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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Τα Προγράµµατα υναµικής Γεωµετρίας και η Χρήση τους στη ιδασκαλία της Άλγεβρας και της Ανάλυσης στη Μέση Εκπαίδευση

Τα Προγράµµατα υναµικής Γεωµετρίας και η Χρήση τους στη ιδασκαλία της Άλγεβρας και της Ανάλυσης στη Μέση Εκπαίδευση Τα Προγράµµατα υναµικής Γεωµετρίας και η Χρήση τους στη ιδασκαλία της Άλγεβρας και της Ανάλυσης στη Μέση Εκπαίδευση Αριστοτέλης Μακρίδης Μαθηµατικός, Επιµορφωτής των Τ.Π.Ε Αποσπασµένος στην ενδοσχολική

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

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

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

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

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

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 4 ΣΥΣΧΕΤΙΣΗ ΚΑΙ ΠΑΛΙΝ ΡΟΜΗΣΗ. 4.1 Συσχέτιση δύο τ.µ.

Κεφάλαιο 4 ΣΥΣΧΕΤΙΣΗ ΚΑΙ ΠΑΛΙΝ ΡΟΜΗΣΗ. 4.1 Συσχέτιση δύο τ.µ. Κεφάλαιο 4 ΣΥΣΧΕΤΙΣΗ ΚΑΙ ΠΑΛΙΝ ΡΟΜΗΣΗ Στα προηγούµενα κεφάλαια ορίσαµε και µελετήσαµε την τ.µ. µε τη ϐοήθεια της πιθανο- ϑεωρίας (κατανοµή, ϱοπές) και της στατιστικής (εκτίµηση, στατιστική υπόθεση). Σ

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

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

e-mail@p-theodoropoulos.gr

e-mail@p-theodoropoulos.gr Ασκήσεις Μαθηµατικών Κατεύθυνσης Γ Λυκείου Παναγιώτης Λ. Θεοδωρόπουλος Σχολικός Σύµβουλος Μαθηµατικών e-mail@p-theodoropoulos.gr Στην εργασία αυτή ξεχωρίζουµε και µελετάµε µερικές περιπτώσεις ασκήσεων

Διαβάστε περισσότερα

Κεφάλαιο 2: ιατάξεις και Συνδυασµοί.

Κεφάλαιο 2: ιατάξεις και Συνδυασµοί. Κεφάλαιο : ιατάξεις και Συνδυασµοί. Περιεχόµενα Εισαγωγή Βασική αρχή απαρίθµησης ιατάξεις µε και χωρίς επανατοποθέτηση Συνδυασµοί Ασκήσεις Εισαγωγή Μέχρι το τέλος αυτού του κεφαλαίου ϑα ϑεωρούµε πειράµατα

Διαβάστε περισσότερα

ΜΕΛΕΤΗ ΣΥΝΑΡΤΗΣΗΣ. Άρτια και περιττή συνάρτηση. Παράδειγµα: Η f ( x) Παράδειγµα: Η. x R και. Αλγεβρα Β Λυκείου Πετσιάς Φ.- Κάτσιος.

ΜΕΛΕΤΗ ΣΥΝΑΡΤΗΣΗΣ. Άρτια και περιττή συνάρτηση. Παράδειγµα: Η f ( x) Παράδειγµα: Η. x R και. Αλγεβρα Β Λυκείου Πετσιάς Φ.- Κάτσιος. ΜΕΛΕΤΗ ΣΥΝΑΡΤΗΣΗΣ Πριν περιγράψουµε πως µπορούµε να µελετήσουµε µια συνάρτηση είναι αναγκαίο να δώσουµε µερικούς ορισµούς. Άρτια και περιττή συνάρτηση Ορισµός : Μια συνάρτηση fµε πεδίο ορισµού Α λέγεται

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 8 ο 8.1 Συντελεστές συσχέτισης: 8.1.1 Συσχέτιση Pearson, και ρ του Spearman 8.1.2 Υπολογισµός του συντελεστή

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

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

Προσδιορισµός της φασµατικής ισχύος ενός σήµατος

Προσδιορισµός της φασµατικής ισχύος ενός σήµατος Προσδιορισµός της φασµατικής ισχύος ενός σήµατος Το φάσµα ενός χρονικά εξαρτώµενου σήµατος µας πληροφορεί πόσο σήµα έχουµε σε µία δεδοµένη συχνότητα. Έστω µία συνάρτηση µίας µεταβλητής, τότε από το θεώρηµα

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

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

1.1.3 t. t = t2 - t1 1.1.4 x2 - x1. x = x2 x1 . . 1

1.1.3 t. t = t2 - t1 1.1.4  x2 - x1. x = x2 x1 . . 1 1 1 o Κεφάλαιο: Ευθύγραµµη Κίνηση Πώς θα µπορούσε να περιγραφεί η κίνηση ενός αγωνιστικού αυτοκινήτου; Πόσο γρήγορα κινείται η µπάλα που κλώτσησε ένας ποδοσφαιριστής; Απαντήσεις σε τέτοια ερωτήµατα δίνει

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

ροµολόγηση πακέτων σε δίκτυα υπολογιστών

ροµολόγηση πακέτων σε δίκτυα υπολογιστών ροµολόγηση πακέτων σε δίκτυα υπολογιστών Συµπληρωµατικές σηµειώσεις για το µάθηµα Αλγόριθµοι Επικοινωνιών Ακαδηµαϊκό έτος 2011-2012 1 Εισαγωγή Οι παρακάτω σηµειώσεις παρουσιάζουν την ανάλυση του άπληστου

Διαβάστε περισσότερα

ΘΕΜΑΤΑ ΚΑΙ ΑΠΑΝΤΗΣΕΙΣ ΠΑΝΕΛΛΑΔΙΚΩΝ ΕΞΕΤΑΣΕΩΝ 2012 ΜΑΘΗΜΑΤΙΚΑ ΚΑΙ ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ

ΘΕΜΑΤΑ ΚΑΙ ΑΠΑΝΤΗΣΕΙΣ ΠΑΝΕΛΛΑΔΙΚΩΝ ΕΞΕΤΑΣΕΩΝ 2012 ΜΑΘΗΜΑΤΙΚΑ ΚΑΙ ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ ΘΕΜΑΤΑ ΚΑΙ ΑΠΑΝΤΗΣΕΙΣ ΠΑΝΕΛΛΑΔΙΚΩΝ ΕΞΕΤΑΣΕΩΝ ΜΑΘΗΜΑΤΙΚΑ ΚΑΙ ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ ΘΕΜΑ Α Α. Αν οι συναρτήσεις f, g είναι παραγωγίσιμες στο R, να αποδείξετε ότι (f() + g() )=f ()+g (), R Μονάδες 7 Α. Σε

Διαβάστε περισσότερα

ΘΕΜΑ: ιαχείριση διδακτέας - εξεταστέας ύλης των Μαθηµατικών Γ τάξης Ηµερήσιου και τάξης Εσπερινού Γενικού Λυκείου, για το σχολικό έτος 2010 2011.

ΘΕΜΑ: ιαχείριση διδακτέας - εξεταστέας ύλης των Μαθηµατικών Γ τάξης Ηµερήσιου και τάξης Εσπερινού Γενικού Λυκείου, για το σχολικό έτος 2010 2011. ΕΛΛΗΝΙΚΗ ΗΜΟΚΡΑΤΙΑ ΥΠΟΥΡΓΕΙΟ ΠΑΙ ΕΙΑΣ ΙΑ ΒΙΟΥ ΜΑΘΗΣΗΣ ΚΑΙ ΘΡΗΣΚΕΥΜΑΤΩΝ ----- ΕΝΙΑΙΟΣ ΙΟΙΚΗΤΙΚΟΣ ΤΟΜΕΑΣ Π/ΘΜΙΑΣ & /ΘΜΙΑΣ ΕΚΠΑΙ ΕΥΣΗΣ /ΥΝΣΗ ΣΠΟΥ ΩΝ /ΘΜΙΑΣ ΕΚΠ/ΣΗΣ ΤΜΗΜΑ Α Να διατηρηθεί µέχρι... Βαθµός Ασφαλείας...

Διαβάστε περισσότερα

2. ΧΡΗΣΗ ΣΤΑΤΙΣΤΙΚΩΝ ΠΑΚΕΤΩΝ ΣΤΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ

2. ΧΡΗΣΗ ΣΤΑΤΙΣΤΙΚΩΝ ΠΑΚΕΤΩΝ ΣΤΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ 2. ΧΡΗΣΗ ΣΤΑΤΙΣΤΙΚΩΝ ΠΑΚΕΤΩΝ ΣΤΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ Η χρησιμοποίηση των τεχνικών της παλινδρόμησης για την επίλυση πρακτικών προβλημάτων έχει διευκολύνει εξαιρετικά από την χρήση διαφόρων στατιστικών

Διαβάστε περισσότερα

Ολοκλήρωση - Μέθοδος Monte Carlo

Ολοκλήρωση - Μέθοδος Monte Carlo ΦΥΣ 145 - Διαλ.09 Ολοκλήρωση - Μέθοδος Monte Carlo Χρησιμοποίηση τυχαίων αριθμών για επίλυση ολοκληρωμάτων Η μέθοδος Monte Carlo δίνει μια διαφορετική προσέγγιση για την επίλυση ενός ολοκληρώμτατος Τυχαίοι

Διαβάστε περισσότερα

Εισαγωγή στην R Πρόχειρες Σηµειώσεις. Κωνσταντίνος Φωκιανός & Χαράλαµπος Χαραλάµπους Τµήµα Μαθηµατικών & Στατιστικής Πανεπιστήµιο Κύπρου

Εισαγωγή στην R Πρόχειρες Σηµειώσεις. Κωνσταντίνος Φωκιανός & Χαράλαµπος Χαραλάµπους Τµήµα Μαθηµατικών & Στατιστικής Πανεπιστήµιο Κύπρου Εισαγωγή στην R Πρόχειρες Σηµειώσεις Κωνσταντίνος Φωκιανός & Χαράλαµπος Χαραλάµπους Τµήµα Μαθηµατικών & Στατιστικής Πανεπιστήµιο Κύπρου η Εκδοση : Φεβρουάριος 2008 2η Εκδοση : Ιανουάριος 200 2 Περιεχόµενα

Διαβάστε περισσότερα

Εκτίµηση και Οµόλογα. Κεφάλαιο. 6.1 Εκτίµηση και Κόστος Ευκαιρίας Κεφαλαίου

Εκτίµηση και Οµόλογα. Κεφάλαιο. 6.1 Εκτίµηση και Κόστος Ευκαιρίας Κεφαλαίου 1. Κεφάλαιο 6 Εκτίµηση και Οµόλογα 6.1 Εκτίµηση και Κόστος Ευκαιρίας Κεφαλαίου Είναι καµιά φορά δύσκολο να εξηγήσει κανείς τι σηµαίνει παρούσα αξία σε κάποιον που δεν το έχει µελετήσει. Αλλά, όπως έχει

Διαβάστε περισσότερα

Η ΚΑΝΟΝΙΚΗ ΚΑΤΑΝΟΜΗ ΚΕΦΑΛΑΙΟ 9

Η ΚΑΝΟΝΙΚΗ ΚΑΤΑΝΟΜΗ ΚΕΦΑΛΑΙΟ 9 ΚΕΦΑΛΑΙΟ 9 Η ΚΑΝΟΝΙΚΗ ΚΑΤΑΝΟΜΗ Η κανονική κατανομή ανακαλύφθηκε γύρω στο 720 από τον Abraham De Moivre στην προσπάθειά του να διαμορφώσει Μαθηματικά που να εξηγούν την τυχαιότητα. Γύρω στο 870, ο Βέλγος

Διαβάστε περισσότερα

Συναρτήσεις Όρια Συνέχεια

Συναρτήσεις Όρια Συνέχεια Κωνσταντίνος Παπασταματίου Μαθηματικά Γ Λυκείου Κατεύθυνσης Συναρτήσεις Όρια Συνέχεια Συνοπτική Θεωρία Μεθοδολογίες Λυμένα Παραδείγματα Επιμέλεια: Μαθηματικός Φροντιστήριο Μ.Ε. «ΑΙΧΜΗ» Κ. Καρτάλη 8 (με

Διαβάστε περισσότερα

Κεφάλαιο 3: Τυχαίες µεταβλητές και κατανοµές πιθανότητας.

Κεφάλαιο 3: Τυχαίες µεταβλητές και κατανοµές πιθανότητας. Κεφάλαιο 3: Τυχαίες µεταβλητές και κατανοµές πιθανότητας. Περιεχόµενα ιακριτές τυχαίες µεταβλητές Συνεχείς τυχαίες µεταβλητές Μέση τιµή τυχαίων µεταβλητών Ροπές, διασπορά, και τυπική απόκλιση τυχαίων µεταβλητών

Διαβάστε περισσότερα

ΑΠΟΤΕΛΕΣΜΑΤΑ ΠΕΠΕΡΑΣΜΕΝΗΣ ΑΚΡΙΒΕΙΑΣ (ΚΒΑΝΤΙΣΜΟΥ)

ΑΠΟΤΕΛΕΣΜΑΤΑ ΠΕΠΕΡΑΣΜΕΝΗΣ ΑΚΡΙΒΕΙΑΣ (ΚΒΑΝΤΙΣΜΟΥ) ΑΠΟΤΕΛΕΣΜΑΤΑ ΠΕΠΕΡΑΣΜΕΝΗΣ ΑΚΡΙΒΕΙΑΣ (ΚΒΑΝΤΙΣΜΟΥ) 0. Εισαγωγή Τα αποτελέσµατα πεπερασµένης ακρίβειας οφείλονται στα λάθη που προέρχονται από την παράσταση των αριθµών µε µια πεπερασµένη ακρίβεια. Τα αποτελέσµατα

Διαβάστε περισσότερα

Για το Θέμα 1 στα Μαθηματικά Γενικής Παιδείας Γ Λυκείου

Για το Θέμα 1 στα Μαθηματικά Γενικής Παιδείας Γ Λυκείου Για το Θέμα 1 στα Μαθηματικά Γενικής Παιδείας Γ Λυκείου Διαφορικός Λογισμός 1. Ισχύει f (g())) ) f ( = f (g())g () όπου f,g παραγωγίσιµες συναρτήσεις 2. Αν µια συνάρτηση f είναι παραγωγίσιµη σε ένα διάστηµα

Διαβάστε περισσότερα

ΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ

ΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ .Φουσκάκης- Περιγραφική Στατιστική ΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ Οι µεταβλητές µιας στατιστικής έρευνας αποτελούνται συνήθως από ένα µεγάλο πλήθος στοιχείων που αφορούν τον πληθυσµό που µας ενδιαφέρει. Για να

Διαβάστε περισσότερα

Για παράδειγµα έστω ότι σε κάθε ανεξάρτητη πραγµατοποίηση

Για παράδειγµα έστω ότι σε κάθε ανεξάρτητη πραγµατοποίηση Μέθοδοι Monte Carlo Οι µέθοδοι Monte Carlo είναι µια κλάση από υπολογιστικούς αλγόριθµους που βασίζονται στην επαναλαµβανόµενη τυχαία δειγµατοληψία για τον υπολογισµό αποτελεσµάτων. Συχνά χρησιµοποιούντα

Διαβάστε περισσότερα

ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ ΜΑΘΗΜΑΤΙΚΑ Ι (ΘΕ ΠΛΗ 12) ΕΡΓΑΣΙΑ 6 η Ημερομηνία Αποστολής στο Φοιτητή: 23 Απριλίου 2012

ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ ΜΑΘΗΜΑΤΙΚΑ Ι (ΘΕ ΠΛΗ 12) ΕΡΓΑΣΙΑ 6 η Ημερομηνία Αποστολής στο Φοιτητή: 23 Απριλίου 2012 ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ ΜΑΘΗΜΑΤΙΚΑ Ι (ΘΕ ΠΛΗ ) ΕΡΓΑΣΙΑ 6 η Ημερομηνία Αποστολής στο Φοιτητή: Απριλίου 0 Ημερομηνία παράδοσης της Εργασίας: 8 Μαΐου 0 Πριν από τη

Διαβάστε περισσότερα

ΜΑΘΗΜΑΤΙΚΑ ΚΑΙ ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ Γ ΤΑΞΗΣ ΕΝΙΑΙΟΥ ΛΥΚΕΙΟΥ ΓΕΝΙΚΗΣ ΠΑΙ ΕΙΑΣ 2003

ΜΑΘΗΜΑΤΙΚΑ ΚΑΙ ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ Γ ΤΑΞΗΣ ΕΝΙΑΙΟΥ ΛΥΚΕΙΟΥ ΓΕΝΙΚΗΣ ΠΑΙ ΕΙΑΣ 2003 ΜΑΘΗΜΑΤΙΚΑ ΚΑΙ ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ Γ ΤΑΞΗΣ ΕΝΙΑΙΟΥ ΛΥΚΕΙΟΥ ΓΕΝΙΚΗΣ ΠΑΙ ΕΙΑΣ 00 ΕΚΦΩΝΗΣΕΙΣ ΘΕΜΑ ο Α Να αποδείξετε ότι η παράγωγος της συνάρτησης f(x) x είναι f (x) Β Πότε µια συνάρτηση f σε ένα διάστηµα

Διαβάστε περισσότερα

ΕΛΕΓΧΟΙ ΥΠΟΘΕΣΕΩΝ ΓΙΑ ΤΗΝ ΣΥΓΚΡΙΣΗ ΜΕΣΩΝ ΤΙΜΩΝ ΚΑΙ ΑΝΑΛΟΓΙΩΝ ΔΥΟ

ΕΛΕΓΧΟΙ ΥΠΟΘΕΣΕΩΝ ΓΙΑ ΤΗΝ ΣΥΓΚΡΙΣΗ ΜΕΣΩΝ ΤΙΜΩΝ ΚΑΙ ΑΝΑΛΟΓΙΩΝ ΔΥΟ ΚΕΦΑΛΑΙΟ 19 ΕΛΕΓΧΟΙ ΥΠΟΘΕΣΕΩΝ ΓΙΑ ΤΗΝ ΣΥΓΚΡΙΣΗ ΜΕΣΩΝ ΤΙΜΩΝ ΚΑΙ ΑΝΑΛΟΓΙΩΝ ΔΥΟ ΚΑΝΟΝΙΚΩΝ ΠΛΗΘΥΣΜΩΝ Όταν ενδιαφερόμαστε να συγκρίνουμε δύο πληθυσμούς, η φυσιολογική προσέγγιση είναι να προσπαθήσουμε να συγκρίνουμε

Διαβάστε περισσότερα

εάν F x, x οµόρροπα εάν F x, x αντίρροπα B = T W T = W B

εάν F x, x οµόρροπα εάν F x, x αντίρροπα B = T W T = W B 4 Εργο και Ενέργεια 4.1 Εργο σε µία διάσταση Το έργο µιας σταθερής δύναµης F x, η οποία ασκείται σε ένα σώµα που κινείται σε µία διάσταση x, ορίζεται ως W = F x x Εργο ύναµης = ύναµη Μετατόπιση Εχουµε

Διαβάστε περισσότερα

ΕΙΣΑΓΩΓΗ. Βασικές έννοιες

ΕΙΣΑΓΩΓΗ. Βασικές έννοιες ΕΙΣΑΓΩΓΗ Βασικές έννοιες Σε ένα ερωτηματολόγιο έχουμε ένα σύνολο ερωτήσεων. Μπορούμε να πούμε ότι σε κάθε ερώτηση αντιστοιχεί μία μεταβλητή. Αν θεωρήσουμε μια ερώτηση, τα άτομα δίνουν κάποιες απαντήσεις

Διαβάστε περισσότερα

ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ. Κεφάλαιο 4 Αριθμητικές Μέθοδοι Περιγραφικής Στατιστικής

ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ. Κεφάλαιο 4 Αριθμητικές Μέθοδοι Περιγραφικής Στατιστικής ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΑΤΡΑΣ Εργαστήριο Λήψης Αποφάσεων & Επιχειρησιακού Προγραμματισμού Καθηγητής Ι. Μητρόπουλος ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ

Διαβάστε περισσότερα

Αθ.Κεχαγιας. Σηµειωσεις Αναλυτικης Γεωµετριας. Θ. Κεχαγιας. Σεπτεµβρης 2009, υ.0.95

Αθ.Κεχαγιας. Σηµειωσεις Αναλυτικης Γεωµετριας. Θ. Κεχαγιας. Σεπτεµβρης 2009, υ.0.95 Σηµειωσεις Αναλυτικης Γεωµετριας Θ. Κεχαγιας Σεπτεµβρης 2009, υ.0.95 Περιεχόµενα Εισαγωγη 1 Επιπεδα στον Τρισδιαστατο Χωρο 1 1.1 Θεωρια.................................... 1 1.2 Λυµενες Ασκησεις..............................

Διαβάστε περισσότερα

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ Πρόγραμμα Σπουδών: ΔΙΟΙΚΗΣΗ ΕΠΙΧΕΙΡΗΣΕΩΝ και ΟΡΓΑΝΙΣΜΩΝ Θεματική Ενότητα: ΔΕΟ-13 Ποσοτικές Μέθοδοι Ακαδημαϊκό Έτος: 2010-11 Τρίτη Γραπτή Εργασία στη Στατιστική Γενικές οδηγίες

Διαβάστε περισσότερα

ΟΚΙΜΑΣΙΕΣ χ 2 (CHI-SQUARE)

ΟΚΙΜΑΣΙΕΣ χ 2 (CHI-SQUARE) ΔΟΚΙΜΑΣΙΕΣ χ (CI-SQUARE) ΟΚΙΜΑΣΙΕΣ χ (CI-SQUARE). Εισαγωγή Οι στατιστικές δοκιμασίες που μελετήσαμε μέχρι τώρα ονομάζονται παραμετρικές (paramtrc) διότι χαρακτηρίζονται από υποθέσεις σχετικές είτε για

Διαβάστε περισσότερα

Εισαγωγή και ανάλυση ευαισθησίας προβληµάτων Γραµµικού Προγραµµατισµού. υϊκότητα. Παραδείγµατα.

Εισαγωγή και ανάλυση ευαισθησίας προβληµάτων Γραµµικού Προγραµµατισµού. υϊκότητα. Παραδείγµατα. Η ανάλυση ευαισθησίας και η δυϊκότητα είναι σηµαντικά τµήµατα της θεωρίας του γραµµικού προγραµµατισµού και εν γένει του µαθηµατικού προγραµµατισµού, αφού αφορούν την ανάλυση των προτύπων και την εξαγωγή

Διαβάστε περισσότερα

ΜΑΘΗΜΑΤΙΚΑ 5 ΠΕΡΙΟΔΩΝ ΗΜΕΡΟΜΗΝΙΑ: 8 ΙΟΥΝΙΟΥ 2009

ΜΑΘΗΜΑΤΙΚΑ 5 ΠΕΡΙΟΔΩΝ ΗΜΕΡΟΜΗΝΙΑ: 8 ΙΟΥΝΙΟΥ 2009 ΕΥΡΩΠΑΙΚΟ ΑΠΟΛΥΤΗΡΙΟ 2009 ΜΑΘΗΜΑΤΙΚΑ 5 ΠΕΡΙΟΔΩΝ ΗΜΕΡΟΜΗΝΙΑ: 8 ΙΟΥΝΙΟΥ 2009 ΔΙΑΡΚΕΙΑ ΕΞΕΤΑΣΗΣ: 4 ώρες (240 λεπτά) ΕΠΙΤΡΕΠΟΜΕΝΑ ΒΟΗΘΗΜΑΤΑ Ευρωπαικό τυπολόγιο Μη προγραμματιζόμενος υπολογιστής, χωρίς γραφικά

Διαβάστε περισσότερα

ΕΛΕΓΧΟΣ ΣΤΑΤΙΣΤΙΚΩΝ ΥΠΟΘΕΣΕΩΝ. Επαγωγική στατιστική (Στατιστική Συμπερασματολογία) Εκτιμητική Έλεγχος Στατιστικών Υποθέσεων

ΕΛΕΓΧΟΣ ΣΤΑΤΙΣΤΙΚΩΝ ΥΠΟΘΕΣΕΩΝ. Επαγωγική στατιστική (Στατιστική Συμπερασματολογία) Εκτιμητική Έλεγχος Στατιστικών Υποθέσεων ΕΛΕΓΧΟΣ ΣΤΑΤΙΣΤΙΚΩΝ ΥΠΟΘΕΣΕΩΝ Επαγωγική στατιστική (Στατιστική Συμπερασματολογία) Εκτιμητική Έλεγχος Στατιστικών Υποθέσεων α) Σημειοεκτιμητική β) Εκτιμήσεις Διαστήματος ΕΛΕΓΧΟΣ ΣΤΑΤΙΣΤΙΚΩΝ ΥΠΟΘΕΣΕΩΝ Παράδειγμα

Διαβάστε περισσότερα

1. στο σύνολο Σ έχει ορισθεί η πράξη της πρόσθεσης ως προς την οποία το Σ είναι αβελιανή οµάδα, δηλαδή

1. στο σύνολο Σ έχει ορισθεί η πράξη της πρόσθεσης ως προς την οποία το Σ είναι αβελιανή οµάδα, δηλαδή KΕΦΑΛΑΙΟ ΤΟ ΣΥΝΟΛΟ ΤΩΝ ΠΡΑΓΜΑΤΙΚΩΝ ΑΡΙΘΜΩΝ ιατεταγµένα σώµατα-αξίωµα πληρότητας Ένα σύνολο Σ καλείται διατεταγµένο σώµα όταν στο σύνολο Σ έχει ορισθεί η πράξη της πρόσθεσης ως προς την οποία το Σ είναι

Διαβάστε περισσότερα

Κεφάλαιο Η2. Ο νόµος του Gauss

Κεφάλαιο Η2. Ο νόµος του Gauss Κεφάλαιο Η2 Ο νόµος του Gauss Ο νόµος του Gauss Ο νόµος του Gauss µπορεί να χρησιµοποιηθεί ως ένας εναλλακτικός τρόπος υπολογισµού του ηλεκτρικού πεδίου. Ο νόµος του Gauss βασίζεται στο γεγονός ότι η ηλεκτρική

Διαβάστε περισσότερα

ΜΙΓΑ ΙΚΟΙ. 3. Για κάθε z 1, z 2 C ισχύει z1 + z2 = z1 + z2. 4. Για κάθε z C ισχύει z z 2 z. 5. Για κάθε µιγαδικό z ισχύει: 6.

ΜΙΓΑ ΙΚΟΙ. 3. Για κάθε z 1, z 2 C ισχύει z1 + z2 = z1 + z2. 4. Για κάθε z C ισχύει z z 2 z. 5. Για κάθε µιγαδικό z ισχύει: 6. ΜΙΓΑ ΙΚΟΙ 1 Για κάθε z 1, z 2 C ισχύει z1 z2 z1 z2 1 2 Για κάθε z 1, z 2 C ισχύει z1 z2 z1 z2 3 Για κάθε z 1, z 2 C ισχύει z1 + z2 = z1 + z2 4 Για κάθε z C ισχύει z z 2 z 5 Για κάθε µιγαδικό z ισχύει:

Διαβάστε περισσότερα

ΣΥΝΑΡΤΗΣΕΙΣ I. ΣΥΝΟΛΑ

ΣΥΝΑΡΤΗΣΕΙΣ I. ΣΥΝΟΛΑ ΣΥΝΑΡΤΗΣΕΙΣ I. ΣΥΝΟΛΑ 1.Τι ονοµάζεται σύνολο; Σύνολο ονοµάζεται κάθε συλλογή αντικειµένων, που προέρχονται από την εµπειρία µας ή την διανόηση µας, είναι καλά ορισµένα και διακρίνονται το ένα από το άλλο.

Διαβάστε περισσότερα

1.1. ΕΙΣΑΓΩΓΗ ΚΑΙ ΠΡΟΚΑΤΑΡΚΤΙΚΕΣ ΕΝΝΟΙΕΣ

1.1. ΕΙΣΑΓΩΓΗ ΚΑΙ ΠΡΟΚΑΤΑΡΚΤΙΚΕΣ ΕΝΝΟΙΕΣ Κεφ. I Εισαγωγή.. ΕΙΣΑΓΩΓΗ ΚΑΙ ΠΡΟΚΑΤΑΡΚΤΙΚΕΣ ΕΝΝΟΙΕΣ Η ανάγκη µαθηµατικής περιγραφής και µοντελοποίησης συστηµάτων τα οποία εξελίσσονται χρονικά κατά τρόπο που περιέχει, σε µικρό ή µεγάλο βαθµό, τυχαιότητα,

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΑ 3,4. Συστήµατα ενός Βαθµού ελευθερίας. k Για E 0, η (1) ισχύει για κάθε x. Άρα επιτρεπτή περιοχή είναι όλος ο άξονας

ΚΕΦΑΛΑΙΑ 3,4. Συστήµατα ενός Βαθµού ελευθερίας. k Για E 0, η (1) ισχύει για κάθε x. Άρα επιτρεπτή περιοχή είναι όλος ο άξονας ΚΕΦΑΛΑΙΑ,4. Συστήµατα ενός Βαθµού ελευθερίας. Να βρεθούν οι επιτρεπτές περιοχές της κίνησης στον άξονα ' O για την απωστική δύναµη F, > και για ενέργεια Ε. (α) Είναι V και οι επιτρεπτές περιοχές της κίνησης

Διαβάστε περισσότερα

Oικονομικές και Mαθηματικές Eφαρμογές

Oικονομικές και Mαθηματικές Eφαρμογές Το πακέτο ΕXCEL: Oικονομικές και Mαθηματικές Eφαρμογές Eπιμέλεια των σημειώσεων και διδασκαλία: Ευαγγελία Χαλιώτη* Θέματα ανάλυσης: - Συναρτήσεις / Γραφικές απεικονίσεις - Πράξεις πινάκων - Συστήματα εξισώσεων

Διαβάστε περισσότερα

Παράδειγμα. Στις χρονοσειρές σημαντικό ρόλο παίζει η αυτοσυσχέτιση: η αυτοσυσχέτιση. (lag k) ισούται με όπου γ

Παράδειγμα. Στις χρονοσειρές σημαντικό ρόλο παίζει η αυτοσυσχέτιση: η αυτοσυσχέτιση. (lag k) ισούται με όπου γ MCMC Η Monte Carlo μεθοδολογία για την δημιουργία αριθμητικών προσεγγίσεων διαφόρων τιμών της εκ των υστέρων κατανομής, όπως του μέσου και της τυπικής απόκλισης, στηρίζεται στους Ασθενείς Νόμους των Μεγάλων

Διαβάστε περισσότερα

ΔΕΣΜΕΥΜΕΝΕΣ Ή ΥΠΟ ΣΥΝΘΗΚΗ ΠΙΘΑΝΟΤΗΤΕΣ

ΔΕΣΜΕΥΜΕΝΕΣ Ή ΥΠΟ ΣΥΝΘΗΚΗ ΠΙΘΑΝΟΤΗΤΕΣ ΔΕΣΜΕΥΜΕΝΕΣ Ή ΥΠΟ ΣΥΝΘΗΚΗ ΠΙΘΑΝΟΤΗΤΕΣ Έστω ότι επιθυμούμε να μελετήσουμε ένα τυχαίο πείραμα με δειγματικό χώρο Ω και έστω η πιθανότητα να συμβεί ένα ενδεχόμενο Α Ω Υπάρχουν περιπτώσεις όπου ενώ δεν γνωρίζουμε

Διαβάστε περισσότερα

3 ΣΥΝΑΡΤΗΣΕΙΣ ΜΙΑΣ ΜΕΤΑΒΛΗΤΗΣ

3 ΣΥΝΑΡΤΗΣΕΙΣ ΜΙΑΣ ΜΕΤΑΒΛΗΤΗΣ 1 2 3 ΣΥΝΑΡΤΗΣΕΙΣ ΜΙΑΣ ΜΕΤΑΒΛΗΤΗΣ 31 ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΟΡΙΣΜΟΣ: Έστω δύο σύνολα Α και Β ΑΠΕΙΚΟΝΙΣΗ του συνόλου Α στο Β είναι η διμελής σχέση f A B για την οποία A αντιστοιχεί ένα και μόνο ένα y B δηλαδή

Διαβάστε περισσότερα

Λογικά Διανύσματα. >>x = -3/2*pi : pi/100 : 3/2*pi; >>y = tan(x); >>plot(x, y)

Λογικά Διανύσματα. >>x = -3/2*pi : pi/100 : 3/2*pi; >>y = tan(x); >>plot(x, y) Λογικά Διανύσματα Τα λογικά διανύσματα του Matlab είναι πολύ χρήσιμα εργαλεία. Για παράδειγμα ας υποθέσουμε ότι θέλουμε να κάνουμε την γραφική παράσταση της tan(x) στο διάστημα από -3π/2 μέχρι 3π/2. >>x

Διαβάστε περισσότερα

ΙΙΙ εσµευµένη Πιθανότητα

ΙΙΙ εσµευµένη Πιθανότητα ΙΙΙ εσµευµένη Πιθανότητα 1 Λυµένες Ασκήσεις Ασκηση 1 Στρίβουµε ένα νόµισµα δύο ϕορές. Υποθέτοντας ότι και τα τέσσερα στοιχεία του δειγµατοχώρου Ω {(K, K, (K, Γ, (Γ, K, (Γ, Γ} είναι ισοπίθανα, ποια είναι

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ. Ερωτήσεις πολλαπλής επιλογής. Συντάκτης: Δημήτριος Κρέτσης

ΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ. Ερωτήσεις πολλαπλής επιλογής. Συντάκτης: Δημήτριος Κρέτσης ΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ Ερωτήσεις πολλαπλής επιλογής Συντάκτης: Δημήτριος Κρέτσης 1. Ο κλάδος της περιγραφικής Στατιστικής: α. Ασχολείται με την επεξεργασία των δεδομένων και την ανάλυση

Διαβάστε περισσότερα

Πεπερασμένες Διαφορές.

Πεπερασμένες Διαφορές. Κεφάλαιο 1 Πεπερασμένες Διαφορές. 1.1 Προσέγγιση παραγώγων. 1.1.1 Πρώτη παράγωγος. Από τον ορισμό της παραγώγου για συναρτήσεις μιας μεταβλητής γνωρίζουμε ότι η παράγωγος μιας συνάρτησης f στο σημείο x

Διαβάστε περισσότερα

ΛΥΣΕΙΣ ΑΣΚΗΣΕΩΝ 5.1 5.8

ΛΥΣΕΙΣ ΑΣΚΗΣΕΩΝ 5.1 5.8 ΛΥΣΕΙΣ ΑΣΚΗΣΕΩΝ 5. 5.8 5. Ένας υγειονοµικός σταθµός θέλει να ελέγξει αν ο µέσος αριθµός βακτηριδίων ανά µονάδα όγκου θαλασσινού νερού σε µια παραλία υπερβαίνει το επίπεδο ασφαλείας των 9 µονάδων. ώδεκα

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ 18. 18 Μηχανική Μάθηση

ΚΕΦΑΛΑΙΟ 18. 18 Μηχανική Μάθηση ΚΕΦΑΛΑΙΟ 18 18 Μηχανική Μάθηση Ένα φυσικό ή τεχνητό σύστηµα επεξεργασίας πληροφορίας συµπεριλαµβανοµένων εκείνων µε δυνατότητες αντίληψης, µάθησης, συλλογισµού, λήψης απόφασης, επικοινωνίας και δράσης

Διαβάστε περισσότερα

Οδηγίες για το Geogebra Μωυσιάδης Πολυχρόνης Δόρτσιος Κώστας

Οδηγίες για το Geogebra Μωυσιάδης Πολυχρόνης Δόρτσιος Κώστας Οδηγίες για το Geogebra Μωυσιάδης Πολυχρόνης Δόρτσιος Κώστας Η πρώτη οθόνη μετά την εκτέλεση του προγράμματος διαφέρει κάπως από τα προηγούμενα λογισμικά, αν και έχει αρκετά κοινά στοιχεία. Αποτελείται

Διαβάστε περισσότερα

ΜΑΘΗΜΑΤΙΚΑ B ΛΥΚΕΙΟΥ ΘΕΤΙΚΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΚΗΣ ΚΑΤΕΥΘΥΝΣΗΣ

ΜΑΘΗΜΑΤΙΚΑ B ΛΥΚΕΙΟΥ ΘΕΤΙΚΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΚΗΣ ΚΑΤΕΥΘΥΝΣΗΣ Γιώργος Πρέσβης ΜΑΘΗΜΑΤΙΚΑ B ΛΥΚΕΙΟΥ ΘΕΤΙΚΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΚΗΣ ΚΑΤΕΥΘΥΝΣΗΣ ΚΕΦΑΛΑΙΟ 3 Ο : ΚΩΝΙΚΕΣ ΤΟΜΕΣ ΕΠΑΝΑΛΗΨΗ Φροντιστήρια Φροντιστήρια ΜΕΘΟΔΟΛΟΓΙΑ ΠΑΡΑΔΕΙΓΜΑΤΑ η Κατηγορία : Ο Κύκλος και τα στοιχεία

Διαβάστε περισσότερα

Το σύνολο Z των Ακεραίων : Z = {... 2, 1, 0, 1, 2, 3,... } Να σηµειώσουµε ότι οι φυσικοί αριθµοί είναι και ακέραιοι.

Το σύνολο Z των Ακεραίων : Z = {... 2, 1, 0, 1, 2, 3,... } Να σηµειώσουµε ότι οι φυσικοί αριθµοί είναι και ακέραιοι. 1 E. ΣΥΝΟΛΑ ΘΕΩΡΙΑ 1. Ορισµός του συνόλου Σύνολο λέγεται κάθε συλλογή πραγµατικών ή φανταστικών αντικειµένων, που είναι καλά ορισµένα και διακρίνονται το ένα από το άλλο. Τα παραπάνω αντικείµενα λέγονται

Διαβάστε περισσότερα

ΦΡΟΝΤΙΣΤΗΡΙΑ «άµιλλα»

ΦΡΟΝΤΙΣΤΗΡΙΑ «άµιλλα» 1 ΜΕΤΡΙΚΕ ΧΕΕΙ ΘΕΩΡΙΑ Μετρικές σχέσεις στο ορθογώνιο τρίγωνο το ορθογώνιο τρίγωνο το τετράγωνο κάθε κάθετης πλευράς είναι ίσο µε το γινόµενο της υποτείνουσας επί την προβολή της κάθετης στην υποτείνουσα.

Διαβάστε περισσότερα

ΓΡΑΜΜΙΚΑ ΣΥΣΤΗΜΑΤΑ ΕΞΙΣΩΣΕΩΝ

ΓΡΑΜΜΙΚΑ ΣΥΣΤΗΜΑΤΑ ΕΞΙΣΩΣΕΩΝ ΓΡΑΜΜΙΚΑ ΣΥΣΤΗΜΑΤΑ ΕΞΙΣΩΣΕΩΝ Θα ξεκινήσουµε την παρουσίαση των γραµµικών συστηµάτων µε ένα απλό παράδειγµα από τη Γεωµετρία, το οποίο ϑα µας ϐοηθήσει στην κατανόηση των συστηµάτων αυτών και των συνθηκών

Διαβάστε περισσότερα

Σ Ε Μ Ι Ν Α Ρ Ι Ο ΤΙΤΛΟΣ ΕΡΓΑΣΙΑΣ: ΕΠΙΒΛΕΠΩΝ ΚΑΘΗΓΗΤΗΣ: ΧΡΗΣΤΟΥ ΚΩΝΣΤΑΝΙΝΟΣ. Υπεύθυνες Εκπόνησης Εργασίας ΟΝΟΜΑ: ΦΩΤΕΙΝΗ ΕΠΩΝΥΜΟ: ΛΙΟΣΗ Α.

Σ Ε Μ Ι Ν Α Ρ Ι Ο ΤΙΤΛΟΣ ΕΡΓΑΣΙΑΣ: ΕΠΙΒΛΕΠΩΝ ΚΑΘΗΓΗΤΗΣ: ΧΡΗΣΤΟΥ ΚΩΝΣΤΑΝΙΝΟΣ. Υπεύθυνες Εκπόνησης Εργασίας ΟΝΟΜΑ: ΦΩΤΕΙΝΗ ΕΠΩΝΥΜΟ: ΛΙΟΣΗ Α. Π Α Ν Ε Π Ι Σ Τ Η Μ Ι Ο Κ Ρ Η Τ Η Σ Π Α Ι Δ Α Γ Ω Γ Ι Κ Ο Τ Μ Η Μ Α Δ Η Μ Ο Τ Ι Κ Η Σ Ε Κ Π Α Ι Δ Ε Υ Σ Η Σ Σ Ε Μ Ι Ν Α Ρ Ι Ο ΣΤΑΤΙΣΤΙΚΗ ΠΕΡΙΓΡΑΦΙΚΗ ΕΦΑΡΜΟΡΜΟΣΜΕΝΗ ΣΤΗΝ ΨΥΧΟΠΑΙΔΑΓΩΓΙΚΗ (Β06Σ03) ΤΙΤΛΟΣ

Διαβάστε περισσότερα

Α) Αν η διάμεσος δ του δείγματος Α είναι αρνητική, να βρεθεί το εύρος R του δείγματος.

Α) Αν η διάμεσος δ του δείγματος Α είναι αρνητική, να βρεθεί το εύρος R του δείγματος. ΜΑΘΗΜΑΤΙΚΑ Γ ΛΥΚΕΙΟΥ ΓΕΝΙΚΗΣ ΣΥΛΛΟΓΗ ΑΣΚΗΣΕΩΝ ου ΚΕΦΑΛΑΙΟΥ Άσκηση 1 (Προτάθηκε από Χρήστο Κανάβη) Έστω CV 0.4 όπου CV ο συντελεστής μεταβολής, και η τυπική απόκλιση s = 0. ενός δείγματος που έχει την ίδια

Διαβάστε περισσότερα

Νίκος Μαζαράκης Αθήνα 2010

Νίκος Μαζαράκης Αθήνα 2010 Νίκος Μαζαράκης Αθήνα 2010 Οι χάρτες των 850 Hpa είναι ένα από τα βασικά προγνωστικά επίπεδα για τη παράµετρο της θερµοκρασίας. Την πίεση των 850 Hpa τη συναντάµε στην ατµόσφαιρα σε ένα µέσο ύψος περί

Διαβάστε περισσότερα

ΙΑΝΥΣΜΑΤΑ ΘΕΩΡΙΑ ΘΕΜΑΤΑ ΘΕΩΡΙΑΣ. Τι ονοµάζουµε διάνυσµα; αλφάβητου επιγραµµισµένα µε βέλος. για παράδειγµα, Τι ονοµάζουµε µέτρο διανύσµατος;

ΙΑΝΥΣΜΑΤΑ ΘΕΩΡΙΑ ΘΕΜΑΤΑ ΘΕΩΡΙΑΣ. Τι ονοµάζουµε διάνυσµα; αλφάβητου επιγραµµισµένα µε βέλος. για παράδειγµα, Τι ονοµάζουµε µέτρο διανύσµατος; ΙΝΥΣΜΤ ΘΕΩΡΙ ΘΕΜΤ ΘΕΩΡΙΣ Τι ονοµάζουµε διάνυσµα; AB A (αρχή) B (πέρας) Στη Γεωµετρία το διάνυσµα ορίζεται ως ένα προσανατολισµένο ευθύγραµµο τµήµα, δηλαδή ως ένα ευθύγραµµο τµήµα του οποίου τα άκρα θεωρούνται

Διαβάστε περισσότερα

ΣΧΕΣΗ ΘΕΩΡΗΜΑΤΩΝ ΘΑΛΗ ΚΑΙ ΠΥΘΑΓΟΡΑ

ΣΧΕΣΗ ΘΕΩΡΗΜΑΤΩΝ ΘΑΛΗ ΚΑΙ ΠΥΘΑΓΟΡΑ ΣΧΣΗ ΘΩΡΗΜΤΩΝ ΘΛΗ ΚΙ ΠΥΘΟΡ ισαγωγή ηµήτρης Ι Μπουνάκης dimitrmp@schgr Οι δυο µεγάλοι Έλληνες προσωκρατικοί φιλόσοφοι, Θαλής (περίπου 630-543 πχ) και Πυθαγόρας (580-500 πχ) άφησαν, εκτός των άλλων, στην

Διαβάστε περισσότερα

Αλγόριθµοι και Πολυπλοκότητα

Αλγόριθµοι και Πολυπλοκότητα Αλγόριθµοι και Πολυπλοκότητα Στην ενότητα αυτή θα µελετηθούν τα εξής θέµατα: Πρόβληµα, Στιγµιότυπο, Αλγόριθµος Εργαλεία εκτίµησης πολυπλοκότητας: οι τάξεις Ο(n), Ω(n), Θ(n) Ανάλυση Πολυπλοκότητας Αλγορίθµων

Διαβάστε περισσότερα

ΔΙΕΡΕΥΝΗΣΗ ΜΕΘΟΔΩΝ ΠΡΟΣΔΙΟΡΙΣΜΟΥ ΚΙΝΗΤΙΚΩΝ ΠΑΡΑΜΕΤΡΩΝ ΘΕΡΜΙΚΗΣ ΑΠΕΝΕΡΓΟΠΟΙΗΣΗΣ

ΔΙΕΡΕΥΝΗΣΗ ΜΕΘΟΔΩΝ ΠΡΟΣΔΙΟΡΙΣΜΟΥ ΚΙΝΗΤΙΚΩΝ ΠΑΡΑΜΕΤΡΩΝ ΘΕΡΜΙΚΗΣ ΑΠΕΝΕΡΓΟΠΟΙΗΣΗΣ ΔΙΕΡΕΥΝΗΣΗ ΜΕΘΟΔΩΝ ΠΡΟΣΔΙΟΡΙΣΜΟΥ ΚΙΝΗΤΙΚΩΝ ΠΑΡΑΜΕΤΡΩΝ ΘΕΡΜΙΚΗΣ ΑΠΕΝΕΡΓΟΠΟΙΗΣΗΣ Μαρία Γιαννακούρου ΤΕΙ Αθηνών, Σχολή Τεχνολογίας Τροφίμων και Διατροφής, Τμήμα Τεχνολογίας Τροφίμων Νικόλαος Γ. Στοφόρος Γεωπονικό

Διαβάστε περισσότερα

ΤΙ ΠΡΟΣ ΙΟΡΙΖΕΙ ΤΗ ΖΗΤΗΣΗ ΓΙΑ ΑΓΑΘΑ ΚΑΙ ΥΠΗΡΕΣΙΕΣ; Y = C + I + G + NX. απάνες Κατανάλωσης από τα νοικοκυριά

ΤΙ ΠΡΟΣ ΙΟΡΙΖΕΙ ΤΗ ΖΗΤΗΣΗ ΓΙΑ ΑΓΑΘΑ ΚΑΙ ΥΠΗΡΕΣΙΕΣ; Y = C + I + G + NX. απάνες Κατανάλωσης από τα νοικοκυριά ΤΙ ΠΡΟΣ ΙΟΡΙΖΕΙ ΤΗ ΖΗΤΗΣΗ ΓΙΑ ΑΓΑΘΑ ΚΑΙ ΥΠΗΡΕΣΙΕΣ; Συνολική Ζήτηση για εγχώριο προϊόν (ΑΕΠ/GDP) απαρτίζεται από Y = C + I + G + NX απάνες Κατανάλωσης από τα νοικοκυριά Επενδυτικές απάνες από τα νοικοκυριά

Διαβάστε περισσότερα

Μάθημα Αστικής Γεωγραφίας

Μάθημα Αστικής Γεωγραφίας Μάθημα Αστικής Γεωγραφίας Διδακτικό Έτος 2015-2016 Παραδόσεις Διδακτικής Ενότητας: Πληθυσμιακή πρόβλεψη Δούκισσας Λεωνίδας, Στατιστικός, Υποψ. Διδάκτορας, Τμήμα Γεωγραφίας, Χαροκόπειο Πανεπιστήμιο Σελίδα

Διαβάστε περισσότερα

ιανύσµατα στον 2-διάστατο και στον 3-διάστατο χώρο

ιανύσµατα στον 2-διάστατο και στον 3-διάστατο χώρο Κεφάλαιο 3 ιανύσµατα στον -διάστατο και στον 3-διάστατο χώρο 3.1 Εισαγωγή στα ιανύσµατα (Γεωµετρική) Πολλές ϕυσικές ποσότητες, όπως το εµβαδόν, το µήκος, η µάζα και η ϑερµοκρασία, περιγράφονται πλήρως

Διαβάστε περισσότερα

1.1. Η Χρησιμότητα της Στατιστικής

1.1. Η Χρησιμότητα της Στατιστικής ε ν ό τ η τ α 1 1.1. Η Χρησιμότητα της Στατιστικής Οι εφαρμογές των μεθόδων της στατιστικής είναι ευρείες. Πριν την αναφορά μας για τη χρησιμότητα της στατιστικής, είναι σκόπιμο να παραθέσουμε τους παρακάτω

Διαβάστε περισσότερα

Προϋποθέσεις : ! Και οι δύο µεταβλητές να κατανέµονται κανονικά και να έχουν επιλεγεί τυχαία.

Προϋποθέσεις : ! Και οι δύο µεταβλητές να κατανέµονται κανονικά και να έχουν επιλεγεί τυχαία. . ΣΤΑΤΙΣΤΙΚΗ ΣΥΣΧΕΤΙΣΗ. Υπολογισµός συντελεστών συσχέτισης Προκειµένου να ελέγξουµε την ύπαρξη γραµµικής σχέσης µεταξύ δύο ποσοτικών µεταβλητών, χρησιµοποιούµε συνήθως τον παραµετρικό συντελεστή συσχέτισης

Διαβάστε περισσότερα

ΘΕΤΙΚΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΚΗΣ ΚΑΤΕΥΘΥΝΣΗΣ

ΘΕΤΙΚΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΚΗΣ ΚΑΤΕΥΘΥΝΣΗΣ Γιώργος Πρέσβης ΜΑΘΗΜΑΤΙΚΑ B ΛΥΚΕΙΟΥ ΘΕΤΙΚΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΚΗΣ ΚΑΤΕΥΘΥΝΣΗΣ ΚΕΦΑΛΑΙΟ Ο : ΕΞΙΣΩΣΗ ΕΥΘΕΙΑΣ ΕΠΑΝΑΛΗΨΗ Φροντιστήρια Φροντιστήρια ΜΕΘΟΔΟΛΟΓΙΑ ΑΣΚΗΣΕΩΝ 1η Κατηγορία : Εξίσωση Γραμμής 1.1 Να εξετάσετε

Διαβάστε περισσότερα

(GNU-Linux, FreeBSD, MacOsX, QNX

(GNU-Linux, FreeBSD, MacOsX, QNX 1.7 διαταξεις (σελ. 17) Παράδειγµα 1 Θα πρέπει να κάνουµε σαφές ότι η επιλογή των λέξεων «προηγείται» και «έπεται» δεν έγινε απλώς για λόγους αφαίρεσης. Μπορούµε δηλαδή να ϐρούµε διάφορα παραδείγµατα στα

Διαβάστε περισσότερα

ΜΑΘΗΜΑΤΙΚΑ Β Γυμνασίου

ΜΑΘΗΜΑΤΙΚΑ Β Γυμνασίου ΥΠΟΥΡΓΕΙΟ ΠΑΙΔΕΙΑΣ ΚΑΙ ΠΟΛΙΤΙΣΜΟΥ ΜΑΘΗΜΑΤΙΚΑ Β Γυμνασίου Ενότητα 4: Συναρτήσεις ΠΑΙΔΑΓΩΓΙΚΟ ΙΝΣΤΙΤΟΥΤΟ ΥΠΗΡΕΣΙΑ ΑΝΑΠΤΥΞΗΣ ΠΡΟΓΡΑΜΜΑΤΩΝ ΜΑΘΗΜΑΤΙΚΑ Β Γυμνασίου Ενότητα 4: Συναρτήσεις Συγγραφή: Ομάδα Υποστήριξης

Διαβάστε περισσότερα