Ο Ισχυρός Νόμος των Μεγάλων Αριθμών
|
|
- Ἰσμήνη Ρέντης
- 7 χρόνια πριν
- Προβολές:
Transcript
1 1 Ο Ισχυρός Νόμος των Μεγάλων Αριθμών Στο κεφάλαιο αυτό παρουσιάζουμε ένα από τα σημαντικότερα αποτελέσματα της Θεωρίας Πιθανοτήτων, τον ισχυρό νόμο των μεγάλων αριθμών. Η διατύπωση που θα αποδείξουμε δεν είναι η ισχυρότερη μορφή του νόμου, όμως η απόδειξή της είναι ευκολότερη τεχνικά και διατηρεί αρκετά από τα στοιχεία της απόδειξης της ισχυρής μορφής. 1.1 Το θεώρημα Θεώρημα 1.1 (Ισχυρός Νόμος των Μεγάλων Αριθμών). Εστω (X ) 1 ανεξάρτητες και ισόνομες τυχαίες μεταβλητές στον (Ω, F, P) με τιμές στο R έτσι ώστε E ( X 1) <. Θέτουμε µ = E(X1 ) και S = k=1 X k για κάθε 1. Τότε S = µ με πιθανότητα 1. Απόδειξη. Εστω σ = Var(X 1 ). Πρώτα θα αποδείξουμε το ζητούμενο για (X ) N με τιμές στο [0, ]. Για 1, θέτουμε Y = S µ. Τότε E(Y ) = 1 E(S ) µ = 1 E(X 1) µ = 0, και E ( ( Y) = Var(Y S ) ) = Var = 1 Var(S ). Ομως Var(S ) = Var(X 1 ) εφόσον οι (X ) 1 είναι ανεξάρτητες. Επομένως, Ετσι, για την υπακολουθία (Y ) 1, έχουμε ότι E ( Y ) σ =. { } E Y = =1 =1 σ <. Αρα, με πιθανότητα 1, =1 Y <, συνεπώς Y = 0. Τώρα, από το Y = 0, θέλουμε να περάσουμε στο Y = 0. Εστω k 1. Θέτουμε (k) = [ k]. Τότε S (k) ((k) + 1) S k k S ((k)+1) (k) εφόσον (k) k (k) + 1 και η S είναι άθροισμα θετικών όρων. Ομως, για, με πιθανότητα 1, S (k) ((k) + 1) = S ( (k) ) (k) µ (k) (k) + 1 7
2 1.1 Το θεώρημα 73 και S ((k)+1) = S ( (k) + 1 ) ((k)+1) µ. (k) ((k) + 1) (k) S k Αρα, με πιθανότητα 1, έχουμε ότι k k = µ. Στην περίπτωση που οι (X ) 1 παίρνουν τιμές στο [, ], έχουμε S = X 1 + X X = X+ 1 + X X+ X 1 + X X Οι (X + ) N, όπως και οι (X ) N, είναι ανεξάρτητες και ισόνομες και E ( (X 1 + )) <, E ( (X1 )) < εφόσον (X 1 + ) X1, (X 1 ) X1. Από τα προηγούμενα, έχουμε ότι X X X+ και X1 + X X με πιθανότητα 1. Συνεπώς, με πιθανότητα 1, = E(X + 1 ), = E(X + 1 ). S = E(X+ 1 ) E(X 1 ) = µ. Το συμπέρασμα του θεωρήματος ισχύει και αν αντί της E(X1 ) < υποθέσουμε ότι E X 1 <, δηλαδή κάτι λιγότερο. Αυτή είναι η γενική μορφή του νόμου των μεγάλων αριθμών και στο εξής θα τον θεωρούμε δεδομένο με αυτή, την ισχυρότερη μορφή. Στην Ασκηση 1.3 διατυπώνεται ένα είδος αντίστροφου του νόμου των μεγάλων αριθμών. Δηλαδή, αν ο μέσος όρος ανεξάρτητων και ισόνομων τυχαίων μεταβλητών συγκλίνει με πιθανότητα 1 σε πεπερασμένο αριθμό, τότε αναγκαστικά E X 1 <. Αρα η υπόθεση E X 1 < στο θεώρημα είναι απαραίτητη για την ισχύ του συμπεράσματος. Επίσης, στην Ασκηση 1. δείχνουμε ότι το συμπέρασμα του νόμου των μεγάλων αριθμών ισχύει ακόμα και όταν η μέση τιμή µ := E(X 1 ) είναι ή. Αρα το συμπέρασμα ισχύει πάντοτε όταν η E(X 1 ) μπορεί να οριστεί. Οταν η E(X 1 ) δεν μπορεί να οριστεί, δηλαδή όταν E(X 1 + ) = E(X 1 ) =, τότε ισχύει ακριβώς ένα από τα εξής (i) S (ii) S (iii) S = με πιθανότητα 1. = με πιθανότητα 1. =, S = με πιθανότητα 1. Ποιο από τα σενάρια συμβαίνει εξαρτάται από την κατανομή της X 1 και υπάρχει μάλιστα κριτήριο που το καθορίζει αλλά δεν θα το διατυπώσουμε [δες Erickso (1973)]. Σύμβαση: Αν (X ) 1 είναι ακολουθία τυχαίων μεταβλητών με τιμές στο R, στο εξής θα συμβολίζουμε με S το -οστό μερικό άθροισμά τους. Πόρισμα 1.. (Ο Ασθενής Νόμος των Μεγάλων Αριθμών) Εστω (X ) 1 ανεξάρτητες και ισόνομες τυχαίες μεταβλητές με τιμές στο R έτσι ώστε µ := E ( X 1 ) R. Τότε S = µ κατά πιθανότητα.
3 74 Ο Ισχυρός Νόμος των Μεγάλων Αριθμών Απόδειξη. Επεται από τον ισχυρό νόμο των μεγάλων αριθμών (ισχυρή μορφή) και το ότι η σχεδόν βέβαιη σύγκλιση συνεπάγεται την κατά πιθανότητα [Θεώρημα 8.(ii))]. Παρατήρηση 1.3 (Η μέθοδος Mote Carlo). Ο νόμος των μεγάλων αριθμών δικαιολογεί την εξής μέθοδο για τον προσεγγιστικό υπολογισμό μέσης τιμής μιας δεδομένης τυχαίας μεταβλητής X. Παράγουμε με κάποιο τρόπο έναν μεγάλο αριθμό ανεξάρτητων πραγματοποιήσεων της τ.μ. X, έστω x 1, x,..., x, και υπολογίζουμε τον μέσο τους όρο (x 1 + x x )/. Αυτός ο μέσος όρος είναι η ζητούμενη προσέγγιση. Με αυτή τη μέθοδο μπορούμε να βρούμε προσεγγίσεις για οποιαδήποτε ποσότητα μπορεί να παρασταθεί ως μέση τιμή κάποιας τ.μ. Η ποσότητα ενδέχεται να εμφανίζεται φυσιολογικά ως μέση τιμή σε κάποιο πρόβλημα πιθανοτήτων και να μην μπορεί να υπολογιστεί με κλειστό τύπο. Επίσης μπορεί να μην έχει καμία σχέση με πιθανότητες. Για παράδειγμα, για τον αριθμό π έχουμε την αναπαράσταση π = 4 E(1 U +V <1) όπου οι U, V είναι ανεξάρτητες ομοιόμορφες τυχαίες μεταβλητές στο ( 1, 1). Η τ.μ. (U, V) είναι ομοιόμορφη στο τετράγωνο ( 1, 1) ( 1, 1) και η μέθοδος Mote Carlo για την προσέγγιση της E(1 U +V <1) παίρνει πολλές πραγματοποιήσεις της (U, V) και υπολογίζει το ποσοστό αυτών που πέφτουν μέσα στον μοναδιαίο δίσκο. 1. Δύο εφαρμογές Ανανεωτική θεωρία. Εστω (X ) 1 ανεξάρτητες και ισόνομες τυχαίες μεταβλητές με τιμές στο [0, ). Θέτουμε T 0 := 0, T := X 1 + X + + X για κάθε 1. Η ερμηνεία που σκεφτόμαστε για τις ακολουθίες (X ) 1, (T ) 1 είναι η εξής. Για το φωτισμό ενός δωματίου, έχουμε άπειρο πλήθος λαμπών, κάθε μία από τις οποίες έχει τυχαίο χρόνο ζωής. X είναι ο χρόνος ζωής της λάμπας. Τη χρονική στιγμή 0 τοποθετούμε τη λάμπα 1. Μόλις αυτή καεί, τοποθετούμε τη λάμπα και συνεχίζουμε όμοια. T είναι ο χρόνος που καίγεται η λάμπα. Τώρα για t 0, θέτουμε N t := sup{ 0 : T t}. Η τυχαία μεταβλητή N t μετράει πόσες λάμπες κάηκαν κατά το χρονικό διάστημα [0, t]. Εστω ότι µ := E(X 1 ). Αφού κάθε λάμπα ζει περίπου χρόνο µ, για το χρονικό διάστημα [0, t] αναμένουμε να χρειάζονται t/µ λάμπες περίπου. Δηλαδή N t t/µ. Θεώρημα 1.4. Με πιθανότητα 1 ισχύει N t t t Απόδειξη. Από το νόμο των μεγάλων αριθμών, υπάρχει ένα μετρήσιμο σύνολο A Ω με P(A) = 1 ώστε για κάθε ω A να ισχύει T = µ. (1.1) Από τον ορισμό του N t έχουμε T Nt t T Nt +1, και άρα Ισχυρισμος: Για κάθε ω Ω ισχύει N t. = 1 µ. T Nt t T N t +1 = T N t +1 N t + 1. (1.) N t N t N t N t + 1 N t
4 1. Δύο εφαρμογές 75 Πράγματι, επειδή η N t είναι αύξουσα συνάρτηση του t, αν δεν ισχύει ο ισχυρισμός, τότε η N t θα ήταν φραγμένη. Δηλαδή θα υπάρχει φυσικός l 1 ώστε N t l για κάθε t 0. Αρα X 1 + X + + X l t για κάθε t 0, το οποίο δεν μπορεί να ισχύει γιατί οι X 1, X,.., X l παίρνουν πραγματικές τιμές (και όχι την τιμή ). Για ω A, και χρησιμοποιώντας τον ισχυρισμό και την (1.1), έχουμε T Nt t N t = t T Nt +1 N t + 1 = µ. Αρα για t, η (1.) δίνει t t/n t = µ που είναι το ζητούμενο. Εντροπία. Εστω X διακριτή τυχαία μεταβλητή, S το (αριθμήσιμο) σύνολο τιμών της, και f (x) = P(X = x) η συνάρτηση πιθανότητας της. Εντροπία της X ονομάζουμε τον αριθμό H(X) := f (x) log f (x) (1.3) x S με τη σύμβαση 0 log 0 = 0. Ισχύει H(X) 0 γιατί f (x) [0, 1]. Επίσης, H(X) = E{log f (X)}. Η εντροπία της X εκφράζει το μέγεθος της αβεβαιότητας που έχουμε για την τιμή που θα πάρει η X αν επιχειρήσουμε να παραγάγουμε μια πραγματοποίηση της. Ας πούμε ότι η X παίρνει τιμές στο {x 1, x,..., x k } με αντίστοιχες πιθανότητες p j := P(X = x j ). Αν p 1 = 1 και p = = p k = 0, τότε H(X) = 0, και βέβαια δεν υπάρχει καμία αβεβαιότητα για την πραγματοποίηση της X, θα είναι x 1. Η εντροπία μεγιστοποιείται όταν p 1 = p = = p k = 1/k ( Ασκηση 1.8). Τότε όλα τα ενδεχόμενα είναι το ίδιο πιθανά και η αβεβαιότητα μας μέγιστη. Σε περίπτωση άνισων πιθανοτήτων, η αβεβαιότητα είναι μικρότερη γιατί περιμένουμε η X να πάρει μία από τις τιμές που έχουν μεγαλύτερη πιθανότητα. Τον Ορισμό (1.3) υπαγορεύει ένας υπολογισμός που θα δούμε αμέσως τώρα. Ο ίδιος υπολογισμός δίνει και την εμπειρική σημασία της εντροπίας. Εστω (X k ) k 1 ακολουθία ανεξάρτητων και ισόνομων διακριτών τυχαίων μεταβλητών, καθεμία ισόνομη με τη X. Για 1 σταθερό και δεδομένα x 1, x,..., x S, υπολογίζουμε την πιθανότητα οι πραγματοποιήσεις (X 1, X,..., X ) της X να ταυτιστούν με το διάνυσμα (x 1, x,..., x ). Αυτή ισούται με p (x 1, x,..., x ) := P(X 1 = x 1, X = x,..., X = x ) = f (x 1 ) f (x ) f (x ). (1.4) Για παράδειγμα, όταν η X παίρνει τις τιμές 1 και 0 με πιθανότητες p := 1/3 και /3 αντίστοιχα, τότε f (x) = p x (1 p) 1 x 1 x {0,1} και η πιθανότητα εμφάνισης της -άδας (x 1, x,..., x ) {0, 1} είναι ( ) x1 + +x 1 ( ) x1 x 3 3 Αυτή η πιθανότητα παίρνει τιμές από (1/3) ως και (/3). Δεν είναι σταθερή, η τιμή της εξαρτάται από την επιλογή της -άδας (x 1, x,..., x ). Ομως η πιθανότητα πραγματοποίησης μιας τυχαίας -άδας (X 1, X,..., X ) είναι περίπου η ίδια σχεδόν για κάθε πραγματοποίηση της (X 1, X,..., X ). Πιο συγκεκριμένα, στη γενική περίπτωση θέλουμε να εκτιμήσουμε την p (X 1, X,..., X ). Αυτή η πιθανότητα είναι μια τυχαία μεταβλητή (εξαρτάται από τις X 1, X,..., X ), φθίνει εκθετικά με το και από το νόμο των μεγάλων αριθμών έχουμε 1 log p (X 1, X,..., X ) = 1 log f (X 1) f (X ) f (X ) = log f (X 1) + log f (X ) + + log f (X ) με πιθανότητα 1 καθώς. Δηλαδή, με πιθανότητα 1, για μεγάλο, ισχύει p (X 1, X,..., X ) e H(X). E(log f (X 1 )) = H(X) (1.5)
5 76 Ο Ισχυρός Νόμος των Μεγάλων Αριθμών Στο παράδειγμα πιο πάνω, H(X) = (1/3) log(1/3) (/3) log(/3) και η e H(X) είναι μια πιθανότητα ανάμεσα στις (1/3), (/3). Ας υποθέσουμε ότι το S είναι πεπερασμένο. Αν ορίσουμε A ε = {(x 1, x,..., x ) S : e (H(X)+ε) < p (x 1, x,..., x ) < e (H(X) ε) }, τότε P(A ε ) 1 λόγω της (1.5). Ακολουθίες στο A ε τις λέμε ε-τυπικές. Αφού όλες τους έχουν πιθανότητα περίπου e H(X) και το άθροισμα των πιθανοτήτων τους είναι σχεδόν 1, το A ε έχει πληθικότητα περίπου e H(X). Στη γενική περίπτωση ισχύει H(X) < log S ( Ασκηση 1.8), οπότε το A ε είναι (από πλευράς πληθικότητας) ένα πολύ μικρό κομμάτι του S αφού το S έχει πληθικότητα S = e log S. Παρ όλα αυτά, το A ε συγκεντρώνει σχεδόν όλη την πιθανότητα. Η έννοια της εντροπίας είναι κεντρικής σημασίας στη Θεωρία Πληροφορίας και έχει πολλές εφαρμογές (δες Cover ad Thomas (014)). Ασκήσεις 1.1 (Ασθενής Νόμος των Μεγάλων Αριθμών. Ασθενής έκδοση.) Εστω (X ) N ανεξάρτητες και ισόνομες τυχαίες μεταβλητές με τιμές στο R έτσι ώστε E ( X1) <. Θέτουμε µ = E(X1 ). Χωρίς χρήση του ισχυρού νόμου των μεγάλων αριθμών να δειχθεί ότι Δηλαδή η ακολουθία S ( P S µ συγκλίνει στο µ κατά πιθανότητα. ) > ɛ = 0 για κάθε ɛ > 0. 1.* Εστω (X ) N ανεξάρτητες και ισόνομες τυχαίες μεταβλητές με τιμές στο R έτσι ώστε E(X 1 + ) = και E(X 1 ) <. Να δείξετε ότι S = με πιθανότητα * (Αντίστροφο του Νόμου των Μεγάλων Αριθμών) Εστω (X ) 1 ανεξάρτητες και ισόνομες τυχαίες μεταβλητές S με τιμές στο R έτσι ώστε = µ σχεδόν βεβαίως με µ R. Να δείξετε ότι E X 1 < και E(X 1 ) = µ. [Υπόδειξη: Χρήσιμη είναι η Ασκηση ] 1.4 Εστω (X ) 1 ανεξάρτητες και ισόνομες τυχαίες μεταβλητές με X 1 N(1, 3). Να δείξετε ότι με πιθανότητα 1. X 1 + X X (X 1 ) + (X ) (X ) = Εστω (X ) N ανεξάρτητες και ισόνομες τυχαίες μεταβλητές με τιμές στο R έτσι ώστε E( X 1 ) < και E(X 1 ) > 0. Να δείξετε ότι S = με πιθανότητα Εστω (U i ) i 1 ακολουθία ανεξάρτητων και ισόνομων τυχαίων μεταβλητών, καθεμία με κατανομή U(0, 1), δηλαδή ομοιόμορφη στο (0, 1). Να δειχθεί ότι (α) (U 1 U U ) 1/ = e 1 με πιθανότητα 1. (β) U 1 U U = 0 με πιθανότητα 1. U1 (γ) a 1 + +Ua 1+a με πιθανότητα 1 αν a > 1, = με πιθανότητα 1 αν a Εστω (X i ) i 1 ακολουθία ανεξάρτητων και ισόνομων τυχαίων μεταβλητών με µ = E(X 1 ) R και σ = V(X 1 ) <. Να δειχθεί ότι 1 (X k µ) = σ με πιθανότητα 1. k=1
6 1. Δύο εφαρμογές Εστω k, S = {x 1,..., x k } σύνολο με k στοιχεία, και X τυχαία μεταβλητή με τιμές στο S. Να δειχθεί ότι H(X) log k και η ισότητα ισχύει αν και μόνο αν P(X = x j ) = 1/k για κάθε 1 j k. [Υπόδειξη: Εφαρμόστε κατάλληλα την ανισότητα Jese.] 1.9 Εστω (X k ) k 1 ακολουθία ανεξάρτητων και ισόνομων τυχαίων μεταβλητών με τιμές στο S = {1,,..., r} και f η συνάρτηση πιθανότητας της X 1. Εστω επίσης (Y k ) k 1 ακολουθία ανεξάρτητων και ισόνομων τυχαίων μεταβλητών με τιμές στο S και g η συνάρτηση πιθανότητας της Y 1. Υποθέτουμε ότι για k S ισχύει f (k) = 0 g(k) = 0. Ορίζουμε την p όπως στην (1.4). Δείξτε ότι η πιθανότητα p (Y 1, Y,..., Y ) φθίνει εκθετικά και υπολογίστε το ρυθμό μείωσης. Αυτή είναι η πιθανότητα στις πρώτες συντετεγμένες η ακολουθία X να μοιάζει με δείγμα παρμένο από την Y.
Ανεξαρτησία Ανεξαρτησία για οικογένειες συνόλων και τυχαίες μεταβλητές
10 Ανεξαρτησία 10.1 Ανεξαρτησία για οικογένειες συνόλων και τυχαίες μεταβλητές Στην παράγραφο αυτή δουλεύουμε σε χώρο πιθανότητας (Ω, F, P). Δίνουμε καταρχάς τον ορισμό της ανεξαρτησίας για ενδεχόμενα,
Διαβάστε περισσότεραΕισαγωγικά. 1.1 Η σ-αλγεβρα ως πληροφορία
1 Εισαγωγικά 1.1 Η σ-αλγεβρα ως πληροφορία Στη θεωρία μέτρου, όταν δουλεύει κανείς σε έναν χώρο X, συνήθως έχει διαλέξει μια αρκετά μεγάλη σ-άλγεβρα στον X έτσι ώστε όλα τα σύνολα που εμφανίζονται να ανήκουν
Διαβάστε περισσότερα5.1 Μετρήσιμες συναρτήσεις
5 Μετρήσιμες συναρτήσεις 5.1 Μετρήσιμες συναρτήσεις Ορισμός 5.1. Εστω (Ω, F ), (E, E) μετρήσιμοι χώροι. Μια συνάρτηση f : Ω E λέγεται F /Eμετρήσιμη αν f 1 (A) F για κάθε A E. (5.1) Συμβολίζουμε το σύνολο
Διαβάστε περισσότεραΑνεξαρτησία Ανεξαρτησία για οικογένειες συνόλων και τυχαίες μεταβλητές
10 Ανεξαρτησία 10.1 Ανεξαρτησία για οικογένειες συνόλων και τυχαίες μεταβλητές Στην παράγραφο αυτή δουλεύουμε σε χώρο πιθανότητας (Ω, F, P). Δίνουμε καταρχάς τον ορισμό της ανεξαρτησίας για ενδεχόμενα,
Διαβάστε περισσότεραΜεγάλες αποκλίσεις* 17.1 Η έννοια της μεγάλης απόκλισης
7 Μεγάλες αποκλίσεις* 7. Η έννοια της μεγάλης απόκλισης Εστω (X ανεξάρτητες και ισόνομες τυχαίες μεταβλητές ώστε (X = = (X = = /2 και S = k= X k το άθροισμα των πρώτων από αυτές. Ο νόμος των μεγάλων αριθμών
Διαβάστε περισσότεραΑναλυτικές ιδιότητες
8 Αναλυτικές ιδιότητες 8. Βαθμός συνέχειας* Ξέρουμε ότι η κίνηση Brown είναι συνεχής και θα δείξουμε αργότερα ότι είναι πουθενά διαφορίσιμη. Πόσο ομαλή είναι λοιπόν; Μια ασθενέστερη μορφή ομαλότητας είναι
Διαβάστε περισσότεραΜεγάλες αποκλίσεις* 17.1 Η έννοια της μεγάλης απόκλισης
7 Μεγάλες αποκλίσεις* 7. Η έννοια της μεγάλης απόκλισης Εστω (X ανεξάρτητες και ισόνομες τυχαίες μεταβλητές ώστε P(X = = P(X = = /2 και S = k= X k το άθροισμα των πρώτων από αυτές. Ο νόμος των μεγάλων
Διαβάστε περισσότεραΑποδεικτικές Διαδικασίες και Μαθηματική Επαγωγή.
Αποδεικτικές Διαδικασίες και Μαθηματική Επαγωγή. Mαθηματικό σύστημα Ένα μαθηματικό σύστημα αποτελείται από αξιώματα, ορισμούς, μη καθορισμένες έννοιες και θεωρήματα. Η Ευκλείδειος γεωμετρία αποτελεί ένα
Διαβάστε περισσότεραΠαντού σε αυτό το κεφάλαιο, αν δεν αναφέρεται κάτι διαφορετικό, δουλεύουμε σε ένα χώρο πιθανότητας (Ω, F, P) και η G F είναι μια σ-άλγεβρα.
2 Δεσμευμένη μέση τιμή 2.1 Ορισμός Παντού σε αυτό το κεφάλαιο, αν δεν αναφέρεται κάτι διαφορετικό, δουλεύουμε σε ένα χώρο πιθανότητας (Ω, F, P) και η G F είναι μια σ-άλγεβρα. Ορισμός 2.1. Για X : Ω R τυχαία
Διαβάστε περισσότεραΑνεξαρτησία Ανεξαρτησία για οικογένειες συνόλων και τυχαίες μεταβλητές
10 Ανεξαρτησία 10.1 Ανεξαρτησία για οικογένειες συνόλων και τυχαίες μεταβλητές Στην παράγραφο αυτή δουλεύουμε σε χώρο πιθανότητας (Ω, F, P). Δίνουμε καταρχάς τον ορισμό της ανεξαρτησίας για ενδεχόμενα,
Διαβάστε περισσότεραΑνελίξεις σε συνεχή χρόνο
4 Ανελίξεις σε συνεχή χρόνο Σε αυτό το κεφάλαιο είναι συγκεντρωμένοι ορισμοί και αποτελέσματα από τη θεωρία των στοχαστικών ανελιξεων συνεχούς χρόνου. Με εξαίρεση την Παράγραφο 4.1, η οποία είναι εντελώς
Διαβάστε περισσότεραMartingales. 3.1 Ορισμός και παραδείγματα
3 Martingales 3.1 Ορισμός και παραδείγματα Εστω χώρος πιθανότητας (Ω, F, P). Διήθηση σε αυτό τον χώρο λέμε μια αύξουσα ακολουθία (F n ) n 0 σ-αλγεβρών, η καθεμία από τις οποίες είναι υποσύνολο της F. Δηλαδή,
Διαβάστε περισσότεραΕπίλυση ειδικών μορφών ΣΔΕ
15 Επίλυση ειδικών μορφών ΣΔΕ Σε αυτό το κεφάλαιο θα δούμε κάποιες ειδικές μορφές ΣΔΕ για τις οποίες υπάρχει μέθοδος επίλυσης. Περισσότερες μπορεί να δει κανείς στο Kloeden and Plaen (199), 4.-4.4. Θα
Διαβάστε περισσότεραΕφαρμογές στην κίνηση Brown
13 Εφαρμογές στην κίνηση Brown Σε αυτό το κεφάλαιο θέλουμε να κάνουμε για την πολυδιάστατη κίνηση Brown κάτι ανάλογο με αυτό που κάναμε στην Παράγραφο 7.2 για τη μονοδιάστατη κίνηση Brown. Δηλαδή να μελετήσουμε
Διαβάστε περισσότεραΧαρακτηριστικές συναρτήσεις
13 Χαρακτηριστικές συναρτήσεις 13.1 Μετασχηματισμός Fourier μέτρου πιθανότητας στο R Εστω (Ω, F, µ) χώρος μέτρου και f : Ω C Borel-μετρήσιμη συνάρτηση. Το πραγματικό και φανταστικό μέρος της f, που τα
Διαβάστε περισσότεραΣτοχαστικές διαφορικές εξισώσεις
14 Στοχαστικές διαφορικές εξισώσεις 14.1 Γενικά Στοχαστική διαφορική εξίσωση λέμε μια εξίσωση της μορφής dx = µ(, X ) d + σ(, X ) db, X = x, (14.1) με µ, σ : [, ) R R μετρήσιμες συναρτήσεις, x R, και B
Διαβάστε περισσότεραΜεγάλες αποκλίσεις* 17.1 Η έννοια της μεγάλης απόκλισης
7 Μεγάλες αποκλίσεις* 7. Η έννοια της μεγάλης απόκλισης Εστω (X ) ανεξάρτητες και ισόνομες τυχαίες μεταβλητές ώστε P(X = ) = P(X = ) = /2 και S = k= X k το άθροισμα των πρώτων από αυτές. Ο νόμος των μεγάλων
Διαβάστε περισσότερα{ i f i == 0 and p > 0
ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ - ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΕΠΙΣΤΗΜΗΣ ΥΠΟΛΟΓΙΣΤΩΝ Σχεδίαση και Ανάλυση Αλγορίθμων Διδάσκων: Ε. Μαρκάκης, Φθινοπωρινό εξάμηνο 014-015 Λύσεις 1ης Σειράς Ασκήσεων
Διαβάστε περισσότεραΕστω X σύνολο και A μια σ-άλγεβρα στο X. Ονομάζουμε το ζεύγος (X, A) μετρήσιμο χώρο.
2 Μέτρα 2.1 Μέτρα σε μετρήσιμο χώρο Εστω X σύνολο και A μια σ-άλγεβρα στο X. Ονομάζουμε το ζεύγος (X, A) μετρήσιμο χώρο. Ορισμός 2.1. Μέτρο στον (X, A) λέμε κάθε συνάρτηση µ : A [0, ] που ικανοποιεί τις
Διαβάστε περισσότεραΑναγνώριση Προτύπων. Σημερινό Μάθημα
Αναγνώριση Προτύπων Σημερινό Μάθημα Μη Παραμετρικός Υπολογισμός πυκνότητας με εκτίμηση Ιστόγραμμα Παράθυρα Parzen Εξομαλυμένη Kernel Ασκήσεις 1 Μη Παραμετρικός Υπολογισμός πυκνότητας με εκτίμηση Κατά τη
Διαβάστε περισσότεραΑς υποθέσουμε ότι ο παίκτης Ι διαλέγει πρώτος την τυχαιοποιημένη στρατηγική (x 1, x 2 ), x 1, x2 0,
Οικονομικό Πανεπιστήμιο Αθηνών Τμήμα Στατιστικής Εισαγωγή στην Επιχειρησιακή Ερευνα Εαρινό Εξάμηνο 2015 Μ. Ζαζάνης Πρόβλημα 1. Να διατυπώσετε το παρακάτω παίγνιο μηδενικού αθροίσματος ως πρόβλημα γραμμικού
Διαβάστε περισσότεραΑναγνώριση Προτύπων. Σήμερα! Λόγος Πιθανοφάνειας Πιθανότητα Λάθους Κόστος Ρίσκο Bayes Ελάχιστη πιθανότητα λάθους για πολλές κλάσεις
Αναγνώριση Προτύπων Σήμερα! Λόγος Πιθανοφάνειας Πιθανότητα Λάθους Πιθανότητα Λάθους Κόστος Ρίσκο Bayes Ελάχιστη πιθανότητα λάθους για πολλές κλάσεις 1 Λόγος Πιθανοφάνειας Ας υποθέσουμε ότι θέλουμε να ταξινομήσουμε
Διαβάστε περισσότεραΟ τύπος του Itô. f (s) ds (12.1) f (g(s)) dg(s). (12.2) t f (B s ) db s + 1 2
12 Ο τύπος του Itô Για συνάρτηση f : R R με συνεχή παράγωγο, έχουμε d f (s) = f (s) ds που σε ολοκληρωτική μορφή σημαίνει f (b) f (a) = b a f (s) ds (12.1) για κάθε a < b. Αν επιπλέον και η g : R R έχει
Διαβάστε περισσότεραΕυρωπαϊκά παράγωγα Ευρωπαϊκά δικαιώματα
17 Ευρωπαϊκά παράγωγα 17.1 Ευρωπαϊκά δικαιώματα Ορισμός 17.1. 1) Ευρωπαϊκό δικαίωμα αγοράς σε μία μετοχή είναι ένα συμβόλαιο που δίνει στον κάτοχό του το δικαίωμα να αγοράσει μία μετοχή από τον εκδότη
Διαβάστε περισσότεραΗ εξίσωση Black-Scholes
8 Η εξίσωση Black-Scholes 8. Μια απλή αγορά Θεωρούμε ότι έχουμε μια αγορά που έχει μόνο δύο προϊόντα. Το ένα είναι η δυνατότητα κατάθεσης σε μια τράπεζα (ισοδύναμα, αγορά ομολόγων της τράπεζας) και το
Διαβάστε περισσότεραΚατασκευή της κίνησης Brown και απλές ιδιότητες
5 Κατασκευή της κίνησης Brown και απλές ιδιότητες 51 Ορισμός, ύπαρξη, και μοναδικότητα Ορισμός 51 Μια στοχαστική ανέλιξη { : t } ορισμένη σε έναν χώρο πιθανότητας (Ω, F, P) και με τιμές στο R λέγεται (μονοδιάστατη)
Διαβάστε περισσότερα602. Συναρτησιακή Ανάλυση. Υποδείξεις για τις Ασκήσεις
602. Συναρτησιακή Ανάλυση Υποδείξεις για τις Ασκήσεις Τμήμα Μαθηματικών Πανεπιστήμιο Αθηνών Αθήνα 2018 Περιεχόμενα 1 Χώροι με νόρμα 1 2 Χώροι πεπερασμένης διάστασης 23 3 Γραμμικοί τελεστές και γραμμικά
Διαβάστε περισσότερα«ΔΙΑΚΡΙΤΑ ΜΑΘΗΜΑΤΙΚΑ»
HY 118α «ΔΙΚΡΙΤ ΜΘΗΜΤΙΚ» ΣΚΗΣΕΙΣ ΠΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ ΤΜΗΜ ΕΠΙΣΤΗΜΗΣ ΥΠΟΛΟΙΣΤΩΝ εώργιος Φρ. εωργακόπουλος ΜΕΡΟΣ (1) ασικά στοιχεία της θεωρίας συνόλων. Π. ΚΡΗΤΗΣ ΤΜ. ΕΠ. ΥΠΟΛΟΙΣΤΩΝ «ΔΙΚΡΙΤ ΜΘΗΜΤΙΚ». Φ. εωργακόπουλος
Διαβάστε περισσότεραΕΙΣΑΓΩΓΗ ΣΤΟN ΣΤΟΧΑΣΤΙΚΟ ΛΟΓΙΣΜΟ
Δημήτρης Χελιώτης ΕΙΣΑΓΩΓΗ ΣΤΟN ΣΤΟΧΑΣΤΙΚΟ ΛΟΓΙΣΜΟ B τ u(x):=e x {f(b τ ) u(x) = } x ii ΔΗΜΗΤΡΗΣ ΧΕΛΙΩΤΗΣ Επίκουρος καθηγητής Τμήμα Μαθηματικών Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνων Εισαγωγή στον
Διαβάστε περισσότεραΕΙΣΑΓΩΓΗ ΣΤΟN ΣΤΟΧΑΣΤΙΚΟ ΛΟΓΙΣΜΟ
Δημήτρης Χελιώτης ΕΙΣΑΓΩΓΗ ΣΤΟN ΣΤΟΧΑΣΤΙΚΟ ΛΟΓΙΣΜΟ B τ u(x):=e x {f(b τ ) u(x) = } x ii ΔΗΜΗΤΡΗΣ ΧΕΛΙΩΤΗΣ Επίκουρος καθηγητής Τμήμα Μαθηματικών Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνων Εισαγωγή στον
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ. Εαρινό Εξάμηνο
ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΕΠΛ231: Δομές Δεδομένων και Αλγόριθμοι Εαρινό Εξάμηνο 2017-2018 Φροντιστήριο 3 - Λύσεις 1. Εστω ο πίνακας Α = [12, 23, 1, 5, 7, 19, 2, 14]. i. Να δώσετε την κατάσταση
Διαβάστε περισσότεραΟι γέφυρες του ποταμού... Pregel (Konigsberg)
Οι γέφυρες του ποταμού... Pregel (Konigsberg) Β Δ Β Δ Γ Γ Κύκλος του Euler (Euler cycle) είναι κύκλος σε γράφημα Γ που περιέχει κάθε κορυφή του γραφήματος, και κάθε ακμή αυτού ακριβώς μία φορά. Για γράφημα
Διαβάστε περισσότεραΑναγνώριση Προτύπων. Σημερινό Μάθημα
Αναγνώριση Προτύπων Σημερινό Μάθημα Εκτίμηση Πυκνότητας με k NN k NN vs Bayes classifier k NN vs Bayes classifier Ο κανόνας ταξινόμησης του πλησιέστερου γείτονα (k NN) lazy αλγόριθμοι O k NN ως χαλαρός
Διαβάστε περισσότεραΑναγνώριση Προτύπων. Σημερινό Μάθημα
Αναγνώριση Προτύπων Σημερινό Μάθημα Bias (απόκλιση) και variance (διακύμανση) Ελεύθεροι Παράμετροι Ελεύθεροι Παράμετροι Διαίρεση dataset Μέθοδος holdout Cross Validation Bootstrap Bias (απόκλιση) και variance
Διαβάστε περισσότεραΔημήτρης Χελιώτης ΕΝΑ ΔΕΥΤΕΡΟ ΜΑΘΗΜΑ ΣΤΙΣ ΠΙΘΑΝΟΤΗΤΕΣ
Δημήτρης Χελιώτης ΕΝΑ ΔΕΥΤΕΡΟ ΜΑΘΗΜΑ ΣΤΙΣ ΠΙΘΑΝΟΤΗΤΕΣ ii ΔΗΜΗΤΡΗΣ ΧΕΛΙΩΤΗΣ Επίκουρος καθηγητής Τμήμα Μαθηματικών Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνων Ενα δεύτερο μάθημα στις πιθανότητες Ενα δεύτερο
Διαβάστε περισσότεραΚεφάλαιο Η εκθετική κατανομή. Η πυκνότητα πιθανότητας της εκθετικής κατανομής δίδεται από την σχέση (1.1) f(x) = 0 αν x < 0.
Κεφάλαιο Συνεχείς Τυχαίες Μεταβλητές. Η εκθετική κατανομή Η πυκνότητα πιθανότητας της εκθετικής κατανομής δίδεται από την σχέση f(x) = λe λx αν x, αν x
Διαβάστε περισσότεραΗ ανισότητα α β α±β α + β με α, β C και η χρήση της στην εύρεση ακροτάτων.
A A N A B P Y T A Άρθρο στους Μιγαδικούς Αριθμούς 9 5 0 Η ανισότητα α β α±β α + β με α, β C και η χρήση της στην εύρεση ακροτάτων. Δρ. Νίκος Σωτηρόπουλος, Μαθηματικός Εισαγωγή Το άρθρο αυτό γράφεται με
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ ΜΑΘΗΜΑ: ΟΙΚΟΝΟΜΙΚΗ ΘΕΩΡΙΑ
ΜΑΘΗΜΑ: ΟΙΚΟΝΟΜΙΚΗ ΘΕΩΡΙΑ Την ευθύνη του εκπαιδευτικού υλικού έχει ο επιστημονικός συνεργάτης των Πανεπιστημιακών Φροντιστηρίων «ΚOΛΛΙΝΤΖΑ», οικονομολόγος συγγραφέας θεμάτων ΑΣΕΠ, Παναγιώτης Βεργούρος.
Διαβάστε περισσότεραΕξαναγκασμένες ταλαντώσεις, Ιδιοτιμές με πολλαπλότητα, Εκθετικά πινάκων. 9 Απριλίου 2013, Βόλος
ιαφορικές Εξισώσεις Εξαναγκασμένες ταλαντώσεις, Ιδιοτιμές με πολλαπλότητα, Ατελείς ιδιοτιμές Εκθετικά πινάκων Μανόλης Βάβαλης Τμήμα Μηχανικών Η/Υ Τηλεπικοινωνιών και ικτύων Πανεπιστήμιο Θεσσαλίας 9 Απριλίου
Διαβάστε περισσότεραΠιθανότητες ΙΙ 1 o Μέρος. Οικονομικό Πανεπιστήμιο Αθηνών
Πιθανότητες ΙΙ o Μέρος Μιχάλης Ζαζάνης Τμήμα Στατιστικής Οικονομικό Πανεπιστήμιο Αθηνών 4 Απριλίου 7 Κεφάλαιο Συνεχείς Τυχαίες Μεταβλητές. Η εκθετική κατανομή Η πυκνότητα πιθανότητας της εκθετικής κατανομής
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ. Εαρινό Εξάμηνο
ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΕΠΛ31: Δομές Δεδομένων και Αλγόριθμοι Εαρινό Εξάμηνο 017-018 Φροντιστήριο 5 1. Δικαιολογήστε όλες τις απαντήσεις σας. i. Δώστε τις 3 βασικές ιδιότητες ενός AVL δένδρου.
Διαβάστε περισσότεραιάσταση του Krull Α.Π.Θ. Θεσσαλονίκη Χ. Χαραλαμπους (ΑΠΘ) ιάσταση του Krull Ιανουάριος, / 27
ιάσταση του Krull Χ. Χαραλάμπους Α.Π.Θ. Θεσσαλονίκη Ιανουάριος, 2017 Χ. Χαραλαμπους (ΑΠΘ) ιάσταση του Krull Ιανουάριος, 2017 1 / 27 Ορισμοί Εστω R (αντιμεταθετικός) δακτύλιος. Ορισμός Η διάσταση του Krull
Διαβάστε περισσότεραΨηφιακή Εικόνα. Σημερινό μάθημα!
Ψηφιακή Εικόνα Σημερινό μάθημα! Ψηφιακή Εικόνα Αναλογική εικόνα Ψηφιοποίηση (digitalization) Δειγματοληψία Κβαντισμός Δυαδικές δ έ (Binary) εικόνες Ψηφιακή εικόνα & οθόνη Η/Υ 1 Ψηφιακή Εικόνα Μια ακίνητη
Διαβάστε περισσότεραΕκφωνήσεις και Λύσεις των Θεμάτων
ΑΠΟΛΥΤΗΡΙΕΣ ΕΞΕΤΑΣΕΙΣ Γ ΤΑΞΗΣ ΗΜΕΡΗΣΙΟΥ ΓΕΝΙΚΟΥ ΛΥΚΕΙΟΥ ΚΑΙ ΠΑΝΕΛΛΗΝΙΕΣ ΕΞΕΤΑΣΕΙΣ Γ ΤΑΞΗΣ ΕΠΑΛ (ΟΜΑΔΑ Β ) ΜΑΘΗΜΑΤΙΚΑ ΘΕΤΙΚΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΚΗΣ ΚΑΤΕΥΘΥΝΣΗΣ Δευτέρα 8 Μαΐου 0 Εκφωνήσεις και Λύσεις των Θεμάτων
Διαβάστε περισσότεραΕπιχειρησιακή Ερευνα Ι
Επιχειρησιακή Ερευνα Ι Μ. Ζαζάνης Κεφάλαιο 1 Τετραγωνικές μορφές στον R n και το ϑεώρημα του Taylor Ορισμός 1. Εστω a 11 a 1n A =.. a n1 a nn συμμετρικός πίνακας n n με στοιχεία στους πραγματικούς αριθμούς.
Διαβάστε περισσότεραΕισαγωγή στη Μιγαδική Ανάλυση. (Πρώτη Ολοκληρωμένη Γραφή)
Εισαωή στη Μιαδική Ανάλυση Σημειώσεις (Πρώτη Ολοκληρωμένη Γραφή) Ε. Στεφανόπουλος Τμήμα Μαθηματικών Πανεπιστήμιο Αιαίου Καρλόβασι Καλοκαίρι 26 Πρόλοος Οι σημειώσεις αυτές είναι αποτέλεσμα επεξερασίας
Διαβάστε περισσότεραΑΡΧΗ 1ΗΣ ΣΕΛΙΔΑΣ Γ ΤΑΞΗ
ΑΡΧΗ 1ΗΣ ΣΕΛΙΔΑΣ ΑΠΟΛΥΤΗΡΙΕΣ ΕΞΕΤΑΣΕΙΣ Σ ΕΝΙΑΙΟΥ ΛΥΚΕΙΟΥ ΔΕΥΤΕΡΑ 12 ΙΟΥΝΙΟΥ 2000 ΕΞΕΤΑΖΟΜΕΝΟ ΜΑΘΗΜΑ ΤΕΧΝΟΛΟΓΙΚΗΣ ΚΑΤΕΥΘΥΝΣΗΣ (ΚΥΚΛΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΥΠΗΡΕΣΙΩΝ): ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ ΜΑΘΗΜΑ: ΕΡΩΤΗΣΕΙΣ ΟΙΚΟΝΟΜΙΚΗΣ ΘΕΩΡΙΑΣ
ΜΑΘΗΜΑ: ΕΡΩΤΗΣΕΙΣ ΟΙΚΟΝΟΜΙΚΗΣ ΘΕΩΡΙΑΣ Tα Πανεπιστημιακά Φροντιστήρια «ΚΟΛΛΙΝΤΖΑ» προετοιμάζοντας σε ολιγομελείς ομίλους τους υποψήφιους για τον επικείμενο διαγωνισμό του Υπουργείου Οικονομικών, με κορυφαίο
Διαβάστε περισσότεραΕισαγωγικές Διαλέξεις στην Θεωρία των Αλυσίδων Markov και των Στοχαστικών Ανελίξεων. Οικονομικό Πανεπιστήμιο Αθηνών
Εισαγωγικές Διαλέξεις στην Θεωρία των Αλυσίδων Markov και των Στοχαστικών Ανελίξεων Μιχάλης Ζαζάνης Τμήμα Στατιστικής Οικονομικό Πανεπιστήμιο Αθηνών Κεφάλαιο Αλυσίδες Markov σε Συνεχή Χρόνο. Αλυσίδες
Διαβάστε περισσότεραΜαθηματικά Πληροφορικής
Πανεπιστήμιο Αθηνών Μαθηματικά Πληροφορικής Ηλίας Κουτσουπιάς Αθήνα, Οκτώβριος 2009 Περιεχόμενα Περιεχόμενα 1 Σύνολα... 5 ΆλλαΣύμβολα... 6 1 Υποθέσεις και Θεωρήματα 9 1.1 Παρατήρηση-Υπόθεση-Απόδειξη...
Διαβάστε περισσότεραΠερίληψη. του Frostman 4.1. Τέλος, η ϑεωρία του μέτρου Hausdorff αναπτύσσεται περαιτέρω στην τελευταία παράγραφο. Εισαγωγή 2
Το Μέτρο και η Διάσταση Hausdorff Γεωργακόπουλος Νίκος Τερεζάκης Αλέξης Περίληψη Αναπτύσσουμε τη ϑεωρία του μέτρου και της διάστασης Hausdorff με εφαρμογές στον υπολογισμό διαστάσεων συνόλων fractal (Θεώρημα
Διαβάστε περισσότεραΤο κράτος είναι φτιαγμένο για τον άνθρωπο και όχι ο άνθρωπος για το κράτος. A. Einstein Πηγή:
Ας πούμε και κάτι για τις δύσκολες μέρες που έρχονται Το κράτος είναι φτιαγμένο για τον άνθρωπο και όχι ο άνθρωπος για το κράτος. A. Einstein 1879-1955 Πηγή: http://www.cognosco.gr/gnwmika/ 1 ΚΥΚΛΙΚΟΣ
Διαβάστε περισσότεραΣχέσεις και ιδιότητές τους
Σχέσεις και ιδιότητές τους Διμελής (binary) σχέση Σ από σύνολο Χ σε σύνολο Υ είναι ένα υποσύνολο του καρτεσιανού γινομένου Χ Υ. Αν (χ,ψ) Σ, λέμε ότι το χ σχετίζεται με το ψ και σημειώνουμε χσψ. Στην περίπτωση
Διαβάστε περισσότεραΕκφωνήσεις και Λύσεις των Θεμάτων
ΑΠΟΛΥΤΗΡΙΕΣ ΕΞΕΤΑΣΕΙΣ Γ ΤΑΞΗΣ ΗΜΕΡΗΣΙΟΥ ΓΕΝΙΚΟΥ ΛΥΚΕΙΟΥ ΚΑΙ ΠΑΝΕΛΛΗΝΙΕΣ ΕΞΕΤΑΣΕΙΣ Γ ΤΑΞΗΣ ΕΠΑΛ (ΟΜΑΔΑ Β ) ΜΑΘΗΜΑΤΙΚΑ ΚΑΙ ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ ΓΕΝΙΚΗΣ ΠΑΙΔΕΙΑΣ Τετάρτη 23 Μαΐου 2012 Εκφωήσεις και Λύσεις
Διαβάστε περισσότεραΜΙΚΡΟΟΙΚΟΝΟΜΙΚΗ Η ΚΑΤΑΝΑΛΩΤΙΚΗ ΑΠΟΦΑΣΗ. Άσκηση με θέμα τη μεγιστοποίηση της χρησιμότητας του καταναλωτή
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΙΟΝΙΩΝ ΝΗΣΩΝ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΣΑΓΩΓΙΚΗ ΚΑΤΕΥΘΥΝΣΗ: ΔΙΟΙΚΗΣΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΑΚΑΔΗΜΑΪΚΟ ΕΤΟΣ 07 08 ΛΕΥΚΑΔΑ ΜΙΚΡΟΟΙΚΟΝΟΜΙΚΗ Η ΚΑΤΑΝΑΛΩΤΙΚΗ
Διαβάστε περισσότεραΣΤΟ ΙΑΤΡΕΙΟ. Με την πιστοποίηση του αποκτά πρόσβαση στο περιβάλλον του ιατρού που παρέχει η εφαρμογή.
ΣΤΟ ΙΑΤΡΕΙΟ Ο ιατρός αφού διαπιστώσει εάν το πρόσωπο που προσέρχεται για εξέταση είναι το ίδιο με αυτό που εικονίζεται στο βιβλιάριο υγείας και ελέγξει ότι είναι ασφαλιστικά ενήμερο (όπως ακριβώς γίνεται
Διαβάστε περισσότεραΕΙΣΑΓΩΓΗ. H λογική ασχολείται με δύο έννοιες, την αλήθεια και την απόδειξη. Oι έννοιες αυτές έχουν γίνει
ΕΙΣΑΓΩΓΗ ------------------------------------------------------------------------------------- H λογική ασχολείται με δύο έννοιες, την αλήθεια και την απόδειξη. Oι έννοιες αυτές έχουν γίνει αντικείμενο
Διαβάστε περισσότεραΑναγνώριση Προτύπων. Σημερινό Μάθημα
Αναγνώριση Προτύπων Σημερινό Μάθημα Η κατάρα της διαστατικότητας Μείωση διαστάσεων εξαγωγή χαρακτηριστικών επιλογή χαρακτηριστικών Αναπαράσταση έναντι Κατηγοριοποίησης Ανάλυση Κυρίων Συνιστωσών PCA Γραμμική
Διαβάστε περισσότεραΓραμμική Ανεξαρτησία. Τμήμα Μηχανικών Η/Υ Τηλεπικοινωνιών και ικτύων Πανεπιστήμιο Θεσσαλίας. 17 Μαρτίου 2013, Βόλος
Γραμμικές Συνήθεις ιαφορικές Εξισώσεις Ανώτερης Τάξης Γραμμικές Σ Ε 2ης τάξης Σ Ε 2ης τάξης με σταθερούς συντελεστές Μιγαδικές ρίζες Γραμμικές Σ Ε υψηλότερης τάξης Γραμμική Ανεξαρτησία Μανόλης Βάβαλης
Διαβάστε περισσότεραΣΤΑΤΙΣΤΙΚΗ ΠΟΣΟΤΙΚΗ ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ
Σημειώσεις για το μάθημα ΣΤΑΤΙΣΤΙΚΗ ΠΟΣΟΤΙΚΗ ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ Παπάνα Αγγελική http://users.auth.gr/~agpapana/statlogistics E mail: papanagel@yahoo.gr, agpapana@gen.auth.gr Α.Τ.Ε.Ι. Θεσσαλονίκης ΠΑΡΑΡΤΗΜΑ
Διαβάστε περισσότερατους στην Κρυπτογραφία και τα
Οι Ομάδες των Πλεξίδων και Εφαρμογές τους στην Κρυπτογραφία και τα Πολυμερή Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών ΕΜΠ Επιβλέπουσα Καθηγήτρια: Λαμπροπούλου Σοφία Ιούλιος, 2013 Περιεχόμενα
Διαβάστε περισσότεραΜΑΘΗΜΑ: ΟΙΚΟΝΟΜΙΚΗ ΘΕΩΡΙΑ
ΜΑΘΗΜΑ: ΟΙΚΟΝΟΜΙΚΗ ΘΕΩΡΙΑ Tα Πανεπιστημιακά Φροντιστήρια «ΚΟΛΛΙΝΤΖΑ» προετοιμάζοντας σε ολιγομελείς ομίλους τους υποψήφιους για τον επικείμενο διαγωνισμό του Υπουργείου Οικονομικών, με κορυφαίο επιτελείο
Διαβάστε περισσότεραΠΙΘΑΝΟΤΗΤΕΣ 2. Σάμης Τρέβεζας
ΠΙΘΑΝΟΤΗΤΕΣ 2 Σάμης Τρέβεζας ii ΣΑΜΗΣ ΤΡΕΒΕΖΑΣ Λέκτορας Τμήμα Μαθηματικών Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνων Πιθανότητες ΙΙ Σημειώσεις σε εξέλιξη... (02/03) Περιεχόμενα 1 Δομές σε Οικογένειες
Διαβάστε περισσότεραΕισαγωγικές Διαλέξεις στην Θεωρία των Αλυσίδων Markov και των Στοχαστικών Ανελίξεων. Οικονομικό Πανεπιστήμιο Αθηνών
Εισαγωγικές Διαλέξεις στην Θεωρία των Αλυσίδων Markov και των Στοχαστικών Ανελίξεων Μιχάλης Ζαζάνης Τμήμα Στατιστικής Οικονομικό Πανεπιστήμιο Αθηνών Κεφάλαιο Αλυσίδες Markov σε Συνεχή Χρόνο Αλυσίδες Markov
Διαβάστε περισσότεραHY 280. θεμελιακές έννοιες της επιστήμης του υπολογισμού ΑΣΚΗΣΕΙΣ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ ΤΜΗΜΑ ΕΠΙΣΤΗΜΗΣ ΥΠΟΛΟΓΙΣΤΩΝ. Γεώργιος Φρ.
HY 280 «ΘΕΩΡΙΑ ΥΠΟΛΟΓΙΣΜΟΥ» θεμελικές έννοιες της επιστήμης του υπολογισμού ΑΣΚΗΣΕΙΣ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ ΤΜΗΜΑ ΕΠΙΣΤΗΜΗΣ ΥΠΟΛΟΓΙΣΤΩΝ Γεώργιος Φρ. Γεωργκόπουλος μέρος Α Εισγωγή, κι η σική θεωρί των πεπερσμένων
Διαβάστε περισσότεραΤαξινόμηση των μοντέλων διασποράς ατμοσφαιρικών ρύπων βασισμένη σε μαθηματικά κριτήρια.
ΠΡΟΤΕΙΝΟΜΕΝΑ ΘΕΜΑΤΑ Ταξινόμηη των μοντέλων διαποράς ατμοφαιρικών ρύπων βαιμένη ε μαθηματικά κριτήρια. Μοντέλο Ελεριανά μοντέλα (Elerian) Λαγκρατζιανά μοντέλα (Lagrangian) Επιπρόθετος διαχωριμός Μοντέλα
Διαβάστε περισσότεραΗ έκδοση αυτή είναι υπό προετοιμασία. Γιάννης Α. Αντωνιάδης, Αριστείδης Κοντογεώργης
Θεωρία Αριθμών και Εφαρμογές Η έκδοση αυτή είναι υπό προετοιμασία Γιάννης Α. Αντωνιάδης, Αριστείδης Κοντογεώργης 9 Φεβρουαρίου 2015 2 Περιεχόμενα I ΑΡΙΘΜΟΘΕΩΡΙΑ ΤΩΝ ΡΗΤΩΝ ΑΡΙΘΜΩΝ 7 1 ΔΙΑΙΡΕΤΟΤΗΤΑ ΚΑΙ ΠΡΩΤΟΙ
Διαβάστε περισσότεραΣΥΝΟΛΑ (προσέξτε τα κοινά χαρακτηριστικά των παρακάτω προτάσεων) Οι άνθρωποι που σπουδάζουν ΤΠ&ΕΣ και βρίσκονται στην αίθουσα
ΣΥΝΟΛΑ (προσέξτε τα κοινά χαρακτηριστικά των παρακάτω προτάσεων) Οι άνθρωποι που σπουδάζουν ΤΠ&ΕΣ και βρίσκονται στην αίθουσα Τα βιβλία διακριτών μαθηματικών του Γ.Β. Η/Υ με επεξεργαστή Pentium και χωρητικότητα
Διαβάστε περισσότεραCSE.UOI : Μεταπτυχιακό Μάθημα
Θέματα Αλγορίθμων Αλγόριθμοι και Εφαρμογές στον Πραγματικό Κόσμο CSE.UOI : Μεταπτυχιακό Μάθημα 10η Ενότητα: Χρονικά Εξελισσόμενες ικτυακές Ροές Σπύρος Κοντογιάννης kntg@cse.ui.gr Τμήμα Μηχανικών Η/Υ &
Διαβάστε περισσότεραPointers. Σημερινό Μάθημα! Χρήση pointer Τελεστής * Τελεστής & Γενικοί δείκτες Ανάκληση Δέσμευση μνήμης new / delete Pointer σε αντικείμενο 2
Pointers 1 Σημερινό Μάθημα! Χρήση pointer Τελεστής * Τελεστής & Γενικοί δείκτες Ανάκληση Δέσμευση μνήμης new / delete Pointer σε αντικείμενο 2 1 Μνήμη μεταβλητών Κάθε μεταβλητή έχει διεύθυνση Δεν χρειάζεται
Διαβάστε περισσότερα21/11/2005 Διακριτά Μαθηματικά. Γραφήματα ΒΑΣΙΚΗ ΟΡΟΛΟΓΙΑ : ΜΟΝΟΠΑΤΙΑ ΚΑΙ ΚΥΚΛΟΙ Δ Ι. Γεώργιος Βούρος Πανεπιστήμιο Αιγαίου
Γραφήματα ΒΑΣΙΚΗ ΟΡΟΛΟΓΙΑ : ΜΟΝΟΠΑΤΙΑ ΚΑΙ ΚΥΚΛΟΙ A Ε B Ζ Η Γ K Θ Δ Ι Ορισμός Ένα (μη κατευθυνόμενο) γράφημα (non directed graph) Γ, είναι μία δυάδα από σύνολα Ε και V και συμβολίζεται με Γ=(Ε,V). Το σύνολο
Διαβάστε περισσότεραΣΤΟ ΦΑΡΜΑΚΕΙΟ. Με την πιστοποίηση του έχει πρόσβαση στο περιβάλλον του φαρμακείου που παρέχει η εφαρμογή.
ΣΤΟ ΦΑΡΜΑΚΕΙΟ Ο ασθενής έχοντας μαζί του το βιβλιάριο υγείας του και την τυπωμένη συνταγή από τον ιατρό, η οποία αναγράφει τον μοναδικό κωδικό της, πάει στο φαρμακείο. Το φαρμακείο αφού ταυτοποιήσει το
Διαβάστε περισσότεραΣΧΟΛΙΚΟ ΕΤΟΣ ΕΥΘΥΓΡΑΜΜΗ ΟΜΑΛΗ ΚΙΝΗΣΗ ΤΡΙΩΡΗ ΓΡΑΠΤΗ ΕΞΕΤΑΣΗ ΣΤΗ ΦΥΣΙΚΗ A ΛΥΚΕΙΟΥ. Ονοματεπώνυμο Τμήμα
Σελίδα 1 ΣΧΟΛΙΚΟ ΕΤΟΣ 2014 2015 ΕΥΘΥΓΡΑΜΜΗ ΟΜΑΛΗ ΚΙΝΗΣΗ ΤΡΙΩΡΗ ΓΡΑΠΤΗ ΕΞΕΤΑΣΗ ΣΤΗ ΦΥΣΙΚΗ A ΛΥΚΕΙΟΥ Ονοματεπώνυμο Τμήμα ΘΕΜΑ Α Οδηγία: Να γράψετε στην κόλλα σας τον αριθμό καθεμιάς από τις παρακάτω ερωτήσεις
Διαβάστε περισσότεραΣυναρτήσεις. Σημερινό μάθημα
Συναρτήσεις Σημερινό μάθημα C++ Συναρτήσεις Δήλωση συνάρτησης Σύνταξη συνάρτησης Πρότυπο συνάρτησης & συνάρτηση Αλληλο καλούμενες συναρτήσεις συναρτήσεις μαθηματικών Παράμετροι συναρτήσεων Τοπικές μεταβλητές
Διαβάστε περισσότερα1. Εστω ότι A, B, C είναι γενικοί 2 2 πίνακες, δηλαδή, a 21 a, και ανάλογα για τους B, C. Υπολογίστε τους πίνακες (A B) C και A (B C) και
ΕΙΣΑΓΩΓΗ ΣΤΗ ΓΡΑΜΜΙΚΗ ΑΛΓΕΒΡΑ Ι Εαρινό Εξάμηνο 0 Ασκήσεις για προσωπική μελέτη Είναι απολύτως απαραίτητο να μπορείτε να τις λύνετε, τουλάχιστον τις υπολογιστικές! Εστω ότι A, B, C είναι γενικοί πίνακες,
Διαβάστε περισσότεραΜΑΘΗΜΑ: ΕΜΠΟΡΙΚΟ ΔΙΚΑΙΟ
ΜΑΘΗΜΑ: ΕΜΠΟΡΙΚΟ ΔΙΚΑΙΟ Tα Πανεπιστημιακά Φροντιστήρια «ΚΟΛΛΙΝΤΖΑ» προετοιμάζοντας σε ολιγομελείς ομίλους τους υποψήφιους για τον επικείμενο διαγωνισμό του Υπουργείου Οικονομικών, με κορυφαίο επιτελείο
Διαβάστε περισσότερα17 Μαρτίου 2013, Βόλος
Συνήθεις ιαφορικές Εξισώσεις 1ης Τάξης Σ Ε 1ης τάξης, Πεδία κατευθύνσεων, Υπαρξη και μοναδικότητα, ιαχωρίσιμες εξισώσεις, Ολοκληρωτικοί παράγοντες, Αντικαταστάσεις, Αυτόνομες εξισώσεις Μανόλης Βάβαλης
Διαβάστε περισσότεραΧαρτοφυλάκια και arbitrage
16 Χαρτοφυλάκια και arbitrage 16.1 Αγορές μετοχών Ποια είναι η χρήση και η σημασία των μετοχών μιας εταιρείας; Κατά τη σύστασή της ή σε άλλες στιγμές του χρόνου ύπαρξής της χρειάζεται να συγκεντρώσει κεφάλαιο
Διαβάστε περισσότεραΚεφάλαιο 1. Πίνακες και απαλοιφή Gauss
Κεφάλαιο 1 Πίνακες και απαλοιφή Gauss Γύρω απ το γινομένου πινάκων Κάτι σαν τυπολόγιο Αν AB = C, τότε: 1 (C) i j = (i-γραμμή A) ( j-στήλη B) Το συμβολίζει εσωτερικό γινόμενο 2 (i-γραμμή C) = k(a) ik (k-γραμμή
Διαβάστε περισσότεραΔ Ι Α Κ Ρ Ι Τ Α Μ Α Θ Η Μ Α Τ Ι Κ Α. 1η σειρά ασκήσεων
Δ Ι Α Κ Ρ Ι Τ Α Μ Α Θ Η Μ Α Τ Ι Κ Α 1η σειρά ασκήσεων Ονοματεπώνυμο: Αριθμός μητρώου: Ημερομηνία παράδοσης: Μέχρι την Τρίτη 2 Απριλίου 2019 Σημειώστε τις ασκήσεις για τις οποίες έχετε παραδώσει λύση: 1
Διαβάστε περισσότεραΗμέρα 3 η. (α) Aπό την εργασιακή διαδικασία στη διαδικασία παραγωγής (β) Αξία του προϊόντος και αξία της εργασιακής δύναμης
Ημέρα 3 η. (α) Aπό την εργασιακή διαδικασία στη διαδικασία παραγωγής (β) Αξία του προϊόντος και αξία της εργασιακής δύναμης Η εργασιακή διαδικασία και τα στοιχεία της. Η κοινωνική επικύρωση των ιδιωτικών
Διαβάστε περισσότεραΑΠΟΛΥΤΗΡΙΕΣ ΕΞΕΤΑΣΕΙΣ Γ ΤΑΞΗΣ ΗΜΕΡΗΣΙΟΥ ΓΕΝΙΚΟΥ ΛΥΚΕΙΟΥ ΕΞΕΤΑΖΟΜΕΝΟ ΜΑΘΗΜΑ: ΑΡΧΕΣ ΟΙΚΟΝΟΜΙΚΗΣ ΘΕΩΡΙΑΣ ΜΑΘΗΜΑ ΕΠΙΛΟΓΗΣ Γ ΛΥΚΕΙΟΥ
ΑΠΟΛΥΤΗΡΙΕΣ ΕΞΕΤΑΣΕΙΣ Γ ΤΑΞΗΣ ΗΜΕΡΗΣΙΟΥ ΓΕΝΙΚΟΥ ΛΥΚΕΙΟΥ ΕΞΕΤΑΖΟΜΕΝΟ ΜΑΘΗΜΑ: ΑΡΧΕΣ ΟΙΚΟΝΟΜΙΚΗΣ ΘΕΩΡΙΑΣ ΜΑΘΗΜΑ ΕΠΙΛΟΓΗΣ Γ ΛΥΚΕΙΟΥ ΗΜΕΡΟΜΗΝΙΑ: ΕΠΩΝΥΜΟ: ΟΝΟΜΑ: ΟΜΑΔΑ Α Για τις προτάσεις Α1 μέχρι και Α6 να
Διαβάστε περισσότεραΠανεπιστήμιο Πειραιώς. Πρόγραμμα Μεταπτυχιακών Σπουδών Αναλογιστική Επιστήμη και Διοικητική Κινδύνου
Πανεπιστήμιο Πειραιώς Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης Πρόγραμμα Μεταπτυχιακών Σπουδών Αναλογιστική Επιστήμη και Διοικητική Κινδύνου Παραμετρικά Μοντέλα Επιβίωσης που προκύπτουν από μεταβολές
Διαβάστε περισσότεραΙσοπεριμετρικές ανισότητες για το
Ισοπεριμετρικές ανισότητες για το μέτρο του Gauss Διπλωματική Εργασία Μαρία Μαστροθεοδώρου Τμήμα Μαθηματικών Πανεπιστήμιο Αθηνών Αθήνα 018 Περιεχόμενα 1 Εισαγωγή 1 1.1 Το ισοπεριμετρικό πρόβλημα................................
Διαβάστε περισσότεραΣυντάκτης: Παναγιώτης Βεργούρος, Οικονομολόγος Συγγραφέας βιβλίων, Μικρο μακροοικονομίας διαγωνισμών ΑΣΕΠ
Tα Πανεπιστημιακά Φροντιστήρια «ΚΟΛΛΙΝΤΖΑ» προετοιμάζοντας σε ολιγομελείς ομίλους τους υποψήφιους για τον επικείμενο διαγωνισμό του Υ- πουργείου Οικονομικών και στοχεύοντας στην όσο το δυνατό πληρέστερη
Διαβάστε περισσότεραΕπίλυση δικτύων διανομής
ΑστικάΥδραυλικάΈργα Υδρεύσεις Επίλυση δικτύων διανομής Δημήτρης Κουτσογιάννης & Ανδρέας Ευστρατιάδης Τομέας Υδατικών Πόρων Εθνικό Μετσόβιο Πολυτεχνείο Διατύπωση του προβλήματος Δεδομένου ενός δικτύου αγωγών
Διαβάστε περισσότεραΓενικό Λύκειο Μαραθοκάμπου Σάμου. Άλγεβρα Β λυκείου. 13 Οκτώβρη 2016
Γενικό Λύκειο Μαραθοκάμπου Σάμου Άλγεβρα Β λυκείου Εργασία2 η : «Συναρτήσεις» 13 Οκτώβρη 2016 Ερωτήσεις Θεωρίας 1.Πότελέμεότιμιασυνάρτησηfείναιγνησίωςάυξουσασεέναδιάστημα του πεδίου ορισμού της; 2.Πότελέμεότιμιασυνάρτησηfείναιγνησίωςφθίνουσασεέναδιάστημα
Διαβάστε περισσότεραΠροτεινόμενα θέματα στο μάθημα. Αρχές Οικονομικής Θεωρίας ΟΜΑΔΑ Α. Στις προτάσεις από Α.1. μέχρι και Α10 να γράψετε στο τετράδιό σας τον αριθμό της
Προτεινόμενα θέματα στο μάθημα Αρχές Οικονομικής Θεωρίας ΟΜΑΔΑ Α Στις προτάσεις από Α.1. μέχρι και Α10 να γράψετε στο τετράδιό σας τον αριθμό της καθεμιάς και δίπλα σε κάθε αριθμό την ένδειξη Σωστό, αν
Διαβάστε περισσότερα( ιμερείς) ΙΜΕΛΕΙΣ ΣΧΕΣΕΙΣ Α Β «απεικονίσεις»
( ιμερείς) ΙΜΕΛΕΙΣ ΣΧΕΣΕΙΣ Α Β «πεικονίσεις» 1. ΣΧΕΣΕΙΣ: το σκεπτικό κι ο ορισμός. Τ σύνολ νπριστούν ιδιότητες μεμονωμένων στοιχείων: δεδομένου συνόλου S, κι ενός στοιχείου σ, είνι δυντόν είτε σ S είτε
Διαβάστε περισσότεραΑΣΕΠ 2000 ΑΣΕΠ 2000 Εμπορική Τράπεζα 1983 Υπουργείο Κοιν. Υπηρ. 1983
20 Φεβρουαρίου 2010 ΑΣΕΠ 2000 1. Η δεξαμενή βενζίνης ενός πρατηρίου υγρών καυσίμων είναι γεμάτη κατά τα 8/9. Κατά τη διάρκεια μιας εβδομάδας το πρατήριο διέθεσε τα 3/4 της βενζίνης αυτής και έμειναν 4000
Διαβάστε περισσότεραΠΡΟΛΟΓΟΣ. Αθήνα, 12 Απριλίου 2016.
Αλγεβρική Γεωμετρία ΠΕΡΙΕΧΟΜΕΝΑ Πρόλογος Κεφάλαιο 1. Αλγεβρικές ποικιλότητες 1 1. Αλγεβρικά Σύνολα 1 2. Το Θεώρημα Ριζών του Hilbert 7 3. Συγγενείς Αλγεβρικές Ποικιλότητες 14 4. Πολλαπλότητα και Πολλαπλότητα
Διαβάστε περισσότεραΒελτίωση Εικόνας. Σήμερα!
Βελτίωση Εικόνας Σήμερα! Υποβάθμιση εικόνας Τεχνικές Βελτίωσης Restoration (Αποκατάσταση) Τροποποίηση ιστογράμματος Ολίσθηση ιστογράμματος Διάταση (stretching) Ισοστάθμιση του ιστογράμματος (histogram
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ. Εαρινό Εξάμηνο
ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΕΠΛ231: Δομές Δεδομένων και Αλγόριθμοι Εαρινό Εξάμηνο 2017-2018 Φροντιστήριο 3 1. Εστω η στοίβα S και ο παρακάτω αλγόριθμος επεξεργασίας της. Να καταγράψετε την κατάσταση
Διαβάστε περισσότεραόπου ω j η κλάση j και x το διάνυσμα χαρακτηριστικών Ένας τυπικός κανόνας απόφασης είναι να επιλέγουμε την κλάση με τη μέγιστη P[ω j x]
Bayes Classifiers Θεώρημα Bayes Tο θώ θεώρημα Bayes εκφράζεται ως: όπου ω j η κλάση j και x το διάνυσμα χαρακτηριστικών Ένας τυπικός κανόνας απόφασης είναι να επιλέγουμε την κλάση με τη μέγιστη P[ω j x]
Διαβάστε περισσότεραΕισαγωγή στις Διακριτές Πιθανότηες. Οικονομικό Πανεπιστήμιο Αθηνών
Εισαγωγή στις Διακριτές Πιθανότηες Μιχάλης Ζαζάνης Τμήμα Στατιστικής Οικονομικό Πανεπιστήμιο Αθηνών 27 Δεκεμβρίου 2010 2 Κεφάλαιο 1 Συνδιαστική Ανάλυση και Μαθηματικές Τεχνικές Η απαρίθμηση των στοιχείων
Διαβάστε περισσότεραΤο Θεώρημα Μοναδικότητας των Stone και von Neumann
Κ Ε Το Θεώρημα Μοναδικότητας των Stone και von Neumann Διπλωματική Εργασία Ειδίκευσης στα Θεωρητικά Μαθηματικά Πανεπιστήμιο Αθηνών Τμήμα Μαθηματικών Αθήνα 2011 Αφιερώνεται στην οικογένεια μου ii Περίληψη
Διαβάστε περισσότεραΑλγόριθμοι & Βελτιστοποίηση
Αλγόριθμοι & Βελτιστοποίηση ΠΜΣ/ΕΤΥ: Μεταπτυχιακό Μάθημα 8η Ενότητα: Γραμμικός Προγραμματισμός ως Υπορουτίνα για Επίλυση Προβλημάτων Χρήστος Ζαρολιάγκης (zaro@ceid.upatras.gr) Σπύρος Κοντογιάννης (kontog@cs.uoi.gr)
Διαβάστε περισσότεραΤο υπόδειγμα IS-LM: Εισαγωγικά
1/35 Το υπόδειγμα IS-LM: Εισαγωγικά Νίκος Γιαννακόπουλος Επίκουρος Καθηγητής Τμήμα Οικονομικών Επιστημών Πανεπιστήμιο Πατρών Ακαδημαϊκό Ετος 2014-2015 Εαρινό Εξάμηνο Τι γνωρίζουμε; 2/35 Αγορά αγαθών και
Διαβάστε περισσότεραΔιανυσματικές Συναρτήσεις
Κεφάλαιο 5 Διανυσματικές Συναρτήσεις 51 Διανυσματατικές συναρτήσεις Μια συνάρτηση με τιμές στοr n, n>1 λέγεται διανυσματική συνάρτηση Τις διανυσματικές συναρτήσεις ϑα τις συμβολίζουμε με παχειά γράμματα,
Διαβάστε περισσότεραΣυναρτήσεις & Κλάσεις
Συναρτήσεις & Κλάσεις Overloading class member συναρτήσεις/1 #include typedef unsigned short int USHORT; enum BOOL { FALSE, TRUE}; class Rectangle { public: Rectangle(USHORT width, USHORT
Διαβάστε περισσότερα