Ανεξαρτησία Ανεξαρτησία για οικογένειες συνόλων και τυχαίες μεταβλητές

Save this PDF as:
 WORD  PNG  TXT  JPG

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "Ανεξαρτησία Ανεξαρτησία για οικογένειες συνόλων και τυχαίες μεταβλητές"

Transcript

1 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, σύνολα ενδεχομένων, και τυχαίες μεταβλητές. Ορισμός Εστω (A i ) i I στοιχεία της F. Τα (A i ) i I λέγονται ανεξάρτητα αν για κάθε J I πεπερασμένο ισχύει ότι P ( i J A i ) = P(A i ). (10.1) Η τομή και το γινόμενο στην τελευταία ισότητα έχουν πεπερασμένο πλήθος όρων. Ορισμός Εστω (F i ) i I οικογένεια συνόλων έτσι ώστε F i F για κάθε i I. Τα (F i ) i I λέγονται ανεξάρτητα αν για κάθε J I πεπερασμένο και A i F i για κάθε i J ισχύει η (10.1). Ορισμός Εστω {(E i, E i ) : i I} μετρήσιμοι χώροι και (X i ) i I οικογένεια τυχαίων μεταβλητών με X i : Ω E i για κάθε i I. Οι (X i ) i I λέγονται ανεξάρτητες αν οι αντίστοιχες σ-άλγεβρες (σ(x i )) i I, που είναι υποσύνολα της F, είναι ανεξάρτητες. Παρατήρηση Ο Ορισμός 10.3, σύμφωνα με τον Ορισμό 10.2, απαιτεί i J P(X i1 A i1, X i2 A i2,..., X i A i ) = P(X i1 A i1 ) P(X i2 A i2 ) P(X i A i ) (10.2) για κάθε 2, κάθε επιλογή δεικτών i 1, i 2,..., i I, και κάθε A i1 E i1,..., A i E i, αφού κάθε στοιχείο μιας σ(x i ) είναι της μορφής Xi 1 (A i ) = {X i A i } με A i E i. Το ενδεχόμενο στο αριστερό μέλος της τελευταίας σχέσης είναι συντομογραφία του ενδεχομένου Xi 1 1 (A i1 ) Xi 1 2 (A i2 ) Xi 1 (A i ). Σύμβαση: Στο εξής, όποτε λέμε ότι κάποιες τυχαίες μεταβλητές είναι ανεξάρτητες, θα εννοείται ότι ορίζονται στον ίδιο χώρο πιθανότητας, δηλαδή έχουν το ίδιο πεδίο ορισμού. Αυτό εξασφαλίζει ότι το ενδεχόμενο Xi 1 1 (A i1 ) Xi 1 2 (A i2 ) Xi 1 (A i ) στο αριστερό μέλος της (10.2) είναι στοιχείο της F, που είναι το πεδίο ορισμού της P. Παράδειγμα 10.5 (Δυό ανεξάρτητες τυχαίες μεταβλητές). Θεωρούμε το πείραμα δύο ρίψεων ενός νομίσματος που φέρνει κορώνα με πιθανότητα p. Το σύνηθες μέτρο που μοντελοποιεί το πείραμα είναι τέτοιο ώστε τα αποτελέσματα των δύο ρίψεων να είναι ανεξάρτητες τυχαίες μεταβλητές. Πιο συγκεκριμένα, ο δειγματικός μας χώρος είναι ο Ω = {K, Γ} {K, Γ} και σ-άλγεβρα η F = P(A). Για ω Ω θέτουμε p(1 p) αν ω = (K, Γ) ή (Γ, K), p ω = p 2 αν ω = (K, K), (1 p) 2 αν ω = (Γ, Γ). Εστω P το μοναδικό μέτρο πιθανότητας στην F με P(ω) = p ω. Εστω E = {K, Γ} και E = P(E). Θεωρούμε τις τυχαίες μεταβλητές X, Y : Ω E, με X ( (x, y) ) = x και Y ( (x, y) ) = y. Τότε, η X είναι η ένδειξη της πρώτης ρίψης και η Y η ένδειξη της δεύτερης. 57

2 58 Ανεξαρτησία Ισχυρισμος: Οι X, Y είναι ανεξάρτητες. Θα δείξουμε ότι για κάθε A, B E ισχύει Αν A = ή B =, η (10.3) ισχύει. P(X A, Y B) = P(X A) P(Y B). (10.3) Αν A = {K, Γ}, τότε {X A, Y B} = {Y B}, και P(X A) = 1. Αρα η (10.3) πάλι ισχύει. Αν B = {K, Γ}, η (10.3) αποδεικνύεται όμοια. Τέλος, μένουν οι περιπτώσεις που τα A, B είναι μονοσύνολα. Για παράδειγμα, αν A = {K} και B = {Γ}, έχουμε Ομως P(X = K, Y = Γ) = P({(K, Γ), (K, K)} {(K, Γ), (Γ, Γ)}) = P({K, Γ}) = p(1 p). Πολλαπλασιάζοντας κατά μέλη έχουμε ότι P({(K, Γ), (K, K)}) = p(1 p) + pp = p P({(K, Γ), (Γ, Γ)}) = p(1 p) + (1 p) 2 = 1 p. P({(K, Γ), (K, K)}) P({(K, Γ), (Γ, Γ)}) = p(1 p) και έτσι η (10.3) ισχύει πάλι. Ομοια αποδεικνύονται και οι υπόλοιπες περιπτώσεις όπου τα A, B είναι μονοσύνολα. Το επόμενο θεώρημα διευκολύνει τον έλεγχο ανεξαρτησίας δύο τυχαίων μεταβλητών. Θεώρημα Εστω (E, E), (G, G) μετρήσιμοι χώροι και X : Ω E, Y : Ω G τυχαίες μεταβλητές. Θεωρούμε τη σχέση P(X A, Y B) = P(X A) P(Y B). ( ) Τα εξής είναι ισοδύναμα: (i) Οι X, Y είναι ανεξάρτητες. (ii) Η ( ) ισχύει για κάθε A E και B G. (iii) Η ( ) ισχύει για κάθε A C, B D, όπου C, D οικογένειες κλειστές στις πεπερασμένες τομές με σ(c) = E, σ(d) = G. Σημαντική είναι η ισοδυναμία των (i) και (iii). Δηλαδή αρκεί να ελέγξουμε την ( ) για λιγότερα σύνολα από ότι απαιτεί η (ii) ώστε να διαπιστώσουμε την ανεξαρτησία των X, Y. Απόδειξη. Η (ii) είναι αναδιατύπωση του ορισμού της ανεξαρτησίας και προφανώς συνεπάγεται την (iii). Μένει να δείξουμε ότι η (iii) συνεπάγεται την (ii). Εστω A C και D 1 (A) := {B G : η ( ) ισχύει για τα A, B}. Εχουμε ότι D D 1 (A) από υπόθεση και η D 1 (A) είναι κλάση Dyki (Ασκηση 3.1). Αρα δ(d) D 1 (A). Επειδή η D είναι κλειστή στις πεπερασμένες τομές, το θεώρημα μονότονης κλάσης δίνει ότι σ(d) = δ(d). Αρα σ(d) D 1 (A), δηλαδή η ( ) ισχύει για κάθε A C και B G. Τώρα για B G θέτουμε D 2 (B) := {A E : η ( ) ισχύει για τα A, B}. Ομοια, όπως με το D 1 (A), δείχνουμε ότι D 2 (B) = E, και έτσι αποδείχθηκε η (ii).

3 10.1 Ανεξαρτησία για οικογένειες συνόλων και τυχαίες μεταβλητές 59 Στις στοιχειώδεις πιθανότητες μαθαίνουμε (χωρίς απόδειξη) ότι δύο τυχαίες μεταβλητές X, Y είναι ανεξάρτητες αν και μόνο αν η από κοινού συνάρτηση κατανομή τους, F X,Y, γράφεται ως F X,Y (x, y) = F X (y)f Y (y) για κάθε x, y R. Τώρα είμαστε σε θέση να το αποδείξουμε. Πόρισμα Εστω X, Y : Ω R τυχαίες μεταβλητές. Τότε οι X, Y είναι ανεξάρτητες αν και μόνο αν για κάθε x, y R. P(X x, Y y) = P(X x) P(Y y) Απόδειξη. Προκύπτει από το Θεώρημα 10.6 αν πάρουμε C = D = {(, a] : a R}. Πρόταση Εστω X, Y όπως στη διατύπωση του Θεωρήματος Τα εξής είναι ισοδύναμα: (i) Οι X, Y είναι ανεξάρτητες. (ii) Οι f (X), g(y) είναι ανεξάρτητες για κάθε f : E R, g : G R μετρήσιμες. Απόδειξη. (i) (ii) Εστω A, B B(R). Τότε, P( f (X) A, g(y) B) = P(X f 1 (A), Y g 1 (B)) = P(X f 1 (A)) P(Y g 1 (B)) = P( f (X) A) P(g(Y) B). Η δεύτερη ισότητα προκύπτει από την ανεξαρτησία των X, Y. Το ζητούμενο δείχθηκε. (ii) (i) Εστω Γ E, G. Το (ii) για τις f = 1 C και g = 1 D δίνει P({ f (X) {1}} {g(x) {1}}) = P({ f (X) {1}}) P({g(X) {1}}) δηλαδή που είναι το ζητούμενο. P(X Γ, Y D) = P(X Γ) P(Y D), Θεώρημα Εστω X, Y : Ω [, ] ανεξάρτητες τυχαίες μεταβλητές μη αρνητικές ή με E X, E Y <. Τότε E(XY) = E(X) E(Y). Απόδειξη. Το σχέδιο της απόδειξης είναι να δείξουμε κάτι φαινομενικά ισχυρότερο. Δηλαδή το εξής. Ισχυρισμος: E{ f (X)g(Y)} = E( f (X)) E(g(Y)) (10.4) για κάθε f : [, ] [, ], g : [, ] [, ] μετρήσιμες που είναι μη αρνητικές ή ικανοποιούν E f (X), E g(y) <. Θα δείξουμε την (10.4) σταδιακά με τον γνωστό τρόπο (Τυπική Μηχανή). Βήμα 1. Αν f = 1 A και g = 1 B, όπου A, B B([, ]), έχουμε ότι E( f (X)g(Y)) = E(1 X A 1 Y B ) = E(1 {X A} {Y B} ) = P(X A, Y B) = P(X A) P(Y B) = E(1 X A ) E(1 Y B ). Η τέταρτη ισότητα ισχύει γιατί οι X, Y είναι ανεξάρτητες. Και έτσι προκύπτει η (10.4) για τις συγκεκριμένες f, g. Βήμα 2. Αν f, g απλές μετρήσιμες, έστω f = m a i 1 Ai, g = i=1 b j 1 B j, j=1

4 60 Ανεξαρτησία σε κανονική μορφή, όπου A i, B j B([, ]), τότε E( f (X)g(Y)) = E ( m a i b j 1 Ai (X)1 B j (Y) ). Και λόγω γραμμικότητας και του προηγούμενου βήματος, η τελευταία μέση τιμή ισούται με m a i b j E(1 Ai (X)) E(1 B j (Y)) = E( f (X)) E(g(Y)). i=1 j=1 i=1 Βήμα 3. Αν f, g 0 μετρήσιμες, τότε υπάρχουν αύξουσες ακολουθίες (r ) N και (s ) N μη αρνητικών απλών συναρτήσεων έτσι ώστε Συνεπώς, από τα προηγούμενα έχουμε ότι r = f, j=1 s = g. E(r (X)s (Y)) = E(r (X)) E(s (Y)) για κάθε N. Επειδή οι ακολουθίες (r ) N και (s ) N είναι αύξουσες, για, από το θεώρημα μονότονης σύγκλισης έχουμε ότι E( f (X)g(Y)) = E( f (X)) E(g(Y)). Δηλαδή η (10.4) ισχύει για τις f, g. Βήμα 4. Αν οι f, g είναι μετρήσιμες με E f (X), E g(y) <, έχουμε E{ f (X)g(Y)} = E{( f + (X) f (X))(g + (Y) g (Y))} = E{ f + (X)g + (Y)} E{ f + (X)g (Y)} E{ f (X)g + (Y)} + E{ f (X)g (Y)} = E( f + (X)) E(g + (Y)) E( f + (X)) E(g (Y)) E( f (X)) E(g + (Y)) + E( f (X)) E(g (Y)) = E( f (X)) E(g(Y)). Στην τρίτη ισότητα χρησιμοποιήσαμε το ότι η (10.4) ισχύει για μη αρνητικές μετρήσιμες. Επίσης στον τελευταίο υπολογισμό δεν εμφανίζεται πουθενά κάποια απροσδιόριστη μορφή γιατί οι f, g ικανοποιούν E f (X), E g(y) <. Ετσι ο ισχυρισμός αποδείχθηκε. Επιστρέφουμε τώρα στην απόδειξη του θεωρήματος. Αν X, Y 0, εφαρμόζουμε τον ισχυρισμό για x αν x [0, ], f (x) = g(x) = 0 αν x [, 0). Στην περίπτωση που E X, E Y <, εφαρμόζουμε τον ισχυρισμό για f (x) = g(x) = x για κάθε x [, ]. Παρατήρηση Ανάλογα με τα Θεωρήματα 10.6, 10.9 και την Πρόταση 10.8 ισχύουν αν αντί δύο έχουμε περισσότερες ανεξάρτητες τυχαίες μεταβλητές, έστω X 1, X 2,..., X. Για παράδειγμα E{ f 1 (X 1 ) f 2 (X 2 ) f (X )} = E{ f 1 (X 1 )} E{ f 2 (X 2 )} E{ f (X )} με τις f 1, f 2,..., f μετρήσιμες και μη αρνητικές ή με E f k (X k ) < για κάθε k. Η απόδειξη των αντίστοιχων αυτών ισχυρισμών γίνεται με επαγωγή. Υπενθυμίζουμε εδώ ότι για (X k ) 1 k τυχαίες μεταβλητές στον ίδιο χώρο πιθανότητας, με πραγματικές τιμές και με E(Xk 2 ) < για κάθε k {1, 2,..., }, ισχύει Var(X 1 + X X ) = Var(X 1 ) + + Var(X ) + 2 Cov(X i, X j ). (10.5) 1 i< j Η απόδειξη γίνεται όπως ακριβώς την έχουμε δει στις στοιχειώδεις πιθανότητες. Οταν οι (X k ) 1 k είναι ανεξάρτητες, το προηγούμενο θεώρημα δίνει ότι όλες οι συνδιακυμάνσεις είναι 0, οπότε Var(X 1 + X X ) = Var(X 1 ) + + Var(X ) (10.6)

5 10.2 Ανεξαρτησία και ομαδοποίηση Ανεξαρτησία και ομαδοποίηση Αν οι τυχαίες μεταβλητές X, Y, Z, V, W είναι ανεξάρτητες μεταξύ τους, περιμένουμε και οι X +Y, Z 2 W, V να είναι ανεξάρτητες εφόσον χρησιμοποιούν διαφορετικά ανεξάρτητα συστατικά. Θα διατυπώσουμε ένα θεώρημα που δίνει αποτελέσματα αυτής της μορφής. Προηγουμένως, δίνουμε το αντίστοιχο αποτέλεσμα για σ-άλγεβρες. Η απόξειξή του δίνεται στο Παράρτημα Βʹ. Θεώρημα Εστω (F i ) i I ανεξάρτητη οικογένεια σ-αλγεβρών και {I j : j J} διαμέριση 1 του συνόλου δεικτών I. Για κάθε j J θεωρούμε τη σ-άλγεβρα Οι (G j ) j J είναι ανεξάρτητες. G j := σ ( i I j F i ). Για το επόμενο θεώρημα, σε πρώτη ανάγνωση καλό είναι να υποθέσει κανείς ότι τα σύνολα I, I j είναι πεπερασμένα και επομένως οι συναρτήσεις f j ορίζονται σε χώρους της μορφής R d. Θεωρούμε ότι ο R I j είναι εφοδιασμένος με τη σ-άλγεβρα γινόμενο i I j B(R) (όλοι οι όροι του γινομένου είναι ίδιοι). Η απόξειξη και αυτού του θεωρήματος δίνεται στο Παράρτημα Βʹ. Θεώρημα Εστω (X i ) i I ανεξάρτητες τυχαίες μεταβλητές, {I j : j J} διαμέριση του συνόλου δεικτών I, και για κάθε j J, μετρήσιμη συνάρτηση f j : R I j R. Για κάθε j J θεωρούμε τη συνάρτηση Y j := f j ((X i ) i I j ) : Ω R. Οι (Y j ) j J είναι ανεξάρτητες τυχαίες μεταβλητές. Για παράδειγμα, αν οι τυχαίες μεταβλητές (X ) 1 είναι ανεξάρτητες, τότε και οι (Y ) 1 με Y := 2 +1 i=2 +1 X i για κάθε 1 είναι ανεξάρτητες. Ομοια είναι ανεξάρτητα και τα σύνολα {X 2 + X 2+1 > 0}, Ανεξαρτησία=Μέτρο γινόμενο Πρόταση Εστω X := (X 1, X 2,..., X ) τυχαία μεταβλητή με τιμές στον R. Τότε οι X 1, X 2,..., X είναι ανεξάρτητες αν και μόνο αν P X = P X 1 P X 2... P X. Απόδειξη. Η τιμή του μέτρου P X σε έναν μετρήσιμο κύλινδρο A := A 1 A 2 A του R είναι P X (A) = P(X 1 A 1,, X A ) = P(X 1 A 1 ) P(X 2 A 2 ) P(X A ) = P X 1 (A 1 ) P X 2 (A 2 ) P X (A ). Στη δεύτερη ισότητα χρησιμοποιήσαμε την ανεξαρτησία των X 1,..., X. Ομως το P X 1 P X 2... P X είναι το μοναδικό μέτρο που παίρνει την τιμή P X 1 (A 1 ) P X 2 (A 2 ) P X (A ) στο A. Η ζητούμενη ισότητα έπεται. Ελέγχουμε τη σχέση (10.2). Εστω A 1, A 2,..., A B(R). Τότε P(X 1 A 1,, X A ) = P X 1 P X 2... P X (A 1 A 2 A ) = P X 1 (A 1 ) P X 2 (A 2 ) P X (A ) = P(X 1 A 1 ) P(X 2 A 2 ) P(X A ) Στην πρώτη ισότητα χρησιμοποιήσαμε την υπόθεση και στη δεύτερη τον ορισμό του μέτρου γινομένου. 1 Δηλαδή τα I j ( j J), είναι μη κενά, ξένα ανα δύο, και έχουν ένωση το I.

6 62 Ανεξαρτησία 10.4 Κατασκευή ανεξάρτητων τυχαίων μεταβλητών με δεδομένη κατανομή Υπάρχουν ανεξάρτητες τυχαίες μεταβλητές; Πώς μπορούμε να κατασκευάσουμε τέτοιες και βέβαια τον χώρο πιθανότητας στον οποίο αυτές ορίζονται; Τη λύση σε αυτά τα προβλήματα δίνουν οι χώροι γινόμενο, τους οποίους είδαμε στην Παράγραφο Σε αυτή την παράγραφο θα τους χρησιμοποιήσουμε για να κατασκευάσουμε ανεξάρτητες τυχαίες μεταβλητές με επιθυμητές ιδιότητες. Υπενθυμίζουμε ότι αν (E, E) είναι μετρήσιμος χώρος και X : Ω E τυχαία μεταβλητή, κατανομή της X λέμε το μέτρο πιθανότητας P X που ορίζεται στον (E, E) με P X (A) = P(X 1 (A)) για κάθε A E. Εστω I σύνολο δεικτών και (E i, E i, P i ) i I οικογένεια χώρων πιθανότητας. Θέλουμε να κατασκευάσουμε έναν χώρο πιθανότητας (Ω, F, P) και τυχαίες μεταβλητές X i : Ω E i έτσι ώστε (α) Η κατανομή της X i να είναι η P i για κάθε i I. (β) Οι (X i ) i I να είναι οικογένεια ανεξάρτητων τυχαίων μεταβλητών. Το να κάνουμε ένα από τα (α) ή (β) είναι εύκολο. Αυτό που είναι μη τετριμμένο είναι να κάνουμε και τα δύο μαζί. Και το κατορθώνουμε με χρήση του χώρου γινομένου ως εξής: Εστω Ω = E i, F = i I E i, και P το μέτρο γινόμενο των P i, i I. Για κάθε r I ορίζουμε X r : Ω E r ως i I X r ( (ωi ) i I ) = ωr, δηλαδή η X r είναι η προβολή στη r-συντεταγμένη. Εύκολα βλέπουμε ότι η X r είναι τυχαία μεταβλητή γιατί για A E r έχουμε Xr 1 Ω αν i r, (A) = A i, με A i = A αν i = r. i I Αρα Xr 1 (A) F ως μετρήσιμος κύλινδρος. Θα δείξουμε τώρα ότι πράγματι αυτή η κατασκευή ικανοποιεί τις απαιτήσεις του προβλήματος. Πρόταση Εστω (Ω, F, P), (E i, E i, P i ) i I όπως πριν και X r : Ω E r, r I, η r-προβολή. Τότε (i) Η X r έχει κατανομή P r. (ii) Οι (X r ) r I είναι ανεξάρτητες. Απόδειξη. (i) Εστω A E r. Εχουμε, P X r (A) = P(X 1 r (A)) = P ( ) A i = P i (A i ) = P r (A), γράφοντας το X 1 r (A) ως μετρήσιμο κύλινδρο όπως προηγουμένως. Αρα, P X r = P r. i I i I (ii) Εστω J = { j 1, j 2,..., j } I, και B j1 E j1, B j2 E j2,..., B j E j. Τότε P({X j1 B j1 } {X j2 B j2 } {X j B j }) = P ( ) A i, όπου Ω i αν i I\J, A i = B i, αν i J. Από τον ορισμό του P έχουμε ότι P ( ) A i = P(A i ) = P(A i ) = P j1 (B j1 ) P j2 (B j2 )... P j (B j ) i I i I i J = P(X j1 B j1 ) P(X j2 B j2 ) P(X j B j ). Συνεπώς οι {X r : r I} είναι ανεξάρτητες. i I

7 10.4 Κατασκευή ανεξάρτητων τυχαίων μεταβλητών με δεδομένη κατανομή 63 Μια συνέπεια της Πρότασης είναι ότι για δεδομένη κατανομή Q και σύνολο I υπάρχει σύνολο ανεξάρτητων και ισόνομων τυχαίων μεταβλητών (X i ) i I που καθεμία έχει κατανομή Q. Ασκήσεις Στις ασκήσεις πιο κάτω οι τυχαίες μεταβλητές που εμφανίζονται παίρνουν τιμές στο R Εστω F 1, F 2 F σ-άλγεβρες στον (Ω, F, P). Αν για κάθε A F 1 ισχύει ότι P(A) = 0 ή P(A) = 1, να δείξετε ότι η F 1 είναι ανεξάρτητη της F Εστω X, Y ανεξάρτητες τυχαίες μεταβλητές ώστε P(X = Y) = 1. Να δειχθεί ότι υπάρχει c R ώστε P(X = c) = 1, δηλαδή με πιθανότητα 1 η X είναι σταθερή τυχαία μεταβλητή Εστω X, Y ανεξάρτητες ισόνομες τυχαίες μεταβλητές με πεπερασμένη διασπορά σ 2. Να δειχθεί ότι E{(X Y) 2 /2} = σ Εστω X, Y τυχαίες μεταβλητές με πεπερασμένη δεύτερη ροπή (δηλαδή E(X 2 ), E(Y 2 ) < ) ώστε οι X, X Y να είναι ανεξάρτητες αλλά και οι Y, X Y να είναι ανεξάρτητες. Να δειχθεί ότι υπάρχει c R ώστε P(X Y = c) = 1. [Υποδ.: Y = X (X Y)] Εστω X, Y ανεξάρτητες τυχαίες μεταβλητές με E X + Y <. Να δειχθεί ότι E X < και E Y <. 10.6* Εστω X τυχαία μεταβλητή και f, g : R R αύξουσες συναρτήσεις. Υποθέτουμε ότι οι μέσες τιμές E{ f (X)g(X)}, E{ f (X)}, E{g(X)} ορίζονται και είναι πραγματικοί αριθμοί. Να δειχθεί ότι E{ f (X)g(X)} E{ f (X)} E{g(X)}. Αυτή είναι ειδική περίπτωση της ανισότητας FKG (Fortui-Kasteley-Giibre. 1971) Εστω X 1, X 2,..., X ανεξάρτητες τυχαίες μεταβλητές με X i exp(a i ) για κάθε i = 1, 2,..., όπου a 1, a 2,..., a (0, ) είναι σταθερές. Ποια η κατανομή της m := mi{x 1, X 2,..., X }; 10.8 Εστω (X ) N ακολουθία ανεξάρτητων και ισόνομων τυχαίων μεταβλητών έτσι ώστε E(X 1 ) = 0, E(X 2 1 ) = 1 και υπάρχει σταθερά M > 0 ώστε X i M στο Ω για κάθε i N. Θέτουμε S = k=1 X k για κάθε 1. Να δείξετε ότι (α) E(S 2 ) =. (β) E(S 4 ) = (γ) S P 0 καθώς. [Υποδειξη για το (γ): Χρησιμοποιήστε την ανισότητα Markov και το (α).] 10.9 Εστω (X ) 1 ακολουθία ανεξάρτητων και ισόνομων τυχαίων μεταβλητών καθεμία με την ομοιόμορφη κατανομή στο (0, 1). Για κάθε 1 θεωρούμε τις τυχαίες μεταβλητές m = mi{x 1, X 2,..., X }, M = max{x 1, X 2,..., X }. Να δειχθεί ότι m 0 και M 1 κατά πιθανότητα καθώς Για κάθε πίνακα A C, η ορίζουσα του και η permaet του ορίζονται από τους τύπους det(a) := sg(π)a 1,π(1) a 2,π(2) a,π(), (10.7) π S per(a) := a 1,π(1) a 2,π(2) a,π(). (10.8) π S S είναι το σύνολο των μεταθέσεων στο {1, 2,..., } και sg(π) είναι το πρόσημο της μετάθεσης π (1 για άρτια μετάθεση και 1 για περιττή). Εστω A = (a i, j ) 1 i, j C δεδομένος πίνακας. Θεωρούμε ανεξάρτητες τυχαίες μεταβλητές {u i, j : 1 i, j } με τιμές στο R ώστε καθεμία έχει μέση τιμή 0 και διασπορά 1. Ορίζουμε τον πίνακα B = (u i, j ai, j ) 1 i, j όπου a i, j είναι μία τετραγωνική ρίζα του a i, j. Να δειχθεί ότι E(det(B 2 )) = per(a).

8 11 Τα λήμματα Borel-Catelli και ο νόμος 0-1 του Kolmogorov Τα βασικότερα εργαλεία για την απόδειξη θεωρημάτων που αφορούν τη σχεδόν βέβαιη σύγκλιση είναι δύο απλά αποτελέσματα, τα δύο λήμματα Borel-Catelli, τα οποία θα δούμε σε αυτό το κεφάλαιο. Επίσης θα δούμε τον νόμο 0-1 του Kolmogorov ο οποίος είναι πολύ χρήσιμος όταν θέλουμε να δείξουμε ότι μια ιδιότητα ισχύει με πιθανότητα 1. Σύμφωνα με αυτόν τον νόμο, αν η ιδιότητα έχει μια συγκεκριμένη μορφή, τότε αναγκαστικά έχει πιθανότητα 0 ή 1. Επομένως για να δείξουμε ότι ισχύει με πιθανότητα 1, αρκεί να δείξουμε ότι ισχύει με θετική πιθανότητα. Και το τελευταίο πολλές φορές είναι σημαντικά ευκολότερο Τα λήμματα Borel-Catelli Εστω (Ω, F, P) χώρος πιθανότητας και (A ) 1 ακολουθία στοιχείων της F. Υπενθυμίζουμε ότι sup A = =1 k= A k = {ω Ω : ω ανήκει σε άπειρα A }. 1 Πρόταση 11.1 (Πρώτο λήμμα Borel-Catelli). Εστω (A ) 1 ακολουθία ενδεχομένων στον (Ω, F, P). Αν =1 P(A ) <, τότε P( sup A ) = 0. 1 Απόδειξη. Θεωρούμε την τυχαία μεταβλητη X = 1 A. Τότε =1 και sup A = {ω Ω : ω ανήκει σε άπειρα A } = {ω Ω : X(ω) = } = {X = }, 1 E(X) = E(1 A ) = =1 P(A k ) <. Επειδή E(X) < και X 0, η Πρόταση 6.14(iii) δίνει ότι P(X = ) = 0, δηλαδή P( sup A ) = 0. 1 =1 Λήμμα Αν A 1, A 2,..., A, 2, ανεξάρτητα ενδεχόμενα στον (Ω, F, P), τότε και τα A c 1, Ac 2,..., Ac είναι ανεξάρτητα. Απόδειξη. Δείχνουμε πρώτα τον εξής ισχυρισμό. Ισχυρισμος: Τα A 1, A 2,..., A 1, A c είναι ανεξάρτητα. Πράγματι, για k, έστω δείκτες 1 i 1 < i 2 <... < i k. Αν i k <, τότε τα A i1, A i2,..., A ik είναι ανεξάρτητα από υπόθεση. Επομένως P(A i1 A i2 A ik 1 A ik ) = P(A i1 ) P(A i2 ) P(A ik ) (11.1) 64

9 11.1 Τα λήμματα Borel-Catelli 65 Αν i k =, τότε P(A i1 A i2 A ik 1 A c ) = P(A i1 A i2 A ik 1 ) P(A i1 A i2 A ik 1 A ) = P(A i1 A i2 A ik 1 ) P(A i1 A i2 A ik 1 ) P(A ) = P(A i1 A i2 A ik 1 )(1 P(A )) = P(A i1 A i2 A ik 1 ) P(A c ) = P(A i1 ) P(A i2 ) P(A c ). Στη δεύτερη και στην τελευταία ισότητα χρησιμοποιήσαμε την ανεξαρτησία των A 1, A 2,..., A ik. Αρα και στις δύο περιπτώσεις η πιθανότητα της τομής ισούται με το γινομενο των πιθανοτήτων και ο ισχυρισμός αποδείχθηκε. Χρησιμοποιώντας τον ισχυρισμό, δείχνουμε επαγωγικά ότι τα A c 1, Ac 2,..., Ac είναι ανεξάρτητα. Το δεύτερο λήμμα Borel-Catelli αφορά την περίπτωση που η σειρά =1 P(A ) απειρίζεται. Ομως τώρα υποθέτουμε επιπλέον ότι τα (A ) 1 είναι ανεξάρτητα. Η ακριβής διατύπωση έχει ως εξής. Πρόταση 11.3 (Δεύτερο λήμμα Borel-Catelli). Εστω (A ) 1 ακολουθία ανεξάρτητων ενδεχομένων στον (Ω, F, P). Αν =1 P(A ) =, τότε P( sup A ) = 1. 1 Απόδειξη. Θα δείξουμε ότι P({ sup 1 A } c ) = 0. Εχουμε ότι P({ sup A } c ) = P( =1 k= Ac k ) = 1 P( k= Ac k ) εφόσον η ακολουθία (B ) 1 με B = k= Ac k για κάθε 1 είναι αύξουσα. Για δεδομένο 1 έχουμε P( k= Ac k ) = m P( m k= Ac k ) = m = m k= m P(A c k ) k= m m (1 P(A )) m k= e P(A k) = e mk= P(A k ) = e k= P(A k ) = e = 0. m Στη δεύτερη ισότητα χρησιμοποιήσαμε το Λήμμα 11.2, ενώ η ανισότητα προκύπτει από την 1 + x e x για κάθε x R. Αρα P(( sup A ) c ) = 0 και το ζητούμενο αποδείχθηκε. 1 Αν παραλείψουμε την υπόθεση της ανεξαρτησίας από τη διατύπωση του δεύτερου λήμματος Borel- Catelli, τότε το συμπέρασμά του ενδέχεται να μην ισχύει. Για παράδειγμα, αν πάρουμε λ το μέτρο Lebesgue στον Ω := [0, 1] (που είναι μέτρο πιθανότητας) και A = (0, 1/) για κάθε 1, τότε λ(a ) = 1/, και η σειρά =1 λ(a ) =, ενώ sup 1 A =. Κανένας αριθμός δεν ανήκει σε άπειρα από τα A. Βέβαια τα (A ) 1 δεν είναι ανεξάρτητα. Παράδειγμα Θεωρούμε το πείραμα ρίψης ενός νομίσματος άπειρες (αριθμήσιμες) φορές που φέρνει «κορώνα» (K) με πιθανότητα p (0, 1). Θα υπολογίσουμε την πιθανότητα P(K έρχεται απειρες φορές). Ο χώρος πιθανότητας του πειράματος είναι ο χώρος γινόμενο (Ω, F, P) των (Ω, F, P ) 1, όπου, για κάθε 1, Ω = {K, Γ} (Γ = το ενδεχόμενο «γράμματα»), F = P(Ω ) και P = P (p) (P (p) το μέτρο πιθανότητας με P (p) ({K}) = p). Για 1, θεωρούμε το ενδεχόμενο A = {έρχεται K στη ρίψη} και την τυχαία μεταβλητή X : Ω {K, Γ} με X (ω) = ω = το αποτέλεσμα της ρίψης.

10 66 Τα λήμματα Borel-Catelli και ο νόμος 0-1 του Kolmogorov Γνωρίζουμε ότι οι (X ) N είναι ανεξάρτητες (Πρόταση 10.8) και, εφόσον A = X 1 ({K}), έχουμε ότι τα (A ) 1 είναι ανεξάρτητα. Επιπλέον, P(A ) = p, άρα P(A ) =. =1 Από το 2ο λήμμα Borel-Catelli έχουμε ότι P( sup 1 A ) = 1, δηλαδή P(K έρχεται άπειρες φορές) = 1. Παρατήρηση Συνήθως για το sup A χρησιμοποιούμε τον συμβολισμό {A συμβαίνει άπειρες φορές}, και το σκεπτικό του είναι το εξής. Ο χώρος πιθανότητας (Ω, F, P) μοντελοποιεί ένα πείραμα, και μια πραγματοποίηση του πειράματος είναι ένα ω Ω (στο προηγούμενο παράδειγμα η πραγματοποίηση είναι ένα ω {K, Γ} N+ ). Πολλές φορές παρ όλ αυτά, αντιλαμβανόμαστε ότι το πείραμα γίνεται σε πολλά στάδια (π.χ. ρίχνουμε ένα νόμισμα άπειρες φορές, τη μία μετά την άλλη και όχι μονομιάς). Ορίζουμε A να είναι ένα σύνολο που αφορά το στάδιο, και αυτό πραγματοποιείται αν ω A. Τότε το να συμβεί το A άπειρες φορές (δηλαδή για άπειρα ) σημαίνει ακριβώς ότι η πραγματοποίηση ω ανήκει σε άπειρα από τα {A : 1}. Παράδειγμα Εστω (X ) 1 ανεξάρτητες και ισόνομες τυχαίες μεταβλητές με X 1 δηλαδή με πυκνότητα f (x) = e x 1 x>0. Θα δείξουμε ότι Exp(1), X = 1 με πιθανότητα 1. log [Μεταφράζοντας τη σημασία του, αυτό σημαίνει ότι για κάθε ε > 0 ισχύει X / log > 1 + ε για πεπερασμένα το πλήθος, ενώ ισχύει X / log > 1 ε για άπειρα το πλήθος. Αμεσα βλέπουμε τη συνάφεια των λημμάτων Borel-Catelli με το ερώτημα.] Για κάθε 1 και r > 0, θέτουμε A (r) = {X r log }. Τότε, Εστω r > 1. Τότε P(A (r) ) = P(X r log ) = e r log = 1 r. P(A ) <, και από το πρώτο λήμμα Borel-Catelli έχουμε ότι P( sup 1 A (r) ) = 0, άρα ( ) X P log r = 0. { } X Συνεπώς, θέτοντας C r = log r, έχουμε ότι ( άρα P ) X log > 1 =1 { } X log > 1 = k=1 C 1+ 1, k = 0 εφόσον P(C 1+ 1 ) = 0 για κάθε k 1. Επομένως, k ( ) X P log 1 = 1. (11.2)

11 11.2 Ο νόμος 0-1 του Kolmogorov* 67 Εστω r = 1. Τότε, εφόσον τα (A ) 1 είναι ανεξάρτητα (οι (X ) 1 είναι ανεξάρτητες) και P(A (1) 1 ) = =, =1 από το 2ο λήμμα Borel-Catelli, έχουμε ότι P( sup 1 A (1) ) = 1. Συνεπώς, για ω sup ότι X (ω) log για άπειρα 1. Δηλαδή, ( από το οποίο προκύπτει ότι P ζητούμενο. X log 1 =1 X (ω) log 1, ) 1 A (1) ισχύει = 1. Η τελευταία ισότητα μαζί με την (11.2) δίνουν το Παρατήρηση Στο προηγούμενο παράδειγμα, ορίσαμε κάποια σύνολα (τα A (r) και C r ) και μιλήσαμε για τις πιθανότητες τους. Τυπικά θα έπρεπε προηγουμένως να δείξουμε ότι είναι στοιχεία της F, δηλαδή είναι μετρήσιμα σύνολα. Δεν το κάναμε, ούτε θα το κάνουμε στο εξής για τα σύνολα που θα ορίζουμε. Ολα θα είναι μετρήσιμα, και η τυπική δικαιολόγηση αφήνεται στον αναγνώστη Ο νόμος 0-1 του Kolmogorov* Εστω (Ω, F, P) χώρος πιθανότητας, ((E, E )) 1 μετρήσιμοι χώροι και X : Ω E, 1, τυχαίες μεταβλητές. Για 1 θέτουμε C := σ({x k : k + 1}), τη σ-άλγεβρα που παράγεται από τις X +1, X +2,... Ορισμός Η τελική σ-άλγεβρα που παράγεται από τις (X ) 1 ορίζεται ως C = =1 C. Τι σημαίνει πρακτικά για ένα ενδεχόμενο A να ανήκει στην C ; Σημαίνει ότι για κάθε 1 η πραγματοποίση ή όχι του A δεν εξαρτάται από την τιμή που παίρνουν οι πρώτες από τις X i. Δηλαδή οποιοδήποτε δεδομένο πεπερασμένο πλήθος από τις X i δεν επηρεάζει την πραγματοποίηση του A. Αυτή η ασαφής περιγραφή θα γίνει ξεκάθαρη στο επόμενο παράδειγμα. Παράδειγμα Εστω (X ) 1 όπως προηγουμένως με τιμές στο R. Θεωρούμε τα σύνολα { 1 } A = {ω : k X k (ω) 1}, B = ω : k=1 X k(ω) 0, { } Γ = {ω : if 1 X (ω) 0}, = ω : X (ω) 10. Τα A, B ανήκουν στην C, ενώ τα Γ, δεν ανήκουν σε αυτήν αναγκαστικά. Πράγματι, όσον αφορά τα A, B, έχουμε ότι για κάθε m 1 ισχύει =1 και B = = ω : A = {ω : k X k (ω) 1} = {ω : k X m+1+k (ω) 1} C m 1 ω : 1 X k (ω) 0 = ω : 1 X k (ω) 0 C m k=1 k=m+1 m X k (ω) + 1 k=1 k=m+1 X k (ω) 0

12 68 Τα λήμματα Borel-Catelli και ο νόμος 0-1 του Kolmogorov εφόσον (προσοχή, το άθροισμα δεν εξαρτάται από το ) 1 m X k (ω) = 0. k=1 Αρα A, B C. Για τα Γ και αρκεί να παρατηρήσουμε ότι για συγκεκριμένες επιλογές των τυχαίων μεταβλητών (X ) 1, τα σύνολα Γ και εξαρτώνται από την τιμή του X 1. Για παράδειγμα, στο Γ, αν οι (X ) 1 είναι ανεξάρτητες και X 1 N(0, 1), X k U(1, 3) (ομοιόμορφη στο (1, 3)) για κάθε k 2, τότε Γ = {X 1 0}, το οποίο έχει πιθανότητα 1/2. Αν υποθέσουμε ότι Γ C, τότε Γ σ({x k : k 2}), και αυτή η σ-άλγεβρα είναι ανεξάρτητη από την σ(x 1 ), η οποία περιέχει το Γ. Αρα το Γ είναι ανεξάρτητο από το εαυτό του, δηλαδή P(Γ Γ) = P(Γ) P(Γ), το οποίο δίνει ότι P(Γ) {0, 1}. Ατοπο. Πριν κάνουμε τις παραπάνω αποδείξεις για τα A, B, βλέπουμε ότι για δεδομένο ω (δηλαδή για μία πραγματοποίηση του πειράματος), το αν ω A, δηλαδή το αν το A πραγματοποιήθηκε, δεν εξαρτάται από τις πρώτες τιμές της (X (ω)) 1. Για το A, η τιμή του μένει η ίδια αν αλλάξουμε, π.χ., τους πρώτους 1000 όρους της ακολουθίας. Το ίδιο συμβαίνει και με το B. Αυτή η παρατήρηση μας πείθει ότι A, B C και τη χρησιμοποιούμε στην τυπική απόδειξη. Το βασικό αποτέλεσμα αυτής της παραγράφου αφορά την τελική σ-άλγεβρα ακολουθίας ανεξάρτητων τυχαίων μεταβλητών. Θεώρημα (Νόμος 0-1 του Kolmogorov). Εστω (X ) 1 ανεξάρτητες τυχαίες μεταβλητές στον (Ω, F, P) και C η τελική σ-άλγεβρά τους. Αν C C, τότε P(C) = 0 ή 1. Η απόξειξη του θεωρήματος δίνεται στο Παράρτημα Βʹ. Το θεώρημα χρησιμοποιείται συνήθως για να δείξουμε ότι ένα γεγονός έχει πιθανότητα 1. Δείχνουμε ότι ανήκει στην τελική σ-άλγεβρα και έχει θετική πιθανότητα. Μια τέτοια χρήση γίνεται στην Ασκηση Το να δείξει κανείς ότι το γεγονός του ερωτήματος (β) της άσκησης έχει θετική πιθανότητα είναι πολύ απλό, ενώ το να δείξει ότι έχει πιθανότητα 1 είναι αρκετά περίπλοκο αν δεν χρησιμοποιήσουμε τον νόμο 0-1 του Kolmogorov. Αμεση συνέπεια του νόμου 0-1 είναι το ακόλουθο πόρισμα. Πόρισμα Εστω (X ) N ανεξάρτητες τυχαίες μεταβλητές στον (Ω, F, P) και X : Ω [, ] τυχαία μεταβλητή C -μετρήσιμη. Τότε η X είναι σταθερή με πιθανοτητα 1. Απόδειξη. Εφόσον η X είναι C -μετρήσιμη, τα σύνολα {X = }, {X = } είναι στοιχεία της C, και επομένως έχουν πιθανότητα 0 ή 1. Αν κάποιο από αυτά έχει πιθανότητα 1, δείχθηκε το ζητούμενο. Διαφορετικά, έχουμε ότι η X παίρνει τιμές στο R. Σε αυτή την περίπτωση, για τη συνάρτηση κατανομής της, F, το Θεώρημα δίνει ότι για κάθε x R ισχύει F(x) = P(X x) = P(X 1 ((, x])) {0, 1}. (11.3) Ξέρουμε όμως ότι η F είναι αύξουσα, δεξιά συνεχής και F( ) = 0, F( ) = 1. Αυτές οι ιδιότητες μαζί με την (11.3) συνεπάγονται ότι υπάρχει c R τέτοιο ώστε 0 αν x < c, F(x) = 1 αν x c. Συνεπώς P(X = c) = F(c) F(c ) = 1, δηλαδή η X ισούται με τη σταθερά c με πιθανότητα 1. Παρατήρηση Στην απόδειξη του Πορίσματος 11.11, από το ότι η X είναι C -μετρήσιμη χρησιμοποιήσαμε μόνο ότι όλα τα σύνολα της C έχουν πιθανότητα 0 ή 1. Ετσι, το ίδιο επιχείρημα δίνει ότι αν η X είναι τυχαία μεταβλητή στον (Ω, F, P) με τιμές στο [, ] και A F σ-άλγεβρα τέτοια ώστε η X να είναι A/B([, ])-μετρήσιμη και P(A) {0, 1} για κάθε A A, τότε η X είναι σταθερή με πιθανότητα 1.

13 11.2 Ο νόμος 0-1 του Kolmogorov* 69 Επιστρέφουμε στο Παράδειγμα Εκεί η Z := (X / log ) είναι μια C -μετρήσιμη τυχαία μεταβλητή με τιμές στο [0, ] και οι (X ) 1 είναι ανεξάρτητες. Το Πόρισμα εφαρμόζεται. Αρα εκ των προτέρων ξέρουμε ότι η Z είναι σταθερή με πιθανότητα 1. Ασκήσεις 11.1* Εστω (A ) 1 ακολουθία ανεξάρτητων ενδεχομένων με P(A ) < 1 για κάθε 1 και P( =1 A ) = 1. Να δείξετε ότι P(A ) =. = Εστω (X ) 1 ακολουθία τυχαίων μεταβλητών με P(X 0) = 1 2 για κάθε 1. Να δείξετε ότι με πιθανότητα 1 για κάθε ω Ω, υπάρχει (ω) N ώστε X (ω) = 0 για κάθε (ω). (Συνεπώς X 0 με πιθανότητα 1.) 11.3 Στην Ασκηση 10.9, να δειχθεί ότι επίσης m 0 και M 1 σχεδόν βέβαια καθώς Εστω (X ) 1 ακολουθία ανεξάρτητων τυχαίων μεταβλητών ώστε Να δειχθεί ότι (α) X 0 κατά πιθανότητα καθώς, P(X = 1) = 1, P(X = 0) = 1 1. (β) αλλά δεν ισχύει X 0 σχεδόν βεβαίως. Μάλιστα P( X = 0) = Εστω (X ) 1 ακολουθία ανεξάρτητων και ισόνομων τυχαίων μεταβλητών με τιμές στο [0, ) ώστε P(X 1 > 0) > 0. Να δειχθεί ότι με πιθανότητα 1 ισχύει X =. = Εστω (X ) 1 ακολουθία τυχαίων μεταβλητών με τιμές στο R. Να δείξετε ότι υπάρχει ακολουθία (a ) 1 πραγματικών θετικών αριθμών τέτοια ώστε P ( X = 0 ) = 1. a 11.7 Εστω (X ) 1 ακολουθία ανεξάρτητων τυχαίων μεταβλητών με τιμές στο R. Να δείξετε ότι για την τυχαία μεταβλητή X = sup X ισχύει ότι P(X < ) = 1 αν και μόνο αν υπάρχει M R έτσι ώστε P(X > M) < * Εστω (X ) 1 ακολουθία ανεξάρτητων τυχαίων μεταβλητών με X N(0, 1) για κάθε 1. Να δείξετε ότι με πιθανότητα 1 ισχύει X = 1. (11.4) 2 log 11.9 Εστω (X ) 1 ακολουθία ανεξάρτητων τυχαίων μεταβλητών με X Exp(1) για κάθε 1. Αν M := max{x 1, X 2,..., X } για κάθε 1, να δείξετε ότι με πιθανότητα 1 ισχύει M = 1. (11.5) log = Εστω (X ) 1 ανεξάρτητες και ισόνομες τυχαίες μεταβλητές με P(X 1 = K) = P(X 1 = Γ) = 1/2. Οι (X ) 1 καταγράφουν τα αποτελέσματα ακολουθίας ρίψεων ενός αμερόληπτου νομίσματος. Για κάθε 1 θέτουμε L := max{m 1 : X = X +1 =... = X +m 1 }. Για παράδειγμα, αν οι ρίψεις δώσουν το αποτέλεσμα (K, K, Γ, Γ, K, Γ, Γ, Γ, K,...), τότε L 1 (ω) = 2, L 5 (ω) = 1, και L 6 (ω) = 3. Δείξτε ότι L (α) 1, με πιθανότητα 1. log 2 (β) L = 1, με πιθανότητα 1.

14 70 Τα λήμματα Borel-Catelli και ο νόμος 0-1 του Kolmogorov 11.11* Εστω (X ) 1 ακολουθία ανεξάρτητων και ισόνομων τυχαίων μεταβλητών. Να δείξετε ότι τα ακόλουθα είναι ισοδύναμα: X (α) = 0. (β) E X 1 < Εστω (X ) 1 ακολουθία ανεξάρτητων και ισόνομων τυχαίων μεταβλητών με τιμές στο [0, ), και c > 1. Να δείξετε ότι τα ακόλουθα είναι ισοδύναμα: (α) E{(log X 1 ) + } <. (β) =1 X c < με πιθανότητα * Εστω (X ) 1 ακολουθία ισόνομων και ανεξάρτητων τυχαίων μεταβλητών με τιμές στο R ώστε η κατανομή της X 1 να μην είναι συγκεντρωμένη σε ένα σημείο (δηλαδή δεν υπάρχει c R με P(X = c) = 1). Να δειχθεί ότι P( X υπάρχει ) = Εστω (X ) 1 θετικές τυχαίες μεταβλητές. Να δειχθεί ότι με πιθανότητα 1 ισχύει 1 log X 1 log E X. (11.6) Εστω (X i ) i 1 ακολουθία τυχαίων μεταβλητών με τιμές στο R και C := =1 σ(x, X +1,...) η τελική σ-άλγεβρα. (α) Υποθέτουμε ότι οι X i έχουν θετικές τιμές. Ποιες από τις παρακάτω τυχαίες μεταβλητές είναι C μετρήσιμες; (i) (iv) k=1 X, (ii) X k, (v) 2 (X k + X +1 ). (β) Ποια από τα παρακάτω σύνολα είναι στοιχεία της C ; X 1 + X X, (iii) (X 1 + X X ), (i) X <, (ii) { X 1 + X X = 0 για άπειρα }, =1 { } (iii) X 1 + X X 1, (iv) X συγκλίνει σε πραγματικό άριθμό, =1 2 (v) X k > 0 για άπειρα. k= [Σχόλιο: Καταρχάς, τα ερωτήματα να απαντηθούν διαισθητικά. Επειτα, σχετικά με το (β), για τα σύνολα τα οποία είναι στοιχεία της C να αποδειχθεί αυτό τυπικά. Για τα υπόλοιπα, να μην αποδειχθεί τίποτε. Για εκείνα δεν ισχυριζόμαστε ότι πάντοτε δεν είναι στοιχεία της C. Εξαρτάται από τη συγκεκριμένη επιλογή της ακολουθίας (X i ) i 1. Παρόμοιο σχόλιο ισχύει για το μέρος (α) της άσκησης.] Εστω (X ) 1 ακολουθία ανεξάρτητων τυχαίων μεταβλητών, καθεμία με κατανομή την τυπική κανονική N(0, 1). Για κάθε 1 θέτουμε S := X 1 + X X. (α) Για κάθε A > 0 και 1 να δειχθεί ότι ( ) S P A = 1 Φ(A) > 0,

15 11.2 Ο νόμος 0-1 του Kolmogorov* 71 όπου Φ είναι η συνάρτηση κατανομής της N(0, 1). [Εδώ μπορείτε να χρησιμοποιήσετε πράγματα για κανονικές τυχαίες μεταβλητές και αθροίσματα τους από τις στοιχειώδεις πιθανότητες.] (β) Για κάθε A > 0, με πιθανότητα 1 ισχύει S A. (γ) Με πιθανότητα 1 ισχύει S = Εστω (Ω, F, P) χώρος πιθανότητας και {A i : i I} στοιχεία της F. (α) Θεωρούμε τις τυχαίες μεταβλητές X i := 1 Ai, i I. Να δειχθεί ότι οι {X i : i I} είναι ανεξάρτητες αν και μόνο αν τα {A i : i I} είναι ανεξάρτητα. (β) Υποθέτουμε ότι I = N +. Αν τα {A : N + } είναι ανεξάρτητα, τότε τα σύνολα if 1 A, sup 1 A έχουν πιθανότητα 0 ή Εστω (X ) 1 ακολουθία ανεξάρτητων τυχαίων μεταβλητών με τιμές στο R. Θεωρούμε τη δυναμοσειρά f (z) = X z. =0 (α) Να δειχθεί ότι η ακτίνα σύγκλισης R της f είναι μετρήσιμη ως προς την τελική σ-άλγεβρα των (X ) 1 και άρα είναι σταθερή με πιθανότητα 1. (β) Αν υποθέσουμε επιπλέον ότι καθεμία από τις (X ) 1 έχει κατανομή N(0, 1), τότε με πιθανότητα 1 ισχύει R = Εστω (Ω, F, P) χώρος πιθανότητας, και {A : 1} στοιχεία της F τα οποία είναι ανα δύο ανεξάρτητα (δηλαδή P(A i A j ) = P(A i ) P(A j ) για κάθε i, j 1, i j). Θέτουμε και (α) Να δειχθεί ότι (β) Για κάθε ε > 0, να δειχθεί ότι S := s := E(S 2 ) = s + s 2 i=1 1 Ai P(A i ). i=1 P(A i ) 2 s + s 2. i=1 s 2 P(S εs ) (1 ε) 2. s 2 + s [Υπόδειξη: Ασκηση 6.6.] (γ)* Αν επιπλέον ισχύει ότι i=1 P(A i ) =, να δειχθεί ότι P( sup A ) = 1. [Η άσκηση αυτή γενικεύει το 2ο λήμμα Borel-Catelli κατά το ότι υποθέτουμε τα {A : 1} ανά δύο ανεξάρτητα και όχι απαραίτητα πλήρως ανεξάρτητα.] Εστω (Ω, F, P) χώρος πιθανότητας και {A : 1} στοιχεία της F για τα οποία ισχύει i=1 P(A i ) = και υπάρχει C (0, ) ώστε P(A i A j ) C P(A i ) P(A j ) για κάθε i, j 1. Να δειχθεί ότι P( sup A ) 1/C > 0.

16 12 Ο Ισχυρός Νόμος των Μεγάλων Αριθμών Στο κεφάλαιο αυτό παρουσιάζουμε ένα από τα σημαντικότερα αποτελέσματα της Θεωρίας Πιθανοτήτων, τον ισχυρό νόμο των μεγάλων αριθμών. Η διατύπωση που θα αποδείξουμε δεν είναι η ισχυρότερη μορφή του νόμου, όμως η απόδειξή της είναι ευκολότερη τεχνικά και διατηρεί αρκετά από τα στοιχεία της απόδειξης της ισχυρής μορφής Το θεώρημα Θεώρημα 12.1 (Ισχυρός Νόμος των Μεγάλων Αριθμών). Εστω (X ) 1 ανεξάρτητες και ισόνομες τυχαίες μεταβλητές στον (Ω, F, P) με τιμές στο R έτσι ώστε E ( X 2 1) <. Θέτουμε µ = E(X1 ) και S = k=1 X k για κάθε 1. Τότε S = µ με πιθανότητα 1. Απόδειξη. Εστω σ 2 = Var(X 1 ). Πρώτα θα αποδείξουμε το ζητούμενο για (X ) N με τιμές στο [0, ]. Για 1, θέτουμε Y = S µ. Τότε E(Y ) = 1 E(S ) µ = 1 E(X 1) µ = 0, και E ( ( Y) 2 = Var(Y 2 S ) ) = Var = 1 Var(S ). 2 Ομως Var(S ) = Var(X 1 ) εφόσον οι (X ) 1 είναι ανεξάρτητες. Επομένως, Ετσι, για την υπακολουθία (Y 2) 1, έχουμε ότι E ( Y 2 ) σ 2 =. { } E Y 2 = 2 =1 =1 σ 2 2 <. Αρα, με πιθανότητα 1, =1 Y 2 2 <, συνεπώς Y 2 = 0. Τώρα, από το Y 2 = 0, θέλουμε να περάσουμε στο Y = 0. Εστω k 1. Θέτουμε (k) = [ k]. Τότε S (k) 2 ((k) + 1) S k 2 k S ((k)+1)2 (k) 2 εφόσον (k) k (k) + 1 και η S είναι άθροισμα θετικών όρων. Ομως, για, με πιθανότητα 1, S (k) 2 ((k) + 1) = S ( (k) ) 2 (k)2 µ 2 (k) 2 (k)

17 12.1 Το θεώρημα 73 και S ((k)+1) 2 = S ( (k) + 1 ) 2 ((k)+1)2 µ. (k) 2 ((k) + 1) 2 (k) S k Αρα, με πιθανότητα 1, έχουμε ότι k k = µ. Στην περίπτωση που οι (X ) 1 παίρνουν τιμές στο [, ], έχουμε S = X 1 + X X = X+ 1 + X X+ X 1 + X X Οι (X + ) N, όπως και οι (X ) N, είναι ανεξάρτητες και ισόνομες και E ( (X 1 + )2) <, E ( (X1 )2) < εφόσον (X 1 + )2 X1 2, (X 1 )2 X1 2. Από τα προηγούμενα, έχουμε ότι X X X+ και X1 + X X με πιθανότητα 1. Συνεπώς, με πιθανότητα 1, = E(X + 1 ), = E(X + 1 ). S = E(X+ 1 ) E(X 1 ) = µ. Το συμπέρασμα του θεωρήματος ισχύει και αν αντί της E(X1 2) < υποθέσουμε ότι E X 1 <, δηλαδή κάτι λιγότερο. Αυτή είναι η γενική μορφή του νόμου των μεγάλων αριθμών και στο εξής θα τον θεωρούμε δεδομένο με αυτή, την ισχυρότερη μορφή. Στην Ασκηση 12.3 διατυπώνεται ένα είδος αντίστροφου του νόμου των μεγάλων αριθμών. Δηλαδή, αν ο μέσος όρος ανεξάρτητων και ισόνομων τυχαίων μεταβλητών συγκλίνει με πιθανότητα 1 σε πεπερασμένο αριθμό, τότε αναγκαστικά E X 1 <. Αρα η υπόθεση E X 1 < στο θεώρημα είναι απαραίτητη για την ισχύ του συμπεράσματος. Επίσης, στην Ασκηση 12.2 δείχνουμε ότι το συμπέρασμα του νόμου των μεγάλων αριθμών ισχύει ακόμα και όταν η μέση τιμή µ := E(X 1 ) είναι ή. Αρα το συμπέρασμα ισχύει πάντοτε όταν η E(X 1 ) μπορεί να οριστεί. Οταν η E(X 1 ) δεν μπορεί να οριστεί, δηλαδή όταν E(X 1 + ) = E(X 1 ) =, τότε ισχύει ακριβώς ένα από τα εξής (i) S (ii) S (iii) S = με πιθανότητα 1. = με πιθανότητα 1. =, S = με πιθανότητα 1. Ποιο από τα σενάρια συμβαίνει εξαρτάται από την κατανομή της X 1 και υπάρχει μάλιστα κριτήριο που το καθορίζει αλλά δεν θα το διατυπώσουμε [δες Erickso (1973)]. Σύμβαση: Αν (X ) 1 είναι ακολουθία τυχαίων μεταβλητών με τιμές στο R, στο εξής θα συμβολίζουμε με S το -οστό μερικό άθροισμά τους. Πόρισμα (Ο Ασθενής Νόμος των Μεγάλων Αριθμών) Εστω (X ) 1 ανεξάρτητες και ισόνομες τυχαίες μεταβλητές με τιμές στο R έτσι ώστε µ := E ( X 1 ) R. Τότε S = µ κατά πιθανότητα.

18 74 Ο Ισχυρός Νόμος των Μεγάλων Αριθμών Απόδειξη. Επεται από τον ισχυρό νόμο των μεγάλων αριθμών (ισχυρή μορφή) και το ότι η σχεδόν βέβαιη σύγκλιση συνεπάγεται την κατά πιθανότητα [Θεώρημα 8.2(ii))]. Παρατήρηση 12.3 (Η μέθοδος Mote Carlo). Ο νόμος των μεγάλων αριθμών δικαιολογεί την εξής μέθοδο για τον προσεγγιστικό υπολογισμό μέσης τιμής μιας δεδομένης τυχαίας μεταβλητής X. Παράγουμε με κάποιο τρόπο έναν μεγάλο αριθμό ανεξάρτητων πραγματοποιήσεων της τ.μ. X, έστω x 1, x 2,..., x, και υπολογίζουμε τον μέσο τους όρο (x 1 + x x )/. Αυτός ο μέσος όρος είναι η ζητούμενη προσέγγιση. Με αυτή τη μέθοδο μπορούμε να βρούμε προσεγγίσεις για οποιαδήποτε ποσότητα μπορεί να παρασταθεί ως μέση τιμή κάποιας τ.μ. Η ποσότητα ενδέχεται να εμφανίζεται φυσιολογικά ως μέση τιμή σε κάποιο πρόβλημα πιθανοτήτων και να μην μπορεί να υπολογιστεί με κλειστό τύπο. Επίσης μπορεί να μην έχει καμία σχέση με πιθανότητες. Για παράδειγμα, για τον αριθμό π έχουμε την αναπαράσταση π = 4 E(1 U 2 +V 2 <1) όπου οι U, V είναι ανεξάρτητες ομοιόμορφες τυχαίες μεταβλητές στο ( 1, 1). Η τ.μ. (U, V) είναι ομοιόμορφη στο τετράγωνο ( 1, 1) ( 1, 1) και η μέθοδος Mote Carlo για την προσέγγιση της E(1 U 2 +V 2 <1) παίρνει πολλές πραγματοποιήσεις της (U, V) και υπολογίζει το ποσοστό αυτών που πέφτουν μέσα στον μοναδιαίο δίσκο Δύο εφαρμογές Ανανεωτική θεωρία. Εστω (X ) 1 ανεξάρτητες και ισόνομες τυχαίες μεταβλητές με τιμές στο [0, ). Θέτουμε T 0 := 0, T := X 1 + X X για κάθε 1. Η ερμηνεία που σκεφτόμαστε για τις ακολουθίες (X ) 1, (T ) 1 είναι η εξής. Για το φωτισμό ενός δωματίου, έχουμε άπειρο πλήθος λαμπών, κάθε μία από τις οποίες έχει τυχαίο χρόνο ζωής. X είναι ο χρόνος ζωής της λάμπας. Τη χρονική στιγμή 0 τοποθετούμε τη λάμπα 1. Μόλις αυτή καεί, τοποθετούμε τη λάμπα 2 και συνεχίζουμε όμοια. T είναι ο χρόνος που καίγεται η λάμπα. Τώρα για t 0, θέτουμε N t := sup{ 0 : T t}. Η τυχαία μεταβλητή N t μετράει πόσες λάμπες κάηκαν κατά το χρονικό διάστημα [0, t]. Εστω ότι µ := E(X 1 ). Αφού κάθε λάμπα ζει περίπου χρόνο µ, για το χρονικό διάστημα [0, t] αναμένουμε να χρειάζονται t/µ λάμπες περίπου. Δηλαδή N t t/µ. Θεώρημα Με πιθανότητα 1 ισχύει N t t t Απόδειξη. Από το νόμο των μεγάλων αριθμών, υπάρχει ένα μετρήσιμο σύνολο A Ω με P(A) = 1 ώστε για κάθε ω A να ισχύει T = µ. (12.1) Από τον ορισμό του N t έχουμε T Nt t T Nt +1, και άρα Ισχυρισμος: Για κάθε ω Ω ισχύει N t. = 1 µ. T Nt t T N t +1 = T N t +1 N t + 1. (12.2) N t N t N t N t + 1 N t

19 12.2 Δύο εφαρμογές 75 Πράγματι, επειδή η N t είναι αύξουσα συνάρτηση του t, αν δεν ισχύει ο ισχυρισμός, τότε η N t θα ήταν φραγμένη. Δηλαδή θα υπάρχει φυσικός l 1 ώστε N t l για κάθε t 0. Αρα X 1 + X X l t για κάθε t 0, το οποίο δεν μπορεί να ισχύει γιατί οι X 1, X 2,.., X l παίρνουν πραγματικές τιμές (και όχι την τιμή ). Για ω A, και χρησιμοποιώντας τον ισχυρισμό και την (12.1), έχουμε T Nt t N t = t T Nt +1 N t + 1 = µ. Αρα για t, η (12.2) δίνει t t/n t = µ που είναι το ζητούμενο. Εντροπία. Εστω X διακριτή τυχαία μεταβλητή, S το (αριθμήσιμο) σύνολο τιμών της, και f (x) = P(X = x) η συνάρτηση πιθανότητας της. Εντροπία της X ονομάζουμε τον αριθμό H(X) := f (x) log f (x) (12.3) x S με τη σύμβαση 0 log 0 = 0. Ισχύει H(X) 0 γιατί f (x) [0, 1]. Επίσης, H(X) = E{log f (X)}. Η εντροπία της X εκφράζει το μέγεθος της αβεβαιότητας που έχουμε για την τιμή που θα πάρει η X αν επιχειρήσουμε να παραγάγουμε μια πραγματοποίηση της. Ας πούμε ότι η X παίρνει τιμές στο {x 1, x 2,..., x k } με αντίστοιχες πιθανότητες p j := P(X = x j ). Αν p 1 = 1 και p 2 = = p k = 0, τότε H(X) = 0, και βέβαια δεν υπάρχει καμία αβεβαιότητα για την πραγματοποίηση της X, θα είναι x 1. Η εντροπία μεγιστοποιείται όταν p 1 = p 2 = = p k = 1/k (Ασκηση 12.8). Τότε όλα τα ενδεχόμενα είναι το ίδιο πιθανά και η αβεβαιότητα μας μέγιστη. Σε περίπτωση άνισων πιθανοτήτων, η αβεβαιότητα είναι μικρότερη γιατί περιμένουμε η X να πάρει μία από τις τιμές που έχουν μεγαλύτερη πιθανότητα. Τον Ορισμό (12.3) υπαγορεύει ένας υπολογισμός που θα δούμε αμέσως τώρα. Ο ίδιος υπολογισμός δίνει και την εμπειρική σημασία της εντροπίας. Εστω (X k ) k 1 ακολουθία ανεξάρτητων και ισόνομων διακριτών τυχαίων μεταβλητών, καθεμία ισόνομη με τη X. Για 1 σταθερό και δεδομένα x 1, x 2,..., x S, υπολογίζουμε την πιθανότητα οι πραγματοποιήσεις (X 1, X 2,..., X ) της X να ταυτιστούν με το διάνυσμα (x 1, x 2,..., x ). Αυτή ισούται με p (x 1, x 2,..., x ) := P(X 1 = x 1, X 2 = x 2,..., X = x ) = f (x 1 ) f (x 2 ) f (x ). (12.4) Για παράδειγμα, όταν η X παίρνει τις τιμές 1 και 0 με πιθανότητες p := 1/3 και 2/3 αντίστοιχα, τότε f (x) = p x (1 p) 1 x 1 x {0,1} και η πιθανότητα εμφάνισης της -άδας (x 1, x 2,..., x ) {0, 1} είναι ( ) x1 + +x 1 ( ) x1 x Αυτή η πιθανότητα παίρνει τιμές από (1/3) ως και (2/3). Δεν είναι σταθερή, η τιμή της εξαρτάται από την επιλογή της -άδας (x 1, x 2,..., x ). Ομως η πιθανότητα πραγματοποίησης μιας τυχαίας -άδας (X 1, X 2,..., X ) είναι περίπου η ίδια σχεδόν για κάθε πραγματοποίηση της (X 1, X 2,..., X ). Πιο συγκεκριμένα, στη γενική περίπτωση θέλουμε να εκτιμήσουμε την p (X 1, X 2,..., X ). Αυτή η πιθανότητα είναι μια τυχαία μεταβλητή (εξαρτάται από τις X 1, X 2,..., X ), φθίνει εκθετικά με το και από το νόμο των μεγάλων αριθμών έχουμε 1 log p (X 1, X 2,..., X ) = 1 log f (X 1) f (X 2 ) f (X ) = log f (X 1) + log f (X 2 ) + + log f (X ) με πιθανότητα 1 καθώς. Δηλαδή, με πιθανότητα 1, για μεγάλο, ισχύει p (X 1, X 2,..., X ) e H(X). E(log f (X 1 )) = H(X) (12.5)

20 76 Ο Ισχυρός Νόμος των Μεγάλων Αριθμών Στο παράδειγμα πιο πάνω, H(X) = (1/3) log(1/3) (2/3) log(2/3) και η e H(X) είναι μια πιθανότητα ανάμεσα στις (1/3), (2/3). Ας υποθέσουμε ότι το S είναι πεπερασμένο. Αν ορίσουμε A ε = {(x 1, x 2,..., x ) S : e (H(X)+ε) < p (x 1, x 2,..., x ) < e (H(X) ε) }, τότε P(A ε ) 1 λόγω της (12.5). Ακολουθίες στο A ε τις λέμε ε-τυπικές. Αφού όλες τους έχουν πιθανότητα περίπου e H(X) και το άθροισμα των πιθανοτήτων τους είναι σχεδόν 1, το A ε έχει πληθικότητα περίπου e H(X). Στη γενική περίπτωση ισχύει H(X) < log S (Ασκηση 12.8), οπότε το A ε είναι (από πλευράς πληθικότητας) ένα πολύ μικρό κομμάτι του S αφού το S έχει πληθικότητα S = e log S. Παρ όλα αυτά, το A ε συγκεντρώνει σχεδόν όλη την πιθανότητα. Η έννοια της εντροπίας είναι κεντρικής σημασίας στη Θεωρία Πληροφορίας και έχει πολλές εφαρμογές (δες Cover ad Thomas (2014)). Ασκήσεις 12.1 (Ασθενής Νόμος των Μεγάλων Αριθμών. Ασθενής έκδοση.) Εστω (X ) N ανεξάρτητες και ισόνομες τυχαίες μεταβλητές με τιμές στο R έτσι ώστε E ( X1) 2 <. Θέτουμε µ = E(X1 ). Χωρίς χρήση του ισχυρού νόμου των μεγάλων αριθμών να δειχθεί ότι Δηλαδή η ακολουθία S ( P S µ συγκλίνει στο µ κατά πιθανότητα. ) > ɛ = 0 για κάθε ɛ > * Εστω (X ) N ανεξάρτητες και ισόνομες τυχαίες μεταβλητές με τιμές στο R έτσι ώστε E(X 1 + ) = και E(X 1 ) <. Να δείξετε ότι S = με πιθανότητα * (Αντίστροφο του Νόμου των Μεγάλων Αριθμών) Εστω (X ) 1 ανεξάρτητες και ισόνομες τυχαίες μεταβλητές S με τιμές στο R έτσι ώστε = µ σχεδόν βεβαίως με µ R. Να δείξετε ότι E X 1 < και E(X 1 ) = µ. [Υπόδειξη: Χρήσιμη είναι η Ασκηση ] 12.4 Εστω (X ) 1 ανεξάρτητες και ισόνομες τυχαίες μεταβλητές με X 1 N(1, 3). Να δείξετε ότι με πιθανότητα 1. X 1 + X X (X 1 ) 2 + (X 2 ) (X ) 2 = Εστω (X ) N ανεξάρτητες και ισόνομες τυχαίες μεταβλητές με τιμές στο R έτσι ώστε E( X 1 ) < και E(X 1 ) > 0. Να δείξετε ότι S = με πιθανότητα Εστω (U i ) i 1 ακολουθία ανεξάρτητων και ισόνομων τυχαίων μεταβλητών, καθεμία με κατανομή U(0, 1), δηλαδή ομοιόμορφη στο (0, 1). Να δειχθεί ότι (α) (U 1 U 2 U ) 1/ = e 1 με πιθανότητα 1. (β) U 1 U 2 U = 0 με πιθανότητα 1. U1 (γ) a 1 + +Ua 1+a με πιθανότητα 1 αν a > 1, = με πιθανότητα 1 αν a Εστω (X i ) i 1 ακολουθία ανεξάρτητων και ισόνομων τυχαίων μεταβλητών με µ = E(X 1 ) R και σ 2 = V(X 1 ) <. Να δειχθεί ότι 1 (X k µ) 2 = σ 2 με πιθανότητα 1. k=1

21 12.2 Δύο εφαρμογές Εστω k 2, S = {x 1,..., x k } σύνολο με k στοιχεία, και X τυχαία μεταβλητή με τιμές στο S. Να δειχθεί ότι H(X) log k και η ισότητα ισχύει αν και μόνο αν P(X = x j ) = 1/k για κάθε 1 j k. [Υπόδειξη: Εφαρμόστε κατάλληλα την ανισότητα Jese.] 12.9 Εστω (X k ) k 1 ακολουθία ανεξάρτητων και ισόνομων τυχαίων μεταβλητών με τιμές στο S = {1, 2,..., r} και f η συνάρτηση πιθανότητας της X 1. Εστω επίσης (Y k ) k 1 ακολουθία ανεξάρτητων και ισόνομων τυχαίων μεταβλητών με τιμές στο S και g η συνάρτηση πιθανότητας της Y 1. Υποθέτουμε ότι για k S ισχύει f (k) = 0 g(k) = 0. Ορίζουμε την p όπως στην (12.4). Δείξτε ότι η πιθανότητα p (Y 1, Y 2,..., Y ) φθίνει εκθετικά και υπολογίστε το ρυθμό μείωσης. Αυτή είναι η πιθανότητα στις πρώτες συντετεγμένες η ακολουθία X να μοιάζει με δείγμα παρμένο από την Y.

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

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

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

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

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 Μη Παραμετρικός Υπολογισμός πυκνότητας με εκτίμηση Ιστόγραμμα Παράθυρα Parzen Εξομαλυμένη Kernel Ασκήσεις 1 Μη Παραμετρικός Υπολογισμός πυκνότητας με εκτίμηση Κατά τη

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

{ 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

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

«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

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

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

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

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

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

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

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

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

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

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

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

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

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

( 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

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

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

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

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

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

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

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

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

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

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

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: 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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Το εγχειρίδιο του καλού κηπουρού

Το εγχειρίδιο του καλού κηπουρού Το εγχειρίδιο του καλού κηπουρού 1. Φροντίδα των φυτών Αφού αποφάσισες να φυτέψεις πρέπει να είσαι έτοιμος να ασχοληθείς με τα φυτά σου και να παρακολουθείς τις ανάγκες τους. Θα πρέπει να ποτίζεις όποτε

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

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

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

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

23/2/07 Sleep out Πλατεία Κλαυθμώνος

23/2/07 Sleep out Πλατεία Κλαυθμώνος 23/2/07 Sleep out Πλατεία Κλαυθμώνος Μια βραδιά στο λούκι με τους αστέγους «Έχετε ποτέ σκεφτεί να κοιμηθείτε μια χειμωνιάτικη νύχτα στο δρόμο;» Με αυτό το ερώτημα απευθύναμε και φέτος την πρόσκληση στους

Διαβάστε περισσότερα

ÅéêïóéäùäåêÜåäñïí. www.mathematica.gr. Ìáèçìáôéêü Äåëôßï. Ôåý ïò 13ï. Ïêôþâñéïò 2014 ISSN: 2241-7133

ÅéêïóéäùäåêÜåäñïí. www.mathematica.gr. Ìáèçìáôéêü Äåëôßï. Ôåý ïò 13ï. Ïêôþâñéïò 2014 ISSN: 2241-7133 ÅéêïóéäùäåêÜåäñïí Ìáèçìáôéêü Äåëôßï Ôåý ïò 3ï Ïêôþâñéïò 04 www.mathematica.gr ISSN: 4-733 Το «Εικοσιδωδεκάεδρον» παρουσιάζει ϑέματα που έχουν συζητηθεί στον ιστότοπο http://www.mathematica.gr. Η επιλογή

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

ΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ

ΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ ΜΑΘΗΜΑ: ΕΡΩΤΗΣΕΙΣ ΣΤΗ ΔΗΜΟΣΙΑ ΟΙΚΟΝΟΜΙΚΗ ΠΕ Tα Πανεπιστημιακά Φροντιστήρια «ΚΟΛΛΙΝΤΖΑ» προετοιμάζοντας σε ολιγομελείς ομίλους τους υποψήφιους για τον επικείμενο διαγωνισμό του Υπουργείου Οικονομικών, με

Διαβάστε περισσότερα

Η ΕΝΝΟΙΑ ΤΗΣ ΠΟΙΟΤΗΤΑΣ ΣΤΗΝ ΑΝΑΛΥΣΗ ΤΗΣ ΖΗΤΗΣΗΣ ΤΡΟΦΙΜΩΝ : ΜΙΑ ΜΙΚΡΟΟΙΚΟΝΟΜΕΤΡΙΚΗ ΠΡΟΣΕΓΓΙΣΗ

Η ΕΝΝΟΙΑ ΤΗΣ ΠΟΙΟΤΗΤΑΣ ΣΤΗΝ ΑΝΑΛΥΣΗ ΤΗΣ ΖΗΤΗΣΗΣ ΤΡΟΦΙΜΩΝ : ΜΙΑ ΜΙΚΡΟΟΙΚΟΝΟΜΕΤΡΙΚΗ ΠΡΟΣΕΓΓΙΣΗ ΓΕΩΠΟΝΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΑΓΡΟΤΙΚΗΣ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΑΝΑΠΤΥΞΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΟΡΓΑΝΩΣΗ ΚΑΙ ΔΙΟΙΚΗΣΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΤΡΟΦΙΜΩΝ & ΓΕΩΡΓΙΑΣ ΣΥΝΕΡΓΑΖΟΜΕΝΟ ΤΜΗΜΑ: ΕΠΙΣΤΗΜΗΣ & ΤΕΧΝΟΛΟΓΙΑΣ

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

ΚΛΑΔΟΣ: ΠΕ11 ΦΥΣΙΚΗΣ ΑΓΩΓΗΣ

ΚΛΑΔΟΣ: ΠΕ11 ΦΥΣΙΚΗΣ ΑΓΩΓΗΣ ΚΛΑΔΟΣ: ΠΕ11 ΦΥΣΙΚΗΣ ΑΓΩΓΗΣ Μάθημα: Ενόργανη Γυμναστική Χρήσιμα θεωρία στο κεφάλαιο της ενόργανης γυμναστικής για το γνωστικό αντικείμενο ΠΕ11 της Φυσικής Αγωγής από τα Πανεπιστημιακά Φροντιστήρια Κολλίντζα.

Διαβάστε περισσότερα

ΑΡΧΗ 1ΗΣ ΣΕΛΙ ΑΣ Β ΤΑΞΗ ΚΕΙΜΕΝΟ. Πέµπτη 19 Νοεµβρίου 1942. Αγαπητή Κίττυ,

ΑΡΧΗ 1ΗΣ ΣΕΛΙ ΑΣ Β ΤΑΞΗ ΚΕΙΜΕΝΟ. Πέµπτη 19 Νοεµβρίου 1942. Αγαπητή Κίττυ, ΑΡΧΗ 1ΗΣ ΣΕΛΙ ΑΣ ΠΡΟΑΓΩΓΙΚΕΣ ΕΞΕΤΑΣΕΙΣ Σ ΕΝΙΑΙΟΥ ΛΥΚΕΙΟΥ ΤΡΙΤΗ 6 ΙΟΥΝΙΟΥ 2000 ΕΞΕΤΑΖΟΜΕΝΟ ΜΑΘΗΜΑ ΓΕΝΙΚΗΣ ΠΑΙ ΕΙΑΣ: ΝΕΑ ΕΛΛΗΝΙΚΗ ΓΛΩΣΣΑ ΚΑΙ ΓΡΑΜΜΑΤΕΙΑ ΕΚΦΡΑΣΗ - ΕΚΘΕΣΗ ΣΥΝΟΛΟ ΣΕΛΙ ΩΝ: ΠΕΝΤΕ (5) Αγαπητή

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

ΟΙΚΟΝΟΜΕΤΡΙΑ. Αναπληρωτής Καθηγητής. Σχολή ιοίκησης Επιχειρήσεων Πανεπιστήμιο Πατρών

ΟΙΚΟΝΟΜΕΤΡΙΑ. Αναπληρωτής Καθηγητής. Σχολή ιοίκησης Επιχειρήσεων Πανεπιστήμιο Πατρών ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 4: Περαιτέρω εξειδίκευση του υποδείγματος Ιωάννης Βενέτης Αναπληρωτής Καθηγητής Τμήμα Οικονομικών Επιστημών Σχολή ιοίκησης Επιχειρήσεων Πανεπιστήμιο Πατρών 1/61 Ι. Βενέτης (Πανεπιστήμιο

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

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

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

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

ΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ ΜΑΘΗΜΑ: ΕΜΠΟΡΙΚΟ ΔΙΚΑΙΟ

ΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ ΜΑΘΗΜΑ: ΕΜΠΟΡΙΚΟ ΔΙΚΑΙΟ ΜΑΘΗΜΑ: ΕΜΠΟΡΙΚΟ ΔΙΚΑΙΟ Διδάσκων : Πομπιέρη Βασιλεία, Δικηγόρος, LLM UCL Πτωχευτικό Δίκαιο Σημαντικότερες ρυθμίσεις σε προπτωχευτικό στάδιο. Εισαγωγή της διαδικασίας συνδιαλλαγής Σκοπός Η διάσωση και εξυγίανση

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

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

Ο όρος εισήχθηκε το 1961 από τον Bellman Αναφέρεται στο πρόβλημα της ανάλυσης δεδομένων πολλών μεταβλητών καθώς αυξάνει η διάσταση.

Ο όρος εισήχθηκε το 1961 από τον Bellman Αναφέρεται στο πρόβλημα της ανάλυσης δεδομένων πολλών μεταβλητών καθώς αυξάνει η διάσταση. Αναγνώριση Προτύπων Η κατάρα της διαστατικότητας Ο όρος εισήχθηκε το 1961 από τον Bellman Αναφέρεται στο πρόβλημα της ανάλυσης δεδομένων πολλών μεταβλητών καθώς αυξάνει η διάσταση. Η κατάρα της διαστατικότητας

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

Βιωματική Απόκριση. (Άρθρο του Eugene Gendlin) ΚΑΝΟΝΕΣ ΓΙΑ ΑΠΟΚΡΙΣΕΙΣ. Βιωμένο νόημα

Βιωματική Απόκριση. (Άρθρο του Eugene Gendlin) ΚΑΝΟΝΕΣ ΓΙΑ ΑΠΟΚΡΙΣΕΙΣ. Βιωμένο νόημα Βιωματική Απόκριση (Άρθρο του Eugene Gendlin) ΚΑΝΟΝΕΣ ΓΙΑ ΑΠΟΚΡΙΣΕΙΣ Βιωμένο νόημα Τα προσωπικά προβλήματα και οι δυσκολίες της ζωής δεν είναι ποτέ μόνο γνωσιακού επιπέδου, δεν είναι ποτέ μόνο θέμα του

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

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

ΥΔΡΟΛΟΓΙΚΗ ΠΡΟΣΟΜΟΙΩΣΗ ΚΑΙ ΠΡΟΓΝΩΣΗ

ΥΔΡΟΛΟΓΙΚΗ ΠΡΟΣΟΜΟΙΩΣΗ ΚΑΙ ΠΡΟΓΝΩΣΗ Τμήμα Πολιτικών Μηχανικών Πανεπιστήμιο Θεσσαλίας ΥΔΡΟΛΟΓΙΚΗ ΠΡΟΣΟΜΟΙΩΣΗ ΚΑΙ ΠΡΟΓΝΩΣΗ Ενότητα 1: Υδρολογική προσομοίωση 1.2. Βελτιστοποίηση (Βαθμονόμηση) Υδρολογικών Μοντέλων Καθ. Αθανάσιος Λουκάς Εργαστήριο

Διαβάστε περισσότερα

Eισηγητής: Μουσουλή Μαρία

Eισηγητής: Μουσουλή Μαρία Eισηγητής: Μουσουλή Μαρία Κλασικός Αθλητισμός Δρόμοι : Μεσαίες και μεγάλες αποστάσεις Ταχύτητες Σκυταλοδρομίες Δρόμοι με εμπόδια Δρόμοι Μεσαίων και Μεγάλων αποστάσεων Στην αρχαία εποχή ο δρόμος που είχε

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

Περιγραφή Περιοχής. Σήμερα!

Περιγραφή Περιοχής. Σήμερα! Περιγραφή Περιοχής Σήμερα! Υφή (texture) Ιστόγραμμα & Ροπές Ιστογράμματος Πίνακες συνεμφάνισης Φασματική περιγραφή Ροπές (moments) Στροφορμή (angular momentum) 1 Υφή (texture) Ο ορισμός της έννοιας της

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

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