Προσοµοίωση. Κεφάλαιο Ο Ασθενής Νόµος των Μεγάλων Αριθµών. X = 1 n

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "Προσοµοίωση. Κεφάλαιο 6. 6.1 Ο Ασθενής Νόµος των Μεγάλων Αριθµών. X = 1 n"

Transcript

1 Κεφάλαιο 6 Προσοµοίωση Αυτό το κεφάλαιο συµπληρώνει το προηγούµενο κεφάλαιο το οποίο αναφερόταν στο πώς µπορεί να γίνει απλός προγραµµατισµός στην R. Θα χρησιµοποιηθούν οι έννοιες του προγραµµατισµού για να εξαχθούν αποτελέσµατα από απλές προσο- µοιώσεις γνωστών πιθανοθεωρητικών αποτελεσµάτων. 6. Ο Ασθενής Νόµος των Μεγάλων Αριθµών Σύµφωνα µε τον ασθενή νόµο των µεγάλων αριθµών, αν X,..., X n είναι ανεξάρτητες και ισόνοµες τυχαίες µεταβλητές µε πεπερασµένη µέση τιµή µ, τότε X = n n X i µ, i= κατά πιθανότητα, όταν το n. Συγκεκριµένα, αν X,..., X n είναι δίτιµες τυχαίες µεταβλητές µε P (X i = ) = p, τότε X = n n X i p, i= κατά πιθανότητα, όταν το n. Το αποτέλεσµα αυτό µπορεί να παρουσιαστεί εµπειρικά στην R µε τις ακόλουθες συναρτήσεις : uniforms <- runif(500) tosses <- as.numeric(i(uniforms > 0.5)) relfreq <- cumsum(tosses)/(:500) plot(relfreq) 67

2 abline(0.5,0) title(main="illustration of the Weak Law of Large Numbers") Η πρώτη εντολή δίνει τυχαίο δείγµα U,..., U 500 από την οµοιόµορφη στο (0,). Στη συνέχεια ορίζουµε τη δίτιµη τυχαία µεταβλητή X i = I(U i > 2 ), όπου I δείκτρια, i =,..., 500. Μετά ϑεωρούµε τη συνάρτηση X σαν ακολουθία, δηλαδή το ακολουθιακό ποσοστό επιτυχιών (γιατί ;). Το γράφηµα (Σχήµα 6.) µας δίνει την σύγκλιση της ακολουθίας στο 0.5, όταν n σύµφωνα µε το νόµο των µεγάλων αριθµών. Illustration of the Weak Law of Large Numbers relfreq Inde Σχήµα 6.: Ο ασθενής νόµος των µεγάλων αριθµών για δυαδικές τυχαίες µετα- ϐλητές. Εφαρµόζοντας τα πιο πάνω τέσσερις ϕορές και απεικονίζοντας τις γραφικές παραστάσεις σε ένα 2 2 γράφηµα (Σχήµα 6.2), έχουµε ότι, par(mfrow=c(2,2)) for(rep in :4) { uniforms <- runif(500) tosses <- as.numeric(uniforms > 0.5) relfreq <- cumsum(tosses)/(:500) 68

3 plot(relfreq) abline(0.5,0) relfreq relfreq Inde Inde relfreq relfreq Inde Inde Σχήµα 6.2: Ο ασθενής νόµος των µεγάλων αριθµών για δυαδικές τυχαίες µετα- ϐλητές. ηλαδή το γράφηµα αυτό δείχνει καθαρά την τυχαιότητα αλλά και τη σύγκλιση. Τι συµβαίνει όµως όταν η αναµενόµενη τιµή της τυχαίας µεταβλητής δεν υπάρχει ; Ενα πολύ γνωστό παράδειγµα µιας τέτοιας τυχαίας µεταβλητής είναι η κατανοµή Cauchy f() = π( + 2 ), R, της οποίας η αναµενόµενη τιµή δεν υπάρχει (γιατί ;). Οι ακόλουθες συναρτήσεις µαζί µε το Σχήµα 6.3 καταδεικνύουν ότι η ακολουθία των µέσων τιµών δεν συγκλίνει. par(mfrow=c(2,2)) 69

4 for(rep in :4) { cauchys <- rcauchy(500) bar <- cumsum(cauchys)/(:500) plot(bar) abline(0,0) bar bar Inde Inde bar bar Inde Inde Σχήµα 6.3: Ακολουθία µέσων τιµών από την κατανοµή Cauchy. 6.2 Κεντρικό Οριακό Θεώρηµα Εστω X,..., X n τυχαίες µεταβλητές µε πεπερασµένη µέση τιµή µ και διασπορά σ 2. Τότε, σύµφωνα µε το κεντρικό οριακό ϑεώρηµα n( X µ) N (0, σ 2 ), 70

5 κατά κατανοµή, όταν το n. Στο πιο πάνω, το N συµβολίζει την κανονική κατανοµή. Η προσοµοίωση µπορεί να ϐοηθήσει διαισθητικά στην κατανόηση του ϑεωρήµατος. Εστω X,..., X 00 ανεξάρτητες και ισόνοµες τυχαίες κατανοµές από την Poisson µε παράµετρο λ =. Τότε µ = σ 2 = και συνεπώς, από το κεντρικό οριακό ϑεώρηµα Ε( X) = και Var( X) = /00 = 0.0. Στην R, η πιο κάτω συνάρτηση παράγει δείγµατα από την ασυµπτωτική κατανοµή της µέσης τιµής poisson.clt <- function(k,n, parameter) { samples.mean <- rep(na, k) for (i in :k) { samples.mean[i] <- mean(rpois(n, lambda=parameter)) return(samples.mean) Τρέχοντας αυτή την συνάρτηση παράγονται τα ακόλουθα αποτελέσµατα : > test.pois <- poisson.clt(200,00,) > summary(test.pois) Min. st Qu. Median Mean 3rd Qu. Ma > var(test.pois) [] > par(mfrow=c(,3)) > hist(test.pois) > boplot(test.pois) > qqnorm(test.pois) > qqline(test.pois) ηλαδή, δηµιουργούµε k δείγµατα από την Poisson, και για καθένα από αυτά υπολογίζουµε το µέσο όρο τους, έστω, X,..., X k. Στο παράδειγµα k = 200 και 7

6 το δείγµα που παίρνουµε κάθε ϕορά έχει µέγεθος 00. Να εξηγήσετε λεπτοµερώς κάθε ϐήµα του προγράµµατος. Τα αριθµητικά αποτελέσµατα µαζί µε το Σχήµα 6.4 παρουσιάζουν εµπειρικά το κεντρικό οριακό ϑεώρηµα. Histogram of test.pois Boplot of test.pois Normal Q Q Plot Frequency Sample Quantiles test.pois Theoretical Quantiles Σχήµα 6.4: Κεντρικό οριακό ϑεώρηµα για την κατανοµή Poisson. Πρέπει να σηµειωθεί ότι η συνάρτηση poisson.clt δεν είναι και ο πιο αποτελεσµατικός τρόπος προγραµµατισµού, αλλά παρουσιάζει την γενική ιδέα πίσω από τους υπολογισµούς. Για πιο αποτελεσµατική χρήση των ϐρόγχων σε σχέση µε την µνήµη και τον υπολογιστικό χρόνο του υπολογιστή, η συνάρτηση lapply είναι καταλληλότερη. 6.3 Προσέγγιση της ιωνυµικής Κατανοµής από την Κανονική και την Poisson Σε αυτό το σηµείο ϑα εξερευνηθεί το πως προσεγγίζεται η διωνυµική κατανοµή µε τη ϐοήθεια του κεντρικού οριακού ϑεωρήµατος αλλά και από την κατανοµή Poisson. Εστω η διωνυµική κατανοµή Bin(n, p). Από τη ϑεωρεία είναι γνωστό ότι αυτή προσεγγίζεται από την κατανοµή Poisson όταν το n είναι µεγάλο και το p είναι µικρό και την κανονική κατανοµή όταν το n είναι µεγάλο. Στην προσοµοίωση που ακολουθεί ϑα δούµε πόσο καλή είναι η προσέγγιση για διάφορες τιµές του n και του p. Στην αρχή επιλέγονται οι τιµές για το n και το p να είναι : p<-c(0.0,0.,0.3,0.5) n<-c(0,00,000,0000) 72

7 Για κάθε συνδυασµό (n, p) ϑα συγκριθούν τρείς κατανοµές, η διωνυµική κατανοµή, η προσέγγιση από την Poisson, και η προσέγγιση από την κανονική. Για καλύτερη εποπτική ανάλυση ϑα παρασταθεί γραφικά η συνάρτηση πυκνότητας πιθανότητάς τους ταυτόχρονα στο ίδιο γράφηµα. Θα κατασκευαστεί ένα γράφηµα για κάθε συνδυασµό (n, p). par (mfrow=c(4,4)) for (i in :4) { for (j in :4) { mu <- n[j]*p[i] sd <- sqrt(mu * (-p[i])) lo <- round(mu-3*sd) hi <- round(mu+3*sd) if (hi-lo<40) <- seq(lo,hi,by=) else <- round(seq(lo,hi,len=40)) <- cbind(dbinom(,n[j],p[i]),dpois(,mu),dnorm(,mu,sd)) [<0,:2]<- 0 matplot(,,main=paste("p=", p[i],", n=",n[j],sep="")) Στο πιο πάνω πρόγραµµα, είναι ένας πίνακας µε τρεις στήλες οι οποίες περιέχουν τις συναρτήσεις πυκνότητας πιθανότητας πιθανότητας της διωνυµικής, της Poisson και της κανονικής, αντίστοιχα. Η εντολή matplot κατασκευάζει γράφηµα πίνακα. Παρουσιάζει τη γραφική παράσταση της κάθε στήλης συναρτήσει του. Η πρώτη στήλη αναπαρίσταται µε το σύµβολο, η δεύτερη µε το σύµβολο 2 και η τρίτη µε το σύµβολο 3 (Σχήµα 6.5). Πρώτα ϑα εξεταστεί στο γράφηµα η προσέγγιση από την Poisson. Σε κάθε στήλη, η προσέγγιση από την Poisson είναι µεγαλύτερη στο πάνω µέρος της στήλης όπου το p είναι µικρό, και σταδιακά γίνεται ασθενέστερη όσο το p µεγαλώνει (πηγαίνοντας προς τα κάτω). Ο λόγος είναι ότι η µέση τιµή της διωνυµικής κατανοµής είναι np και η διακύµανση np( p). Παρόλο που η µέση τιµή και η διακύµανση δεν είναι ίσες, προσεγγιστικά γίνονται ίσα όταν το p είναι πολύ µικρό. Για την Poisson µε παράµετρο λ, η µέση τιµή και η διακύµανση είναι ίση µε λ. Συνεπώς, η κατανοµή Poisson δεν µπορεί να είναι καλή προσέγγιση µιας κατανοµής της 73

8 οποίας η µέση τιµή και η διακύµανση είναι πολύ διαφορετικές µεταξύ τους και έτσι η προσέγγιση είναι καλή για τη διωνυµική µόνο όταν το p είναι µικρό. Στην περίπτωση της προσέγγισης από την κανονική κατανοµή, η προσέγγιση δεν είναι καλή στο πάνω αριστερό κοµµάτι του γραφήµατος. Συγκεκριµένα, όταν (p =.0, n = 00) ή (p =., n = 0), η προσέγγιση από την κανονική επιτρέπει στο να είναι αρνητικό ενώ η διωνυµική (και η Poisson) κατανοµή απαιτεί το να µην παίρνει αρνητικές τιµές. Σε κάθε γραµµή, η προσέγγιση από την κανονική γίνεται καλύτερη όσο προχωρούµε διαµέσου της γραµµής. Αυτό είναι το αποτέλεσµα από το κεντρικό οριακό ϑεώρηµα. Επίσης, σε κάθε στήλη, η προσέγγιση από την κανονική γίνεται καλύτερη όσο προχωρούµε προς τα κάτω. Αυτό συµβαίνει επειδή η διωνυµική κατανοµή είναι συµµετρική όταν p = 0.5, δηλαδή έχει µορφή παρόµοια µε την κανονική, και συνεπώς δεν χρειάζεται µεγάλο n για να είναι είναι καλή η προσέγγιση από την κανονική. Σε αντίθεση, η διωνυµική µε p = 0.0 είναι πολύ λοξή, δηλαδή δεν µοιάζει µε την κανονική, και συνεπώς χρειάζεται µεγάλο n για να γίνει καλή η προσέγγιση από την κανονική. p=0.0, n=0 p=0.0, n=00 p=0.0, n=000 p=0.0, n= p=0., n=0 p=0., n=00 p=0., n=000 p=0., n= p=0.3, n=0 p=0.3, n=00 p=0.3, n=000 p=0.3, n= p=0.5, n=0 p=0.5, n=00 p=0.5, n=000 p=0.5, n= Σχήµα 6.5: Προσέγγιση της διωνυµικής από την Poisson και την κανονική. 74

9 6.4 Monte Carlo Ολοκλήρωση Εστω ότι είναι αναγκαίο να εκτιµηθεί η αναµενόµενη τιµή της τυχαίας µεταβλητής X µε συνάρτηση πυκνότητας πιθανότητας f() δεδοµένου ότι αυτή υπάρχει. Συγκεκριµένα, έστω ότι το δ µπορεί να οριστεί από δ = c()f()d = Ε f [c(x)], και υποθέστε ότι υπάρχει και είναι πεπερασµένο. Υπάρχουν διάφοροι µέθοδοι για υπολογισµό του δ και ίσως η πιο γνωστές ανάµεσα στους στατιστικούς είναι αυτές που ϐασίζονται στη Monte Carlo ολοκλήρωση. Ανάλογα, αν X,..., X n τυχαίο δείγµα από την f(), τότε σύµφωνα µε τον ασθενή νόµο των µεγάλων αριθµών, η εκτιµήτρια ˆδ = n n c(x i ) προσεγγίζει το δ µε µεγάλη πιθανότητα όταν το n τείνει στο άπειρο. i= Παρατίθεται πως µπορεί η R να χρησιµοποιηθεί για να υπολογίσει τέτοια ο- λοκληρώµατα. Εστω ότι η X είναι τυχαία µεταβλητή που ακολουθεί τη κατανοµή Beta µε συνάρτηση πυκνότητας πιθανότητας f() = B(α, β) α ( ) β για (0, ) και έστω ότι είναι αναγκαίο να υπολογιστούν τα ακόλουθα δύο ολοκληρώµατα : δ = f()d = I [0.2,0.4] f()d, όπου I είναι η δείκτρια συνάρτηση, και δ 2 = sin()e f()d όπου υποθέτουµε ότι η f είναι η συνάρτηση πυκνότητας πιθανότητας της κατανοµής Βήτα µε παράµετρους 2.5 και 5. Τότε η ακόλουθη συνάρτηση δίνει τα επιθυµητά αποτελέσµατα σε µορφή πίνακα. estim.beta <- function(k) { delta <- rep(na, k) delta2 <- rep(na, k) for (i in :k) 75

10 { <- rbeta(500, shape=2.5, shape2=5) delta[i] <- mean(as.numeric(i(0.2 < & <0.4))) delta2[i] <- mean(sin()*ep(-)) return(cbind(delta,delta2)) Να εξηγήσετε λεπτοµερώς τι κάνει κάθε ϐήµα στην πιο πάνω συνάρτηση. Τρέχοντας τη συνάρτηση παίρνονται τα ακόλουθα > delta.estim <- estim.beta(500) > apply(delta.estim,2,mean) delta delta > apply(delta.estim,2,var) delta delta e-006 > sqrt(apply(delta.estim,2,var)) delta delta Συνεπώς, το δ εκτιµάται να είναι ίσο µε µε τυπικό σφάλµα , ενώ το δ 2 εκτιµάται να είναι ίσο µε µε τυπικό σφάλµα Παρόλο που εδώ υπάρχουν διάφορες συνηθισµένες µέθοδοι για να παραχθούν ψευδο τυχαία αποτελέσµατα για αρκετές κατανοµές, συνήθως ένα τέτοιο εγχεί- ϱηµα µπορεί να είναι αρκετά απαιτητικό εξαιτίας της µορφής της συνάρτησης πυκνότητας πιθανότητας. Για αυτό το λόγο κάποιες άλλες τεχνικές µπορούν να χρησιµοποιηθούν εναλλακτικά και µια από τις πιο δηµοφιλείς µεθόδους προσο- µοίωσης είναι η importance sampling η εφαρµογή της οποίας παρουσιάζεται πιο κάτω : Γέννηση Z,..., Z n ανεξάρτητων και ισόνοµων τυχαίων µεταβλητών µε συνάρτηση πυκνότητα πιθανότητας g(z) των οποίων ο ϕορέας, έστω Α, περιέχει το ϕορέα της f(.). Αφού παρατηρηθεί ότι δ = c(z) f(z) g(z) g(z)dz 76

11 = c(z)w(z)g(z)dz = Ε g [c(z)w(z)], µε w = f/g, κατασκευάζεται η ακόλουθη εκτιµήτρια δ = n n c(z i )w(z i ). i= Προφανώς, η εκτιµήτρια δ µιµείται την εκτιµήτρια ˆδ στην έννοια ότι η αναµενόµενη τιµή σε σχέση µε το X ακολουθώντας την f, αντικαθίσταται από την αντίστοιχη αναµενόµενη τιµή σε σχέση µε το Z, ακολουθώντας την g. Θα ήταν εκπαιδευτικό σκόπιµο να προσπαθήσει ο αναγνώστης να χρησιµοποιήσει την R για να υπολογίσει το δ για το πιο πάνω παράδειγµα όταν η g είναι η συνάρτηση πυκνότητας πιθανότητας από την οµοιόµορφη κατανοµή. 6.5 Βελόνα του Buffon Ενα τραπέζι χωρίζεται σε παράλληλες ευθείες οι οποίες απέχουν d µονάδες µεταξύ τους. Ρίχνουµε µία ϐελόνα µήκους l στο τραπέζι (µε l d) n ϕορές και µετράµε R τον αριθµό των ϕορών που η ϐελόνα τέµνει µία ευθεία. Εστω X η απόσταση από το κέντρο της ϐελόνας στην πιο κοντινή παράλληλη ευθεία και θ η γωνία που σχηµατίζει η κάθετη ευθεία από το κέντρο της ϐελόνας στην πιο κοντινή παράλληλη ευθεία. Τότε η ϐελόνα ϑα τέµνει µία από τις παράλληλες ευθείες αν και µόνο αν cos θ l 2. Οµως, αφού η X µεταβάλλεται µεταξύ 0 και d/2 και η θ είναι µεταξύ 0 και π/2, µπορούµε να υποθέσουµε ότι είναι ανεξάρτητες τυχαίες µεταβλητές από την οµοιόµορφη. Συνεπώς, έχουµε P (X l cos θ ) = 4 2 πd = 4 πd = 2l πd. π/2 l cos y/2 0 π/2 0 0 l cos y dy 2 ddy Συνεπώς, αν ρ = l/d, και φ = /π, µία εκτιµήτρια του π δίνεται από ˆπ 0 = ˆφ0 = 2ρˆp 77

12 όπου ˆp = R/n. Μία ϐασική ερώτηση είναι πώς να ϐελτιστοποιήσουµε τις τιµές των l και d για να ελαχιστοποιήσουµε την διακύµανση της εκτιµήτριας ˆφ 0. Επειδή η R είναι διωνυµική τυχαία µεταβλητή έχουµε ότι Var(ˆp) = p( p)/n. Συνεπώς, Var( ˆφ 0 ) = 2ρφ( 2ρφ)/4ρ 2 n και αυτή η ποσότητα ελαχιστοποιείται αν ρ = ή l = d. Το παρακάτω πρόγραµµα δίνει ακριβώς την παραπάνω µεθοδολογία. buf<-function(n, d,l) # n is the number of simulations, #d is the distance between the lines { # and l is the needle s length (l =< d). R <- rep(na, n) <- runif(n, 0, d/2) theta <- runif(n, 0, pi/2) y <- (l/2)*cos(theta) R <- ifelse(y >,,0) pi <- cumsum(r)/(:n) rho <- l/d phi <- pi/(2*rho) pi.hat <- /phi pi.hat plot(:n, pi.hat, type="l", lab="number of Simulations", ylab="proportion of Hits") 6.6 Εµπειρική Σύγκριση Εκτιµητριών Η προσοµοίωση µπορεί να χρησιµοποιηθεί για εµπειρική σύγκριση διαφόρων ε- κτιµητρίων οι οποίες χρησιµοποιούνται για την εκτίµηση συγκεκριµένης παραµέτρου. Ας υποθέσουµε ότι στο Πανεπιστήµιο ϕοιτούν 3000 ϕοιτητές εκ των οποίων το 30% είναι µέλη συνδικαλιστικών οργανώσεων ενώ το άλλο 70% είναι ανεξάρτητοι. Υπάρχει µία µελλοντική εκλογή προέδρου των ϕοιτητών και ας υποθέσουµε ότι δύο ανεξάρτητοι υποψήφιοι, ο Α και Β, διεκδικούν την εκλογή. Εστω θ U = ποσοστό µη ανεξάρτητων ϕοιτητών που υποστηρίζουν τον Α θ I = ποσοστό ανεξάρτητων ϕοιτητών που υποστηρίζουν τον Α 78

13 θ = ποσοστό ϕοιτητών που υποστηρίζουν τον Α Γίνεται δειγµατοληπτική έρευνα σε 00 ϕοιτητές για την εκτίµηση της παραµέτρου θ και προτείνονται 3 διαφορετικές µεθόδοι εκτίµησης.. Τυχαία επιλογή 00 ϕοιτητών και εκτίµηση µέσω της στατιστικής συνάρτησης ˆθ = ποσοστό ϕοιτητών που υποστηρίζουν τον Α. 2. Τυχαία επιλογή 00 ϕοιτητών και εκτίµηση µέσω της στατιστικών συνάρτησεων ˆθ U = ποσοστό µη ανεξάρτητων ϕοιτητών που υποστηρίζουν τον Α στο δείγµα ˆθ I = ποσοστό ανεξάρτητων ϕοιτητών που υποστηρίζουν τον Α στο δείγµα ˆθ 2 = 0.30ˆθ U ˆθ I 3. Επιλογή 30 µη ανεξάρτητων και 70 ανέξαρτητων. Τότε ˆθ U = ποσοστό από µη ανεξάρτητους ϕοιτητές που υποστηρίζουν τον Α ˆθ I = ποσοστό από ανεξάρτητους ϕοιτητές που υποστηρίζουν τον Α ˆθ 3 = 0.30ˆθ U ˆθ I Ποια διαδικασία είναι η καλύτερη ; Αν και µπορούµε να απαντήσουµε ϑεωρητικά στην ερώτηση, εδώ ϑα δούµε πώς µπορεί να µας ϐοηθήσει η προσοµοίωση. Αρκεί να επαναλάβουµε κάθε διαδικασία αρκετές ϕορές και µετά να εξετάσουµε πόσο ακριβή είναι τα αποτελέσµατα. Πρέπει να επιλέξουµε τις αληθινές τιµές των πα- ϱαµέτρων ϕυσικά και η όλη ϑεωρία προσοµοιώνεται µε τον παρακάτω κώδικα. Τα αποτελέσµατα δίνουν την γραφική παράσταση 6.6. # choose "true" theta.u and theta.i theta.u <-.8 theta.i <-.4 prop.u <-.3 prop.i <- - prop.u theta <- prop.u * theta.u + prop.i * theta.i sim. <- function() { <- rbinom(,sampsize,theta) 79

14 return ( / sampsize ) sim.2 <- function() { n.u <- rbinom (, sampsize, prop.u ) n.i <- sampsize - n.u.u <- rbinom (, n.u, theta.u ).i <- rbinom (, n.i, theta.i ) t.hat.u <-.u / n.u t.hat.i <-.i / n.i return ( prop.u * t.hat.u + (-prop.u) * t.hat.i ) sim.3 <- function() { n.u <- sampsize * prop.u n.i <- sampsize * prop.i.u <- rbinom (, n.u, theta.u ).i <- rbinom (, n.i, theta.i ) t.hat.u <-.u / n.u t.hat.i <-.i / n.i return ( prop.u * t.hat.u + (-prop.u) * t.hat.i ) sampsize <- 00 n.times <- 000 # should be enough theta.hat <- matri ( NA, n.times, 3 ) for ( i in :n.times ) { theta.hat[i,] <- sim.() theta.hat[i,2] <- sim.2() theta.hat[i,3] <- sim.3() print ( apply(theta.hat,2,mean) ) [] boplot ( theta.hat ~ col(theta.hat) ) 80

15 Σχήµα 6.6: 000 προσοµοιώσεις της ˆθ για τρεις διαφορετικές µεθόδους εκτίµησης. 8

16 82

Ανάλυση Δεδομένων με χρήση του Στατιστικού Πακέτου R

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

Διαβάστε περισσότερα

Ανάλυση Δεδοµένων µε χρήση του Στατιστικού Πακέτου R

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

Διαβάστε περισσότερα

Οι θεµελιώδεις έννοιες που απαιτούνται στη Επαγωγική Στατιστική (Εκτιµητική, ιαστήµατα Εµπιστοσύνης και Έλεγχοι Υποθέσεων) είναι:

Οι θεµελιώδεις έννοιες που απαιτούνται στη Επαγωγική Στατιστική (Εκτιµητική, ιαστήµατα Εµπιστοσύνης και Έλεγχοι Υποθέσεων) είναι: Κατανοµές ειγµατοληψίας 1.Εισαγωγή Οι θεµελιώδεις έννοιες που απαιτούνται στη Επαγωγική Στατιστική (Εκτιµητική, ιαστήµατα Εµπιστοσύνης και Έλεγχοι Υποθέσεων) είναι: 1. Στατιστικής και 2. Κατανοµής ειγµατοληψίας

Διαβάστε περισσότερα

ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ Ι Συμπληρωματικές Σημειώσεις Δημήτριος Παντελής

ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ Ι Συμπληρωματικές Σημειώσεις Δημήτριος Παντελής ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ Ι Συμπληρωματικές Σημειώσεις Δημήτριος Παντελής ΣΤΑΤΙΣΤΙΚΕΣ ΕΚΤΙΜΗΣΕΙΣ Οι συναρτήσεις πιθανότητας ή πυκνότητας πιθανότητας των διαφόρων τυχαίων μεταβλητών χαρακτηρίζονται από κάποιες

Διαβάστε περισσότερα

Δειγματικές Κατανομές

Δειγματικές Κατανομές Δειγματικές Κατανομές Στατιστική συνάρτηση ή στατιστική Δειγματική κατανομή - Εκτιμητής Τα άγνωστα στοιχεία του πληθυσμού λέγονται παράμετροι. Τα συμπεράσματα για μια παράμετρο εξάγονται με τη βοήθεια

Διαβάστε περισσότερα

Μέθοδος Newton-Raphson

Μέθοδος Newton-Raphson Κεφάλαιο 14 Μέθοδος Newton-Raphson Θα συζητήσουµε υπολογισµό της εκτιµήτριας µεγίστης πιθανοφάνειας µε τη µέ- ϑοδο Newton-Raphson. Αν και υπάρχουν περιπτώσεις για τις οποίες η λύση µπορεί να υπολογιστεί

Διαβάστε περισσότερα

2.6 ΟΡΙΑ ΑΝΟΧΗΣ. πληθυσµού µε πιθανότητα τουλάχιστον ίση µε 100(1 α)%. Το. X ονοµάζεται κάτω όριο ανοχής ενώ το πάνω όριο ανοχής.

2.6 ΟΡΙΑ ΑΝΟΧΗΣ. πληθυσµού µε πιθανότητα τουλάχιστον ίση µε 100(1 α)%. Το. X ονοµάζεται κάτω όριο ανοχής ενώ το πάνω όριο ανοχής. 2.6 ΟΡΙΑ ΑΝΟΧΗΣ Το διάστηµα εµπιστοσύνης παρέχει µία εκτίµηση µιας άγνωστης παραµέτρου µε την µορφή διαστήµατος και ένα συγκεκριµένο βαθµό εµπιστοσύνης ότι το διάστηµα αυτό, µε τον τρόπο που κατασκευάσθηκε,

Διαβάστε περισσότερα

3. ΠΑΡΑΜΕΤΡΟΙ ΚΑΤΑΝΟΜΩΝ

3. ΠΑΡΑΜΕΤΡΟΙ ΚΑΤΑΝΟΜΩΝ 20 3. ΠΑΡΑΜΕΤΡΟΙ ΚΑΤΑΝΟΜΩΝ ΟΡΙΣΜΟΣ ΤΗΣ ΜΕΣΗΣ ΤΙΜΗΣ Μια πολύ σηµαντική έννοια στη θεωρία πιθανοτήτων και τη στατιστική είναι η έννοια της µαθηµατικής ελπίδας ή αναµενόµενης τιµής ή µέσης τιµής µιας τυχαίας

Διαβάστε περισσότερα

ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ. Κεφάλαιο 10. Εισαγωγή στην εκτιμητική

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

Διαβάστε περισσότερα

Κεφ. Ιο ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΘΕΩΡΙΑΣ ΠΙΘΑΝΟΤΗΤΩΝ

Κεφ. Ιο ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΘΕΩΡΙΑΣ ΠΙΘΑΝΟΤΗΤΩΝ ΠΕΡΙΕΧΟΜΕΝΑ Πρόλογος 75 Κεφ. Ιο ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΘΕΩΡΙΑΣ ΠΙΘΑΝΟΤΗΤΩΝ 1.1. Τυχαία γεγονότα ή ενδεχόμενα 17 1.2. Πειράματα τύχης - Δειγματικός χώρος 18 1.3. Πράξεις με ενδεχόμενα 20 1.3.1. Ενδεχόμενα ασυμβίβαστα

Διαβάστε περισσότερα

Εισαγωγή στην Εκτιμητική

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

Διαβάστε περισσότερα

ΔΙΑΣΤΗΜΑΤΑ ΕΜΠΙΣΤΟΣΥΝΗΣ ΓΙΑ AΝΑΛΟΓΙΕΣ

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

Διαβάστε περισσότερα

ΣΕΙΡΕΣ TAYLOR. Στην Ενότητα αυτή θα ασχοληθούµε µε την προσέγγιση συναρτήσεων µέσω πολυωνύµων. Πολυώνυµο είναι κάθε συνάρτηση της µορφής:

ΣΕΙΡΕΣ TAYLOR. Στην Ενότητα αυτή θα ασχοληθούµε µε την προσέγγιση συναρτήσεων µέσω πολυωνύµων. Πολυώνυµο είναι κάθε συνάρτηση της µορφής: ΣΕΙΡΕΣ TAYLOR Στην Ενότητα αυτή θα ασχοληθούµε µε την προσέγγιση συναρτήσεων µέσω πολυωνύµων Πολυώνυµο είναι κάθε συνάρτηση της µορφής: p( ) = a + a + a + a + + a, όπου οι συντελεστές α i θα θεωρούνται

Διαβάστε περισσότερα

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ «ΠΛΗΡΟΦΟΡΙΚΗ» ΜΑΘΗΜΑΤΙΚΑ Ι (ΘΕ ΠΛΗ ) TEΛΙΚΕΣ ΕΞΕΤΑΣΕΙΣ 4 Ιουνίου 7 Από τα κάτωθι Θέµατα καλείστε να λύσετε το ο που περιλαµβάνει ερωτήµατα από όλη την ύλη

Διαβάστε περισσότερα

ΕΙΣΑΓΩΓΗ Η μελέτη διαφόρων στοχαστικών φαινομένων μπορεί γενικά να γίνει χρησιμοποιώντας

ΕΙΣΑΓΩΓΗ Η μελέτη διαφόρων στοχαστικών φαινομένων μπορεί γενικά να γίνει χρησιμοποιώντας ΕΙΣΑΓΩΓΗ Η μελέτη διαφόρων στοχαστικών φαινομένων μπορεί γενικά να γίνει χρησιμοποιώντας κυρίως τρεις μεθόδους:. Αναλυτικές Μέθοδοι: πραγματοποιείται κατάλληλη μαθηματική μοντελοποίηση του στοχαστικού

Διαβάστε περισσότερα

Στατιστική Ι (ΨΥΧ-1202) ιάλεξη 4

Στατιστική Ι (ΨΥΧ-1202) ιάλεξη 4 (ΨΥΧ-1202) Λεωνίδας Α. Ζαμπετάκης Β.Sc., M.Env.Eng., M.Ind.Eng., D.Eng. Εmail: statisticsuoc@gmail.com ιαλέξεις: ftp://ftp.soc.uoc.gr/psycho/zampetakis/ ιάλεξη 4 ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ ΤΜΗΜΑ ΨΥΧΟΛΟΓΙΑΣ Ρέθυμνο,

Διαβάστε περισσότερα

ΜΑΘΗΜΑΤΙΚΑ & ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ ΓΕΝΙΚΗΣ ΠΑΙ ΕΙΑΣ 2012 ΕΚΦΩΝΗΣΕΙΣ

ΜΑΘΗΜΑΤΙΚΑ & ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ ΓΕΝΙΚΗΣ ΠΑΙ ΕΙΑΣ 2012 ΕΚΦΩΝΗΣΕΙΣ ΜΑΘΗΜΑΤΙΚΑ & ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ ΓΕΝΙΚΗΣ ΠΑΙ ΕΙΑΣ 0 ΕΚΦΩΝΗΣΕΙΣ ΘΕΜΑ Α Α. Αν οι συναρτήσεις f, g είναι παραγωγίσιµες στο, να αποδείξετε ότι (f() + g ()) f () + g (),. Μονάδες 7 Α. Σε ένα πείραµα µε ισοπίθανα

Διαβάστε περισσότερα

2. Στοιχεία Πολυδιάστατων Κατανοµών

2. Στοιχεία Πολυδιάστατων Κατανοµών Στοιχεία Πολυδιάστατων Κατανοµών Είναι φανερό ότι έως τώρα η µελέτη µας επικεντρώνεται κάθε φορά σε πιθανότητες που αφορούν µία τυχαία µεταβλητή Σε αρκετές όµως περιπτώσεις ενδιαφερόµαστε να εξετάσουµε

Διαβάστε περισσότερα

Κεφάλαιο 4 Κανονική Κατανομή. Πέτρος Ε. Μαραβελάκης, Επίκουρος Καθηγητής, Πανεπιστήμιο Πειραιώς

Κεφάλαιο 4 Κανονική Κατανομή. Πέτρος Ε. Μαραβελάκης, Επίκουρος Καθηγητής, Πανεπιστήμιο Πειραιώς Κεφάλαιο 4 Κανονική Κατανομή Πέτρος Ε. Μαραβελάκης, Επίκουρος Καθηγητής, Πανεπιστήμιο Πειραιώς 4-4-1 Εισαγωγή Όσο το n αυξάνει, η διωνυμική κατανομή προσεγγίζει... n = 6 n = 1 n = 14 Binomial Distribution:

Διαβάστε περισσότερα

ρ. Ευστρατία Μούρτου

ρ. Ευστρατία Μούρτου ΑΝΩΤΑΤΟ ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙ ΕΥΤΙΚΟ Ι ΡΥΜΑ ΠΑΤΡΩΝ ΣΧΟΛΗ ΕΠΑΓΓΕΛΜΑΤΩΝ ΥΓΕΙΑΣ ΚΑΙ ΠΡΟΝΟΙΑΣ ΤΜΗΜΑ ΝΟΣΗΛΕΥΤΙΚΗΣ ΕΞΑΜΗΝΟ : Ε ΑΚΑ ΗΜΑΪΚΟ ΕΤΟΣ : - ΜΑΘΗΜΑ «ΒΙΟΣΤΑΤΙΣΤΙΚΗ» ΚΕΦ. ΚΑΤΑΝΟΜΕΣ ΠΙΘΑΝΟΤΗΤΩΝ ρ. Ευστρατία Μούρτου

Διαβάστε περισσότερα

Κεφάλαιο 3 ΠΑΡΑΓΩΓΟΣ. 3.1 Η έννοια της παραγώγου. y = f(x) f(x 0 ), = f(x 0 + x) f(x 0 )

Κεφάλαιο 3 ΠΑΡΑΓΩΓΟΣ. 3.1 Η έννοια της παραγώγου. y = f(x) f(x 0 ), = f(x 0 + x) f(x 0 ) Κεφάλαιο 3 ΠΑΡΑΓΩΓΟΣ 3.1 Η έννοια της παραγώγου Εστω y = f(x) µία συνάρτηση, που συνδέει τις µεταβλητές ποσότητες x και y. Ενα ερώτηµα που µπορεί να προκύψει καθώς µελετούµε τις δύο αυτές ποσοτήτες είναι

Διαβάστε περισσότερα

Το Κεντρικό Οριακό Θεώρημα

Το Κεντρικό Οριακό Θεώρημα Το Κεντρικό Οριακό Θεώρημα Όπως θα δούμε αργότερα στη Στατιστική Συμπερασματολογία, λέγοντας ότι «από έναν πληθυσμό παίρνουμε ένα τυχαίο δείγμα μεγέθους» εννοούμε ανεξάρτητες τυχαίες μεταβλητές,,..., που

Διαβάστε περισσότερα

Διάλεξη 1: Στατιστική Συμπερασματολογία - Εκτίμηση Σημείου

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

Διαβάστε περισσότερα

Σηµειώσεις στις σειρές

Σηµειώσεις στις σειρές . ΟΡΙΣΜΟΙ - ΓΕΝΙΚΕΣ ΕΝΝΟΙΕΣ Σηµειώσεις στις σειρές Στην Ενότητα αυτή παρουσιάζουµε τις βασικές-απαραίτητες έννοιες για την µελέτη των σειρών πραγµατικών αριθµών και των εφαρµογών τους. Έτσι, δίνονται συστηµατικά

Διαβάστε περισσότερα

3. ΣΤΡΩΜΑΤΟΠΟΙΗΜΕΝΗ ΤΥΧΑΙΑ ΔΕΙΓΜΑΤΟΛΗΨΙΑ (Stratified Random Sampling)

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

Διαβάστε περισσότερα

1. Εισαγωγή Ο έλεγχος υποθέσεων αναφέρεται στις ιδιότητες µιας άγνωστης παραµέτρους του πληθυσµού: Ο κατηγορούµενος είναι αθώος

1. Εισαγωγή Ο έλεγχος υποθέσεων αναφέρεται στις ιδιότητες µιας άγνωστης παραµέτρους του πληθυσµού: Ο κατηγορούµενος είναι αθώος Έλεγχοι Υποθέσεων 1. Εισαγωγή Ο έλεγχος υποθέσεων αναφέρεται στις ιδιότητες µιας άγνωστης παραµέτρους του πληθυσµού: Ο κατηγορούµενος είναι αθώος µ = 100 Κάθε υπόθεση συνοδεύεται από µια εναλλακτική: Ο

Διαβάστε περισσότερα

Μπεϋζιανή Στατιστική και MCMC Μέρος 2 ο : MCMC

Μπεϋζιανή Στατιστική και MCMC Μέρος 2 ο : MCMC Μπεϋζιανή Στατιστική και MCMC Μέρος 2 ο : MCMC Περιεχόμενα Μαθήματος Εισαγωγή στο Πρόβλημα. Monte Carlo Εκτιμητές. Προσομοίωση. Αλυσίδες Markov. Αλγόριθμοι MCMC (Metropolis Hastings & Gibbs Sampling).

Διαβάστε περισσότερα

ιαγράµµατα Ελέγχου Ιδιοτήτων (Control Charts for Attributes)

ιαγράµµατα Ελέγχου Ιδιοτήτων (Control Charts for Attributes) ιαγράµµατα Ελέγχου Ιδιοτήτων (Control Charts for Attributes) Πολλά ΧΠ δεν µπορούν να αναπαρασταθούν αριθµητικά. Τα ΧΠ χαρακτηρίζονται συµµορφούµενα και µη-συµµορφούµενα. Τα ΧΠ τέτοιου είδους ονοµάζονται

Διαβάστε περισσότερα

ιωνυµική Κατανοµή(Binomial)

ιωνυµική Κατανοµή(Binomial) ιωνυµική Κατανοµή(Binomial) ~B(n,p) n N και 0

Διαβάστε περισσότερα

η πιθανότητα επιτυχίας. Επομένως, η συνάρτηση πιθανοφάνειας είναι ίση με: ( ) 32 = p 18 1 p

η πιθανότητα επιτυχίας. Επομένως, η συνάρτηση πιθανοφάνειας είναι ίση με: ( ) 32 = p 18 1 p ΑΣΚΗΣΗ 1 ΣΕΜΦΕ 14-15 i. Έστω yi ο αριθμός των προσπαθειών κάθε μαθητή μέχρι να πετύχει τρίποντο. Ο αριθμός των προσπαθειών πριν ο μαθητής να πετύχει τρίποντο θα είναι xi = yi - 1, i = 1,,18. 2 2 3 2 1

Διαβάστε περισσότερα

Διάλεξη 1 Βασικές έννοιες

Διάλεξη 1 Βασικές έννοιες Εργαστήριο SPSS Ψ-4201 (ΕΡΓ) Λεωνίδας Α. Ζαμπετάκης Β.Sc., M.Env.Eng., M.Ind.Eng., D.Eng. Εmail: statisticsuoc@gmail.com Διαλέξεις αναρτημένες στο: Διαλέξεις: ftp://ftp.soc.uoc.gr/psycho/zampetakis/ Διάλεξη

Διαβάστε περισσότερα

= p 20 1 p 18. 1 p Το σημείο στο οποίο μηδενίζεται η παραπάνω μερική παράγωγος είναι

= p 20 1 p 18. 1 p Το σημείο στο οποίο μηδενίζεται η παραπάνω μερική παράγωγος είναι Άσκηση 1 i) Σε κάθε παρατήρηση περιλαμβάνεται ένας έλεγχος (ο τελευταίος) κατά τον οποίο εμφανίστηκε το πρώτο ελαττωματικό της παραγωγικής διαδικασίας. Επομένως, ο αριθμός ελέγχων που έγιναν πριν εμφανιστεί

Διαβάστε περισσότερα

ΑΝΤΙΚΕΙΜΕΝΟ ΜΑΘΗΜΑΤΟΣ

ΑΝΤΙΚΕΙΜΕΝΟ ΜΑΘΗΜΑΤΟΣ ΑΝΤΙΚΕΙΜΕΝΟ ΜΑΘΗΜΑΤΟΣ Χρήση τυχαίων µεταβλητών για την απεικόνιση εκβάσεων τυχαίου πειράµατος Κατανόηση της έννοιας κατανοµής πιθανοτήτων τυχαίας µεταβλητής Υπολογισµός της συνάρτηση κατανοµής πιθανοτήτων

Διαβάστε περισσότερα

Στατιστική Συμπερασματολογία

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

Διαβάστε περισσότερα

Εισαγωγή στη θεωρία ακραίων τιμών

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

Διαβάστε περισσότερα

6. ΔΕΙΓΜΑΤΟΛΗΨΙΑ ΚΑΤΑ ΟΜΑΔΕΣ (Cluster Sampling)

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

Διαβάστε περισσότερα

Ανάλυση Διασποράς Ανάλυση Διασποράς διακύμανση κατά παράγοντες διακύμανση σφάλματος Παράδειγμα 1: Ισομεγέθη δείγματα

Ανάλυση Διασποράς Ανάλυση Διασποράς διακύμανση κατά παράγοντες διακύμανση σφάλματος Παράδειγμα 1: Ισομεγέθη δείγματα Ανάλυση Διασποράς Έστω ότι μας δίνονται δείγματα που προέρχονται από άγνωστους πληθυσμούς. Πόσο διαφέρουν οι μέσες τιμές τους; Με άλλα λόγια: πόσο πιθανό είναι να προέρχονται από πληθυσμούς με την ίδια

Διαβάστε περισσότερα

Θεωρητικές Κατανομές Πιθανότητας

Θεωρητικές Κατανομές Πιθανότητας Θεωρητικές Κατανομές Πιθανότητας Θεωρητικές Κατανομές Πιθανότητας Α. ΔΙΑΚΡΙΤΕΣ ΚΑΤΑΝΟΜΕΣ α) Διακριτή Ομοιόμορφη κατανομή β) Διωνυμική κατανομή γ) Υπεργεωμετρική κατανομή δ) κατανομή Poisson Β. ΣΥΝΕΧΕΙΣ

Διαβάστε περισσότερα

x 2 = x 2 1 + x 2 2. x 2 = u 2 + x 2 3 Χρησιµοποιώντας το συµβολισµό του ανάστροφου, αυτό γράφεται x 2 = x T x. = x T x.

x 2 = x 2 1 + x 2 2. x 2 = u 2 + x 2 3 Χρησιµοποιώντας το συµβολισµό του ανάστροφου, αυτό γράφεται x 2 = x T x. = x T x. Κεφάλαιο 4 Μήκη και ορθές γωνίες Μήκος διανύσµατος Στο επίπεδο, R 2, ϐρίσκουµε το µήκος ενός διανύσµατος x = (x 1, x 2 ) χρησιµοποιώντας το Πυθαγόρειο ϑεώρηµα : x 2 = x 2 1 + x 2 2. Στο χώρο R 3, εφαρµόζουµε

Διαβάστε περισσότερα

Ποσοτικές Μέθοδοι., Εισηγητής: Ν.Κυρίτσης, MBA, Ph.D. Candidate,, e-mail: kyritsis@ist.edu.gr

Ποσοτικές Μέθοδοι., Εισηγητής: Ν.Κυρίτσης, MBA, Ph.D. Candidate,, e-mail: kyritsis@ist.edu.gr Ποσοτικές Μέθοδοι Εισηγητής: Ν.Κυρίτσης MBA Ph.D. Candidate e-mail: kyritsis@ist.edu.gr Εισαγωγή στη Στατιστική Διδακτικοί Στόχοι Μέτρα Σχετικής Διασποράς Κατανομές Πιθανοτήτων Η Κανονική Κατανομή Η Τυποποιημένες

Διαβάστε περισσότερα

Στατιστική Ι. Ενότητα 6: Kατανομή Poisson. Δρ. Γεώργιος Κοντέος Τμήμα Διοίκησης Επιχειρήσεων Γρεβενών

Στατιστική Ι. Ενότητα 6: Kατανομή Poisson. Δρ. Γεώργιος Κοντέος Τμήμα Διοίκησης Επιχειρήσεων Γρεβενών Στατιστική Ι Ενότητα 6: Kατανομή Poisson Δρ. Γεώργιος Κοντέος Τμήμα Διοίκησης Επιχειρήσεων Γρεβενών Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό

Διαβάστε περισσότερα

ΣΗΜΕΙΩΣΕΙΣ ΓΙΑ ΤΟ ΜΑΘΗΜΑ ΣΤΑΤΙΣΤΙΚΗ ΓΙΑ ΠΟΛΙΤΙΚΟΥΣ ΜΗΧΑΝΙΚΟΥΣ ΜΕΡΟΣ Β

ΣΗΜΕΙΩΣΕΙΣ ΓΙΑ ΤΟ ΜΑΘΗΜΑ ΣΤΑΤΙΣΤΙΚΗ ΓΙΑ ΠΟΛΙΤΙΚΟΥΣ ΜΗΧΑΝΙΚΟΥΣ ΜΕΡΟΣ Β ΣΗΜΕΙΩΣΕΙΣ ΓΙΑ ΤΟ ΜΑΘΗΜΑ ΣΤΑΤΙΣΤΙΚΗ ΓΙΑ ΠΟΛΙΤΙΚΟΥΣ ΜΗΧΑΝΙΚΟΥΣ ΜΕΡΟΣ Β ηµήτρης Κουγιουµτζής http://users.auth.gr/dkugiu/teach/civilengineer E mail: dkugiu@gen.auth.gr 1/11/2009 2 Περιεχόµενα 1 ΠΕΡΙΓΡΑΦΙΚΗ

Διαβάστε περισσότερα

5.1 Συναρτήσεις δύο ή περισσοτέρων µεταβλητών

5.1 Συναρτήσεις δύο ή περισσοτέρων µεταβλητών Κεφάλαιο 5 ΣΥΝΑΡΤΗΣΕΙΣ ΠΟΛΛΩΝ ΜΕΤΑΒΛΗΤΩΝ 5.1 Συναρτήσεις δύο ή περισσοτέρων µεταβλητών Οταν ένα µεταβλητό µέγεθος εξαρτάται αποκλειστικά από τις µεταβολές ενός άλλου µεγέθους, τότε η σχέση που συνδέει

Διαβάστε περισσότερα

Ανάλυση Δεδομένων με χρήση του Στατιστικού Πακέτου R

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

Διαβάστε περισσότερα

ΣΤΑΤΙΣΤΙΚΗ ΣΥΜΠΕΡΑΣΜΑΤΟΛΟΓΙΑ

ΣΤΑΤΙΣΤΙΚΗ ΣΥΜΠΕΡΑΣΜΑΤΟΛΟΓΙΑ ΣΤΑΤΙΣΤΙΚΗ ΣΥΜΠΕΡΑΣΜΑΤΟΛΟΓΙΑ Στα πλαίσια της ΣΤΑΤΙΣΤΙΚΗΣ ΣΥΜΠΕΡΑΣΜΑΤΟΛΟΓΙΑΣ προσπαθούµε να προσεγγίσουµε τα χαρακτηριστικά ενός συνόλου (πληθυσµός) δια της µελέτης των χαρακτηριστικών αυτών επί ενός µικρού

Διαβάστε περισσότερα

ΣΗΜΕΙΩΣΕΙΣ ΜΑΘΗΜΑΤΙΚΗΣ ΑΝΑΛΥΣΗΣ Ι (2006-07)

ΣΗΜΕΙΩΣΕΙΣ ΜΑΘΗΜΑΤΙΚΗΣ ΑΝΑΛΥΣΗΣ Ι (2006-07) ΤΕΙ ΥΤΙΚΗΣ ΜΑΚΕ ΟΝΙΑΣ ΠΑΡΑΡΤΗΜΑ ΚΑΣΤΟΡΙΑΣ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ ΥΠΟΛΟΓΙΣΤΩΝ ΣΗΜΕΙΩΣΕΙΣ ΜΑΘΗΜΑΤΙΚΗΣ ΑΝΑΛΥΣΗΣ Ι (2006-07) Επιµέλεια Σηµειώσεων : Βασιλειάδης Γεώργιος Καστοριά, εκέµβριος 2006

Διαβάστε περισσότερα

Η ΙΣΧΥΣ ΕΝΟΣ ΕΛΕΓΧΟΥ. (Power of a Test) ΚΕΦΑΛΑΙΟ 21

Η ΙΣΧΥΣ ΕΝΟΣ ΕΛΕΓΧΟΥ. (Power of a Test) ΚΕΦΑΛΑΙΟ 21 ΚΕΦΑΛΑΙΟ 21 Η ΙΣΧΥΣ ΕΝΟΣ ΕΛΕΓΧΟΥ (Power of a Test) Όπως είδαμε προηγουμένως, στον Στατιστικό Έλεγχο Υποθέσεων, ορίζουμε δύο είδη πιθανών λαθών (κινδύνων) που μπορεί να συμβούν όταν παίρνουμε αποφάσεις

Διαβάστε περισσότερα

Προγραμματιστικές Ασκήσεις, Φυλλάδιο 1

Προγραμματιστικές Ασκήσεις, Φυλλάδιο 1 ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΣΕ C Προγραμματιστικές Ασκήσεις, Φυλλάδιο Εκφώνηση: 9/3/0 Παράδοση: 5/4/0,.59 Άσκηση 0 η : Το πρόβλημα της βελόνας του Buffon Θέμα της εργασίας

Διαβάστε περισσότερα

ΒΙΟΣΤΑΤΙΣΤΙΚΗ. ΑΛΕΓΚΑΚΗΣ ΑΘΑΝΑΣΙΟΣ Φυσικός, PH.D. Σχολής Επιστηµών Υγείας

ΒΙΟΣΤΑΤΙΣΤΙΚΗ. ΑΛΕΓΚΑΚΗΣ ΑΘΑΝΑΣΙΟΣ Φυσικός, PH.D. Σχολής Επιστηµών Υγείας ΒΙΟΣΤΑΤΙΣΤΙΚΗ ΑΛΕΓΚΑΚΗΣ ΑΘΑΝΑΣΙΟΣ Φυσικός, PH.D. Σχολής Επιστηµών Υγείας Επικοινωνία: Πτέρυγα 4, Τοµέας Κοινωνικής Ιατρικής Εργαστήριο Βιοστατιστικής Τηλ. 4613 e-mail: biostats@med.uoc.gr thalegak@med.uoc.gr

Διαβάστε περισσότερα

ΜΑΘΗΜΑΤΙΚΑ & ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ ΓΕΝ. ΠΑΙΔΕΙΑΣ - Γ ΛΥΚΕΙΟΥ

ΜΑΘΗΜΑΤΙΚΑ & ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ ΓΕΝ. ΠΑΙΔΕΙΑΣ - Γ ΛΥΚΕΙΟΥ ΜΑΘΗΜΑΤΙΚΑ & ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ ΓΕΝ. ΠΑΙΔΕΙΑΣ - Γ ΛΥΚΕΙΟΥ ΘΕΜΑΤΑ ΘΕΜΑ A A. Αν οι συναρτήσεις f, g είναι παραγωγίσιμες στο, να αποδείξετε ότι f g f g,. Μονάδες 7 Α. Σε ένα πείραμα με ισοπίθανα αποτελέσματα

Διαβάστε περισσότερα

3.4.2 Ο Συντελεστής Συσχέτισης τ Του Kendall

3.4.2 Ο Συντελεστής Συσχέτισης τ Του Kendall 3..2 Ο Συντελεστής Συσχέτισης τ Του Kendall Ο συντελεστής συχέτισης τ του Kendall μοιάζει με τον συντελεστή ρ του Spearman ως προς το ότι υπολογίζεται με βάση την τάξη μεγέθους των παρατηρήσεων και όχι

Διαβάστε περισσότερα

Ενδεικτικές ασκήσεις ΔΙΠ 50

Ενδεικτικές ασκήσεις ΔΙΠ 50 Ενδεικτικές ασκήσεις ΔΙΠ 50 Άσκηση 1 (άσκηση 1 1 ης εργασίας 2009-10) Σε ένα ράφι μιας βιβλιοθήκης τοποθετούνται με τυχαία σειρά 11 διαφορετικά βιβλία τεσσάρων θεματικών ενοτήτων. Πιο συγκεκριμένα, υπάρχουν

Διαβάστε περισσότερα

ΣΤΑΤΙΣΤΙΚΗ ΠΙΘΑΝΟΤΗΤΕΣ

ΣΤΑΤΙΣΤΙΚΗ ΠΙΘΑΝΟΤΗΤΕΣ ΤΕΙ ΥΤΙΚΗΣ ΜΑΚΕ ΟΝΙΑΣ ΠΑΡΑΡΤΗΜΑ ΚΑΣΤΟΡΙΑΣ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ & ΤΕΧΝΟΛΟΓΙΑΣ Η/Υ ΣΤΑΤΙΣΤΙΚΗ ΠΙΘΑΝΟΤΗΤΕΣ 4o ΜΑΘΗΜΑ Ι ΑΣΚΩΝ ΒΑΣΙΛΕΙΑ ΗΣ ΓΕΩΡΓΙΟΣ Email: gvasil@math.auth.gr Ιστοσελίδα Μαθήματος: users.auth.gr/gvasil

Διαβάστε περισσότερα

5. Γεννήτριες Τυχαίων Αριθµών.

5. Γεννήτριες Τυχαίων Αριθµών. 5. Γεννήτριες Τυχαίων Αριθµών. 5.1. Εισαγωγή. Στο Κεφάλαιο αυτό θα δούµε πώς µπορούµε να δηµιουργήσουµε τυχαίους αριθµούς από την οµοιόµορφη κατανοµή στο διάστηµα [0,1]. Την κατανοµή αυτή, συµβολίζουµε

Διαβάστε περισσότερα

Q- ΔΙΑΓΡΑΜΜΑΤΑ ΓΙΑ ΤΗΝ ΠΑΡΑΜΕΤΡΟ p ΤΗΣ ΔΙΩΝΥΜΙΚΗΣ ΚΑΤΑΝΟΜΗΣ

Q- ΔΙΑΓΡΑΜΜΑΤΑ ΓΙΑ ΤΗΝ ΠΑΡΑΜΕΤΡΟ p ΤΗΣ ΔΙΩΝΥΜΙΚΗΣ ΚΑΤΑΝΟΜΗΣ Ελληνικό Στατιστικό Ινστιτούτο Πρακτικά 20 ου Πανελληνίου Συνεδρίου Στατιστικής (2007), σελ 249-258 Q- ΔΙΑΓΡΑΜΜΑΤΑ ΓΙΑ ΤΗΝ ΠΑΡΑΜΕΤΡΟ p ΤΗΣ ΔΙΩΝΥΜΙΚΗΣ ΚΑΤΑΝΟΜΗΣ Μανώλης Μανατάκης Τμήμα Μηχανολόγων και Αεροναυπηγών

Διαβάστε περισσότερα

4 Πιθανότητες και Στοιχεία Στατιστικής για Μηχανικούς

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

Διαβάστε περισσότερα

n i P(x i ) P(X = x i ) = lim

n i P(x i ) P(X = x i ) = lim Κεϕάλαιο 2 Πιθανότητες και Τυχαίες Μεταβλητές Μπορούµε να καταλάβουµε την έννοια της πιθανότητας από τη σχετική συχνότητα εµϕάνισης n i κάποιας τιµής x i µιας διακριτής τ.µ. X. Αν είχαµε τη δυνατότητα

Διαβάστε περισσότερα

ν ν = 6. όταν είναι πραγµατικός αριθµός.

ν ν = 6. όταν είναι πραγµατικός αριθµός. Συνάρτηση: ΙΑΦΟΡΙΚΟΣ ΛΟΓΙΣΜΟΣ λέγεται µια διαδικασία µε την οποία κάθε στοιχείο ενός συνόλου Α αντιστοιχίζεται σε ένα ακριβώς στοιχείο κάποιου άλλου συνόλου Β. Γνησίως αύξουσα: σε ένα διάστηµα του πεδίου

Διαβάστε περισσότερα

Ευστάθεια Συστηµάτων Αυτοµάτου Ελέγχου: Αλγεβρικά κριτήρια

Ευστάθεια Συστηµάτων Αυτοµάτου Ελέγχου: Αλγεβρικά κριτήρια ΚΕΣ : Αυτόµατος Έλεγχος ΚΕΣ Αυτόµατος Έλεγχος Ευστάθεια Συστηµάτων Αυτοµάτου Ελέγχου: Αλγεβρικά κριτήρια 6 Nicol Tptouli Ευστάθεια και θέση πόλων Σ.Α.Ε ΚΕΣ : Αυτόµατος Έλεγχος Βιβλιογραφία Ενότητας Παρασκευόπουλος

Διαβάστε περισσότερα

ΜΑΘΗΜΑΤΙΚΑ ΚΑΙ ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ Γ' ΛΥΚΕΙΟΥ ΓΕΝΙΚΗΣ ΠΑΙ ΕΙΑΣ 2006 ΕΚΦΩΝΗΣΕΙΣ

ΜΑΘΗΜΑΤΙΚΑ ΚΑΙ ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ Γ' ΛΥΚΕΙΟΥ ΓΕΝΙΚΗΣ ΠΑΙ ΕΙΑΣ 2006 ΕΚΦΩΝΗΣΕΙΣ ΘΕΜΑ o ΜΑΘΗΜΑΤΙΚΑ ΚΑΙ ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ Γ' ΛΥΚΕΙΟΥ ΓΕΝΙΚΗΣ ΠΑΙ ΕΙΑΣ 006 ΕΚΦΩΝΗΣΕΙΣ A. Η συνάρτηση f είναι παραγωγίσιµη στο ΙR. και c πραγµατική σταθερά. Να αποδείξετε ότι (c f(x)) =c f (x), x ΙR. Μονάδες

Διαβάστε περισσότερα

----------Εισαγωγή στη Χρήση του SPSS for Windows ------------- Σελίδα: 0------------

----------Εισαγωγή στη Χρήση του SPSS for Windows ------------- Σελίδα: 0------------ ----------Εισαγωγή στη Χρήση του SPSS for Windows ------------- Σελίδα: 0------------ ΚΕΦΑΛΑΙΟ 9 ο 9.1 ηµιουργία µοντέλων πρόβλεψης 9.2 Απλή Γραµµική Παλινδρόµηση 9.3 Αναλυτικά για το ιάγραµµα ιασποράς

Διαβάστε περισσότερα

ΠΡΟΒΛΗΜΑΤΑ ΕΛΑΧΙΣΤΟΠΟΙΗΣΗΣ

ΠΡΟΒΛΗΜΑΤΑ ΕΛΑΧΙΣΤΟΠΟΙΗΣΗΣ ΠΡΟΒΛΗΜΑΤΑ ΕΛΑΧΙΣΤΟΠΟΙΗΣΗΣ Ελαχιστοποίηση κόστους διατροφής Ηεπιχείρηση ζωοτροφών ΒΙΟΤΡΟΦΕΣ εξασφάλισε µια ειδική παραγγελίααπό έναν πελάτη της για την παρασκευή 1.000 κιλών ζωοτροφής, η οποία θα πρέπει

Διαβάστε περισσότερα

Οι δείκτες διασποράς. Ένα παράδειγµα εργασίας

Οι δείκτες διασποράς. Ένα παράδειγµα εργασίας Κεφάλαιο 5 Οι δείκτες διασποράς 1 Ένα παράδειγµα εργασίας Ένας καθηγητής µαθηµατικών έδωσε σε δύο τµήµατα µιας τάξης του σχολείου του το ίδιο τεστ. Η επίδοση των µαθητών του κάθε τµήµατος (όπως µετρήθηκε

Διαβάστε περισσότερα

3. ΣΕΙΡΙΑΚΟΣ ΣΥΝΤΕΛΕΣΤΗΣ ΣΥΣΧΕΤΙΣΗΣ

3. ΣΕΙΡΙΑΚΟΣ ΣΥΝΤΕΛΕΣΤΗΣ ΣΥΣΧΕΤΙΣΗΣ 3. ΣΕΙΡΙΑΚΟΣ ΣΥΝΤΕΛΕΣΤΗΣ ΣΥΣΧΕΤΙΣΗΣ Πρόβλημα: Ένας ραδιοφωνικός σταθμός ενδιαφέρεται να κάνει μια ανάλυση για τους πελάτες του που διαφημίζονται σ αυτόν για να εξετάσει την ποσοστιαία μεταβολή των πωλήσεων

Διαβάστε περισσότερα

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ

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

Διαβάστε περισσότερα

iii ΠΕΡΙΕΧΟΜΕΝΑ Πρόλογος

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

Διαβάστε περισσότερα

Η ΤΕΧΝΗ ΤΟΥ ΙΑΒΑΣΜΑΤΟΣ ΜΕΤΑΞΥ ΤΩΝ ΑΡΙΘΜΩΝ (ΠΑΡΕΜΒΟΛΗ ΚΑΙ ΠΡΟΣΕΓΓΙΣΗ)

Η ΤΕΧΝΗ ΤΟΥ ΙΑΒΑΣΜΑΤΟΣ ΜΕΤΑΞΥ ΤΩΝ ΑΡΙΘΜΩΝ (ΠΑΡΕΜΒΟΛΗ ΚΑΙ ΠΡΟΣΕΓΓΙΣΗ) Η ΤΕΧΝΗ ΤΟΥ ΙΑΒΑΣΜΑΤΟΣ ΜΕΤΑΞΥ ΤΩΝ ΑΡΙΘΜΩΝ (ΠΑΡΕΜΒΟΛΗ ΚΑΙ ΠΡΟΣΕΓΓΙΣΗ) ΜΙΧΑΛΗΣ ΤΖΟΥΜΑΣ ΕΣΠΟΤΑΤΟΥ 3 ΑΓΡΙΝΙΟ. ΠΕΡΙΛΗΨΗ Η έννοια της συνάρτησης είναι στενά συνυφασµένη µε τον πίνακα τιµών και τη γραφική παράσταση.

Διαβάστε περισσότερα

ΤΟ ΟΛΟΚΛΗΡΩΜΑ ΕΙΣΑΓΩΓΗ

ΤΟ ΟΛΟΚΛΗΡΩΜΑ ΕΙΣΑΓΩΓΗ ΤΟ ΟΛΟΚΛΗΡΩΜΑ ΕΙΣΑΓΩΓΗ Ο κύριος στόχος αυτού του κεφαλαίου είναι να δείξουµε ότι η ολοκλήρωση είναι η αντίστροφη πράξη της παραγώγισης και να δώσουµε τις βασικές µεθόδους υπολογισµού των ολοκληρωµάτων

Διαβάστε περισσότερα

Εισαγωγή στην Κανονική Κατανομή. Παιδαγωγικό Τμήμα ημοτικής Εκπαίδευσης ημοκρίτειο Πανεπιστήμιο Θράκης Αλεξανδρούπολη

Εισαγωγή στην Κανονική Κατανομή. Παιδαγωγικό Τμήμα ημοτικής Εκπαίδευσης ημοκρίτειο Πανεπιστήμιο Θράκης Αλεξανδρούπολη Εισαγωγή στην Κανονική Κατανομή Παιδαγωγικό Τμήμα ημοτικής Εκπαίδευσης ημοκρίτειο Πανεπιστήμιο Θράκης Αλεξανδρούπολη Ένα πρόβλημα Πρόβλημα: Ένας μαθητής είχε επίδοση στο τεστ Μαθηματικών 18 και στο τεστ

Διαβάστε περισσότερα

ΠΕΡΙΕΧΟΜΕΝΑ. Πιθανότητες. Τυχαίες μεταβλητές - Κατανομές ΙΑΤΡΙΚΗ ΣΤΑΤΙΣΤΙΚΗ ΚΕΦΑΛΑΙΟ 1 ΚΕΦΑΛΑΙΟ 2

ΠΕΡΙΕΧΟΜΕΝΑ. Πιθανότητες. Τυχαίες μεταβλητές - Κατανομές ΙΑΤΡΙΚΗ ΣΤΑΤΙΣΤΙΚΗ ΚΕΦΑΛΑΙΟ 1 ΚΕΦΑΛΑΙΟ 2 ΠΕΡΙΕΧΟΜΕΝΑ ΙΑΤΡΙΚΗ ΣΤΑΤΙΣΤΙΚΗ ΚΕΦΑΛΑΙΟ 1 Πιθανότητες 1.1 Πιθανότητες και Στατιστική... 5 1.2 ειγματικός χώρος Ενδεχόμενα... 7 1.3 Ορισμοί και νόμοι των πιθανοτήτων... 10 1.4 εσμευμένη πιθανότητα Ολική

Διαβάστε περισσότερα

Μέθοδος μέγιστης πιθανοφάνειας

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

Διαβάστε περισσότερα

Αριθµητική Παραγώγιση και Ολοκλήρωση

Αριθµητική Παραγώγιση και Ολοκλήρωση Ιαν. 9 Αριθµητική Παραγώγιση και Ολοκλήρωση Είδαµε στο κεφάλαιο της παρεµβολής συναρτήσεων πώς να προσεγγίζουµε µια (συνεχή) συνάρτηση f από ένα πολυώνυµο, όταν γνωρίζουµε + σηµεία του γραφήµατος της συνάρτησης:

Διαβάστε περισσότερα

Υ: Νόσος. Χ: Παράγοντας Κινδύνου 1 (Ασθενής) 2 (Υγιής) Σύνολο. 1 (Παρόν) n 11 n 12 n 1. 2 (Απών) n 21 n 22 n 2. Σύνολο n.1 n.2 n..

Υ: Νόσος. Χ: Παράγοντας Κινδύνου 1 (Ασθενής) 2 (Υγιής) Σύνολο. 1 (Παρόν) n 11 n 12 n 1. 2 (Απών) n 21 n 22 n 2. Σύνολο n.1 n.2 n.. Μέτρα Κινδύνου για Δίτιμα Κατηγορικά Δεδομένα Σε αυτή την ενότητα θα ορίσουμε δείκτες μέτρησης του κινδύνου εμφάνισης μίας νόσου όταν έχουμε δίτιμες κατηγορικές μεταβλητές. Στην πιο απλή περίπτωση μας

Διαβάστε περισσότερα

Παραδείγµατα συναρτήσεων: f:[0,+ ) IR, f(x)=2+ x f:ir IR: f(x)=

Παραδείγµατα συναρτήσεων: f:[0,+ ) IR, f(x)=2+ x f:ir IR: f(x)= ΣΥΝΑΡΤΗΣΕΙΣ - 9 - ΚΕΦΑΛΑΙ ΚΕΦΑΛΑΙ ο - ΣΥΝΑΡΤΗΣΕΙΣ.. ρισµός Συνάρτηση από ένα σύνολο Α σ ένα σύνολο Β είναι ένας κανόνας µε τον οποίο κάθε στοιχείο του Α απεικονίζεται σε ένα ακριβώς στοιχείο του Β. Το

Διαβάστε περισσότερα

Θέµατα Μαθηµατικών & Στ. Στατ/κής Γενικής Παιδείας Γ Λυκείου 2000

Θέµατα Μαθηµατικών & Στ. Στατ/κής Γενικής Παιδείας Γ Λυκείου 2000 Θέµατα Μαθηµατικών & Στ. Στατ/κής Γενικής Παιδείας Γ Λυκείου 000 ΕΚΦΩΝΗΣΕΙΣ Ζήτηµα ο Α.α) ίνεται η συνάρτηση F() f() + g(). Αν οι συναρτήσεις f, g είναι παραγωγίσιµες, να αποδείξετε ότι: F () f () + g

Διαβάστε περισσότερα

Συσχέτιση μεταξύ δύο συνόλων δεδομένων

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

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ 3ο ΤΥΧΑΙΟΙ ΑΡΙΘΜΟΙ ΕΛΕΓΧΟΣ ΤΥΧΑΙΟΤΗΤΑΣ

ΚΕΦΑΛΑΙΟ 3ο ΤΥΧΑΙΟΙ ΑΡΙΘΜΟΙ ΕΛΕΓΧΟΣ ΤΥΧΑΙΟΤΗΤΑΣ ΚΕΦΑΛΑΙΟ 3ο ΤΥΧΑΙΟΙ ΑΡΙΘΜΟΙ ΕΛΕΓΧΟΣ ΤΥΧΑΙΟΤΗΤΑΣ 3.1 Τυχαίοι αριθμοί Στην προσομοίωση διακριτών γεγονότων γίνεται χρήση ακολουθίας τυχαίων αριθμών στις περιπτώσεις που απαιτείται η δημιουργία στοχαστικών

Διαβάστε περισσότερα

ΕΙΣΑΓΩΓΗ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ ΣΚΕΨΗ ΤΟΜΟΣ ΙΙ

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

Διαβάστε περισσότερα

27-Ιαν-2009 ΗΜΥ 429. 2. (ι) Βασική στατιστική (ιι) Μετατροπές: αναλογικό-σεψηφιακό και ψηφιακό-σε-αναλογικό

27-Ιαν-2009 ΗΜΥ 429. 2. (ι) Βασική στατιστική (ιι) Μετατροπές: αναλογικό-σεψηφιακό και ψηφιακό-σε-αναλογικό ΗΜΥ 429 2. (ι) Βασική στατιστική (ιι) Μετατροπές: αναλογικό-σεψηφιακό και ψηφιακό-σε-αναλογικό 1 (i) Βασική στατιστική 2 Στατιστική Vs Πιθανότητες Στατιστική: επιτρέπει μέτρηση και αναγνώριση θορύβου και

Διαβάστε περισσότερα

Η Κανονική Κατανομή κανονική κατανομή (normal distribution) Κεντρικό Οριακό Θεώρημα (Central Limit Theorem) συνδέει οποιαδήποτε άλλη κατανομή

Η Κανονική Κατανομή κανονική κατανομή (normal distribution) Κεντρικό Οριακό Θεώρημα (Central Limit Theorem) συνδέει οποιαδήποτε άλλη κατανομή Η Κανονική Κατανομή H κανονική κατανομή (ormal dstrbuto) θεωρείται η σπουδαιότερη κατανομή της Θεωρίας Πιθανοτήτων και της Στατιστικής. Οι λόγοι που εξηγούν την εξέχουσα θέση της, είναι βασικά δύο: ) Πολλές

Διαβάστε περισσότερα

1 Αριθμητική κινητής υποδιαστολής και σφάλματα στρογγύλευσης

1 Αριθμητική κινητής υποδιαστολής και σφάλματα στρογγύλευσης 1 Αριθμητική κινητής υποδιαστολής και σφάλματα στρογγύλευσης Στη συγκεκριμένη ενότητα εξετάζουμε θέματα σχετικά με την αριθμητική πεπερασμένης ακρίβειας που χρησιμοποιούν οι σημερινοί υπολογιστές και τα

Διαβάστε περισσότερα

ΣΤΟΧΟΙ ΤΗΣ ΕΝΟΤΗΤΑΣ ΒΑΣΙΚΑ ΣΤΟΙΧΕΙΑ ΜΗ ΠΑΡΑΜΕΤΡΙΚΩΝ ΕΛΕΓΧΩΝ

ΣΤΟΧΟΙ ΤΗΣ ΕΝΟΤΗΤΑΣ ΒΑΣΙΚΑ ΣΤΟΙΧΕΙΑ ΜΗ ΠΑΡΑΜΕΤΡΙΚΩΝ ΕΛΕΓΧΩΝ ΣΤΟΧΟΙ ΤΗΣ ΕΝΟΤΗΤΑΣ Να δοθούν οι βασικές αρχές των µη παραµετρικών ελέγχων (non-parametric tests). Να παρουσιασθούν και να αναλυθούν οι γνωστότεροι µη παραµετρικοί έλεγχοι Να αναπτυχθεί η µεθοδολογία των

Διαβάστε περισσότερα

Κεφάλαιο 6 Παράγωγος

Κεφάλαιο 6 Παράγωγος Σελίδα από 5 Κεφάλαιο 6 Παράγωγος Στο κεφάλαιο αυτό στόχος µας είναι να συνδέσουµε µία συγκεκριµένη συνάρτηση f ( ) µε µία δεύτερη συνάρτηση f ( ), την οποία και θα ονοµάζουµε παράγωγο της f. Η τιµή της

Διαβάστε περισσότερα

Δύο κύριοι τρόποι παρουσίασης δεδομένων. Παράδειγμα

Δύο κύριοι τρόποι παρουσίασης δεδομένων. Παράδειγμα Δύο κύριοι τρόποι παρουσίασης δεδομένων Παράδειγμα Με πίνακες Με διαγράμματα Ονομαστικά δεδομένα Εδώ τα περιγραφικά μέτρα (μέσος, διάμεσος κλπ ) δεν έχουν νόημα Πήραμε ένα δείγμα από 25 άτομα και τα ρωτήσαμε

Διαβάστε περισσότερα

1-3 10 1-3 6 3-5 40 3-5 30 5-7 20 5-7 20 7-9 20 7-9 30 9-11 8 9-11 10 11-13 2 11-13 4 Σύνολο 100 Σύνολο 100

1-3 10 1-3 6 3-5 40 3-5 30 5-7 20 5-7 20 7-9 20 7-9 30 9-11 8 9-11 10 11-13 2 11-13 4 Σύνολο 100 Σύνολο 100 1. (Εξεταστ. Φεβ. 2004) Μια µεγάλη εταιρία θέλει να εξετάσει εάν το εκπαιδευτικό πρόγραµµα που ακολουθήσανε οι 100 πωλητές της ήταν αποτελεσµατικό (δηλαδή εάν αυξήθηκαν οι πωλήσεις). Οι δύο παρακάτω πίνακες

Διαβάστε περισσότερα

Πινάκες συνάφειας. Βαρύτητα συμπτωμάτων. Φύλο Χαμηλή Υψηλή. Άνδρες. Γυναίκες

Πινάκες συνάφειας. Βαρύτητα συμπτωμάτων. Φύλο Χαμηλή Υψηλή. Άνδρες. Γυναίκες Πινάκες συνάφειας εξερεύνηση σχέσεων μεταξύ τυχαίων μεταβλητών. Είναι λογικό λοιπόν, στην ανάλυση των κατηγορικών δεδομένων να μας ενδιαφέρει η σχέση μεταξύ δύο ή περισσότερων κατηγορικών μεταβλητών. Έστω

Διαβάστε περισσότερα

ηµιουργία αρχείου στον matlab editor Πληκτρολόγηση ακολουθίας εντολών

ηµιουργία αρχείου στον matlab editor Πληκτρολόγηση ακολουθίας εντολών Προγραµµατισµός Αρχεία εντολών (script files) Τυπικό hello world πρόγραµµα σε script ηµιουργία αρχείου στον matlab editor Πληκτρολόγηση ακολουθίας εντολών disp( ( 'HELLO WORLD!'); % τυπική εντολή εξόδου

Διαβάστε περισσότερα

Καλάθι αγαθών. Σχέσεις προτίµησης. Ιδιότητες σχέσεων προτίµησης. Notes. Notes. Notes. Notes

Καλάθι αγαθών. Σχέσεις προτίµησης. Ιδιότητες σχέσεων προτίµησης. Notes. Notes. Notes. Notes Θεωρία Καταναλωτή-Προτιµήσεις Κώστας Ρουµανιάς Ο.Π.Α. Τµήµα. Ε. Ο. Σ. 22 Σεπτεµβρίου 2014 Κώστας Ρουµανιάς (.Ε.Ο.Σ.) Θεωρία Καταναλωτή-Προτιµήσεις 22 Σεπτεµβρίου 2014 1 / 17 Προτιµήσεις καταναλωτών Θέλουµε

Διαβάστε περισσότερα

Σ ΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΚΑΙ ΕΡΜΗΝΕΙΑ ΑΠΟΤΕΛΕΣΜΑΤΩΝ

Σ ΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΚΑΙ ΕΡΜΗΝΕΙΑ ΑΠΟΤΕΛΕΣΜΑΤΩΝ Σ ΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΚΑΙ ΕΡΜΗΝΕΙΑ ΑΠΟΤΕΛΕΣΜΑΤΩΝ ΤΩΝ ΕΞΕΤΑΣΕΩΝ Μ ΑΪΟΥ 2002 2004 Δ ΕΥΤΕΡΟ ΜΕΡΟΣ Π ΕΡΙΛΗΨΗ: Η μελέτη αυτή έχει σκοπό να παρουσιάσει και να ερμηνεύσει τα ευρήματα που προέκυψαν από τη στατιστική

Διαβάστε περισσότερα

ΕΛΕΓΧΟΣ ΣΤΑΤΙΣΤΙΚΩΝ ΥΠΟΘΕΣΕΩΝ

ΕΛΕΓΧΟΣ ΣΤΑΤΙΣΤΙΚΩΝ ΥΠΟΘΕΣΕΩΝ Κεφάλαιο 3 ΕΛΕΓΧΟΣ ΣΤΑΤΙΣΤΙΚΩΝ ΥΠΟΘΕΣΕΩΝ Σε πολλά προβλήµατα της µηχανικής δεν ενδιαφερόµαστε να εκτιµήσουµε την τιµή της παραµέτρου αλλά να διαπιστώσουµε αν η παραµέτρος είναι µικρότερη ή µεγαλύτερη από

Διαβάστε περισσότερα

HMY 795: Αναγνώριση Προτύπων

HMY 795: Αναγνώριση Προτύπων HMY 795: Αναγνώριση Προτύπων Διάλεξη 5 Κατανομές πιθανότητας και εκτίμηση παραμέτρων δυαδικές τυχαίες μεταβλητές Bayesian decision Minimum misclassificaxon rate decision: διαλέγουμε την κατηγορία Ck για

Διαβάστε περισσότερα

ΑΠΟΛΥΤΗΡΙΕΣ ΕΞΕΤΑΣΕΙΣ Γ ΤΑΞΗΣ ΕΝΙΑΙΟΥ ΛΥΚΕΙΟΥ ΠΕΜΠΤΗ 14 ΙΟΥΝΙΟΥ 2001 ΕΞΕΤΑΖΟΜΕΝΟ ΜΑΘΗΜΑ ΓΕΝΙΚΗΣ ΠΑΙ ΕΙΑΣ: ΜΑΘΗΜΑΤΙΚΑ ΚΑΙ ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ

ΑΠΟΛΥΤΗΡΙΕΣ ΕΞΕΤΑΣΕΙΣ Γ ΤΑΞΗΣ ΕΝΙΑΙΟΥ ΛΥΚΕΙΟΥ ΠΕΜΠΤΗ 14 ΙΟΥΝΙΟΥ 2001 ΕΞΕΤΑΖΟΜΕΝΟ ΜΑΘΗΜΑ ΓΕΝΙΚΗΣ ΠΑΙ ΕΙΑΣ: ΜΑΘΗΜΑΤΙΚΑ ΚΑΙ ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ ΑΠΟΛΥΤΗΡΙΕΣ ΕΞΕΤΑΣΕΙΣ Γ ΤΑΞΗΣ ΕΝΙΑΙΟΥ ΛΥΚΕΙΟΥ ΠΕΜΠΤΗ 14 ΙΟΥΝΙΟΥ 2001 ΕΞΕΤΑΖΟΜΕΝΟ ΜΑΘΗΜΑ ΓΕΝΙΚΗΣ ΠΑΙ ΕΙΑΣ: ΜΑΘΗΜΑΤΙΚΑ ΚΑΙ ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ ΘΕΜΑ 1ο Α.1. Να αποδείξετε ότι για δύο ενδεχόµενα Α και Β ενός

Διαβάστε περισσότερα

ΕΚΤΙΜΗΤΙΚΗ: ΔΙΑΣΤΗΜΑΤΑ ΕΜΠΙΣΤΟΣΥΝΗΣ

ΕΚΤΙΜΗΤΙΚΗ: ΔΙΑΣΤΗΜΑΤΑ ΕΜΠΙΣΤΟΣΥΝΗΣ ΚΕΦΑΛΑΙΟ 13 ΕΚΤΙΜΗΤΙΚΗ: ΔΙΑΣΤΗΜΑΤΑ ΕΜΠΙΣΤΟΣΥΝΗΣ Στις προηγούμενες ενότητες ασχοληθήκαμε με μεθόδους που οδηγούν σε εκτιμήτριες των τιμών μιας ή και περισσοτέρων αγνώστων παραμέτρων. Αυτό έγινε με την κατασκευή

Διαβάστε περισσότερα

Γνωστές κατανομές συνεχών μεταβλητών (συν.) (Δ). Γάμμα κατανομή

Γνωστές κατανομές συνεχών μεταβλητών (συν.) (Δ). Γάμμα κατανομή Γνωστές κατανομές συνεχών μεταβλητών (συν.) (Δ). Γάμμα κατανομή Συνάρτηση Γάμμα: Ιδιότητες o d Γ(α+)=αΓ(α) - αναδρομική συνάρτηση Γ(α+) = α! αν α ακέραιος. Πιθανότητες & Στατιστική 5 Τμήμα Μηχανικών Η/Υ

Διαβάστε περισσότερα

2. ΑΠΛΗ ΤΥΧΑΙΑ ΔΕΙΓΜΑΤΟΛΗΨΙΑ (Simple Random Sampling)

2. ΑΠΛΗ ΤΥΧΑΙΑ ΔΕΙΓΜΑΤΟΛΗΨΙΑ (Simple Random Sampling) . ΑΠΛΗ ΤΥΧΑΙΑ ΔΕΙΓΜΑΤΟΛΗΨΙΑ (Simple Radom Samplig) Η στοιχειωδέστερη μορφή δειγματοληψίας κατά πιθανότητα είναι η απλή τυχαία δειγματοληψία. Το σχήμα αυτό χρησιμοποιείται ευρύτατα, κυρίως λόγω της απλότητάς

Διαβάστε περισσότερα

ΑΝΩΤΑΤΟ ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙ ΕΥΤΙΚΟ Ι ΡΥΜΑ ΜΕΣΟΛΟΓΓΙΟΥ ΣΧΟΛΗ ΙΟΙΚΗΣΗΣ & ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΕΦΑΡΜΟΓΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ ΣΤΗ ΙΟΙΚΗΣΗ ΚΑΙ ΣΤΗΝ ΟΙΚΟΝΟΜΙΑ

ΑΝΩΤΑΤΟ ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙ ΕΥΤΙΚΟ Ι ΡΥΜΑ ΜΕΣΟΛΟΓΓΙΟΥ ΣΧΟΛΗ ΙΟΙΚΗΣΗΣ & ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΕΦΑΡΜΟΓΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ ΣΤΗ ΙΟΙΚΗΣΗ ΚΑΙ ΣΤΗΝ ΟΙΚΟΝΟΜΙΑ Α εξεταστική περίοδος χειµερινού εξαµήνου 4-5 ιάρκεια εξέτασης ώρες και 45 λεπτά Θέµατα Θέµα (α) Τα υποδείγµατα που χρησιµοποιούνται στην οικονοµική θεωρία ονοµάζονται ντετερµινιστικά ενώ τα οικονοµετρικά

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΤΗΣ ΚΡΗΤΗΣ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΤΗΣ ΚΡΗΤΗΣ ΠΑΝΕΠΙΣΤΗΜΙΟ ΤΗΣ ΚΡΗΤΗΣ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΑΓΩΓΗΣ- ΠΑΙΔΑΓΩΓΙΚΟ ΤΜΗΜΑ ΔΗΜΟΤΙΚΗΣ ΕΚΠΑΙΔΕΥΣΗΣ Εργασία για το σεµινάριο «Στατιστική περιγραφική εφαρµοσµένη στην ψυχοπαιδαγωγική(β06σ03)» ΤΙΤΛΟΣ: «ΜΕΛΕΤΗ ΠΕΡΙΓΡΑΦΙΚΗΣ

Διαβάστε περισσότερα

Κεφάλαιο 7 Βασικά Θεωρήµατα του ιαφορικού Λογισµού

Κεφάλαιο 7 Βασικά Θεωρήµατα του ιαφορικού Λογισµού Σελίδα 1 από Κεφάλαιο 7 Βασικά Θεωρήµατα του ιαφορικού Λογισµού Στο κεφάλαιο αυτό θα ασχοληθούµε µε τα βασικά θεωρήµατα του διαφορικού λογισµού καθώς και µε προβλήµατα που µπορούν να επιλυθούν χρησιµοποιώντας

Διαβάστε περισσότερα

ΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ. 2. Περιγραφική Στατιστική

ΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ. 2. Περιγραφική Στατιστική ΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ 2. Περιγραφική Στατιστική Βασικά είδη στατιστικής ανάλυσης 1. Περιγραφική στατιστική: περιγραφή του συνόλου των δεδοµένων (δείγµατος) 2. Συµπερασµατολογία: Παραγωγή συµπερασµάτων για τα

Διαβάστε περισσότερα

Μάστερ στην Εφαρµοσµένη Στατιστική

Μάστερ στην Εφαρµοσµένη Στατιστική Μάστερ στην Εφαρµοσµένη Στατιστική Πρότυπο Πρόγραµµα Master Εξάµηνο Σπουδών Κωδικός Τίτλος Μαθήµατος ιδακτικές Μονάδες 1 ο Εξάµηνο ΜΑΣ650 Μαθηµατική Στατιστική 10 ΜΑΣ655 ειγµατοληψία 10 ΜΑΣ658 Στατιστικά

Διαβάστε περισσότερα