβλητές Επιµέλεια : Κωνσταντίνα Φωτιάδου Ασκηση. Εστω
Διαβάστε περισσότεραMAJ. MONTELOPOIHSH II
MAJ MONTELOPOIHSH II ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ ΕΑΡΙΝΟ ΕΞΑΜΗΝΟ 009 ΦΥΛΛΑΔΙΟ ΑΣΚΗΣΕΩΝ ΙV Οι ασκήσεις είναι από το βιβλίο του Simon Haykin Θα ακολουθήσει ακόμη ένα φυλλάδιο τις επόμενες μέρες Άσκηση
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ. Πιθανότητες. Συναρτήσεις πολλών μεταβλητών Διδάσκων: Επίκουρος Καθηγητής Κωνσταντίνος Μπλέκας
ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Πιθανότητες Συναρτήσεις πολλών μεταβλητών Διδάσκων: Επίκουρος Καθηγητής Κωνσταντίνος Μπλέκας Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες
Διαβάστε περισσότερα!n k. Ιστογράμματα. n k. x = N = x k
Ιστογράμματα Τα ιστογράμματα αποτελούν ένα εύχρηστο οπτικό τρόπο για να εξάγουμε την κατανομή που ακολουθούν μια σειρά μετρήσεων ενός μεγέθους αλλά και παράλληλα δίνουν τη δυνατότητα για εύκολη στατιστική
Διαβάστε περισσότεραP (M = 9) = e 9! =
Πανεπιστήµιο Κρήτης - Τµήµα Επιστήµης Υπολογιστών ΗΥ-317: Εφαρµοσµένες Στοχαστικές ιαδικασίες - Εαρινό Εξάµηνο 2016 ιδάσκων : Π. Τσακαλίδης 5ο Φροντιστήριο Ασκηση 1. ύο ποµποί ο Α και ο Β στέλνουν ανεξάρτητα
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 08-09 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Επικ. Καθηγητής v.koutras@fme.aegea.gr Τηλ: 7035468 Εκτίμηση Διαστήματος
Διαβάστε περισσότεραE [X ν ] = E [X (X 1) (X ν + 1)]
Πιθανότητες και Αρχές Στατιστικής (6η Διάλεξη) Σωτήρης Νικολετσέας, καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Πανεπιστήμιο Πατρών Ακαδημαϊκό Ετος 2018-2019 Σωτήρης Νικολετσέας, καθηγητής 1 / 30 Περιεχόμενα
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ 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 Παραμέτρων
Διαβάστε περισσότεραiii 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 περισσότεραΜΑΘΗΜΑΤΙΚΑ ΠΡΟΣΑΝΑΤΟΛΙΣΜΟΥ. Ημερομηνία: Πέμπτη 12 Απριλίου 2018 Διάρκεια Εξέτασης: 3 ώρες ΕΚΦΩΝΗΣΕΙΣ
ΑΠΟ 0/04/018 ΕΩΣ 14/04/018 ΤΑΞΗ: ΜΑΘΗΜΑ: Β ΛΥΚΕΙΟΥ ΜΑΘΗΜΑΤΙΚΑ ΠΡΟΣΑΝΑΤΟΛΙΣΜΟΥ Ημερομηνία: Πέμπτη 1 Απριλίου 018 Διάρκεια Εξέτασης: 3 ώρες ΕΚΦΩΝΗΣΕΙΣ ΘΕΜΑ Α Α1. Να αποδείξετε ότι η εφαπτομένη ε του κύκλου
Διαβάστε περισσότεραΣτοχαστικές 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 περισσότεραΣΤΟΧΑΣΤΙΚΑ ΣΥΣΤΗΜΑΤΑ & ΕΠΙΚΟΙΝΩΝΙΕΣ 1o Τμήμα (Α - Κ): Αμφιθέατρο 4, Νέα Κτίρια ΣΗΜΜΥ Θεωρία Πιθανοτήτων & Στοχαστικές Ανελίξεις - 4
ΣΤΟΧΑΣΤΙΚΑ ΣΥΣΤΗΜΑΤΑ & ΕΠΙΚΟΙΝΩΝΙΕΣ 1o Τμήμα (Α - Κ): Αμφιθέατρο 4, Νέα Κτίρια ΣΗΜΜΥ Θεωρία Πιθανοτήτων & Στοχαστικές Ανελίξεις - 4 5.9 Η Στοχαστική Ανέλιξη Gauss (οι διαφάνειες ακολουθούν διαφορετική
Διαβάστε περισσότεραΓρήγορος οδηγός Scilab/Octave/MATLAB
Γρήγορος οδηγός Scilab/Octave/MATLAB Tα Scilab/Octave/MATLAB είναι διαδραστικά προγράμματα αριθμητικών υπολογισμών, τα οποία δέχονται εντολές από τον χρήστη μέσω μιας γραμμής εντολών. Εάν η εντολή δεν
Διαβάστε περισσότεραΔιάλεξη 5: Τυχαία Μεταβλητή Κατανομές Πιθανότητας
Διάλεξη 5: ΑΣΚΗΣΕΙΣ 1. Έστω η ποιότητα ενός προϊόντος που παίρνουμε από ένα σύνολο προϊόντων με απλή τυχαία δειγματοληψία. Ανάλογα με το αν το προϊόν είναι ελαττωματικό, καλο ή άριστο, η παίρνει τις τιμές,
Διαβάστε περισσότεραY Y ... y nx1. nx1
6 ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ ΜΕ ΤΗ ΧΡΗΣΗ ΠΙΚΑΚΩΝ Η χρησιμοποίηση και ο συμβολισμός πινάκων απλοποιεί σημαντικά τα αποτελέσματα της γραμμικής παλινδρόμησης, ιδίως στην περίπτωση της πολλαπλής παλινδρόμησης Γενικά,
Διαβάστε περισσότεραΚΑΤΑΝΟΜΕΣ Ι ΙΑΣΤΑΤΩΝ ΤΥΧΑΙΩΝ ΜΕΤΑΒΛΗΤΩΝ (Συνέχεια)
ΚΑΤΑΝΟΜΕΣ Ι ΙΑΣΤΑΤΩΝ ΤΥΧΑΙΩΝ ΜΕΤΑΒΛΗΤΩΝ (Συνέχεια) Χαράλαµπος Α. Χαραλαµπίδης 11 Ιανουαρίου 21 Η δεσµευµένη µέση τιµή µιας τυχαίας µεταβλητής Y σε δεδοµένο σηµείο µιας άλλης τυχαίας µεταϐλητής X = x, συµϐολιϲόµενη
Διαβάστε περισσότεραΔειγματικές Κατανομές
Δειγματικές Κατανομές Στατιστική συνάρτηση ή στατιστική Δειγματική κατανομή - Εκτιμητής Τα άγνωστα στοιχεία του πληθυσμού λέγονται παράμετροι. Τα συμπεράσματα για μια παράμετρο εξάγονται με τη βοήθεια
Διαβάστε περισσότεραΕΝΤΥΠΟ ΘΕΜΑΤΩΝ ΕΞΕΤΑΣΕΩΝ
F3W.PR09 Όνομα: Επίθετο: Ημερομηνία: 7/0/07 Πρωί: Απόγευμα: Θεματική ενότητα: Αναλογιστικά Πρότυπα Επιβίωσης Ερώτηση Εάν η τυχαία μεταβλητή Τ έχει συνάρτηση πυκνότητας f ep 3 3 να υπολογίσετε το 90 ο εκατοστημόριο
Διαβάστε περισσότεραΣυστήματα Αναμονής (Queuing Systems)
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ - ΕΜΠ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ & ΜΗΧ. ΥΠΟΛΟΓΙΣΤΩΝ Τομέας Επικοινωνιών, Ηλεκτρονικής & Συστημάτων Πληροφορικής Εργαστήριο Διαχείρισης & Βέλτιστου Σχεδιασμού Δικτύων Τηλεματικής
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ 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 περισσότεραΠΙΘΑΝΟΤΗΤΕΣ -ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ(τελικές εξετάσεις πλη12)
ΠΙΘΑΝΟΤΗΤΕΣ -ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ(τελικές εξετάσεις πλη) Για διακριτή τυχαία μεταβλητή ισχύει μία συνάρτηση πιθανότητας ικανοποιεί τις ακόλουθες δύο ιδιότητες: (α) ( ) 0, για κάθε i,, i (β) ( i ) i S Παράδειγμα
Διαβάστε περισσότεραΔιμεταβλητές κατανομές πιθανοτήτων
Διμεταβλητές κατανομές πιθανοτήτων Για να περιγράψουμε την σχέση ανάμεσα σε δύο τυχαίες μεταβλητές χρειαζόμαστε την κοινή κατανομή πιθανοτήτων τους. Η κοινή συνάρτηση πιθανότητ ικανοποιε ί τις συνθ ήκες
Διαβάστε περισσότεραΠερίληψη ϐασικών εννοιών στην ϑεωρία πιθανοτήτων
Περίληψη ϐασικών εννοιών στην ϑεωρία πιθανοτήτων 6 Απριλίου 2009 1 Συνδυαστική Η ϐασική αρχή µέτρησης µας λέει ότι αν σε ένα πείραµα που γίνεται σε δύο ϕάσεις και στο οποίο υπάρχουν n δυνατά αποτελέσµατα
Διαβάστε περισσότεραΠΕΡΙΕΧΟΜΕΝΑ. ΠΡΟΛΟΓΟΣ... vii ΠΕΡΙΕΧΟΜΕΝΑ... ix ΓΕΝΙΚΗ ΒΙΒΛΙΟΓΡΑΦΙΑ... xv. Κεφάλαιο 1 ΓΕΝΙΚΕΣ ΕΝΝΟΙΕΣ ΑΠΟ ΤΗ ΣΤΑΤΙΣΤΙΚΗ
ΠΡΟΛΟΓΟΣ... vii ΠΕΡΙΕΧΟΜΕΝΑ... ix ΓΕΝΙΚΗ ΒΙΒΛΙΟΓΡΑΦΙΑ... xv Κεφάλαιο 1 ΓΕΝΙΚΕΣ ΕΝΝΟΙΕΣ ΑΠΟ ΤΗ ΣΤΑΤΙΣΤΙΚΗ 1.1 Πίνακες, κατανομές, ιστογράμματα... 1 1.2 Πυκνότητα πιθανότητας, καμπύλη συχνοτήτων... 5 1.3
Διαβάστε περισσότεραΜΑΘΗΜΑΤΙΚΑ ΓΕΝΙΚΗΣ ΠΑΙΔΕΙΑΣ
ΜΑΘΗΜΑΤΙΚΑ ΓΕΝΙΚΗΣ ΠΑΙΔΕΙΑΣ Γ. ΛΥΚΕΙΟΥ ΘΕΜΑΤΑ ΕΠΑΝΑΛΗΨΗΣ - ΘΕΜΑ Ο Έστω η συνάρτηση f( ) =, 0 ) Να αποδείξετε ότι f ( ). f( ) =. ) Να υπολογίσετε το όριο lm f ( )+ 4. ) Να βρείτε την εξίσωση της εφαπτομένης
Διαβάστε περισσότεραΑΝΤΙΚΕΙΜΕΝΟ ΜΑΘΗΜΑΤΟΣ
ΑΝΤΙΚΕΙΜΕΝΟ ΜΑΘΗΜΑΤΟΣ Χρήση τυχαίων µεταβλητών για την απεικόνιση εκβάσεων τυχαίου πειράµατος Κατανόηση της έννοιας κατανοµής πιθανοτήτων τυχαίας µεταβλητής Υπολογισµός της συνάρτηση κατανοµής πιθανοτήτων
Διαβάστε περισσότεραΕΙΔΙΚΑ ΘΕΜΑΤΑ ΔΙΑΧΕΙΡΙΣΗΣ ΚΙΝΔΥΝΟΥ. Συσχέτιση (Correlation) - Copulas
ΕΙΔΙΚΑ ΘΕΜΑΤΑ ΔΙΑΧΕΙΡΙΣΗΣ ΚΙΝΔΥΝΟΥ Συσχέτιση (Correlation) - Copulas Σημασία της μέτρησης της συσχέτισης Έστω μία εταιρεία που είναι εκτεθειμένη σε δύο μεταβλητές της αγοράς. Πιθανή αύξηση των 2 μεταβλητών
Διαβάστε περισσότεραpdf: X = 0, 1 - p = q E(X) = 1 p + 0 (1 p) = p V ar(x) = E[(X µ) 2 ] = (1 p) 2 p + (0 p) 2 (1 p) = p (1 p) [1 p + p] = p (1 p) = p q
Πιθανότητες και Αρχές Στατιστικής (7η Διάλεξη) Σωτήρης Νικολετσέας, καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Πανεπιστήμιο Πατρών Ακαδημαϊκό Ετος 2018-2019 Σωτήρης Νικολετσέας, καθηγητής 1 / 39 Περιεχόμενα
Διαβάστε περισσότεραΣτατιστική Ι-Θεωρητικές Κατανομές Ι
Στατιστική Ι-Θεωρητικές Κατανομές Ι Γεώργιος Κ. Τσιώτας Τμήμα Οικονομικών Επιστημών Σχολή Κοινωνικών Επιστημών Πανεπιστήμιο Κρήτης 12 Δεκεμβρίου 2012 Περιγραφή 1 Θεωρητικές Κατανομές Η Χρήση των Θεωρητικών
Διαβάστε περισσότεραΟΙΚΟΝΟΜΕΤΡΙΑ. Παπάνα Αγγελική
ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 2: Ανασκόπηση βασικών εννοιών Στατιστικής και Πιθανοτήτων Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr Webpage: http://users.auth.gr/agpapana
Διαβάστε περισσότεραΚεφάλαιο 4 Εισαγωγή στη στατιστική ανάλυση μετρήσεων
Κεφάλαιο 4 Εισαγωγή στη στατιστική ανάλυση μετρήσεων Σύνοψη Στο κεφάλαιο αυτό παρουσιάζονται οι βασικές έννοιες της στατιστικής ανάλυσης των μετρήσεων που υπόκεινται σε τυχαία σφάλματα. Παρουσιάζεται μέσω
Διαβάστε περισσότερα