ΕΙΣΑΓΩΓΗ ΣΤΟN ΣΤΟΧΑΣΤΙΚΟ ΛΟΓΙΣΜΟ

Save this PDF as:
 WORD  PNG  TXT  JPG

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "ΕΙΣΑΓΩΓΗ ΣΤΟN ΣΤΟΧΑΣΤΙΚΟ ΛΟΓΙΣΜΟ"

Transcript

1 Δημήτρης Χελιώτης ΕΙΣΑΓΩΓΗ ΣΤΟN ΣΤΟΧΑΣΤΙΚΟ ΛΟΓΙΣΜΟ B τ u(x):=e x {f(b τ ) u(x) = } x

2 ii ΔΗΜΗΤΡΗΣ ΧΕΛΙΩΤΗΣ Επίκουρος καθηγητής Τμήμα Μαθηματικών Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνων Εισαγωγή στον στοχαστικό λογισμό

3 Εισαγωγή στον στοχαστικό λογισμό iii Συγγραφή Δημήτρης Χελιώτης Κριτικός αναγνώστης Μιχάλης Λουλάκης Συντελεστές έκδοσης Γλωσσική Επιμέλεια: Θεόφιλος Τραμπούλης Copyright c ΣΕΑΒ, 215 Το παρόν έργο αδειοδοτείται υπό τους όρους της άδειας Creative Commons Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Οχι Παράγωγα Εργα 3.. Για να δείτε ένα αντίγραφο της άδειας αυτής επισκεφτείτε τον ιστότοπο ΣΥΝΔΕΣΜΟΣ ΕΛΛΗΝΙΚΩΝ ΑΚΑΔΗΜΑΪΚΩΝ ΒΙΒΛΙΟΘΗΚΩΝ Εθνικό Μετσόβιο Πολυτεχνείο Ηρώων Πολυτεχνείου 9, 1578 Ζωγράφου ISBN:

4 iv

5 Περιεχόμενα Πρόλογος Σύμβολα viii x I Δέσμευση και martingales 1 1 Εισαγωγικά Η σ-αλγεβρα ως πληροφορία Σ-άλγεβρα παραγόμενη από διαμέριση Σ-άλγεβρα παραγόμενη από συναρτήσεις Οι χώροι L p Δεσμευμένη μέση τιμή Ορισμός Σημασία της δεσμευμένης μέσης τιμής Βασικές ιδιότητες Η δεσμευμένη μέση τιμή ως προβολή Martingales Ορισμός και παραδείγματα Βασικές ιδιότητες Παιχνίδια και το διακριτό στοχαστικό ολοκλήρωμα Χρόνοι διακοπής Το θεώρημα επιλεκτικής διακοπής Εφαρμογές στον απλό τυχαίο περίπατο Ανισότητα Doob Ανελίξεις σε συνεχή χρόνο Ανελίξεις Ισοδυναμία ανελίξεων Martingales και χρόνοι διακοπής Ιδιότητες Markov* II Κίνηση Brown 39 5 Κατασκευή της κίνησης Brown και απλές ιδιότητες Ορισμός, ύπαρξη, και μοναδικότητα Απλές ιδιότητες Επισκέψεις στο Συμπεριφορά στο άπειρο* Πολυδιάστατη κίνηση Brown Η κίνηση Brown ως φυσιολογικό αντικείμενο v

6 vi ΠΕΡΙΕΧΟΜΕΝΑ 6 Η ισχυρή ιδιότητα Markov και συνέπειες* Η ισχυρή ιδιότητα Markov Η αρχή της ανάκλασης Αλλες εφαρμογές Martingales και κίνηση Brown Martingales σχετικά με την κίνηση Brown Εξοδος από διάστημα και από ημιευθεία Αναλυτικές ιδιότητες Βαθμός συνέχειας* Μη διαφορισιμότητα* Κύμανση και τετραγωνική κύμανση III Το ολοκλήρωμα Itô 67 9 Κατασκευή του ολοκληρώματος Η κίνηση Brown ως ολοκληρωτής. Μια θεμελιώδης δυσκολία Ολοκλήρωση απλών μετρήσιμων ανελίξεων Επέκταση σε μετρήσιμες ανελίξεις Υπολογισμοί κάποιων ολοκληρωμάτων Το ολοκλήρωμα ως ανέλιξη Συνεχής εκδοχή Τοπικότητα του ολοκληρώματος Επεκτάσεις του ολοκληρώματος Περισσότεροι ολοκληρωτέοι Ο ορισμός της επέκτασης Ιδιότητες του επεκτεταμένου ολοκληρώματος Περισσότεροι ολοκληρωτές Ο τύπος του Itô Τύπος Itô. Η απλούστερη μορφή Τύπος Itô. Μια μικρή γενίκευση Τύπος Itô στις πολλές διαστάσεις Τύπος Itô για ανελίξεις Itô Ο τύπος Itô σε γενικά χωρία IV Εφαρμογές Εφαρμογές στην κίνηση Brown Αρμονικές συναρτήσεις και το πρόβλημα εξόδου Εξοδος από δακτύλιο και επαναληπτικότητα Στοχαστικές διαφορικές εξισώσεις Γενικά Χρήση στη μοντελοποίηση Παραδείγματα Υπαρξη και μοναδικότητα λύσης

7 ΠΕΡΙΕΧΟΜΕΝΑ vii 15 Επίλυση ειδικών μορφών ΣΔΕ Συντελεστές γραμμικοί ως προς X Συντελεστής διάχυσης γραμμικός ως προς X Λύση της μορφής f (t, B t ) Χαρτοφυλάκια και arbitrage Αγορές μετοχών Το επιτόκιο της τράπεζας Ανοιχτή πώληση Αυτοχρηματοδοτούμενα χαρτοφυλάκια Arbitrage Παράγωγα προϊόντα και αναπαράγοντα χαρτοφυλάκια Ευρωπαϊκά παράγωγα Ευρωπαϊκά δικαιώματα Σχέση μεταξύ τιμών δικαιωμάτων αγοράς και πώλησης Αλλα είδη δικαιωμάτων Η εξίσωση Black-Scholes Μια απλή αγορά Παραγωγή της εξίσωσης Η εξίσωση θερμότητας Λύση της εξίσωσης Black-Scholes Ειδική περίπτωση. Ευρωπαϊκό δικαίωμα αγοράς Παραρτήματα 131 Αʹ Πιθανότητες 131 Αʹ.1 Γκαουσιανές τυχαίες μεταβλητές Αʹ.2 Σύγκλιση κατά κατανομή Βʹ Ανάλυση 136 Βʹ.1 Χώροι Hilbert Βʹ.2 Το ολοκλήρωμα Riemann-Stieltjes Γʹ Τεχνικά αποτελέσματα Ι 139 Δʹ Τεχνικά αποτελέσματα ΙΙ 149 Υποδείξεις για επιλεγμένες ασκήσεις 153 Βιβλιογραφία 159 Ευρετήριο ελληνικών όρων Ευρετήριο ξενόγλωσσων όρων Μετάφραση ορολογίας 163

8 Πρόλογος Οι στοχαστικές ανελίξεις συνεχούς χρόνου μοντελοποιούν μεγέθη των οποίων η τιμή μεταβάλεται τυχαία ή απρόβλεπτα. Τυπικά παραδείγματα είναι η τιμή μιας μετοχής ή το πλήθος των ατόμων ενός συγκεκριμένου ζωικού είδους σε ένα οικοσύστημα. Πέρα από τις εφαρμογές που έχουν σε διάφορους τομείς όπως η Φυσική, η Βιολογία, και τα Οικονομικά, οι στοχαστικές ανελίξεις έχουν από μόνες τους μαθηματικό ενδιαφέρον. Μπορούν να ειδωθούν ως τυχαίες συναρτήσεις και για τη μελέτη των ιδιοτήτων τους θα θέλαμε να χρησιμοποιήσουμε τα εργαλεία του απειροστικού λογισμού. Ομως οι πιο σημαντικές ανελίξεις σε συνεχή χρόνο, με χαρακτηριστικό εκπρόσωπο την κίνηση Brown, είναι μη διαφορίσιμες συναρτήσεις. Για τον λόγο αυτό αναπτύχθηκε από τη δεκατετία του 194 και έπειτα ο Στοχαστικός Λογισμός, που σκοπό έχει να παρακάμψει αυτό το πρόβλημα. Δημιουργός και πρωτεργάτης του ήταν ο Kiyosi Itô ( ). Αυτές οι σημειώσεις είναι μια εισαγωγή σε αυτόν τον λογισμό. Οι σημειώσεις απευθύνονται σε προπτυχιακούς φοιτητές που έχουν ασχοληθεί με τις στοιχειώδεις πιθανότητες και έχουν κάποια τριβή με τις μετροθεωρητικές πιθανότητες (ή τη θεωρία μέτρου) και την πραγματική ανάλυση. Από τις μετροθεωρητικές πιθανότητες θεωρούνται δεδομένα η σχετική με μετρήσιμες συναρτήσεις ορολογία, οι τρόποι σύγκλισης μετρησίμων συναρτήσεων, τα οριακά θεωρήματα (μονότονης και κυριαρχημένης σύγκλισης), και οι βασικές ιδιότητες της ανεξαρτησίας σ- αλγεβρών και τυχαίων μεταβλητών. Από την πραγματική ανάλυση θεωρούνται δεδομένα τα εντελώς βασικά στοιχεία της θεωρίας των πλήρων μετρικών χώρων. Τα θέματα που μελετούμε είναι τα martingales σε διακριτό χρόνο, η κίνηση Brown, το στοχαστικό ολοκλήρωμα (ολοκλήρωμα Itô), και ο τύπος του Itô. Η έκθεση του υλικού γίνεται σε τέσσερα μέρη. I. Εισάγεται η έννοια της δεσμευμένης μέσης τιμής και έπειτα του martingale. Από την θεωρία των martingales, καλύπτουμε μόνο το θεώρημα επιλεκτικής διακοπής και όχι το θεώρημα σύγκλισης, επειδή χρειαζόμαστε το πρώτο ως υπολογιστικό εργαλείο, ενώ δεν χρειαζόμαστε εφαρμογές του δεύτερου. II. Στο δεύτερο μέρος ασχολούμαστε με την κίνηση Brown. Γίνεται λεπτομερειακά μια κατασκευή της και βλέπουμε βασικές ιδιότητες της, κυρίως αναλυτικές. Για τη συνέχεια των σημειώσεων αρκούν οι Παράγραφοι 5.1, 5.2, 5.5, 8.3. Τα υπόλοιπα αποτελέσματα στόχο έχουν την τριβή με την κίνηση Brown, αλλά και να δείξουν τι πλούσιες και εξωτικές ιδιότητες έχει. III. Αυτό το μέρος είναι το βασικότερο των σημειώσεων. Συνδυάζουμε πράγματα που είδαμε σε προηγούμενα κεφάλαια (κίνηση Brown, martingales, μετροθεωρητικά αποτελέσματα) για να κατασκευάσουμε το ολοκλήρωμα Itô. Βλέπουμε βασικές ιδιότητές του (συνεχής εκδοχή, martingale) και αποδεικνύουμε διάφορες μορφές του τύπου του Itô. IV. Στο τελευταίο μέρος βλέπουμε τρεις εφαρμογές του τύπου του Itô. Στην πρώτη, χρησιμοποιούμε τον τύπο για να εξετάσουμε την κίνηση Brown σε διάφορες διαστάσεις ως προς την επαναληπτικότητα. Στη δεύτερη, λύνουμε με χρήση του τύπου κάποιες στοχαστικές διαφορικές εξισώσεις. Πολλές από αυτές τις εξισώσεις εμφανίζονται φυσιολογικά σε περιοχές όπως η φυσική και τα χρηματοοικονομικά. Η τρίτη εφαρμογή είναι η απόδειξη της μερικής διαφορικής εξίσωσης Black-Scholes για τιμολόγηση παραγώγων Ευρωπαϊκού τύπου. Αποδείξεις τεχνικών αποτελεσμάτων έχουν συγκεντρωθεί σε δύο παραρτήματα. Στο «Τεχνικά αποτελέσματα Ι» περιέχονται αποδείξεις που είναι ωφέλιμο να διαβάσει κανείς αφού έχει αποκτήσει ευχέρεια με την υπόλοιπη ύλη των σημειώσεων. Στο «Τεχνικά αποτελέσματα ΙΙ» περιέχονται αποδείξεις που είναι πιο τεχνικές από αυτές του προηγούμενου παραρτήματος και δεν είναι απαραίτητο να τις διαβάσει κανείς. Αρκεί να καταλαβαίνει τι λένε οι εκφωνήσεις των θεωρημάτων που τους αντιστοιχούν. Κάποιες παράγραφοι έχουν σημειωθεί με «*». Είναι λίγο περισσότερο απαιτητικές και viii

9 δεν χρησιμοποιούνται στο υπόλοιπο των σημειώσεων. Ο στοχαστικός λογισμός είναι ένα αντικείμενο που δεν το μαθαίνει κανείς μονομιάς αλλά σε διαδοχικά περάσματα αυξανόμενης κάλυψης και γενικότητας. Αυτές οι σημειώσεις στοχεύουν να είναι το πρώτο πέρασμα και να ετοιμάσουν τον αναγνώστη για τη μελέτη πιο περιεκτικών παρουσιάσεων του αντικειμένου [Steele (21), Durrett (1996), Karatzas and Shreve (1991), Revuz and Yor (1999)]. Ετσι, θέματα που μαθαίνει κανείς σε ένα πρώτο μεταπτυχιακό μάθημα σχετικό με martingales, κίνηση Brown, και στοχαστικό λογισμό παραλείπονται. Τέτοια θέματα είναι η ομοιόμορφη ολοκληρωσιμότητα, το θεώρημα σύγκλισης των martingales, ο νόμος -1 του Blumenthal, η αλλαγή χρόνου, το θεώρημα Girsanov, το θεώρημα αναπαράστασης των martingales, οι γεννήτορες διαχύσεων, και η θεωρία ολοκλήρωσης ως προς συνεχή ή ασυνεχή semimartingales [Protter (25)]. Ευχαριστώ τον συνάδελφο Αντώνη Τσολομύτη για τη βοήθεια σε θέματα Latex και τη διαμόρφωση της εμφάνισης του κειμένου, δύο ανώνυμους αξιολογητές που στο πλαίσιο του προγράμματος «Κάλλιπος» έκαναν χρήσιμες παρατηρήσεις σε προηγούμενη έκδοση των σημειώσεων, και τον συνάδελφο Μιχάλη Λουλάκη που μελέτησε προσεκτικά τις σημειώσεις και έκανε πολλές διορθώσεις και προτάσεις για προσθήκες/αλλαγές, οι οποίες συνέβαλαν στη σημαντική βελτίωση των σημειώσεων. ix Δημήτρης Χελιώτης 29 Ιανουαρίου 216

10 Σύμβολα N το σύνολο των μη αρνητικών ακεραίων {, 1, 2,...} N + το σύνολο των θετικών ακεραίων {1, 2,...} Για n N +, Για ακολουθία συνόλων (A n ) n 1, [n] := {1, 2,..., n}. lim sup A n := n=1 k=n A k, n lim inf A n := n n=1 k=n A k. Για A, B σύνολα, A B: το A είναι υποσύνολο του B (όχι απαραίτητα γνήσιο). Για A, B σύνολα, A\B := {x A : x B}. Για X σύνολο, το δυναμοσύνολο του X. Για X τοπολογικό χώρο, Για x, y R, P(X) := {A : A X}, B(X) : η σ-άλγεβρα των Borel υποσυνόλων του X. x y := min{x, y}, x y := max{x, y}. Για x R, x + x αν x >, = x = αν x, x x αν x <, = ( x) = αν x. Για X, Y τυχαίες μεταβλητές, X = d Y σημαίνει ότι οι X, Y έχουν την ίδια κατανομή. Για (a n ) n 1, (b n ) n 1 ακολουθίες πραγματικών αριθμών, a n b n σημαίνει ότι lim n a n /b n = 1. x

11 Μέρος I Δέσμευση και martingales

12 2

13 1 Εισαγωγικά 1.1 Η σ-αλγεβρα ως πληροφορία Στη θεωρία μέτρου, όταν δουλεύει κανείς σε έναν χώρο X, συνήθως έχει διαλέξει μια αρκετά μεγάλη σ-άλγεβρα στον X έτσι ώστε όλα τα σύνολα που εμφανίζονται να ανήκουν σε αυτήν. Ο ρόλος της είναι να αποτρέψει προβλήματα/παράδοξα. Αντίθετα, στις πιθανότητες η σ-άλγεβρα έχει διαισθητικό νόημα. Χρησιμοποιείται για να κωδικοποιήσει «πληροφορία» και συχνά, όταν δουλεύουμε σε έναν χώρο, θεωρούμε πολλές σ-άλγεβρες. Ενας χώρος πιθανότητας (Ω, F, P) μοντελοποιεί ένα πείραμα. Για κάθε πραγματοποίηση ω Ω του πειράματος, η πληροφορία που θεωρούμε ότι μας δίνει η σ-άλγεβρα F είναι σε ποια στοιχεία της ανήκει το ω και σε ποια όχι. Περισσότερα για αυτή την οπτική θα δούμε στο επόμενο κεφάλαιο. Παράδειγμα 1.1. Για τη ρίψη ενός ζαριού, ο φυσιολογικός δειγματικός χώρος είναι ο Ω := {1, 2, 3, 4, 5, 6} και συνήθως θεωρούμε ως σ-άλγεβρα για το πείραμα την F := P(Ω). Η F δίνει όλη την πληροφορία για το αποτέλεσμα μιας πραγματοποίησης αφού περιέχει τα μονοσύνολα {1},..., {6}. Η πληροφορία που παρέχει η σ-άλγεβρα F 1 := {, Ω, {1, 3, 5}, {2, 4, 6}} είναι μόνο αν η ένδειξη του ζαριού είναι άρτιος ή περιττός. Δεν μπορεί να διακρίνει τα αποτελέσματα 1 και 3. Ετσι περιέχει λιγότερη πληροφορία από την F. 1.2 Σ-άλγεβρα παραγόμενη από διαμέριση Οι σ-άλγεβρες που παράγονται από διαμέριση εμφανίζονται σε πολλά πιθανοτικά μοντέλα και βοηθούν στην κατανόηση εννοιών που ορίζονται γενικά για όλες τις σ-άλγεβρες (π.χ. μετρησιμότητα, δέσμευση κτλ). Υπενθυμίζουμε τον ορισμό της σ-άλγεβρας παραγόμενης από μια οικογένεια συνόλων. Ορισμός 1.2. Εστω X σύνολο και C P(X). Ορίζουμε J := {A P(X) : A C και η A είναι σ-άλγεβρα}, δηλαδή το σύνολο των σ-αλγεβρών στο X που καθεμία τους περιέχει την οικογένεια C. Η σ-άλγεβρα που παράγεται από την C ορίζεται ως η τομή όλων των σ-άλγεβρων που περιέχουν την C και συμβολίζεται με σ(c), δηλαδή σ(c) = A J A. Η σ(c) περιέχει ακριβώς όλα τα B X με την ιδιότητα B A για κάθε σ-άλγεβρα A στο X με A C. Αποδεικνύεται εύκολα ότι η σ(c) είναι πράγματι σ-άλγεβρα που περιέχει την οικογένεια C και από την κατασκευή της είναι η μικρότερη με την ιδιότητα αυτή. Δηλαδή περιέχεται σε οποιανδήποτε σ-άλγεβρα περιέχει την C. Προφανώς, αν η C είναι σ-άλγεβρα, τότε σ(c) = C. Μπορούμε να έχουμε στο μυαλό μας ότι η σ(c) προκύπτει με την εξής αναδρομική διαδικασία. Ξεκινάμε με την C και, αν αυτή δεν είναι σ-άλγεβρα, π.χ., γιατί το συμπλήρωμα ενός στοιχείου της ή κάποια αριθμήσιμη ένωση στοιχείων της δεν είναι στοιχείο της, προσθέτουμε σε αυτή το σύνολο 3

14 4 Εισαγωγικά που ανακαλύψαμε ότι της λείπει. Αυτό πρέπει να το κάνουμε πολλές φορές με τη νέα οικογένεια που προκύπτει μετά την προσθήκη κάθε συνόλου. Κάποια στιγμή φτάνουμε σε μια οικογένεια που είναι σ-άλγεβρα και τότε σταματάμε, βρήκαμε τη σ(c). Παράδειγμα 1.3 (Σ-άλγεβρα παραγόμενη από αριθμήσιμη διαμέριση). Εστω X σύνολο και C := {A i : i I} αριθμήσιμη διαμέριση του X (δηλαδή τα A i είναι μη κενά σύνολα, ξένα ανά δύο, με ένωση το X), με I = {1, 2,..., k} για κάποιο k N\{} ή I = N. Για τη σ-άλγεβρα που παράγει η C, έχουμε την εξής απλή περιγραφή, σ(c) = { i J A i : J I }. (1.1) Δηλαδή ένα σύνολο της σ(c) είναι ένωση κάποιων στοιχείων της διαμέρισης C. Ας ονομάσουμε A το σύνολο στο δεξί μέλος της παραπάνω σχέσης. Τότε έχουμε τα εξής: Η οικογένεια A περιέχει τη C. Πράγματι, οποιοδήποτε σύνολο της C είναι της μορφής A i για κάποιο i I. Η επιλογή J = {i } I στην περιγραφή στοιχείων της A δίνει i J A i = A i A. Οποιαδήποτε σ-άλγεβρα A 1 περιέχει τη C πρέπει να περιέχει την A. Γιατί οποιαδήποτε ένωση i J A i είναι αριθμήσιμη αφού το I είναι αριθμήσιμο. Και εφόσον η A 1 είναι σ-άλγεβρα και περιέχει τα A i με i J, θα περιέχει και την ένωσή τους. Η A είναι σ-άλγεβρα. Πράγματι, η επιλογή J = δίνει i J A i =. Επίσης, αν πάρουμε A της μορφής A = i J A i για κάποιο J I, τότε X\A = i I \J A i που είναι στοιχείο της A. Τέλος, αν έχουμε ακολουθία (B n ) n 1 στοιχείων της A με B n = i Jn A i, όπου J n I για κάθε n 1, τότε για J := n=1 J n έχουμε n=1 B n = i J A i που πάλι είναι στοιχείο της A. Συνδυάζοντας αυτές τις τρεις παρατηρήσεις παίρνουμε την (1.1). Παράδειγμα 1.4 (Μετρήσιμες συναρτήσεις στην {, X}). Εστω A = {, X} η τετριμμένη σ-άλγεβρα στο X. Ισχυρισμος: Μια συνάρτηση f : X R είναι A-μετρήσιμη αν και μόνο αν είναι σταθερή. Πράγματι, αν η f (x) = c για κάθε x X όπου c R σταθερά, τότε για κάθε A R σύνολο Borel έχουμε f 1 X αν c A, (A) = αν c R\A. Επειδή λοιπόν f 1 (A) A για κάθε A B(R), έχουμε ότι η f είναι A-μετρήσιμη. Εστω τώρα f : X R που είναι A-μετρήσιμη. Αν δεν είναι σταθερή, τότε παίρνει δύο διαφορετικές τιμές, έστω a, b με a < b. Υπάρχουν x 1, x 2 X με f (x 1 ) = a, f (x 2 ) = b. Λόγω μετρησιμότητας πρέπει το σύνολο := f 1 ((, a]) να ανήκει στην A. Ομως αφού περιέχει το x 1, και X αφού δεν περιέχει το x 2, επομένως A, άτοπο. Αρα η f πρέπει να είναι σταθερή. Γενίκευση του προηγούμενου παραδείγματος είναι το εξής. Παράδειγμα 1.5 (Μετρήσιμες συναρτήσεις σε σ-άλγεβρα παραγόμενη απο αριθμήσιμη διαμέριση). Τι μορφή έχουν οι πραγματικές συναρτήσεις που είναι μετρήσιμες ως προς τη σ-άλγεβρα σ(c) πιο πάνω; Ισχυρισμος: Μια σ(c)-μετρήσιμη συνάρτηση f : X R πρέπει να είναι σταθερή σε κάθε σύνολο της διαμέρισης. Πράγματι, έστω f μετρήσιμη και i I. Ας υποθέσουμε ότι η f παίρνει δύο διαφορετικές τιμές a < b στο A i. Θα έπρεπε λοιπόν το σύνολο A i { f < b} να ανήκει στη σ(c). Ομως αυτό το σύνολο είναι μη κενό και γνήσιο υποσύνολο του A i. Τέτοιο σύνολο δεν υπάρχει στη σ(c) (δες την περιγραφή της σ(c) στην (1.1)). Επίσης, είναι εύκολο να δείξει κανείς ότι μια συνάρτηση που είναι σταθερή σε κάθε σύνολο της διαμέρισης είναι μετρήσιμη. Αρα, αυτές είναι ακριβώς όλες οι μετρήσιμες συναρτήσεις στον (X, σ(c))

15 1.3 Σ-άλγεβρα παραγόμενη από συναρτήσεις Σ-άλγεβρα παραγόμενη από συναρτήσεις Ορισμός 1.6. Εστω Ω σύνολο. Για μια συνάρτηση f : Ω [, ], ονομάζουμε σ-άλγεβρα παραγόμενη από την f το σύνολο σ( f ) := { f 1 (A) : A B([, ])}. Αυτή είναι η ελάχιστη σ-άλγεβρα A στο Ω η οποία κάνει την f μετρήσιμη στον (Ω, A) [ Ασκηση]. Βέβαια αν στο Ω έχει ήδη οριστεί μία σ-άλγεβρα F ώστε η f να είναι μετρήσιμη στον (Ω, F ), τότε θα έχουμε σ( f ) F. Σε περίπτωση που έχουμε πολλές συναρτήσεις { f i : i I} ορισμένες στο σύνολο Ω και θέλουμε να βρούμε μία σ-άλγεβρα A ώστε να είναι όλες μετρήσιμες στον (Ω, A), τότε πρέπει και αρκεί σ( f i ) A για κάθε i I. Δηλαδή η A να περιέχει την ένωση i I σ( f i ). Από όλες τις A που ικανοποιούν αυτή την ιδιότητα διαλέγουμε τη μικρότερη. Ορισμός 1.7. Εστω Ω σύνολο. Αν { f i : i I} είναι οικογένεια συναρτήσεων στο Ω με τιμές στο [, ], ονομάζουμε σ-άλγεβρα παραγόμενη από τις συναρτήσεις { f i : i I} το σύνολο σ ( { f i : i I} ) := σ ( i I σ( f i ) ). (1.2) Αυτή είναι η ελάχιστη σ-άλγεβρα που κάνει όλες τις { f i : i I} μετρήσιμες. Παράδειγμα 1.8 (Ακολουθία ρίψεων νομίσματος). Παίρνουμε Ω = { 1, 1} N+. Μπορούμε να δούμε αυτό το σύνολο ως το δειγματικό χώρο για μια ακολουθία ρίψεων ενός νομίσματος. Το 1 παριστά το αποτέλεσμα «Κορώνα» και το 1 το αποτέλεσμα «Γράμματα». Για n N +, ορίζουμε τη συνάρτηση X n : Ω R με X n (ω) = ω n, όπου ω = (ω n ) n 1 Ω. Δηλαδή η X n είναι η προβολή στη n-οστή συντεταγμένη. Η X n παίρνει μόνο δύο τιμές. Οπότε η σ(x n ) είναι ακριβώς το σύνολο {, Ω, A n, 1, A n,1 }, με A n, 1 := Xn 1 ( ) { 1} = {ω Ω : ωn = 1} = { 1, 1} n 1 { 1} { 1, 1} N+ \[n], A n,1 := Xn 1 ( ) {1} = {ω Ω : ωn = 1} = { 1, 1} n 1 {1} { 1, 1} N+ \[n], όπου [n] := {1, 2,..., n}. Θα περιγράψουμε τώρα τη σ-άλγεβρα F n := σ ( {X 1, X 2,..., X n } ). Για δεδομένη ακολουθία s = (s 1, s 2,..., s n ) { 1, 1} n, θεωρούμε το σύνολο A s : = { (s 1, s 2,..., s n, x n+1, x n+2,...) : x i { 1, 1} για κάθε i n + 1 } = X1 1 ( {s1 } ) X2 1 ( {s2 } ) Xn 1 ( {sn } ). Δηλαδη το A s περιέχει όλες τις άπειρες ακολουθίες από 1 και 1 που το αρχικό τους τμήμα είναι το s και μετά είναι ελεύθερες να έχουν ό,τι θέλουν. Για μια ακολουθία που ανήκει στο A s, η συμπεριφορά της ως τον χρόνο n είναι γνωστή. Ισχυρισμος: Η F n είναι η σ-άλγεβρα που παράγεται από τη διαμέριση C := {A s : s { 1, 1} n } του Ω. Από τον ορισμό της η F n πρέπει να περιέχει τα Xi 1 ( {si } ) για i = 1, 2,..., n. Αρα, ως σ-άλγεβρα, περιέχει και το A s, που είναι πεπερασμένη τομή των Xi 1 ( {si } ). Επομένως σ(c) F n. Από την άλλη, κάθε X i με 1 i n είναι μετρήσιμη ως προς τη σ(c). Για παράδειγμα, Xi 1 ( ) {1} = s { 1,1} n :s i =1A s είναι πεπερασμένη ένωση στοιχείων της σ(c), άρα στοιχείο της. Από την ελαχιστότητα της F n έπεται ότι F n σ(c) και ο ισχυρισμός αποδείχθηκε.

16 6 Εισαγωγικά 1.4 Οι χώροι L p Για X τυχαία μεταβλητή στον χώρο πιθανότητας (Ω, F, P) και p [1, ), ορίζουμε X p = {E( X p )} 1/p και L p (Ω, F, P) := {X τυχαία μεταβλητή στο Ω : X p < }. Οταν είναι σαφές ποιος είναι ο χώρος Ω και ποια η σ-άλγεβρα F, γράφουμε L p (P) αντί L p (Ω, F, P). Αποδεικνύεται ότι η συνάρτηση X X p ικανοποιεί τις ιδιότητες λx p = λ X p, X + Y p X p + Y p, για X, Y L p (P) και λ R. Επεται ότι το σύνολο L p (P) είναι διανυσματικός χώρος. Η συνάρτηση p θα ήταν νόρμα αν επιπλέον ικανοποιούσε την X p = X. Ομως δεν την ικανοποιεί γιατί ενδέχεται μια τυχαία μεταβλητή X να μην είναι η μηδενική, αλλά να ισούται με με πιθανότητα 1, δηλαδή P(X = ) = 1, και επομένως να έχει X p =. Η λύση σε αυτό το πρόβλημα είναι να ορίσουμε στον L p (P) μια σχέση ισοδυναμίας: X Y αν P(X = Y) = 1, δηλαδη δύο τυχαίες μεταβλητές τις ταυτίζουμε αν είναι ίσες με πιθανότητα 1. Συμβολίζουμε το σύνολο των κλάσεων ισοδυναμίας με L p (Ω, F, P) ή L p (P). Σχεδόν όποια συνάρτηση έχουμε ορίσει σε τυχαίες μεταβλητές μπορούμε να ορίσουμε και για τα στοιχεία της L p (P). Πώς; Μέσω ενός αντιπροσώπου. Ας το δούμε για τη συνάρτηση p. Εστω H L p (P) μία κλάση και X ένα στοιχείο της κλάσης (λέμε αυτό το στοιχείο εκδοχή της H). Ορίζουμε H p = X p. Ο ορισμός δεν εξαρτάται από την επιλογή του αντιπροσώπου X γιατί αν Y είναι άλλος αντιπρόσωπος, τότε E( X p ) = E( Y p ) (αφού οι X, Y είναι σχεδον παντού ίσες), οπότε X p = Y p. Από την άλλη, για μια H L p ([, 1], B([, 1]), λ) δεν έχει νόημα να μιλάμε για την τιμή H(1) γιατί αν πάρουμε δύο αντιπροσώπους f, g από την κλάση H, δεν ισχύει απαραίτητα f (1) = g(1). Για μετροθεωρητικά θέματα, θεωρούμε δύο τυχαίες μεταβλητές που είναι ίσες με πιθανότητα 1 ταυτόσημα αντικείμενα. Με τον ίδιο τρόπο, βλέπουμε τον χώρο L p (P) ως χώρο τυχαίων μεταβλητών και όχι ως χώρο κλάσεων ισοδυναμίας. Τώρα η συνάρτηση p ορισμένη στον L p (P) είναι νόρμα γιατί για μία X L p (P) η X p = συνεπάγεται P(X = ) = 1, άρα η κλάση της X είναι η κλάση της μηδενικής συνάρτησης. Αυτή η κλάση είναι το του διανυσματικού χώρου L p (P). Πρόταση 1.9. (Ανισότητα Hölder) Εστω X, Y τυχαίες μεταβλητές, p (1, ), και q (1, ) τέτοιο ώστε p 1 + q 1 = 1. Τότε E XY X p Y q. Ειδική περίπτωση της ανισότητας Hölder (p = q = 2) είναι η ανισότητα Cauchy-Schwarz: E XY {E(X 2 )} 1/2 {E(Y 2 )} 1/2. Πρόταση 1.1. Για κάθε τυχαία μεταβλητή X και 1 r < s, ισχύει X r X s. Απόδειξη. Είναι συνέπεια της ανισότητας Hölder, όπου τη θέση της X έχει η X r, την θέση της Y έχει η σταθερή συνάρτηση 1, p = s/r, και q = s/(s r). Δηλαδή, E X r = E( X r 1) E( X s ) r/s (E(1 q )) 1/q = E( X s ) r/s και το συμπέρασμα έπεται.

17 1.4 Οι χώροι L p 7 Κατά συνέπεια L s (P) L r (P). Ο τελευταίος εγκλεισμός όμως έπεται και πιο εύκολα από την παρατήρηση ότι X r X s + 1 (το 1 καλύπτει την περίπτωση που X(ω) < 1). Η νόρμα p ορίζει μία μετρική d p στον χώρο L p (P). Ισχύει το εξής σημαντικό αποτέλεσμα [Κουμουλλής Γ. και Νεγρεπόντης Σ (1991), Θεώρημα 11.17]. Θεώρημα Ο μετρικός χώρος (L p (P), d p ) είναι πλήρης. Οταν είναι σαφές ποιο είναι το μέτρο P, τότε γράφουμε L p αντί L p (P). 1.1 Εστω f όπως στον Ορισμό 1.6. Να δειχθεί ότι (α) Η f είναι σ( f )-μετρήσιμη. Ασκήσεις (β) Αν η f είναι F -μετρήσιμη, όπου F είναι σ-άλγεβρα στο Ω, τότε σ( f ) F. Αρα η σ( f ) είναι η ελάχιστη σ-άλγεβρα στο Ω που κάνει την f μετρήσιμη. 1.2 Εστω f, g : Ω R συναρτήσεις στο σύνολο Ω. Να δειχθεί ότι σ( f ) σ( f, g). 1.3 Εστω F το σύνολο των συναρτήσεων f : R R που είναι άρτιες. Να προσδιοριστεί η σ-άλγεβρα στο R που παράγει η οικογένεια F (Ορισμός 1.7).

18 2 Δεσμευμένη μέση τιμή 2.1 Ορισμός Παντού σε αυτό το κεφάλαιο, αν δεν αναφέρεται κάτι διαφορετικό, δουλεύουμε σε ένα χώρο πιθανότητας (Ω, F, P) και η G F είναι μια σ-άλγεβρα. Ορισμός 2.1. Για X : Ω R τυχαία μεταβλητή στον (Ω, F, P) με E X <, δεσμευμένη μέση τιμή της X ως προς τη σ-άλγεβρα G ονομάζουμε οποιανδήποτε τυχαία μεταβλητή Y : Ω R έχει τις εξής ιδιότητες: (i) Η Y είναι G-μετρήσιμη. (ii) Ισχύει για κάθε A G. X d P = A A Y d P (2.1) Η απαίτηση (ii) εμπεριέχει και την απαίτηση η Y να είναι τέτοια ώστε το ολοκλήρωμα στο δεξί μέλος της (2.1) να ορίζεται. Γενικά, αν μια τυχαία μεταβλητή είναι μετρήσιμη ως προς μια μικρή σ-άλγεβρα, τότε συμπεραίνουμε ότι είναι απλό αντικείμενο. Για παράδειγμα, αν είναι μετρήσιμη ως προς μια σ-άλγεβρα που παράγεται από διαμέριση με n στοιχεία, τότε μπορεί να παίρνει το πολύ n διαφορετικές τιμές (Παράδειγμα 1.5). Ο ορισμός λοιπόν μας λέει ότι αν θέλουμε να υπολογίζουμε ολοκληρώματα της X σε σύνολα της υποάλγεβρας G, δεν είναι ανάγκη να χρησιμοποιούμε τη X, η οποία μπορεί να είναι αρκετά περίπλοκη συνάρτηση. Υπάρχει η Y που είναι απλούστερο αντικείμενο από τη X και μπορεί να κάνει την ίδια δουλειά. Για την πρακτική σημασία της δεσμευμένης μέσης τιμής θα αναφερθούμε στην επόμενη παράγραφο. Ξεκινάμε με το θεώρημα ύπαρξης και μοναδικότητας και κάποια παραδείγματα. Πρόταση 2.2. ( Υπαρξη και μοναδικότητα) (i) Μία δεσμευμένη μέση τιμή Y της X ως προς την G υπάρχει. (ii) Για οποιαδήποτε δεσμευμένη τιμή Y της X ως προς την G ισχύει E Y E X <. (iii) Αν Y, Y είναι δύο δεσμευμένες μέσες τιμές της X ως προς την G, τότε P(Y = Y ) = 1. Απόδειξη. (i) Ας υποθέσουμε πρώτα ότι X. Η συνάρτηση ν : G R με ν(a) = X d P για κάθε A G είναι ένα μέτρο και επιπλέον P(A) = ν(a) = ( Ασκηση). Το Θεώρημα Radon- Nikodym [Κουμουλλής Γ. και Νεγρεπόντης Σ (1991), Θεώρημα 1.15] δίνει ότι υπάρχει Y, Y L 1 (Ω, G, P) ώστε ν(a) = A Y d P. 8 A

19 2.1 Ορισμός 9 Τώρα για τη γενική περίπτωση, θέτουμε X 1 := X +, X 2 := X. Από την προηγούμενη παράγραφο έχουμε ότι υπάρχουν Y 1, Y 2 που να αντιστοιχούν στις X 1, X 2 και έχουν E Y 1, E Y 2 <. Εύκολα βλέπουμε ότι η Y := Y 1 Y 2 είναι μια δεσμευμένη τιμή για τη X. (ii) Εστω A 1 := {Y > }, A 2 := Ω\A 1 = {Y }, που είναι και τα δύο στοιχεία της G αφού η Y είναι G-μετρήσιμη. Τότε E Y = Y d P Y d P = X d P X d P X d P + X d P = E X. A 1 A 2 A 1 A 2 A 1 A 2 Η δεύτερη ισότητα προκύπτει με εφαρμογή του (ii) του Ορισμού 2.1 για τα σύνολα A 1, A 2. (iii) Εστω ότι P(Y Y > ) >. Τότε το σύνολο A := [Y Y > ] είναι στοιχείο της G (αφού η Y Y είναι G-μετρήσιμη) και (Y Y ) d P = X d P X d P =. A A A Δηλαδή η μη αρνητική συνάρτηση (Y Y )1 A έχει μηδενικό ολοκλήρωμα. Πρέπει P((Y Y )1 A > ) =. Ομως P((Y Y )1 A > ) = P(A) > από υπόθεση. Ατοπο. Αρα P(Y Y > ) =. Λόγω συμμετρίας, P(Y Y > ) =, και το συμπέρασμα έπεται. Συμβολίζουμε οποιαδήποτε δεσμευμένη μέση τιμή της X ως προς τη G με E(X G). Το (iii) της προηγούμενης πρότασης επιτρέπει να θεωρούμε ότι η E(X G) είναι ουσιαστικά μοναδική. Παράδειγμα 2.3. (1) Στην περίπτωση που G = {, Ω} ισχύει E(X G) = E X, δηλαδή είναι σταθερά. Αυτό γιατί οι μόνες G-μετρήσιμες συναρτήσεις είναι οι σταθερές και αν υποθέσουμε ότι E(X G) = c και εφαρμοσουμε την (2.1) για A = Ω G, παίρνουμε E X = Ω c d P = c. Παράδειγμα 2.4. Στην περίπτωση που G = F ισχύει E(X G) = X. Αυτό γιατί η X είναι G μετρήσιμη και προφανώς ικανοποιεί το (ii) του Ορισμού 2.1. Παράδειγμα 2.5. Θα δούμε τώρα την περίπτωση που η G παράγεται από μια αριθμήσιμη διαμέριση, έστω C = {A i : i I} F, του δειγματικού χώρου Ω (Παράδειγμα 1.3). Δηλαδή G = σ(c). Βέβαια, επειδή πρέπει G F, θα έχουμε ότι A i F για κάθε i I. Σχήμα 2.1: Συνάρτηση (διακεκομμένες γραμμές) και η δεσμευμένη μέση τιμή της (ευθύγραμμα τμήματα) ως προς μία σ-άλγεβρα. Η σ-άλγεβρα παράγεται από τη διαμέριση {[4, 6.5), [6.5, 1), [1, 17), [17, 22]} του πεδίου ορισμού [4, 22]. Η δεσμευμένη μέση τιμή, έστω Y, είναι σ(c)-μετρήσιμη. Αρα με βάση το Παράδειγμα 1.5, είναι σταθερή σε κάθε σύνολο της διαμέρισης. Δηλαδή υπάρχουν σταθερές {c i : i I} ώστε Y(ω) = c i για

20 1 Δεσμευμένη μέση τιμή κάθε ω A i και i I. Θα βρούμε αυτές τις σταθερές. Εφαρμόζουμε την (2.1) για A = A i σ(c) και παίρνουμε A i X d P = c i P(A i ). (2.2) Αν P(A i ), έχουμε αμέσως c i = E(X; A i )/ P(A i ), ενώ αν P(A i ) =, οποιαδήποτε σταθερά ικανοποιεί την (2.2) αφού και το αριστερό μέλος ισούται με (ολοκλήρωμα σε σύνολο μέτρου ). Αρα E(X;A i ) P(A E(X G)(ω) = i ) αν ω A i και P(A i ) >, (2.3) αν ω A i και P(A i ) = και έτσι η E(X G) καθορίστηκε πλήρως σε όλο το Ω (το δεύτερο σκέλος του ορισμού είναι ασήμαντο αφού αφορά το σύνολο i:p(ai )=A i, το οποίο έχει μέτρο ως αριθμήσιμη ένωση συνόλων με μέτρο μηδέν). Στις στοιχειώδεις πιθανότητες το πηλίκο στην (2.3) συμβολίζεται με E(X A i ) και λέγεται δεσμευμένη μέση τιμή της X δεδομένου ότι συνέβη το A i. Είναι επίσης η μέση τιμή της X ως προς την κανονικοποίηση του περιορισμού της P στο A i ( Ασκηση 2.1). Είναι η «μέση τιμή της X στο σύνολο A i» με την ίδια έννοια που η μέση τιμή μιας συνεχούς συνάρτησης f : R R σε ένα διάστημα [a, b] είναι ο αριθμός 1 b f (t) dt. b a a Στο Σχήμα 2.1 έχουμε (με διακεκομμένες γραμμές) το γράφημα μιας συνάρτησης X με πεδίο ορισμού το Ω := [4, 22]. Ο χώρος πιθανότητας είναι ο ([4, 22], B([4, 22]), λ/18), όπου λ είναι το μέτρο Lebesgue στο [4, 22]. Οι οριζόντιες γραμμές είναι το γράφημα της δεσμευμένης μέσης τιμής της X ως προς τη σ-άλγεβρα που παράγεται από τη διαμέριση {[4, 6.5), [6.5, 1), [1, 17), [17, 22]}. Ο προσδιορισμός της δεσμευμένης μέσης τιμής έγινε ως εξής. Εστω µ = λ/18. Η δεσμευμένη μέση τιμή στο πρώτο διάστημα [4, 6.5) = [a, b) ισούται με b X(t)dµ(t) b X(t) dt a a = µ([a, b)) b a. Αυτή είναι η «μέση τιμή της X στο [a, b)». υπόλοιπα διαστήματα. Ομοια υπολογίζεται η δεσμευμένη μέση τιμή και στα 2.2 Σημασία της δεσμευμένης μέσης τιμής Σε αυτή την παράγραφο θέλουμε να στηρίξουμε τη δήλωση ότι «Η δεσμευμένη μέση τιμή E(X G) δίνει την καλύτερη εκτίμηση για τη X δεδομένης της πληροφορίας που δίνει η σ-άλγεβρα G.» Οι έννοιες «εκτίμηση» και «πληροφορία» είναι ασαφείς και ελάχιστα θα τις διασαφηνίσουμε παρακάτω. Η πιο πάνω φράση απλώς προσφέρει έναν τρόπο να σκεφτόμαστε για τη δεσμευμένη μέση τιμή. Δεν πρόκειται να την χρησιμοποιήσουμε στην ανάπτυξη της θεωρίας. Υπενθυμίζουμε ότι, για μια σ-άλγεβρα G F, ως πληροφορία που κρατάει η G θεωρούμε την εξής γνώση. Οταν γίνεται το πείραμα το οποίο μοντελοποιεί ο χώρος πιθανότητας (Ω, F, P) και προκύψει ένα αποτέλεσμα ω Ω (το οποίο εμείς δεν ξέρουμε), η πληροφορία της G είναι το σε ποια στοιχεία της ανήκει και σε ποια δεν ανήκει το ω. Δηλαδή η πληροφορία ενδεχομένως να μην μας πει ποιο ακριβώς είναι το ω, αλλά θα το περιορίσει. Εμείς βεβαίως ξέρουμε τα πάντα για την τριάδα (Ω, F, P) και τη συνάρτηση X και μπορούμε να κάνουμε υπολογισμούς πιθανοτήτων και μέσων τιμών. Θα δούμε τώρα αυτό το σκεπτικό εφαρμοσμένο σε προηγούμενα παραδείγματα για τα οποία έχουμε υπολογίσει τη δεσμευμένη μέση τιμή.

21 2.3 Βασικές ιδιότητες 11 Στο Παράδειγμα 2.3 η σ-άλγεβρα {, Ω} δεν μας δίνει καμία πληροφορία. Το ότι ω Ω το ξέρουμε. Ετσι, αφού γίνει το πείραμα, η καλύτερη εκτίμηση που κάνουμε για την τιμή X(ω) που έχει πάρει η X είναι η E X. Στο Παράδειγμα 2.5. Οταν η G παράγεται από μια αριθμήσιμη διαμέριση {A i : i I}, για ένα δεδομένο ω Ω, η πληροφορία της G μας λέει σε ποιο στοιχείο A i της διαμέρισης ανήκει το ω και δεν μπορεί να πει κάτι πιο κατατοπιστικό γιατί το A i δεν περιέχει γνησίως μικρότερο και μη κενό υποσύνολο που να είναι στοιχείο της διαμέρισης. Ξέροντας λοιπόν ότι ω A i και συνδυάζοντάς το με το σκεπτικό του προηγουμένου παραδείγματος, είναι εντελώς φυσιολογικό να πάρουμε ως καλύτερη εκτίμησή μας για το X(ω) τη μέση τιμή της X ως προς την κανονικοποίηση του περιορισμού του P στο A i (το μέτρο στον υπόλοιπο χώρο δεν μας ενδιαφέρει). Δηλαδή τον αριθμό στην (2.3). Στο Παράδειγμα 2.4. Αφού η X είναι G-μετρήσιμη, όλα τα σύνολα {X = r}, όπου r R, ανήκουν στην G, και για δεδομένο ω Ω, ξέρουμε σε ποια αυτό ανήκει και σε ποια όχι. Αρα ξέρουμε ποιο είναι το X(ω) ακριβώς. Γι αυτό και E(X G) = X. Αυτή η διαίσθηση όμως δεν λειτουργεί πάντα, όπως δείχνει το επόμενο παράδειγμα. Παράδειγμα 2.6. Στον χώρο πιθανότητας (Ω, F, P) με Ω := (, 1), F := B((, 1)), P := λ 1 το μέτρο Lebesgue στο (, 1), θεωρούμε τη σ-άλγεβρα G := {A (, 1) : A αριθμήσιμο ή (, 1) \ A αριθμήσιμο} που είναι υποσύνολο της F (γιατί;). Θεωρούμε και την τυχαία μεταβλητή X με X(ω) = ω για κάθε ω Ω [είναι αυτή που λέμε τυχαία μεταβλητή ομοιόμορφη στο (, 1)]. Γίνεται λοιπόν το πείραμα και προκύπτει ένα ω. Η G περιέχει όλα τα μονοσύνολα του Ω και άρα η πληροφορία που κρατάει πρέπει να μας δώσει ποιο είναι το ω ακριβώς και άρα και την ακριβή τιμή του X(ω). Από την άλλη, επειδή κάθε σύνολο της G έχει P μέτρο ή 1, έχουμε ότι η X είναι ανεξάρτητη από την G και επομένως, από την Πρόταση 2.7(iii) πιο κάτω, E(X G)(ω) = E X = 1 x dλ 1(x) = 1/2 για κάθε ω Ω. 2.3 Βασικές ιδιότητες Θα δούμε σε αυτή την παράγραφο κάποιες χρήσιμες ιδιότητες της δεσμευμένης μέσης τιμής. Οι ισχυρισμοί, ισότητες/ανισότητες, πιο κάτω ισχύουν με πιθανότητα 1. Παραλείπουμε αυτή τη διασαφήνιση για απλότητα στη διατύπωση. Πρόταση 2.7. Εστω X L 1 (Ω, F, P) και G F σ-άλγεβρα. Ισχύουν τα εξής. (i) E(E(X G)) = E X. (ii) Αν η X είναι G-μετρήσιμη, τότε E(X G) = X. (iii) Αν η X είναι ανεξάρτητη από την G, τότε E(X G) = E X. Απόδειξη. (i) Προκύπτει θέτοντας A = Ω στην (2.1). (ii) Η X ικανοποιεί τις δύο απαιτήσεις του ορισμού της δεσμευμένης μέσης τιμής. (iii) Η σταθερή συνάρτηση E X είναι προφανώς G-μετρήσιμη και για A G έχουμε X d P = E(1 A X) = E(1 A ) E X = P(A) E X = E X d P. A A Πρόταση 2.8. Εστω X, Y L 1 (Ω, F, P), a, b R. Ισχύουν τα εξής. (i) E(aX + by G) = a E(X G) + b E(Y G).

22 12 Δεσμευμένη μέση τιμή (ii) Αν X, τότε E(X G). (iii) Αν X Y, τότε E(X G) E(Y G). Απόδειξη. (i) Η a E(X G) + b E(Y G) είναι G-μετρήσιμη, και για A G έχουμε {a E(X G) + b E(Y G)} d P = a E(X G) d P +b E(Y G) d P A A A = a X d P +b Y d P = (ax + by) d P. A Στη δεύτερη ισότητα χρησιμοποιήσαμε την ιδιότητα ορισμού των E(X G), E(Y G) και το ότι A G. Αρα η a E(X G) + b E(Y G) είναι μια δεσμευμένη μέση τιμή της ax + by ως προς την G. (ii) Επεται από την απόδειξη της Πρότασης 2.2(i) ότι υπάρχει μια δεσμευμένη μέση τιμή που είναι μη αρνητική. Ομως η δεσμευμένη μέση τιμή είναι μοναδική (Πρόταση 2.2(iii)) και το συμπέρασμα έπεται. (iii) Θέτουμε W := Y X, εφαρμόζουμε το προηγούμενο μέρος της πρότασης, και μετά χρησιμοποιούμε τη γραμμικότητα της δεσμευμένης μέσης τιμής (πρώτο μέρος της πρότασης). Πρόταση 2.9. Εστω X L 1 (Ω, F, P) και G 1 G 2 F σ-άλγεβρες. Τότε (i) E(E(X G 1 ) G 2 )) = E(X G 1 ). (ii) E(E(X G 2 ) G 1 )) = E(X G 1 ). Απόδειξη. (i) Η τυχαία μεταβλητή E(X G 1 ) είναι G 2 -μετρήσιμη αφού είναι G 1 -μετρήσιμη και G 1 G 2. Το συμπέρασμα έπεται από την Πρόταση 2.7(ii). (ii) Η E(X G 1 ) είναι G 1 -μετρήσιμη, και για A G 1 έχουμε E(X G 1 ) d P = X d P = A A A A A E(X G 2 ) d P. Στην τελευταία ισότητα χρησιμοποιούμε τον ορισμο της E(X G 2 ) και το ότι το A είναι στοιχείο της G 2 επίσης. Το συμπέρασμα έπεται. Πρόταση 2.1 (Τα γνωστά βγαίνουν έξω). Εστω X L 1 (Ω, F, P) και Y : Ω R συνάρτηση G- μετρήσιμη ώστε E XY <. Τότε E(XY G) = Y E(X G). (2.4) Απόδειξη. Το δεξί μέλος της ισότητας είναι μια G-μετρήσιμη συνάρτηση, άρα μένει να δείξουμε ότι ικανοποιεί τη δεύτερη συνθήκη του Ορισμού 2.1. Θα πάμε με τη συνήθη τακτική. 1. Αν η Y = 1 B με B G, τότε για κάθε A G έχουμε Y E(X G) d P = E(X G) d P = και το συμπέρασμα έπεται. A A B A B X d P = A 1 B X d P = A XY d P, 2. Η προηγούμενη ειδική περίπτωση και η γραμμικότητα της δεσμευμένης μέσης τιμής δίνουν την (2.4) όταν η Y είναι απλή και G-μετρήσιμη. 3. Αν οι X, Y, τότε παίρνουμε αύξουσα ακολουθία (Y n ) n 1 μη αρνητικών απλών και G-μετρήσιμων συναρτήσεων που συγκλίνει σημειακά στην Y. Με βάση τα προηγούμενα, για A G έχουμε Y n E(X G) d P = XY n d P. A A

23 2.3 Βασικές ιδιότητες 13 Εφαρμόζουμε το θεώρημα μονότονης σύγκλισης στην τελευταία, και παίρνουμε Y E(X G) d P = XY d P. Ετσι πάλι ισχύει η (2.4). A 4. Για τη γενική περίπτωση. Εφαρμόζουμε την (2.4) για τα ζευγάρια {X, Y }, {X, Y + }, {X +, Y }, {X +, Y + } για τα οποία ξέρουμε ότι ισχύει, και κάνουμε τις απαραίτητες πράξεις με τις ισότητες που θα προκύψουν. Χρησιμοποιούμε βέβαια το γεγονός ότι E(X Y ) + E(X Y + ) + E(X + Y ) + E(X + Y + ) = E XY <. Συμβολισμός: Αν Z, W είναι τυχαίες μεταβλητές, τότε για τη δεσμευμένη μέση τιμή E(Z σ(w)) χρησιμοποιούμε τον συμβολισμό E(Z W). Η πιο κάτω πρόταση είναι χρήσιμη σε υπολογισμούς. Για απλοποίηση στη διατύπωση, υποθέτουμε ότι οι τυχαίες μεταβλητές X, Y που εμφανίζονται παίρνουν τιμές στο R. Ανάλογο αποτέλεσμα ισχύει και αν παίρνουν τιμές σε αυθαίρετο μετρήσιμο χώρο η καθεμία. Πρόταση Εστω X, Y ανεξάρτητες τυχαίες μεταβλητές με τιμές στο R και h : R 2 R Borel μετρήσιμη ώστε E h(x, Y) <. Θέτουμε φ(x) := E(h(x, Y)) για κάθε x R. Τότε E(h(X, Y) X) = φ(x). Δηλαδή, για να υπολογίσουμε την τιμή της δεσμευμένης μέσης τιμής της h(x, Y) σε ένα ω Ω, παγώνουμε τη X στην τιμή x = X(ω) και υπολογίζουμε τη μέση τιμή της ποσότητας h(x, Y), στην οποία η τυχαιότητα οφείλεται μόνο στο Y. Απόδειξη. Η φ είναι Borel μετρήσιμη, οπότε η φ(x) είναι σ(x) μετρήσιμη. Επειτα θα ελέγξουμε την ισχύ της δεύτερης συνθήκης του Ορισμού 2.1. Εστω A σ(x). Υπάρχει B B(R) έτσι ώστε A = X 1 (B). Εστω µ, ν οι κατανομές των X, Y αντίστοιχα. Η τ.μ. (X, Y) έχει κατανομή ρ := µ ν (μέτρο γινόμενο) επειδή οι X, Y είναι ανεξάρτητες. Χρησιμοποιώντας τον τύπο αλλαγής μεταβλητής, υπολογίζουμε h(x, Y) d P = h(x, Y)1 B (X) d P = h(x, y)1 B (x) dρ(x, y) A = h(x, y)1 B (x) dν(y)dµ(x) = h(x, y) dν(y)dµ(x) = B φ(x)dµ(x) = A B φ(x)1 B (X) d P = A φ(x) d P, και η απόδειξη ολοκληρώθηκε. Παράδειγμα Εστω X, Y ανεξάρτητες τυχαίες μεταβλητές, με καθεμία να έχει την ομοιόμορφη κατανομή στο (, 1). Η μέση τιμή E(X Y ) υπολογίζεται ως εξής. E(X Y ) = E(E(X Y Y)) = E(φ(Y)) με φ(y) = E(X y ). Για y (, 1) έχουμε E(X y ) = 1 xy dx = 1/(y + 1). Αρα η ζητούμενη μέση τιμή ισούται με E(1/(Y + 1)) = 1 (1 + y) 1 dy = log 2.

24 14 Δεσμευμένη μέση τιμή Πρόταση 2.13 (Ανισότητα Jensen). Εστω X L 1 (Ω, F, P) και f κυρτή συνάρτηση σε ένα διάστημα I R με P(X I) = 1 και E f (X) <. Τότε f (E(X G)) E( f (X) G). Η ανισότητα Jensen έχει την εξής χρήσιμη συνέπεια. Πόρισμα Για p 1 και X L p (Ω, F, P) ισχύει E(X G) p X p. Την περίπτωση p = 1 την έχουμε ήδη δει στην Πρόταση 2.2(ii). Απόδειξη. Το ότι η X είναι στοιχείο του L p δίνει ότι είναι στοιχείο και του L 1. Ετσι, εφαρμόζοντας την ανισότητα Jensen για την κυρτή συνάρτηση f (x) = x p, έχουμε ότι E(X G) p E( X p G) με πιθανότητα 1. Παίρνουμε μέση τιμή στα δύο μέλη, και με χρήση της Πρότασης 2.7(i) παίρνουμε E { E(X G) p} E( X p ), που είναι το ζητούμενο. Για τη δεσμευμένη μέση τιμή υπάρχουν οριακά θεωρήματα αντίστοιχα αυτών της μέσης τιμής. Τα καταγράφουμε χωρίς απόδειξη. Για όλες τις τυχαίες μεταβλητές που εμφανίζονται σε αυτά υποθέτουμε ότι είναι στοιχεία του L 1 (Ω, F, P). Θεώρημα 2.15 (Λήμμα Fatou). Αν οι X n είναι μη αρνητικές, τότε E( lim X n G) lim E(X n G). n n Θεώρημα 2.16 (Θεώρημα μονότονης σύγκλισης). Αν X n X n+1 για κάθε n 1, τότε E( lim n X n G) = lim n E(X n G). Θεώρημα 2.17 (Θεώρημα κυριαρχημένης σύγκλισης). Αν οι {X n : n 1} συγκλίνουν με πιθανότητα 1 σε μια τυχαία μεταβλητή X και υπάρχει Y L 1 (P) με X n Y για κάθε n 1, τότε X L 1 (P) και E( lim n X n G) = lim n E(X n G). 2.4 Η δεσμευμένη μέση τιμή ως προβολή Το σύνολο H := L 2 (Ω, F, P) εφοδιασμένο με το εσωτερικό γινόμενο (X, Y) E(XY) = XY d P είναι χώρος Hilbert (δες Παράρτημα Βʹ). Ο H := L 2 (Ω, G, P) είναι υπόχωρος του H και μάλιστα κλειστός. Εχουμε ορίσει τη δεσμευμένη μέση τιμή ως προς την G για τα στοιχεία του L 1 (Ω, F, P) H. Ομως για τα στοιχεία του H η δεσμευμένη μέση τιμή έχει την εξής γεωμετρική ερμηνεία. Πρόταση Η απεικόνιση T : H H με T(X) = E(X G) είναι η ορθογώνια προβολή στον υπόχωρο H. Απόδειξη. Κατ αρχάς, η T παίρνει πράγματι τιμές στον H γιατί από το Πόρισμα 2.14 (για p = 2), αν X H, τότε E(X G) H. Κάθε X H γράφεται ως X = E(X G) + {X E(X G)} με E(X G) H. Μένει να δείξουμε ότι X E(X G) H, δηλαδή E(Y{X E(X G)}) = για κάθε Y H. Αυτό αφήνεται ως άσκηση ( Ασκηση 2.9).

25 2.4 Η δεσμευμένη μέση τιμή ως προβολή 15 X L 2 (Ω, G, P) E(X G) Σχήμα 2.2: Η δεσμευμένη μέση τιμή ως προβολή. Ο περιβάλλων χώρος είναι ο L 2 (Ω, F, P), και ο υπόχωρος L 2 (Ω, G, P) παριστάνεται από ένα επίπεδο. Ασκήσεις Στις ασκήσεις πιο κάτω υποθέτουμε ότι δουλεύουμε σε έναν χώρο πιθανότητας (Ω, F, P) και ότι η G είναι σ-άλγεβρα υποσύνολο της F. 2.1 Εστω (Ω, F, µ) χώρος μέτρου και A F με µ(a ) >. (α) Να δειχθεί ότι η συνάρτηση ν : F [, ] με ν(a) = µ(a A ) είναι μέτρο στον (Ω, F ). Αυτό το μέτρο ονομάζεται περιορισμός του µ στο A. Κανονικοποιώντας το (δηλαδή διαιρώντας το με τη συνολική του μάζα), παίρνουμε το μέτρο πιθανότητας ˆν(A) = ν(a) ν(ω) = µ(a A ). µ(a ) (β) Να δειχθεί ότι για κάθε X : Ω [, ] μετρήσιμη με X dµ < ή με X ισχύει ότι X dˆν = 1 X dµ. µ(a ) A 2.2 Εστω (X, Y) διδιάστατη τυχαία μεταβλητή με πυκνότητα f : R 2 [, ) και h : R R Borel μετρήσιμη ώστε E h(x) <. Η Y έχει πυκνότητα f Y (y) := f (x, y) dx για κάθε y R. Για x, y R θέτουμε f (x,y) f f X Y (x y) := Y (y) αν f Y (y), αν f Y (y) =. Τέλος θέτουμε φ(y) := h(x) f X Y (x y) dx για κάθε y R. Να δειχθεί ότι E(h(X) Y) = φ(y). 2.3 Εστω X L 1 (Ω, F, P) με X(ω) > για κάθε ω Ω. Να δειχθεί ότι: (α) E(X G) > με πιθανότητα 1. (β) E ( X E(X G)) = Εστω X L 1 (Ω, F, P) με X(ω) για κάθε ω Ω. Ισχύει απαραίτητα E(X G) με πιθανότητα 1; 2.5 Εστω X : Ω R τυχαία μεταβλητή με Ε(X 2 ) < και F 1 F 2 F σ-άλγεβρες. Να δειχθεί ότι Ποια είναι η γεωμετρική ερμηνεία της ανισότητας; Ε(Ε(X F 1 ) 2 ) Ε(Ε(X F 2 ) 2 ).

26 16 Δεσμευμένη μέση τιμή 2.6 Εστω X L 2 (Ω, F, P). Να δειχθεί ότι E(X E(X G)) E(X 2 ). 2.7 Αν οι X, Y L 2 (Ω, F, P) ικανοποιούν E(Y G) = X και E(Y 2 ) = E(X 2 ), τότε X = Y με πιθανότητα Αν οι X, Y L 2 (Ω, F, P) ικανοποιούν E(Y 2 G) = X 2 και E(Y G) = X, τότε X = Y με πιθανότητα Για X L 2 (Ω, F, P) και Y L 2 (Ω, G, P), να δειχθεί ότι (α) δηλαδή X E(X G) Y. (β) E(YX) = E(Y E(X G)), E((X E(X G)) 2 ) E((X Y) 2 ), και η ισότητα ισχύει αν και μόνο αν Y = E(X G), δηλαδή ισούνται με πιθανοτητα 1. Με άλλα λόγια, η E(X G) είναι το (ουσιαστικά μοναδικό) εγγύτερο στο X σημείο του υποχώρου L 2 (Ω, G, P). 2.1 Για X, Y L 2 (Ω, F, P) να δειχθεί ότι E(E(X G) Y) = E(X E(Y G)) Για X L 2 (Ω, F, P) ονομάζουμε την τυχαία μεταβλητή Var(X G) := E{(X E(X G)) 2 G} δεσμευμένη διασπορά της X ως προς τη σ-άλγεβρα G. Να δειχθεί ότι: (α) Var(X G) = E(X 2 G) {E(X G)} 2. (β) Var(X) = E(Var(X G)) + Var(E(X G)). Στην τελευταία ισότητα η Var στην πρώτη και στην τρίτη ποσότητα είναι η συνηθισμένη διασπορά τυχαίας μεταβλητής Εστω X 1, X 2,..., X n ανεξάρτητες τυχαίες μεταβλητές με μέση τιμή και διασπορά 1. Θέτουμε F := {, Ω}, F k := σ(x 1, X 2,..., X n ) για 1 k n. Εστω και τυχαίες μεταβλητές a 1, a 2,..., a n ώστε η a k να είναι F k 1 -μετρήσιμη και φραγμένη για 1 k n. Να δειχθεί ότι n 2 E a k X k n = E(a 2 k ). k= Εστω X, Y ανεξάρτητες τυχαίες μεταβλητές ώστε E X, E Y < και E(X) =. Να δειχθεί ότι E X + Y E Y (Αλλαγή μέτρου και δεσμευμένη μέση τιμή) Εστω P μέτρο στον (Ω, F ) και f : Ω [, ] τυχαία μεταβλητή με E P ( f ) = 1. Να δειχθεί ότι: (α) Η συνάρτηση Q : F [, ] με Q(A) := A f d P = f 1 A d P είναι μέτρο πιθανότητας. [Γράφουμε d Q = f d P.] (β) Για κάθε X τυχαία μεταβλητή ισχύει k=1 E Q (X) = E P (X f ). Και για X : Ω [, ] τυχαία μεταβλητή, E Q ( X ) < E P ( X f ) <. (γ) Για G F σ-άλγεβρα και X L 1 (Ω, F, Q), E Q (X G) = E P(X f G) E P ( f G).

27 3 Martingales 3.1 Ορισμός και παραδείγματα Εστω χώρος πιθανότητας (Ω, F, P). Διήθηση σε αυτό τον χώρο λέμε μια αύξουσα ακολουθία (F n ) n σ-αλγεβρών, η καθεμία από τις οποίες είναι υποσύνολο της F. Δηλαδή, έχουμε F n F n+1 F για κάθε n. Μια ακολουθία τυχαίων μεταβλητών (X n ) n στον Ω λέγεται προσαρμοσμένη στη διήθηση (F n ) n αν για κάθε n η X n είναι F n -μετρήσιμη. Συμβαση: Σε αυτό το κεφάλαιο, οι δείκτες των διαφόρων οικογενειών που εμφανίζονται είναι φυσικοί αριθμοί. Ετσι, όταν γράφουμε n 1, n, εννοούμε n N + και n N αντίστοιχα. Ορισμός 3.1. Αν η ακολουθία τυχαίων μεταβλητών X = (X n ) n ικανοποιεί τις ιδιότητες (i) Η (X n ) n είναι προσαρμοσμένη στην (F n ) n, (ii) E X n < για κάθε n, (iii) E(X n+1 F n ) = X n για κάθε n, τότε λέγεται martingale ως προς τη διήθηση (F n ) n και το μέτρο P. Αν αντί της (iii) ισχύει η E(X n+1 F n ) X n, τότε η ακολουθία λέγεται submartingale, ενώ αν ισχύει η E(X n+1 F n ) X n, τότε η ακολουθία λέγεται supermartingale (ως προς τα (F n ) n και P). Οταν είναι σαφές ποια είναι τα (F n ) n και P, δεν τα αναφέρουμε όταν χαρακτηρίζουμε μια ακολουθία ως martingale, submartingale, ή supermartingale ως προς αυτά. Αν η (X n ) n είναι submartingale, τότε η ( X n ) n είναι supermartingale. Και η (X n ) n είναι martingale αν και μόνο αν είναι ταυτόχρονα submartingale και supermartingale. Επίσης, παίρνοντας μέσες τιμές στα μέλη της (iii) έχουμε ότι η ακολουθία (E(X n )) n είναι σταθερή, αύξουσα, ή φθίνουσα όταν αντίστοιχα η X είναι martingale, submartingale, supermartingale. Φανταζόμαστε έναν παίχτη που συμμετέχει σε ένα παιχνίδι που γίνεται σε βήματα και X n δηλώνει την περιουσία του μετά το βήμα n. Η E(X n+1 F n ) δίνει την καλύτερη εκτίμηση που έχουμε για την περιουσία του μετά από ένα βήμα με δεδομένη όλη την πληροφορία κατά τον χρόνο n. Επομένως, όταν η X είναι submartingale (supermartingale), το παιχνίδι είναι υπέρ (αντίστοιχα, κατά) του παίχτη, ενώ όταν η X είναι martingale, το παιχνίδι είναι δίκαιο. Ο απλός τυχαίος περίπατος στο Z. Εστω (X i ) i 1 ακολουθία ανεξάρτητων ισόνομων τυχαίων μεταβλητών με P(X 1 = 1) = P(X 1 = 1) = 1/2. Θέτουμε S :=, S n := X X n για κάθε n 1. Η ανέλιξη S = (S n ) n λέγεται απλός τυχαίος περίπατος στο Z. Θα δούμε αμέσως δύο martingales που προκύπτουν από τον απλό τυχαίο περίπατο τα οποία μάλιστα βοηθούν στη μελέτη του. Η διήθηση που θα θεωρούμε είναι η εξής: Για κάθε n N θέτουμε M n := S 2 n n. F := {, Ω}, F n := σ(x 1, X 2,..., X n ) για n 1. 17

28 18 Martingales S n n Σχήμα 3.1: Το γράφημα μιας πραγματοποίησης των πρώτων 9 βημάτων του απλού τυχαίου περιπάτου στο Z. Παράδειγμα 3.2. Οι ανελίξεις (α) (S n ) n (β) (M n ) n είναι martingales ως προς την (F n ) n. Πράγματι, από τον ορισμό της (F n ) n προκύπτει ότι οι S, M είναι προσαρμοσμένες. Η (ii) του ορισμού του martingale ικανοποιείται αφού S n n, M n n 2 + n στον Ω για κάθε n N. Σχετικά με την ιδιότητα (iii) του ορισμού, για την ανέλιξη του (α) υπολογίζουμε E(S n+1 F n ) = E(S n + X n+1 F n ) = S n + E(X n+1 F n ) = S n + E(X n+1 ) = S n. Στη δεύτερη ισότητα, χρησιμοποιήσαμε τη γραμμικότητα της δεσμευμένης τιμής και το γεγονός ότι η S n είναι F n μετρήσιμη. Στην τρίτη ισότητα, το ότι η X n+1 είναι ανεξάρτητη από την F n και την Πρόταση 2.7(iii). Για την ανέλιξη του (β), επειδή S n+1 = S n + X n+1, έχουμε S 2 n+1 S 2 n = 2X n+1 S n + X 2 n+1 = 2X n+1s n + 1 και άρα M n+1 M n = 2X n+1 S n. Παίρνοντας μέση τιμή ως προς τη σ-άλγεβρα F n έχουμε E(M n+1 F n ) M n = E(2X n+1 S n F n ) = 2S n E(X n+1 ) =. Στη δεύτερη ισότητα χρησιμοποιήσαμε την Πρόταση 2.1 και την Πρόταση 2.7(iii). Ας φανταστούμε έναν παίκτη Α που εμφανίζεται σε ένα καζίνο και παίζει το εξής παιχνίδι. Κάθε χρονική στιγμή 1, 2, 3,... ρίχνεται ένα τίμιο νόμισμα. Αν έρθει «Κεφαλή», ο Α κερδίζει μία μονάδα, ενώ αν έρθει «Γράμματα», ο Α χάνει μία μονάδα. Το συνολικό κέρδος του παίκτη ακριβώς μετά το παιχνίδι n είναι S n. Η μέση του τιμή διατηρείται σταθερή, ίση με, αφού η (S n ) n είναι martingale. Παράδειγμα 3.3. Εστω (Z i ) i 1 ακολουθία ανεξάρτητων ισόνομων τυχαίων μεταβλητών με E Z 1 < και E(Z 1 ) = 1. Θέτουμε F := {, Ω}, F n := σ(z 1, Z 2,..., Z n ) για κάθε n 1, και R := 1, R n := Z 1 Z 2 Z n για n 1. Η (R n ) n είναι martingale ως προς την (F n ) n. Πάλι το (i) του ορισμού είναι προφανές. Για το (ii), χρησιμοποιούμε την ανεξαρτησία και υπολογίζουμε E Z 1 Z 2 Z n = E Z 1 E Z 2 E Z n = (E Z 1 ) n <.

29 3.1 Ορισμός και παραδείγματα 19 Για το (iii), έχουμε E(R n+1 F n ) = E(R n Z n+1 F n ) = R n E(Z n+1 F n ) = R n E(Z n+1 ) = R n. Στη δεύτερη ισότητα χρησιμοποιήσαμε την Πρόταση 2.1. Παράδειγμα 3.4 (Martingale του Doob). Εστω χώρος πιθανότητας (Ω, F, P), μια διήθηση (F n ) n σε αυτόν, και X L 1 (P). Ορίζουμε X n := E(X F n ) για κάθε n. Τότε η X = (X n ) n είναι martingale ως προς τη διήθηση (F n ) n. Οτι η X είναι προσαρμοσμένη προκύπτει από τον ορισμό της δεσμευμένης μέσης τιμής. Επειτα E X n = E( E(X F n ) ) E X < από το (ii) της Πρότασης 2.2. Τέλος, για n, E(X n+1 F n ) = E(E(X F n+1 ) F n ) = E(X F n ) = X n. Στη δεύτερη ισότητα, χρησιμοποιήσαμε ότι F n F n+1 και την Πρόταση 2.9(ii). Στο επόμενο παράδειγμα, για την απόδειξη ότι μια ακολουθία είναι martingale θα χρειαστεί να κάνουμε έναν πραγματικό υπολογισμό μιας δεσμευμένης μέσης τιμής (ενώ στα προηγούμενα παραδείγματα πάντα μια απλή ιδιότητα μας γλύτωνε από τον κόπο). Παράδειγμα 3.5 (Η κάλπη του Polya). Μια κάλπη περιέχει α άσπρες και µ μαύρες μπάλες. Επιλέγουμε στην τύχη μία από τις μπάλες που περιέχει η κάλπη, την επιστρέφουμε στην κάλπη, και προσθέτουμε ακόμα l του ίδιου χρώματος με αυτήν. Επαναλαμβάνουμε αυτή τη διαδικασία επ άπειρον. Εστω A n και B n ο αριθμός των άσπρων και μαύρων μπαλών αντίστοιχα μετά τη n-οστή επανάληψη του πειράματος και X n := A n /(A n + B n ) το ποσοστό των άσπρων μπαλών στην κάλπη εκείνη τη στιγμή. Θέτουμε F n := σ({a i, B i : i = 1, 2,..., n}). Ισχυρισμος: Η (X n ) n 1 είναι martingale ως προς την (F n ) n 1. Οι ιδιότητες (i), (ii) του ορισμού του martingale ικανοποιούνται. Σχετικά με την (iii), για τον υπολογισμό της δεσμευμένης μέσης τιμής, θα χρησιμοποιήσουμε το Παράδειγμα 2.5. Η F n παράγεται από διαμέριση κάθε μέλος της οποίας είναι της μορφής C( j 1, k 1, j 2, k 2,..., j n, k n ) := {A r = j r, B r = k r για κάθε r = 1, 2,..., n} όπου j r, k r θετικοί ακέραιοι. Αυτό συγκεκριμενοποιεί τα αποτελέσματα των n πρώτων πειραμάτων και για να έχει θετική πιθανότητα πρέπει οι j r, k r να ικανοποιούν κάποιες προφανείς σχέσεις. Εστω λοιπόν C ένα σύνολο αυτής της μορφής με θετική πιθανότητα, και για ευκολία γράφουμε j, k αντί j n, k n. Για ω C υπολογίζουμε E(X n+1 F n )(ω) = E(X n+1; C) P(C) (3.1) = j + l P({A n+1 = j + l} C) j P({A n+1 = j} C) + j + k + l P(C) j + k + l P(C) (3.2) = j + l j + k + l P(A j n+1 = j + l C) + j + k + l P(A n+1 = j C) (3.3) = j + l j j + k + l j + k + j k j + k + l j + k = j j + k = X n, (3.4) και ο ισχυρισμός αποδείχθηκε. Δώσαμε μια σχολαστική απόδειξη του ισχυρισμού. Ο τρόπος που την ανακαλύπτουμε, και συνήθως την γράφουμε, είναι ως εξής. Στην E(X n+1 F n ) μας δίνεται όλη η ιστορία της διαδικασίας ως τη n-οστή επανάληψη του πειράματος. Είναι στη διάθεσή μας λοιπόν οι αριθμοί j := A n, k := B n. Οι ενδεχόμενες

Ανεξαρτησία Ανεξαρτησία για οικογένειες συνόλων και τυχαίες μεταβλητές

Ανεξαρτησία Ανεξαρτησία για οικογένειες συνόλων και τυχαίες μεταβλητές 10 Ανεξαρτησία 10.1 Ανεξαρτησία για οικογένειες συνόλων και τυχαίες μεταβλητές Στην παράγραφο αυτή δουλεύουμε σε χώρο πιθανότητας (Ω, F, P). Δίνουμε καταρχάς τον ορισμό της ανεξαρτησίας για ενδεχόμενα,

Διαβάστε περισσότερα

Ο Ισχυρός Νόμος των Μεγάλων Αριθμών

Ο Ισχυρός Νόμος των Μεγάλων Αριθμών 1 Ο Ισχυρός Νόμος των Μεγάλων Αριθμών Στο κεφάλαιο αυτό παρουσιάζουμε ένα από τα σημαντικότερα αποτελέσματα της Θεωρίας Πιθανοτήτων, τον ισχυρό νόμο των μεγάλων αριθμών. Η διατύπωση που θα αποδείξουμε

Διαβάστε περισσότερα

Αποδεικτικές Διαδικασίες και Μαθηματική Επαγωγή.

Αποδεικτικές Διαδικασίες και Μαθηματική Επαγωγή. Αποδεικτικές Διαδικασίες και Μαθηματική Επαγωγή. Mαθηματικό σύστημα Ένα μαθηματικό σύστημα αποτελείται από αξιώματα, ορισμούς, μη καθορισμένες έννοιες και θεωρήματα. Η Ευκλείδειος γεωμετρία αποτελεί ένα

Διαβάστε περισσότερα

Ο τύπος του Itô. f (s) ds (12.1) f (g(s)) dg(s). (12.2) t f (B s ) db s + 1 2

Ο τύπος του Itô. f (s) ds (12.1) f (g(s)) dg(s). (12.2) t f (B s ) db s + 1 2 12 Ο τύπος του Itô Για συνάρτηση f : R R με συνεχή παράγωγο, έχουμε d f (s) = f (s) ds που σε ολοκληρωτική μορφή σημαίνει f (b) f (a) = b a f (s) ds (12.1) για κάθε a < b. Αν επιπλέον και η g : R R έχει

Διαβάστε περισσότερα

Ας υποθέσουμε ότι ο παίκτης Ι διαλέγει πρώτος την τυχαιοποιημένη στρατηγική (x 1, x 2 ), x 1, x2 0,

Ας υποθέσουμε ότι ο παίκτης Ι διαλέγει πρώτος την τυχαιοποιημένη στρατηγική (x 1, x 2 ), x 1, x2 0, Οικονομικό Πανεπιστήμιο Αθηνών Τμήμα Στατιστικής Εισαγωγή στην Επιχειρησιακή Ερευνα Εαρινό Εξάμηνο 2015 Μ. Ζαζάνης Πρόβλημα 1. Να διατυπώσετε το παρακάτω παίγνιο μηδενικού αθροίσματος ως πρόβλημα γραμμικού

Διαβάστε περισσότερα

{ i f i == 0 and p > 0

{ i f i == 0 and p > 0 ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ - ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΕΠΙΣΤΗΜΗΣ ΥΠΟΛΟΓΙΣΤΩΝ Σχεδίαση και Ανάλυση Αλγορίθμων Διδάσκων: Ε. Μαρκάκης, Φθινοπωρινό εξάμηνο 014-015 Λύσεις 1ης Σειράς Ασκήσεων

Διαβάστε περισσότερα

Μεγάλες αποκλίσεις* 17.1 Η έννοια της μεγάλης απόκλισης

Μεγάλες αποκλίσεις* 17.1 Η έννοια της μεγάλης απόκλισης 7 Μεγάλες αποκλίσεις* 7. Η έννοια της μεγάλης απόκλισης Εστω (X ανεξάρτητες και ισόνομες τυχαίες μεταβλητές ώστε P(X = = P(X = = /2 και S = k= X k το άθροισμα των πρώτων από αυτές. Ο νόμος των μεγάλων

Διαβάστε περισσότερα

Αναγνώριση Προτύπων. Σημερινό Μάθημα

Αναγνώριση Προτύπων. Σημερινό Μάθημα Αναγνώριση Προτύπων Σημερινό Μάθημα Bias (απόκλιση) και variance (διακύμανση) Ελεύθεροι Παράμετροι Ελεύθεροι Παράμετροι Διαίρεση dataset Μέθοδος holdout Cross Validation Bootstrap Bias (απόκλιση) και variance

Διαβάστε περισσότερα

Αναγνώριση Προτύπων. Σήμερα! Λόγος Πιθανοφάνειας Πιθανότητα Λάθους Κόστος Ρίσκο Bayes Ελάχιστη πιθανότητα λάθους για πολλές κλάσεις

Αναγνώριση Προτύπων. Σήμερα! Λόγος Πιθανοφάνειας Πιθανότητα Λάθους Κόστος Ρίσκο Bayes Ελάχιστη πιθανότητα λάθους για πολλές κλάσεις Αναγνώριση Προτύπων Σήμερα! Λόγος Πιθανοφάνειας Πιθανότητα Λάθους Πιθανότητα Λάθους Κόστος Ρίσκο Bayes Ελάχιστη πιθανότητα λάθους για πολλές κλάσεις 1 Λόγος Πιθανοφάνειας Ας υποθέσουμε ότι θέλουμε να ταξινομήσουμε

Διαβάστε περισσότερα

Εξαναγκασμένες ταλαντώσεις, Ιδιοτιμές με πολλαπλότητα, Εκθετικά πινάκων. 9 Απριλίου 2013, Βόλος

Εξαναγκασμένες ταλαντώσεις, Ιδιοτιμές με πολλαπλότητα, Εκθετικά πινάκων. 9 Απριλίου 2013, Βόλος ιαφορικές Εξισώσεις Εξαναγκασμένες ταλαντώσεις, Ιδιοτιμές με πολλαπλότητα, Ατελείς ιδιοτιμές Εκθετικά πινάκων Μανόλης Βάβαλης Τμήμα Μηχανικών Η/Υ Τηλεπικοινωνιών και ικτύων Πανεπιστήμιο Θεσσαλίας 9 Απριλίου

Διαβάστε περισσότερα

«ΔΙΑΚΡΙΤΑ ΜΑΘΗΜΑΤΙΚΑ»

«ΔΙΑΚΡΙΤΑ ΜΑΘΗΜΑΤΙΚΑ» HY 118α «ΔΙΚΡΙΤ ΜΘΗΜΤΙΚ» ΣΚΗΣΕΙΣ ΠΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ ΤΜΗΜ ΕΠΙΣΤΗΜΗΣ ΥΠΟΛΟΙΣΤΩΝ εώργιος Φρ. εωργακόπουλος ΜΕΡΟΣ (1) ασικά στοιχεία της θεωρίας συνόλων. Π. ΚΡΗΤΗΣ ΤΜ. ΕΠ. ΥΠΟΛΟΙΣΤΩΝ «ΔΙΚΡΙΤ ΜΘΗΜΤΙΚ». Φ. εωργακόπουλος

Διαβάστε περισσότερα

Γραμμική Ανεξαρτησία. Τμήμα Μηχανικών Η/Υ Τηλεπικοινωνιών και ικτύων Πανεπιστήμιο Θεσσαλίας. 17 Μαρτίου 2013, Βόλος

Γραμμική Ανεξαρτησία. Τμήμα Μηχανικών Η/Υ Τηλεπικοινωνιών και ικτύων Πανεπιστήμιο Θεσσαλίας. 17 Μαρτίου 2013, Βόλος Γραμμικές Συνήθεις ιαφορικές Εξισώσεις Ανώτερης Τάξης Γραμμικές Σ Ε 2ης τάξης Σ Ε 2ης τάξης με σταθερούς συντελεστές Μιγαδικές ρίζες Γραμμικές Σ Ε υψηλότερης τάξης Γραμμική Ανεξαρτησία Μανόλης Βάβαλης

Διαβάστε περισσότερα

Οι γέφυρες του ποταμού... Pregel (Konigsberg)

Οι γέφυρες του ποταμού... Pregel (Konigsberg) Οι γέφυρες του ποταμού... Pregel (Konigsberg) Β Δ Β Δ Γ Γ Κύκλος του Euler (Euler cycle) είναι κύκλος σε γράφημα Γ που περιέχει κάθε κορυφή του γραφήματος, και κάθε ακμή αυτού ακριβώς μία φορά. Για γράφημα

Διαβάστε περισσότερα

Αναγνώριση Προτύπων. Σημερινό Μάθημα

Αναγνώριση Προτύπων. Σημερινό Μάθημα Αναγνώριση Προτύπων Σημερινό Μάθημα Μη Παραμετρικός Υπολογισμός πυκνότητας με εκτίμηση Ιστόγραμμα Παράθυρα Parzen Εξομαλυμένη Kernel Ασκήσεις 1 Μη Παραμετρικός Υπολογισμός πυκνότητας με εκτίμηση Κατά τη

Διαβάστε περισσότερα

ΣΥΝΟΛΑ (προσέξτε τα κοινά χαρακτηριστικά των παρακάτω προτάσεων) Οι άνθρωποι που σπουδάζουν ΤΠ&ΕΣ και βρίσκονται στην αίθουσα

ΣΥΝΟΛΑ (προσέξτε τα κοινά χαρακτηριστικά των παρακάτω προτάσεων) Οι άνθρωποι που σπουδάζουν ΤΠ&ΕΣ και βρίσκονται στην αίθουσα ΣΥΝΟΛΑ (προσέξτε τα κοινά χαρακτηριστικά των παρακάτω προτάσεων) Οι άνθρωποι που σπουδάζουν ΤΠ&ΕΣ και βρίσκονται στην αίθουσα Τα βιβλία διακριτών μαθηματικών του Γ.Β. Η/Υ με επεξεργαστή Pentium και χωρητικότητα

Διαβάστε περισσότερα

Σχέσεις και ιδιότητές τους

Σχέσεις και ιδιότητές τους Σχέσεις και ιδιότητές τους Διμελής (binary) σχέση Σ από σύνολο Χ σε σύνολο Υ είναι ένα υποσύνολο του καρτεσιανού γινομένου Χ Υ. Αν (χ,ψ) Σ, λέμε ότι το χ σχετίζεται με το ψ και σημειώνουμε χσψ. Στην περίπτωση

Διαβάστε περισσότερα

HY 280. θεμελιακές έννοιες της επιστήμης του υπολογισμού ΑΣΚΗΣΕΙΣ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ ΤΜΗΜΑ ΕΠΙΣΤΗΜΗΣ ΥΠΟΛΟΓΙΣΤΩΝ. Γεώργιος Φρ.

HY 280. θεμελιακές έννοιες της επιστήμης του υπολογισμού ΑΣΚΗΣΕΙΣ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ ΤΜΗΜΑ ΕΠΙΣΤΗΜΗΣ ΥΠΟΛΟΓΙΣΤΩΝ. Γεώργιος Φρ. HY 280 «ΘΕΩΡΙΑ ΥΠΟΛΟΓΙΣΜΟΥ» θεμελικές έννοιες της επιστήμης του υπολογισμού ΑΣΚΗΣΕΙΣ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ ΤΜΗΜΑ ΕΠΙΣΤΗΜΗΣ ΥΠΟΛΟΓΙΣΤΩΝ Γεώργιος Φρ. Γεωργκόπουλος μέρος Α Εισγωγή, κι η σική θεωρί των πεπερσμένων

Διαβάστε περισσότερα

21/11/2005 Διακριτά Μαθηματικά. Γραφήματα ΒΑΣΙΚΗ ΟΡΟΛΟΓΙΑ : ΜΟΝΟΠΑΤΙΑ ΚΑΙ ΚΥΚΛΟΙ Δ Ι. Γεώργιος Βούρος Πανεπιστήμιο Αιγαίου

21/11/2005 Διακριτά Μαθηματικά. Γραφήματα ΒΑΣΙΚΗ ΟΡΟΛΟΓΙΑ : ΜΟΝΟΠΑΤΙΑ ΚΑΙ ΚΥΚΛΟΙ Δ Ι. Γεώργιος Βούρος Πανεπιστήμιο Αιγαίου Γραφήματα ΒΑΣΙΚΗ ΟΡΟΛΟΓΙΑ : ΜΟΝΟΠΑΤΙΑ ΚΑΙ ΚΥΚΛΟΙ A Ε B Ζ Η Γ K Θ Δ Ι Ορισμός Ένα (μη κατευθυνόμενο) γράφημα (non directed graph) Γ, είναι μία δυάδα από σύνολα Ε και V και συμβολίζεται με Γ=(Ε,V). Το σύνολο

Διαβάστε περισσότερα

( ιμερείς) ΙΜΕΛΕΙΣ ΣΧΕΣΕΙΣ Α Β «απεικονίσεις»

( ιμερείς) ΙΜΕΛΕΙΣ ΣΧΕΣΕΙΣ Α Β «απεικονίσεις» ( ιμερείς) ΙΜΕΛΕΙΣ ΣΧΕΣΕΙΣ Α Β «πεικονίσεις» 1. ΣΧΕΣΕΙΣ: το σκεπτικό κι ο ορισμός. Τ σύνολ νπριστούν ιδιότητες μεμονωμένων στοιχείων: δεδομένου συνόλου S, κι ενός στοιχείου σ, είνι δυντόν είτε σ S είτε

Διαβάστε περισσότερα

17 Μαρτίου 2013, Βόλος

17 Μαρτίου 2013, Βόλος Συνήθεις ιαφορικές Εξισώσεις 1ης Τάξης Σ Ε 1ης τάξης, Πεδία κατευθύνσεων, Υπαρξη και μοναδικότητα, ιαχωρίσιμες εξισώσεις, Ολοκληρωτικοί παράγοντες, Αντικαταστάσεις, Αυτόνομες εξισώσεις Μανόλης Βάβαλης

Διαβάστε περισσότερα

Εκφωνήσεις και Λύσεις των Θεμάτων

Εκφωνήσεις και Λύσεις των Θεμάτων ΑΠΟΛΥΤΗΡΙΕΣ ΕΞΕΤΑΣΕΙΣ Γ ΤΑΞΗΣ ΗΜΕΡΗΣΙΟΥ ΓΕΝΙΚΟΥ ΛΥΚΕΙΟΥ ΚΑΙ ΠΑΝΕΛΛΗΝΙΕΣ ΕΞΕΤΑΣΕΙΣ Γ ΤΑΞΗΣ ΕΠΑΛ (ΟΜΑΔΑ Β ) ΜΑΘΗΜΑΤΙΚΑ ΘΕΤΙΚΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΚΗΣ ΚΑΤΕΥΘΥΝΣΗΣ Δευτέρα 8 Μαΐου 0 Εκφωνήσεις και Λύσεις των Θεμάτων

Διαβάστε περισσότερα

Εκφωνήσεις και Λύσεις των Θεμάτων

Εκφωνήσεις και Λύσεις των Θεμάτων ΑΠΟΛΥΤΗΡΙΕΣ ΕΞΕΤΑΣΕΙΣ Γ ΤΑΞΗΣ ΗΜΕΡΗΣΙΟΥ ΓΕΝΙΚΟΥ ΛΥΚΕΙΟΥ ΚΑΙ ΠΑΝΕΛΛΗΝΙΕΣ ΕΞΕΤΑΣΕΙΣ Γ ΤΑΞΗΣ ΕΠΑΛ (ΟΜΑΔΑ Β ) ΜΑΘΗΜΑΤΙΚΑ ΚΑΙ ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ ΓΕΝΙΚΗΣ ΠΑΙΔΕΙΑΣ Τετάρτη 23 Μαΐου 2012 Εκφωήσεις και Λύσεις

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ ΜΑΘΗΜΑ: ΕΡΩΤΗΣΕΙΣ ΟΙΚΟΝΟΜΙΚΗΣ ΘΕΩΡΙΑΣ

ΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ ΜΑΘΗΜΑ: ΕΡΩΤΗΣΕΙΣ ΟΙΚΟΝΟΜΙΚΗΣ ΘΕΩΡΙΑΣ ΜΑΘΗΜΑ: ΕΡΩΤΗΣΕΙΣ ΟΙΚΟΝΟΜΙΚΗΣ ΘΕΩΡΙΑΣ Tα Πανεπιστημιακά Φροντιστήρια «ΚΟΛΛΙΝΤΖΑ» προετοιμάζοντας σε ολιγομελείς ομίλους τους υποψήφιους για τον επικείμενο διαγωνισμό του Υπουργείου Οικονομικών, με κορυφαίο

Διαβάστε περισσότερα

ΣΤΟ ΙΑΤΡΕΙΟ. Με την πιστοποίηση του αποκτά πρόσβαση στο περιβάλλον του ιατρού που παρέχει η εφαρμογή.

ΣΤΟ ΙΑΤΡΕΙΟ. Με την πιστοποίηση του αποκτά πρόσβαση στο περιβάλλον του ιατρού που παρέχει η εφαρμογή. ΣΤΟ ΙΑΤΡΕΙΟ Ο ιατρός αφού διαπιστώσει εάν το πρόσωπο που προσέρχεται για εξέταση είναι το ίδιο με αυτό που εικονίζεται στο βιβλιάριο υγείας και ελέγξει ότι είναι ασφαλιστικά ενήμερο (όπως ακριβώς γίνεται

Διαβάστε περισσότερα

ΣΤΟ ΦΑΡΜΑΚΕΙΟ. Με την πιστοποίηση του έχει πρόσβαση στο περιβάλλον του φαρμακείου που παρέχει η εφαρμογή.

ΣΤΟ ΦΑΡΜΑΚΕΙΟ. Με την πιστοποίηση του έχει πρόσβαση στο περιβάλλον του φαρμακείου που παρέχει η εφαρμογή. ΣΤΟ ΦΑΡΜΑΚΕΙΟ Ο ασθενής έχοντας μαζί του το βιβλιάριο υγείας του και την τυπωμένη συνταγή από τον ιατρό, η οποία αναγράφει τον μοναδικό κωδικό της, πάει στο φαρμακείο. Το φαρμακείο αφού ταυτοποιήσει το

Διαβάστε περισσότερα

ΑΠΟΛΥΤΗΡΙΕΣ ΕΞΕΤΑΣΕΙΣ Γ ΤΑΞΗΣ ΗΜΕΡΗΣΙΟΥ ΓΕΝΙΚΟΥ ΛΥΚΕΙΟΥ ΕΞΕΤΑΖΟΜΕΝΟ ΜΑΘΗΜΑ: ΑΡΧΕΣ ΟΙΚΟΝΟΜΙΚΗΣ ΘΕΩΡΙΑΣ ΜΑΘΗΜΑ ΕΠΙΛΟΓΗΣ Γ ΛΥΚΕΙΟΥ

ΑΠΟΛΥΤΗΡΙΕΣ ΕΞΕΤΑΣΕΙΣ Γ ΤΑΞΗΣ ΗΜΕΡΗΣΙΟΥ ΓΕΝΙΚΟΥ ΛΥΚΕΙΟΥ ΕΞΕΤΑΖΟΜΕΝΟ ΜΑΘΗΜΑ: ΑΡΧΕΣ ΟΙΚΟΝΟΜΙΚΗΣ ΘΕΩΡΙΑΣ ΜΑΘΗΜΑ ΕΠΙΛΟΓΗΣ Γ ΛΥΚΕΙΟΥ ΑΠΟΛΥΤΗΡΙΕΣ ΕΞΕΤΑΣΕΙΣ Γ ΤΑΞΗΣ ΗΜΕΡΗΣΙΟΥ ΓΕΝΙΚΟΥ ΛΥΚΕΙΟΥ ΕΞΕΤΑΖΟΜΕΝΟ ΜΑΘΗΜΑ: ΑΡΧΕΣ ΟΙΚΟΝΟΜΙΚΗΣ ΘΕΩΡΙΑΣ ΜΑΘΗΜΑ ΕΠΙΛΟΓΗΣ Γ ΛΥΚΕΙΟΥ ΗΜΕΡΟΜΗΝΙΑ: ΕΠΩΝΥΜΟ: ΟΝΟΜΑ: ΟΜΑΔΑ Α Για τις προτάσεις Α1 μέχρι και Α6 να

Διαβάστε περισσότερα

Προτεινόμενα θέματα στο μάθημα. Αρχές Οικονομικής Θεωρίας ΟΜΑΔΑ Α. Στις προτάσεις από Α.1. μέχρι και Α10 να γράψετε στο τετράδιό σας τον αριθμό της

Προτεινόμενα θέματα στο μάθημα. Αρχές Οικονομικής Θεωρίας ΟΜΑΔΑ Α. Στις προτάσεις από Α.1. μέχρι και Α10 να γράψετε στο τετράδιό σας τον αριθμό της Προτεινόμενα θέματα στο μάθημα Αρχές Οικονομικής Θεωρίας ΟΜΑΔΑ Α Στις προτάσεις από Α.1. μέχρι και Α10 να γράψετε στο τετράδιό σας τον αριθμό της καθεμιάς και δίπλα σε κάθε αριθμό την ένδειξη Σωστό, αν

Διαβάστε περισσότερα

ΘΕΜΑ: Aποτελεσματικότητα της νομισματικής και δημοσιονομικής πολιτικής σε μια ανοικτή οικονομία

ΘΕΜΑ: Aποτελεσματικότητα της νομισματικής και δημοσιονομικής πολιτικής σε μια ανοικτή οικονομία ΘΕΜΑ: ποτελεσματικότητα της νομισματικής και δημοσιονομικής πολιτικής σε μια ανοικτή οικονομία Σύνταξη: Μπαντούλας Κων/νος, Οικονομολόγος, Ms Χρηματοοικονομικών 1 Η πρώτη θεωρία σχετικά με τον αυτόματο

Διαβάστε περισσότερα

Η Θεωρια Αριθμων στην Εκπαιδευση

Η Θεωρια Αριθμων στην Εκπαιδευση Η Θεωρια Αριθμων στην Εκπαιδευση Καθηγητὴς Ν.Γ. Τζανάκης Εφαρμογὲς τῶν συνεχῶν κλασμάτων 1 1. Η τιμὴ τοῦ π μὲ σωστὰ τὰ 50 πρῶτα δεκαδικὰ ψηφία μετὰ τὴν ὑποδιαστολή, εἶναι 3.14159265358979323846264338327950288419716939937511.

Διαβάστε περισσότερα

Μαθηματικά Πληροφορικής

Μαθηματικά Πληροφορικής Πανεπιστήμιο Αθηνών Μαθηματικά Πληροφορικής Ηλίας Κουτσουπιάς Αθήνα, Οκτώβριος 2009 Περιεχόμενα Περιεχόμενα 1 Σύνολα... 5 ΆλλαΣύμβολα... 6 1 Υποθέσεις και Θεωρήματα 9 1.1 Παρατήρηση-Υπόθεση-Απόδειξη...

Διαβάστε περισσότερα

Ταξινόμηση των μοντέλων διασποράς ατμοσφαιρικών ρύπων βασισμένη σε μαθηματικά κριτήρια.

Ταξινόμηση των μοντέλων διασποράς ατμοσφαιρικών ρύπων βασισμένη σε μαθηματικά κριτήρια. ΠΡΟΤΕΙΝΟΜΕΝΑ ΘΕΜΑΤΑ Ταξινόμηη των μοντέλων διαποράς ατμοφαιρικών ρύπων βαιμένη ε μαθηματικά κριτήρια. Μοντέλο Ελεριανά μοντέλα (Elerian) Λαγκρατζιανά μοντέλα (Lagrangian) Επιπρόθετος διαχωριμός Μοντέλα

Διαβάστε περισσότερα

ΜΑΘΗΜΑ: ΕΜΠΟΡΙΚΟ ΔΙΚΑΙΟ

ΜΑΘΗΜΑ: ΕΜΠΟΡΙΚΟ ΔΙΚΑΙΟ ΜΑΘΗΜΑ: ΕΜΠΟΡΙΚΟ ΔΙΚΑΙΟ Tα Πανεπιστημιακά Φροντιστήρια «ΚΟΛΛΙΝΤΖΑ» προετοιμάζοντας σε ολιγομελείς ομίλους τους υποψήφιους για τον επικείμενο διαγωνισμό του Υπουργείου Οικονομικών, με κορυφαίο επιτελείο

Διαβάστε περισσότερα

ΑΣΕΠ 2000 ΑΣΕΠ 2000 Εμπορική Τράπεζα 1983 Υπουργείο Κοιν. Υπηρ. 1983

ΑΣΕΠ 2000 ΑΣΕΠ 2000 Εμπορική Τράπεζα 1983 Υπουργείο Κοιν. Υπηρ. 1983 20 Φεβρουαρίου 2010 ΑΣΕΠ 2000 1. Η δεξαμενή βενζίνης ενός πρατηρίου υγρών καυσίμων είναι γεμάτη κατά τα 8/9. Κατά τη διάρκεια μιας εβδομάδας το πρατήριο διέθεσε τα 3/4 της βενζίνης αυτής και έμειναν 4000

Διαβάστε περισσότερα

ΜΑΘΗΜΑ: ΟΙΚΟΝΟΜΙΚΗ ΘΕΩΡΙΑ

ΜΑΘΗΜΑ: ΟΙΚΟΝΟΜΙΚΗ ΘΕΩΡΙΑ ΜΑΘΗΜΑ: ΟΙΚΟΝΟΜΙΚΗ ΘΕΩΡΙΑ Tα Πανεπιστημιακά Φροντιστήρια «ΚΟΛΛΙΝΤΖΑ» προετοιμάζοντας σε ολιγομελείς ομίλους τους υποψήφιους για τον επικείμενο διαγωνισμό του Υπουργείου Οικονομικών, με κορυφαίο επιτελείο

Διαβάστε περισσότερα

Αναγνώριση Προτύπων. Σημερινό Μάθημα

Αναγνώριση Προτύπων. Σημερινό Μάθημα Αναγνώριση Προτύπων Σημερινό Μάθημα Η κατάρα της διαστατικότητας Μείωση διαστάσεων εξαγωγή χαρακτηριστικών επιλογή χαρακτηριστικών Αναπαράσταση έναντι Κατηγοριοποίησης Ανάλυση Κυρίων Συνιστωσών PCA Γραμμική

Διαβάστε περισσότερα

Pointers. Σημερινό Μάθημα! Χρήση pointer Τελεστής * Τελεστής & Γενικοί δείκτες Ανάκληση Δέσμευση μνήμης new / delete Pointer σε αντικείμενο 2

Pointers. Σημερινό Μάθημα! Χρήση pointer Τελεστής * Τελεστής & Γενικοί δείκτες Ανάκληση Δέσμευση μνήμης new / delete Pointer σε αντικείμενο 2 Pointers 1 Σημερινό Μάθημα! Χρήση pointer Τελεστής * Τελεστής & Γενικοί δείκτες Ανάκληση Δέσμευση μνήμης new / delete Pointer σε αντικείμενο 2 1 Μνήμη μεταβλητών Κάθε μεταβλητή έχει διεύθυνση Δεν χρειάζεται

Διαβάστε περισσότερα

Ψηφιακή Εικόνα. Σημερινό μάθημα!

Ψηφιακή Εικόνα. Σημερινό μάθημα! Ψηφιακή Εικόνα Σημερινό μάθημα! Ψηφιακή Εικόνα Αναλογική εικόνα Ψηφιοποίηση (digitalization) Δειγματοληψία Κβαντισμός Δυαδικές δ έ (Binary) εικόνες Ψηφιακή εικόνα & οθόνη Η/Υ 1 Ψηφιακή Εικόνα Μια ακίνητη

Διαβάστε περισσότερα

Συντάκτης: Παναγιώτης Βεργούρος, Οικονομολόγος Συγγραφέας βιβλίων, Μικρο μακροοικονομίας διαγωνισμών ΑΣΕΠ

Συντάκτης: Παναγιώτης Βεργούρος, Οικονομολόγος Συγγραφέας βιβλίων, Μικρο μακροοικονομίας διαγωνισμών ΑΣΕΠ Tα Πανεπιστημιακά Φροντιστήρια «ΚΟΛΛΙΝΤΖΑ» προετοιμάζοντας σε ολιγομελείς ομίλους τους υποψήφιους για τον επικείμενο διαγωνισμό του Υ- πουργείου Οικονομικών και στοχεύοντας στην όσο το δυνατό πληρέστερη

Διαβάστε περισσότερα

Μονάδες 5 1.2.α. Να γράψετε στο τετράδιό σας τον παρακάτω πίνακα σωστά συµπληρωµένο.

Μονάδες 5 1.2.α. Να γράψετε στο τετράδιό σας τον παρακάτω πίνακα σωστά συµπληρωµένο. ΑΡΧΗ 1ΗΣ ΣΕΛΙ ΑΣ Γ ΤΑΞΗ ΠΡΟΑΓΩΓΙΚΕΣ ΕΞΕΤΑΣΕΙΣ Γ ΤΑΞΗΣ ΕΝΙΑΙΟΥ ΛΥΚΕΙΟΥ ΕΥΤΕΡΑ 12 ΙΟΥΝΙΟΥ 2000 ΕΞΕΤΑΖΟΜΕΝΟ ΜΑΘΗΜΑ ΤΕΧΝΟΛΟΓΙΚΗΣ ΚΑΤΕΥΘΥΝΣΗΣ (ΚΥΚΛΟΣ ΤΕΧΝΟΛΟΓΙΑΣ ΚΑΙ ΠΑΡΑΓΩΓΗΣ): ΧΗΜΕΙΑ - ΒΙΟΧΗΜΕΙΑ ΣΥΝΟΛΟ ΣΕΛΙ

Διαβάστε περισσότερα

Τρίτη, 05 Ιουνίου 2001 ΤΕΧΝΟΛΟΓΙΚΗ ΚΑΤΕΥΘΥΝΣΗ Γ ΛΥΚΕΙΟΥ ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ

Τρίτη, 05 Ιουνίου 2001 ΤΕΧΝΟΛΟΓΙΚΗ ΚΑΤΕΥΘΥΝΣΗ Γ ΛΥΚΕΙΟΥ ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ Τρίτη, 05 Ιουνίου 2001 ΤΕΧΝΟΛΟΓΙΚΗ ΚΑΤΕΥΘΥΝΣΗ Γ ΛΥΚΕΙΟΥ ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΘΕΜΑ 1 Α. Να µεταφέρετε στο τετράδιό σας και να συµπληρώσετε τον παρακάτω πίνακα αλήθειας δύο προτάσεων

Διαβάστε περισσότερα

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ. Πρώτη Γραπτή Εργασία. Εισαγωγή στους υπολογιστές Μαθηματικά

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ. Πρώτη Γραπτή Εργασία. Εισαγωγή στους υπολογιστές Μαθηματικά ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ Πρόγραμμα Σπουδών: ΙΟΙΚΗΣΗ ΕΠΙΧΕΙΡΗΣΕΩΝ και ΟΡΓΑΝΙΣΜΩΝ Θεματική Ενότητα: ΕΟ-13 Ποσοτικές Μέθοδοι Ακαδημαϊκό Έτος: 2012-13 Πρώτη Γραπτή Εργασία Εισαγωγή στους υπολογιστές Μαθηματικά

Διαβάστε περισσότερα

Αρτιες και περιττές συναρτήσεις

Αρτιες και περιττές συναρτήσεις Μελέτη Συναρτήσεων: άρτιες, περιττές συναρτήσεις - μονοτονία - ακρότατα Κώστας Ράπτης Άρτιες και περιττές συναρτήσεις Ὁι ψυχολόγοι κάνουν λόγο για δύο επίπεδα συλλογιστικής και μνήμης: το αρχαϊκό και το

Διαβάστε περισσότερα

ΘΕΜΑ: Διαφορές εσωτερικού εξωτερικού δανεισμού. Η διαχρονική κατανομή του βάρους από το δημόσιο δανεισμό.

ΘΕΜΑ: Διαφορές εσωτερικού εξωτερικού δανεισμού. Η διαχρονική κατανομή του βάρους από το δημόσιο δανεισμό. 1 ΘΕΜΑ: Διαφορές εσωτερικού εξωτερικού δανεισμού. Η διαχρονική κατανομή του βάρους από το δημόσιο δανεισμό. Σύνταξη: Παπαδόπουλος Θεοχάρης, Οικονομολόγος, Οικονομολόγος, MSc, PhD Candidate, εισηγητής Φροντιστηρίων

Διαβάστε περισσότερα

Αρτιες και περιττές συναρτήσεις

Αρτιες και περιττές συναρτήσεις Μελέτη Συναρτήσεων: άρτιες, περιττές συναρτήσεις - μονοτονία - ακρότατα Κωνσταντίνος Α. Ράπτης Άρτιες και περιττές συναρτήσεις Ὁι ψυχολόγοι κάνουν λόγο για δύο επίπεδα συλλογιστικής και μνήμης: το αρχαϊκό

Διαβάστε περισσότερα

α 0. α ν x ν +α ν 1 x ν α 1 x+α 0 α ν x ν,α ν 1 x ν 1,...,α 1 x,α 0, ...,α 1,α 0,

α 0. α ν x ν +α ν 1 x ν α 1 x+α 0 α ν x ν,α ν 1 x ν 1,...,α 1 x,α 0, ...,α 1,α 0, Άλγεβρα Β Λυκείου - Πολυώνυμα: Θεωρία, Μεθοδολογία και Λυμένες ασκήσεις Κώστας Ράπτης Μάιος 2011 Μέρος I Πολυώνυμα 1 Πολυώνυμα 1.1 Στοιχεία ϑεωρίας Καλούμε μονώνυμο του x κάθε παράσταση της μορφήςαx ν,

Διαβάστε περισσότερα

Η ΓΕΩΜΕΤΡΙΑ ΤΩΝ FRACTALS

Η ΓΕΩΜΕΤΡΙΑ ΤΩΝ FRACTALS Η ΓΕΩΜΕΤΡΙΑ ΤΩΝ FRACTALS ΕΛΕΝΗ ΤΑΝΤΟΥΛΟΥ ΕΠΙΒΛΕΠΩΝ ΚΑΘΗΓΗΤΗΣ: ΑΝΤΩΝΗΣ ΤΣΟΛΟΜΥΤΗΣ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΜΑΘΗΜΑΤΙΚΩΝ ΣΑΜΟΣ 2009 Στην μητέρα μου που μπορεί και με ανέχεται ακόμα,

Διαβάστε περισσότερα

Ημέρα 3 η. (α) Aπό την εργασιακή διαδικασία στη διαδικασία παραγωγής (β) Αξία του προϊόντος και αξία της εργασιακής δύναμης

Ημέρα 3 η. (α) Aπό την εργασιακή διαδικασία στη διαδικασία παραγωγής (β) Αξία του προϊόντος και αξία της εργασιακής δύναμης Ημέρα 3 η. (α) Aπό την εργασιακή διαδικασία στη διαδικασία παραγωγής (β) Αξία του προϊόντος και αξία της εργασιακής δύναμης Η εργασιακή διαδικασία και τα στοιχεία της. Η κοινωνική επικύρωση των ιδιωτικών

Διαβάστε περισσότερα

Έννοια. Η αποδοχή της κληρονομίας αποτελεί δικαίωμα του κληρονόμου, άρα δεν

Έννοια. Η αποδοχή της κληρονομίας αποτελεί δικαίωμα του κληρονόμου, άρα δεν 1 1. Αποδοχή κληρονομίας Έννοια. Η αποδοχή της κληρονομίας αποτελεί δικαίωμα του κληρονόμου, άρα δεν μπορεί να ασκηθεί από τους δανειστές του κληρονόμου, τον εκτελεστή της διαθήκης, τον κηδεμόνα ή εκκαθαριστή

Διαβάστε περισσότερα

Αναγνώριση Προτύπων 1

Αναγνώριση Προτύπων 1 Αναγνώριση Προτύπων 1 Σημερινό Μάθημα Βασικό σύστημα αναγνώρισης προτύπων Προβλήματα Πρόβλεψης Χαρακτηριστικά και Πρότυπα Ταξινομητές Classifiers Προσεγγίσεις Αναγνώρισης Προτύπων Κύκλος σχεδίασης Συστήματος

Διαβάστε περισσότερα

Κληρονομικότητα. Σήμερα! Κλάση Βάσης Παράγωγη κλάση Απλή κληρονομικότητα Protected δεδομένα Constructors & Destructors overloading

Κληρονομικότητα. Σήμερα! Κλάση Βάσης Παράγωγη κλάση Απλή κληρονομικότητα Protected δεδομένα Constructors & Destructors overloading Κληρονομικότητα Σήμερα! Κλάση Βάσης Παράγωγη κλάση Απλή κληρονομικότητα Protected δεδομένα Constructors & Destructors overloading 2 1 Κλάση Βάση/Παράγωγη Τα διάφορα αντικείμενα μπορούν να έχουν μεταξύ

Διαβάστε περισσότερα

Ημέρα 4 η (α) Αγορά και πώληση της εργασιακής δύναμης. (β) Η απόλυτη υπεραξία. Αγορά και πώληση της εργασιακής δύναμης

Ημέρα 4 η (α) Αγορά και πώληση της εργασιακής δύναμης. (β) Η απόλυτη υπεραξία. Αγορά και πώληση της εργασιακής δύναμης Ημέρα 4 η (α) Αγορά και πώληση της εργασιακής δύναμης (β) Η απόλυτη υπεραξία Αγορά και πώληση της εργασιακής δύναμης Στο κεφάλαιο για την αγορά και την πώληση της εργατικής δύναμης (ελληνική έκδοση: τόμος

Διαβάστε περισσότερα

Βελτίωση Εικόνας. Σήμερα!

Βελτίωση Εικόνας. Σήμερα! Βελτίωση Εικόνας Σήμερα! Υποβάθμιση εικόνας Τεχνικές Βελτίωσης Restoration (Αποκατάσταση) Τροποποίηση ιστογράμματος Ολίσθηση ιστογράμματος Διάταση (stretching) Ισοστάθμιση του ιστογράμματος (histogram

Διαβάστε περισσότερα

ΣΤΑΤΙΣΤΙΚΗ ΠΟΣΟΤΙΚΗ ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ

ΣΤΑΤΙΣΤΙΚΗ ΠΟΣΟΤΙΚΗ ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ Σημειώσεις για το μάθημα ΣΤΑΤΙΣΤΙΚΗ ΠΟΣΟΤΙΚΗ ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ Παπάνα Αγγελική http://users.auth.gr/~agpapana/statlogistics E mail: papanagel@yahoo.gr, agpapana@gen.auth.gr Α.Τ.Ε.Ι. Θεσσαλονίκης ΠΑΡΑΡΤΗΜΑ

Διαβάστε περισσότερα

ΜΑΘΗΜΑ: ΠΟΛΙΤΙΚΗ ΟΙΚΟΝΟΜΙΑ-ΔΗΜΟΣΙΑ ΟΙΚΟΝΟΜΙΚΗ

ΜΑΘΗΜΑ: ΠΟΛΙΤΙΚΗ ΟΙΚΟΝΟΜΙΑ-ΔΗΜΟΣΙΑ ΟΙΚΟΝΟΜΙΚΗ ΜΑΘΗΜΑ: ΠΟΛΙΤΙΚΗ ΟΙΚΟΝΟΜΙΑ-ΔΗΜΟΣΙΑ ΟΙΚΟΝΟΜΙΚΗ Σύνταξη: Παπαδόπουλος Θεοχάρης, Οικονομολόγος, MSc, PhD Candidate Κατηγορίες οφέλους και κόστους που προέρχονται από τις δημόσιες δαπάνες Για την αξιολόγηση

Διαβάστε περισσότερα

Πανεπιστήμιο Πειραιώς. Πρόγραμμα Μεταπτυχιακών Σπουδών Αναλογιστική Επιστήμη και Διοικητική Κινδύνου

Πανεπιστήμιο Πειραιώς. Πρόγραμμα Μεταπτυχιακών Σπουδών Αναλογιστική Επιστήμη και Διοικητική Κινδύνου Πανεπιστήμιο Πειραιώς Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης Πρόγραμμα Μεταπτυχιακών Σπουδών Αναλογιστική Επιστήμη και Διοικητική Κινδύνου Παραμετρικά Μοντέλα Επιβίωσης που προκύπτουν από μεταβολές

Διαβάστε περισσότερα

1. Ας υποθέσουμε ότι η εισοδηματική ελαστικότητα ζήτησης για όσπρια είναι ίση με το μηδέν. Αυτό σημαίνει ότι:

1. Ας υποθέσουμε ότι η εισοδηματική ελαστικότητα ζήτησης για όσπρια είναι ίση με το μηδέν. Αυτό σημαίνει ότι: 1. Ας υποθέσουμε ότι η εισοδηματική ελαστικότητα ζήτησης για όσπρια είναι ίση με το μηδέν. Αυτό σημαίνει ότι: α) Ανεξάρτητα από το ύψος της τιμής των οσπρίων, ο καταναλωτής θα δαπανά πάντα ένα σταθερό

Διαβάστε περισσότερα

α) Το έλλειμμα ή το πλεόνασμα του εμπορικού ισοζυγίου δεν μεταβάλλεται

α) Το έλλειμμα ή το πλεόνασμα του εμπορικού ισοζυγίου δεν μεταβάλλεται 1. Ο πληθωρισμός ορίζεται ως εξής: (Δ= μεταβολή, Ρ= επίπεδο τιμών, Ρ e = προσδοκώμενο επίπεδο τιμών): α) Δ Ρ e /Ρ β) Ρ e / Ρ γ) Δ Ρ/Ρ δ) (Ρ Ρ e )/Ρ 2. Όταν οι εξαγωγές αυξάνονται: α) Το έλλειμμα ή το πλεόνασμα

Διαβάστε περισσότερα

3. Με βάση τη βραχυχρόνια καμπύλη Phillips η σχέση πληθωρισμού και ανεργίας είναι:

3. Με βάση τη βραχυχρόνια καμπύλη Phillips η σχέση πληθωρισμού και ανεργίας είναι: 1. Σε περίπτωση που το κράτος φορολογεί τους πολίτες το διαθέσιμο εισόδημα του κάθε ατόμου είναι: α) το σύνολο του εισοδήματός του β) το σύνολο του εισοδήματός του, αφού προηγουμένως αφαιρέσουμε τους φόρους

Διαβάστε περισσότερα

2. Κατάθεσε κάποιος στην Εθνική Τράπεζα 4800 με επιτόκιο 3%. Μετά από πόσο χρόνο θα πάρει τόκο 60 ; α) 90 ημέρες β) 1,5 έτη γ) 5 μήνες δ) 24 μήνες

2. Κατάθεσε κάποιος στην Εθνική Τράπεζα 4800 με επιτόκιο 3%. Μετά από πόσο χρόνο θα πάρει τόκο 60 ; α) 90 ημέρες β) 1,5 έτη γ) 5 μήνες δ) 24 μήνες 20 Φεβρουαρίου 2010 1. Ένας έμπορος αγόρασε 720 κιλά κρασί προς 2 το κιλό. Πρόσθεσε νερό, το πούλησε προς 2,5 το κιλό και κέρδισε 500. Το νερό που πρόσθεσε ήταν σε κιλά: α) 88 β) 56 γ) 60 δ) 65 2. Κατάθεσε

Διαβάστε περισσότερα

Projects για το εργαστήριο. των Βάσεων Δεδομένων

Projects για το εργαστήριο. των Βάσεων Δεδομένων Projects για το εργαστήριο των Βάσεων Δεδομένων Θεσσαλονίκη, Νοέμβριος Δεκέμβριος 2013 1. Το πολυκατάστημα Το πολυκατάστημα έχει ένα σύνολο από εργαζομένους. Κάθε εργαζόμενος χαρακτηρίζεται από έναν κωδικό

Διαβάστε περισσότερα

ΜΑΘΗΜΑ: ΓΕΝΙΚΟ ΔΙΟΙΚΗΤΙΚΟ ΔΙΚΑΙΟ ΔΙΚΑΣΤΩΝ

ΜΑΘΗΜΑ: ΓΕΝΙΚΟ ΔΙΟΙΚΗΤΙΚΟ ΔΙΚΑΙΟ ΔΙΚΑΣΤΩΝ ΜΑΘΗΜΑ: ΓΕΝΙΚΟ ΔΙΟΙΚΗΤΙΚΟ ΔΙΚΑΙΟ ΔΙΚΑΣΤΩΝ ΕΠΙΜΕΛΕΙΑ : Γεώργιος Κ. Πατρίκιος, Δικηγόρος, ΜΔΕ Δημοσίου Δικαίου, Υπ. Διδάκτωρ Νομικής Σχολής Πανεπιστημίου Αθηνών. ΘΕΜΑΤΙΚΗ : Η αρμοδιότητα των διοικητικών

Διαβάστε περισσότερα

- 1 - Ποιοι κερδίζουν από το εμπόριο αγαθών και υπηρεσιών; Γιατί η άμεση ανταλλαγή αγαθών, ορισμένες φορές, είναι δύσκολο να

- 1 - Ποιοι κερδίζουν από το εμπόριο αγαθών και υπηρεσιών; Γιατί η άμεση ανταλλαγή αγαθών, ορισμένες φορές, είναι δύσκολο να - 1 - Ο παράξενος πραματευτής Ανθολόγιο Ε & Στ τάξης: 277-279 Οικονομικές έννοιες Ανταλλαγή Αντιπραγματισμός Εμπόριο Ερωτήσεις Ποιοι κερδίζουν από το εμπόριο αγαθών και υπηρεσιών; Γιατί η άμεση ανταλλαγή

Διαβάστε περισσότερα

Φροντιστήριο 2: Ανάλυση Αλγόριθμου. Νικόλας Νικολάου ΕΠΛ432: Κατανεμημένοι Αλγόριθμοι 1 / 10

Φροντιστήριο 2: Ανάλυση Αλγόριθμου. Νικόλας Νικολάου ΕΠΛ432: Κατανεμημένοι Αλγόριθμοι 1 / 10 Φροντιστήριο 2: Ανάλυση Αλγόριθμου Εκλογής Προέδρου με O(nlogn) μηνύματα Νικόλας Νικολάου ΕΠΛ432: Κατανεμημένοι Αλγόριθμοι 1 / 10 Περιγραφικός Αλγόριθμος Αρχικά στείλε μήνυμα εξερεύνησης προς τα δεξιά

Διαβάστε περισσότερα

1. Σε περίπτωση κατά την οποία η τιμή ενός αγαθού μειωθεί κατά 2% και η ζητούμενη

1. Σε περίπτωση κατά την οποία η τιμή ενός αγαθού μειωθεί κατά 2% και η ζητούμενη Tα Πανεπιστημιακά Φροντιστήρια «ΚΟΛΛΙΝΤΖΑ» προετοιμάζοντας σε ολιγομελείς ομίλους τους υποψήφιους για τον επικείμενο διαγωνισμό του Υ- πουργείου Οικονομικών και στοχεύοντας στην όσο το δυνατό πληρέστερη

Διαβάστε περισσότερα

ΘΕΩΡΙΑ ΣΥΝΟΛΩΝ: μια σύνοψη των θεμελιακών χαρακτηριστικών.

ΘΕΩΡΙΑ ΣΥΝΟΛΩΝ: μια σύνοψη των θεμελιακών χαρακτηριστικών. ΘΕΩΡΙ ΣΥΝΟΛΩΝ: μια σύνοψη των θεμελιακών χαρακτηριστικών. 1. ΣΥΝΟΛ: το σκεπτικό. σύνολο = πολλά στοιχεία ως «ένα», ως «μία» ολότητα. τα στοιχεία ανήκουν στο σύνολο, ή είναι μέλη του συνόλου το σύνολο περιέχει

Διαβάστε περισσότερα

Μεγέθη ταλάντωσης Το απλό εκκρεμές

Μεγέθη ταλάντωσης Το απλό εκκρεμές Μεγέθη ταλάντωσης Το απλό εκκρεμές 1.Σκοποί: Οι μαθητές Να κατανοήσουν τις έννοιες της περιοδικής κίνησης και της ταλάντωσης Να κατανοήσουν ότι η περιοδική κίνηση δεν είναι ομαλή Να γνωρίσουν τα μεγέθη

Διαβάστε περισσότερα

επίπεδων καμπυλών Χειμερινό Εξάμηνο I(P, F G) των F και G σε ένα σημείο P A 2 K

επίπεδων καμπυλών Χειμερινό Εξάμηνο I(P, F G) των F και G σε ένα σημείο P A 2 K Θεωρία Τομών Επίπεδων Καμπυλών Εργασία στο πλαίσιο τού μαθήματος Αλγεβρικές Καμπύλες (με κωδ. αριθμό Α 19) Χειμερινό Εξάμηνο 2008-2009 Μιχαήλ Γκίκας 1 Αριθμός τομής δυο συσχετικών επίπεδων καμπυλών Εστω

Διαβάστε περισσότερα

ΑΡΧΑΙΑ ΕΛΛΗΝΙΚΑ 2014 ΕΝΔΕΙΚΤΙΚΕΣ ΑΠΑΝΤΗΣΕΙΣ

ΑΡΧΑΙΑ ΕΛΛΗΝΙΚΑ 2014 ΕΝΔΕΙΚΤΙΚΕΣ ΑΠΑΝΤΗΣΕΙΣ Διδαγμένο Κείμενο ΑΡΧΑΙΑ ΕΛΛΗΝΙΚΑ 2014 ΕΝΔΕΙΚΤΙΚΕΣ ΑΠΑΝΤΗΣΕΙΣ Α1. Επομένως οι αρετές δεν υπάρχουν μέσα μας εκ φύσεως ούτε αντίθετα προς τη φύση μας, αλλά έχουμε από τη φύση την ιδιότητα να τις δεχτούμε

Διαβάστε περισσότερα

ΕΦΑΡΜΟΓΗ ΤΗΣ ΠΛΗΡΟΦΟΡΙΑΚΗΣ ΕΝΤΡΟΠΙΑΣ ΣΤΗΝ ΠΥΡΗΝΙΚΗ ΦΥΣΙΚΗ ΚΑΙ ΤΗ ΣΚΕ ΑΣΗ Ι ΑΚΤΟΡΙΚΗ ΙΑΤΡΙΒΗ

ΕΦΑΡΜΟΓΗ ΤΗΣ ΠΛΗΡΟΦΟΡΙΑΚΗΣ ΕΝΤΡΟΠΙΑΣ ΣΤΗΝ ΠΥΡΗΝΙΚΗ ΦΥΣΙΚΗ ΚΑΙ ΤΗ ΣΚΕ ΑΣΗ Ι ΑΚΤΟΡΙΚΗ ΙΑΤΡΙΒΗ ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΤΜΗΜΑ ΦΥΣΙΚΗΣ ΤΟΜΕΑΣ ΠΥΡΗΝΙΚΗΣ ΦΥΣΙΚΗΣ ΚΑΙ ΦΥΣΙΚΗΣ ΣΤΟΙΧΕΙΩ ΩΝ ΣΩΜΑΤΙ ΙΩΝ ΒΑΣΙΛΕΙΟΣ Π. ΨΩΝΗΣ ΕΦΑΡΜΟΓΗ ΤΗΣ ΠΛΗΡΟΦΟΡΙΑΚΗΣ ΕΝΤΡΟΠΙΑΣ ΣΤΗΝ ΠΥΡΗΝΙΚΗ ΦΥΣΙΚΗ ΚΑΙ ΤΗ ΣΚΕ

Διαβάστε περισσότερα

Εργαστηριακή Άσκηση Θερμομόρφωση (Thermoforming)

Εργαστηριακή Άσκηση Θερμομόρφωση (Thermoforming) Σελίδα 1 Πανεπιστήμιο Κύπρου Τμήμα Μηχανικών Μηχανολογίας και Κατασκευαστικής ΜΜΚ 452: Μηχανικές Ιδιότητες και Κατεργασία Πολυμερών Εργαστηριακή Άσκηση Θερμομόρφωση (Thermoforming) Σελίδα 2 Εισαγωγή: Η

Διαβάστε περισσότερα

1. Ο εγγυημένος ρυθμός οικονομικής ανάπτυξης στο υπόδειγμα Harrod Domar εξαρτάται

1. Ο εγγυημένος ρυθμός οικονομικής ανάπτυξης στο υπόδειγμα Harrod Domar εξαρτάται 1. Ο εγγυημένος ρυθμός οικονομικής ανάπτυξης στο υπόδειγμα Harrod Domar εξαρτάται από: α) Τη ροπή για αποταμίευση β) Το λόγο κεφαλαίου προϊόντος και τη ροπή για αποταμίευση γ) Το λόγο κεφαλαίου προϊόντος

Διαβάστε περισσότερα

Φυσική Β Λυκείου Θετικής & Τεχνολογικής Κατεύθυνσης Παναγόπουλος Γιώργος Φυσικός

Φυσική Β Λυκείου Θετικής & Τεχνολογικής Κατεύθυνσης Παναγόπουλος Γιώργος Φυσικός Φυσική Β Λυκείου Θετικής & Τεχνολογικής Κατεύθυνσης Παναγόπουλος Γιώργος Φυσικός gior.panagopoulos@gmail.com Βουλδής Άγγελος Φυσικός angelos_vouldis@hotmail.com Μεντζελόπουλος Λευτέρης Φυσικός MSc Περιβαλλοντολογία

Διαβάστε περισσότερα

Ποια έντομα είναι εχθροί των φυτών και πώς θα τα αντιμετωπίσετε

Ποια έντομα είναι εχθροί των φυτών και πώς θα τα αντιμετωπίσετε Ποια έντομα είναι εχθροί των φυτών και πώς θα τα αντιμετωπίσετε Δυστυχώς είναι μια πραγματικότητα της ζωής ότι αν διατηρείτε στο σπίτι σας φυτά, υπάρχει πάντα η πιθανότητα να υποστούν ζημίες από βλαβερούς

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ

ΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ HMEΡΟΜΗΝΙΑ ΔΗΜΟΣΙΕΥΣΗΣ: 4 ΑΠΡΙΛΙΟΥ: ΩΡΑ 10μ.μ Τα παρακάτω θέματα δημοσιεύονται αποκλειστικά και μόνο για όσους υποψήφιους του φροντιστηρίου μας δεν κατάφεραν να προσέλθουν στα επαναληπτικά μαθήματα που

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 015 Ανεξάρτητα δείγματα: Αφορά δύο κανονικούς πληθυσμούς με παραμέτρους

Διαβάστε περισσότερα

Κεφάλαιο 2.4: Τα βασικά στοιχεία ενός Επιχειρηματικού Σχεδίου (Business Plan) Μέσα από αυτό το κεφάλαιο φαίνεται ότι αφενός η σωστή δημιουργία και

Κεφάλαιο 2.4: Τα βασικά στοιχεία ενός Επιχειρηματικού Σχεδίου (Business Plan) Μέσα από αυτό το κεφάλαιο φαίνεται ότι αφενός η σωστή δημιουργία και Κεφάλαιο 2.4: Τα βασικά στοιχεία ενός Επιχειρηματικού Σχεδίου (Business Plan) Περίληψη Κεφαλαίου: Μέσα από αυτό το κεφάλαιο φαίνεται ότι αφενός η σωστή δημιουργία και αφετέρου η σωστή εφαρμογή του Επιχειρηματικού

Διαβάστε περισσότερα

Αντικειμενοστραφής. Προγραμματισμού

Αντικειμενοστραφής. Προγραμματισμού Αντικειμενοστραφής προγραμματισμός Σημερινό μάθημα Μειονεκτήματα Δομημένου Προγραμματισμού Αντικειμενοστραφής προγραμματισμός Ορισμοί Κλάσεις Αντικείμεναμ Χαρακτηριστικά ΑΠ C++ Class 1 Δομημένος Προγραμματισμός

Διαβάστε περισσότερα

Φόρμα Σχεδιασμού Διάλεξης (ημ/α: 17/03/08, έκδοση: 1.0)

Φόρμα Σχεδιασμού Διάλεξης (ημ/α: 17/03/08, έκδοση: 1.0) 1. Κωδικός Μαθήματος: (Εισαγωγή στον Προγραμματισμό) 2. Α/Α Διάλεξης: 1 1. Τίτλος: Εισαγωγή στους υπολογιστές. 2. Μαθησιακοί Στόχοι: Συνοπτική παρουσίαση της εξέλιξης των γλωσσών προγραμματισμού και των

Διαβάστε περισσότερα

ΜΑΘΗΜΑ: ΑΣΤΙΚΟ ΔΙΚΑΙΟ

ΜΑΘΗΜΑ: ΑΣΤΙΚΟ ΔΙΚΑΙΟ ΜΑΘΗΜΑ: ΑΣΤΙΚΟ ΔΙΚΑΙΟ Διδάσκων : Βασίλειος Σταματόπουλος, Δικηγόρος, Δ.Μ.Σ. Συνάντηση 4 η ΕΝΟΧΕΣ ΔΙΑΖΕΥΚΤΙΚΕΣ Εννοιολογική προσέγγιση. Διαζευκτική είναι η ενοχή που έχει ως αντικείμενο δύο ή περισσότερες

Διαβάστε περισσότερα

ΟΙΚΟΝΟΜΕΤΡΙΑ. Ενότητα 6: Ελεγχος γενικών γραμμικών υποθέσεων. Αναπληρωτής Καθηγητής. Σχολή ιοίκησης Επιχειρήσεων Πανεπιστήμιο Πατρών

ΟΙΚΟΝΟΜΕΤΡΙΑ. Ενότητα 6: Ελεγχος γενικών γραμμικών υποθέσεων. Αναπληρωτής Καθηγητής. Σχολή ιοίκησης Επιχειρήσεων Πανεπιστήμιο Πατρών ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 6: Ελεγχος γενικών γραμμικών υποθέσεων Ιωάννης Βενέτης Αναπληρωτής Καθηγητής Τμήμα Οικονομικών Επιστημών Σχολή ιοίκησης Επιχειρήσεων Πανεπιστήμιο Πατρών 1/56 Ι. Βενέτης (Πανεπιστήμιο

Διαβάστε περισσότερα

ΔΙΚΑΙΩΜΑΤΑ ΠΡΟΣΟΡΜΙΣΗΣ, ΠΑΡΑΒΟΛΗΣ, ΠΡΥΜΝΟΔΕΤΗΣΗΣ ΚΑΙ ΕΛΛΙΜΕΝΙΣΜΟΥ ΣΚΑΦΩΝ ΣΕ ΘΑΛΑΣΣΙΕΣ ΠΕΡΙΟΧΕΣ. (ΛΙΜΑΝΙΑ κ.λπ.) ΤΟΠΙΚΗΣ ΑΡΜΟΔΙΟΤΗΤΑΣ ΛΙΜΕΝΙΚΩΝ

ΔΙΚΑΙΩΜΑΤΑ ΠΡΟΣΟΡΜΙΣΗΣ, ΠΑΡΑΒΟΛΗΣ, ΠΡΥΜΝΟΔΕΤΗΣΗΣ ΚΑΙ ΕΛΛΙΜΕΝΙΣΜΟΥ ΣΚΑΦΩΝ ΣΕ ΘΑΛΑΣΣΙΕΣ ΠΕΡΙΟΧΕΣ. (ΛΙΜΑΝΙΑ κ.λπ.) ΤΟΠΙΚΗΣ ΑΡΜΟΔΙΟΤΗΤΑΣ ΛΙΜΕΝΙΚΩΝ ΔΙΚΑΙΩΜΑΤΑ ΠΡΟΣΟΡΜΙΣΗΣ, ΠΑΡΑΒΟΛΗΣ, ΠΡΥΜΝΟΔΕΤΗΣΗΣ ΚΑΙ ΕΛΛΙΜΕΝΙΣΜΟΥ ΣΚΑΦΩΝ ΣΕ ΘΑΛΑΣΣΙΕΣ ΠΕΡΙΟΧΕΣ (ΛΙΜΑΝΙΑ κ.λπ.) ΤΟΠΙΚΗΣ ΑΡΜΟΔΙΟΤΗΤΑΣ ΛΙΜΕΝΙΚΩΝ ΤΑΜΕΙΩΝ ΚΑΙ ΔΗΜΟΤΙΚΩΝ ΛΙΜΕΝΙΚΩΝ ΤΑΜΕΙΩΝ Επιμέλεια Άγγελου Αργυρακόπουλου

Διαβάστε περισσότερα

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ. Τρίτη Γραπτή Εργασία στη Στατιστική

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ. Τρίτη Γραπτή Εργασία στη Στατιστική ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ Πρόγραμμα Σπουδών: ΔΙΟΙΚΗΣΗ ΕΠΙΧΕΙΡΗΣΕΩΝ και ΟΡΓΑΝΙΣΜΩΝ Θεματική Ενότητα: ΔΕΟ-13 Ποσοτικές Μέθοδοι Ακαδημαϊκό Έτος: 2011-12 Τρίτη Γραπτή Εργασία στη Στατιστική Γενικές οδηγίες

Διαβάστε περισσότερα

ΟΙΚΟΝΟΜΕΤΡΙΑ. ελαχίστων τετραγώνων. Αναπληρωτής Καθηγητής. Σχολή Οργάνωσης και ιοίκησης Επιχειρήσεων Πανεπιστήμιο Πατρών

ΟΙΚΟΝΟΜΕΤΡΙΑ. ελαχίστων τετραγώνων. Αναπληρωτής Καθηγητής. Σχολή Οργάνωσης και ιοίκησης Επιχειρήσεων Πανεπιστήμιο Πατρών ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 2: Απλό γραμμικό υπόδειγμα και η μέθοδος ελαχίστων τετραγώνων Ιωάννης Βενέτης Αναπληρωτής Καθηγητής Τμήμα Οικονομικών Επιστημών Σχολή Οργάνωσης και ιοίκησης Επιχειρήσεων Πανεπιστήμιο

Διαβάστε περισσότερα

Μητροπολιτικά Οπτικά Δίκτυα. 11.1. Εισαγωγή

Μητροπολιτικά Οπτικά Δίκτυα. 11.1. Εισαγωγή Μητροπολιτικά Οπτικά Δίκτυα 11.1. Εισαγωγή Τα τηλεπικοινωνιακά δίκτυα είναι διαιρεμένα σε μια ιεραρχία τριών επιπέδων: Στα δίκτυα πρόσβασης, τα μητροπολιτικά δίκτυα και τα δίκτυα κορμού. Τα δίκτυα κορμού

Διαβάστε περισσότερα

Ελεγχος Στατιστικών Υποθέσεων με τη χρήση του στατιστικού προγραμμάτος SPSS v. 20

Ελεγχος Στατιστικών Υποθέσεων με τη χρήση του στατιστικού προγραμμάτος SPSS v. 20 A Πανεπιστήμιο Αιγαίου Σχολή Επιστημών της ιοίκησης Τμήμα Μηχανικών Οικονομίας και ιοίκησης Εργαστήριο Στατιστικής Ελεγχος Στατιστικών Υποθέσεων με τη χρήση του στατιστικού προγραμμάτος SPSS v. 20 26Επιμέλεια:

Διαβάστε περισσότερα

ΗΛΕΚΤΡΙΚΗ ΕΝΕΡΓΕΙΑ ΣΤΗ ΚΡΗΤΗ

ΗΛΕΚΤΡΙΚΗ ΕΝΕΡΓΕΙΑ ΣΤΗ ΚΡΗΤΗ ΗΛΕΚΤΡΙΚΗ ΕΝΕΡΓΕΙΑ ΣΤΗ ΚΡΗΤΗ ΑΝΤΙΟΠΗ ΓΙΓΑΝΤΙ ΟΥ Τοµεάρχης Λειτουργίας Κέντρων Ελέγχου Συστηµάτων Μεταφοράς ιεύθυνσης ιαχείρισης Νησιών ΗΛΕΚΤΡΙΚΟ ΣΥΣΤΗΜΑ ΚΡΗΤΗΣ 2009 Εγκατεστηµένη Ισχύς (Ατµοµονάδες, Μονάδες

Διαβάστε περισσότερα

όπου ω j η κλάση j και x το διάνυσμα χαρακτηριστικών Ένας τυπικός κανόνας απόφασης είναι να επιλέγουμε την κλάση με τη μέγιστη P[ω j x]

όπου ω j η κλάση j και x το διάνυσμα χαρακτηριστικών Ένας τυπικός κανόνας απόφασης είναι να επιλέγουμε την κλάση με τη μέγιστη P[ω j x] Bayes Classifiers Θεώρημα Bayes Tο θώ θεώρημα Bayes εκφράζεται ως: όπου ω j η κλάση j και x το διάνυσμα χαρακτηριστικών Ένας τυπικός κανόνας απόφασης είναι να επιλέγουμε την κλάση με τη μέγιστη P[ω j x]

Διαβάστε περισσότερα

2 Η ΠΑΓΚΥΠΡΙΑ ΟΛΥΜΠΙΑ Α ΦΥΣΙΚΗΣ Γ ΓΥΜΝΑΣΙΟΥ

2 Η ΠΑΓΚΥΠΡΙΑ ΟΛΥΜΠΙΑ Α ΦΥΣΙΚΗΣ Γ ΓΥΜΝΑΣΙΟΥ ΕΝΩΣΗ ΚΥΠΡΙΩΝ ΦΥΣΙΚΩΝ 2 Η ΠΑΓΚΥΠΡΙΑ ΟΛΥΜΠΙΑ Α ΦΥΣΙΚΗΣ Γ ΓΥΜΝΑΣΙΟΥ Κυριακή, 16 Απριλίου, 2006 Ώρα: 10:30-13:00 Οδηγίες: 1) Το δοκίµιο αποτελείται από τρία (3) µέρη µε σύνολο δώδεκα (12) θέµατα. 2) Επιτρέπεται

Διαβάστε περισσότερα

Η διπλωματική εργασία

Η διπλωματική εργασία Η διπλωματική εργασία Αριστείδης Χατζής * Το κείμενο αυτό ανανεώνεται συνέχεια με τη δική σας παρέμβαση, τις ερωτήσεις, τα σχόλια και τις παρατηρήσεις σας. Αυτή η εκδοχή ανανεώθηκε στις 12 Δεκεμβρίου 2006.

Διαβάστε περισσότερα

Opinion Mining. Χριστίνα Αραβαντινού aravantino@ceid.upatras.gr. Χριστίνα Αραβαντινού Opinion Mining Μάιος 2014 1 / 26

Opinion Mining. Χριστίνα Αραβαντινού aravantino@ceid.upatras.gr. Χριστίνα Αραβαντινού Opinion Mining Μάιος 2014 1 / 26 Opinion Mining Χριστίνα Αραβαντινού aravantino@ceid.upatras.gr Μάιος 2014 Χριστίνα Αραβαντινού Opinion Mining Μάιος 2014 1 / 26 Περιεχόμενα Εισαγωγή Εφαρμογές ομή μιας άποψης Είδη απόψεων Προσεγγίσεις

Διαβάστε περισσότερα

Συναρτήσεις ΙΙ. Σημερινό μάθημα

Συναρτήσεις ΙΙ. Σημερινό μάθημα Συναρτήσεις ΙΙ 1 Σημερινό μάθημα Εμβέλεια Εμφωλίαση Τύπος αποθήκευσης Συναρτήσεις ως παράμετροι Πέρασμα με τιμή Πολλαπλά return Προκαθορισμένοι ρ Παράμετροι ρ Υπερφόρτωση συναρτήσεων Inline συναρτήσεις

Διαβάστε περισσότερα

ΟΡΙΣΜΟΣ και ΚΑΤΑΜΕΤΡΗΣΗ ΘΕΜΕΛΙΑΚΩΝ ΣΥΝ ΥΑΣΤΙΚΩΝ ΜΟΡΦΩΝ

ΟΡΙΣΜΟΣ και ΚΑΤΑΜΕΤΡΗΣΗ ΘΕΜΕΛΙΑΚΩΝ ΣΥΝ ΥΑΣΤΙΚΩΝ ΜΟΡΦΩΝ ΟΡΙΣΜΟΣ και ΚΤΜΤΡΗΣΗ ΘΜΛΙΚΩΝ ΣΥΝ ΥΣΤΙΚΩΝ ΜΟΡΦΩΝ. ΣΥΝΥΣΤΙΚΣ ΜΟΡΦΣ: η μορφολογία. Όλες οι συνδυαστικές μορφές που θα εξετάσουμε είναι διαφόρων ειδών συναρτήσεις. Οι «παράμετροι» που παραλλάσονται είναι οι

Διαβάστε περισσότερα

ΑΣΚΗΣΕΙΣ 2014 15 ΔΙΚΤΥΑ ΠΡΟΣΒΑΣΗΣ ΑΣΚΗΣΗ 1

ΑΣΚΗΣΕΙΣ 2014 15 ΔΙΚΤΥΑ ΠΡΟΣΒΑΣΗΣ ΑΣΚΗΣΗ 1 ΑΣΚΗΣΕΙΣ 2014 15 ΔΙΚΤΥΑ ΠΡΟΣΒΑΣΗΣ ΑΣΚΗΣΗ 1 Ένας χρήστης μιας PDH μισθωμένης γραμμής χρησιμοποιεί μια συσκευή πρόσβασης που υλοποιεί τη στοίβα ΑΤΜ/Ε1. α) Ποιος είναι ο μέγιστος υποστηριζόμενος ρυθμός (σε

Διαβάστε περισσότερα

ΤΑ ΜΙΚΡΑ ΒΗΜΑΤΑ ΤΗΣ ΘΕΡΑΠΕΥΤΙΚΗΣ ΔΙΑΔΙΚΑΣΙΑΣ: ΠΩΣ ΕΡΧΟΝΤΑΙ ΚΑΙ ΠΩΣ ΜΠΟΡΟΥΜΕ ΝΑ ΒΟΗΘΗΣΟΥΜΕ ΓΙΑ ΝΑ ΕΡΘΟΥΝ

ΤΑ ΜΙΚΡΑ ΒΗΜΑΤΑ ΤΗΣ ΘΕΡΑΠΕΥΤΙΚΗΣ ΔΙΑΔΙΚΑΣΙΑΣ: ΠΩΣ ΕΡΧΟΝΤΑΙ ΚΑΙ ΠΩΣ ΜΠΟΡΟΥΜΕ ΝΑ ΒΟΗΘΗΣΟΥΜΕ ΓΙΑ ΝΑ ΕΡΘΟΥΝ ΤΑ ΜΙΚΡΑ ΒΗΜΑΤΑ ΤΗΣ ΘΕΡΑΠΕΥΤΙΚΗΣ ΔΙΑΔΙΚΑΣΙΑΣ: ΠΩΣ ΕΡΧΟΝΤΑΙ ΚΑΙ ΠΩΣ ΜΠΟΡΟΥΜΕ ΝΑ ΒΟΗΘΗΣΟΥΜΕ ΓΙΑ ΝΑ ΕΡΘΟΥΝ Eugene T. GENDLIN University of Chicago, U.S.A Αυτό το άρθρο είναι μια αναθεωρημένη έκδοση της πλήρους

Διαβάστε περισσότερα

Κεφάλαιο 2.3: Marketing Κοινωνικών Επιχειρήσεων. Στο παρόν κεφάλαιο παρουσιάζονται εν τάχει τα βασικά

Κεφάλαιο 2.3: Marketing Κοινωνικών Επιχειρήσεων. Στο παρόν κεφάλαιο παρουσιάζονται εν τάχει τα βασικά Κεφάλαιο 2.3: Marketing Κοινωνικών Επιχειρήσεων Περίληψη Κεφαλαίου: Στο παρόν κεφάλαιο παρουσιάζονται εν τάχει τα βασικά χαρακτηριστικά του μείγματος Marketing (Μ.Κ.Τ.), στο πλαίσιο της εύρυθμης λειτουργίας

Διαβάστε περισσότερα

Επιλέγοντας τις κατάλληλες γλάστρες

Επιλέγοντας τις κατάλληλες γλάστρες Επιλέγοντας τις κατάλληλες γλάστρες Το τι γλάστρες θα χρησιμοποιήσετε εξαρτάται κυρίως από το πορτοφόλι σας αλλά και το προσωπικό σας γούστο. Οι επιλογές σας είναι αμέτρητες, τόσο σε ποιότητες όσο και

Διαβάστε περισσότερα

ΠΡΟΤΕΙΝΟΜΕΝΟ ΘΕΜΑ. Μορφές δημόσιου δανεισμού. Σύνταξη: Παπαδόπουλος Θεοχάρης, Οικονομολόγος, MSc, PhD Candidate

ΠΡΟΤΕΙΝΟΜΕΝΟ ΘΕΜΑ. Μορφές δημόσιου δανεισμού. Σύνταξη: Παπαδόπουλος Θεοχάρης, Οικονομολόγος, MSc, PhD Candidate ΠΡΟΤΕΙΝΟΜΕΝΟ ΘΕΜΑ Μορφές δημόσιου δανεισμού Σύνταξη: Παπαδόπουλος Θεοχάρης, Οικονομολόγος, MSc, PhD Candidate 1 Ανάλογα με την πηγή προελεύσεως των πόρων Με βάση το κριτήριο αυτό, ο δανεισμός διακρίνεται

Διαβάστε περισσότερα

Δίκαιο και Οικονομικά: Οι Εξετάσεις

Δίκαιο και Οικονομικά: Οι Εξετάσεις Δίκαιο και Οικονομικά: Οι Εξετάσεις Το κείμενο αυτό ανανεώνεται με τη δική σας παρέμβαση, τις ερωτήσεις, τα σχόλια και τις παρατηρήσεις σας. Θα συνεχίζει να ανανεώνεται μέχρι την ημέρα των εξετάσεων. Αυτή

Διαβάστε περισσότερα

Παράδειγμα. «Κεφάλαιο» «Περιουσία» «Περιουσία» Οικονομική επιστήμη «μέσων», «ανάγκες» «αγαθά» Επιχειρήσεων.

Παράδειγμα. «Κεφάλαιο» «Περιουσία» «Περιουσία» Οικονομική επιστήμη «μέσων», «ανάγκες» «αγαθά» Επιχειρήσεων. (ΜΕΡΟΣ ΠΡΩΤΟ) Οικονομική μονάδα είναι ο συστηματικός συνδυασμός των συντελεστών της παραγωγής (φύση, εργασία, κεφάλαιο) με τον οποίο αποσκοπείται η παραγωγή αγαθών ή η προσφορά υπηρεσιών για την κάλυψη

Διαβάστε περισσότερα

Κεφάλαιο 68 Σχεδιασμός κλινικών μελετών και διαχείριση δεδομένων έρευνας

Κεφάλαιο 68 Σχεδιασμός κλινικών μελετών και διαχείριση δεδομένων έρευνας Κεφάλαιο 68 Σχεδιασμός κλινικών μελετών και διαχείριση δεδομένων έρευνας Γ. Η. Πανάγος 1195 ΟΡΘΗ ΠΡΑΚΤΙΚΗ ΔΙΕΞΑΓΩΓΗΣ ΚΛΙ ΝΙΚΩΝ ΜΕΛΕΤΏΝ Η ορθή πρακτική διεξαγωγής των κλινικών δοκιμών (GCP) είναι ένα διεθνές

Διαβάστε περισσότερα