ΒΕΛΤΙΣΤΟΙ ΣΧΕΔΙΑΣΜΟΙ ΣΕ ΑΝΟΜΟΙΟΓΕΝΕΙΣ ΠΛΗΘΥΣΜΟΥΣ
|
|
- Ναχώρ Σπάρτακος Δαγκλής
- 6 χρόνια πριν
- Προβολές:
Transcript
1 Ελληνικό Στατιστικό Ινστιτούτο Πρακτικά 0 ου Πανελληνίου Συνεδρίου Στατιστικής (007), σελ 09-6 ΒΕΛΤΙΣΤΟΙ ΣΧΕΔΙΑΣΜΟΙ ΣΕ ΑΝΟΜΟΙΟΓΕΝΕΙΣ ΠΛΗΘΥΣΜΟΥΣ Στρατής Κουνιάς Ομότιμος Καθηγητής, Πανεπιστήμιο Αθηνών sounas@math.uoa.gr ΠΕΡΙΛΗΨΗ Δίνονται αρχικά οι βέλτιστοι πειραματικοί σχεδιασμοί, όταν υπάρχουν n ομοιογενείς πειραματικές μονάδες και δύο ή περισσότερες αγωγές, δίνονται επίσης οι βέλτιστοι σχεδιασμοί, όταν οι μονάδες είναι ανομοιογενείς κατά ένα χαρακτηριστικό (column desgns). Τέλος δίνονται οι βέλτιστοι σχεδιασμοί σε πληθυσμούς που είναι ανομοιογενείς σε δύο χαρακτηριστικά (row-column desgns), όταν υπάρχουν δύο αγωγές και μια παρατήρηση ανά κυψέλη. Γίνεται εφαρμογή της θεωρίας με παραδείγματα.. ΕΙΣΑΓΩΓΗ. Σε ένα γραμμικό μοντέλο, όταν μας δίνονται n πειραματικές μονάδες, τις οποίες καλούμε μονάδες (unts), μας ενδιαφέρει η εκτίμηση μερικών από τις παραμέτρους. Σε πρώτο στάδιο θεωρούμε τις παρατηρήσεις ασυσχέτιστες με σταθερή διασπορά και εξετάζουμε διάφορα μοντέλα. Στην εργασία αυτή δίνεται μια σύντομη επισκόπηση της περιοχής.. ΟΜΟΙΟΓΕΝΕΙΣ ΠΛΗΘΥΣΜΟΙ. Ομοιογενής πληθυσμός, δύο αγωγές Y + = μ Α e = μ Β e Y +, όταν εφαρμόζεται η αγωγή Α, όταν εφαρμόζεται η αγωγή Β Η μέθοδος ελαχίστων τετραγώνων δίνει, μα ΥΑ Y A / s 0 = με πίνακα διασποράς V = σ, όπου s μβ ΥΒ YB 0 /( n s) είναι το πλήθος των μονάδων που εφαρμόζεται η αγωγή Α και n-s είναι το πλήθος των μονάδων που εφαρμόζεται η αγωγή Β. Μας ενδιαφέρει η εκτίμηση της διαφοράς τους, με την ελάχιστη δυνατή διασπορά. n s = n s = n / n = 0mod var( μ α μ ) = σ Β s( n s) s = ( n ) / ; ή s = ( n + ) / n = mod Με ελάχιστη διασπορά
2 4 / n n = 0mod var( μ α μ ) = σ Β 4 /( n (/ n)) n = mod. Ομοιογενής πληθυσμός, αγωγές: Οι αγωγές είναι A,..., A και το πλήθος των μονάδων, στις οποίες εφαρμόζονται αυτές οι αγωγές, είναι αντίστοιχα n,, n, n + + n = n, τότε Y μ + e, =,,, =,..., n = Α Η μέθοδος ελαχίστων τετραγώνων δίνει, μ Υ / n 0 0 [ ] μ Υ = = 0 / n μ = V ( μ) σ 0 μκ Υ 0 0 / n Μας ενδιαφέρει να βρούμε το σχεδιασμό που ελαχιστοποιεί μια συνάρτηση φ n,, n ) των διασπορών τους, όπως το άθροισμα των διασπορών (Α-βέλτιστος), ( ή το γινόμενο των διασπορών (D-βέλτιστος), κ.λπ.. Παρατηρούμε ότι ο n γράφεται n n = m + s, m = [ ], 0 s < Ορίζουμε το σχεδιασμό d που δίνει σε s αγωγές από (m+) μονάδες και στις υπόλοιπες (-s) αγωγές από m μονάδες, χρησιμοποιούνται έτσι και οι n μονάδες. Ο συμβολισμός δ b σημαίνει ότι το διάνυσμα b = ( n,, n ) υπερέχει του διανύσματος δ = ( m +,..., m +, m,, m) (δ s maorzed by b), επομένως για κάθε αυστηρά κυρτή συνάρτηση g : (0; ) R ισχύει (Puelshem pp44-46), g(δ ) g( b = = Οι συναρτήσεις ( ) g( x) = / x, x > 0, ( ) g( x) = log( x), x > 0, ( ) ( λmn ( V )) είναι αυστηρά κυρτές, επομένως ο σχεδιασμός δ είναι καθολικά βέλτιστος, που σημαίνει ότι είναι και A,D,E, βέλτιστος..3 Ομοιογενής πληθυσμός, - αγωγές και ένας μάρτυρας, >. Το μοντέλο για τις κ αγωγές, που σε κάθε παρατήρηση εφαρμόζεται μια από τις κ αγωγές, είναι: Ε( Y) = μα + μα + + μα, Y : nx, : nx όπου, =,..., έχει στις θέσεις που εφαρμόζεται η -στή αγωγή και 0 αλλού, τότε + + =. Επομένως το μοντέλο γράφεται, Ε Y) = μ + ( μ μ ) + + ( μ μ (.) ( Α Α Α Α ) )
3 Μας ενδιαφέρει η εκτίμηση των μ μ ),,( μ μ ), ο πίνακας ( Α Α Α διασποράς τους, που δίνει η μέθοδος ελαχίστων τετραγώνων, είναι: μα μα 0 0 n n μα μα V = σ Q, Q = 0 0 [ n ] (.) n 0 0 μ μα όπου n =,..., είναι το πλήθος των παρατηρήσεων της -στης αγωγής, με, n = n, n > 0 =,...,, Αν για κάποιο είναι n = 0, τότε δεν θα ήταν εκτιμήσιμη η διαφορά μ μ ), αν n = 0 δεν θα ήταν ( Α Α εκτιμήσιμες οι διαφορές μ μ ),,( μ μ ). ( Α Α Α Στην περίπτωση αυτή δεν είναι γνωστό αν υπάρχει καθολικά βέλτιστος σχεδιασμός, όμως εξετάζουμε Α και D βέλτιστους σχεδιασμούς, όταν η τιμή των παρατηρήσεων για το μάρτυρα είναι: () Προσδιορισμένη, (ιι) Χωρίς περιορισμό. Θεώρημα. Αν: (ι) Η τιμή είναι δοσμένη και n n = ( ) m + c, 0 c < (.3) τότε ο Α και D βέλτιστος σχεδιασμός, για την εκτίμηση των διαφορών μ μ ),,( μ μ ), είναι να πάρουμε (m+) παρατηρήσεις σε c από ( Α Α Α τις αγωγές A,..., A () Η τιμή n και m παρατηρήσεις στις υπόλοιπες (--c) αγωγές.. δεν είναι δοσμένη και n = r + d, 0 d < (.4) τότε ο D βέλτιστος σχεδιασμός, για την εκτίμηση των διαφορών μ μ ),,( μ μ ), είναι να πάρουμε (r+) παρατηρήσεις σε d από ( Α Α Α τις αγωγές A A,..., και r παρατηρήσεις στις υπόλοιπες (-d) αγωγές. Για τον Α βέλτιστο σχεδιασμό επιλέγουμε το ώστε να ελαχιστοποιείται η παράσταση: n ( ) m( ) n +, m( ) = [ ], m( ) + ( m( ) + ) m( ) Απόδειξη. Ο αντίστροφος του πίνακα Q που δίνεται στη (.) είναι: Q / n n 0 = J n 0 0 / n 0 n (.5) Από τη (.5) βρίσκουμε: trace ( Q ) = ( + ), det ( Q ) = n( n ) από τις = n = οποίες προκύπτει ότι το ελάχιστο πετυχαίνεται αν n n,, =,..., - -
4 στην περίπτωση () και n n,, =,..., στην περίπτωση (). Από την παρατήρηση αυτή προκύπτουν και οι βέλτιστοι σχεδιασμοί που δίνονται στο θεώρημα. Δεν υπάρχει επομένως καθολικά βέλτιστος σχεδιασμός αφού οι Α και D βέλτιστοι δεν είναι ίδιοι Η περίπτωση της A βελτιστοποίησης έxει δοθεί από τους Hedayat, Jacroux, Maumdar (988). 3. ΑΝΟΜΟΙΟΓΕΝΕΙΣ ΠΛΗΘΥΣΜΟΊ ΔΥΟ ΑΓΩΓΕΣ 3. Ανομοιογένεια με ένα χαρακτηριστικό (column effects model) Έχουμε αγωγές και p παρατηρήσεις σε στήλες (blocs) των p μονάδων. Το μοντέλο στην περίπτωση αυτή, σε απλή και σε διανυσματική μορφή, είναι: Y = c + τ d (, ) + e =,..., p, =,..., (3.) Y c x + + ~ x + ( τ + e (3.) = ~ c Α τ Β ) Α Τα διανύσματα x =,..., είναι (p)x και έχουν p στοιχεία, που αντιστοιχούν στη στήλη, ίσα με και τα υπόλοιπα p(-) στοιχεία ίσα με 0, τ d { τ Α, τ } είναι η επίδραση της αγωγής που εφαρμόζεται στη μονάδα της (, ) Β στήλης σύμφωνα με το σχεδιασμό d, A είναι η επίδραση της στήλης. Το διάνυσμα είναι (p)x και έχει στα κελιά που εφαρμόζεται η αγωγή Α και 0 αλλού, c ~ = + τ. Μας ενδιαφέρει που θα εφαρμοστούν οι αγωγές Α και Β για να c Β ελαχιστοποιηθεί η διασπορά της διαφοράς ( τ Α τ Β ). Η μέθοδος ελαχίστων τετραγώνων μας δίνει, b ( p b )( τ τ ) = Y ( b Y ) (3.3) c Α Β A p = = var( τ Α τ ) = σ ( b Β = ( p b Y A είναι το άθροισμα των παρατηρήσεων της αγωγής παρατηρήσεων στη στήλη, )) / p (3.4) Y είναι η μέση τιμή των b =,..., είναι το πλήθος των παρατηρήσεων της αγωγής Α στη στήλη Επομένως ο βέλτιστος σχεδιασμός είναι: Αν ο p είναι άρτιος παίρνουμε σε κάθε στήλη p/ παρατηρήσεις από κάθε αγωγή, αν ο p είναι περιττός, παίρνουμε σε κάθε στήλη (p+)/ παρατηρήσεις από τη μία αγωγή και (p-)/ παρατηρήσεις από την άλλη αγωγή, με διασπορά, 4 /( p) αν p άρτιος var( τ Α τ Β ) = σ 4 /( p ( / p)) αν p περιττ ός - -
5 3. Ανομοιογένεια με δύο χαρακτηριστικά (row-column effects model) Όταν κάθε μονάδα έχει δύο χαρακτηριστικά, π.χ. άτομα με διαφορετικά επίπεδα χοληστερίνης και ζάχαρου και έχουμε n = p άτομα (μονάδες), τότε μας ενδιαφέρει σε ποια άτομα θα εφαρμοστεί η αγωγή Α και σε ποια η αγωγή Β. Το μοντέλο στην περίπτωση αυτή είναι: Y = r + c + τ d (, ) + e =,..., p, =,..., (3.5) όπου r, c, τ d (, ) είναι οι επιδράσεις της -στης γραμμής, της -στης στήλης και της αγωγής που εφαρμόζεται στο κελί (,) σύμφωνα με το σχεδιασμό d. Τα παρακάτω είναι ένα παράδειγμα με p=4,=5 Α Β Α Β Α Β Β Α Α Β Α Β Β Α Β Α Β Α Β Α O Wald(943) απέδειξε ότι τα Λατινικά τετράγωνα p=, με πλήθος w=p αγωγών είναι D-βέλτιστος σχεδιασμός, ο Kefer(958, 975) έλυσε την περίπτωση p=0modw, =0modw, όρισε την καθολική βελτιστοποίηση (unversal optmalty) και έδωσε κριτήρια για να είναι ένα σχεδιασμός καθολικά βέλτιστος. Ο Sonnemann(98, 985) εξέτασε την περίπτωση με w= αγωγές.. Επίσης οι Gafe (977), Kraft (977, 978), μελέτησαν την περίπτωση p==w. Με w= αγωγές ασχολήθηκαν και οι Morgan and Uddn (003), ο Uddn (005) μελέτησε την περίπτωση που είναι μερικά κελιά άδεια. O Agrawal (966) ασχολήθηκε με την κατασκευή τέτοιων σχεδιασμών και ο Martn (996) κάνει μια ανασκόπηση της βιβλιογραφίας. Το μοντέλο (3.5), σε διανυσματική μορφή γράφεται, Y = r φ + + rpφ p + cx + + c x + τ Α Α + τ ΒΒ + e (3.6) Το (p)x διάνυσμα φ ( x ) έχει στις p() θέσεις της γραμμής ( στήλης) και 0 αλλού, το διάνυσμα A ( B ) έχει όταν στο συγκεκριμένο κελί εφαρμόζεται η αγωγή Α (Β) και 0 αλλού. Εδώ ενδιαφερόμαστε για την εκτίμηση της διαφοράς τ = ( τ Α τ Β ), εξάλλου σύμφωνα με τα μοντέλα (3.5) και (3.6), οι παράμετροι τ Α, τ Β δεν είναι εκτιμήσιμες, ενώ η διαφορά τους τ = ( τ Α τ Β ) είναι εκτιμήσιμη. Επειδή A + B = και φ + + φ p = x + + x =, το (3.6) γράφεται, Y r φ + + r φ + c x + + c~ x + ( τ + e (3.7)) = ~ p p Α τ Β ) Α Η μέθοδος ελαχίστων τετραγώνων μας δίνει για την εκτίμηση της παραμέτρου τ, T T X I P( X )) X τ = X ( I ( X )) Υ (3.8) ( p p P var( ) τ = σ Q, Q = X T ( I p P( X )) X (3.9) - 3 -
6 όπου X = X = ( Z W), Z = ( φ,..., φ ), W = ( x,..., x ) και ο (p)x(p) πίνακας A, p T T P( X ) = X( X X) X X είναι ο πίνακας ορθής προβολής στο χώρο των στηλών του. Μετά από μια περίπλοκη διαδικασία για τον υπολογισμό του Q βρίσκουμε: p Q = a ( a ) ( b na ) ( ( b na )) (3.0) = p = = όπου a =,..., p το συνολικό πλήθος των εμφανίσεων του Α στην -στη γραμμή και b =,..., το συνολικό πλήθος των εμφανίσεων του Α στην -στη στήλη, με a b = n + a p = b Μια ισοδύναμη μορφή της σχέσης (3.0) είναι p p Q = b ( p b ) ( pa na) ( ( pa na)) (3.) p = p p = p = Η ελαχιστοποίηση της διασποράς δηλαδή η μεγιστοποίηση του Q ως προς τα a, γίνεται μόνο όταν a a, b b και μας δίνει τα παρακάτω b s αποτελέσματα () p άρτιος, άρτιος: Από την (3.0) ή (3.) παίρνουμε, a = a = = a p = /, b = b = = b = p /, n A = ( p) /, Q = ( p) / 4 var( τ Α τ Β ) = σ 4 /( p) () p άρτιος, περιττός: b = b = = b = ( p / ) c, a ( + ) / για s γραμμές = ) / για p s γραμμές τότε n p p p p = ( c) = s( + ) / + ( p s)( ) / s = c + c A p p Q 4 4 p p c, c, τότε var( τ Α τ Β ) = σ 4 /( p (/ )) () p περιττός, άρτιος. Όπως προηγουμένως παίρνουμε, a = a = = a p = ( / ) r, b ( p + ) / για t στήλες = p ) / για t στήλες τότε n = p( r) = t( p + ) / + ( t)( p ) / t = pr + r A p p t A - 4 -
7 p Q = 4 4 p για όλες τις τιμές του r, r p p, τότε var( τ Α τ Β ) = σ 4 /( p (/ p)) (v) p περιττός, περιττός. Θα είναι, a ( + ) / για s τιμές =, ) / για p s τιμές b ( p + ) / για t στήλες = p ) / για t στήλες p p p n A = a + + a p = + s = b + b + t 0 s = t + p Αν p ( p) / t ( p + ) / και 0 s p Αν p 0 t και ( p ) / s ( p + ) / Τότε p s( p s) p p t( t) ( p) / 4 /(4 p) αν p Q = = 4 4 p p 4 4 p p) / 4 p /(4) αν p Αν p το μέγιστο πετυχαίνεται αν a = a = = a = ( ) / και p + b ( p + ) / για ( p + ) / στήλες = ή p ) / για ( p) / στήλες a = a = = a p = ( ) / και b ( p + ) / για ( p) / = p ) / για ( + p) / Αν p το μέγιστο πετυχαίνεται αν b = b = = b = ( p ) / και + a ( + ) / για ( p + ) / γραμμές = ή ) / για ( p ) / γραμμές b = b = = b = ( p ) / και a ( + ) / για ( p ) / γραμμές = ) / για ( p + ) / γραμμές 4 /( p ( / p)) αν var( τ Α τ Β ) = σ 4 /( p ( p / )) αν.3 Εφαρμογές p p στήλες στήλες Ας πάρουμε τις περιπτώσεις: () p=4, =6, () p=5, =6, () p=4, =7, (v) p=5, =7, τότε () Κάθε γραμμή θα έχει 6/=3 Α και κάθε στήλη θα έχει 4/= Α () Κάθε γραμμή έχει 6/-r=3-r A, με 6 /0 r 6 /0 r = 0 και t = 6 / = στήλες έχουν από ( p + ) / = 3 ενώ 3 στήλες έχουν από ( p ) / = Α
8 () Κάθε στήλη έχει από (4/)-c=-c A, με 4 /4 c 4 /4 c = 0, s = 4 / = γραμμές έχουν από (7+)=4 ενώ γραμμές έχουν από 3 Α. (v) Κάθε γραμμή θα έχει από (8/)=4 6 στήλες θα έχουν από 3 ενώ στήλη θα έχει από ή κάθε γραμμή θα έχει από (6/)=3 στήλη θα έχει από 3 ενώ 6 στήλες θα έχουν από Α. Πίνακες που δίνουν τους βέλτιστους σχεδιασμούς στις περιπτώσεις ()-() () () Α Β Α Β Α Β Α Α Α Β Β Β Α Β Α Β Α Β Α Α Α Β Β Β Β Α Β Α Β Α Α Β Β Α Α Β Β Α Β Α Β Α Β Α Β Α Β Α Β Β Α Β Α Α ABSTRACT A short revew s presented for optmal desgns n homogeneous and non homogeneous populatons. Unversally optmal desgns are gven for estmatng populatons and A, D optmal desgns for testng - populatons wth a control. In non homogeneous populatons wth one characterstc (column desgns) and two characterstcs (row-column desgns) and two treatments the optmal desgns are gven for estmatng the dfference of treatment effects. Examples are presented to clarfy the theory. ΑΝΑΦΟΡΕΣ Agrawal, H. (966)Some methods of constructon of desgns for two-way elmnaton of heterogenety. J. Amer. Statst. Assoc. 6, Gaffe, N. and Kraft, O. (97). Optmum propertes of Latn suare desgns and a matrx neualty. Math. Operatonsforsch. Stat. 8, Hedayat A.S., Jacroux. M., Maundar D., (988). Optmal desgns for comparng test treatments wth controls. Statstcal Scence Vol. 3, No 4, Kefer, J., (958).On the nonrandomzed optmalty and randomzed nonoptmalty of symmetrcal desgns. Annals of Math. Statst., 9, Kefer, J., (975). Constructon and optmalty of generalzed Youden desgns. In: Srvastava, J.N. (Ed.), A surveyof Statstcal Desgn and Lnear Models. North-Holland, Amsterdam, pp Kraft, O.Lneare statstsche Modelle und optmale Versuchspläne. Gottngen 978. Martn, R.J. (996). Spacal expermental desgn. Ghosh, S,, Rao, C. R. (Eds), Handboo of Statstcs, Vol. 3, North-Holland, Amsterdam, pp Morgan J.P. and Uddn, N. (003). Optmal row-column desgn for two treatments. Journal of Statstcal Plannng and Inference, 5, Puelshhaem, F. (993). Optmal desgns of Experments. John Wley and Sons, Inc. Sonnemann, E.(98) D-optmalty of complete Latn suares. Math.Operatonsforsch. Stat.Ser.Stat.3, Sonnemann, E.(985). U-optmum Row-Columns Desgns for the comparson of Two Treatments. Metra, Vol.3, Uddn, N. (005). Unversally optmalstructurally balanced row-column desgns wth some empty nodes. Journal of Statstcal Plannng and Inference, 33, Wald A.(943). On effcent desgn of statstcal nvestgatons. Annals of Math. Statst, 4,
5 Haar, R. Haar,. Antonads 994, Dogaru & Carn Kerkyacharan & Pcard 996. : Haar. Haar, y r x f rt xβ r + ε r x β r + mr k β r k ψ kx + ε r x, r,.. x [,
4 Chnese Journal of Appled Probablty and Statstcs Vol.6 No. Apr. Haar,, 6,, 34 E-,,, 34 Haar.., D-, A- Q-,. :, Haar,. : O.6..,..,.. Herzberg & Traves 994, Oyet & Wens, Oyet Tan & Herzberg 6, 7. Haar Haar.,
Διαβάστε περισσότεραΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΔΥΟ ΚΡΙΤΗΡΙΑ
ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΔΥΟ ΚΡΙΤΗΡΙΑ (Analyss of Varance for two factor Experments) (Two-Way Analyss of Varance) Ο πειραματικός σχεδιασμός για τον οποίο θα μιλήσουμε είναι μια επέκταση της μεθοδολογίας
Διαβάστε περισσότεραY Y ... y nx1. nx1
6 ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ ΜΕ ΤΗ ΧΡΗΣΗ ΠΙΚΑΚΩΝ Η χρησιμοποίηση και ο συμβολισμός πινάκων απλοποιεί σημαντικά τα αποτελέσματα της γραμμικής παλινδρόμησης, ιδίως στην περίπτωση της πολλαπλής παλινδρόμησης Γενικά,
Διαβάστε περισσότεραΚΟΡΕΣΜΕΝΑ, D-ΒΕΛΤΙΣΤΑ, 3 s 2 ΠΑΡΑΓΟΝΤΙΚΑ ΠΕΙΡΑΜΑΤΑ, ΕΚΤΙΜΗΤΙΚΗΣ ΤΑΞΗΣ ΙΙΙ ΜΕ ΤΗ ΣΥΜΒΟΛΗ ΤΗΣ ΘΕΩΡΙΑΣ ΓΡΑΦΗΜΑΤΩΝ
Ελληνικό Στατιστικό Ινστιτούτο Πρακτικά 8 ου Πανελληνίου Συνεδρίου Στατιστικής (005) σελ.7-8 ΚΟΡΕΣΜΕΝΑ, D-ΒΕΛΤΙΣΤΑ, s ΠΑΡΑΓΟΝΤΙΚΑ ΠΕΙΡΑΜΑΤΑ, ΕΚΤΙΜΗΤΙΚΗΣ ΤΑΞΗΣ ΙΙΙ ΜΕ ΤΗ ΣΥΜΒΟΛΗ ΤΗΣ ΘΕΩΡΙΑΣ ΓΡΑΦΗΜΑΤΩΝ Βασίλης
Διαβάστε περισσότεραΟΡΘΟΓΩΝΙΟΙ ΣΧΕΔΙΑΣΜΟΙ
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΤΜΗΜΑ ΜΑΘΗΜΑΤΙΚΩΝ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΣΤΑΤΙΣΤΙΚΗ ΚΑΙ ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΕΡΕΥΝΑ ΟΡΘΟΓΩΝΙΟΙ ΣΧΕΔΙΑΣΜΟΙ ΜΕΤΑΠΤΥΧΙΑΚΗ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ Ιωάννα Μ. Ιερείδου Επιβλέπων:
Διαβάστε περισσότεραΝΕΑ ΑΠΟΤΕΛΕΣΜΑΤΑ ΣΧΕΤΙΚΑ ΜΕ ΤΗΝ ΥΠΑΡΞΗ ΕΚΤΙΜΗΤΩΝ ΜΕΓΙΣΤΗΣ ΠΙΘΑΝΟΦΑΝΕΙΑΣ ΓΙΑ ΤΗΝ 3-ΠΑΡΑΜΕΤΡΙΚΗ ΓΑΜΜΑ ΚΑΤΑΝΟΜΗ
Ελληνικό Στατιστικό Ινστιτούτο Πρακτικά ου Πανελληνίου Συνεδρίου Στατιστικής 008, σελ 9-98 ΝΕΑ ΑΠΟΤΕΛΕΣΜΑΤΑ ΣΧΕΤΙΚΑ ΜΕ ΤΗΝ ΥΠΑΡΞΗ ΕΚΤΙΜΗΤΩΝ ΜΕΓΙΣΤΗΣ ΠΙΘΑΝΟΦΑΝΕΙΑΣ ΓΙΑ ΤΗΝ 3-ΠΑΡΑΜΕΤΡΙΚΗ ΓΑΜΜΑ ΚΑΤΑΝΟΜΗ Γεώργιος
Διαβάστε περισσότεραΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΦΡΑΓΜΑΤΩΝ ΑΞΙΟΠΙΣΤΙΑΣ *
Ελληνικό Στατιστικό Ινστιτούτο Πρακτικά 20 ου Πανελληνίου Συνεδρίου Στατιστικής (2007), σελ 259-266 ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΦΡΑΓΜΑΤΩΝ ΑΞΙΟΠΙΣΤΙΑΣ Φ. Μηλιένος, Μ. Κούτρας Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης,
Διαβάστε περισσότεραΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ. Επικ. Καθ. Στέλιος Ζήμερας. Τμήμα Μαθηματικών Κατεύθυνση Στατιστικής και Αναλογιστικά Χρηματοοικονομικά Μαθηματικά
ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ Επικ Καθ Στέλιος Ζήμερας Τμήμα Μαθηματικών Κατεύθυνση Στατιστικής και Αναλογιστικά Χρηματοοικονομικά Μαθηματικά 5 Έστω για την σύγκριση δειγμάτων συλλέγουμε παρατηρήσεις Υ =,,, από
Διαβάστε περισσότεραΑναγνώριση Προτύπων Ι
Αναγνώριση Προτύπων Ι Ενότητα 3: Στοχαστικά Συστήματα Αν. Καθηγητής Δερματάς Ευάγγελος Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες
Διαβάστε περισσότερα1. ΣΤΑΤΙΚΗ ΑΡΙΣΤΟΠΟΙΗΣΗ
. ΣΤΑΤΙΚΗ ΑΡΙΣΤΟΠΟΙΗΣΗ. Μέγιστα και Ελάχιστα Συναρτήσεων Χωρίς Περιορισμούς Συναρτήσεις μιας Μεταβλητής Εστω f ( x) είναι συνάρτηση μιας μόνο μεταβλητής. Εστω επίσης ότι x είναι ένα σημείο στο πεδίο ορισμού
Διαβάστε περισσότεραΠυθαγόρειες Τριάδες: από την ανακάλυψη μιας κανονικότητας στη διατύπωση και την απόδειξη μιας πρότασης
Πυθαγόρειες Τριάδες: από την ανακάλυψη μιας κανονικότητας στη διατύπωση και την απόδειξη μιας πρότασης Δημήτριος Ντρίζος Σχολικός Σύμβουλος Μαθηματικών Τρικάλων και Καρδίτσας drizosdim@yahoo.gr Σεραφείμ
Διαβάστε περισσότεραE[ (x- ) ]= trace[(x-x)(x- ) ]
1 ΦΙΛΤΡΟ KALMAN ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ Σε αυτό το μέρος της πτυχιακής θα ασχοληθούμε λεπτομερώς με το φίλτρο kalman και θα δούμε μια καινούρια έκδοση του φίλτρου πάνω στην εφαρμογή της γραμμικής εκτίμησης διακριτού
Διαβάστε περισσότεραA Sequential Experimental Design based on Bayesian Statistics for Online Automatic Tuning. Reiji SUDA,
Bayes, Bayes mult-armed bandt problem Bayes A Sequental Expermental Desgn based on Bayesan Statstcs for Onlne Automatc Tunng Re SUDA, Ths paper proposes to use Bayesan statstcs for software automatc tunng
Διαβάστε περισσότεραΧΑΡΑΚΤΗΡΙΣΤΙΚΟ ΠΟΛΥΩΝΥΜΟ ΠΙΝΑΚΑ: Έστω Α ένας n nπίνακας επί ενός σώματος F. Για χ στο F, ορίζεται το πολυώνυμο ( ως προς χ ) : h ( x) = det( A- xi ).
1 ΧΑΡΑΚΤΗΡΙΣΤΙΚΟ ΠΟΛΥΩΝΥΜΟ ΠΙΝΑΚΑ: Έστω Α ένας n nπίνακας επί ενός σώματος F. Για χ στο F, ορίζεται το πολυώνυμο ( ως προς χ ) : h ( x) = det( A- xi ). A n Πόρισμα 1: Ο βαθμός του χαρ/κου πολυωνύμου ενός
Διαβάστε περισσότεραΣΧΕΔΙΑΣΜΟΙ ΔΙΑΣΤΑΥΡΩΣΗΣ ΔΥΟ ΑΓΩΓΕΣ ΤΡΕΙΣ ΠΕΡΙΟΔΟΙ ΕΞΑΡΤΗΜΕΝΕΣ ΠΑΡΑΤΗΡΗΣΕΙΣ
Ελληνικό τατιστικό Ινστιτούτο Πρακτικά 8 ου Πανελληνίου υνεδρίου τατιστικής (5) σελ.9-6 ΧΕΔΙΑΜΟΙ ΔΙΑΑΥΡΩΗ ΔΥΟ ΑΓΩΓΕ ΡΕΙ ΠΕΡΙΟΔΟΙ ΕΞΑΡΗΜΕΝΕ ΠΑΡΑΗΡΗΕΙ τρατής Κουνιάς και Μιλτιάδης Χαλικιάς * μήμα Μαθηματικών,
Διαβάστε περισσότεραΜΕΤΡΑ ΚΕΝΤΡΙΚΗΣ ΤΑΣΗΣ
Μέτρα Περιγραφικής Στατιστικής Πληθυσμιακοί παράμετροι: τα αριθμητικά μεγέθη που εκφράζουν τις στατιστικές ιδιότητες ενός πληθυσμού (που προσδιορίζουν / περιγράφουν τη φυσιογνωμία και τη δομή του) Στατιστικά
Διαβάστε περισσότεραHMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Διάλεξη 2 Επισκόπηση θεωρίας πιθανοτήτων Τυχαίες μεταβλητές: Βασικές έννοιες Τυχαία μεταβλητή: Μεταβλητή της οποίας δε γνωρίζουμε με βεβαιότητα την τιμή (σε αντίθεση με τις
Διαβάστε περισσότεραΦίλτρα Kalman. Αναλυτικές μέθοδοι στη Γεωπληροφορική. ιατύπωση του βασικού προβλήματος. προβλήματος. μοντέλο. Πρωτεύων μοντέλο
Φίλτρα Kalman Εξαγωγή των εξισώσεων τους με βάση το κριτήριο ελαχιστοποίησης της Μεθόδου των Ελαχίστων Τετραγώνων. Αναλυτικές Μέθοδοι στη Γεωπληροφορική Μεταπτυχιακό Πρόγραμμα ΓΕΩΠΛΗΡΟΦΟΡΙΚΗ ιατύπωση του
Διαβάστε περισσότεραΣτατιστική. Ανάλυση ιασποράς με ένα Παράγοντα. One-Way Anova. 8.2 Προϋποθέσεις για την εφαρμογή της Ανάλυσης ιασποράς
Στατιστική Ανάλυση ιασποράς με ένα Παράγοντα One-Way Anova Χατζόπουλος Σταύρος Κεφάλαιο 8ο. Ανάλυση ιασποράς 8.1 Εισαγωγή 8.2 Προϋποθέσεις για την εφαρμογή της Ανάλυσης ιασποράς 8.3 Ανάλυση ιασποράς με
Διαβάστε περισσότεραΜέθοδος μέγιστης πιθανοφάνειας
Μέθοδος μέγιστης πιθανοφάνειας Αν x =,,, παρατηρήσεις των Χ =,,,, τότε έχουμε διαθέσιμο ένα δείγμα Χ={Χ, =,,,} της κατανομής F μεγέθους με από κοινού σ.κ. της Χ f x f x Ορισμός : Θεωρούμε ένα τυχαίο δείγμα
Διαβάστε περισσότεραΟρίζουμε την τυπική πολυδιάστατη κανονική, σαν την κατανομή του τυχαίου (,, T ( ) μεταξύ τους ανεξάρτητα. Τότε
Η πολυδιάστατη κανονική κατανομή Ορίζουμε την τυπική πολυδιάστατη κανονική, σαν την κατανομή του τυχαίου (,, διανύσματος =, όπου ~ N ( 0, και όλα τα μεταξύ τους ανεξάρτητα Τότε = (,, = ( 0, ( 0, f x f
Διαβάστε περισσότεραΠρογραμματισμός ΙI (Θ)
Τεχνολογικό Εκπαιδευτικό Ίδρυμα Κεντρικής Μακεδονίας - Σέρρες Τμήμα Μηχανικών Πληροφορικής Προγραμματισμός ΙI (Θ) Δρ. Δημήτρης Βαρσάμης Επίκουρος Καθηγητής Μάρτιος 2017 Δρ. Δημήτρης Βαρσάμης Μάρτιος 2017
Διαβάστε περισσότεραΤμήμα Εφαρμοσμένης Πληροφορικής
Τμήμα Εφαρμοσμένης Πληροφορικής ΑΛΓΟΡΙΘΜΟΙ ΓΡΑΜΜΙΚΗΣ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗΣ 8 Ο ΕΞΑΜΗΝΟ ΣΑΜΑΡΑΣ ΝΙΚΟΛΑΟΣ, ΕΠ. ΚΑΘΗΓΗΤΗΣ Δυϊκή Θεωρία (1) Θεώρημα : Το δυϊκό πρόβλημα του γραμμικού προβλήματος 0 0 1 1 2 2 0 0 T
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας
Το Πιθανοκρατικό Μοντέλο Κλασικά Μοντέλα Ανάκτησης Τρία είναι τα, λεγόμενα, κλασικά μοντέλα ανάκτησης: Λογικό (Boolean) που βασίζεται στη Θεωρία Συνόλων Διανυσματικό (Vector) που βασίζεται στη Γραμμική
Διαβάστε περισσότεραΑσκήσεις2 8. ; Αληθεύει ότι το (1, 0, 1, 2) είναι ιδιοδιάνυσμα της f ; b. Να βρεθούν οι ιδιοτιμές και τα ιδιοδιανύσματα της γραμμικής απεικόνισης 3 3
Ασκήσεις 8 Ασκήσεις Ιδιοτιμές και ιδιοδιανύσματα Βασικά σημεία Ορισμός ιδιοτιμων και ιδιοδιανυσμάτων, υπολογισμός τους Σε διακεκριμένες ιδιοτιμές αντιστοιχούν γραμμικά ανεξάρτητα ιδιοδιανύσματα Αν ΑΧ=λΧ,
Διαβάστε περισσότεραΤμήμα Διοίκησης Επιχειρήσεων (Γρεβενά) Μάθημα: Στατιστική II Διάλεξη 1 η : Εισαγωγή-Επανάληψη βασικών εννοιών Εβδομάδα 1 η : ,
Τμήμα Διοίκησης Επιχειρήσεων (Γρεβενά) Μάθημα: Στατιστική II Διάλεξη 1 η : Εισαγωγή-Επανάληψη βασικών εννοιών Εβδομάδα 1 η :1-0-017, 3-0-017 Διδάσκουσα: Κοντογιάννη Αριστούλα Σκοπός του μαθήματος Η παρουσίαση
Διαβάστε περισσότεραΠοσοτικές Μέθοδοι στη Διοίκηση Επιχειρήσεων ΙΙ Σύνολο- Περιεχόμενο Μαθήματος
Ποσοτικές Μέθοδοι στη Διοίκηση Επιχειρήσεων ΙΙ Σύνολο- Περιεχόμενο Μαθήματος Χιωτίδης Γεώργιος Τμήμα Λογιστικής και Χρηματοοικονομικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 2 ΑΝΑΣΚΟΠΗΣΗ ΑΠΑΡΑΙΤΗΤΩΝ ΓΝΩΣΕΩΝ: ΕΚΤΙΜΗΤΕΣ
ΚΕΦΑΛΑΙΟ ΑΝΑΣΚΟΠΗΣΗ ΑΠΑΡΑΙΤΗΤΩΝ ΓΝΩΣΕΩΝ: ΕΚΤΙΜΗΤΕΣ Ως γνωστό δείγμα είναι ένα σύνολο παρατηρήσεων από ένα πληθυσμό. Αν ο πληθυσμός αυτός θεωρηθεί μονοδιάστατος τότε μπορεί να εκφρασθεί με τη συνάρτηση
Διαβάστε περισσότεραΤΟ ΟΜΟΓΕΝΕΣ MΑΡΚΟΒΙΑΝΟ ΣΥΣΤΗΜΑ ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ ΜΕ ΠΕΠΕΡΑΣΜΕΝΗ ΧΩΡΗΤΙΚΟΤΗΤΑ ΣΕ ΜΙΑ ΚΑΤΑΣΤΑΣΗ
Ελληνικό Στατιστικό Ινστιτούτο Πρακτικά 2 ου Πανελληνίου Συνεδρίου Στατιστικής (27) σελ 3- ΤΟ ΟΜΟΓΕΝΕΣ MΑΡΚΟΒΙΑΝΟ ΣΥΣΤΗΜΑ ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ ΜΕ ΠΕΠΕΡΑΣΜΕΝΗ ΧΩΡΗΤΙΚΟΤΗΤΑ ΣΕ ΜΙΑ ΚΑΤΑΣΤΑΣΗ Γ Βασιλειάδης Γ Τσακλίδης
Διαβάστε περισσότεραΣΥΝΟΠΤΙΚΗ ΘΕΩΡΙΑ ΜΑΘΗΜΑΤΙΚΩΝ ΘΕΤΙΚΗΣ ΤΕΧΝΟΛΟΓΙΚΗΣ ΚΑΤΕΥΘΥΝΣΗΣ. 1 ο ΚΕΦΑΛΑΙΟ
Ο ΓΕΝΙΚΟ ΛΥΚΕΙΟ ΟΡΕΣΤΙΑΔΑΣ ΣΥΝΟΠΤΙΚΗ ΘΕΩΡΙΑ ΜΑΘΗΜΑΤΙΚΩΝ ΘΕΤΙΚΗΣ ΤΕΧΝΟΛΟΓΙΚΗΣ ΚΑΤΕΥΘΥΝΣΗΣ ο ΚΕΦΑΛΑΙΟ Διάνυσμα ορίζεται ένα ευθύγραμμο τμήμα στο οποίο έχει ορισθεί ποια είναι η αρχή, ή σημείο εφαρμογής του
Διαβάστε περισσότεραΣτατιστική Συμπερασματολογία
Στατιστική Συμπερασματολογία Διαφάνειες 5 ου κεφαλαίου Ελεγχοσυναρτήσεις για τις Παραμέτρους της Κανονικής Κατανομής Σταύρος Χατζόπουλος 08/05/207, 5/05/207 Εισαγωγή Στις παραγράφους που ακολουθούν παρουσιάζονται
Διαβάστε περισσότεραF 5 = (F n, F n+1 ) = 1.
Λύσεις Θεμάτων Θεωρίας Αριθμών 1. (α) Να δειχθεί ότι ο πέμπτος αριθμός της μορφής Fermat, δηλαδή ο F 5 2 25 + 1 διαιρείται από το 641. (β) Εστω F n η ακολουθία των αριθμών Fermat, δηλαδή F n 2 2n + 1,
Διαβάστε περισσότεραΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΣΥΝΑΡΤΗΣΕΩΝ ΑΚΡΟΤΑΤΑ ΣΥΝΑΡΤΗΣΕΩΝ. Αριθμητικές μέθοδοι ελαχιστοποίησης ΕΛΑΧΙΣΤΟΠΟΙΗΣΗ ΧΩΡΙΣ ΠΕΡΙΟΡΙΣΜΟΥΣ
ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΣΥΝΑΡΤΗΣΕΩΝ Πρόβλημα Βελτιστοποίησης: Μεγιστοποίηση ή Ελαχιστοποίηση συνάρτησης στόχου: f(,..., N ) Καθορισμός του διανύσματος = [,..., N ], που καταλήγει σε μέγιστη ή ελάχιστη τιμή της
Διαβάστε περισσότεραΑΠΑΝΤΗΣΕΙΣ. z x y 2xyi. Re z x y. Θα δείξουμε ότι για τους μιγαδικούς αριθμούς z για τους οποίους ισχύει ότι. z z zz. zz zz z z 1 0 z z 1 (1)
Αριθμός Εξέτασης 7 α.α) ος τρόπος: Έστω z i. Τότε ΑΠΑΝΤΗΣΕΙΣ z i και Re z. Θα δείξουμε ότι για τους μιγαδικούς αριθμούς z για τους οποίους ισχύει ότι z z,ισχύει επίσης ότι. Είναι z z z z z z z z z z z
Διαβάστε περισσότεραΑσκήσεις6 Διαγωνοποίηση Ερμιτιανών Πινάκων
7 Βασικά σημεία Ασκήσεις6 Διαγωνοποίηση Ερμιτιανών Πινάκων Το σύνηθες εσωτερικό γινόμενο στο και Ορθοκανονικές βάσεις και η μέθοδος Gram-Schmidt Ορισμός, Ερμιτιανού πίνακα και μοναδιαίου πίνακα Ιδιότητες
Διαβάστε περισσότεραΚρυπτογραφία. Έλεγχος πρώτων αριθών-παραγοντοποίηση. Διαφάνειες: Άρης Παγουρτζής Πέτρος Ποτίκας
Κρυπτογραφία Έλεγχος πρώτων αριθών-παραγοντοποίηση Διαφάνειες: Άρης Παγουρτζής Πέτρος Ποτίκας Εθνικό Μετσόβιο Πολυτεχνείο Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Σχολή ΗΜΜΥ ΕΜΠ Κρυπτογραφία
Διαβάστε περισσότεραΜέθοδος Ελαχίστων Τετραγώνων (για την προσαρμογή (ή λείανση) δεδομένων/μετρήσεων)
Μέθοδος Ελαχίστων Τετραγώνων (για την προσαρμογή (ή λείανση) δεδομένων/μετρήσεων) Στην πράξη, για πολύ σημαντικές εφαρμογές, γίνονται μετρήσεις τιμών μιας ποσότητας σε μια κλινική, για μια σφυγμομέτρηση,
Διαβάστε περισσότεραΜΑΘΗΜΑΤΙΚΑ B ΛΥΚΕΙΟΥ
ΜΑΘΗΜΑΤΙΚΑ B ΛΥΚΕΙΟΥ ΘΕΤΙΚΗ & ΤΕΧΝΟΛΟΓΙΚΗ ΚΑΤΕΥΘΥΝΣΗ ΔΙΑΝΥΣΜΑΤΑ Επιμέλεια: Άλκης Τζελέπης ΑΣΚΗΣΕΙΣ ΣΤΑ ΔΙΑΝΥΣΜΑΤΑ ΕΝΝΟΙΑ - ΠΡΑΞΕΙΣ. Αν τα διανύσματα,, σχηματίζουν τρίγωνο, να αποδείξετε ότι το ίδιο συμβαίνει
Διαβάστε περισσότεραΟρίζουμε την τυπική πολυδιάστατη κανονική, σαν την κατανομή του τυχαίου (,, T ( ) μεταξύ τους ανεξάρτητα. Τότε
Η πολυδιάστατη κανονική κατανομή Ορίζουμε την τυπική πολυδιάστατη κανονική, σαν την κατανομή του τυχαίου (,, διανύσματος X X X ), όπου X ~ N (,) και όλα τα X μεταξύ τους ανεξάρτητα Τότε ( ) (,, ) (, )
Διαβάστε περισσότερα2.2 ΓΕΝΙΚΗ ΜΟΡΦΗ ΕΞΙΣΩΣΗΣ ΕΥΘΕΙΑΣ
63 ΓΕΝΙΚΗ ΜΟΡΦΗ ΕΞΙΣΩΣΗΣ ΕΥΘΕΙΑΣ Η Εξίσωση Αx + Βy + Γ = 0, με Α 0 ή Β 0 Έστω ε μια ευθεία στο καρτεσιανό επίπεδο Αν η ευθεία ε τέμνει τον άξονα yy στο σημείο Σ (, 0 β ) και έχει συντελεστή διεύθυνσης
Διαβάστε περισσότεραΠΕΡΙΕΧΟΜΕΝΑ ΜΕΡΟΣ ΠΡΩΤΟ ΣΤΟΙΧΕΙΑ ΔΙΑΦΟΡΙΚΟΥ ΛΟΓΙΣΜΟΥ ΣΥΝΑΡΤΗΣΕΩΝ ΠΟΛΛΩΝ ΜΕΤΑΒΛΗΤΩΝ 15
ΠΕΡΙΕΧΟΜΕΝΑ ΠΡΟΛΟΓΟΣ 13 ΜΕΡΟΣ ΠΡΩΤΟ ΣΤΟΙΧΕΙΑ ΔΙΑΦΟΡΙΚΟΥ ΛΟΓΙΣΜΟΥ ΣΥΝΑΡΤΗΣΕΩΝ ΠΟΛΛΩΝ ΜΕΤΑΒΛΗΤΩΝ 15 ΚΕΦΑΛΑΙΟ 1: ΣΥΝΑΡΤΗΣΕΙΣ ΠΟΛΛΩΝ ΜΕΤΑΒΛΗΤΩΝ 17 1. Εισαγωγή 17 2. Πραγματικές συναρτήσεις διανυσματικής μεταβλητής
Διαβάστε περισσότεραΑσκήσεις6 Το σύνηθες εσωτερικό γινόμενο στο
Ασκήσεις6 7 Ασκήσεις6 Το σύνηθες εσωτερικό γινόμενο στο και Βασικά σημεία Το σύνηθες εσωτερικό γινόμενο στο και (ορισμοί και ιδιότητες) Ορθοκανονικές βάσεις και η μέθοδος Gram-Schmidt Ορθογώνιο συμπλήρωμα
Διαβάστε περισσότεραΑσκήσεις3 Διαγωνίσιμες Γραμμικές Απεικονίσεις
Ασκήσεις 5 Βασικά σημεία Ιδιότητες ιδιόχωρων: Έστω,, Ισχύουν τα εξής Ασκήσεις Διαγωνίσιμες Γραμμικές Απεικονίσεις κάποιες διακεκριμένες ιδιοτιμές της γραμμικής απεικόνισης : V V, όπου o Αν v v 0, όπου
Διαβάστε περισσότεραIII.9 ΑΚΡΟΤΑΤΑ ΣΕ ΠΕΡΙΟΧΗ
III.9 ΑΚΡΟΤΑΤΑ ΣΕ ΠΕΡΙΟΧΗ.Ολικά και τοπικά ακρότατα..εσωτερικά και συνοριακά ακρότατα 3.Χωριζόμενες μεταβλητές 4.Συνθήκες για ακρότατα 5.Ολικά ακρότατα κυρτών/κοίλων συναρτήσεων 6.Περισσότερες μεταβλητές.
Διαβάστε περισσότεραΜαθηματικά Προσανατολισμού Β Λυκείου Στάμου Γιάννης
Μαθηματικά Προσανατολισμού Β Λυκείου Στάμου Γιάννης Αναλυτική θεωρία Λυμένα παραδείγματα Ερωτήσεις κατανόησης Ασκήσεις Επαναληπτικά διαγωνίσματα ΠΕΡΙΕΧΟΜΕΝΑ Κεφάλαιο ο : Διανύσματα Ενότητα I: Η έννοια
Διαβάστε περισσότεραI. ΜΙΓΑΔΙΚΟΙ ΑΡΙΘΜΟΙ. math-gr
I ΜΙΓΑΔΙΚΟΙ ΑΡΙΘΜΟΙ i e ΜΕΡΟΣ Ι ΟΡΙΣΜΟΣ - ΒΑΣΙΚΕΣ ΠΡΑΞΕΙΣ Α Ορισμός Ο ορισμός του συνόλου των Μιγαδικών αριθμών (C) βασίζεται στις εξής παραδοχές: Υπάρχει ένας αριθμός i για τον οποίο ισχύει i Το σύνολο
Διαβάστε περισσότεραΕΚΤΙΜΗΣΗ ΠΟΣΟΣΤΙΑΙΩΝ ΣΗΜΕΙΩΝ ΓΙΑ ΕΠΙΛΕΓΜΕΝΟ ΕΚΘΕΤΙΚΟ ΠΛΗΘΥΣΜΟ ΑΠΟ k ΠΛΗΘΥΣΜΟΥΣ
ΚΩΝΣΤΑΝΤΙΝΟΣ Γ. ΑΓΓΕΛΟΥ ΕΚΤΙΜΗΣΗ ΠΟΣΟΣΤΙΑΙΩΝ ΣΗΜΕΙΩΝ ΓΙΑ ΕΠΙΛΕΓΜΕΝΟ ΕΚΘΕΤΙΚΟ ΠΛΗΘΥΣΜΟ ΑΠΟ k ΠΛΗΘΥΣΜΟΥΣ ΜΕΤΑΠΤΥΧΙΑΚΗ ΔΙΑΤΡΙΒΗ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ «ΜΑΘΗΜΑΤΙΚΑ
Διαβάστε περισσότεραK15 Ψηφιακή Λογική Σχεδίαση 3: Προτασιακή Λογική / Θεωρία Συνόλων
K15 Ψηφιακή Λογική Σχεδίαση 3: Προτασιακή Λογική / Θεωρία Συνόλων Γιάννης Λιαπέρδος TEI Πελοποννήσου Σχολή Τεχνολογικών Εφαρμογών Τμήμα Μηχανικών Πληροφορικής ΤΕ Στοιχεία προτασιακής λογικής Περιεχόμενα
Διαβάστε περισσότεραΕπισκόπηση ύλης Πιθανοτήτων: Μέρος ΙΙ. M. Kούτρας
Επισκόπηση ύλης Πιθανοτήτων: Μέρος ΙΙ M. Kούτρας Πειραιάς, 2014 1 Από κοινού συνάρτηση πιθανότητας μιας δισδιάστατης διακριτής τυχαίας μεταβλητής Με λόγια, η f ( x, y) δίνει την πιθανότητα να εμφανισθεί
Διαβάστε περισσότεραΚεφάλαιο 2: Διανυσματικός λογισμός συστήματα αναφοράς
Κεφάλαιο 2: Διανυσματικός λογισμός συστήματα αναφοράς 2.1 Η έννοια του διανύσματος Ο τρόπος που παριστάνομε τα διανυσματικά μεγέθη είναι με τη μαθηματική έννοια του διανύσματος. Διάνυσμα δεν είναι τίποτε
Διαβάστε περισσότεραΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ ΚΑΙ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΓΡΑΜΜΙΚΗ ΑΛΓΕΒΡΑ-ΦΕΒΡΟΥΑΡΙΟΣ 2004 Θέμα 1 ο. 4
ΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ ΚΑΙ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΓΡΑΜΜΙΚΗ ΑΛΓΕΒΡΑ-ΦΕΒΡΟΥΑΡΙΟΣ 00 Θέμα 1 ο Έστω U ο υπόχωρος του που παράγεται από τα στοιχεία (1-11α) (10β) (5-γ) και (-δ) (I) Να προσδιορίσετε τις αναγκαίες
Διαβάστε περισσότεραÂ. Θέλουμε να βρούμε τη μέση τιμή
ΜΕΣΗ ΤΙΜΗ ΕΝΟΣ ΕΡΜΙΤΙΑΝΟΥ ΤΕΛΕΣΤΗ Έστω ο ερμιτιανός τελεστής Â. Θέλουμε να βρούμε τη μέση τιμή Â μια χρονική στιγμή, που αυθαίρετα, αλλά χωρίς βλάβη της γενικότητας, θεωρούμε χρονική στιγμή μηδέν, όπου
Διαβάστε περισσότεραf( x 1, x ( ) ( ) f x > f x. ( ) ( )
MONOTONIA ΑΚΡΟΤΑΤΑ ΣΥΜΜΕΤΡΙΕΣ ΣΥΝΑΡΤΗΣΗΣ I MONOTONIA ΣΥΝΑΡΤΗΣΕΩΝ ΘΕΩΡΙΑ Στο διπλανό σχήµα δίνεται η γραφική παράσταση µιας συνάρτησης f στο α,β Παρατηρούµε ότι διάστηµα [ ] καθώς αυξάνουν οι τιµές του
Διαβάστε περισσότερα4.2 ΕΥΚΛΕΙΔΕΙΑ ΔΙΑΙΡΕΣΗ
14 4 ΕΥΚΛΕΙΔΕΙΑ ΔΙΑΙΡΕΣΗ Ας υποθέσουμε ότι θέλουμε να βρούμε το πηλίκο και το υπόλοιπο της διαίρεσης του με τον Σύμφωνα με το γνωστό αλγόριθμο της διαίρεσης, το πηλίκο θα είναι ένας ακέραιος κ, τέτοιος,
Διαβάστε περισσότεραΘέμα 1 ο (ΜΑΪΟΣ 2004, ΜΑΪΟΣ 2008) Να δείξετε ότι η παράγωγος της σταθερής συνάρτησης f (x) = c είναι (c) = 0. Απόδειξη
ΕΚΔΟΣΕΙΣ ΚΕΛΑΦΑ 59 Θέμα 1 ο (ΜΑΪΟΣ 004, ΜΑΪΟΣ 008) Να δείξετε ότι η παράγωγος της σταθερής συνάρτησης f (x) = c είναι (c) = 0. Έχουμε f (x+h) - f (x) = c - c = 0 και για h 0 είναι f (x + h) - f (x) 0 m
Διαβάστε περισσότεραΔειγματοληψία. Πρέπει να γνωρίζουμε πως πήραμε το δείγμα Το πλήθος n ij των παρατηρήσεων σε κάθε κελί είναι τ.μ. με μ ij συμβολίζουμε την μέση τιμή:
Δειγματοληψία Πρέπει να γνωρίζουμε πως πήραμε το δείγμα Το πλήθος των παρατηρήσεων σε κάθε κελί είναι τ.μ. με μ συμβολίζουμε την μέση τιμή: Επομένως στην δειγματοληψία πινάκων συνάφειας αναφερόμαστε στον
Διαβάστε περισσότεραΑσκήσεις3 Διαγωνισιμότητα Βασικά σημεία Διαγωνίσιμοι πίνακες: o Ορισμός και παραδείγματα.
Ασκήσεις 0 Ασκήσεις Διαγωνισιμότητα Βασικά σημεία Διαγωνίσιμοι πίνακες: o Ορισμός και παραδείγματα o H -στήλη του P P είναι E αν και μόνο αν η -στήλη του P είναι ιδιοδιάνυσμα του που αντιστοιχεί στην ιδιοτιμή
Διαβάστε περισσότεραa = a a Z n. a = a mod n.
Αλγεβρα Ι Χειμερινο Εξαμηνο 2017 18 Διάλεξη 1 Ενότητα 1. Πράξεις: Πράξεις στο σύνολο S, ο πίνακας της πράξης, αντιμεταθετικές πράξεις. Προσεταιριστικές πράξεις, το στοιχείο a 1 a 2 a n. Η πράξη «σύνθεση
Διαβάστε περισσότεραΕφαρμοσμένα Μαθηματικά ΙΙ
Τμήμα Μηχανολόγων Μηχανικών Πανεπιστήμιο Θεσσαλίας Εφαρμοσμένα Μαθηματικά ΙΙ Διανυσματικοί Χώροι Ιωάννης Λυχναρόπουλος Μαθηματικός, MSc, PhD Διανυσματικός Χώρος επί του F Αλγεβρική δομή που αποτελείται
Διαβάστε περισσότεραΤα περισσότερα προβλήματα βελτιστοποίησης είναι με περιορισμούς, αλλά οι μέθοδοι επίλυσης χωρίς περιορισμούς έχουν γενικό ενδιαφέρον.
ΜΗ ΓΡΑΜΜΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΧΩΡΙΣ ΠΕΡΙΟΡΙΣΜΟΥΣ Τα περισσότερα προβλήματα βελτιστοποίησης είναι με περιορισμούς, αλλά οι μέθοδοι επίλυσης χωρίς περιορισμούς έχουν γενικό ενδιαφέρον. Μέθοδοι που απαιτούν
Διαβάστε περισσότερα21 a 22 a 2n. a m1 a m2 a mn
Παράρτημα Α Βασική γραμμική άλγεβρα Στην ενότητα αυτή θα παρουσιαστούν με συνοπτικό τρόπο βασικές έννοιες της γραμμικής άλγεβρας. Ο στόχος της ενότητας είναι να αποτελέσει ένα άμεσο σημείο αναφοράς και
Διαβάστε περισσότεραONE WAY ANOVA. .Π.Μ.Σ. Μαθηµατικά των Υπολογιστών & των αποφάσεων. Πάτρα, 11 Ιανουαρίου 2011
Πάτρα, 11 Ιανουαρίου 2011 Πίνακας Περιεχοµένων 1 completely random design with fixed effects 2 3 Πίνακας Περιεχοµένων 1 completely random design with fixed effects 2 3 Γενικά completely random design with
Διαβάστε περισσότεραΕΙΣΑΓΩΓΗ ΣΤΗ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΣΥΣΤΗΜΑΤΩΝ
ΥΠΕΥΘΥΝΟΣ ΚΑΘΗΓΗΤΗΣ Α. Ντούνης ΔΙΔΑΣΚΩΝ Χ. Τσιρώνης ΕΙΣΑΓΩΓΗ ΣΤΗ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΣΥΣΤΗΜΑΤΩΝ ΜΑΘΗΜΑ ΠΡΩΤΟ - Διατύπωση προβλημάτων - Κατηγορίες εφαρμογών - Πράξεις με πίνακες ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ (in short) Που
Διαβάστε περισσότεραΧΡΟΝΟΙ ΑΝΑΜΟΝΗΣ ΜΕΧΡΙ ΤΗΝ ΠΡΩΤΗ ΕΜΦΑΝΙΣΗ ΣΧΗΜΑΤΙΣΜΩΝ ΣΕ ΜΙΑ ΔΙΔΙΑΣΤΑΤΗ ΑΚΟΛΟΥΘΙΑ ΤΡΙΤΙΜΩΝ ΔΟΚΙΜΩΝ
Ελληνικό Στατιστικό Ινστιτούτο Πρακτικά 8 ου Πανελληνίου Συνεδρίου Στατιστικής (5) σελ.97-33 ΧΡΟΝΟΙ ΑΝΑΜΟΝΗΣ ΜΕΧΡΙ ΤΗΝ ΠΡΩΤΗ ΕΜΦΑΝΙΣΗ ΣΧΗΜΑΤΙΣΜΩΝ ΣΕ ΜΙΑ ΔΙΔΙΑΣΤΑΤΗ ΑΚΟΛΟΥΘΙΑ ΤΡΙΤΙΜΩΝ ΔΟΚΙΜΩΝ Σ. Μπερσίμης
Διαβάστε περισσότεραΕφαρμοσμένα Μαθηματικά ΙΙ
Τμήμα Μηχανολόγων Μηχανικών Πανεπιστήμιο Θεσσαλίας Εφαρμοσμένα Μαθηματικά ΙΙ Διανυσματικοί Χώροι Ιωάννης Λυχναρόπουλος Μαθηματικός, MSc, PhD Διανυσματικός Χώρος επί του F Αλγεβρική δομή που αποτελείται
Διαβάστε περισσότερα1. Για καθένα από τους ακόλουθους διανυσματικούς χώρους βρείτε μια βάση και τη διάσταση. 3. U x y z x y z x y. {(,, ) } a b. c d
Γραμμική Άλγεβρα Ι, 07-8 Ασκήσεις6: Βάση και Διάσταση Βασικά σημεία Βάση διανυσματικού χώρου (ορισμός, παραδείγματα, μοναδικότητα συντελεστών) Θεώρημα (ύπαρξη, πρώτη μορφή) Έστω V K μη μηδενικός με K πεπερασμένο
Διαβάστε περισσότεραΠίνακες Γραμμικά Συστήματα
Πίνακες Γραμμικά Συστήματα 1. Είδη Πινάκων Οι πίνακες είναι ένα χρήσιμο μαθηματικό εργαλείο, με εφαρμογές και διασυνδέσεις σε πολλές επιστήμες. Η σημαντικότερη εφαρμογή των πινάκων είναι στην επίλυση συστημάτων
Διαβάστε περισσότεραΦΙΛΤΡΟ KALMAN ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ
1 ΦΙΛΤΡΟ KALMAN ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ Σε αυτό το μέρος της πτυχιακής θα ασχοληθούμε λεπτομερώς με το φίλτρο kalman και θα δούμε μια καινούρια έκδοση του φίλτρου πάνω στην εφαρμογή της γραμμικής εκτίμησης διακριτού
Διαβάστε περισσότεραΕισαγωγικές έννοιες. Κατηγορίες προβλημάτων (σε μια διάσταση) Προβλήματα εύρεσης μεγίστου. Συμβολισμοί
Κατηγορίες προβλημάτων (σε μια διάσταση) Εισαγωγικές έννοιες Δ. Γ. Παπαγεωργίου Τμήμα Μηχανικών Επιστήμης Υλικών Πανεπιστήμιο Ιωαννίνων dpapageo@cc.uoi.gr http://pc164.materials.uoi.gr/dpapageo Το πρόβλημα
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 2 Ο ΠΟΛΥΩΝΥΜΑ ΣΤΟΙΧΕΙΑ ΘΕΩΡΙΑΣ - ΑΣΚΗΣΕΙΣ
ΚΕΦΑΛΑΙΟ Ο ΠΟΛΥΩΝΥΜΑ ΣΤΟΙΧΕΙΑ ΘΕΩΡΙΑΣ - ΑΣΚΗΣΕΙΣ ΚΕΦΑΛΑΙΟ Ο ΠΟΛΥΩΝΥΜΑ 10 ΕΠΑΝΑΛΗΨΕΙΣ ΑΠΟ ΠΡΟΗΓΟΥΜΕΝΕΣ ΤΑΞΕΙΣ α ) Ταυτότητες 1. (a-β)(a+β)=a - b. (a ± b ) = a ± ab + b 3 3 3 3. (a ± b ) = a ± 3a b + 3ab
Διαβάστε περισσότεραΓΡΑΜΜΙΚΟΣ & ΔΙΚΤΥΑΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ
ΓΡΑΜΜΙΚΟΣ & ΔΙΚΤΥΑΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ Ενότητα 1: Δυϊκή Θεωρία, Οικονομική Ερμηνεία Δυϊκού Προβλήματος Σαμαράς Νικόλαος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons.
Διαβάστε περισσότεραΗ διακριτή συνάρτηση μάζας πιθανότητας δίνεται από την
Η ΔΙΩΝΥΜΙΚΗ ΚΑΤΑΝΟΜΗ Ενδιαφερόμαστε για την απλούστερη μορφή πειραματικής διαδικασίας, όπου η έκβαση των αποτελεσμάτων χαρακτηρίζεται μόνο ως "επιτυχής" ή "ανεπιτυχής" (δοκιμές Beroulli). Ορίζουμε λοιπόν
Διαβάστε περισσότεραΠερί ανώμαλων πινάκων συμ-μεταβλητοτήτων
Τοπογραφικά Δίκτυα και Υπολογισμοί 5 ο εξάμηνο, Ακαδημαϊκό Έτος 2017-2018 Περί ανώμαλων πινάκων συμ-μεταβλητοτήτων Χριστόφορος Κωτσάκης Τμήμα Αγρονόμων και Τοπογράφων Μηχανικών Πολυτεχνική Σχολή, ΑΠΘ Ένα
Διαβάστε περισσότεραΓ 3 2Γ. Από τον τελευταίο πίνακα προκύπτει το ισοδύναμο με το αρχικό σύστημα. 3x 2 2x 3 = 1 x 3 = 2
Γραμμικά συστήματα Άσκηση. Να βρεθεί η λύση του γραμμικού συστήματος x 2x 2 + x 3 = x + x 2 x 3 = 2 2x x 2 + x 3 = Απόδειξη. Θεωρούμε τον επαυξημένο πίνακα του συστήματος 2 2 2 και εκτελούμε στοιχειώδεις
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 2: Ημιαπλοί Δακτύλιοι
ΚΕΦΑΛΑΙΟ : Ημιαπλοί Δακτύλιοι Είδαμε στο κύριο θεώρημα του προηγούμενου κεφαλαίου ότι κάθε δακτύλιος διαίρεσης έχει την ιδιότητα κάθε πρότυπο είναι ευθύ άθροισμα απλών προτύπων Εδώ θα χαρακτηρίσουμε όλους
Διαβάστε περισσότεραHMY 795: Αναγνώριση Προτύπων. Διάλεξη 2
HMY 795: Αναγνώριση Προτύπων Διάλεξη 2 Επισκόπηση θεωρίας πιθανοτήτων Θεωρία πιθανοτήτων Τυχαία μεταβλητή: Μεταβλητή της οποίας δε γνωρίζουμε με βεβαιότητα την τιμή (αντίθετα με τις ντετερμινιστικές μεταβλητές)
Διαβάστε περισσότεραE [ -x ^2 z] = E[x z]
1 1.ΦΙΛΤΡΟ KALMAN ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ Σε αυτήν την διάλεξη θα πάμε στο φίλτρο με περισσότερες λεπτομέρειες, και θα παράσχουμε μια νέα παραγωγή για το φίλτρο Kalman, αυτή τη φορά βασισμένο στην ιδέα της γραμμικής
Διαβάστε περισσότεραΘΕΩΡΙΑ ΜΑΘΗΜΑΤΙΚΑ ΠΡΟΣΑΝΑΤΟΛΙΣΜΟΥ Β ΛΥΚΕΙΟΥ
ΘΕΩΡΙΑ ΜΑΘΗΜΑΤΙΚΑ ΠΡΣΑΝΑΤΛΙΣΜΥ Β ΛΥΚΕΙΥ ΘΕΩΡΙΑ ΜΑΘΗΜΑΤΙΚΑ ΚΑΤΕΥΘΥΝΣΗΣ Β ΛΥΚΕΙΥ Να δώσετε τους ορισμούς: διάνυσμα, μηδενικό διάνυσμα, μέτρο διανύσματος, μοναδιαίο διάνυσμα Διάνυσμα AB ονομάζεται ένα ευθύγραμμο
Διαβάστε περισσότεραVol. 34 ( 2014 ) No. 4. J. of Math. (PRC) : A : (2014) Frank-Wolfe [7],. Frank-Wolfe, ( ).
Vol. 4 ( 214 ) No. 4 J. of Math. (PRC) 1,2, 1 (1., 472) (2., 714) :.,.,,,..,. : ; ; ; MR(21) : 9B2 : : A : 255-7797(214)4-759-7 1,,,,, [1 ].,, [4 6],, Frank-Wolfe, Frank-Wolfe [7],.,,.,,,., UE,, UE. O-D,,,,,
Διαβάστε περισσότεραΒΕΛΤΙΣΤΟΙ ΠΕΙΡΑΜΑΤΙΚΟΙ ΣΧΕΔΙΑΣΜΟΙ ΜΕ ΚΑΙ ΧΩΡΙΣ ΕΞΑΡΤΗΜΕΝΕΣ ΠΑΡΑΤΗΡΗΣΕΙΣ
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ Διδακτορική διατριβή ΒΕΛΤΙΣΤΟΙ ΠΕΙΡΑΜΑΤΙΚΟΙ ΣΧΕΔΙΑΣΜΟΙ ΜΕ ΚΑΙ ΧΩΡΙΣ ΕΞΑΡΤΗΜΕΝΕΣ ΠΑΡΑΤΗΡΗΣΕΙΣ Κατερίνα Περικλέους Αθήνα 04 ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ
Διαβάστε περισσότερα1.6 ΜΗ ΠΕΠΕΡΑΣΜΕΝΟ ΟΡΙΟ ΣΤΟ x
6 ΜΗ ΠΕΠΕΡΑΣΜΕΝΟ ΟΡΙΟ ΣΤΟ 5 Να γράψετε τις ιδιότητες του άπειρου ορίου στο o Απάντηση : Όπως στην περίπτωση των πεπερασμένων ορίων έτσι και για τα άπειρα όρια συναρτήσεων, που ορίζονται σε ένα σύνολο της
Διαβάστε περισσότεραΕφαρμοσμένα Μαθηματικά ΙΙ 9ο Σετ Ασκήσεων (Λύσεις) Διανυσματικοί Χώροι
Εφαρμοσμένα Μαθηματικά ΙΙ 9ο Σετ Ασκήσεων (Λύσεις) Διανυσματικοί Χώροι Επιμέλεια: Ι. Λυχναρόπουλος. Δείξτε ότι ο V R εφοδιασμένος με τις ακόλουθες πράξεις (, a b) + (, d) ( a+, b+ d) και k ( ab, ) ( kakb,
Διαβάστε περισσότεραΣτατιστική. Εκτιμητική
Στατιστική Εκτιμητική Χατζόπουλος Σταύρος 28/2/2018 και 01 /03/2018 Εισαγωγή Το αντικείμενο της Στατιστικής είναι η εξαγωγή συμπερασμάτων που αφορούν τον πληθυσμό ή το φαινόμενο που μελετάμε, με τη βοήθεια
Διαβάστε περισσότερα( ) S( x ) 2 ( ) = ( ) ( ) = ( ) ( )
Ορίζουμε την πληροφορία κατά Fsher ( σαν το ποσό της πληροφορίας που περιέχει η παρατήρηση για την παράμετρο Συμβολίζοντας με S( την λογαριθμική παράγωγο της πιθανοφάνειας ως προς την παράμετρο (score
Διαβάστε περισσότεραΜέθοδος μέγιστης πιθανοφάνειας
Αν x =,,, παρατηρήσεις των Χ =,,,, τότε έχουμε διαθέσιμο ένα δείγμα Χ={Χ, =,,,} της κατανομής F μεγέθους με από κοινού σκ της Χ f x f x Ορισμός : Θεωρούμε ένα τυχαίο δείγμα Χ=(Χ, Χ,, Χ ) από πληθυσμό το
Διαβάστε περισσότερα1.6 ΜΗ ΠΕΠΕΡΑΣΜΕΝΟ ΟΡΙΟ ΣΤΟ x
6 ΜΗ ΠΕΠΕΡΑΣΜΕΝΟ ΟΡΙΟ ΣΤΟ 5 Να γράψετε τις ιδιότητες του άπειρου ορίου στο o Απάντηση : Όπως στην περίπτωση των πεπερασμένων ορίων έτσι και για τα άπειρα όρια συναρτήσεων, που ορίζονται σε ένα σύνολο της
Διαβάστε περισσότεραΣυστήματα Αυτομάτου Ελέγχου ΙΙ. Άσκηση. γραμμάτων του επιθέτου σας (π.χ. για το επίθετο Κοσματόπουλος, οι αριθμοί α ι θα είναι a
Συστήματα Αυτομάτου Ελέγχου ΙΙ Άσκηση Θεωρείστε το σύστημα με συνάρτηση μεταφοράς: Y ( s) a s 4 3 a3s a U ( s) s a όπου οι αριθμοί α ι αντιστοιχούν στους αντίστοιχους αριθμούς των 4 πρώτων γραμμάτων του
Διαβάστε περισσότεραΕφαρμοσμένα Μαθηματικά ΙΙ
Τμήμα Μηχανολόγων Μηχανικών Πανεπιστήμιο Θεσσαλίας Εφαρμοσμένα Μαθηματικά ΙΙ Πίνακες Ιωάννης Λυχναρόπουλος Μαθηματικός, MSc, PhD Πίνακες Μητρώα Πίνακας: Ορθογώνια διάταξη αριθμών σε γραμμές και στήλες
Διαβάστε περισσότεραΕπισκόπηση ύλης Πιθανοτήτων Μέρος ΙΙ. M. Kούτρας
Επισκόπηση ύλης Πιθανοτήτων Μέρος ΙΙ M. Kούτρας Πειραιάς, 2015 Επισκόπηση ύλης Πιθανοτήτων: Μέρος ΙΙ M. Kούτρας Πειραιάς, 2015 1 Από κοινού συνάρτηση πιθανότητας μιας δισδιάστατης διακριτής τυχαίας μεταβλητής
Διαβάστε περισσότερα7 ΑΛΓΕΒΡΑ ΜΗΤΡΩΝ. 7.2 ΜΗΤΡΕΣ ΕΙΔΙΚΗΣ ΜΟΡΦΗΣ (Ι)
77 78 7 ΑΛΓΕΒΡΑ ΜΗΤΡΩΝ. 7. ΕΙΣΑΓΩΓΗ Η Άλγεβρα των μητρών οι πινάκων είναι ιδιαίτερα χρήσιμη για την επίλυση συστημάτων καθώς επίσης στις επιστήμες της οικονομετρίας και της στατιστικής. ΟΡΙΣΜΟΣ: Μήτρα
Διαβάστε περισσότεραΔιάστημα εμπιστοσύνης της μέσης τιμής
Διάστημα εμπιστοσύνης της μέσης τιμής Συντελεστής εμπιστοσύνης Όταν : x z c s < μ < x +z s c Ν>30 Στον πίνακα δίνονται κρίσιμες τιμές z c και η αντιστοίχισή τους σε διάφορους συντελεστές εμπιστοσύνης:
Διαβάστε περισσότεραΜετασχηματισμοί στον R 2 Μπορούν να παρασταθούν (και να υλοποιηθούν) με πολλαπλασιασμό πινάκων Ο πολλαπλασιασμός Ax μπορεί να ειδωθεί σαν μετασχηματισ
Μετασχηματισμοί στον R 2 Μπορούν να παρασταθούν (και να υλοποιηθούν) με πολλαπλασιασμό πινάκων Μετασχηματισμοί στον R 2 Μπορούν να παρασταθούν (και να υλοποιηθούν) με πολλαπλασιασμό πινάκων Ο πολλαπλασιασμός
Διαβάστε περισσότεραΚΑΤΑΣΚΕΥΗ D-ΒΕΛΤΙΣΤΩΝ, ΚΟΡΕΣΜΕΝΩΝ, s 1 s 2 s 3 ΠΑΡΑΓΟΝΤΙΚΩΝ ΣΧΕ ΙΑΣΜΩΝ, ΟΤΑΝ s 1 =3, s 2 3, s 3 s 2 +1, ΜΕ ΤΗ ΣΥΜΒΟΛΗ ΤΗΣ ΘΕΩΡΙΑΣ ΓΡΑΦΗΜΑΤΩΝ
Ελληνικό Στατιστικό Ινστιτούτο Πρακτικά 7 ου Πανελληνίου Συνεδρίου Στατιστικής (004), σελ. 5-4 ΚΑΤΑΣΚΕΥΗ D-ΒΕΛΤΙΣΤΩΝ, ΚΟΡΕΣΜΕΝΩΝ, s s s ΠΑΡΑΓΟΝΤΙΚΩΝ ΣΧΕ ΙΑΣΜΩΝ, ΟΤΑΝ s =, s, s s +, ΜΕ ΤΗ ΣΥΜΒΟΛΗ ΤΗΣ ΘΕΩΡΙΑΣ
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ II ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ 1. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΕΝΑ ΚΡΙΤΗΡΙΟ 2. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΔΥΟ ΚΡΙΤΗΡΙΑ
ΚΕΦΑΛΑΙΟ II ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΕΝΟΤΗΤΕΣ 1. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΕΝΑ ΚΡΙΤΗΡΙΟ. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΔΥΟ ΚΡΙΤΗΡΙΑ 1. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΕΝΑ ΚΡΙΤΗΡΙΟ (One-Way Analyss of Varance) Η ανάλυση
Διαβάστε περισσότεραΣημειώσεις διαλέξεων: Βελτιστοποίηση πολυδιάστατων συνεχών συναρτήσεων 1 / 20
Σημειώσεις διαλέξεων: Βελτιστοποίηση πολυδιάστατων συνεχών συναρτήσεων Ισαάκ Η Λαγαρής 1 Τμήμα Μηχανικών Η/Υ & Πληροφορικής Πανεπιστήμιον Ιωαννίνων 1 Με υλικό από το υπό προετοιμασία βιβλίο των: Βόγκλη,
Διαβάστε περισσότεραHMY 799 1: Αναγνώριση Συστημάτων
HMY 799 : Αναγνώριση Συστημάτων Διάλεξη Γραμμική παλινδρόμηση (Linear regression) Εμπειρική συνάρτηση μεταφοράς Ομαλοποίηση (smoothing) Y ( ) ( ) ω G ω = U ( ω) ω +Δ ω γ ω Δω = ω +Δω W ( ξ ω ) U ( ξ) G(
Διαβάστε περισσότεραΓενικό Ενιαίο Λύκειο Μαθ. Κατ. Τάξη B
151 Θέματα εξετάσεων περιόδου Μαΐου - Ιουνίου στα Μαθηματικά Κατεύθυνσης Τάξη - B Λυκείου 15 Α. Αν α, β, γ ακέραιοι ώστε α/β και α/γ, να δείξετε ότι α/(β + γ). Μονάδες 13 Β. α. Δώστε τον ορισμό της παραβολής.
Διαβάστε περισσότεραΟ ΡΟΛΟΣ ΤΗΣ ΣΤΑΘΜΙΣΗΣ ΣΤΗ ΔΕΙΓΜΑΤΟΛΗΨΙΑ*
Ελληνικό Στατιστικό Ινστιτούτο Πρακτικά 21 ου Πανελληνίου Συνεδρίου Στατιστικής (2008), σελ 123-130 Ο ΡΟΛΟΣ ΤΗΣ ΣΤΑΘΜΙΣΗΣ ΣΤΗ ΔΕΙΓΜΑΤΟΛΗΨΙΑ* Χ. ΔΑΜΙΑΝΟΥ 1, Ε. ΣΙΟΛΟΥ 2 Μαθηματικό Τμήμα Πανεπιστημίου Αθηνών
Διαβάστε περισσότεραΣυνεχείς συναρτήσεις πολλών µεταβλητών. ε > υπάρχει ( ) ( )
Συνεχείς συναρτήσεις πολλών µεταβλητών 7 Η Ευκλείδεια απόσταση που ορίσαµε στον R επιτρέπει ( εκτός από τον ορισµό των ορίων συναρτήσεων και ακολουθιών και τον ορισµό της συνέχειας συναρτήσεων της µορφής
Διαβάστε περισσότεραΓραμμική Άλγεβρα και Μαθηματικός Λογισμός για Οικονομικά και Επιχειρησιακά Προβλήματα
Γραμμική Άλγεβρα και Μαθηματικός Λογισμός για Οικονομικά και Επιχειρησιακά Προβλήματα Ενότητα: Γραμμικοί Μετασχηματισμοί Ανδριανός Ε Τσεκρέκος Τμήμα Λογιστικής & Χρηματοοικονομικής Σελίδα Σκοποί ενότητας
Διαβάστε περισσότερα