Για παράδειγµα έστω ότι σε κάθε ανεξάρτητη πραγµατοποίηση

Save this PDF as:
 WORD  PNG  TXT  JPG

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "Για παράδειγµα έστω ότι σε κάθε ανεξάρτητη πραγµατοποίηση"

Transcript

1 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 στην προσοµοίωση φυσικών και µαθηµατικών συστηµάτων και προβληµάτων. Επειδή τέτοιοι αλγόριθµοι εξαρτώνται από την χρήση τυχαίων ή ψευδοτυχαίων αριθµών, οι αλγόριθµοι Monte Carlo ονοµάζονται και στοχαστικοί αλγόριθµοι και πρακτικά χρησιµοποιούνται στην περίπτωση που το µοντέλο µας για κάποιο σύστηµα είναι τόσο πολύπλοκο που η παραγωγή αναλυτικών λύσεων, είτε η χρήση αιτιοκρατικών (deterministic) αλγορίθµων είναι αδύνατη. Στην ουσία µε την χρήση στοχαστικών αλγορίθµων θέλουµε να αναπαραστήσουµε ένα στοχαστικό φαινόµενο στον υπολογιστή όσο πολύπλοκο και αν είναι κάνοντας τον µικρότερο δυνατό αριθµό απλουστεύσεων, δηµιουργώντας έτσι ρεαλιστικά µοντέλα. Εάν καταφέρουµε να δηµιουργήσουµε ένα υπολογιστικό µοντέλο που είναι πολύ κοντά στο αντίστοιχο φυσικό σύστηµα, δεν χρειάζεται να περιµένουµε το φαινόµενο να πραγµατοποιηθεί µε φυσικό τρόπο είτε γιατί χρειάζεται µεγάλο χρονικό διάστηµα για την επανάληψη του, είτε λόγω κόστους δεν µπορούµε να έχουµε µεγάλο αριθµό από πραγµατικές εργαστηριακές πραγµατοποιήσεις. Για παράδειγµα έστω ότι σε κάθε ανεξάρτητη πραγµατοποίηση X j, j =, K, n του υπολογιστικού µοντέλου ενδιαφερόµαστε για την πραγµατοποίηση ενδεχοµένου A. Τότε ο νόµος των µεγάλων αριθµών µας εξασφαλίζει ότι ( X j A) E ( X A) = P{ X A, n n j= n Παρατηρώντας λοιπόν χιλιάδες είτε ακόµα και εκατοµµύρια πραγµατοποιήσεις της στοχαστικής προσοµοίωσης µπορούµε να εξάγουµε συµπεράσµατα για το πραγµατικό σύστηµα. Παραγωγή (ψευδο)τυχαίων αριθµών Σπύρος Ι. Χατζησπύρος Σηµειώσεις στην Υπολογιστική Στατιστική µέρος Α

2 iid Έστω ότι Ui ~ U (,) τότε µια πεπερασµένη πραγµατοποίηση της ακολουθίας { U K U είναι µια ακολουθία τυχαίων αριθµών.,, n Στην πραγµατικότητα όµως µόνο να προσοµοιώσουµε µια τέτοια ακολουθία µπορούµε µέσα σε ένα υπολογιστή για αυτό και λέµε ότι µε έναν υπολογιστή µπορούµε να παράγουµε ακολουθία ψευδοτυχαίων αριθµών που όµως έχουν κοινά χαρακτηριστικά µε ακολουθίες πραγµατικά τυχαίων αριθµών. Ψευδοτυχαίες ακολουθίες { U j συνήθως παράγονται µε την χρήση linear congruencies, δηλαδή µη στοχαστικών, γραµµικών αναδροµικών σχέσεων της µορφής (linear congruencies) ( ) ( ) Xi = C Xi = axi + b mod m, i, για δοθέν X (seed), θέτουµε τότε Ui Xi / m Η τριάδα ( abm,, ) ζητάµε να είναι τέτοια ώστε: = όπου x mod m= m( x/ m x/ m ). { () i Η περίοδος του X να είναι µεγάλη δηλαδή το min i: C ( X) = X να είναι της τάξης του m. Η ψευδοτυχαία ακολουθία να περνάει αρκετούς από τους γνωστούς ελέγχους τυχαιότητας (tests for randomness). Για παράδειγµα το information entropy test, autocorrelation test, Kolmogorov Smirnov test κλπ. Παρατήρηση Η χρησιµοποιεί τον αλγόριθµο Mersenne Twister για δειγµατοληψία από την U (,). Η µέθοδος Mersenne Twister βασίζεται σε matrix linear congruence σχέσεις και Mersenne πρώτους. Για παράδειγµα εάν θέλουµε να θέσουµε νέο seed στην > set.seed() Για να πάρουµε δείγµα από την U (,) > runif() Σπύρος Ι. Χατζησπύρος Σηµειώσεις στην Υπολογιστική Στατιστική µέρος Α 2

3 [] Εάν στην συνέχεια θέσουµε και πάλι το ίδιο seed η ακολουθία των δειγµάτων από την οµοιόµορφη επαναλαµβάνεται > set.seed() > runif() [] ## script για τη δηµιουργία ψευδοτυχαίας ακολουθίας αριθµών ## στο (,), για δοθείσα τριάδα ( abm,, ) και αρχική συνθήκη X. myrng<-function(xseed=42, SS=4, a=5, b=7, m=2){ x<-xseed v<-ull for(i in :SS){ x<- (a*x+b) %% m v<-append(v, x/m) return(v) Ας δούµε µια περίπτωση που η περίοδος είναι µικρή για ( abm,, ) = ( 5,7,2) και x = 42 v<-myrng( ); v [] [9] [7] [25] [33] hist(v, breaks=2,main="a=5, b=7, m=2", col="black") Σπύρος Ι. Χατζησπύρος Σηµειώσεις στην Υπολογιστική Στατιστική µέρος Α 3

4 (ADU) Το linear congruence ( abm,, ) = ( ,,2 3 ) χρησιµοποιήθηκε από την IBM στις αρχές τι δεκαετίας του 7. Το 963 όµως ανακαλύφθηκε ότι ισχύει η σχέση xn+ 2 6xn+ + 9xn = κ όπου κ { 5, 4, K,9. Αυτό σηµαίνει ότι συνεχόµενες τριάδες ( un, un+, un+ 2) µε ui = xi / m βρίσκονται αποκλειστικά σε 5 επίπεδα του µοναδιαίου κύβου (, ) 3. ηλαδή η συσχέτιση µεταξύ των ( un, un+, un+ 2) είναι πολύ µεγάλη και δεν µπορεί να χρησιµοποιηθεί για την παραγωγή ψευδοτυχαίων αριθµών. Χρήση της ADU για προσοµοίωση οδηγεί σε εσφαλµένα συµπεράσµατα. Σπύρος Ι. Χατζησπύρος Σηµειώσεις στην Υπολογιστική Στατιστική µέρος Α 4

5 Μια καλή επιλογή είναι η τριάδα ( abm,, ) = ( 7 5,,2 32 ) v<-myrng(3,, 7^5-,, 2^32-) hist(v, breaks=2,main="a=7^5-, b=, m=2^32-", col="black") # To variance της X ~ U ( ab, ) είναι ( b a) 2 /2 εδώ /2 =.8333 > var(v) [] χρήση του random number generator της v<-runif(, min=, max=) hist(v, breaks=2,main=" Mersenne Twister ", col="black") > var(v) [] Σπύρος Ι. Χατζησπύρος Σηµειώσεις στην Υπολογιστική Στατιστική µέρος Α 5

6 Άσκηση 6 3 Να δειχθεί ότι εάν (,, ) ( 2 3,,2 ) abm = + τότε un+ 2 6un+ + 9un = κ όπου κ Z = ( + ) + = ( + ) = ( + + ) ( ) xn ( ) xn xn+ xn x 2 3 x mod2 2 3 x mod x mod n n n n ( ) ( ) = mod 2 = mod 2 = 6 9 mod 2 ή ότι x 6x + 9x = κ 2 u 6u + 9u = κ 3 n+ 2 n+ n n+ 2 n+ n Άσκηση είξτε µε προσοµοίωση ότι το κ στην προηγούµενη σχέση µπορεί να πάρει µόνο τιµές στο σύνολο { 5, 4, K,9. Σπύρος Ι. Χατζησπύρος Σηµειώσεις στην Υπολογιστική Στατιστική µέρος Α 6

7 ## THE ADU POBLEMATIC ACOM UMBE GEEATO randudecode<-function(v){ u<-ull for(i in :length(v)-2){ x<-v[i+2]-6*v[i+]+9*v[i] u<-append(u, x) return(u) getsampledistr<-function(sample){ D<- ULL P<- ULL L<-sample while(length(l)!=){ D<-append(D, L[]) L<-L[L!=L[]] for(i in :length(d)){ x<-d[i] counter<- for(j in :length(sample)) if(x==sample[j]) counter<-counter+ P<-append(P, counter/length(sample)) v<-c(d, P) return(v) > u<-myrng(3,, 2^6+3,, 2^3) > u [] e e e e e-2 [6] e e e e e-2 [] e e e e e- [6] e e e e e- [2].87852e e e e e- [26] e e e e e- [3] e e e-.2963e e- [36].88273e e e e e- [4] e-.844e e e e- [46] e e e e e- [5] e e e e-.65e- [56] e e e e e- Σπύρος Ι. Χατζησπύρος Σηµειώσεις στην Υπολογιστική Στατιστική µέρος Α 7

8 [6] e e e e e- [66] 7.249e e e e e- [7] e e-.9824e e e-2 [76] e e-.289e e e- [8] e e e- 6.84e e- [86] e e e e e- [9] 5.423e e e e e- [96] e e e e e- > mysample<-randudecode(u) > mysample [] [26] [5] [76] > v<-getsampledistr(mysample) > v [] [7] [3] [9] [25] > D<-v[:(length(v)/2)] > D [] > P<-v[(length(v)/2+):length(v)] > P [] [] >plot(d, P, type="h", lwd=2, col="red", ylim=c(,.3)) >points(d, P, pch=6, cex=, col="black") Σπύρος Ι. Χατζησπύρος Σηµειώσεις στην Υπολογιστική Στατιστική µέρος Α 8

9 Ολοκλήρωση Monte Carlo Έστω ότι θέλουµε να υπολογίσουµε το ολοκλήρωµα I = g( x) dx. Συµβολίζουµε την χαρακτηριστική συνάρτηση του διαστήµατος (, ) ( a< x< b) που είναι όταν x ( ab, ) και όταν x ( ab, ). Τότε το ολοκλήρωµα I µπορεί να γραφεί ε τον εξής τρόπο ab µε I = g( x) ( < x< ) dx= g( x) U( x, ) dx= E g( u), u ~ U (,). iid Από τον ισχυρό νόµο των µεγάλων αριθµών έχουµε ότι εάν ui ~ U (,) και E g( u i ) <, τότε ( ) = E ( ) = ( ) n lim i n i= n g u g u g x dx Μια εκτίµηση του I θα είναι Iˆ = g( ui), iid u ~ (, ) i U για µεγάλο, επειδή ( Iˆ ) i= var g( u) = όταν var b Εάν έχουµε να υπολογίσουµε ολοκληρώµατα της µορφής g ( x ) dx είτε a ( ) g x dx b a ( ) ( ) ( ) ( ) gy % ( ) ( ) g x dx= b a g a+ b a y dy, x= a+ b a y ( ) ( ) gy % ( ) g x dx= y g / y dy, x= / y ( ) ( ) ( ) ( ) gy % ( ) ( ) 2 a g x dx= a y g a y dy, x= a y Για πολλαπλά ολοκληρώµατα της µορφής = ( ) έχουµε k E g( u, K, u ) = L g( x, K, x ) U ( x,) dx L dx k k k i= i k I L g x, K, xk dx L dxk θα Σπύρος Ι. Χατζησπύρος Σηµειώσεις στην Υπολογιστική Στατιστική µέρος Α 9

10 k (,, ) ( ) (,, ) L g x K x k k x i dx i Ldx g x x x xk k dx dx = L = K L = k = < < = ενώ n i i lim (,, ) = E (,, ) (,, ) i n = n = x = x k = Μια εκτίµηση του I, για µεγάλο, θα είναι ˆ i i I g( u,, uk) g u K u g u K u L g x K x dx L dx i iid u j ~ U (,) για j k και i k k k k. ## Υπολογισµός του εκτιµητή I ˆ για το I = g( x) dx MCIntegral<-function(, g) { sum<- for(i in :) sum=sum+g(runif()) return(sum/) ## ( ) log x dx= > MCIntegral(, log) [] ## ( ) ( ( )) Exp x 5 dx = 5x exp 5 / x dx = = K, όπου i= myfun<-function(x) return(x^(-2)*5*exp(-5*(x^(-)-))) > MCIntegral(, myfun) [].9865 ##################################################### ## Υπολογισµός του εκτιµητή I ˆ για το I = 2 exp (( x + y ) ) dxdy =;s= for(i in :) { x<-runif();y<-runif() Σπύρος Ι. Χατζησπύρος Σηµειώσεις στην Υπολογιστική Στατιστική µέρος Α

11 s=s/ s<-s+exp((x+y)^2) > s [] #Με αριθµητική ολοκλήρωση ## Το διάνυσµα v περιέχει το running average trajectory. =;s=;v<-c() for(i in :) { x<-runif();y<-runif() s<-s+exp((x+y)^2) if(i>2) v<-append(v, s/i) s=s/ > s [] plot(v, type='l', pch=".") #plot the running average of the MC integration abline(4.9,, ylim=c(2, )) # add the line y=4.9 Σπύρος Ι. Χατζησπύρος Σηµειώσεις στην Υπολογιστική Στατιστική µέρος Α

12 Άσκηση είξτε ότι η συνάρτηση h( x, y) την πολλαπλασιάσουµε µε το 8, δηλαδή ( ) script που να υπολογίζει το ολοκλήρωµα (, ) xy < x < y < = γίνεται πυκνότητα εάν αλλου 8 h x, y dxdy =. Να γραφτεί 2 h x y dxdy y (, ) = ( < < < ) = y= { x= h x y dxdy xy x y dxdy xydx dy y = dy = y= 2 8 Για το script έχουµε ( ) ( ) E ( ) xy < x < y < dxdy = xy x y dxdy XY X Y < = < g X Y όπου X και Y ανεξάρτητες (,) 2 (, ) U τυχαίες µεταβλητές. i Από τον ισχυρό νόµο των µεγάλων αριθµών έχουµε ότι εάν u j iid ~ U (,) τότε i i g u u E XY X Y i= (, 2) ( < ) =;s= for(i in :) { x<-runif();y<-runif() if(x<y) s<-s+x*y s=s/ > s [] Σπύρος Ι. Χατζησπύρος Σηµειώσεις στην Υπολογιστική Στατιστική µέρος Α 2

13 Άσκηση Να υπολογιστεί το εµβαδόν του µοναδιαίου κύκλου µε ολοκλήρωση Monte Carlo. Εάν ( ) {, : D= x y x + y τότε D 2 x 2 2 dxdy = dy dx = x dx = x dx x= y= x ( ) π /2 π /2 2 + cos 2ϑ = 4 cos ( ϑ) dϑ = 4 dϑ 2 ϑ sin( 2ϑ) = π ( ( ) ( )) /2 = 2 ϑ + sin ϑ cos ϑ = π π /2 Για την ολοκλήρωση Monte Carlo έχουµε D 2 2 ( ) ( ) ( ) dxdy = x + y < x < dx < y < dy x= y= ( x y ) ( x ) dx ( y ) dy ( X Y ) x= U U E y= = 4 +,, = 4 + όπου X και Y ανεξάρτητες U (,) τυχαίες µεταβλητές. g u i u i E g X Y u i iid ~ U i= (, 2) (, ) j (,) (, ) g X Y =;s= for(i in :) { x<- -+2*runif(); y<- -+2*runif() if(x^2+y^2<) s<-s+ s=s/ > 4*s [] Σπύρος Ι. Χατζησπύρος Σηµειώσεις στην Υπολογιστική Στατιστική µέρος Α 3

14 Παρατήρηση Το συγκεκριµένο ολοκλήρωµα δίνει εκτίµηση του π = 3.459K, δηλαδή ˆ π i i i iid = ( ( u) + ( u2) < ) u (,) i j ~ U = U ( ab, ) = d a+ ( b a) U (,) Η βελόνα του Buffon Χωρίζουµε το επίπεδο µε παράλληλες ευθείες που έχουν απόσταση t και πετάµε µε τυχαίο τρόπο βελόνες µήκους l < t. Η θέση κάθε βελόνας ως προς την κοντινότερη σε αυτήν ευθεία καθορίζεται από την απόσταση του κέντρου της βελόνας από την ευθεία και από την γωνία που σχηµατίζει η βελόνα µε την ευθεία σύµφωνα µε το σχήµα Έστω ότι πετάµε n βελόνες και m από αυτές τέµνουν κάποια από τις ευθείες τότε µια εκτίµηση του π είναι 2l n ˆn π = t m l Πράγµατι η βελόνα τέµνει την ευθεία όταν x sin ( ϑ ). Εµφανώς 2 PX ( dx) = U ( x, t/2) dx και PΘ ( dϑ ) = U ( ϑ, π /2) dϑ ενώ X Θ έτσι το από κοινού µέτρο είναι PX, Θ ( dx, dϑ ) = U( x, t/2 ) U ( ϑ, π /2) dxdϑ. Θα βρούµε την πιθανότητα του ενδεχοµένου { ( ) { X l ( Θ ) = ω Ω X ( ω) l Θ ( ω) sin / 2 : sin / 2 { sin ( Θ )/ 2 = E { sin ( Θ) / 2 Θ P{ X lsin ( )/ 2 ϑ PΘ( dϑ) ( x lsin ( ϑ) / 2) P X ( dx) PΘ( dϑ) P X l P X l = Θ Θ= = ϑ ϑ X Σπύρος Ι. Χατζησπύρος Σηµειώσεις στην Υπολογιστική Στατιστική µέρος Α 4

15 ηλαδή { ( ) ( ϑ) ϑ X ( ) X ( ) Θ ( ϑ) E ( ( ) ) P X lsin Θ / 2 = x lsin / 2 P dx P d = X lsin Θ / 2 και ϑ π /2 l sin ( ϑ) /2 2 2 ( x l sin ( ϑ )/2) PX ( dx) PΘ ( dϑ) = dx dϑ ϑ= x= t π X 2l 2l sin ( ϑ) dϑ = tπ tπ π /2 ϑ= έτσι 2l = < sin, ~ U, /2 ~ U, /2 t ˆ π n i= ( xi l ( ϑi) ) xi ( t ) ϑi ( π ) m ## The script for the Buffon needle estpi<- function(n, l=, t=2) { m <- for (i in :n) { x <- runif() theta <- runif(, min=, max=pi/2) if (x < l/2 * sin(theta)) m <- m + return(2*l*n/(t*m)) > estpi() [] > estpi() [] > estpi() [] > estpi() [] > estpi() [] Σπύρος Ι. Χατζησπύρος Σηµειώσεις στην Υπολογιστική Στατιστική µέρος Α 5

16 Buffon s needle animation Πρώτα θα πρέπει να κάνουµε download το package animation και στην συνέχεια να δώσουµε τον αριθµό των επαναλήψεων nmax για την ολοκλήρωση Monte Carlo. Το option interval= δίνει µέγιστη ταχύτητα στο animation > ani.options(nmax = 2, interval = ) animation option 'nmax' changed: --> 2 Στην συνέχεια καλούµε την συνάρτηση buffon.needle() όπου l =.8 είναι το µήκος της βελόνας και d = η απόσταση των παράλληλων ευθειών buffon.needle(l =.8, d =, redraw = TUE, mat = matrix(c(, 3, 2, 3), 2), heights = c(3, 2), col = c("lightgray", "red", "gray", "red", "blue", "black", "red"), expand =.4, type = "l") το αποτέλεσµα είναι Για να βρούµε περισσότερες πληροφορίες για την συνάρτηση buffon.needle() χρησιµοποιούµε το query >?ani.options starting httpd help server... done Σπύρος Ι. Χατζησπύρος Σηµειώσεις στην Υπολογιστική Στατιστική µέρος Α 6

17 Άσκηση n ίνεται η στοχαστική διαδικασία{ Kt t [,] µε Kt = inf { n: u i i > t =, όπου για κάθε i τα u i είναι ανεξάρτητες τυχαίες µεταβλητές από την U (,). είξτε ότι E ( K ) t t = e, t. Γράψτε script για την εκτίµηση της µέσης τιµής E ( K t ). Γράψτε script που να προσοµοιώνει ω - τροχιές της διαδικασίας { Kt t [,] () = E( t) = E{ E[ t ] = E[ t = ] (, ) = E[ t = ] mt K K u K u yu y dy K u ydy. Επειδή [ t ] ( ) ( t y) { ( ) E K u = y = y > t + + E K y t θα έχουµε { ( ) () = ( > ) + ( ) + E t y t t t E( t y) E ( t y) mt y tdy K y tdy = dy + dy + K dy = + K dy t και έτσι t () = + ( ). mt mt ydy Παραγωγίζοντας και τα δύο µέλη της προηγούµενης σχέσης έχουµε t () = ( ) + ( ) m t m t m t y dy Θέτοντας u = t y παίρνουµε ( ) = ( ) + t ( ) = ( ) + ( ) ( ) = ( ) m t m m u du m m t m m t Ολοκληρώνοντας την προηγούµενη εξίσωση έχουµε ( ()) ( ( )) log mt log m = t Σπύρος Ι. Χατζησπύρος Σηµειώσεις στην Υπολογιστική Στατιστική µέρος Α 7

18 και επειδή { ( ) ( ) t P K = = m = m t = e. Kestimation<-function(x=, =) { est<- for(i in :) { s<- counter= while(s<x){ s<-s+runif(); counter<-counter+ est<-est+counter return(est/) > Kestimation() [] 2.69 > Kestimation(=) [] > Kestimation(=) [] > Kestimation(x=2) [] 4.65 > Kestimation(x=2, =) [] Παρατήρηση Στην προηγούµενη άσκηση κάναµε χρήση του τύπου του Leibnitz t () bt () at bt () f ( t, x) dx = b () t f ( b() t, x) a () t f ( a() t, x) + f ( t, x) dx at () t. orbit<-function(dx=., M=) { orbit <- c(); X <- c(); x<- for(j in :M) { x<-x+dx; X<-append(X, x) s<-; counter <- while(s<x) {s<-s+runif(); counter <- counter + orbit<-append(orbit, counter) plot(x, orbit, type='l', pch=".") Σπύρος Ι. Χατζησπύρος Σηµειώσεις στην Υπολογιστική Στατιστική µέρος Α 8

19 orbit(dx=., M=25) Σπύρος Ι. Χατζησπύρος Σηµειώσεις στην Υπολογιστική Στατιστική µέρος Α 9

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

( ) Δειγματοληψία από discrete uniform. Έστω τυχαία µεταβλητή Θ που ακολουθεί την διακριτή κατανοµή ( ) = 1, σχηµατικά. 1 2 i i.

( ) Δειγματοληψία από discrete uniform. Έστω τυχαία µεταβλητή Θ που ακολουθεί την διακριτή κατανοµή ( ) = 1, σχηµατικά. 1 2 i i. Δειγματοληψία από discrete uiform Έστω τυχαία µεταβλητή Θ που ακολουθεί την διακριτή κατανοµή π ϑ = ϑ = π για i i i και π i= i =, σχηµατικά ϑ ~ π ϑ ϑ ϑ 2 = π π2 K π Το samplig scheme για την παραπάνω διακριτή

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

4.1 Το αόριστο ολοκλήρωµα - Βασικά ολοκληρώ-

4.1 Το αόριστο ολοκλήρωµα - Βασικά ολοκληρώ- Κεφάλαιο 4 ΟΛΟΚΛΗΡΩΜΑ 4.1 Το αόριστο ολοκλήρωµα - Βασικά ολοκληρώ- µατα Ορισµός 4.1.1. Αρχική ή παράγουσα συνάρτηση ή αντιπαράγωγος µιας συνάρτησης f(x), x [, b], λέγεται κάθε συνάρτηση F (x) που επαληθεύει

Διαβάστε περισσότερα

Αριθµητική Ολοκλήρωση

Αριθµητική Ολοκλήρωση Κεφάλαιο 5 Αριθµητική Ολοκλήρωση 5. Εισαγωγή Για τη συντριπτική πλειοψηφία των συναρτήσεων f (x) δεν υπάρχουν ή είναι πολύ δύσχρηστοι οι τύποι της αντιπαραγώγου της f (x), δηλαδή της F(x) η οποία ικανοποιεί

Διαβάστε περισσότερα

Ευκλείδειοι Χώροι. Ορίζουµε ως R n, όπου n N, το σύνολο όλων διατεταµένων n -άδων πραγµατικών αριθµών ( x

Ευκλείδειοι Χώροι. Ορίζουµε ως R n, όπου n N, το σύνολο όλων διατεταµένων n -άδων πραγµατικών αριθµών ( x Ευκλείδειοι Χώροι Ορίζουµε ως R, όπου N, το σύνολο όλων διατεταµένων -άδων πραγµατικών αριθµών x, x,, x ) Tο R λέγεται ευκλείδειος -χώρος και τα στοιχεία του λέγονται διανύσµατα ή σηµεία Το x i λέγεται

Διαβάστε περισσότερα

11 Το ολοκλήρωµα Riemann

11 Το ολοκλήρωµα Riemann Το ολοκλήρωµα Riem Το πρόβληµα υπολογισµού του εµβαδού οποιασδήποτε επιφάνειας ( όπως κυκλικοί τοµείς, δακτύλιοι και δίσκοι, ελλειπτικοί δίσκοι, παραβολικά και υπερβολικά χωρία κτλ) είναι γνωστό από την

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

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

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

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

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

ΚΑΤΑΝΟΜΕΣ Ι ΙΑΣΤΑΤΩΝ ΤΥΧΑΙΩΝ ΜΕΤΑΒΛΗΤΩΝ

ΚΑΤΑΝΟΜΕΣ Ι ΙΑΣΤΑΤΩΝ ΤΥΧΑΙΩΝ ΜΕΤΑΒΛΗΤΩΝ ΚΑΤΑΝΟΜΕΣ Ι ΙΑΣΤΑΤΩΝ ΤΥΧΑΙΩΝ ΜΕΤΑΒΛΗΤΩΝ Χαράλαµπος Α. Χαραλαµπίδης 16 εκεµβρίου 2009 ΣΥΝΑΡΤΗΣΗ ΚΑΤΑΝΟΜΗΣ Ενδιαφέρον τόσο από ϑεωρητική άποψη, όσο και από άποψη εφαρµογών, παρουσιάζει και η από κοινού µελέτη

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

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

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

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

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

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

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

Διαβάστε περισσότερα

Το θεώρηµα πεπλεγµένων συναρτήσεων

Το θεώρηµα πεπλεγµένων συναρτήσεων 57 Το θεώρηµα πεπλεγµένων συναρτήσεων Έστω F : D R R µια ( τουλάχιστον ) C συνάρτηση ορισµένη στο ανοικτό D x, y D F x, y = Ενδιαφερόµαστε για την ύπαρξη µοναδικής και ώστε διαφορίσιµης συνάρτησης f ορισµένης

Διαβάστε περισσότερα

. Κουζούδης 1 ΠΑΡΑΓΩΓΟΙ

. Κουζούδης 1 ΠΑΡΑΓΩΓΟΙ 1 ΠΑΡΑΓΩΓΟΙ Ποια είναι η χρήση των παραγώγων στην Φυσική και τι ακριβώς είναι; Ένα παράδειγµα θα µας διαφωτίσει. Έστω ότι ένα αυτοκίνητο βρίσκεται την χρονική στιγµή t = 0 s στο σηµείο x = 0 m και κινείται

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

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ: ΠΛΗΡΟΦΟΡΙΚΗ ΘΕ: ΜΑΘΗΜΑΤΙΚΑ ΓΙΑ ΤΗΝ ΠΛΗΡΟΦΟΡΙΚΉ Ι (ΠΛΗ ) ΛΥΣΕΙΣ ΕΡΓΑΣΙΑΣ 4 Άσκηση. (8 µον.) (α) ίνεται παραγωγίσιµη συνάρτηση f για την οποία ισχύει f /

Διαβάστε περισσότερα

ΛΙΒΑΘΙΝΟΣ ΝΙΚΟΛΑΟΣ Επιστήµη και Τεχνολογία των Υπολογιστών Α.Μ.: 403. Πρώτη Οµάδα Ασκήσεων

ΛΙΒΑΘΙΝΟΣ ΝΙΚΟΛΑΟΣ Επιστήµη και Τεχνολογία των Υπολογιστών Α.Μ.: 403. Πρώτη Οµάδα Ασκήσεων ΕΙ ΙΚΑ ΘΕΜΑΤΑ ΘΕΜΕΛΙΩΣΕΩΝ ΤΗΣ ΕΠΙΣΤΗΜΗΣ ΤΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΛΙΒΑΘΙΝΟΣ ΝΙΚΟΛΑΟΣ LIBATI@CEIDUPATRASGR Επιστήµη και Τεχνολογία των Υπολογιστών ΑΜ: Πρώτη Οµάδα Ασκήσεων 8// Να βρεθούν οι OGF για καθεµία από τις

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ 3 ΠΑΡΑΓΩΓΟΣ ΣΥΝΑΡΤΗΣΕΩΝ

ΚΕΦΑΛΑΙΟ 3 ΠΑΡΑΓΩΓΟΣ ΣΥΝΑΡΤΗΣΕΩΝ ΚΕΦΑΛΑΙΟ 3 ΠΑΡΑΓΩΓΟΣ ΣΥΝΑΡΤΗΣΕΩΝ 31 Ορισµοί Ορισµός 311 Εστω f : A f( A), A, f( A) και έστω 0 Α είναι σηµείο συσσώρευσης του συνόλου Α Θα λέµε ότι η f είναι παραγωγίσιµη στο σηµείο 0 εάν υπάρχει λ : Ισοδύναµα:

Διαβάστε περισσότερα

Οι πράξεις που χρειάζονται για την επίλυση αυτών των προβληµάτων (αφού είναι απλές) µπορούν να τεθούν σε µια σειρά και πάρουν µια αλγοριθµική µορφή.

Οι πράξεις που χρειάζονται για την επίλυση αυτών των προβληµάτων (αφού είναι απλές) µπορούν να τεθούν σε µια σειρά και πάρουν µια αλγοριθµική µορφή. Η Αριθµητική Ανάλυση χρησιµοποιεί απλές αριθµητικές πράξεις για την επίλυση σύνθετων µαθηµατικών προβληµάτων. Τις περισσότερες φορές τα προβλήµατα αυτά είναι ή πολύ περίπλοκα ή δεν έχουν ακριβή αναλυτική

Διαβάστε περισσότερα

1.4 Λύσεις αντιστρόφων προβλημάτων.

1.4 Λύσεις αντιστρόφων προβλημάτων. .4 Λύσεις αντιστρόφων προβλημάτων. Ο τρόπος παρουσίασης της λύσης ενός αντίστροφου προβλήµατος µπορεί να διαφέρει ανάλογα µε τη «φιλοσοφία» επίλυσης που ακολουθείται και τη δυνατότητα παροχής πρόσθετης

Διαβάστε περισσότερα

Γενικά Μαθηµατικά Ι Θέµατα Ιανουαρίου 2015

Γενικά Μαθηµατικά Ι Θέµατα Ιανουαρίου 2015 Γενικά Μαθηµατικά Ι Θέµατα Ιανουαρίου 215 Άσκηση 1: (α) Να υπολογισθεί το γενικευµένο ολοκλήρωµα (ax+b)(x 2 +1) αν το a είναι ϑετικός αριθµός. (ϐ) Το µεσηµέρι, ένα σαλιγκάρι που ϐρίσκεται στο κέντρο ενός

Διαβάστε περισσότερα

Σηµειώσεις στις συναρτήσεις

Σηµειώσεις στις συναρτήσεις Σηµειώσεις στις συναρτήσεις 4 Η έννοια της συνάρτησης Ο όρος «συνάρτηση» χρησιµοποιείται αρκετά συχνά για να δηλώσει ότι ένα µέγεθος, µια κατάσταση κτλ εξαρτάται από κάτι άλλο Και στα µαθηµατικά ο όρος

Διαβάστε περισσότερα

ΤΥΧΑΙΟΙ ΑΡΙΘΜΟΙ - ΠΡΟΣΟΜΟΙΩΣΗ

ΤΥΧΑΙΟΙ ΑΡΙΘΜΟΙ - ΠΡΟΣΟΜΟΙΩΣΗ ΚΕΦΑΛΑΙΟ 11 ΤΥΧΑΙΟΙ ΑΡΙΘΜΟΙ - ΠΡΟΣΟΜΟΙΩΣΗ ΤΥΧΑΙΟΙ ΑΡΙΘΜΟΙ Θα εισαγάγουμε την έννοια του τυχαίου αριθμού με ένα παράδειγμα. Παράδειγμα: Θεωρούμε μια τυχαία μεταβλητή με συνάρτηση πιθανότητας η οποία σε

Διαβάστε περισσότερα

Thanasis Kehagias, 2009

Thanasis Kehagias, 2009 Μέρος II Αναλυτικη Γεωµετρια 33 34 Το παρον τευχος περιεχει συντοµη ϑεωρια, λυµενες και αλυτες ασκησεις Αναλυτικης Γεωµετριας. Κατα τη γνωµη µου, για τους περισσοτερους ανθρωπους, ο µονος τροπος εξοικειωσης

Διαβάστε περισσότερα

ΕΡΓΑΣΤΗΡΙΟ ΠΙΘΑΝΟΤΗΤΩΝ

ΕΡΓΑΣΤΗΡΙΟ ΠΙΘΑΝΟΤΗΤΩΝ ΕΡΓΑΣΤΗΡΙΟ ΠΙΘΑΝΟΤΗΤΩΝ ΜΕΡΟΣ Ο ΙΩΝΥΜΙΚΗ ΚΑΤΑΝΟΜΗ Στο εργαστήριο αυτό θα ασχοληθούµε µε την προσοµοίωση της ρίψεως ενός δίκαιου νοµίσµατος. Το µοντέλο το οποίο θα πρέπει να πραγµατοποιήσουµε θα πρέπει να

Διαβάστε περισσότερα

Π.Μ.Σ. Μαθηµατικού 2001-02 «Αριθµητική Ανάλυση» -

Π.Μ.Σ. Μαθηµατικού 2001-02 «Αριθµητική Ανάλυση» - Π.Μ.Σ. Μαθηµατικού 00-0 «Αριθµητική Ανάλυση» -. ΕΙΣΑΓΩΓΗ.... ΤΙ ΕΙΝΑΙ MOTE CARLO.... ΠΟΥ ΕΦΑΡΜΟΖΕΤΑΙ....3 ΠΟΙΑ ΕΙΝΑΙ Η ΠΡΟΕΛΕΥΣΗ ΤΗΣ....4 ΓΙΑΤΙ ΤΗΝ ΧΡΗΣΙΜΟΠΟΙΟΥΜΕ....5 ΠΟΙΑ ΕΙΝΑΙ Η ΑΠΛΟΥΣΤΕΡΗ ΜΟΡΦΗ ΤΗΣ

Διαβάστε περισσότερα

Ασκήσεις Γενικά Μαθηµατικά Ι Οµάδα 9

Ασκήσεις Γενικά Μαθηµατικά Ι Οµάδα 9 Ασκήσεις Γενικά Μαθηµατικά Ι Οµάδα 9 Λουκάς Βλάχος και Μανώλης Πλειώνης Άσκηση : Η καµπύλη y = /x µε x >, περιστρέφεται γύρω από τον άξονα Ox και δηµιουργεί ένα στερεό µε επιφάνεια S και όγκο V. είξτε

Διαβάστε περισσότερα

ΜΑΘΗΜΑΤΙΚΑ & ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ ΓΕΝΙΚΗΣ ΠΑΙ ΕΙΑΣ 2010 ΕΚΦΩΝΗΣΕΙΣ

ΜΑΘΗΜΑΤΙΚΑ & ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ ΓΕΝΙΚΗΣ ΠΑΙ ΕΙΑΣ 2010 ΕΚΦΩΝΗΣΕΙΣ ΜΑΘΗΜΑΤΙΚΑ & ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ ΓΕΝΙΚΗΣ ΠΑΙ ΕΙΑΣ 00 ΕΚΦΩΝΗΣΕΙΣ ΘΕΜΑ Α Α. Έστω t, t,..., t ν οι παρατηρήσεις µιας ποσοτικής µεταβλητής Χ ενός δείγµατος µεγέθους ν, που έχουν µέση τιµή x. Σχηµατίζουµε

Διαβάστε περισσότερα

Τυχαίες Μεταβλητές (τ.µ.)

Τυχαίες Μεταβλητές (τ.µ.) Τυχαίες Μεταβλητές (τ.µ.) Τυχαία Μεταβλητή (τ.µ.) : συνάρτηση Χ (.) µε πεδίο ορισµού τον δειγµατικό χώρο Ω και πεδίο τιµών ένα σύνολο πραγµατικών αριθµών. X (.) : Ω D ιακριτές τ.µ. Συνεχείς τ.µ. Η πιθανοτική

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

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

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

Οι ιδιότητες και οι µέθοδοι επίλυσης διαφορικών εξισώσεων παρουσιάζονται σε µία σειρά εγχειριδίων µαθηµατικών

Οι ιδιότητες και οι µέθοδοι επίλυσης διαφορικών εξισώσεων παρουσιάζονται σε µία σειρά εγχειριδίων µαθηµατικών Γιώργος Αλογοσκούφης, Δυναµική Μακροοικονοµική, Αθήνα 2015 Μαθηµατικό Παράρτηµα 1 Διαφορικές Εξισώσεις Στο µαθηµατικό αυτό παράρτηµα ορίζουµε και αναλύουµε την επίλυση απλών συστηµάτων γραµµικών διαφορικών

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

Παράρτηµα Α. Στοιχεία θεωρίας µέτρου και ολοκλήρωσης.

Παράρτηµα Α. Στοιχεία θεωρίας µέτρου και ολοκλήρωσης. Παράρτηµα Α Στοιχεία θεωρίας µέτρου και ολοκλήρωσης Α Χώροι µέτρου Πέραν της «διαισθητικής» περιγραφής του µέτρου «σχετικά απλών» συνόλων στο από το µήκος τους (όπως πχ είναι τα διαστήµατα, ενώσεις/τοµές

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΦΥΣΙΚΗΣ. ΕΞΕΤΑΣΗ ΣΤΗ ΜΗΧΑΝΙΚΗ Ι Σεπτέµβριος 2004

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΦΥΣΙΚΗΣ. ΕΞΕΤΑΣΗ ΣΤΗ ΜΗΧΑΝΙΚΗ Ι Σεπτέµβριος 2004 ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΦΥΣΙΚΗΣ ΕΞΕΤΑΣΗ ΣΤΗ ΜΗΧΑΝΙΚΗ Ι Σεπτέµβριος 2004 Τµήµα Π. Ιωάννου & Θ. Αποστολάτου Θέµα 1 (25 µονάδες) Ένα εκκρεµές µήκους l κρέµεται έτσι ώστε η σηµειακή µάζα να βρίσκεται ακριβώς

Διαβάστε περισσότερα

Κεφάλαιο M3. Διανύσµατα

Κεφάλαιο M3. Διανύσµατα Κεφάλαιο M3 Διανύσµατα Διανύσµατα Διανυσµατικά µεγέθη Φυσικά µεγέθη που έχουν τόσο αριθµητικές ιδιότητες όσο και ιδιότητες κατεύθυνσης. Σε αυτό το κεφάλαιο, θα ασχοληθούµε µε τις µαθηµατικές πράξεις των

Διαβάστε περισσότερα

Υπολογισμο του π με τη μέθοδο Monte Carlo Αθανάσιος Σταυρακούδης http://stavrakoudis.econ.uoi.gr Άνοιξη 2013 1 / 22 Επισκόπηση 1 Η βελόνα του Buffon 2 Εκτίμηση του π με τη μέθοδο Monte Carlo 3 Το π ως

Διαβάστε περισσότερα

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΜΑΘΗΜΑΤΙΚΑ ΓΙΑ ΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ Ι (ΘΕ ΠΛΗ ) ΕΡΓΑΣΙΑ Η ύλη της εργασίας είναι οι ενότητες 5, 6 και 7 από τον Λογισµό µιας Μεταβλητής Η άσκηση αφορά στην έννοια

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

Ασκήσεις Γενικά Μαθηµατικά Ι Οµάδα 8 (λύσεις)

Ασκήσεις Γενικά Μαθηµατικά Ι Οµάδα 8 (λύσεις) Ασκήσεις Γενικά Μαθηµατικά Ι Οµάδα 8 (λύσεις) Λουκάς Βλάχος και Μανώλης Πλειώνης Άσκηση : (α) Να υπολογισθεί το γενικευµένο ολοκλήρωµα (x+)(x 2 +) (ϐ) Να υπολογισθεί το ολοκλήρωµα f(x) f(x)+f(x+) για κάθε

Διαβάστε περισσότερα

Κεφάλαιο M11. Στροφορµή

Κεφάλαιο M11. Στροφορµή Κεφάλαιο M11 Στροφορµή Στροφορµή Η στροφορµή παίζει σηµαντικό ρόλο στη δυναµική των περιστροφών. Αρχή διατήρησης της στροφορµής Η αρχή αυτή είναι ανάλογη µε την αρχή διατήρησης της ορµής. Σύµφωνα µε την

Διαβάστε περισσότερα

6. Αρµονικές συναρτήσεις και συνοριακά προβλήµατα (Dirichlet).

6. Αρµονικές συναρτήσεις και συνοριακά προβλήµατα (Dirichlet). 6 Αρµονικές συναρτήσεις και συνοριακά προβλήµατα (Diichlet) Aρµονικές συναρτήσεις Ορισµός 61 Εστω E είναι ανοικτό σύνολο και f : E είναι µια πραγµατική συνάρτηση δύο πραγµατικών µεταβλητών και y Θα λέµε

Διαβάστε περισσότερα

1)Βρείτε την εξίσωση για το επίπεδο που περιέχει το σηµείο (1,-1,3) και είναι παράλληλο προς το επίπεδο 3x+y+z=a όπου a ένας αριθµός.

1)Βρείτε την εξίσωση για το επίπεδο που περιέχει το σηµείο (1,-1,3) και είναι παράλληλο προς το επίπεδο 3x+y+z=a όπου a ένας αριθµός. 1)Βρείτε την εξίσωση για το επίπεδο που περιέχει το σηµείο (1,-1,3) και είναι παράλληλο προς το επίπεδο 3x+y+z=a όπου a ένας αριθµός. ( Καρτεσιανή ) επιλέχθηκε για το σχήµα. Ο αριθµός a δεν επιρρεάζει

Διαβάστε περισσότερα

( ) Κλίση και επιφάνειες στάθµης µιας συνάρτησης. x + y + z = κ ορίζει την επιφάνεια µιας σφαίρας κέντρου ( ) κ > τότε η

( ) Κλίση και επιφάνειες στάθµης µιας συνάρτησης. x + y + z = κ ορίζει την επιφάνεια µιας σφαίρας κέντρου ( ) κ > τότε η Έστω Κλίση και επιφάνειες στάθµης µιας συνάρτησης ανοικτό και σταθερά ( µε κ f ( ) ορίζει µια επιφάνεια S στον f : ) τότε η εξίσωση, ονοµάζεται συνήθως επιφάνεια στάθµης της f. εξίσωση, C συνάρτηση. Αν

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

u u u u u u u u u u u x x x x

u u u u u u u u u u u x x x x Βασικοί συµβολισµοί και σχέσεις ϕ ϕ ui & ϕ=, ϕ, i=, ui, j= t x x u1 u1 u1 x1 x2 x u 3 1, 1 ui, j ui, j u1, 1 ui, j ui, j u u u u u u u u u u u i 2 2 2 i, j= = i, j 2, 2 i, j = i, j 2, 2 i, j = x j x1 x2

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

ΜΑΘΗΜΑΤΙΚΑ ΤΕΧΝΟΛΟΓΙΚΗΣ ΚΑΤEΥΘΥΝΣΗΣ Γ ΛΥΚΕΙΟΥ

ΜΑΘΗΜΑΤΙΚΑ ΤΕΧΝΟΛΟΓΙΚΗΣ ΚΑΤEΥΘΥΝΣΗΣ Γ ΛΥΚΕΙΟΥ ΜΑΘΗΜΑΤΙΚΑ ΤΕΧΝΟΛΟΓΙΚΗΣ ΚΑΤEΥΘΥΝΣΗΣ Γ ΛΥΚΕΙΟΥ ΙΑΓΩΝΙΣΜΑ ΘΕΜΑ ο A. Έστω µια συνάρτηση f, η οποία είναι συνεχής σε ένα διάστηµα. Αν f () > σε κάθε εσωτερικό σηµείο του, τότε να αποδείξετε ότι η f είναι γνησίως

Διαβάστε περισσότερα

ΚΙΝΗΜΑΤΙΚΗ ΤΩΝ ΡΕΥΣΤΩΝ

ΚΙΝΗΜΑΤΙΚΗ ΤΩΝ ΡΕΥΣΤΩΝ ΚΙΝΗΜΑΤΙΚΗ ΤΩΝ ΡΕΥΣΤΩΝ ΕΙΣΑΓΩΓΗ Σκοπός της κινηματικής είναι η περιγραφή της κίνησης του ρευστού Τα αίτια που δημιούργησαν την κίνηση και η αναζήτηση των δυνάμεων που την διατηρούν είναι αντικείμενο της

Διαβάστε περισσότερα

Κεφάλαιο 6. Εισαγωγή στη µέθοδο πεπερασµένων όγκων επίλυση ελλειπτικών και παραβολικών διαφορικών εξισώσεων

Κεφάλαιο 6. Εισαγωγή στη µέθοδο πεπερασµένων όγκων επίλυση ελλειπτικών και παραβολικών διαφορικών εξισώσεων Κεφάλαιο 6 Εισαγωγή στη µέθοδο πεπερασµένων όγκων επίλυση ελλειπτικών παραβολικών διαφορικών εξισώσεων 6.1 Εισαγωγή Η µέθοδος των πεπερασµένων όγκων είναι µία ευρέως διαδεδοµένη υπολογιστική µέθοδος επίλυσης

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

x sin 3x 3 sin 3x dx = 3 + C = ln x = x2 ln x d 2 2 ln x 1 x 2 x2 x2 e x sin x dx) e 3x 2x dx = ( 1 3 )x2 e 3x x 2 e 3x 3 2x 3 8x 2 + 9x + 1 4x + 4

x sin 3x 3 sin 3x dx = 3 + C = ln x = x2 ln x d 2 2 ln x 1 x 2 x2 x2 e x sin x dx) e 3x 2x dx = ( 1 3 )x2 e 3x x 2 e 3x 3 2x 3 8x 2 + 9x + 1 4x + 4 ΦΥΕ4, 9- - η Εργασία Παράδοση 8.. Πρόβληµα. Υπολογίστε τα ακόλουθα ολοκληρώµατα (i cos d, (ii ln d, (iii e sin d, (iv e d (i cos d = = ( sin ( sin sin d = ( ( ( cos + C = ( ( sin + sin ( sin d ( cos +

Διαβάστε περισσότερα

Κεφάλαιο 5ο: Εντολές Επανάληψης

Κεφάλαιο 5ο: Εντολές Επανάληψης Χρήστος Τσαγγάρης ΕΕ ΙΠ Τµήµατος Μαθηµατικών, Πανεπιστηµίου Αιγαίου Κεφάλαιο 5ο: Εντολές Επανάληψης Η διαδικασία της επανάληψης είναι ιδιαίτερη συχνή, αφού πλήθος προβληµάτων µπορούν να επιλυθούν µε κατάλληλες

Διαβάστε περισσότερα

Εργαστήριο Μαθηµατικών & Στατιστικής. 1 η Πρόοδος στο Μάθηµα Στατιστική 5/12/08 Α ΣΕΙΡΑ ΘΕΜΑΤΩΝ. 3 ο Θέµα

Εργαστήριο Μαθηµατικών & Στατιστικής. 1 η Πρόοδος στο Μάθηµα Στατιστική 5/12/08 Α ΣΕΙΡΑ ΘΕΜΑΤΩΝ. 3 ο Θέµα Εργαστήριο Μαθηµατικών & Στατιστικής Α ΣΕΙΡΑ ΘΕΜΑΤΩΝ η Πρόοδος στο Μάθηµα Στατιστική 5//8 ο Θέµα To % των ζώων µιας µεγάλης κτηνοτροφικής µονάδας έχει προσβληθεί από µια ασθένεια. Για τη διάγνωση της συγκεκριµένης

Διαβάστε περισσότερα

(f(x)+g(x)) =f (x)+g (x), x R

(f(x)+g(x)) =f (x)+g (x), x R ΘΕΜΑΤΑ ΚΑΙ ΑΠΑΝΤΗΣΕΙΣ ΠΑΝΕΛΛΑ ΙΚΩΝ ΕΞΕΤΑΣΕΩΝ 0 ΜΑΘΗΜΑΤΙΚΑ ΚΑΙ ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ Γ ΛΥΚΕΙΟΥ ΘΕΜΑ Α Α. Αν οι συναρτήσεις, g είναι παραγωγίσιµες στο IR, να αποδείξετε ότι (()+g()) ()+g (), R Μονάδες 7 Α.

Διαβάστε περισσότερα

11ο Πανελλήνιο Συνέδριο της ΕΕΦ, Λάρισα 30-31/03, 1-2/04/2006. Πρακτικά Συνεδρίου

11ο Πανελλήνιο Συνέδριο της ΕΕΦ, Λάρισα 30-31/03, 1-2/04/2006. Πρακτικά Συνεδρίου ο Πανελλήνιο Συνέδριο της ΕΕΦ, Λάρισα 30-3/03, -/04/006. Πρακτικά Συνεδρίου Έµµεσες µετρήσεις φυσικών µεγεθών. Παράδειγµα: Ο πειραµατικός υπολογισµός του g µέσω της µέτρησης του χρόνου των αιωρήσεων απλού

Διαβάστε περισσότερα

10ο Φροντιστηριο ΗΥ217 - Επαναληπτικό

10ο Φροντιστηριο ΗΥ217 - Επαναληπτικό ο Φροντιστηριο ΗΥ7 - Επαναληπτικό Επιµέλεια : Γ. Καφεντζής 7 Ιανουαρίου 4 Ασκηση. Το σήµα s µεταδίδεται από ένα δορυφόρο αλλά λόγω της επίδρασης του ϑορύβου το λαµβανόµενο σήµα έχει τη µορφή X s + W. Οταν

Διαβάστε περισσότερα

ΕΙΣΑΓΩΓΗ ΣΤΟ MATLAB- SIMULINK

ΕΙΣΑΓΩΓΗ ΣΤΟ MATLAB- SIMULINK ΕΙΣΑΓΩΓΗ ΣΤΟ MATLAB- SIMULINK ρ. Γεώργιος Φ. Φραγκούλης Καθηγητής Ver. 0.2 9/2012 ιανύσµατα & ισδιάστατοι πίνακες Ένα διάνυσµα u = (u1, u2,, u ) εισάγεται στη MATLAB ως εξής : u=[ u1, u2,, un ] ή u=[ u1

Διαβάστε περισσότερα

Κ. Χριστοδουλίδης: Μαθηµατικό Συµπλήρωµα για τα Εισαγωγικά Μαθήµατα Φυσικής 61. 12. Ολοκληρώµατα διανυσµατικών συναρτήσεων

Κ. Χριστοδουλίδης: Μαθηµατικό Συµπλήρωµα για τα Εισαγωγικά Μαθήµατα Φυσικής 61. 12. Ολοκληρώµατα διανυσµατικών συναρτήσεων Κ Χριστοδουλίδης: Μαθηµατικό Συµπλήρωµα για τα Εισαγωγικά Μαθήµατα Φυσικής 6 Ολοκληρώµατα διανυσµατικών συναρτήσεων Υπάρχουν διαφόρων ειδών ολοκληρώµατα διανυσµάτων, ανάλογα µε τη µορφή που έχει η ολοκληρωτέα

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

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ ΜΑΘΗΜΑΤΙΚΑ Ι (ΘΕ ΠΛΗ ) ΕΡΓΑΣΙΑ 3 Ηµεροµηνία αποστολής στον φοιτητή: 3 Iανουαρίου 004. Τελική ηµεροµηνία αποστολής από τον φοιτητή: 8 Φεβρουαρίου

Διαβάστε περισσότερα

ΕΥΡΕΣΗ ΣΥΝΟΛΟΥ ΤΙΜΩΝ ΣΥΝΑΡΤΗΣΗΣ. της f : A. Rούτε εύκολη είναι ούτε πάντοτε δυνατή. Για τις συναρτήσεις f (x) = x ηµ x και ΜΕΘΟ ΟΛΟΓΙΑ

ΕΥΡΕΣΗ ΣΥΝΟΛΟΥ ΤΙΜΩΝ ΣΥΝΑΡΤΗΣΗΣ. της f : A. Rούτε εύκολη είναι ούτε πάντοτε δυνατή. Για τις συναρτήσεις f (x) = x ηµ x και ΜΕΘΟ ΟΛΟΓΙΑ ΕΥΡΕΣΗ ΣΥΝΟΛΟΥ ΤΙΜΩΝ ΣΥΝΑΡΤΗΣΗΣ Έστω fµια συνάρτηση µε πεδίο ορισµού το Α. Το σύνολο των τιµών της είναι f( A) { R = υπάρχει (τουλάχιστον) ένα A : f () = }. Ο προσδιορισµός του συνόλου τιµών f( A) της

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

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

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ «ΠΛΗΡΟΦΟΡΙΚΗ» ΜΑΘΗΜΑΤΙΚΑ Ι (ΘΕ ΠΛΗ 12) ΕΡΓΑΣΙΑ 4

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ «ΠΛΗΡΟΦΟΡΙΚΗ» ΜΑΘΗΜΑΤΙΚΑ Ι (ΘΕ ΠΛΗ 12) ΕΡΓΑΣΙΑ 4 ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ «ΠΛΗΡΟΦΟΡΙΚΗ» ΜΑΘΗΜΑΤΙΚΑ Ι (ΘΕ ΠΛΗ ) ΕΡΓΑΣΙΑ 4 Ηµεροµηνία αποστολής στον φοιτητή: 9 Φεβρουαρίου 5. Τελική ηµεροµηνία αποστολής από τον φοιτητή: Μαρτίου 5.

Διαβάστε περισσότερα

CRAMER-RAO ΚΑΤΩ ΦΡΑΓΜΑ - ΑΠΟ ΟΤΙΚΟΙ ΕΚΤΙΜΗΤΕΣ

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

Διαβάστε περισσότερα

Εργασία 2. Παράδοση 20/1/08 Οι ασκήσεις είναι βαθμολογικά ισοδύναμες

Εργασία 2. Παράδοση 20/1/08 Οι ασκήσεις είναι βαθμολογικά ισοδύναμες Εργασία Παράδοση 0/1/08 Οι ασκήσεις είναι βαθμολογικά ισοδύναμες 1. Υπολογίστε τα παρακάτω όρια: Α. Β. Γ. όπου x> 0, y > 0 Δ. όπου Κάνετε απευθείας τις πράξεις χωρίς να χρησιμοποιήσετε παραγώγους. Επιβεβαιώστε

Διαβάστε περισσότερα

Ακρότατα υπό συνθήκη και οι πολλαπλασιαστές του Lagrange

Ακρότατα υπό συνθήκη και οι πολλαπλασιαστές του Lagrange 64 Ακρότατα υπό συνθήκη και οι πολλαπλασιαστές του Lagrage Ας υποθέσουµε ότι ένας δεδοµένος χώρος θερµαίνεται και η θερµοκρασία στο σηµείο,, Τ, y, z Ας υποθέσουµε ότι ( y z ) αυτού του χώρου δίδεται από

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

Μαθηματική Ανάλυση ΙI

Μαθηματική Ανάλυση ΙI Τμήμα Μηχανικών Πληροφορικής & Τηλεπικοινωνιών Μαθηματική Ανάλυση ΙI Ενότητα 8: Διπλά ολοκληρώματα Επίκουρος Καθηγητής Θ. Ζυγκιρίδης e-mail: tzygiridis@uowm.gr Τμήμα Μηχανικών Πληροφορικής και Τηλεπικοινωνιών

Διαβάστε περισσότερα

Θα λύσετε ένα από τα έξι πακέτα ασκήσεων που ακολουθούν, τα οποία είναι αριθµηµένα από 0 έως5. Ο κάθε φοιτητής βρίσκει το πακέτο που του αντιστοιχεί

Θα λύσετε ένα από τα έξι πακέτα ασκήσεων που ακολουθούν, τα οποία είναι αριθµηµένα από 0 έως5. Ο κάθε φοιτητής βρίσκει το πακέτο που του αντιστοιχεί Θα λύσετε ένα από τα έξι πακέτα ασκήσεων που ακολουθούν, τα οποία είναι αριθµηµένα από 0 έως5. Ο κάθε φοιτητής βρίσκει το πακέτο που του αντιστοιχεί από τον αριθµό µητρώου του. Συγκεκριµένα υπολογίζει

Διαβάστε περισσότερα

Περίληψη ϐασικών εννοιών στην ϑεωρία πιθανοτήτων

Περίληψη ϐασικών εννοιών στην ϑεωρία πιθανοτήτων Περίληψη ϐασικών εννοιών στην ϑεωρία πιθανοτήτων 6 Απριλίου 2009 1 Συνδυαστική Η ϐασική αρχή µέτρησης µας λέει ότι αν σε ένα πείραµα που γίνεται σε δύο ϕάσεις και στο οποίο υπάρχουν n δυνατά αποτελέσµατα

Διαβάστε περισσότερα

Λύνοντας ασκήσεις µε αντίστροφες συναρτήσεις ρ. Παναγιώτης Λ. Θεοδωρόπουλος πρώην Σχολικός Σύµβουλος ΠΕ03 e-mail@p-theodoropoulos.gr Εισαγωγή Η αντίστροφη συνάρτηση f µιας αντιστρέψιµης συνάρτησης f είναι

Διαβάστε περισσότερα

( ) ΕΚΘΕΤΙΚΗ ΣΥΝΑΡΤΗΣΗ. Σηµείωση. 2. Παραδοχή α = Ιδιότητες x. αβ = α = α ( ) x. α β. α : α = α = α

( ) ΕΚΘΕΤΙΚΗ ΣΥΝΑΡΤΗΣΗ. Σηµείωση. 2. Παραδοχή α = Ιδιότητες x. αβ = α = α ( ) x. α β. α : α = α = α . ΕΚΘΕΤΙΚΗ ΣΥΝΑΡΤΗΣΗ ΘΕΩΡΙΑ. Σηµείωση Οι δυνάµεις α του κεφαλαίου έχουν βάση α > 0 και εκθέτη οποιονδήποτε πραγµατικό αριθµό.. Παραδοχή 0 α. Ιδιότητες α + α ( ) α α : α ( ) α α α αβ α β α β α β. Εκθετική

Διαβάστε περισσότερα

ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΙ ΜΕΤΑΒΛΗΤΩΝ

ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΙ ΜΕΤΑΒΛΗΤΩΝ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΙ ΜΕΤΑΒΛΗΤΩΝ Όπως έχει αποδειχθεί (βλέπε π.χ. Ε. Ξεκαλάκη και Ι. Πανάρετο 993) οι αναµενόµενες τιµές E( ) και E( m ) παρέχουν σηµαντικές πληροφορίες σχετικά µε την κατανοµή µιας πραγµατικής

Διαβάστε περισσότερα

ΜΑΘΗΜΑΤΙΚΑ ΘΕΤΙΚΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΚΗΣ ΚΑΤΕΥΘΥΝΣΗΣ ΑΠΑΝΤΗΣΕΙΣ

ΜΑΘΗΜΑΤΙΚΑ ΘΕΤΙΚΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΚΗΣ ΚΑΤΕΥΘΥΝΣΗΣ ΑΠΑΝΤΗΣΕΙΣ ΜΑΘΗΜΑΤΙΚΑ ΘΕΤΙΚΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΚΗΣ ΚΑΤΕΥΘΥΝΣΗΣ ΑΠΑΝΤΗΣΕΙΣ ΘΕΜΑ o A. Θεωρία σελ. 7 Β. Θεωρία σελ. 47 Γ. α. Σωστό β. Σωστό γ. Σωστό δ. Λάθος (βρίσκεται "κάτω" από τη γραφική παράσταση) ε. Λάθος (π.χ. ()

Διαβάστε περισσότερα

5.1 Ιδιοτιµές και Ιδιοδιανύσµατα

5.1 Ιδιοτιµές και Ιδιοδιανύσµατα Κεφάλαιο 5 Ιδιοτιµές και Ιδιοδιανύσµατα 5 Ιδιοτιµές και Ιδιοδιανύσµατα Αν ο A είναι ένας n n πίνακας και το x είναι ένα διάνυσµα στον R n, τότε το Ax είναι και αυτό ένα διάνυσµα στον R n Συνήθως δεν υπάρχει

Διαβάστε περισσότερα

Υπολογισµός διπλών ολοκληρωµάτων µε διαδοχική ολοκλήρωση

Υπολογισµός διπλών ολοκληρωµάτων µε διαδοχική ολοκλήρωση 8 Υπολογισµός διπλών ολοκληρωµάτων µε διαδοχική ολοκλήρωση Υπάρχουν δύο θεµελιώδη αποτελέσµατα που µας βοηθούν να υπολογίζουµε πολλαπλά ολοκληρώµατα Το πρώτο αποτέλεσµα σχετίζεται µε τον υπολογισµό ενός

Διαβάστε περισσότερα

ΠΟΛΥΔΙΑΣΤΑΤΕΣ ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ

ΠΟΛΥΔΙΑΣΤΑΤΕΣ ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ Δ.Φουσκάκης- Πολυδιάστατες Τυχαίες Μεταβλητές 1 ΠΟΛΥΔΙΑΣΤΑΤΕΣ ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ Συνάρτηση Κατανομής: Έστω Χ=(Χ 1,,Χ ) T τυχαίο διάνυσμα (τ.δ). Ονομάζουμε συνάρτηση κατανομής πιθανότητας (σ.κ.π.) του τ.δ.

Διαβάστε περισσότερα

Kεφάλαιο 4. Συστήµατα διαφορικών εξισώσεων

Kεφάλαιο 4. Συστήµατα διαφορικών εξισώσεων 4 Εισαγωγή Kεφάλαιο 4 Συστήµατα διαφορικών εξισώσεων Εστω διανυσµατικό πεδίο F: : F=F( r), όπου r = ( x, ) και Fr είναι η ταχύτητα στο σηµείο r πχ ενός ρευστού στο επίπεδο Εστω ότι ψάχνουµε τις τροχιές

Διαβάστε περισσότερα

9o Γεν. Λύκειο Περιστερίου ( 3.1) ΚΥΚΛΟΣ. ΚΕΦΑΛΑΙΟ 3 ο : KΩΝΙΚΕΣ ΤΟΜΕΣ ΜΑΘΗΜΑΤΙΚΑ ΚΑΤ/ΝΣΗΣ Β ΛΥΚΕΙΟΥ

9o Γεν. Λύκειο Περιστερίου ( 3.1) ΚΥΚΛΟΣ. ΚΕΦΑΛΑΙΟ 3 ο : KΩΝΙΚΕΣ ΤΟΜΕΣ ΜΑΘΗΜΑΤΙΚΑ ΚΑΤ/ΝΣΗΣ Β ΛΥΚΕΙΟΥ ΚΕΦΑΛΑΙ 3 ο : KΩΝΙΚΕΣ ΤΜΕΣ ΜΑΘΗΜΑΤΙΚΑ ΚΑΤ/ΝΣΗΣ Β ΛΥΚΕΙΥ ( 3.) ΚΥΚΛΣ Γνωρίζουµε ότι ένας κύκλος (, ρ) είναι ο γεωµετρικός τόπος των σηµείων του επιπέδου τα οποία απέχουν µια ορισµένη απόσταση ρ από ένα

Διαβάστε περισσότερα

X = συνεχης. Είναι εμφανές ότι αναγκαία προϋπόθεση για την ύπαρξη της ροπογεννήτριας

X = συνεχης. Είναι εμφανές ότι αναγκαία προϋπόθεση για την ύπαρξη της ροπογεννήτριας Ροπογεννήτριες (mome geerig fucios), πιθανογεννήτριες (robbiliy geerig fucios) και χαρακτηριστικές συναρτήσεις (chrcerisic fucios) Η ροπογεννήτρια συνάρτηση της τμ είναι η πραγματική συνάρτηση πραγματικής

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

ΣΥΝ ΥΑΣΤΙΚΗ ΑΝΑΛΥΣΗ. Θεωρία Πιθανοτήτων και Στοχαστικές ιαδικασίες, Κ. Πετρόπουλος. Τµ. Επιστήµης των Υλικών

ΣΥΝ ΥΑΣΤΙΚΗ ΑΝΑΛΥΣΗ. Θεωρία Πιθανοτήτων και Στοχαστικές ιαδικασίες, Κ. Πετρόπουλος. Τµ. Επιστήµης των Υλικών Τµ. Επιστήµης των Υλικών Χώρος Πιθανότητας Συµµετρικός Χώρος Πιθανότητας 1 Θεωρούµε ότι ο δειγµατοχώρος Ω είναι πεπερασµένος, Ω= {ω 1,ω 2,...,ω n }. 2 Κάθε δειγµατοσηµείο έχει τις ίδιες ευκαιρίες εµφάνισης

Διαβάστε περισσότερα

1. Κινηµατική. x dt (1.1) η ταχύτητα είναι. και η επιτάχυνση ax = lim = =. (1.2) Ο δεύτερος νόµος του Νεύτωνα παίρνει τη µορφή: (1.

1. Κινηµατική. x dt (1.1) η ταχύτητα είναι. και η επιτάχυνση ax = lim = =. (1.2) Ο δεύτερος νόµος του Νεύτωνα παίρνει τη µορφή: (1. 1. Κινηµατική Βιβλιογραφία C. Kittel W. D. Knight M. A. Rueman A. C. Helmholz και B. J. Moe Μηχανική. Πανεπιστηµιακές Εκδόσεις Ε.Μ.Π. 1998. Κεφ.. {Μαθηµατικό Συµπλήρωµα Μ1 Παράγωγος} {Μαθηµατικό Συµπλήρωµα

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

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ ΜΑΘΗΜΑΤΙΚΑ Ι (ΘΕ ΠΛΗ ) Ενδεικτικές Λύσεις ΕΡΓΑΣΙΑ η Ηµεροµηνία Αποστολής στον Φοιτητή: Ιανουαρίου 6 Ηµεροµηνία Παράδοσης της Εργασίας από

Διαβάστε περισσότερα

ΦΥΣ 145 Μαθηµατικές Μέθοδοι στη Φυσική. 21 Μαίου Γράψτε το ονοµατεπώνυµο και αριθµό ταυτότητάς σας στο πάνω µέρος της αυτής της σελίδας.

ΦΥΣ 145 Μαθηµατικές Μέθοδοι στη Φυσική. 21 Μαίου Γράψτε το ονοµατεπώνυµο και αριθµό ταυτότητάς σας στο πάνω µέρος της αυτής της σελίδας. ΦΥΣ 145 Μαθηµατικές Μέθοδοι στη Φυσική 21 Μαίου 2009 Γράψτε το ονοµατεπώνυµο και αριθµό ταυτότητάς σας στο πάνω µέρος της αυτής της σελίδας. Επίσης γράψετε το password σας. Στο τέλος της εξέτασης θα πρέπει

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

ΜΑΘΗΜΑΤΙΚΑ II ΕΚΦΩΝΗΣΕΙΣ

ΜΑΘΗΜΑΤΙΚΑ II ΕΚΦΩΝΗΣΕΙΣ ΜΑΘΗΜΑΤΙΚΑ II ΕΠΑΛ (ΟΜΑ Α Β ) ΕΚΦΩΝΗΣΕΙΣ ΘΕΜΑ Α A Έστω f µια συνάρτηση ορισµένη σε ένα διάστηµα Αν F είναι µια παράγουσα της f στο, τότε να αποδείξετε ότι: όλες οι συναρτήσεις της µορφής G() F() + c, c

Διαβάστε περισσότερα

cov(x, Y ) = E[(X E[X]) (Y E[Y ])] cov(x, Y ) = E[X Y ] E[X] E[Y ]

cov(x, Y ) = E[(X E[X]) (Y E[Y ])] cov(x, Y ) = E[X Y ] E[X] E[Y ] Πανεπιστήµιο Κρήτης - Τµήµα Επιστήµης Υπολογιστών ΗΥ-317: Εφαρµοσµένες Στοχαστικές ιαδικασίες-εαρινό Εξάµηνο 2016 ιδάσκων : Π. Τσακαλίδης Συνδιασπορά - Συσχέτιση Τυχαίων Μεταβλητών Επιµέλεια : Κωνσταντίνα

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ 4 ΙΠΛΑ ΟΛΟΚΛΗΡΩΜΑΤΑ. είναι διαµερίσεις των κλειστών διαστηµάτων [α,b] και [c,d] αντιστοίχως της µορφής

ΚΕΦΑΛΑΙΟ 4 ΙΠΛΑ ΟΛΟΚΛΗΡΩΜΑΤΑ. είναι διαµερίσεις των κλειστών διαστηµάτων [α,b] και [c,d] αντιστοίχως της µορφής . Ορισµοί-Ιδιότητες ΚΕΦΑΛΑΙΟ 4 ΙΠΛΑ ΟΛΟΚΛΗΡΩΜΑΤΑ Έστω f : R είναι µία φραγµένη συνάρτηση πάνω σε µία κλειστή ορθογώνια περιοχή Εστω (, y ) { } R =,y :a b, c y d. = είναι µια διαµέριση της ορθογώνιας περιοχής

Διαβάστε περισσότερα