Εισαγωγή Ορισμός Frequency moments
|
|
- Ίσις Δουμπιώτης
- 7 χρόνια πριν
- Προβολές:
Transcript
1 The space complexity of approximating the frequency moments Κωστόπουλος Δημήτριος Μπλα Advanced Data Structures June 2007
2 Εισαγωγή Ορισμός Frequency moments Έστω ακολουθία Α = {a 1,a 2,...,a m ) με κάθε a i να ανήκει στο Ν = {1,2,...,n}. Έστω m l το πλήθος των εμφανίσεων του αριθμού l στην ακολουθία Α, m l = { j : a j = l } Ορίζουμε F = Σ i=1n m i. - Frequency moments F 0 = Σ i=1n m i0. Το πλήθος των διαφορετικών στοιχείων της ακολουθίας. F 1 = Σ i=1n m i. Το μήκος της ακολουθίας. Ορίζουμε m = F 1. F 2 = Σ i=1n m i2.
3 Εισαγωγή Τα πιο σημαντικά Frequency moments F = Σ i=1n m i. F 0 = Σ i=1n m i0. Το πλήθος των διαφορετικών στοιχείων της ακολουθίας. F 1 = Σ i=1n m i. Το μήκος της ακολουθίας. Ορίζουμε m = F 1. F 2 = Σ i=1n m i2. F OO * = max {m i, 1<= i <= n} Τα frequency moments βοηθούν στη στατιστική ανάλυση των ακολουθιών.
4 Εισαγωγή Μπορούμε να υπολογίσουμε τα frequency moments εύκολα και γρήγορα απλά κρατώντας ένα μετρητή m l για κάθε αριθμό l. Όμως αυτό απαιτεί χώρο Ω(nlogm), όπου n θυμίζουμε ο μεγαλύτερος αριθμός που μπορεί να εμφανιστεί στην ακολουθία. Θέλουμε πολύ λιγότερο χώρο.
5 Εισαγωγή Πάνω φράγμα Τα F προσεγγίζονται με τυχαίο τρόπο χρησιμοποιώντας το πολύ O(n 1-1/ logn) bits, > 0. Για = 1 : O(logn) bits Για = 2 : O(n 1/2 logn) bits
6 Εισαγωγή Κάτω φράγμα Τα F προσεγγίζονται με τυχαίο τρόπο χρησιμοποιώντας τουλάχιστον Ω(n 1-5/ ) bits, > 0. Για < 5 : Ω(n -something ) bits bits Για = 5 : Ω(1) bits Για > 6 : Ω(n 1 - something ) bits. Άρα για > 6 τα πράγματα δεν είναι και τόσο καλά! Για = OO : Ω(n) bits!, για το F OO*.
7 Κάτω φράγμα - Θεώρημα Θεώρημα Έστω ακολουθία Α = (a 1,...,a m ) με πεδίο τιμών το {1,...,n}. Για κάθε >= 1 και κάθε λ > 0 και κάθε ε > 0 υπάρχει ένα πιθανοτικός αλγόριθμος που με ένα πέρασμα υπολογίζει το F. Αυτός ο αλγόριθμος αποκλίνει από το F πιο πολύ από λf με πιθανότητα το πολύ ε. Ο χώρος που χρησιμοποιεί ο αλγόριθμος είναι : O( log(1/ε) n 1-1/ (logn+logm) / λ 2 )
8 Απόδειξη (σχεδόν ίδια με του paper αλλά κάπως πιο ποιοτικά...) Θέλουμε να προσεγγίσουμε όσο πιο πολύ γίνεται το F και με όσο μεγαλύτερη πιθανότητα μπορούμε. Γενικά, σε τέτοια προβλήματα μία τακτική είναι να μαντέψουμε t τυχαίες μεταβλητές τέτοια που E(X j ) να είναι η τιμή που θέλουμε να προσεγγίσουμε, j = 1,...,t. Μετά ορίζουμε s Υ i τυχαίες μεταβλητές σαν τον μέσο όρο των X j, i = 1,...,s Ο μεσαίος των Υ i είναι η προσέγγιση της τιμής μας.
9 Ξέρουμε, F = Σ i=1n m i. Επίσης από πιθανότητες, για μια τυχαία διακριτή μεταβλητή : Ε(Χ) = Σ x x Pr{X=x}. Οπότε μπορούμε να πάρουμε για Χ = n m i και να πάρουμε το επιθυμητό αποτέλεσμα. Ε(Χ) = Σ x x Pr{X=x} = Σ i=1n n m i (1/n). Αυτό όμως δε δουλεύει γιατί έχουμε το i να εξαρτάται από το i!!!
10 Για να διώξουμε το n, πρέπει να πάρουμε κάτι παρόμοιο αλλά με διαφορετικό πλήθος μεταβλητών. Αναλύοντας το F έχουμε : F = Σ i=1n m i = m 1 + m m n., n προσθετέοι. Ας δοκιμάσουμε να τους κάνουμε m (υπενθύμιση m = το μήκος της ακολουθίας).
11 Αλλά, m 1 + m m n = m. To m είναι και αυτό μεταβλητό, :-(. Αλλά μπορούμε να το θεωρήσουμε σταθερό, ότι και καλά το ξέρουμε από πριν. Θα δείξουμε παρακάτω ότι και σταθερό να μην είναι κλάιν μάιν. F = Σ i=1n m i = m m m n
12 F = Σ i=1n m i = m m m n F = (m 1-1) - (m 1-1) + m (m 2-1) - (m 2-1) + m (m n - 1) - (m n - 1) + m n +
13 F = (m 1-1) - (m 1-1) + m (m 2-1) - (m 2-1) + m (m n - 1) - (m n - 1) + m n F = (1 0 ) + (2 1 ) + (3-2 )... + (m 1 - (m 1-1) ) + (1 0 ) + (2 1 ) + (3-2 )... + (m 2 - (m 2-1) ) (1 0 ) + (2 1 ) + (3-2 )... + (m n - (m n - 1) )
14 Τώρα, αρκεί να ορίσουμε σαν Χ = m (r (r 1) ). Τι μπορεί όμως να συμβολίζει αυτή η νέα μεταβλητή r; Θέλουμε το r να έχει m διαφορετικές τιμές. Τι έχει m διαφορετικές τιμές; Το μήκος της ακολουθίας καθώς την εξετάζουμε. Εάν ορίσουμε σαν r να είναι το r-οστό στοιχείο της ακολουθίας τότε το r θα παίρνει τιμές από το 1 έως το m και Ε(Χ) = Σ x x Pr{X=x} = m. ΛΑΘΟΣ Θέλουμε να μπορούμε να διαχωρίσουμε ποιοτικά το κάθε στοιχείο της ακολουθίας, καθώς δεν ενδιαφερόμαστε πραγματικά για τη θέση του στην ακολουθία αλλά για τον αριθμό επανεμφάνισής του.
15 Οπότε θέλουμε το r να συμβολίζει ακριβώς το εάν συναντήσουμε έναν αριθμό l, να ξέρουμε ποια r-οστή φορά μπορεί να είναι αυτή που τον συναντάμε. Ορίζουμε, r = { q : q >= p, a q = l = a p } Το r συμβολίζει τον αριθμό των εμφανίσεων του a p = l μετά τις πρώτες p πρώτες θέσεις της ακολουθίας. (Αυτό το μετά τις πρώτες p πρώτες θέσεις της ακολουθίας θα χρησιμοποιήσουμε αργότερα για να δείξουμε ότι δε μας πειράζει εάν δε γνωρίζουμε από πριν το μήκος της ακολουθίας).
16 Τι έχουμε καταφέρει μέχρι στιγμής; Τίποτα! Το καλό είναι ότι έως τώρα χρησιμοποιούμε χώρο το πολύ logn + logm. Logn για να κρατάμε το a p =l και logm για να κρατάμε τον αριθμό των εμφανίσεων του l.
17 Ανισότητα Chebyshev Δοθείσης μίας τυχαίας μεταβλητής Χ τότε για a > 0, Pr { X-E(X) >= a } <= σ 2 /α 2,σ = Ε( X-E(X) 2 ),όπου σ 2 είναι η διασπορά της τυχαίας μεταβλητής Χ (Var(X) variance of X).
18 Έστω Y i o μέσος όρος των μεταβλητών Χ, με i = 1... s. Pr { Y i F > λf } = Pr { Y i E(X) > λf }, F = E(X) = Pr { Y i E(Y i ) > λf }, E(X) = E(Y i ) <= Var(Y i ) / (λ 2 F 2 ), ανισότητα του Chebyshev = Var(X) / (t λ 2 F 2 ), Var(Y i ) = Var(X) / t <= E(X 2 ) / (t λ 2 F 2 ), Var(X) = E(X 2 ) - E(X) 2 <= F 1 F 2-1 / (t λ 2 F 2 ), θέλει απόδειξη στον πίνακα. <= n 1-1/ F 2 / (t λ 2 F 2 ), θέλει απόδειξη στον πίνακα. <= n 1-1/ / (t λ 2 )
19 Οπότε, Pr { Y i F > λf } <= n 1-1/ / (t λ 2 ) Chernoff Bound : 'Εστω, X 1,...,X m ανεξάρτητες δοκιμές Bernoulli έτσι ώστε : Pr[X i =1] = p, Pr[X i =0] = 1 - p. Έστω Χ = ΣiXi και E(X) = mp. Τότε για κάθε ε > 0 : Pr( X-E(X) >=E(X)ε) <= 2 e -E(X)ε ε / 2 Αποδεικνύεται, ότι εάν πάρουμε, για s = 2 log(1/ε) και t = 8 n 1-1/ / λ 2, τότε από το Chernoff η πιθανότητα περισσότερες από s/2 μεταβλητές Y i να αποκλίνουν περισσότερο από λf από το F είναι το πολύ ε.
20 Τι κάνουμε εάν δεν ξέρουμε το μήκος της ακολουθίας m από πριν; (σχεδόν πάντα συμβαίνει αυτό...) Τότε ξεκινάμε με m = 1 καθώς διαβάζουμε την ακολουθία και διαλέγουμε σαν l = a p το a 1. Κάνουμε το r = 1, καθώς το a 1 είναι το μοναδικό στοιχείο στην ακολουθία. Μετά με m = 2 βάζουμε για a p το a 2 με πιθανότητα ½ και κάνουμε τους υπολογισμούς. Γενικότερα σε κάθε βήμα m αντικαθιστάμε το a p με το a m με πιθανότητα 1/m. Αν γίνει η αντικατάσταση κάνουμε το r = 1. Εάν δε γίνει, κοιτάμε εάν το a m =a p και αυξάνουμε το r κατά 1, αλλιώς αφήνουμε το r έως έχει.
21 Στην εισαγωγή όμως είπαμε ότι τα F προσεγγίζονται με τυχαίο τρόπο χρησιμοποιώντας το πολύ O(n 1-1/ logn) bits, > 0. Εάν m >= Ο(n), τότε έχει αποδειχθεί ότι ο χώρος που χρειάζεται είναι : Ο( log(1/ε) n 1-1/ (logn+loglogm+log(1/λ)) / λ 2 )
22 Κάτω φράγμα - F 2 O( log(1/ε) (logn+logm) / λ 2 ) Έστω ακολουθία Α = (a 1,...,a m ) με πεδίο τιμών το {1,...,n}. Για κάθε λ > 0 και κάθε ε > 0 υπάρχει ένα πιθανοτικός αλγόριθμος που με ένα πέρασμα υπολογίζει το F 2. Αυτός ο αλγόριθμος αποκλίνει από το F 2 το πολύ από λf 2 με πιθανότητα το πολύ ε. Ο χώρος που χρησιμοποιεί ο αλγόριθμος είναι : O( log(1/ε) (logn+logm) / λ 2 )
23 Κάτω φράγμα - F 0 O( logn) Έστω ακολουθία Α = (a 1,...,a m ) με πεδίο τιμών το {1,...,n}. Για κάθε c>2 υπάρχει ένα πιθανοτικός αλγόριθμος που με ένα πέρασμα υπολογίζει το F 0. Η πιθανότητα ο λόγος μεταξύ Y (Υ=ο υπολογισμός του αλγορίθμου) και F να μην είναι μεταξύ 1/c και c είναι το πολύ 2/c. Ο χώρος που χρησιμοποιεί ο αλγόριθμος είναι : O( logn)
24 Άνω φράγμα - F ΟΟ * Ω(n) Έστω ακολουθία Α = (a 1,...,a m ) με πεδίο τιμών το {1,...,n} και το μήκος m να είναι το πολύ 2n. Για κάθε ε < ½ και κάθε πιθανοτικό αλγόριθμο που με ένα * * πέρασμα υπολογίζει το F ΟΟ και αποκλίνει από το F ΟΟ πιο πολύ από F ΟΟ* /3 με πιθανότητα το πολύ ε : ο χώρος που χρησιμοποιεί ο αλγόριθμος είναι : Ω(n).
25 Άνω φράγμα - F κ Ω(n 1-5/ ) Έστω ακολουθία Α = (a 1,...,a m ) με πεδίο τιμών το {1,...,n}. Για κάθε > 5 και γ < ½ και κάθε πιθανοτικό αλγόριθμο με Pr { Ζ -F > 0.1 F } < γ (Z η έξοδος του αλγορίθμου): ο χώρος που χρησιμοποιεί ο αλγόριθμος είναι : Ω(n 1-5/ ).
Πιθανότητες και Αρχές Στατιστικής (5η Διάλεξη) Σωτήρης Νικολετσέας, καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Πανεπιστήμιο Πατρών Ακαδημαϊκό Ετος
Πιθανότητες και Αρχές Στατιστικής (5η Διάλεξη) Σωτήρης Νικολετσέας, καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Πανεπιστήμιο Πατρών Ακαδημαϊκό Ετος 2018-2019 Σωτήρης Νικολετσέας, καθηγητής 1 / 30 Περιεχόμενα
Διαβάστε περισσότεραΠεριεχόμενα 5ης Διάλεξης 1 Ανισότητα Markov 2 Διασπορά 3 Συνδιασπορά 4 Ανισότητα Chebyshev 5 Παραδείγματα Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 5
5ο Μάθημα Πιθανότητες Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Πανεπιστήμιο Πατρών Ακαδημαϊκό Ετος 2016-2017 Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 5ο Μάθημα Πιθανότητες
Διαβάστε περισσότεραΤυχαίοι γράφοι Η διάμετρος του G(n, 2 ln n/n) Ioannis Giotis
Τυχαίοι γράφοι Η διάμετρος του G(n, 2 ln n/n) Ioannis Giotis Θεώρημα για σφαίρες Θα δείξουμε ότι το γράφημα G(n, 2 ln n n 1 ) έχει μικρή διάμετρο Θα ξεκινήσουμε με ένα θεώρημα για το μέγεθος μιας σφαίρας
Διαβάστε περισσότεραΜαθηματικά Πληροφορικής Πιθανοτικά Εργαλεία. Υποπροσθετικότητα. Η Πιθανοτική Μέθοδος (The Probabilistic Method)
Μαθηματικά Πληροφορικής Πιθανοτικά Εργαλεία Δύο βασικά εργαλεία από τη Θεωρία Πιθανοτήτων. 1 Υποπροσθετικότητα (Union Bound). 2 Γραμμικότητα Αναμενόμενης Τιμής (Linearity of Expectation). Τμήμα Πληροφορικής
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 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 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 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 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 περισσότεραY = X 1 + X X N = X i. i=1
Κεφάλαιο 7 Διακριτές κατανομές Στο προηγούμενο κεφάλαιο είδαμε πως η έννοια της τυχαίας μεταβλητής Τ.Μ., δηλαδή μιας τυχαίας ποσότητας X που προσδιορίζεται από το σύνολο τιμών της S και την πυκνότητά της
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 περισσότεραx P (x) c P (x) = c P (x), x S : x c
Κεφάλαιο 9 Ανισότητες, από κοινού κατανομή, Νόμος των Μεγάλων Αριθμών 9.1 Ανισότητες Markov και Chebychev Ξεκινάμε αυτό το κεφάλαιο με δύο σημαντικά αποτελέσματα τα οποία, πέραν της μεγάλης χρησιμότητάς
Διαβάστε περισσότεραP (A) + P (B), [Α,Β: ξένα µεταξύ τους] P (C A B) [P (A) + P (B)] P (C A) P (A) P (B) 3 4 ( ) 1 7 = 3 7 =
Πανεπιστήµιο Κρήτης - Τµήµα Επιστήµης Υπολογιστών ΗΥ-217 - Θεωρία Πιθανοτήτων ιδάσκων : Π. Τσακαλίδης Λύσεις Προόδου- 22 Νοεµβρίου 2014 Θέµα 1 - (15 µονάδες) Εχουµε ότι : P (C A B) P (C (A B)) P (CA CB)
Διαβάστε περισσότεραΗ διακριτή συνάρτηση μάζας πιθανότητας δίνεται από την
Η ΔΙΩΝΥΜΙΚΗ ΚΑΤΑΝΟΜΗ Ενδιαφερόμαστε για την απλούστερη μορφή πειραματικής διαδικασίας, όπου η έκβαση των αποτελεσμάτων χαρακτηρίζεται μόνο ως "επιτυχής" ή "ανεπιτυχής" (δοκιμές Beroulli). Ορίζουμε λοιπόν
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 περισσότερα2πσ 2 e (x µ)2 /2σ 2 dx = 1. (13.1) e x2 dx. e y2 dy, I = 2. e (y2 +z 2) dy dz.
Κεφάλαιο 3 Κ.Ο.Θ.: Λίγη θεωρία και αποδείξεις Σε αυτό το κεφάλαιο θα δούμε τέσσερις αποδείξεις αποτελεσμάτων που σχετίζονται με την κανονική κατανομή και το Κ.Ο.Θ., οι οποίες είναι αρκετά πιο απαιτητικές,
Διαβάστε περισσότεραΘεωρία Πιθανοτήτων, εαρινό εξάμηνο Λύσεις του πέμπτου φυλλαδίου ασκήσεων.. Δηλαδή:
Θεωρία Πιθανοτήτων, εαρινό εξάμηνο 2017-18 Λύσεις του πέμπτου φυλλαδίου ασκήσεων 1 Σε ένα πρόβλημα πολλαπλής επιλογής προτείνονται n απαντήσεις από τις οποίες μόνο μία είναι σωστή Αν η σωστή απάντηση κερδίζει
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
7ο Μάθημα Πιθανότητες Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Πανεπιστήμιο Πατρών Ακαδημαϊκό Ετος 2016-2017 Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 7ο Μάθημα Πιθανότητες
Διαβάστε περισσότεραΠίνακες Διασποράς. Χρησιμοποιούμε ένα πίνακα διασποράς T και μια συνάρτηση διασποράς h. Ένα στοιχείο με κλειδί k αποθηκεύεται στη θέση
Πίνακες Διασποράς Χρησιμοποιούμε ένα πίνακα διασποράς T και μια συνάρτηση διασποράς h Ένα στοιχείο με κλειδί k αποθηκεύεται στη θέση κλειδί k T 0 1 2 3 4 5 6 7 U : χώρος πιθανών κλειδιών Τ : πίνακας μεγέθους
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΟΧΑΣΤΙΚΑ ΜΟΝΤΕΛΑ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΟΧΑΣΤΙΚΑ ΜΟΝΤΕΛΑ Ακαδ. Έτος 06-07 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Λέκτορας v.outras@fme.aegean.gr Τηλ: 7035468 σ-άλγεβρα
Διαβάστε περισσότεραΘεωρία Πιθανοτήτων, εαρινό εξάμηνο Λύσεις του όγδοου φυλλαδίου ασκήσεων.
Θεωρία Πιθανοτήτων, εαρινό εξάμηνο 2017-. Λύσεις του όγδοου φυλλαδίου ασκήσεων. 1. Έστω F X, F Y οι συναρτήσεις κατανομής των τ.μ. X, Y και F X,Y η από κοινού συνάρτηση κατανομής τους. Αποδείξτε ότι (i)
Διαβάστε περισσότερα1η Σειρά Γραπτών Ασκήσεων
1/20 Ασυμπτωτικός Συμβολισμός, Αναδρομικές Σχέσεις 1η Σειρά Γραπτών Ασκήσεων Αλγόριθμοι και Πολυπλοκότητα ΣΗΜΜΥ, Εθνικό Μετσόβιο Πολυτεχνείο 1 Ασυμπτωτικός Συμβολισμός, Αναδρομικές Σχέσεις 2 3 4 5 2/20
Διαβάστε περισσότεραΟνοματεπώνυμο: Ερώτημα: Σύνολο Μονάδες: Βαθμός:
ΕΤΥ: Ανάλυση Απόδοσης Πληροφοριακών Συστημάτων Χειμερινό Εξάμηνο 2014-15 Τελική Εξέταση 28/02/15 Διάρκεια Εξέτασης: 3 Ώρες Ονοματεπώνυμο: Αριθμός Μητρώου: Υπογραφή: Ερώτημα: 1 2 3 4 5 6 Σύνολο Μονάδες:
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 περισσότεραΠεριεχόμενα 2ης Διάλεξης 1 Σύνοψη προηγούμενου μαθήματος 2 Αξιωματικός ορισμός και απαρίθμηση 3 Διατάξεις - Συνδυασμοί 4 Παραδείγματα υπολογισμού πιθα
Πιθανότητες και Αρχές Στατιστικής (2η Διάλεξη) Σωτήρης Νικολετσέας, καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Πανεπιστήμιο Πατρών Ακαδημαϊκό Ετος 2017-2018 Σωτήρης Νικολετσέας, καθηγητής 1 / 54 Περιεχόμενα
Διαβάστε περισσότεραFast broadcasting and gossiping in radio networks. Chrobak, Gasieniec, Rytter 2002.
Fast broadcasting and gossiping in radio networks. Chrobak, Gasieniec, Rytter 2002. ιδάσκων: Άρης Παγουρτζής Παρουσίαση: Νίκος Λεονάρδος nleon@cs.ntua.gr 1 Το μοντέλο 2 6 5 9 1 3 4 7 8 Broadcasting: Ένας
Διαβάστε περισσότερα200, δηλαδή : 1 p Y (y) = 0, αλλού
ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Τµήµα Επιστήµης Υπολογιστών HY-7: Πιθανότητες - Χειµερινό Εξάµηνο 05 ιδάσκων : Π. Τσακαλίδης Φροντιστήριο 6 ιακριτές Τυχαίες Μεταβλητές Επιµέλεια : Σοφία Σαββάκη Ασκηση. Η εταιρεία
Διαβάστε περισσότεραΤυχαιοκρατικοί Αλγόριθμοι
Πιθανότητες και Αλγόριθμοι Ανάλυση μέσης περίπτωσης Μελέτα τη συμπεριφορά ενός αλγορίθμου σε μια «μέση» είσοδο (ως προς κάποια κατανομή) Τυχαιοκρατικός αλγόριθμος Λαμβάνει τυχαίες αποφάσεις καθώς επεξεργάζεται
Διαβάστε περισσότεραΣχεδίαση & Ανάλυση Αλγορίθμων
Σχεδίαση & Ανάλυση Αλγορίθμων Ενότητα 3 Αλγόριθμοι Επιλογής Σταύρος Δ. Νικολόπουλος Τμήμα Μηχανικών Η/Υ & Πληροφορικής Πανεπιστήμιο Ιωαννίνων Webpage: www.cs.uoi.gr/~stavros Αλγόριθμοι Επιλογής Γνωρίζουμε
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας
Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Ανάκτηση Πληροφορίας Διδάσκων: Φοίβος Μυλωνάς fmylonas@ionio.gr Διάλεξη #06 Πιθανοτικό Μοντέλο 1 Άδεια χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης
Διαβάστε περισσότεραEukleÐdeiec emfuteôseic: ˆnw frˆgmata
EukleÐdeiec emfuteôseic: ˆnw frˆgmata Εστω f : X Y μια εμφύτευση του μετρικού χώρου (X, ρ) στο χώρο με νόρμα (Y, ). Η παραμόρφωση της f ορίζεται ως εξής: f(x) f(y) ρ(x, y) dist(f) = sup sup x y ρ(x, y)
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 περισσότερα2. Η πιθανότητα της αριθμήσιμης ένωσης ξένων μεταξύ τους ενδεχομένων είναι το άθροισμα των πιθανοτήτων των ενδεχομένων.
Ένα μέτρο πιθανότητας πάνω στο δειγματικός χώρο Ω, είναι μία συνάρτηση P ( ) που αντιστοιχεί σε υποσύνολα του Ω, έναν αριθμό στο [ 0, ], με τις εξής ιδιότητες: P ( Ω ) 2 Η πιθανότητα της αριθμήσιμης ένωσης
Διαβάστε περισσότεραFast broadcasting and gossiping in radio networks. Chrobak, Gasieniec, Rytter 2002.
Fast broadcasting and gossiping in radio networks. Chrobak, Gasieniec, Rytter 2002. ιδάσκων: Άρης Παγουρτζής Παρουσίαση: Νίκος Λεονάρδος nleon@cs.ntua.gr 1 Το μοντέλο 2 6 5 9 1 3 4 7 8 Broadcasting: Ένας
Διαβάστε περισσότεραΤ Ε Ι Ιονίων Νήσων Τμήμα Εφαρμογών Πληροφορικής στη Διοίκηση και την Οικονομία. Υπεύθυνος: Δρ. Κολιός Σταύρος
Τ Ε Ι Ιονίων Νήσων Τμήμα Εφαρμογών Πληροφορικής στη Διοίκηση και την Οικονομία Υπεύθυνος: Δρ. Κολιός Σταύρος Κατανομές Πιθανότητας Ως τυχαία μεταβλητή ορίζεται το σύνολο των τιμών ενός χαρακτηριστικού
Διαβάστε περισσότεραΣΤΑΤΙΣΤΙΚΗ ΠΙΘΑΝΟΤΗΤΕΣ
ΤΕΙ ΥΤΙΚΗΣ ΜΑΚΕ ΟΝΙΑΣ ΠΑΡΑΡΤΗΜΑ ΚΑΣΤΟΡΙΑΣ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ & ΤΕΧΝΟΛΟΓΙΑΣ Η/Υ ΣΤΑΤΙΣΤΙΚΗ ΠΙΘΑΝΟΤΗΤΕΣ 8 o ΜΑΘΗΜΑ Ι ΑΣΚΩΝ ΒΑΣΙΛΕΙΑ ΗΣ ΓΕΩΡΓΙΟΣ Email: gasil@math.auth.gr Ιστοσελίδα Μαθήματος: users.auth.gr/gasil
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 περισσότεραΣχεδίαση και Ανάλυση Αλγορίθμων
Σχεδίαση και Ανάλυση Αλγορίθμων Ενότητα 4.0 Επιλογή Αλγόριθμοι Επιλογής Select και Quick-Select Σταύρος Δ. Νικολόπουλος 2016-17 Τμήμα Μηχανικών Η/Υ & Πληροφορικής Πανεπιστήμιο Ιωαννίνων Webpage: www.cs.uoi.gr/~stavros
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 περισσότεραΣΤΑΤΙΣΤΙΚΗ ΠΙΘΑΝΟΤΗΤΕΣ
15/1/009 ΤΕΙ ΥΤΙΚΗΣ ΜΑΚΕ ΟΝΙΑΣ ΠΑΡΑΡΤΗΜΑ ΚΑΣΤΟΡΙΑΣ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ & ΤΕΧΝΟΛΟΓΙΑΣ Η/Υ ΣΤΑΤΙΣΤΙΚΗ ΠΙΘΑΝΟΤΗΤΕΣ 10 o ΜΑΘΗΜΑ Ι ΑΣΚΩΝ ΒΑΣΙΛΕΙΑ ΗΣ ΓΕΩΡΓΙΟΣ Email: gvasil@math.auth.gr Ιστοσελίδα Μαθήματος:
Διαβάστε περισσότεραΠιθανότητες και Αλγόριθμοι
Πιθανότητες και Αλγόριθμοι ημήτρης Φωτάκης Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Εθνικό Μετσόβιο Πολυτεχνείο Πιθανοτικοί Αλγόριθμοι Πιθανοτικός αλγόριθμος κάνει τυχαίες επιλογές και εξαρτά
Διαβάστε περισσότερα1 1 c c c c c c = 1 c = 1 28 P (Y < X) = P ((1, 2)) + P ((4, 1)) + P ((4, 3)) = 2 1/ / /28 = 18/28
ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Τµήµα Επιστήµης Υπολογιστών HY-17: Πιθανότητες -Χειµερινό Εξάµηνο 01 ιδάσκων : Π. Τσακαλίδης Λύσεις : Πέµπτη Σειρά Ασκήσεων Ηµεροµηνία Ανάθεσης : 14/11/01 Ηµεροµηνία Παράδοσης : 8/11/01
Διαβάστε περισσότεραΕθνικό Μετσόβιο Πολυτεχνείο
Εθνικό Μετσόβιο Πολυτεχνείο Σχολή Ηλεκτρολόγων Μηχανικών & Μηχανικών Υπολογιστών Στοιχεία Θεωρίας Αριθμών & Εφαρμογές στην Κρυπτογραφία PROJECT Συνοπτική Παρουσίαση του Κβαντικού Αλγόριθμου Παραγοντοποίησης
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 περισσότεραLearning k-modal distributions via testing
Μάθηση k-τροπικών κατανομών μέσω δοκιμών Learning k-modal distributions via testing Ιωσήφ Μουλίνος Εθνικό Μετσόβιο Πολυτεχνείο 8 Ιουνίου 2017 ΕΜΠ Μάθηση k-τροπικών κατανομών 8 Ιουνίου 2017 1 / 20 Επιβλεπόμενη
Διαβάστε περισσότερα17/10/2016. Στατιστική Ι. 3 η Διάλεξη
Στατιστική Ι 3 η Διάλεξη 1 2 Τυχαία μεταβλητή X στο δειγματικό χώρο Ω Μια πραγματική συνάρτηση που αντιστοιχίζει τα στοιχεία του δειγματικού χώρου Ω στο σύνολο των πραγματικών αριθμών τέτοια ώστε για κάθε
Διαβάστε περισσότεραΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΑΣΦΑΛΙΣΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ Π
ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΑΣΦΑΛΙΣΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ Π ι θ α ν ό τ η τ ε ς Ι Πειραιάς 2008 Πιθανότητες Ι-Μ. Κούτρας 2 Δοκιμές Bernoulli Ας θεωρήσουμε μία ακολουθία (σειρά) πειραμάτων στην οποία ισχύουν τα επόμενα
Διαβάστε περισσότεραΘεωρία Πληροφορίας. Διάλεξη 4: Διακριτή πηγή πληροφορίας χωρίς μνήμη. Δρ. Μιχάλης Παρασκευάς Επίκουρος Καθηγητής
Θεωρία Πληροφορίας Διάλεξη 4: Διακριτή πηγή πληροφορίας χωρίς μνήμη Δρ. Μιχάλης Παρασκευάς Επίκουρος Καθηγητής 1 Ατζέντα Διακριτή πηγή πληροφορίας χωρίς μνήμη Ποσότητα πληροφορίας της πηγής Κωδικοποίηση
Διαβάστε περισσότεραΑλγόριθμοι Ταξινόμησης Μέρος 4
Αλγόριθμοι Ταξινόμησης Μέρος 4 Μανόλης Κουμπαράκης Δομές Δεδομένων και Τεχνικές 1 Μέθοδοι Ταξινόμησης Βασισμένοι σε Συγκρίσεις Κλειδιών Οι αλγόριθμοι ταξινόμησης που είδαμε μέχρι τώρα αποφασίζουν πώς να
Διαβάστε περισσότεραΠιθανοτικοί Αλγόριθμοι
Πιθανοτικοί Αλγόριθμοι ιδάσκοντες: Σ. Ζάχος,. Φωτάκης Επιμέλεια διαφανειών:. Φωτάκης Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Εθνικό Μετσόβιο Πολυτεχνείο Πιθανοτικοί Αλγόριθμοι Πιθανοτικός
Διαβάστε περισσότεραΠιθανότητες και Αλγόριθμοι
Πιθανότητες και Αλγόριθμοι ημήτρης Φωτάκης Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Εθνικό Μετσόβιο Πολυτεχνείο Πιθανοτικοί Αλγόριθμοι Πιθανοτικός αλγόριθμος κάνει τυχαίες επιλογές και εξαρτά
Διαβάστε περισσότεραX i = Y = X 1 + X X N.
Κεφάλαιο 6 Διακριτές τυχαίες μεταβλητές Σε σύνθετα προβλήματα των πιθανοτήτων, όπως π.χ. σε προβλήματα ανάλυσης πολύπλοκων δικτύων ή στη στατιστική ανάλυση μεγάλων δεδομένων, η λεπτομερής, στοιχείο-προς-στοιχείο
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 περισσότεραΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΑΣΦΑΛΙΣΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ Π
ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΑΣΦΑΛΙΣΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ Π ι θ α ν ό τ η τ ε ς Ι Πειραιάς 2008 Πιθανότητες Ι-Μ. Κούτρας 2 Κατανομές χρόνου αναμονής (... μέχρι να συμβεί ηπρώτη επιτυχία) 3 Ας θεωρήσουμε μία ακολουθία
Διαβάστε περισσότεραΣημερινό μάθημα: Εκτιμήτριες συναρτήσεις και σημειακή εκτίμηση παραμέτρων Στατιστική συμπερασματολογία (ή εκτιμητική ): εξαγωγή συμπερασμάτων για το σ
10ο Μάθημα Πιθανότητες Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Πανεπιστήμιο Πατρών Ακαδημαϊκό Ετος 2016-2017 Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα
Διαβάστε περισσότεραΚεφάλαιο 9. Έλεγχοι υποθέσεων
Κεφάλαιο 9 Έλεγχοι υποθέσεων 9.1 Εισαγωγή Όταν παίρνουμε ένα ή περισσότερα τυχαία δείγμα από κανονικούς πληθυσμούς έχουμε τη δυνατότητα να υπολογίζουμε στατιστικά, όπως μέσους όρους, δειγματικές διασπορές
Διαβάστε περισσότεραΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ. Κεφάλαιο 7. Τυχαίες Μεταβλητές και Διακριτές Κατανομές Πιθανοτήτων
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΑΤΡΑΣ Εργαστήριο Λήψης Αποφάσεων & Επιχειρησιακού Προγραμματισμού Καθηγητής Ι. Μητρόπουλος ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ
Διαβάστε περισσότεραΤαξινόμηση. 1. Ταξινόμηση του Shell. Εισαγωγή στην Ανάλυση Αλγορίθμων Μάγια Σατρατζέμη
Ταξινόμηση. Ταξινόμηση του Shell Εισαγωγή στην Ανάλυση Αλγορίθμων Μάγια Σατρατζέμη Ταξινόμηση του Shell Η μέθοδος που προτάθηκε από τον Shell έχει βασικό χαρακτηριστικό ότι χρησιμοποιεί µία ακολουθία ακεραίων
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 περισσότεραΑΝΑΛΥΣΗ 1 ΕΙΚΟΣΤΟ ΠΡΩΤΟ ΜΑΘΗΜΑ, Μ. Παπαδημητράκης.
ΑΝΑΛΥΣΗ ΕΙΚΟΣΤΟ ΠΡΩΤΟ ΜΑΘΗΜΑ, --3 Μ. Παπαδημητράκης. Τώρα θα δούμε μια ακόμη εφαρμογή του Κριτηρίου του Ολοκληρώματος. Παράδειγμα. Γνωρίζουμε ότι η αρμονική σειρά αποκλίνει στο +, το οποίο φυσικά σημαίνει
Διαβάστε περισσότεραΔιακριτά Μαθηματικά ΙΙ Χρήστος Νομικός Τμήμα Μηχανικών Η/Υ και Πληροφορικής Πανεπιστήμιο Ιωαννίνων 2018 Χρήστος Νομικός ( Τμήμα Μηχανικών Η/Υ Διακριτά
Διακριτά Μαθηματικά ΙΙ Χρήστος Νομικός Τμήμα Μηχανικών Η/Υ και Πληροφορικής Πανεπιστήμιο Ιωαννίνων 2018 Χρήστος Νομικός ( Τμήμα Μηχανικών Η/Υ Διακριτά και Πληροφορικής Μαθηματικά Πανεπιστήμιο ΙΙ Ιωαννίνων
Διαβάστε περισσότεραΕισαγωγή Η Θεωρία Πιθανοτήτων παίζει μεγάλο ρόλο στη μοντελοποίηση και μελέτη συστημάτων των οποίων δεν μπορούμε να προβλέψουμε ή να παρατηρήσουμε την
Μαθηματικά Πληροφορικής 8ο Μάθημα Τμήμα Πληροφορικής και Τηλεπικοινωνιών Πανεπιστήμιο Αθηνών Εισαγωγή Η Θεωρία Πιθανοτήτων παίζει μεγάλο ρόλο στη μοντελοποίηση και μελέτη συστημάτων των οποίων δεν μπορούμε
Διαβάστε περισσότεραΜαθηµατική Επαγωγή. Ορέστης Τελέλης. Τµήµα Ψηφιακών Συστηµάτων, Πανεπιστήµιο Πειραιώς
Μαθηµατική Επαγωγή Ορέστης Τελέλης telelis@unipi.gr Τµήµα Ψηφιακών Συστηµάτων, Πανεπιστήµιο Πειραιώς Ο. Τελέλης Πανεπιστήµιο Πειραιώς Επαγωγή 1 / 17 Υπενθύµιση: Ακολουθίες Ακολουθία είναι συνάρτηση από
Διαβάστε περισσότεραΚεφάλαιο 5 Ανάλυση Αλγορίθμων
Κεφάλαιο 5 Ανάλυση Αλγορίθμων 5.1 Επίδοση αλγορίθμων Τα πρωταρχικά ερωτήματα που προκύπτουν είναι: 1. πώς υπολογίζεται ο χρόνος εκτέλεσης ενός αλγορίθμου; 2. πώς μπορούν να συγκριθούν μεταξύ τους οι διάφοροι
Διαβάστε περισσότεραΔιάλεξη 18: Πρόβλημα Βυζαντινών Στρατηγών. ΕΠΛ 432: Κατανεμημένοι Αλγόριθμοι
Διάλεξη 8: Πρόβλημα Βυζαντινών Στρατηγών ΕΠΛ 432: Κατανεμημένοι Αλγόριθμοι Ορισμός Προβλήματος Τι θα δούμε σήμερα Συνθήκες Συμφωνίας κάτω από Βυζαντινό Στρατηγό Πιθανοτικοί αλγόριθμοι επίλυσης Βυζαντινής
Διαβάστε περισσότεραΟρισµός. Εστω συναρτήσεις: f : N R και g : N R. η f(n) είναι fi( g(n) ) αν υπάρχουν σταθερές C 1, C 2 και n 0, τέτοιες ώστε:
Συµβολισµός Ω( ) Τάξη των Συναρτήσεων () Εκτίµηση Πολυπλοκότητας Αλγορίθµων Ορέστης Τελέλης telelis@unipi.gr Ορισµός. Εστω συναρτήσεις: f : N R και g : N R η f(n) είναι Ω( g(n) ) αν υπάρχουν σταθερές C
Διαβάστε περισσότεραΧρησιμότητα ανισοτήτων - οριακών θεωρημάτων
Πιθανότητες και Στατιστική Ενότητα 6: Οριακά θεωρήματα στη Θεωρία Πιθανοτήτων Σχολή Θετικών Επιστημών Τμήμα Πληροφορικής και Τηλεπικοινωνιών Αθήνα 2015 Χρησιμότητα ανισοτήτων - οριακών θεωρημάτων Χρησιμότητα
Διαβάστε περισσότερα2. Η πιθανότητα της αριθμήσιμης ένωσης ξένων μεταξύ τους ενδεχομένων είναι το άθροισμα των πιθανοτήτων των ενδεχομένων.
Ένα μέτρο πιθανότητας πάνω στο δειγματικός χώρο Ω, είναι μία συνάρτηση P ( ), που αντιστοιχεί σε υποσύνολα του Ω έναν αριθμό στο [ 0, ], με τις εξής ιδιότητες:. P ( Ω ). 2. Η πιθανότητα της αριθμήσιμης
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 Τυχαίο Δείγμα
Διαβάστε περισσότεραILP-Feasibility conp
Διάλεξη 19: 23.12.2014 Θεωρία Γραμμικού Προγραμματισμού Γραφέας: Χαρίλαος Τζόβας Διδάσκων: Σταύρος Κολλιόπουλος 19.1 Θεωρία Πολυπλοκότητας και προβλήματα απόφασης Για να μιλήσουμε για προβλήματα και τον
Διαβάστε περισσότεραΜέση τιμή, διασπορά, τυπική απόκλιση. 1) Για την τυχαία διακριτή μεταβλητή Χ ισχύει Ρ(Χ=x i)=
Μέση τιμή, διασπορά, τυπική απόκλιση Όπου χρειάζεται να γίνει χρήση του μικροϋπολογιστή 3x 1) Για την τυχαία διακριτή μεταβλητή Χ ισχύει Ρ(Χ=x i)= i-2 22, xi=1,2,3,4. α) Να συμπληρωθεί ο παρακάτω πίνακας:
Διαβάστε περισσότεραΣτοιχεία Θεωρίας Αριθμών & Εφαρμογές στην Κρυπτογραφία
Εθνικό Μετσόβιο Πολυτεχνείο Σχολή Ηλεκτρολόγων Μηχανικών & Μηχανικών Υπολογιστών Σημειώσεις Διαλέξεων Στοιχεία Θεωρίας Αριθμών & Εφαρμογές στην Κρυπτογραφία Επιμέλεια σημειώσεων: Ζωή Παρασκευοπούλου Νίκος
Διαβάστε περισσότεραΥπολογιστικά & Διακριτά Μαθηματικά
Υπολογιστικά & Διακριτά Μαθηματικά Ενότητα 7: Ανεξάρτητα ενδεχόμενα Στεφανίδης Γεώργιος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό, όπως
Διαβάστε περισσότεραΤηλεπικοινωνιακά Συστήματα ΙΙ
Τηλεπικοινωνιακά Συστήματα ΙΙ Διάλεξη 11: Κωδικοποίηση Πηγής Δρ. Μιχάλης Παρασκευάς Επίκουρος Καθηγητής 1 Ατζέντα 1. Αλγόριθμοι κωδικοποίησης πηγής Αλγόριθμος Fano Αλγόριθμος Shannon Αλγόριθμος Huffman
Διαβάστε περισσότεραΠανεπιστήµιο Κρήτης - Τµήµα Επιστήµης Υπολογιστών. ΗΥ-217: Πιθανότητες-Χειµερινό Εξάµηνο ιδάσκων : Π. Τσακαλίδης
Πανεπιστήµιο Κρήτης - Τµήµα Επιστήµης Υπολογιστών ΗΥ-27: Πιθανότητες-Χειµερινό Εξάµηνο 205- ιδάσκων : Π. Τσακαλίδης Λύσεις Τέταρτης Σειράς Ασκήσεων Ασκηση. (αʹ) Σύµφωνα µε το αξίωµα της κανονικοποίησης,
Διαβάστε περισσότεραΑλγόριθμοι για αυτόματα
Κεφάλαιο 8 Αλγόριθμοι για αυτόματα Κύρια βιβλιογραφική αναφορά για αυτό το Κεφάλαιο είναι η Hopcroft, Motwani, and Ullman 2007. 8.1 Πότε ένα DFA αναγνωρίζει κενή ή άπειρη γλώσσα Δοθέντος ενός DFA M καλούμαστε
Διαβάστε περισσότεραΚεφαλαιο 2.2 ΑΝΑΚΕΦΑΛΑΙΩΤΙΚΕΣ ΑΛΓΟΡΙΘΜΟΙ
Κεφαλαιο 2.2 ΑΝΑΚΕΦΑΛΑΙΩΤΙΚΕΣ ΑΛΓΟΡΙΘΜΟΙ 1.Σ, 2.Σ, 3. Λ, 4.Σ, 5.Σ Στο α) ανήκουν: 1,2,5,6,7 Στο β) ανήκουν: 3,4,8,9,10 1.-Λ, 2.-Λ, 3.-Σ, 4.-Σ, 5.-Σ 1. -Πραγματικός, 2. -Αρφαριθμητικός, 3.-Αλφαριθμητικός,
Διαβάστε περισσότεραΚατανομή συνάρτησης τυχαίας μεταβλητής Y=g(X) Πιθανότητες & Στατιστική 2017 Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Παν. Ιωαννίνων Δ13 ( 1 )
Κατανομή συνάρτησης τυχαίας μεταβλητής =() Πιθανότητες & Στατιστική 07 Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Παν. Ιωαννίνων Δ3 ( ) Κατανομή συνάρτησης τυχαίας μεταβλητής Έστω τ.μ. Χ με γνωστή κατανομή. Δηλαδή
Διαβάστε περισσότεραΜέγιστη Ροή Ελάχιστη Τομή
Μέγιστη Ροή Ελάχιστη Τομή Διδάσκοντες: Σ. Ζάχος, Δ. Φωτάκης Επιμέλεια διαφανειών: Δ. Φωτάκης Δίκτυα και Ροές Δίκτυο : κατευθυνόμενο γράφημα G(V, E). Πηγή, προορισμός, χωρητικότητα ακμής b e. ροή μεγέθους
Διαβάστε περισσότεραΚΑΤΑΝΟΜΈΣ. 8.1 Εισαγωγή. 8.2 Κατανομές Συχνοτήτων (Frequency Distributions) ΚΕΦΑΛΑΙΟ
ΚΑΤΑΝΟΜΈΣ ΚΕΦΑΛΑΙΟ 8 81 Εισαγωγή Οι κατανομές διακρίνονται σε κατανομές συχνοτήτων, κατανομές πιθανοτήτων και σε δειγματοληπτικές κατανομές Στη συνέχεια θα γίνει αναλυτική περιγραφή αυτών 82 Κατανομές
Διαβάστε περισσότεραΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΦΡΟΝΤΙΣΤΗΡΙΟ ΑΛΓΟΡΙΘΜΩΝ ΒΟΗΘΟΣ: ΒΑΓΓΕΛΗΣ ΔΟΥΡΟΣ
1 ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΦΡΟΝΤΙΣΤΗΡΙΟ ΑΛΓΟΡΙΘΜΩΝ ΒΟΗΘΟΣ: ΒΑΓΓΕΛΗΣ ΔΟΥΡΟΣ Φροντιστήριο #10: Αλγόριθμοι Διαίρει & Βασίλευε: Master Theorem, Αλγόριθμοι Ταξινόμησης, Πιθανοτικός
Διαβάστε περισσότεραp(x, y) = 1 (x + y) = 3x + 6, x = 1, 2 (x + y) = 3 + 2y, y = 1, 2, 3 p(1, 1) = = 2 21 p X (1) p Y (1) = = 5 49
ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Τµήµα Επιστήµης Υπολογιστών HY-27: Πιθανότητες - Χειµερινό Εξάµηνο 206-207 ιδάσκων : Π. Τσακαλίδης Φροντιστήριο 8 Από κοινού συναρτήσεις Τυχαίων Μεταβλητών Επιµέλεια : Κατερίνα Καραγιαννάκη
Διαβάστε περισσότεραΔιαλογικά Συσ τήματα Αποδείξεων Διαλογικά Συστήματα Αποδείξεων Αντώνης Αντωνόπουλος Κρυπτογραφία & Πολυπλοκότητα 17/2/2012
Αντώνης Αντωνόπουλος Κρυπτογραφία & Πολυπλοκότητα 17/2/2012 Εισαγωγή Ορισμός Επέκταση του NP συστήματος αποδείξεων εισάγωντας αλληλεπίδραση! Ενα άτομο προσπαθεί να πείσει ένα άλλο για το ότι μία συμβολοσειρά
Διαβάστε περισσότερα07/11/2016. Στατιστική Ι. 6 η Διάλεξη (Βασικές διακριτές κατανομές)
07/11/2016 Στατιστική Ι 6 η Διάλεξη (Βασικές διακριτές κατανομές) 1 2 Δοκιμή Bernoulli Ένα πείραμα σε κάθε εκτέλεση του οποίου εμφανίζεται ακριβώς ένα από δύο αμοιβαία αποκλειόμενα δυνατά αποτελέσματα
Διαβάστε περισσότεραΈξι βαθμοί διαχωρισμού
Έξι βαθμοί διαχωρισμού Βασισμένα στα 1. http://snap.stanford.edu/class/cs224w-readings/kleinberg99smallworld.pdf 2. http://snap.stanford.edu/class/cs224w-readings/kleinberg01smallworld.pdf Το πείραμα του
Διαβάστε περισσότεραn 5 = 7 ε (π.χ. ορίζοντας n0 = 1+ ε συνεπώς (σύμϕωνα με τις παραπάνω ισοδυναμίες) an 5 < ε. Επομένως a n β n 23 + β n+1
Θέμα 1 (α) Υποθέτουμε (προς απαγωγή σε άτοπο) ότι το σύνολο A έχει μέγιστο στοιχείο, έστω a = max A Τότε, εϕόσον a A, έχουμε a R Q και a M Ομως ο αριθμός μητρώου M είναι ρητός αριθμός, άρα (εϕόσον ο a
Διαβάστε περισσότεραΒιομαθηματικά BIO-156. Τυχαίες μεταβλητές Κατανομές Πιθανοτήτων. Ντίνα Λύκα. Εαρινό Εξάμηνο, 2017
Βιομαθηματικά BIO-156 Τυχαίες μεταβλητές Κατανομές Πιθανοτήτων Ντίνα Λύκα Εαρινό Εξάμηνο, 17 lika@biology.uoc.gr Τυχαία Μεταβλητή τυχαία μεταβλητή (τ.μ.) (X) είναι μια συνάρτηση που σε κάθε απλό ενδεχόμενο
Διαβάστε περισσότεραΣΤΟΧΑΣΤΙΚΑ ΣΥΣΤΗΜΑΤΑ & ΕΠΙΚΟΙΝΩΝΙΕΣ 1o Τμήμα (Α - Κ): Αμφιθέατρο 4, Νέα Κτίρια ΣΗΜΜΥ Θεωρία Πιθανοτήτων & Στοχαστικές Ανελίξεις - 2
ΣΤΟΧΑΣΤΙΚΑ ΣΥΣΤΗΜΑΤΑ & ΕΠΙΚΟΙΝΩΝΙΕΣ 1o Τμήμα (Α - Κ): Αμφιθέατρο 4, Νέα Κτίρια ΣΗΜΜΥ Θεωρία Πιθανοτήτων & Στοχαστικές Ανελίξεις - 5.4: Στατιστικοί Μέσοι Όροι 5.5 Στοχαστικές Ανελίξεις (Stochastic Processes)
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 περισσότεραΜΕΓΙΣΤΙΚΟΣ ΤΕΛΕΣΤΗΣ 18 Σεπτεμβρίου 2014
ΜΕΓΙΣΤΙΚΟΣ ΤΕΛΕΣΤΗΣ 18 Σεπτεμβρίου 2014 Περιεχόμενα 1 Εισαγωγή 2 2 Μεγιστικός τελέστης στην μπάλα 2 2.1 Βασικό θεώρημα........................ 2 2.2 Γενική περίπτωση μπάλας.................. 6 2.2.1 Στο
Διαβάστε περισσότεραΔομές Δεδομένων. Δημήτρης Μιχαήλ. Ταξινόμηση. Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο
Δομές Δεδομένων Ταξινόμηση Δημήτρης Μιχαήλ Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Το πρόβλημα Είσοδος n αντικείμενα a 1, a 2,..., a n με κλειδιά (συνήθως σε ένα πίνακα, ή λίστα, κ.τ.λ)
Διαβάστε περισσότεραPSEUDORANDOM GENERATORS- PREDICATES & ZK PROOFS
PSEUDORANDOM GENERATORS- PREDICATES & ZK PROOFS ΑΛΓΟΡΙΘΜΟΙ ΚΑΙ ΠΟΛΥΠΛΟΚΟΤΗΤΑ 2 Επιμέλεια: Νικόλαος Λάμπρου μπλ 2014 Γεννήτρια ψευδοτυχαίων αριθμών Άτυπος ορισμός: Έστω μια συνάρτηση G από strings σε strings.λέμε
Διαβάστε περισσότεραΣΤΟΧΑΣΤΙΚΕΣ ΙΑ ΙΚΑΣΙΕΣ
ΣΤΟΧΑΣΤΙΚΕΣ ΙΑ ΙΚΑΣΙΕΣ Θεωρία Πιθανοτήτων και Στοχαστικές ιαδικασίες, Κ. Πετρόπουλος Τµ. Επιστήµης των Υλικών Στοχαστικές ιαδικασίες Ορισµός Μία στοχαστική διαδικασία είναι µία οικογένεια τυχαίων µεταβλητών
Διαβάστε περισσότεραΔιάλεξη 5: Κάτω Φράγμα για Αλγόριθμους Εκλογής Προέδρου. ΕΠΛ 432: Κατανεμημένοι Αλγόριθμοι
Διάλεξη 5: Κάτω Φράγμα για Αλγόριθμους Εκλογής Προέδρου ΕΠΛ 432: Κατανεμημένοι Αλγόριθμοι Κάτω Φράγμα στον Αριθμό Μηνυμάτων Ένας οποιοσδήποτε αλγόριθμος εκλογής προέδρου Α ο οποίος 1. Δουλεύει σε ασύγχρονο
Διαβάστε περισσότεραΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ. Έννοια Ορισμοί Τρόπος υπολογισμού Kατανομή πιθανότητας Ασκήσεις
ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ Έννοια Ορισμοί Τρόπος υπολογισμού Kατανομή πιθανότητας Ασκήσεις Έννοια τυχαίας μεταβλητής Κατά τον υπολογισμό πιθανοτήτων, συχνά συμβαίνει τα ενδεχόμενα που μας ενδιαφέρουν να μετρούν
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 περισσότεραΚεφάλαιο 9. Έλεγχοι υποθέσεων
Κεφάλαιο 9 Έλεγχοι υποθέσεων 9.1 Εισαγωγή Όταν παίρνουμε ένα ή περισσότερα τυχαία δείγμα από κανονικούς πληθυσμούς έχουμε τη δυνατότητα να υπολογίζουμε στατιστικά, όπως μέσους όρους, δειγματικές διασπορές
Διαβάστε περισσότεραΔιακριτά Μαθηματικά [Rosen, κεφ. 3] Γιάννης Εμίρης Τμήμα Πληροφορικής & Τηλεπικοινωνιών, ΕΚΠΑ Οκτώβριος 2018
Διακριτά Μαθηματικά [Rosen, κεφ. 3] Γιάννης Εμίρης Τμήμα Πληροφορικής & Τηλεπικοινωνιών, ΕΚΠΑ Οκτώβριος 2018 Αλγόριθμοι Ρυθμός αύξησης συναρτήσεων [Rosen 3.2] Αριθμητικές συναρτήσεις Τάξη αριθμητικών συναρτήσεων
Διαβάστε περισσότεραΣημειωματάριο Δευτέρας 4 Δεκ. 2017
Σημειωματάριο Δευτέρας 4 Δεκ. 2017 Ο αλγόριθμος Floyd-Warshall για την έυρεση όλων των αποστάσεων σε ένα γράφημα με βάρη στις ακμές Συνεχίσαμε σήμερα το θέμα της προηγούμενης Τετάρτης. Έχουμε ένα γράφημα
Διαβάστε περισσότεραX = συνεχης. Είναι εμφανές ότι αναγκαία προϋπόθεση για την ύπαρξη της ροπογεννήτριας
Ροπογεννήτριες (mome geerig fucios), πιθανογεννήτριες (robbiliy geerig fucios) και χαρακτηριστικές συναρτήσεις (chrcerisic fucios) Η ροπογεννήτρια συνάρτηση της τμ είναι η πραγματική συνάρτηση πραγματικής
Διαβάστε περισσότερα