Σημερινό μάθημα: Εκτιμήτριες συναρτήσεις και σημειακή εκτίμηση παραμέτρων Στατιστική συμπερασματολογία (ή εκτιμητική ): εξαγωγή συμπερασμάτων για το σ

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "Σημερινό μάθημα: Εκτιμήτριες συναρτήσεις και σημειακή εκτίμηση παραμέτρων Στατιστική συμπερασματολογία (ή εκτιμητική ): εξαγωγή συμπερασμάτων για το σ"

Transcript

1 10ο Μάθημα Πιθανότητες Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Πανεπιστήμιο Πατρών Ακαδημαϊκό Ετος Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 1 / 44

2 Σημερινό μάθημα: Εκτιμήτριες συναρτήσεις και σημειακή εκτίμηση παραμέτρων Στατιστική συμπερασματολογία (ή εκτιμητική ): εξαγωγή συμπερασμάτων για το σύνολο ενός πληθυσμού με βάση ένα (σχετικά μικρό) τυχαίο υποσύνολό του (δείγμα) - Γίνεται μελέτη των δειγματικών δεδομένων και επαγωγή τους στον (γεννήτορα) πληθυσμό (στατιστική επαγωγή), με μια ορισμένη πιθανότητα εμπιστοσύνης στην επιτυχία αυτής της επαγωγικής διαδικασίας. Αντιθέτως, η θεωρία Πιθανοτήτων είναι εγγενώς απαγωγική, δηλαδή ουσιαστικά γνώση για τον πληθυσμό (όλον) μεταφέρεται (απάγεται) στο τυχαίο δείγμα (μέρος). Παράδειγμα: - πιθανοθεωρία: ξέρω ότι ο χρόνος ζωής λαμπτήρων ακολουθεί εκθετική κατανομή με παράμετρο λ, και υπολογίζω την πιθανότητα συγκεκριμένων χρόνων ζωής σε κάποιους λαμπτήρες. - στατιστική επαγωγή: ξέρω ότι οι λαμπτήρες έχουν εκθετικά κατανεμημένο χρόνο ζωής, χωρίς να ξέρω την παράμετρο λ, και συμπεραίνω την λ από τους πραγματικούς χρόνους ζωής σε ένα τυχαίο δείγμα λαμπτήρων. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 2 / 44

3 Βασικές μέθοδοι στατιστικής συμπερασματολογίας Σημειακές εκτιμήσεις: Στόχος είναι η κατασκευή μιας εκτίμησης για μία τιμή (δηλαδή ένα σημείο και όχι ένα διάστημα της άγνωστης παραμέτρου), μαζί με τον υπολογισμό του σφάλματος. Παράδειγμα: η εκτίμηση της παραμέτρου λ για τον (εκθετικά κατανεμημένο) χρόνο ζωής λαμπτήρων Διαστήματα εμπιστοσύνης: Αντί για μια τιμή, αναζητούμε ένα φάσμα τιμών (διάστημα). Αυτό είναι ιδιαίτερα χρήσιμο όταν το δείγμα είναι μικρό ή/και όταν το σφάλμα εκτίμησης είναι σχετικά μεγάλο. Παράδειγμα: οι φυσιολογικές τιμές ιατρικών εξετάσεων, το αποδεκτό εύρος τιμών κατά τη μέτρηση αστικών ρύπων Ελεγχοι στατιστικών υποθέσεων: ελέγχεται αν μια πρόταση αναφορικά με κάποιο χαρακτηριστικό ενός πληθυσμού είναι σωστή Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 3 / 44

4 Σημειακές Εκτιμήσεις Σε αυτή τη διάλεξη θα ασχοληθούμε με σημειακές εκτιμήσεις. Η σημειακή εκτίμηση γίνεται μέσω εύρεσης και αξιολόγησης εκτιμητριών συναρτήσεων. Μέθοδοι εύρεσης εκτιμητριών συναρτήσεων: - Μέθοδος ροπών - Μέθοδος ελαχίστων τετραγώνων - Μέθοδος μέγιστης πιθανοφάνειας Βασικά κριτήρια αξιολόγησης εκτιμητριών συναρτήσεων: - αμεροληψία - αποτελεσματικότητα - συνέπεια Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 4 / 44

5 Τυχαίο Δείγμα - αντιστοιχία με Θεωρία Πιθανοτήτων Πληθυσμός: ένα σύνολο ανθρώπων, συσκευών κλπ ( στοιχεία ) των οποίων μελετώνται ορισμένα χαρακτηριστικά π.χ. το μηνιαίο εισόδημα των ανθρώπων, η διάρκεια ζωής των λαμπτήρων Σημαντική αντιστοιχία με Θεωρία Πιθανοτήτων: - πληθυσμός συνάρτηση κατανομής F - χαρακτηριστικό τυχαία μεταβλητή X δηλαδή, θεωρούμε ότι η θεωρητική συμπεριφορά του πληθυσμού ακολουθεί κάποια συνάρτηση κατανομής F, και ότι οι συγκεκριμένες τιμές του χαρακτηριστικού σε ένα τυχαίο δείγμα περιγράφονται από μια τυχαία μεταβλητή X που έχει την κατανομή F. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 5 / 44

6 Πιθανοθεωρητική Επαγωγή και Στατιστική Απαγωγή Αν ξέραμε την F (π.χ. την παράμετρο λ για την εκθετική κατανομή του χρόνου ζωής των λαμπτήρων) θα μπορούσαμε να εκτιμήσουμε πλήρως την πιθανοθεωρητική συμπεριφορά ενός τυχαίου δείγματος π.χ. του χρόνου ζωής X ενός λαμπτήρα. Στην πράξη όμως, δεν ξέρουμε ακριβώς την F (δηλαδή, ξέρουμε ότι είναι εκθετική αλλά αγνοούμε την παράμετρο της λ) και έχουμε μόνο ορισμένες πραγματικές μετρήσεις (δηλαδή τιμές της μεταβλητής X), π.χ. παρατηρούμε τους χρόνους ζωής X 1, X 2,..., X ν από ν λαμπτήρες. Σκοπός μας είναι να εκτιμήσουμε την άγνωστη παράμετρο λ. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 6 / 44

7 Τυχαίο δείγμα Ορισμός: Αν ένας πληθυσμός έχει συνάρτηση κατανομής F, καλούμε τυχαίο δείγμα του ένα σύνολο ανεξάρτητων τυχαίων μεταβλητών X 1, X 2,..., X ν που όλες ακολουθούν την συνάρτηση κατανομής F. Γράφουμε: X 1, X 2,..., X ν F και καλούμε τον αριθμό ν μέγεθος του δείγματος. Παρατήρηση: Μετά τη δειγματοληψία, οι τ.μ. X 1, X 2,..., X ν παίρνουν συγκεκριμένες τιμές (πραγματικές μετρήσεις) x 1, x 2,..., x ν. Οι στατιστικές μέθοδοι βασίζονται σε αυτές ακριβώς τις μετρήσεις x i. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 7 / 44

8 Παραμετρική Στατιστική Δύο βασικοί κλάδοι της στατιστικής: Μη παραμετρική: η συνάρτηση κατανομής F είναι εντελώς άγνωστη. Παραμετρική: ξέρουμε ότι η άγνωστη συνάρτηση κατανομής F ανήκει σε μία οικογένεια κατανομών (π.χ. είναι εκθετική με παράμετρο λ) αλλά αγνοούμε την παράμετρο λ (την οποία ακριβώς προσπαθούμε να εκτιμήσουμε). Παρατήρηση: Θα ασχοληθούμε μόνο με μεθόδους παραμετρικής στατιστικής. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 8 / 44

9 Εκτιμήτριες Συναρτήσεις Εστω τυχαίο δείγμα X 1, X 2,..., X ν από μία συνάρτηση κατανομής F (x; θ) όπου η παράμετρος θ είναι άγνωστη, και την οποία προσπαθούμε να εκτιμήσουμε με βάση το δείγμα. Για το σκοπό αυτό θα χρησιμοποιήσουμε στατιστικές συναρτήσεις (συναρτήσεις ορισμένες στο δείγμα) που καλούνται εκτιμήτριες. Ορισμός: Εστω τυχαίο δείγμα X 1, X 2,..., X ν από τη συνάρτηση κτανομής F = F (x; θ), όπου θ άγνωστη παράμετρος της F. Οποιαδήποτε συνάρτηση T (X): T = T (X 1, X 2,..., X ν ) ορισμένη στο δείγμα χωρίς να εξαρτάται από την άγνωστη παράμετρο θ καλείται εκτιμήτρια συνάρτηση της παραμέτρου. Παρατήρηση: Ακριβώς επειδή η T σκοπεύει στην εκτίμηση της άγνωστης παραμέτρου θ, δεν μπορεί να εξαρτάται από την θ (ή τυχόν άλλες άγνωστες παραμέτρους). Πολλές φορές η T (X) συμβολίζεται με ˆθ και οι αριθμητικές τιμές που παίρνει καλούνται εκτιμήσεις. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 9 / 44

10 Παράδειγμα Εκτιμητριών Συναρτήσεων Παράδειγμα: Εστω μηχανή που παράγει εξαρτήματα και υποθέτουμε ότι κάθε παραγόμενο εξάρτημα είναι λειτουργικό με πιθανότητα p και ελαττωματικό με πιθανότητα 1 p (που χαρακτηρίζει την ποιότητα της μηχανής), στοχαστικά ανεξάρτητα για τα διάφορα εξαρτήματα. Θέλουμε να εκτιμήσουμε την άγνωστη παράμετρο p = θ επιτυχούς δημιουργίας εξαρτημάτων παρατηρώντας ένα τυχαίο δείγμα X 1, X 2,..., X ν από ν εξαρτήματα. Προφανώς οι X i ακολουθούν την κατανομή Bernoulli: { X 1, X 2,..., X ν b(θ), 0 < θ < 1 1, το i-οστό εξάρτημα είναι λειτουργικό (πιθανότητα θ) όπου X i = 0, το i-οστό εξάρτημα είναι ελαττωματικό (πιθανότητα 1 θ) Μία προφανής εκτιμήτρια συνάρτηση είναι ο μέσος όρος των λειτουργικών προιόντων στο δείγμα: T 1 = X = X 1+X 2 + +X ν ν Άλλες εκτιμήτριες είναι οι T 2 = X ν, T 3 = X 1 X 3 X 4, T 4 = X 3 X 5 X 7, ή ακόμα και η T 5 = 1 (η οποία είναι ουσιαστικά 3 ανεξάρτητη του δείγματος). Ωστόσο οι στατιστικές συναρτήσεις T = 2θ, T = θ X 3 + X θ δεν είναι εκτιμήτριες γιατί εξαρτώνται από την άγνωστη παράμετρο θ. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 10 / 44

11 Παράδειγμα Εκτιμήτριας Συνάρτησης Παράδειγμα: Εστω ότι οι βαθμολογίες σε μια γραπτή εξέταση ακολουθούν την κανονική κατανομή N(µ, σ 2 ), με μέση τιμή µ (παράμετρος θ 1 ) και διασπορά σ 2 (παράμετρος θ 2 ) που μας είναι άγνωστες και προσπαθούμε να τις συμπεράνουμε δειγματοληπτώντας τυχαία ένα μικρό σύνολο από ν γραπτά των οποίων η βαθμολογία βρίσκεται να είναι X 1, X 2,..., X ν. Εκτιμήτριες για τις άγνωστες παραμέτρους θ 1 και θ 2 είναι οι: T 6 = X = X1+X2+ +Xν ν για την θ 1 = µ και T 7 = S 2 = 1 ν (X i ν 1 X) 2 για την θ 2 = σ 2 i=1 (δηλαδή ο δειγματικός μέσος όρος και η δειγματική διασπορά). Προφανώς η στατιστική συνάρτηση ν T = (X i θ 1 ) i=1 δεν είναι εκτιμήτρια, γιατί εξαρτάται από το άγνωστο θ 1. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 11 / 44

12 Αμεροληψία Εκτιμητριών Οπως είδαμε, για μια άγνωστη παράμετρο μπορούν να κατασκευαστούν πολλές εκτιμήτριες συναρτήσεις. Αναζητώντας μια κατά το δυνατόν καλή εκτιμήτρια, ένα πρώτο κριτήριο είναι η αμεροληψία. Ορισμός: Μια εκτιμήτρια T καλείται αμερόληπτη για την άγνωστη παράμετρο θ, άν E(T ) = θ για όλες τις δυνατές τιμές της θ. Παρατήρηση: Η T, αφού ορίζεται με βάση τις τ.μ. X i, είναι και αυτή τυχαία μεταβλητή. Η ιδιότητα της αμεροληψίας απαιτεί από μία καλή εκτιμήτρια να στοχεύει την άγνωστη παράμετρο θ, με την έννοια ότι οι τιμές που παίρνει (γύρω από την θ) έχουν μέση τιμή θ. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 12 / 44

13 Αμεροληψία Εκτιμητριών - Παραδείγματα (Ι) Στο παράδειγμα με τα ελαττωματικά προϊόντα έχουμε: ( ) E(T 1 ) = E( X) X1 + + X ν = E = 1 ν E(X i ) = ν ν = 1 ν ν θ = θ E(T 2 ) = E(X ν ) = θ i=1 E(T 3 ) = E(X 1 X 3 X 4 ) = E(X 1 ) E(X 3 ) E(X 4 ) = = θ θ θ = θ E(T 4 ) = E(X 3 X 5 X 7 ) = E(X 3 )E(X 5 )E(X 7 ) = θ θ θ = θ 3 E(T 5 ) = 1 3 Άρα αμερόληπτες είναι μόνο οι T 1 και T 2. (Ωστόσο, η T 4 είναι αμερόληπτη για την παράμετρο θ 3 ). Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 13 / 44

14 Αμεροληψία Εκτιμητριών - Παραδείγματα (ΙΙ) Στο παράδειγμα με τις βαθμολογίες είναι: ( ) E(T 6 ) = E( X) X1 + + X ν = E = 1 ν ν = 1 ν ν µ = µ = θ 1 [ ] E(T 7 ) = E(S 2 1 ν ) = E (X i ν 1 X) 2 = i=1 = 1 ν E(X i ν 1 X) 2 = σ 2 = θ 2 i=1 ν E(X i ) = Άρα η T 6 είναι αμερόληπτη για την θ 1 (όχι όμως για την θ 2 ) και η T 7 είναι αμερόληπτη για την θ 2 (όχι όμως για την θ 1 ). i=1 Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 14 / 44

15 Παράδειγμα Αν δύο τ.μ. X 1 και X 2 έχουν ίδια διασπορά σ 2 και S 2 1, S 2 2 είναι οι αμερόληπτες για την σ 2 δειγματικές διασπορές των X 1 και X 2 από δείγματα μεγέθους n 1 και n 2 αντιστοίχως, να δειχθεί ότι η εκτιμήτρια S 2 p = (n1 1)S2 1 +(n2 1)S2 2 n 1+n 2 2 είναι επίσης αμερόληπτη για την σ 2. Απόδειξη. Είναι E[S 2 p] = E [ (n1 1)S 2 1 +(n2 1)S2 2 n 1+n 2 2 ] = = (n1 1)E(S2 1 )+(n2 1)E(S2 2 ) n 1+n 2 2 = (n1 1)σ2 +(n 2 1)σ 2 n 1+n 2 2 = = (n1+n2 2)σ2 n 1+n 2 2 = σ 2 άρα η Sp 2 είναι αμερόληπτη για την σ 2. Παρατήρηση: Η S 2 p καλείται σταθμισμένη δειγματική διασπορά. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 15 / 44

16 Παράδειγμα Αν X 1, X 2,..., X ν είναι δείγμα από ομοιόμορφη κατανομή U(0, θ) να βρεθεί αμερόληπτη εκτιμήτρια του θ 2. Λύση Είναι γνωστό ότι η πληθυσμιακή διασπορά της U(0, θ) είναι Var(X) = θ2 12 και επίσης (θεωρούμε γνωστό) ότι η δειγματική διασπορά S 2 = 1 ν ν 1 i=1 (X i X) 2 είναι αμερόληπτη εκτιμήτρια για την πληθυσμιακή διασπορά, δηλαδή E(S 2 ) = θ2 12. Άρα E(12S2 ) = θ 2 και επομένως αν T = 12S 2 τότε E(T ) = θ 2 και άρα η εκτιμήτρια T = 12 ν 1 2 i=1 (Xi X) ν 1 είναι αμερόληπτη για την θ 2. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 16 / 44

17 Αποτελεσματικότητα ή Αξιοπιστία Εκτιμητριών Συναρτήσεων Είδαμε λοιπόν ότι για μια άγνωστη παράμετρο μπορεί να υπάρχουν πολλές αμερόληπτες εκτιμήτριες. Μεταξύ τους, είναι διαισθητικά σωστό να επιλέξουμε ως καλύτερη εκείνη με τη μικρότερη διασπορά, άρα με υψηλότερη συγκέντρωση, γύρω από τη μέση τιμή που (λόγω της αμεροληψίας) είναι η άγνωστη παράμετρος. Ορισμός: Μεταξύ δύο αμερόληπτων εκτιμητριών T 1 και T 2 για μία άγνωστη παράμετρο θ (οπότε E(T 1 ) = E(T 2 ) = θ) η T 1 θα θεωρείται καλύτερη (αποτελεσματικότερη) από την T 2, ως προς το κριτήριο της ελάχιστης διασποράς, άν για κάθε θ: Var(T 1 ) Var(T 2 ) Παράδειγμα: Στο παράδειγμα με τα ελαττωματικά προϊόντα έχουμε: ( ) Var(T 1 )=Var( X)=Var X1 + + X ν = 1 ν ν ν 2 Var(X i ) = = 1 ν ν θ(1 θ) = θ(1 θ) 2 ν i=1 ενώ Var(T 2 )=Var(X ν )=θ(1 θ), άρα καλύτερη είναι η T 1. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 17 / 44

18 Παράδειγμα Εστω X 1, X 2,..., X n και Y 1, Y 2,..., Y m (ανεξάρτητα μεταξύ τους) τυχαία δείγματα μεγέθους n = 100 και m = 10, από μια κατανομή με μέση τιμή µ και διασπορά σ 2. Να βρεθεί ποια από τις ακόλουθες εκτιμήτριες είναι καλύτερο να χρησιμοποιήσουμε για την εκτίμηση της παραμέτρου µ: T 1 = X, T 2 = Ȳ, T 3 = X+Ȳ 2 Λύση: Είναι εύκολο να δείξουμε ότι οι T 1 και T 2 είναι αμερόληπτες για την µ. ( ) Επίσης: E(T 3) = E X+ Ȳ E( X)+E(Ȳ ) = = µ+µ = µ άρα και η T 3 είναι αμερόληπτη. Επίσης: Var(T 1) = Var( X) ( ) = Var X1 + X X n = 1 nσ 2 = σ2 = n n 2 n 0.01σ2 Παρομοίως, Var(T ( 2) = ) Var(Ȳ ) = 0.1σ2 και Var(T 3) = Var X+ ( Ȳ = Var( X) + Var( Ȳ ) ) = 0.01σ2 +0.1σ 2 = σ οπότε Var(T 1) < Var(T 3) < Var(T 2) και επομένως αποτελεσματικότερη είναι η T 1 (που βασίζεται σε μεγαλύτερο δείγμα). Παρατήρηση: Η T 3 βασίζεται σε ακόμα μεγαλύτερο δείγμα (μεγέθους n + m) από την T 1, αλλά ουσιαστικά λαμβάνει εξίσου υπόψη την καλή εκτιμήτρια T 1 και την λιγότερο καλή T 2! Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 18 / 44

19 Εγκυρότητα και Αξιοπιστία Μια εκτιμήτρια δεν αρκεί να έχει μικρή διασπορά για να θεωρείται καλή, πρέπει επιπλέον να είναι αμερόληπτη, δηλαδή οι τιμές που παίρνει να είναι γύρω από την άγνωστη παράμετρο και να έχουν μέση τιμή την παράμετρο θ. Π.χ. στο παράδειγμα με τα ελαττωματικά προϊόντα, η σταθερή εκτιμήτρια (T 5 = 1 3 ) έχει τη μικρότερη δυνατή διασπορά (0). Ωστόσο, δεν είναι αμερόληπτη γιατί στοχεύει πάντα το 1 3 και όχι το άγνωστο θ. Δηλαδή, η αμεροληψία εγγυάται την εγκυρότητα της εκτιμήτριας, υπό την έννοια της αποφυγής θεμελιωδών (συστηματικών) λαθών λόγω της μη στόχευσης της παραμέτρου. Από την άλλη μεριά, οι αποκλίσεις της εκτιμώμενης τιμής από την πραγματική, μπορεί να οφείλονται σε τυχαίες επιδράσεις (μικρή ακρίβεια στην εκτίμηση) λόγω μεγάλης διασποράς των τιμών της εκτιμήτριας συνάρτησης σε σειρά επαναλήψεων της μέτρησης. Τα τυχαία σφάλματα σε πολλαπλές επαναλήψεις περιγράφονται από την ιδιότητα της αξιοπιστίας. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 19 / 44

20 Εγκυρότητα και Αξιοπιστία Εκτιμητριών Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 20 / 44

21 Κριτήριο μέσου τετραγωνικού σφάλματος Ποσότητα που επιτυγχάνει τον ταυτόχρονο υπολογισμό τόσο της εγκυρότητας όσο και της αξιοπιστίας. Ορισμός: Καλούμε λάθος της εκτιμήτριας, για συγκεκριμένο δείγμα x, την ποσότητα: e(x) = ˆθ(x) θ (προφανώς η ποσότητα αυτή εξαρτάται όχι μόνο από την εκτιμήτρια αλλά και το συγκεκριμένο δείγμα). Ορισμός: Καλούμε μέσο τετραγωνικό σφάλμα (mean square error) τη μέση τιμή του τετραγώνου των λαθών μιας εκτιμήτριας ˆθ: MSE(ˆθ) = E[(ˆθ(x) θ) 2 ] Ορισμός: Για συγκεκριμένο δείγμα x, καλούμε δειγματοληπτική απόκλιση της ˆθ, την ποσότητα: d(x) = ˆθ(x) E(ˆθ(x)) = ˆθ(x) E(ˆθ) Ορισμός: Καλούμε διασπορά της εκτιμήτριας ˆθ, τη μέση τιμή των τετραγώνων των δειγματοληπτικών αποκλίσεων: Var(ˆθ) = E[(ˆθ E(ˆθ)) 2 ] Για αμερόληπτες εκτιμήτριες είναι E(ˆθ) = θ, άρα Var(ˆθ) = E[(ˆθ θ) 2 ] Ορισμός: Καλούμε μεροληψία (bias) της εκτιμήτριας ˆθ την ποσότητα B(ˆθ) = E(ˆθ) θ Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 21 / 44

22 Παρατηρήσεις Είναι: MSE(ˆθ) =Var(ˆθ) + [B(ˆθ)] 2 δηλαδή το μέσο τετραγωνικό σφάλμα μιας εκτιμήτριας είναι ίσο με τη διασπορά της συν το τετράγωνο της μεροληψίας της. Ορισμός: Μεταξύ δυο εκτιμητριών ˆθ 1 και ˆθ 2 για μια άγνωστη παράμετρο θ, η ˆθ 1 θεωρείται καλύτερη της ˆθ 2 ως προς το κριτήριο του ελάχιστου τετραγωνικού σφάλματος, αν MSE(ˆθ 1 ) < MSE(ˆθ 2 ) Παρατήρηση: Αν οι ˆθ 1 και ˆθ 2 είναι αμερόληπτες, τότε B(ˆθ 1 ) = B(ˆθ 2 ) = 0 και το κριτήριο ουσιαστικά συνίσταται στην επιλογή της εκτιμήτριας με μικρότερη διασπορά (δηλαδή της πιο αποτελεσματικής). Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 22 / 44

23 Δύο βασικές εκτιμήτριες: δειγματικός μέσος και δειγματική διασπορά Δειγματικός μέσος: X = X ν = 1 ν X i ν i=1 (πρόκειται επομένως για τον αριθμητικό μέσο των τ.μ. του δείγματος) Δειγματική διασπορά: S 2 = S 2 ν = 1 ν 1 ν (X i X) 2 Θεώρημα: Εστω X 1, X 2,..., X ν τυχαίο δείγμα από την κατανομή F με μέση τιμή µ και διασπορά σ 2. Είναι: E( X) = µ, Var( X) = σ2 ν, E(S2 ) = σ 2. Επίσης, αν µ 4 = E[(X i µ) 4 ] < ( τότε ) Var(S 2 ) = 1 ν µ 4 ν 3 ν 1 σ4 i=1 Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 23 / 44

24 Απόδειξη Είναι: E( X) = E ( 1 ν ν i=1 X ) i = 1 ν ν i=1 E(X i) = 1 ν νµ = µ Επειδή οι X i είναι ανεξάρτητες, η διασπορά έχει γραμμικότητα και: ) = 1 Var( X) =Var ( 1 ν ν i=1 X i Για την S 2 είναι: S 2 = 1 ν i=1 (X i X) 2 = 1 ν ν 2 i=1 Var(X i) = 1 ν νσ 2 = σ2 2 ν ν ν 1 ν 1 i=1 (X2 i 2X X i + X 2 ) = = 1 ν ν 1 i=1 X2 i 2 ν ν 1 i=1 X X i + 1 ν X ν 1 i=1 2 = = 1 ν ν 1 i=1 X2 i 2 X ν ν 1 i=1 X i + 1 ν 1 ν X 2 = = 1 ν ν 1 i=1 X2 i 2 Xν X ν ν 1 ν X 2 = ( = 1 ν ν 1 i=1 X2 i ν X 2) ( E(S 2 ) = 1 ν ν 1 i=1 E(X2 i ) νe( X 2 ) ) = ( = 1 ν ν 1 i=1 (µ2 + σ 2 ) ν(var( X) + E 2 ( X)) ) = ( ) = 1 ν 1 ν(µ 2 + σ 2 ) νσ2 ν νµ 2 = 1 ν 1 (ν 1)σ2 = σ 2 Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 24 / 44

25 Στοχαστική σύγκλιση τυχαίων μεταβλητών Ορισμός: Λέμε ότι η ακολουθία τ.μ. T ν (ν= 1, 2,... ) συγκλίνει στοχαστικά (ή αλλιώς συγκλίνει κατά πιθανότητα) στο θ ανν lim Pr{ T ν θ ɛ} = 0 ν p για οποιοδήποτε (οσοδήποτε μικρό) ɛ > 0. Γράφουμε T ν θ καθώς ν Με άλλα λόγια, καθώς το ν μεγαλώνει, η T ν πλησιάζει οσοδήποτε θέλουμε την τιμή θ με πολύ μεγάλη πιθανότητα που τείνει στο 1. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 25 / 44

26 Συνέπεια εκτιμητριών συναρτήσεων Ορισμός: Εστω τυχαίο δείγμα X 1, X 2,..., X ν από την κατανομή F (x; θ) όπου θ είναι άγνωστη παράμετρος και T ν ακολουθία εκτιμητριών συναρτήσεων: T ν = T ν (X 1, X 2,..., X ν ), ν = 1, 2,... Η T ν καλείται συνεπής για την παράμετρο θ αν p θ καθώς ν T ν Με άλλα λόγια, αν χρησιμοποιούμε συνεπή εκτιμήτρια, τότε ɛ > 0 (οσοδήποτε μικρό) είναι lim ν Pr{ T ν θ ɛ} = 0 και επομένως αν πάρουμε ένα καταλλήλως μεγάλο δείγμα πλησιάζουμε πάρα πολύ την πραγματική τιμή της θ. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 26 / 44

27 Σχέση συνέπειας με αποτελεσματικότητα και αμεροληψία Θεώρημα: Αν T ν αμερόληπτες εκτιμήτριες και Var(T ν ) 0 καθώς ν, τότε η T ν είναι συνεπής. Απόδειξη: Αφού η T ν είναι αμερόληπτη, είναι E(T ν ) = θ, και επομένως (από την ανισότητα Chebyshev): Pr{ T ν θ ɛ} Var(Tν) ɛ 2 ɛ > 0 Άρα, για ɛ > 0 σταθερό, είναι 0 Pr{ T ν θ ɛ} Var(Tν) ɛ 0 καθώς ν 2 p Άρα T ν θ. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 27 / 44

28 Ασυμπτωτική αμεροληψία Πρόκειται για ασθενέστερη συνθήκη σε σχέση με την αμεροληψία, αφού αντί για E(T ν ) = θ αρκεί E(T ν ) θ καθώς ν Θεώρημα: Αν T ν ασυμπτωτικά αμερόληπτη εκτιμήτρια και Var(T ν ) 0 (καθώς ν ), τότε η T ν είναι συνεπής. Απόδειξη: Εστω E(T ν ) = δ ν θ. Τότε Pr{ T ν θ ɛ} E[(Tν θ)2 ] ɛ 2 (1) Αλλά, E[(T ν θ) 2 ] = E[((T ν δ ν ) + (δ ν θ)) 2 ] = = Var(T ν ) + E[(δ ν θ) 2 ] + 2E[(T ν δ ν )(δ ν θ)] = = Var(T ν ) + (δ ν θ) 2 + 2(δ ν θ)e[(t ν δ ν )] = = Var(T ν ) + (δ ν θ) 2 0 αφού Var(T ν ) 0 και δ ν θ. Άρα E[(T ν θ) 2 ] 0 καθώς ν και η συνέπεια προκύπτει από την (1). Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 28 / 44

29 Ασυμπτωτική αμεροληψία Παρατήρηση 1: Μια αμερόληπτη εκτιμήτρια δεν είναι πάντα συνεπής (πρέπει επιπλέον να έχει διασπορά που τείνει στο μηδέν καθώς το μέγεθος του δείγματος αυξάνει). Αντιθέτως, μια συνεπής εκτιμήτρια είναι οπωσδήποτε ασυμπτωτικά αμερόληπτη. Παρατήρηση 2: Η συνέπεια (όπως και η ασυμπτωτική αμεροληψία) είναι ασυμπτωτικές ιδιότητες, δηλαδή αφορούν σε πολύ μεγάλα, μεταβαλλόμενα μεγέθη δειγμάτων. Αντιθέτως, η αμεροληψία και η αποτελεσματικότητα αναφέρονται σε δείγματα σχετικά μικρού, σταθερού μεγέθους. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 29 / 44

30 Δειγματικός μέσος και δειγματική διασπορά Θεώρημα: Εστω X 1, X 2,..., X ν τυχαίο δείγμα από κατανομή F με μέση τιμή µ και διασπορά σ 2 <. Η ακολουθία των δειγματικών μέσων X = X ν = 1 ν ν i=1 X i είναι συνεπής για την μέση τιμή µ της κατανομής, ενώ η ακολουθία των δειγματικών διασπορών S 2 = Sν 2 = 1 ν ν 1 i=1 (X i X) 2 είναι συνεπής για το σ 2. Απόδειξη: Δείξαμε πριν ότι E( X) = µ και Var( X) = σ2 ν 0 καθώς ν και επομένως η X είναι συνεπής για τη µ (επίσης είναι αμερόληπτη). ( Επίσης, δείξαμε ) ότι E(S 2 ) = σ 2 και Var(S 2 ) = 1 ν µ 4 ν 3 ν 1 σ 4 0 καθώς ν, και άρα η S 2 είναι συνεπής (και αμερόληπτη) για την σ 2. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 30 / 44

31 Δειγματικός μέσος και δειγματική διασπορά Παρατήρηση: Επομένως, μπορούμε πάντα να βρίσκουμε συνεπείς (και αμερόληπτες) εκτιμήτριες για την πληθυσμιακή μέση τιμή και την πληθυσμιακή διασπορά για ΟΠΟΙΑΔΗΠΟΤΕ κατανομή, υπό την έννοια ότι τέτοιες εκτιμήτριες είναι, για οποιαδήποτε κατανομή, ο δειγματικός μέσος όρος X (για τη µ) και η δειγματική διασπορά S 2 (για τη σ 2 ). Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 31 / 44

32 Το θεώρημα Slutsky Θεώρημα: Εστω T ν και W ν ακολουθίες τ.μ. για τις οποίες T ν p θ1 και W ν p θ2 καθώς ν. Είναι (για ν ): (i) g(t ν ) p g(θ 1 ) εφόσον η g είναι συνεχής στο θ 1 (ii) T ν ± W ν p θ1 ± θ 2 (iii) T ν W ν p θ1 θ 2 (iv) Tν W ν p θ 1 θ 2, εφόσον θ 2 0 Το θεώρημα αυτό είναι πολύ χρήσιμο κατά την κατασκευή συνεπών εκτιμητριών (βασιζόμενοι σε εκτιμήτριες των οποίων η συνέπεια είναι γνωστή). Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 32 / 44

33 Παράδειγμα Ο αριθμός των s που φτάνουν σε έναν server σε μια ορισμένη περίοδο της ημέρας (π.χ. από τις 9π.μ. έως τις 10π.μ.) ακολουθεί την κατανομή Poisson με παράμετρο λ. Αν X 1, X 2,..., X ν είναι οι αριθμοί των s που φτάνουν στον server σε τυχαίο δείγμα ν ημερών, να βρεθεί συνεπής εκτιμήτρια α) για την μέση τιμή του αριθμού των s β) για την πιθανότητα να μην έρθει κανένα από τις 9π.μ. έως τις 10π.μ. μιας ημέρας. Λύση: α) Οπως είδαμε, μια συνεπής εκτιμήτρια για την μέση τιμή µ = λ είναι ο δειγματικός μέσος όρος X ν = X = 1 ν ν i=1 X i β) Είναι Pr{X 1 = 0} = e λ λ0 0! = e λ Αφού X p ν λ ορίζω την Wν = e X ν η οποία είναι συνεπής για την ποσότητα e λ αφού g(t ν ) p g(θ 1 ) και εδώ W ν = g( X ν ) = e X ν p g(θ1 ) = e λ. (η προϋπόθεση της συνέχειας της e λ στο λ > 0 ισχύει). Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 33 / 44

34 Μέθοδοι εύρεσης εκτιμητριών Μέθοδος των ροπών Μέθοδος μέγιστης πιθανοφάνειας Μέθοδος ελάχιστων τετραγώνων Πρόκειται για γενικές μεθοδολογίες (επιπλέον των ad hoc μεθόδων και των θεωρητικών αναλύσεων) που επιτρέπουν την υιοθέτηση κάποιας αρχής βελτιστοποίησης κατά την κατασκευή εκτιμητριών με επιθυμητές ιδιότητες. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 34 / 44

35 Μέθοδος των ροπών Είναι η παλαιότερη μέθοδος Βασική ιδέα: εξίσωση μερικών (έστω K) από τις πρώτες ροπές της πληθυσμιακής κατανομής περί το μηδέν με τις αντίστοιχες ροπές του τυχαίου δείγματος. Παίρνουμε τόσες εξισώσεις (ροπές) όσος είναι ο αριθμός των αγνώστων παραμέτρων που θέλουμε να εκτιμήσουμε Λύνουμε το K K σύστημα και βρίσκουμε εκτιμήσεις των παραμέτρων Θυμίζουμε ότι, οι πληθυσμιακές ροπές τάξης r είναι m r = E(X r ) ενώ η δειγματική ροπή τάξης r είναι ν r = 1 n n i=1 Xr i Παρατηρήσεις: Οι προκύπτουσες εκτιμήτριες είναι συχνά μεροληπτικές Επίσης, είναι δύσκολο να διατυπωθεί συμπέρασμα σχετικά με την αποτελεσματικότητα Ωστόσο η μέθοδος είναι πολύ απλή και κάτω από ορισμένες συνθήκες οι εκτιμήτριες που παράγει είναι συνεπείς. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 35 / 44

36 Παράδειγμα Εστω X 1, X 2,..., X ν τυχαίο δείγμα από ομοιόμορφο πληθυσμό (κατανομή U(a, b)) με παραμέτρους a = 0 και b = θ (άγνωστο) α) Να βρεθεί εκτιμήτρια της παραμέτρου b με τη μέθοδο των ροπών και β) να ελεγχθεί η συνέπειά της. Λύση: α) Η πρώτη πληθυσμιακή ροπή περί την αρχή είναι: m 1 = E(X 1 ) = a+b 2 = θ 2 Η πρώτη δειγματική ροπή περί το μηδέν είναι: ν 1 = 1 n n i=1 X i = X Άρα από το (1 1) σύστημα m 1 = ν 1 παίρνουμε θ 2 = X και η εκτιμήτρια είναι ˆθ = 2 X. β) Είναι E(ˆθ) = E(2 X) = E( 2 n (X 1 +X 2 + +X n ) = 2 n ne(x i) = 2 θ 2 = θ και Var(ˆθ) = Var(2 X) = 4Var( X 1+X 2 + +X n n ) = 4 n θ2 n 2 12 = θ2 3n 0 καθώς n και επομένως η ˆθ = 2 X είναι συνεπής. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 36 / 44

37 Παράδειγμα Να βρεθούν με τη μέθοδο των ροπών εκτιμήτριες συναρτήσεις της μέσης τιμής και της διασποράς σ 2 ενός κανονικού πληθυσμού με κατανομή N(µ, σ 2 ) Λύση: Εχουμε 2 άγνωστες παραμέτρους, άρα παίρνουμε 2 ροπές (εξισώσεις). Οι πληθυσμιακές ροπές 1ης και 2ης τάξης είναι: m 1 = E(X) = µ και m 2 = E(X 2 ) = Var(X) + E 2 (X) = σ 2 + µ 2 Οι αντίστοιχες δειγματικές ροπές είναι: ν 1 = 1 n n i=1 X i = X, και ν 2 = 1 n n i=1 X2 i Άρα, το{ 2 2 σύστημα { είναι: m 1 = ν 1 µ = X (1) m 2 = ν 2 σ 2 + µ 2 = 1 n n i=1 X2 i (2) Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 37 / 44

38 Παράδειγμα (συνέχεια) Άρα, η εκτιμήτρια της µ είναι η ˆθ 1 = X και είναι συνεπής. Η εκτιμήτρια ˆθ 2 της σ 2 είναι: (2) σ 2 n i=1 = X2 i n µ 2 n i=1 = X2 i n X ( 2 = 1 n n i=1 X2 i n X 2) = = 1 n n i=1 (X i X) 2 την οποία και παίρνουμε ως εκτιμήτρια της διασποράς σ 2. Είναι E( ˆθ 2 ) = n 1 1 n n 1 n i=1 (X i X) 2 = n 1 1 n n n 1 i=1 (X i X) 2 = (1 1 n )S2 όπου S 2 η δειγματική διασπορά. Άρα E( ˆθ 2 ) S 2 και η ˆθ 2 δεν είναι αμερόληπτη (αλλά είναι ασυμπτωτικά αμερόληπτη). Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 38 / 44

39 Παράδειγμα Δίνεται πληθυσμός με pdf : f(x, θ) = (θ + 1)x θ, x [0, 1]. Να βρεθεί εκτιμήτρια της παραμέτρου θ με την μέθοδο των ροπών. Λύση: Η πρώτη πληθυσμιακή ροπή είναι: 1 m 1 = E(X) = x(θ + 1)x θ dx = (θ + 1) xθ+2 θ+2 Η πρώτη δειγματική ροπή είναι: ν 1 = 1 n n i=1 X i = X Από την εξίσωση m 1 = ν 1 παίρνουμε θ+1 θ+2 = X θ = 2 X 1 1 X και η εκτιμήτρια είναι ˆθ = 2 X 1 1 X = θ+1 θ+2 Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 39 / 44

40 Μέθοδος μέγιστης πιθανοφάνειας Είναι μια από τις πλέον σημαντικές μεθόδους. Βασική ιδέα: εύρεση εκτιμητριών τέτοιων ώστε να μεγιστοποιείται η πιθανότητα εμφάνισης των τιμών του συγκεκριμένου τυχαίου δείγματος. Εστω τυχαίο δείγμα από κατανομή f(x; θ). Η (πληθυσμιακή) κατανομή πιθανότητας του δείγματος είναι προφανώς (θεωρούμε το θ σταθερό): f(x 1, x 2,..., x n; θ) = f(x 1; θ)f(x 2; θ) f(x n; θ) Αν τώρα θεωρήσουμε σταθερές τις (πραγματοποιημένες) τιμές του δείγματος και την θ ως μεταβλητή, θα έχουμε τη συνάρτηση πιθανοφάνειας (likelihood) του δείγματος: L(x 1, x 2,..., x n; θ) = L(θ) = f(x 1; θ)f(x 2; θ) f(x n; θ) (ουσιαστικά πρόκειται για την ίδια ποσότητα, απλώς αλλάζουν οι σταθερές και η μεταβλητή.) Συνήθως, για κάθε άγνωστη παράμετρο θ, υπάρχει μια μοναδική τιμή του θ που μεγιστοποιεί τη συνάρτηση πιθανοφάνειας L(θ). Η τιμή αυτή ονομάζεται εκτιμήτρια μέγιστης πιθανοφάνειας (MLE) της θ και συμβολίζεται ˆθ. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 40 / 44

41 Μέθοδος μέγιστης πιθανοφάνειας Παρατήρηση: Η αρχή της μέγιστης πιθανοφάνειας διαισθητικά βασίζεται στο ότι το παρατηρηθέν δείγμα είναι ένα γεγονός E = {x 1, x 2,..., x n } και η συνάρτηση πιθανοφάνειας είναι η πιθανότητα εμφάνισής του. Αφού όμως το γεγονός συνέβη πρέπει να έχει μεγάλη πιθανότητα, και η μεγιστοποίηση της L(θ) = L(x 1, x 2,..., x n ; θ) σημαίνει επιλογή εκείνης της τιμής του θ που μεγιστοποιεί την πιθανότητα εμφάνισης του E = {x 1, x 2,..., x n }. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 41 / 44

42 Περιγραφή της MLE μεθόδου Ουσιαστικά χρησιμοποιούμε κλασσικές μεθόδους εύρεσης μέγιστων τιμών παραγωγίσιμων συναρτήσεων: 1. Κατασκευάζουμε τη συνάρτηση πιθανοφάνειας των δεδομένων του δείγματος με βάση την κατανομή που ακολουθούν: L(θ) = L(x 1, x 2,..., x n ; θ) = n i=1 f(x i; θ) 2. Παίρνουμε το λογάριθμο της L(θ) (για διευκόλυνση των πράξεων) και παραγωγίζουμε ως προς την άγνωστη θ, βρίσκουμε δηλαδή την d ln L(θ) dθ 3.Βρίσκουμε την τιμή της θ (υποψήφια εκτιμήτρια ˆθ) ώστε d ln L(θ) dθ = 0 ˆθ = Δείχνουμε ότι η δεύτερη παράγωγος είναι αρνητική ώστε η λύση να αντιστοιχεί σε ολικό μέγιστο: d 2 ln L(θ) d 2 θ < 0 θ=ˆθ Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 42 / 44

43 Παράδειγμα Δίνεται τυχαίο δείγμα X 1, X 2,..., X n από εκθετική κατανομή άγνωστης μέσης τιμής θ. Να βρεθεί εκτιμήτρια της θ με την MLE μέθοδο. Λύση: Η συνάρτηση πιθανοφάνειας είναι: L(θ) = n i=1 f(x i; θ) = n i=1 1 x θ e i θ = ( ) 1 n n i=1 x i θ e θ ln L(θ) = ln ( ) 1 n n i=1 x i n + ln e θ i=1 = = n ln θ x i d ln L(θ) θ n i=1 x i n Άρα dθ = 0 θ = = X και η υποψήφια εκτιμήτρια είναι η ˆθ = X Επίσης d2 ln L(θ) < 0 nθ < 2n X που ισχύει για d 2 θ θ = ˆθ = X και επομένως η MLE είναι πράγματι η ˆθ = X. θ Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 43 / 44

44 Μέθοδος ελάχιστων τετραγώνων Η μέθοδος αποσκοπεί στην εύρεση εκτιμητριών που βελτιστοποιούν όσο το δυνατόν περισσότερες επιθυμητές ιδιότητες. Κριτήριο επιλογής: Η ελαχιστοποίηση του αθροίσματος των τετραγώνων των αποκλίσεων ( σφαλμάτων ) μεταξύ των δειγματοληπτικών τιμών και των προς εκτίμηση (θεωρητικών, από την κατανομή) τιμών της τυχαίας μεταβλητής. Παράδειγμα: Αν προσπαθούμε να εκτιμήσουμε την μέση τιμή µ ενός πληθυσμού, επιλέγουμε ως εκτιμήτρια την τιμή ˆµ του µ που για το συγκεκριμένο δείγμα ελαχιστοποιεί την συνάρτηση Q: Q = n i=1 (X i µ) 2 Η ελαχιστοποίηση της Q γίνεται με παραγώγιση (όπως και στην MLE ). Στο συγκεκριμένο παράδειγμα προκύπτει εύκολα (άσκηση!) ότι η Q ελαχιστοποιείται για ˆµ = X. Παρατήρηση: Η μέθοδος οδηγεί σε εκτιμήτριες που ελαχιστοποιούν την διακύμανση (μεταξύ όλων των αμερόληπτων εκτιμητριών). Αρκετά γενικά, οι εκτιμήτριες αυτές είναι συνεπείς. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 44 / 44

Διάλεξη 1: Στατιστική Συμπερασματολογία - Εκτίμηση Σημείου

Διάλεξη 1: Στατιστική Συμπερασματολογία - Εκτίμηση Σημείου Διάλεξη 1: Στατιστική Συμπερασματολογία - Εκτίμηση Σημείου Στατιστική Συμπερασματολογία Εκτιμητική Έλεγχος Στατιστικών Υποθέσεων εκτιμήτρια συνάρτηση, ˆ θ σημειακή εκτίμηση εκτίμηση με διάστημα εμπιστοσύνης

Διαβάστε περισσότερα

Στατιστική Συμπερασματολογία

Στατιστική Συμπερασματολογία 4. Εκτιμητική Στατιστική Συμπερασματολογία εκτιμήσεις των αγνώστων παραμέτρων μιας γνωστής από άποψη είδους κατανομής έλεγχο των υποθέσεων που γίνονται σε σχέση με τις παραμέτρους μιας κατανομής και σε

Διαβάστε περισσότερα

Μέρος II. Στατιστική Συμπερασματολογία (Inferential Statistics)

Μέρος II. Στατιστική Συμπερασματολογία (Inferential Statistics) Μέρος II. Στατιστική Συμπερασματολογία (Inferential Statistics) Τυχαίο δείγμα και στατιστική συνάρτηση Χ={x 1, x,, x n } τυχαίο δείγμα μεγέθους n προερχόμενο από μια (παραμετρική) κατανομή με σ.π.π. f(x;θ).

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ 2 ΑΝΑΣΚΟΠΗΣΗ ΑΠΑΡΑΙΤΗΤΩΝ ΓΝΩΣΕΩΝ: ΕΚΤΙΜΗΤΕΣ

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

Διαβάστε περισσότερα

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

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

Διαβάστε περισσότερα

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

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

Διαβάστε περισσότερα

Εφαρμοσμένη Στατιστική

Εφαρμοσμένη Στατιστική ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Εφαρμοσμένη Στατιστική Εκτιμητική Διδάσκων: Επίκουρος Καθηγητής Κωνσταντίνος Μπλέκας Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης

Διαβάστε περισσότερα

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

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

Διαβάστε περισσότερα

ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ Ι Συμπληρωματικές Σημειώσεις Δημήτριος Παντελής

ΕΦΑΡΜΟΣΜΕΝΗ 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 περισσότερα

TMHMA OIKONOMIKΩN ΕΠΙΣΤΗΜΩΝ Διαγώνισμα Προόδου Στατιστικής III

TMHMA OIKONOMIKΩN ΕΠΙΣΤΗΜΩΝ Διαγώνισμα Προόδου Στατιστικής III 0 TMHMA OIKONOMIKΩN ΕΠΙΣΤΗΜΩΝ Διαγώνισμα Προόδου Στατιστικής III Νοέμβριος Eστω,,, τυχαίο δείγμα από κατανομή f( x; ), όπου συμβολίζει άγνωστη παράμετρο (a) Να ορισθεί η έννοια του επαρκούς στατιστικού

Διαβάστε περισσότερα

Περιεχόμενα 5ης Διάλεξης 1 Ανισότητα Markov 2 Διασπορά 3 Συνδιασπορά 4 Ανισότητα Chebyshev 5 Παραδείγματα Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 5

Περιεχόμενα 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 περισσότερα

Στατιστική Επιχειρήσεων ΙΙ

Στατιστική Επιχειρήσεων ΙΙ ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα Στατιστική Επιχειρήσεων ΙΙ Ενότητα #3: Εκτιμητική Μιλτιάδης Χαλικιάς Τμήμα Διοίκησης Επιχειρήσεων Άδειες Χρήσης Το παρόν εκπαιδευτικό

Διαβάστε περισσότερα

Σημειακή εκτίμηση και εκτίμηση με διάστημα. 11 η Διάλεξη

Σημειακή εκτίμηση και εκτίμηση με διάστημα. 11 η Διάλεξη Σημειακή εκτίμηση και εκτίμηση με διάστημα 11 η Διάλεξη Εκτιμήτρια Κάθε στατιστική συνάρτηση που χρησιμοποιείται για την εκτίμηση μιας παραμέτρου ενός πληθυσμού (π.χ. ο δειγματικός μέσος) Σημειακή εκτίμηση

Διαβάστε περισσότερα

(X1 X 2 ) 2}. ( ) f 1 (x i ; θ) = θ x i. (1 θ) n x i. x i log. i=1. i=1 t2 i

(X1 X 2 ) 2}. ( ) f 1 (x i ; θ) = θ x i. (1 θ) n x i. x i log. i=1. i=1 t2 i ΕΞΕΤΑΣΗ ΤΟΥ ΜΑΘΗΜΑΤΟΣ ΣΤΑΤΙΣΤΙΚΗ I: ΕΚΤΙΜΗΤΙΚΗ 8 Ιουνίου 005 Εξεταστική περίοδος Ιουνίου 005 ΘΕΜΑΤΑ Εστω X = (X,, X n ), n, τυχαίο δείγµα από κατανοµή Bernoull B(, θ), θ Θ = (0, ) (α) (0 µονάδες) Να δειχθεί

Διαβάστε περισσότερα

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

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

Διαβάστε περισσότερα

ΕΚΤΙΜΗΣΗ ΠΟΣΟΣΤΙΑΙΩΝ ΣΗΜΕΙΩΝ ΓΙΑ ΕΠΙΛΕΓΜΕΝΟ ΕΚΘΕΤΙΚΟ ΠΛΗΘΥΣΜΟ ΑΠΟ k ΠΛΗΘΥΣΜΟΥΣ

ΕΚΤΙΜΗΣΗ ΠΟΣΟΣΤΙΑΙΩΝ ΣΗΜΕΙΩΝ ΓΙΑ ΕΠΙΛΕΓΜΕΝΟ ΕΚΘΕΤΙΚΟ ΠΛΗΘΥΣΜΟ ΑΠΟ k ΠΛΗΘΥΣΜΟΥΣ ΚΩΝΣΤΑΝΤΙΝΟΣ Γ. ΑΓΓΕΛΟΥ ΕΚΤΙΜΗΣΗ ΠΟΣΟΣΤΙΑΙΩΝ ΣΗΜΕΙΩΝ ΓΙΑ ΕΠΙΛΕΓΜΕΝΟ ΕΚΘΕΤΙΚΟ ΠΛΗΘΥΣΜΟ ΑΠΟ k ΠΛΗΘΥΣΜΟΥΣ ΜΕΤΑΠΤΥΧΙΑΚΗ ΔΙΑΤΡΙΒΗ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ «ΜΑΘΗΜΑΤΙΚΑ

Διαβάστε περισσότερα

Εκτιμητές Μεγίστης Πιθανοφάνειας (Maximum Likelihood Estimators MLE)

Εκτιμητές Μεγίστης Πιθανοφάνειας (Maximum Likelihood Estimators MLE) Εκτιμητές Μεγίστης Πιθανοφάνειας (Maximum Likelihood Estimators MLE) Εστω τ.δ. X={x, x,, x } με κατανομή με σ.π.π. f(x;θ). Η από-κοινού σ.π.π. των δειγμάτων είναι η συνάρτηση L f x, x,, x; f x i ; και

Διαβάστε περισσότερα

3. ΣΤΡΩΜΑΤΟΠΟΙΗΜΕΝΗ ΤΥΧΑΙΑ ΔΕΙΓΜΑΤΟΛΗΨΙΑ (Stratified Random Sampling)

3. ΣΤΡΩΜΑΤΟΠΟΙΗΜΕΝΗ ΤΥΧΑΙΑ ΔΕΙΓΜΑΤΟΛΗΨΙΑ (Stratified Random Sampling) 3 ΣΤΡΩΜΑΤΟΠΟΙΗΜΕΝΗ ΤΥΧΑΙΑ ΔΕΙΓΜΑΤΟΛΗΨΙΑ (Stratfed Radom Samplg) Είναι προφανές από τα τυπικά σφάλματα των εκτιμητριών των προηγούμενων παραγράφων, ότι ένας τρόπος να αυξηθεί η ακρίβεια τους είναι να αυξηθεί

Διαβάστε περισσότερα

Εκτιμήτριες. Κώστας Γλυκός ΜΑΘΗΜΑΤΙΚΟΣ. Ασκήσεις για ΑΕΙ και ΤΕΙ. Kglykos.gr. σε Εκτιμήτριες. μέθοδος ροπών και μέγιστης πιθανοφάνειας

Εκτιμήτριες. Κώστας Γλυκός ΜΑΘΗΜΑΤΙΚΟΣ. Ασκήσεις για ΑΕΙ και ΤΕΙ. Kglykos.gr. σε Εκτιμήτριες. μέθοδος ροπών και μέγιστης πιθανοφάνειας Εκτιμήτριες Κώστας Γλυκός Ασκήσεις για ΑΕΙ και ΤΕΙ σε Εκτιμήτριες Ι δ ι α ί τ ε ρ α μ α θ ή μ α τ α μέθοδος ροπών και μέγιστης πιθανοφάνειας κριτήρια αμεροληψίας και συνέπειας 9 άλυτες ασκήσεις 6 9 7.

Διαβάστε περισσότερα

CRAMER-RAO ΚΑΤΩ ΦΡΑΓΜΑ - ΑΠΟ ΟΤΙΚΟΙ ΕΚΤΙΜΗΤΕΣ

CRAMER-RAO ΚΑΤΩ ΦΡΑΓΜΑ - ΑΠΟ ΟΤΙΚΟΙ ΕΚΤΙΜΗΤΕΣ CRAMER-RAO ΚΑΤΩ ΦΡΑΓΜΑ - ΑΠΟ ΟΤΙΚΟΙ ΕΚΤΙΜΗΤΕΣ Τµήµα Μαθηµατικών, Πανεπιστήµιο Πατρών Θεώρηµα Cramer-Rao Θεώρηµα Cramer-Rao Εστω X = (X 1, X,...,X n ) ένα δείγµα µε από κοινού πυκνότητα πιθανότητας f X

Διαβάστε περισσότερα

Μέθοδος μέγιστης πιθανοφάνειας

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

Διαβάστε περισσότερα

iii ΠΕΡΙΕΧΟΜΕΝΑ Πρόλογος

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

Διαβάστε περισσότερα

Κεφάλαιο 1. Εισαγωγή: Βασικά Στοιχεία Θεωρίας Πιθανοτήτων και Εκτιμητικής

Κεφάλαιο 1. Εισαγωγή: Βασικά Στοιχεία Θεωρίας Πιθανοτήτων και Εκτιμητικής Κεφάλαιο 1. Εισαγωγή: Βασικά και Εκτιμητικής Ορισμός 1.1. Όλα τα δυνατά αποτελέσματα ενός πειράματος αποτελούν το δειγματοχώρο (sample space) που συμβολίζεται με. Κάθε δυνατό αποτέλεσμα του πειράματος,

Διαβάστε περισσότερα

ΠΕΡΙΕΧΟΜΕΝΑ ΜΕΡΟΣ ΠΡΩΤΟ: ΠΙΘΑΝΟΤΗΤΕΣ 11 ΚΕΦΑΛΑΙΟ 1 ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΠΙΘΑΝΟΤΗΤΑΣ 13

ΠΕΡΙΕΧΟΜΕΝΑ ΜΕΡΟΣ ΠΡΩΤΟ: ΠΙΘΑΝΟΤΗΤΕΣ 11 ΚΕΦΑΛΑΙΟ 1 ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΠΙΘΑΝΟΤΗΤΑΣ 13 ΠΕΡΙΕΧΟΜΕΝΑ ΜΕΡΟΣ ΠΡΩΤΟ: ΠΙΘΑΝΟΤΗΤΕΣ 11 ΚΕΦΑΛΑΙΟ 1 ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΠΙΘΑΝΟΤΗΤΑΣ 13 ΚΕΦΑΛΑΙΟ 2 ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΠΙΘΑΝΟΤΗΤΑΣ 20 2.1 Αβεβαιότητα, Τυχαία Διαδικασία, και Συναφείς Έννοιες 20 2.1.1 Αβεβαιότητα

Διαβάστε περισσότερα

Στατιστική Επιχειρήσεων ΙΙ

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

Διαβάστε περισσότερα

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

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

Διαβάστε περισσότερα

ΠΕΡΙΕΧΟΜΕΝΑ ΚΕΦΑΛΑΙΟ 3 ΔΕΣΜΕΥΜΕΝΗ ΠΙΘΑΝΟΤΗΤΑ, ΟΛΙΚΗ ΠΙΘΑΝΟΤΗΤΑ ΘΕΩΡΗΜΑ BAYES, ΑΝΕΞΑΡΤΗΣΙΑ ΚΑΙ ΣΥΝΑΦΕΙΣ ΕΝΝΟΙΕΣ 71

ΠΕΡΙΕΧΟΜΕΝΑ ΚΕΦΑΛΑΙΟ 3 ΔΕΣΜΕΥΜΕΝΗ ΠΙΘΑΝΟΤΗΤΑ, ΟΛΙΚΗ ΠΙΘΑΝΟΤΗΤΑ ΘΕΩΡΗΜΑ BAYES, ΑΝΕΞΑΡΤΗΣΙΑ ΚΑΙ ΣΥΝΑΦΕΙΣ ΕΝΝΟΙΕΣ 71 ΠΕΡΙΕΧΟΜΕΝΑ ΜΕΡΟΣ ΠΡΩΤΟ ΠΙΘΑΝΟΤΗΤΕΣ 11 ΚΕΦΑΛΑΙΟ 1 ΕΙΣΑΓΩΓΗ 13 ΚΕΦΑΛΑΙΟ 2 ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΠΙΘΑΝΟΤΗΤΑΣ 19 2.1 Αβεβαιότητα, Τυχαία Διαδικασία, και Συναφείς Έννοιες 21 2.1.1 Αβεβαιότητα και Τυχαίο Πείραμα

Διαβάστε περισσότερα

Είδη Μεταβλητών. κλίµακα µέτρησης

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

Διαβάστε περισσότερα

ΣΤΑΤΙΣΤΙΚΗ ΣΥΜΠΕΡΑΣΜΑΤΟΛΟΓΙΑ για τη λήψη αποφάσεων

ΣΤΑΤΙΣΤΙΚΗ ΣΥΜΠΕΡΑΣΜΑΤΟΛΟΓΙΑ για τη λήψη αποφάσεων ΣΤΑΤΙΣΤΙΚΗ ΣΥΜΠΕΡΑΣΜΑΤΟΛΟΓΙΑ για τη λήψη αποφάσεων ΠΡΑΓΜΑΤΙΚΟ ΚΟΣΤΟΣ ΣΥΛΛΟΓΗ ΠΛΗΡΟΦΟΡΙΩΝ ΕΚΤΙΜΗΣΗ ΠΑΡΑΜΕΤΡΩΝ ΕΠΙΛΟΓΗ ΚΑΤΑΝΟΜΗΣ Υπολογισμός πιθανοτήτων και πρόβλεψη τιμών από τις τιμές των παραμέτρων και

Διαβάστε περισσότερα

ΠΕΡΙΕΧΟΜΕΝΑ ΜΕΡΟΣ ΠΡΩΤΟ ΠΙΘΑΝΟΤΗΤΕΣ 13 ΚΕΦΑΛΑΙΟ 1 ΕΙΣΑΓΩΓΗ 15 ΚΕΦΑΛΑΙΟ 2 ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΠΙΘΑΝΟΤΗΤΑΣ 19

ΠΕΡΙΕΧΟΜΕΝΑ ΜΕΡΟΣ ΠΡΩΤΟ ΠΙΘΑΝΟΤΗΤΕΣ 13 ΚΕΦΑΛΑΙΟ 1 ΕΙΣΑΓΩΓΗ 15 ΚΕΦΑΛΑΙΟ 2 ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΠΙΘΑΝΟΤΗΤΑΣ 19 ΠΕΡΙΕΧΟΜΕΝΑ ΜΕΡΟΣ ΠΡΩΤΟ ΠΙΘΑΝΟΤΗΤΕΣ 13 ΚΕΦΑΛΑΙΟ 1 ΕΙΣΑΓΩΓΗ 15 ΚΕΦΑΛΑΙΟ 2 ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΠΙΘΑΝΟΤΗΤΑΣ 19 2.1 Αβεβαιότητα, Τυχαία Διαδικασία, και Συναφείς Έννοιες 21 2.1.1 Αβεβαιότητα και Τυχαίο Πείραμα

Διαβάστε περισσότερα

ΣΗΜΕΙΩΣΕΙΣ ΓΙΑ ΤΗ ΣΤΑΤΙΣΤΙΚΗ ΙΙ ΕΛΕΓΧΟΙ ΥΠΟΘΕΣΕΩΝ, ΑΠΛΗ ΠΑΛΙΝΔΡΟΜΗΣΗ

ΣΗΜΕΙΩΣΕΙΣ ΓΙΑ ΤΗ ΣΤΑΤΙΣΤΙΚΗ ΙΙ ΕΛΕΓΧΟΙ ΥΠΟΘΕΣΕΩΝ, ΑΠΛΗ ΠΑΛΙΝΔΡΟΜΗΣΗ ΣΗΜΕΙΩΣΕΙΣ ΓΙΑ ΤΗ ΣΤΑΤΙΣΤΙΚΗ ΙΙ ΕΛΕΓΧΟΙ ΥΠΟΘΕΣΕΩΝ, ΑΠΛΗ ΠΑΛΙΝΔΡΟΜΗΣΗ ΣΙΜΟΣ ΜΕΙΝΤΑΝΗΣ, Αναπληρωτής Καθηγητής Τμήμα Οικονομικών Επιστημών, ΕΚΠΑ ΓΙΑΝΝΗΣ Κ. ΜΠΑΣΙΑΚΟΣ, Επίκουρος Καθηγητής Τμήμα Οικονομικών

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ 0. Απλή Γραμμική Παλινδρόμηση. Ένα Πρόβλημα. Η επιδιωκόμενη ιδιότητα. Ένα χρήσιμο γράφημα. Οι υπολογισμοί. Η μέθοδος ελαχίστων τετραγώνων ...

ΚΕΦΑΛΑΙΟ 0. Απλή Γραμμική Παλινδρόμηση. Ένα Πρόβλημα. Η επιδιωκόμενη ιδιότητα. Ένα χρήσιμο γράφημα. Οι υπολογισμοί. Η μέθοδος ελαχίστων τετραγώνων ... ΚΕΦΑΛΑΙΟ 0 Ένα Πρόβλημα Δεδομένα.6 3. 3.8 4. 4.4 5.8 6.0 6.7 7. 7.8 5.6 7.9 8.0 8. 8. 9. 9.5 9.4 9.6 9.9 Απλή Γραμμική Παλινδρόμηση Μωυσιάδης Χρόνης 6 o Εξάμηνο Μαθηματικών Έχει σχέση το με το ; Ειδικότερα

Διαβάστε περισσότερα

Έλεγχος υποθέσεων και διαστήματα εμπιστοσύνης

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

Διαβάστε περισσότερα

Ανάλυση Δεδοµένων µε χρήση του Στατιστικού Πακέτου R

Ανάλυση Δεδοµένων µε χρήση του Στατιστικού Πακέτου R Ανάλυση Δεδοµένων µε χρήση του Στατιστικού Πακέτου R, Επίκουρος Καθηγητής, Τοµέας Μαθηµατικών, Σχολή Εφαρµοσµένων Μαθηµατικών και Φυσικών Επιστηµών, Εθνικό Μετσόβιο Πολυτεχνείο. Περιεχόµενα Εισαγωγή στη

Διαβάστε περισσότερα

Κεφ. Ιο ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΘΕΩΡΙΑΣ ΠΙΘΑΝΟΤΗΤΩΝ

Κεφ. 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 περισσότερα

Στατιστική Επιχειρήσεων ΙΙ

Στατιστική Επιχειρήσεων ΙΙ ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα Στατιστική Επιχειρήσεων ΙΙ Ενότητα #: Επαγωγική Στατιστική - Δειγματοληψία Μιλτιάδης Χαλικιάς Τμήμα Διοίκησης Επιχειρήσεων Άδειες

Διαβάστε περισσότερα

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

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 06-07 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Λέκτορας v.outras@e.aegea.gr Τηλ: 7035468 Μέθοδος Υπολογισμού

Διαβάστε περισσότερα

Απλή Παλινδρόμηση και Συσχέτιση

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

Διαβάστε περισσότερα

9. Παλινδρόμηση και Συσχέτιση

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

Διαβάστε περισσότερα

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

Διαστήματα εμπιστοσύνης. Δρ. Αθανάσιος Δαγούμας, Επ. Καθηγητής Οικονομικής της Ενέργειας & των Φυσικών Πόρων, Πανεπιστήμιο Πειραιώς Διαστήματα εμπιστοσύνης Δρ. Αθανάσιος Δαγούμας, Επ. Καθηγητής Οικονομικής της Ενέργειας & των Φυσικών Πόρων, Πανεπιστήμιο Πειραιώς Διαστήματα εμπιστοσύνης Το διάστημα εμπιστοσύνης είναι ένα διάστημα αριθμών

Διαβάστε περισσότερα

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

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

Διαβάστε περισσότερα

7. Εκτιμήσεις Τιμων Δεικτων

7. Εκτιμήσεις Τιμων Δεικτων Μαθηματικά και Στατιστικη στην Βιολογια ΧΕΙΜΕΡΙΝΟ ΕΞΑΜΗΝΟ (1 ο ) Τμημα Βιολογιας Αριστοτελειο Πανεπιστημιο Θεσσαλονικης Mathematics and Statistics in Biology WINTER SEMESTER (1 st ) School of Biology Aristotle

Διαβάστε περισσότερα

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

Σ ΤΑΤ Ι Σ Τ Ι Κ Η. Statisticum collegium Iii Σ ΤΑΤ Ι Σ Τ Ι Κ Η i Statisticum collegium Iii Η Κανονική Κατανομή Λέμε ότι μία τυχαία μεταβλητή X, ακολουθεί την Κανονική Κατανομή με παραμέτρους και και συμβολίζουμε X N, αν έχει συνάρτηση πυκνότητας

Διαβάστε περισσότερα

3. Κατανομές πιθανότητας

3. 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 περισσότερα

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

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

Διαβάστε περισσότερα

Στατιστική Συμπερασματολογία

Στατιστική Συμπερασματολογία Στατιστική Συμπερασματολογία Διαφάνειες 2 ου κεφαλαίου Σταύρος Χατζόπουλος 20/02/2017, 06/03/2017, 13/03/2017 1 Κεφάλαιο 2. Έλεγχος Απλών Υποθέσεων Τα προβλήματα ελέγχου υποθέσεων απορρέουν από παρατηρήσεις

Διαβάστε περισσότερα

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

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

Διαβάστε περισσότερα

Μέρος V. Ανάλυση Παλινδρόμηση (Regression Analysis)

Μέρος V. Ανάλυση Παλινδρόμηση (Regression Analysis) Μέρος V. Ανάλυση Παλινδρόμηση (Regresso Aalss) Βασικές έννοιες Απλή Γραμμική Παλινδρόμηση Πολλαπλή Παλινδρόμηση Εφαρμοσμένη Στατιστική Μέρος 5 ο - Κ. Μπλέκας () Βασικές έννοιες Έστω τ.μ. Χ,Υ όπου υπάρχει

Διαβάστε περισσότερα

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

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

Διαβάστε περισσότερα

pdf: 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

pdf: 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 περισσότερα

Κεφάλαιο 10 Εισαγωγή στην Εκτίμηση

Κεφάλαιο 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 περισσότερα

x P (x) c P (x) = c P (x), x S : x c

x 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 περισσότερα

ΠΟΣΟΤΙΚΕΣ ΜΕΘΟΔΟΙ ΙI (ΣΤΑΤΙΣΤΙΚΗ ΓΙΑ ΤΗ ΔΙΟΙΚΗΣΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ) (ΟΔΕ 2116)

ΠΟΣΟΤΙΚΕΣ ΜΕΘΟΔΟΙ ΙI (ΣΤΑΤΙΣΤΙΚΗ ΓΙΑ ΤΗ ΔΙΟΙΚΗΣΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ) (ΟΔΕ 2116) Σελίδα 1 ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΟΡΓΑΝΩΣΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΜΑΘΗΜΑ: ΠΟΣΟΤΙΚΕΣ ΜΕΘΟΔΟΙ ΙΙ (ΣΤΑΤΙΣΤΙΚΗ ΓΙΑ ΤΗ ΔΙΟΙΚΗΣΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ) (ΟΔΕ 2116) ΠΑΝΕΠΙΣΤΗΜΙΑΚΟΣ ΥΠΟΤΡΟΦΟΣ ΠΑΝΑΓΙΩΤΗΣ

Διαβάστε περισσότερα

Κεφάλαιο 2 ΕΚΤΙΜΗΣΗ ΠΑΡΑΜΕΤΡΩΝ. 2.1 Σηµειακή Εκτίµηση. ˆθ παίρνει διαφορετικές τιµές, δηλαδή η ˆθ είναι η ίδια τ.µ. µε κάποια κατανοµή κι έχει µέση

Κεφάλαιο 2 ΕΚΤΙΜΗΣΗ ΠΑΡΑΜΕΤΡΩΝ. 2.1 Σηµειακή Εκτίµηση. ˆθ παίρνει διαφορετικές τιµές, δηλαδή η ˆθ είναι η ίδια τ.µ. µε κάποια κατανοµή κι έχει µέση Κεφάλαιο 2 ΕΚΤΙΜΗΣΗ ΠΑΡΑΜΕΤΡΩΝ Οι στατιστικές δείγµατος, όπως η δειγµατική µέση τιµή x και η δειγµατική διασπορά s 2, που ϑα δούµε παρακάτω, υπολογίζονται από τα στατιστικά δεδοµένα που έχουµε συλλέξει

Διαβάστε περισσότερα

Εφαρμοσμένη Στατιστική

Εφαρμοσμένη Στατιστική ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Εφαρμοσμένη Στατιστική Παλινδρόμηση Διδάσκων: Επίκουρος Καθηγητής Κωνσταντίνος Μπλέκας Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης

Διαβάστε περισσότερα

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

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

Διαβάστε περισσότερα

ΕΙΣΑΓΩΓΗ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ ΣΚΕΨΗ ΤΟΜΟΣ ΙΙ

ΕΙΣΑΓΩΓΗ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ ΣΚΕΨΗ ΤΟΜΟΣ ΙΙ Ι. ΠΑΝΑΡΕΤΟΥ & Ε. ΞΕΚΑΛΑΚΗ Καθηγητών του Τμήματος Στατιστικής του Οικονομικού Πανεπιστημίου Αθηνών ΕΙΣΑΓΩΓΗ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ ΣΚΕΨΗ ΤΟΜΟΣ ΙΙ (Εισαγωγή στις Πιθανότητες και την Στατιστική Συμπερασματολογία)

Διαβάστε περισσότερα

ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ. Κεφάλαιο 10. Εισαγωγή στην εκτιμητική

ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ. Κεφάλαιο 10. Εισαγωγή στην εκτιμητική ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΑΤΡΑΣ Εργαστήριο Λήψης Αποφάσεων & Επιχειρησιακού Προγραμματισμού Καθηγητής Ι. Μητρόπουλος ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ

Διαβάστε περισσότερα

Ανισότητα Cramér Rao

Ανισότητα Cramér Rao Ανισότητα Craér Rao όταν πληρούνται Ορισμός. Στο στατιστικό μοντέλο {,, f ( x; ), Θ } οι συνήκες: i) Το στήριγμα S= { x :f( x;) > 0, Θ } ii) iii) Υπάρχει η μερική παράγωγος ( ) iv) Ισχύει η σχέση ( ) (

Διαβάστε περισσότερα

Όταν η s n δεν συγκλίνει λέμε ότι η σειρά αποκλίνει.

Όταν η s n δεν συγκλίνει λέμε ότι η σειρά αποκλίνει. Όταν η s δεν συγκλίνει λέμε ότι η σειρά αποκλίνει. Παρατήρηση: Το αντίστροφο του προηγουμένου θεωρήματος δεν ισχύει. Παράδειγμα η σειρά με νιοστό όρο α = +-. Τότε lim α =0. Όμως s =α +α + +α = - + 3- +...+

Διαβάστε περισσότερα

4 Πιθανότητες και Στοιχεία Στατιστικής για Μηχανικούς

4 Πιθανότητες και Στοιχεία Στατιστικής για Μηχανικούς Πρόλογος Ο μηχανικός πρέπει να συνεχίσει να βελτιώνει την ποιότητα της δουλειάς του εάν επιθυμεί να είναι ανταγωνιστικός στην αγορά της χώρας του και γενικότερα της Ευρώπης. Μία σημαντική αναλογία σε αυτήν

Διαβάστε περισσότερα

Χ. Εμμανουηλίδης, 1

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

Διαβάστε περισσότερα

ΘΕΩΡΙΑ ΑΠΟΦΑΣΕΩΝ 3 ο ΦΡΟΝΤΙΣΤΗΡΙΟ ΛΥΣΕΙΣ ΤΩΝ ΑΣΚΗΣΕΩΝ

ΘΕΩΡΙΑ 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 περισσότερα

(p 1) (p m) (m 1) (p 1)

(p 1) (p m) (m 1) (p 1) ΠΑΡΑΓΟΝΤΙΚΗ ΑΝΑΛΥΣΗ Σκοπός της παραγοντικής ανάλυσης είναι να περιγράψει την συνδιασπορά μεταξύ των μεταβλητών με την βοήθεια τυχαίων άγνωστων ποσοτήτων που ονομάζονται παράγοντες. Το μοντέλο είναι το

Διαβάστε περισσότερα

Εισαγωγή στην Εκτιμητική

Εισαγωγή στην Εκτιμητική Εισαγωγή στην Εκτιμητική Πληθυσμός Εκτίμηση παραμέτρου πληθυσμού μ, σ 2, σ, p Δείγμα Υπολογισμός στατιστικού Ερώτηματα: Πόσο κοντά στην πραγματική τιμή της παραμέτρου του πληθυσμού βρίσκεται η εκτίμηση

Διαβάστε περισσότερα

Απλή Γραμμική Παλινδρόμηση και Συσχέτιση 19/5/2017

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

Διαβάστε περισσότερα

Κεφάλαιο 3 Εισαγωγικές έννοιες στατιστικής

Κεφάλαιο 3 Εισαγωγικές έννοιες στατιστικής Κεφάλαιο 3 Εισαγωγικές έννοιες στατιστικής Η στατιστική είναι εφαρμοσμένος κλάδος της πιθανοθεωρίας ο οποίος ασχολείται με πραγματικά προβλήματα, επιδιώκοντας την εξαγωγή συμπερασμάτων βασισμένων σε παρατηρήσεις.

Διαβάστε περισσότερα

ΥΠΟΥΡΓΕΙΟ ΕΘΝΙΚΗΣ ΠΑΙΔΕΙΑΣ ΚΑΙ ΘΡΗΣΚΕΥΜΑΤΩΝ ΣΤΑΤΙΣΤΙΚΗ. Για την Γ Τάξη Γενικού Λυκείου Μάθημα Επιλογής ΟΡΓΑΝΙΣΜΟΣ ΕΚΔΟΣΕΩΣ ΔΙΔΑΚΤΙΚΩΝ ΒΙΒΛΙΩΝ ΑΘΗΝΑ

ΥΠΟΥΡΓΕΙΟ ΕΘΝΙΚΗΣ ΠΑΙΔΕΙΑΣ ΚΑΙ ΘΡΗΣΚΕΥΜΑΤΩΝ ΣΤΑΤΙΣΤΙΚΗ. Για την Γ Τάξη Γενικού Λυκείου Μάθημα Επιλογής ΟΡΓΑΝΙΣΜΟΣ ΕΚΔΟΣΕΩΣ ΔΙΔΑΚΤΙΚΩΝ ΒΙΒΛΙΩΝ ΑΘΗΝΑ ΥΠΟΥΡΓΕΙΟ ΕΘΝΙΚΗΣ ΠΑΙΔΕΙΑΣ ΚΑΙ ΘΡΗΣΚΕΥΜΑΤΩΝ ΣΤΑΤΙΣΤΙΚΗ Για την Γ Τάξη Γενικού Λυκείου Μάθημα Επιλογής ΟΡΓΑΝΙΣΜΟΣ ΕΚΔΟΣΕΩΣ ΔΙΔΑΚΤΙΚΩΝ ΒΙΒΛΙΩΝ ΑΘΗΝΑ ΥΠΟΥΡΓΕΙΟ ΕΘΝΙΚΗΣ ΠΑΙΔΕΙΑΣ ΚΑΙ ΘΡΗΣΚΕΥΜΑΤΩΝ ΠΑΙΔΑΓΩΓΙΚΟ

Διαβάστε περισσότερα

Στατιστική Ι. Ενότητα 1: Στατιστική Ι (1/4) Αναπλ. Καθηγητής Νικόλαος Σαριαννίδης Τμήμα Διοίκησης Επιχειρήσεων (Κοζάνη)

Στατιστική Ι. Ενότητα 1: Στατιστική Ι (1/4) Αναπλ. Καθηγητής Νικόλαος Σαριαννίδης Τμήμα Διοίκησης Επιχειρήσεων (Κοζάνη) Στατιστική Ι Ενότητα 1: Στατιστική Ι (1/4) Αναπλ. Καθηγητής Νικόλαος Σαριαννίδης Τμήμα Διοίκησης Επιχειρήσεων (Κοζάνη) Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons.

Διαβάστε περισσότερα

Περιεχόμενα 3ης Διάλεξης 1 Σύνοψη Προηγούμενου Μαθήματος 2 Δεσμευμένη Πιθανότητα 3 Bayes Theorem 4 Στοχαστική Ανεξαρτησία 5 Αμοιβαία (ή πλήρης) Ανεξαρ

Περιεχόμενα 3ης Διάλεξης 1 Σύνοψη Προηγούμενου Μαθήματος 2 Δεσμευμένη Πιθανότητα 3 Bayes Theorem 4 Στοχαστική Ανεξαρτησία 5 Αμοιβαία (ή πλήρης) Ανεξαρ 3ο Μάθημα Πιθανότητες Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Πανεπιστήμιο Πατρών Ακαδημαϊκό Ετος 2016-2017 Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 3ο Μάθημα Πιθανότητες

Διαβάστε περισσότερα

Τμήμα Διοίκησης Επιχειρήσεων (Γρεβενά) Μάθημα: Οικονομετρία Διάλεξη 3η: Απλή Γραμμική Παλινδρόμηση. Διδάσκουσα: Κοντογιάννη Αριστούλα

Τμήμα Διοίκησης Επιχειρήσεων (Γρεβενά) Μάθημα: Οικονομετρία Διάλεξη 3η: Απλή Γραμμική Παλινδρόμηση. Διδάσκουσα: Κοντογιάννη Αριστούλα Τμήμα Διοίκησης Επιχειρήσεων Γρεβενά Μάθημα: Οικονομετρία Διάλεξη 3η: Απλή Γραμμική Παλινδρόμηση Διδάσκουσα: Κοντογιάννη Αριστούλα Ιδιότητες εκτιμώμενης ευθείας παλινδρόμησης με τη μέθοδο των ελαχίστων

Διαβάστε περισσότερα

ΔΙΑΣΤΗΜΑΤΑ ΕΜΠΙΣΤΟΣΥΝΗΣ ΓΙΑ AΝΑΛΟΓΙΕΣ

ΔΙΑΣΤΗΜΑΤΑ ΕΜΠΙΣΤΟΣΥΝΗΣ ΓΙΑ AΝΑΛΟΓΙΕΣ ΚΕΦΑΛΑΙΟ 5 ΔΙΑΣΤΗΜΑΤΑ ΕΜΠΙΣΤΟΣΥΝΗΣ ΓΙΑ AΝΑΛΟΓΙΕΣ Α. Περίπτωση Ενός Πληθυσμού Έστω ότι μελετάμε μια ακολουθία ανεξαρτήτων δοκιμών κάθε μία από τις οποίες οδηγεί είτε σε επιτυχία είτε σε αποτυχία με σταθερή

Διαβάστε περισσότερα

6. ΔΕΙΓΜΑΤΟΛΗΨΙΑ ΚΑΤΑ ΟΜΑΔΕΣ (Cluster Sampling)

6. ΔΕΙΓΜΑΤΟΛΗΨΙΑ ΚΑΤΑ ΟΜΑΔΕΣ (Cluster Sampling) 6. ΔΕΙΓΜΑΤΟΛΗΨΙΑ ΚΑΤΑ ΟΜΑΔΕΣ (Cluster Sampling) Από την θεωρία που αναπτύχθηκε στα προηγούμενα κεφάλαια, φαίνεται ότι μια αλλαγή στον σχεδιασμό της δειγματοληψίας και, κατά συνέπεια, στην μέθοδο εκτίμησης

Διαβάστε περισσότερα

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΠΛΗΡΟΦΟΡΙΚΗ ΜΑΘΗΜΑΤΙΚΑ ΓΙΑ ΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ Ι (Θ.Ε. ΠΛΗ 12) 6Η ΓΡΑΠΤΗ ΕΡΓΑΣΙΑ - ΕΝΗΜΕΡΩΜΕΝΗ ΜΟΡΦΗ Ημερομηνία Αποστολής της εργασίας στον Φοιτητή 5 Μαϊου 2014

Διαβάστε περισσότερα

Στατιστική για Πολιτικούς Μηχανικούς

Στατιστική για Πολιτικούς Μηχανικούς ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Στατιστική για Πολιτικούς Μηχανικούς Ενότητα 2: Εκτίμηση παραμέτρων (μέρος 1 ο ) Κουγιουμτζής Δημήτριος Τμήμα Πολιτικών Μηχανικών Άδειες

Διαβάστε περισσότερα

Θεωρητικές Κατανομές Πιθανότητας

Θεωρητικές 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 περισσότερα

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

ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ. Επικ. Καθ. Στέλιος Ζήμερας. Τμήμα Μαθηματικών Κατεύθυνση Στατιστικής και Αναλογιστικά Χρηματοοικονομικά Μαθηματικά ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ Επικ Καθ Στέλιος Ζήμερας Τμήμα Μαθηματικών Κατεύθυνση Στατιστικής και Αναλογιστικά Χρηματοοικονομικά Μαθηματικά 05 Έλεγχος διακυμάνσεων Μας ενδιαφέρει να εξετάσουμε 5 δίαιτες που δίνονται

Διαβάστε περισσότερα

ΕΛΕΓΧΟΣ ΠΑΡΑΓΩΓΙΚΩΝ ΔΙΕΡΓΑΣΙΩΝ

ΕΛΕΓΧΟΣ ΠΑΡΑΓΩΓΙΚΩΝ ΔΙΕΡΓΑΣΙΩΝ ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΛΕΓΧΟΣ ΠΑΡΑΓΩΓΙΚΩΝ ΔΙΕΡΓΑΣΙΩΝ Ενότητα: Αναγνώριση Διεργασίας - Προσαρμοστικός Έλεγχος (Process Identification) Αλαφοδήμος Κωνσταντίνος

Διαβάστε περισσότερα

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

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

Διαβάστε περισσότερα

Στατιστική Ι. Ανάλυση Παλινδρόμησης

Στατιστική Ι. Ανάλυση Παλινδρόμησης Στατιστική Ι Ανάλυση Παλινδρόμησης Ανάλυση παλινδρόμησης Η πρόβλεψη πωλήσεων, εσόδων, κόστους, παραγωγής, κτλ. είναι η βάση του επιχειρηματικού σχεδιασμού. Η ανάλυση παλινδρόμησης και συσχέτισης είναι

Διαβάστε περισσότερα

ΑΝΤΙΚΕΙΜΕΝΟ ΜΑΘΗΜΑΤΟΣ

ΑΝΤΙΚΕΙΜΕΝΟ ΜΑΘΗΜΑΤΟΣ ΑΝΤΙΚΕΙΜΕΝΟ ΜΑΘΗΜΑΤΟΣ Να κατανοηθεί η έννοια της εκτίµησης σηµείου και της εκτίµησης διαστήµατος. Επίσης να κατανοηθεί η έννοια της δειγµατικής κατανοµής παραµέτρου και να υπολογισθούν µε χρήση της Κεντρικού

Διαβάστε περισσότερα

Εισαγωγή στη θεωρία ακραίων τιμών

Εισαγωγή στη θεωρία ακραίων τιμών Εισαγωγή στη θεωρία ακραίων τιμών Αντικείμενο της θεωρίας ακραίων τιμών αποτελεί: Η ανάπτυξη και μελέτη στοχαστικών μοντέλων με σκοπό την επίλυση προβλημάτων που σχετίζονται με την εμφάνιση «πολύ μεγάλων»

Διαβάστε περισσότερα

ΣΤΑΤΙΣΤΙΚΗ ΠΙΘΑΝΟΤΗΤΕΣ

ΣΤΑΤΙΣΤΙΚΗ 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 περισσότερα

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

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

Διαβάστε περισσότερα

Αναγνώριση Προτύπων Ι

Αναγνώριση Προτύπων Ι Αναγνώριση Προτύπων Ι Ενότητα 1: Μέθοδοι Αναγνώρισης Προτύπων Αν. Καθηγητής Δερματάς Ευάγγελος Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται

Διαβάστε περισσότερα

Στατιστική για Οικονομολόγους ΙΙ ΛΥΜΕΝΑ ΘΕΜΑΤΑ παλαιοτέρων ετών από «ανώνυμο φοιτητή» (Στις ΛΥΣΕΙΣ ενδεχομένως να υπάρχουν λάθη. )

Στατιστική για Οικονομολόγους ΙΙ ΛΥΜΕΝΑ ΘΕΜΑΤΑ παλαιοτέρων ετών από «ανώνυμο φοιτητή» (Στις ΛΥΣΕΙΣ ενδεχομένως να υπάρχουν λάθη. ) Στατιστική για Οικονομολόγους ΙΙ ΛΥΜΕΝΑ ΘΕΜΑΤΑ παλαιοτέρων ετών από «ανώνυμο φοιτητή» (Στις ΛΥΣΕΙΣ ενδεχομένως να υπάρχουν λάθη. ) Πίνακας Περιεχομένων Εργασία η... Θέμα ο :... Θέμα ο :... 4 Θέμα 3 ο :...

Διαβάστε περισσότερα

5. ΣΥΣΤΗΜΑΤΙΚΗ ΔΕΙΓΜΑΤΟΛΗΨΙΑ (Systematic Sampling)

5. ΣΥΣΤΗΜΑΤΙΚΗ ΔΕΙΓΜΑΤΟΛΗΨΙΑ (Systematic Sampling) 5. ΣΥΣΤΗΜΑΤΙΚΗ ΔΕΙΓΜΑΤΟΛΗΨΙΑ (Systematic Sampling) Συχνά, είναι ταχύτερη και ευκολότερη η επιλογή των μονάδων του πληθυσμού, αν αυτή γίνεται από κάποιο κατάλογο ξεκινώντας από κάποιο τυχαίο αρχικό σημείο

Διαβάστε περισσότερα

Dunamoseirèc A. N. Giannakìpouloc, Tm ma Statistik c OPA

Dunamoseirèc A. N. Giannakìpouloc, Tm ma Statistik c OPA Dunamoseirèc A. N. Giannakìpouloc, Tm ma Statistik c OPA Eisagwg Οι δυναμοσειρές είναι μια πολύ ενδιαφέρουσα κατηγορία σειρών. Βρίσκουν πολύ σημαντικές εφαρμογές στον ορισμό συναρτήσεων καθώς και σε διάφορες

Διαβάστε περισσότερα

Τυχαία Διανύσματα και Ανεξαρτησία

Τυχαία 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 περισσότερα

ΘΕΩΡΙΑ ΟΙΚΟΝΟΜΕΤΡΙΑΣ ΣΥΝΟΠΤΙΚΕΣ ΣΗΜΕΙΩΣΕΙΣ

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

Διαβάστε περισσότερα

ΕΛΕΓΧΟΙ ΥΠΟΘΕΣΕΩΝ ΚΕΦΑΛΑΙΟ 17

ΕΛΕΓΧΟΙ ΥΠΟΘΕΣΕΩΝ ΚΕΦΑΛΑΙΟ 17 ΚΕΦΑΛΑΙΟ 17 ΕΛΕΓΧΟΙ ΥΠΟΘΕΣΕΩΝ Στο κεφάλαιο αυτό θα αναφερθούμε σε ένα άλλο πρόβλημα της Στατιστικής που έχει κυρίως (αλλά όχι μόνο) σχέση με τις παραμέτρους ενός πληθυσμού (τις παραμέτρους της κατανομής

Διαβάστε περισσότερα

Δειγματοληψία στην εκπαιδευτική έρευνα. Είδη δειγματοληψίας

Δειγματοληψία στην εκπαιδευτική έρευνα. Είδη δειγματοληψίας Δειγματοληψία στην εκπαιδευτική έρευνα Είδη δειγματοληψίας Γνωρίζουμε ότι: Με τη στατιστική τα δεδομένα γίνονται πληροφορίες Στατιστική Δεδομένα Πληροφορία Αλλά από πού προέρχονται τα δεδομένα; Πώς τα

Διαβάστε περισσότερα

Μ Α Θ Η Μ Α Τ Α Γ Λ Υ Κ Ε Ι Ο Υ

Μ Α Θ Η Μ Α Τ Α Γ Λ Υ Κ Ε Ι Ο Υ Μ Α Θ Η Μ Α Τ Α Γ Λ Υ Κ Ε Ι Ο Υ ΜΑΘΗΜΑΤΙΚΑ ΠΡΟΣΑΝΑΤΟΛΙΣΜΟΥ ΘΕΤΙΚΩΝ ΣΠΟΥΔΩΝ ΚΑΙ ΣΠΟΥΔΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΠΛΗΡΟΦΟΡΙΚΗΣ (Α ΜΕΡΟΣ: ΣΥΝΑΡΤΗΣΕΙΣ) Επιμέλεια: Καραγιάννης Ιωάννης, Σχολικός Σύμβουλος Μαθηματικών

Διαβάστε περισσότερα

Δειγματοληψία. 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 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 περισσότερα

Συσχέτιση μεταξύ δύο συνόλων δεδομένων

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

Διαβάστε περισσότερα

Αν Α και Β είναι δύο ενδεχόμενα ενός δειγματικού χώρου να αποδείξετε ότι: Αν Α Β τότε Ρ(Α) Ρ(Β)

Αν Α και Β είναι δύο ενδεχόμενα ενός δειγματικού χώρου να αποδείξετε ότι: Αν Α Β τότε Ρ(Α) Ρ(Β) ΠΡΟΤΥΠΟ ΠΕΙΡΑΜΑΤΙΚΟ ΛΥΚΕΙΟ ΑΝΑΒΡΥΤΩΝ ΜΑΘΗΜΑΤΙΚΑ ΚΑΙ ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ ΓΕΝΙΚΗΣ ΠΑΙΔΕΙΑΣ ΕΞΕΤΑΣΕΙΣ ΠΡΟΣΟΜΟΙΩΣΗΣ 04 ΘΕΜΑ ο Α. Πότε δύο ενδεχόμενα Α και Β ενός δειγματικού χώρου Ω ονομάζονται ασυμβίβαστα;

Διαβάστε περισσότερα

ΠΕΡΙΕΧΟΜΕΝΑ. ΠΡΟΛΟΓΟΣ... vii ΠΕΡΙΕΧΟΜΕΝΑ... ix ΓΕΝΙΚΗ ΒΙΒΛΙΟΓΡΑΦΙΑ... xv. Κεφάλαιο 1 ΓΕΝΙΚΕΣ ΕΝΝΟΙΕΣ ΑΠΟ ΤΗ ΣΤΑΤΙΣΤΙΚΗ

ΠΕΡΙΕΧΟΜΕΝΑ. 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 περισσότερα

Ανάλυση Δεδομένων με χρήση του Στατιστικού Πακέτου R

Ανάλυση Δεδομένων με χρήση του Στατιστικού Πακέτου R Ανάλυση Δεδομένων με χρήση του Στατιστικού Πακέτου R, Επίκουρος Καθηγητής, Τομέας Μαθηματικών, Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών, Εθνικό Μετσόβιο Πολυτεχνείο. Περιεχόμενα Εισαγωγή στο

Διαβάστε περισσότερα

ΚΑΤΑΝΟΜΕΣ ΠΙΘΑΝΟΤΗΤΑΣ ΤΥΧΑΙΩΝ ΜΕΤΑΒΛΗΤΩΝ (Συνέχεια)

ΚΑΤΑΝΟΜΕΣ ΠΙΘΑΝΟΤΗΤΑΣ ΤΥΧΑΙΩΝ ΜΕΤΑΒΛΗΤΩΝ (Συνέχεια) ΚΑΤΑΝΟΜΕΣ ΠΙΘΑΝΟΤΗΤΑΣ ΤΥΧΑΙΩΝ ΜΕΤΑΒΛΗΤΩΝ (Συνέχεια) Χαράλαµπος Α. Χαραλαµπίδης 9 Νοεµβρίου 2009 ΣΥΝΑΡΤΗΣΗ ΠΥΚΝΟΤΗΤΑΣ ΠΙΘΑΝΟΤΗΤΑΣ Ορισµός Μία τυχαία µεταβλητή X καλείται διακριτή ή απαριθµητή αν παίρνει

Διαβάστε περισσότερα

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

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

Διαβάστε περισσότερα