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

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

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

Transcript

1 MCMC Η Monte Carlo μεθοδολογία για την δημιουργία αριθμητικών προσεγγίσεων διαφόρων τιμών της εκ των υστέρων κατανομής, όπως του μέσου και της τυπικής απόκλισης, στηρίζεται στους Ασθενείς Νόμους των Μεγάλων Αριθμών: σε IID δείγμα, οι Monte Carlo εκτιμητές είναι συνεπείς, που σημαίνει ότι είναι πολύ κοντά στις πραγματικές τιμές με υψηλή πιθανότητα, καθώς ο αριθμός των επαναλήψεων m τείνει στο άπειρο. Πριν δούμε πως οι Metropolis et al. προσπάθησαν να επιτύχουντοίδιοαποτέλεσμαγιαέναμηiid Monte Carlo δείγμα ας δούμε το πρακτικό επακόλουθο της εναλλαγής των δεδομένων από IID σε Μαρκοβιανά.

2 Παράδειγμα Πίσω στο παράδειγμα με το ποσοστό ποδηλάτων στο Berkeley. Τρέχοντας τον IID αλγόριθμο απόρριψης για m επαναλήψεις, δημιουργούμε την επονομαζόμενη Monte Carlo βάση δεδομένων:

3 Παράδειγμα Τρέχοντας τον αλγόριθμο του Metropolis για το ίδιο παράδειγμα, δημιουργούμε την επονομαζόμενη MCΜC βάση δεδομένων, η οποία έχει περίπου την ίδια δομή με την προηγούμενη με την διαφορά ότι οι γραμμές χωρίζονται σε 3 φάσεις: Iteration (επανάληψη) 0 είναι η αρχική τιμή. Iterations (1-b) αφορούν την burn-in περίοδο, επαναλήψεις μέχρις ότου επιτευχθεί η στασιμότητα (δεν τις λαμβάνουμε υπόψιν). Iterations (b+1)-(b+m), οι υπό παρακολούθηση επαναλήψεις (monitoring run), από τις οποίες θα λάβουμε εκτιμήσεις για τις ποσότητες της εκ των υστέρων που ενδιαφερόμαστε.

4 Παράδειγμα

5 Παράδειγμα Στις χρονοσειρές σημαντικό ρόλο παίζει η αυτοσυσχέτιση: η αυτοσυσχέτιση στάσιμης χρονοσειράς μίας για υστέρηση κ * * (lag k) ισούται με όπου γ γ κ = C( θt, θt k) είναι 0 η συνδιακύμανση της σειράς με τον εαυτό της πριν από κ επαναλήψεις (δηλαδή πρόκειται για μία μέτρηση του βαθμού εξάρτησης της σειράς από το παρελθόν της). γ κ * θ t ρ κ

6 Παράδειγμα Για τον IID αλγόριθμο απόρριψης η χρονοσειρά που δημιουργούμε έχει μηδενική αυτοσυσχέτιση σε κάθε υστέρηση. Αντιθέτως η χρονοσειρά που δημιουργείται από τον αλγόριθμο του Metropolis έχει μή μηδενική αυτοσυσχέτιση, συνήθως θετική, με άλλα λόγια κάθε φορά που προσομοιώνουμε κάποια νέα τιμή από την Μαρκοβιανή αλυσίδα παίρνουμε κάποια νέα πληροφορία για την εκ των υστέρων κατανομή η οποία συνδυάζεται με την παλιά πληροφορία που είχαμε. Βασιζόμενοι όμως στο Εργοδικό Θεώρημα καταλήγουμε στο αποτέλεσμα πως όλα τα περιγραφικά μέτρα της εκ των υστέρων κατανομής είναι ακόμα και σε αυτή την περίπτωση συνεπείς εκτιμητές αρκεί η αλυσίδα να έχει συγκλίνει στην στάσιμη κατανομή. Άρα οι δυο μεθοδολογίες δίνουν ισοδύναμα αποτελέσματα και διαφέρουνμόνοστηναποτελεσματικότητάτους, μιας και λόγω της θετικής αυτοσυσχέτισης με τον αλγόριθμο του Metropolis μαθαίνουμε πληροφορίες με πιο αργό ρυθμό (μεγαλύτερα τυπικά σφάλματα).

7 Metropolis Algorithm Όπως έχουμε ήδη αναφέρει με την μέθοδο απόρριψης στο χρονικό σημείο t προσομοιώνεις τιμή θ * από την κατανομή εισήγησης g(θ y) και την αποδέχεσαι ή την απορρίπτεις σύμφωνα με την πιθανότητα α θ y ( * ) R αποδοχής. Αν την δεχτείς μετακινείσαι στο θ *, αλλιώς προσομοιώνεις νέα τιμή. ΜετοντρόποαυτόδημιουργείςμίαIID σειρά προσομοιωμένων τιμών από την εκ των υστέρων κατανομή p(θ y). Οι Metropolis et al. γενίκευσαν την παραπάνω ιδέα σε περιπτώσεις όπου το IID δείγμα είναι δύσκολο. Επέτρεψαν στην κατανομή εισήγησης στον χρόνο t να εξαρτάται από την τωρινή κατάσταση θ t της αλυσίδας και εν συνεχεία, για να επιτύχουν την ζητούμενη στάσιμη κατανομή, όταν μία προτεινόμενη τιμή απορρίπτονταν ανάγκαζαν την αλυσίδα το μείνει στην κατάσταση που βρισκόταν για άλλη μια επανάληψη. Η αλυσίδα που καταλήγουμε τότε είναι Μαρκοβιανή αφού (α) οι τιμές είναι εξαρτημένες αλλά (β) από όλο το παρελθόν της μόνο η πιο πρόσφατη κατάσταση καθορίζει το μέλλον.

8 Metropolis Hastings Algorithm Με την παραπάνω μέθοδο υπάρχει μεγάλη ελευθερία στην επιλογή της κατανομής εισήγησης g(θ * θ t,y), όπου με θ * συμβολίζουμε την προτεινόμενη τιμή και με θ t την τωρινή κατάσταση. Η αρχική ιδέα των Metropolis et al. ήταν η χρησιμοποίηση συμμετρικής κατανομής εισήγησης, δηλ. g(θ * θ t,y) = g(θ t θ *,y), αλλά ο Hastings το 1970 γενίκευσε την ιδέα αυτή για μη συμμετρικές κατανομές εισήγησης, δημιουργώντας τον αλγόριθμο Metropolis Hastings. Βασιζόμενος στις ιδέες των Metropolis et al. o Hastings απέδειξε ότι καταλήγουμε στη σωστή στάσιμη κατανομή αρκεί να χρησιμοποιήσουμε ως πιθανότητα αποδοχής την ακόλουθη: (1)

9 Metropolis Hastings Algorithm

10 Metropolis Hastings Algorithm Έχει αρκετό ενδιαφέρον να συγκρίνουμε την συγκεκριμένη πιθανότητα αποδοχής με αυτή από τη μέθοδο απόρριψης. Η ουσιαστική διαφορά τους είναι πως η κατανομή εισήγησης τώρα δεν είναι σταθερή αλλά αλλάζει κάθε φορά. Παρατηρήστε πως η σχέση (1) είναι μια γενίκευση της πιθανότητας αποδοχής της μεθόδου απόρριψης: η νέα πιθανότητα αποδοχής μπορούμε να πούμε πως είναι το πηλίκο 2 πιθανοτήτων αποδοχής της μεθόδου απόρριψης, μίας που έχει να κάνει με το που είσαι τώρα και μίας που έχει να κάνει με το που σκέφτεσαι να πας (είναι επιπλέον ισοδύναμο να δουλεύεις με την g ήτηνg μιας και στην περίπτωση αυτή η σταθερά κανονικοποίησης θα απαλειφθεί στο πηλίκο).

11 Metropolis Hastings Algorithm Αξιοσημείωτο είναι το γεγονός ότι για οποιαδήποτε κατανομή εισήγησης η στάσιμη κατανομή θα είναι η εκ των υστέρων p. Απόδειξη Ο μεταβατικός πυρήνας για τον αλγόριθμο Metropolis-Hastings είναι: ( t+ 1 t) ( t+ 1 t y) ΜΗ ( t+ 1 t y) ( t 1 t) + ( t y) ΜΗ ( t y) θ θ = θ θ α θ θ + θ =θ θ θ α θ θ θ * * * P g,, I 1 g,, d, (2)

12 Metropolis Hastings Algorithm όπου I(.) είναι η δείκτρια συνάρτηση. Ο πρώτος όρος του δεξιού μέλους της προηγούμενης σχέσης προκύπτει από την * * αποδοχή του υποψηφίου θ =θ t + 1, οδεύτεροςόροςαπότην απόρριψης όλων των πιθανών υποψηφίων θ *. Χρησιμοποιώντας την σχέση: ( θt y) ( θt+ 1 θt y) αμη ( θt+ 1 θ t y) = ( θt+ 1 y) ( θt θt+ 1 y) αμη ( θt θt+ 1 y) p g,, p g,, η οποία προκύπτει από την (1) καταλήγουμε λόγω της (2) στην σχέση ( θ ) ( ) ( ) ( ) t y θt+ 1 θ t y = θt+ 1 y θt θt+ 1 y p P, p P,

13 Metropolis Hastings Algorithm Ολοκληρώνοντας την προηγούμενη σχέση ως προς θ t Το αριστερό μέρος της παραπάνω σχέσης μας δίνει την περιθώρια κατανομή της, υπό την προϋπόθεση ότι η προέρχεται από τηνεκτωνυστέρωνκατανομή. Άρα η παραπάνω σχέση μας λέει πως αν η ίδιο θα συμβαίνει και για την ( θ ) ( ) ( ) t θt+ 1 θt θ t = θt+ 1 p y P, y d p y. θ t θ t+ 1 προέρχεται από την εκ των υστέρων κατανομή το θ. t + 1 Άρα με το που λάβουμε δείγμα από την στάσιμη κατανομή όλα τα υπόλοιπα δείγματα θα προέρχονται από αυτή και το αποτέλεσμα αυτό ισχύει για οποιαδήποτε g. θ t

14 Metropolis Hastings Algorithm Η παραπάνω απόδειξη μας αποσαφηνίζει μόνο το γεγονός ότι η στάσιμη κατανομή είναι η εκ των υστέρων, χωρίς να δείχνει αν πράγματι η αλυσίδα συγκλίνει σε στάσιμη κατανομή. Όταν η κατανομή εισήγησης είναι συμμετρική τότε η * p( θ y) πιθανότητα αποδοχής ισούται με p( θ, που t y) σημαίνει πως θέλεις να επισκεφτείς σημεία με μεγαλύτερη συχνότητα πιο συχνά.

15 Παράδειγμα IID 2 2 Έστω (Y i σ ) ~ N( μ, σ ), i = 1,.., n (μ γνωστό). συνάρτηση πιθανοφάνειας τότε είναι: Η Αν επιλέξουμε ως εκ των προτέρων κατανομή την: p ( ) ν σ0 νσ 0 0 exp 2 2 σ σ 2σ

16 Παράδειγμα δηλαδή σ Inv χ ν, σ ) ( τότε: ( σ ) ( σ ) l ( σ ) p y p y ( ) ν n n ( ) 2 σ ν σ exp σ exp u σ 2σ 2σ ( ν + n) ( 0 0 ) σ exp ν σ + nu, 2σ Παρατηρούμε ότι νσ nu σ y Inv χ ν 0 + n,. ν 0 + n n 1 με u = μ n i = 1 ( y ) i 2

17 Παράδειγμα Αν και στο συγκεκριμένο παράδειγμα μπορούμε να υπολογίσουμε την εκ των υστέρων κατανομή πλήρως, ας υποθέσουμε ότι θέλουμε να χρησιμοποιήσουμε τον MH algorithm για προσομοίωση τιμών από αυτή. Για να χρησιμοποιήσουμε τον αλγόριθμο θα πρέπει να 2 2 διαλέξουμε την κατανομή εισήγησης g( σ σ, y). t Όπως αναφέραμε προηγουμένως η επιλογή της g δεν επηρεάζει την σύγκλιση στην εκ των υστέρων κατανομή. Επηρεάζει όμως την ταχύτητα σύγκλισης και πόσο καλά η αλυσίδα αναμιγνύεται (μίξη).

18 Παράδειγμα 1. Διαλέξτε μια κατανομή εισήγησης που μοιάζει με μία υπερκαλυπτόμενη έκδοση της εκ των υστέρων κατανομή (για αυτό το λόγο συχνά είναι αναγκαίο αρχικά να προβούμε σε μία πιλοτική μελέτη για να αποκτήσουμε μια πρόχειρη εικόνα για το σχήμα της εκ των υστέρων κατανομής). 2. Δημιουργήστε την κατανομή εισήγησης με τέτοιο τρόπο * ώστε E g θ θ t, y =θt. Δηλαδή η αναμενόμενη τιμή του πού πρόκειται να μετακινηθείς θ *, δεδομένου ότι έχεις δεχθεί να μετακινηθείς από την τωρινή κατάσταση θ t ισούται με τηντωρινήκατάστασηθ t. Άρα όταν κινείσαι υπάρχει ένα είδος αριστερής δεξιάς ισορροπίας στην κατεύθυνση που μετακινείσαι, και άρα επιτυγχάνεις καλύτερη εξερεύνηση στου χώρου.

19 Παράδειγμα Βάση της ιδέας (1) μια ικανοποιητική επιλογή για την κατανομή εισήγησης είναι η Η κατανομή αυτή έχει μέσο v* 2 * για v* 2. v 2 σ > ( ) g( σ σ, y) = Inv χ ν, σ. * t * * Άρα χρησιμοποιώντας την ιδέα (2) μπορώ να χρησιμοποιήσω ν * >2 και 2 v* 2 2 σ * = σt δηλαδή: v* v* 2 2 g( σ σ t, y) = Inv χ ν*, σt. v*

20 Παράδειγμα Διάλεξε μια τιμή για το ν * έτσι ώστε η αλυσίδα να αναμιγνύεται καλύτερα ν * =2.5 α MH =0.07 ν * =20 α MH =0.44 ν * =500 α MH =0.86

21 Παράδειγμα Η τυπική απόκλιση (SD) της κατανομής εισήγησης που χρησιμοποιούμε είναι ανάλογη της ποσότητας: 1 ν 4 η οποία είναι φθίνουσα συνάρτηση του ν *. Όταν το SD είναι μεγάλο (μικρό ν * όπως στο πρώτο γράφημα) ο αλγόριθμος κάνει μεγάλα άλματα γύρω από τον χώρο του σ 2 (πράγμα καλό), αλλά τα περισσότερα από αυτά απορρίπτονται (πράγμα κακό), και άρα υπάρχουν μεγάλες περίοδοι στις οποίες δεν έχουμε κίνηση. Αντίθετα όταν το SD είναι μικρό (μεγάλο ν* όπως στο τρίτο γράφημα) ο αλγόριθμος δέχεται σχεδόν όλες τις κινήσεις (πράγμα καλό) αλλά αυτές είναι τόσο μικρές έτσι ώστε να χρειάζεται πολύ χρόνο για να εξερευνήσει πλήρως τον χώρο (πράγμα κακό). *

22 Παράδειγμα Έχει δειχθεί ότι σε απλά προβλήματα με προσεγγιστικά κανονικές εκ των υστέρων κατανομές η βέλτιστη πιθανότητα αποδοχής είναι περίπου 44%. Στο παράδειγμα μας η άγνωστη ποσότητα ήταν μονοδιάστατη, αλλά ο αλγόριθμος δουλεύει χωρίς προβλήματα και με πολυδιάστατο θ. Το μεγάλο προτέρημα είναι ότι για να εφαρμόσουμε τον αλγόριθμο αρκεί να γνωρίζουμε την εκ των υστέρων χωρίς την σταθερά κανονικοποίησης.

23 Single Component M-H Όταν το θ = (θ 1,..,θ k ) τότε μπορούμε να εφαρμόζουμε τον αλγόριθμο M-H και να προσομοιώνουμε διανύσματα θ ή μπορούμε να δημιουργούμε ξεχωριστά τις συνιστώσες βάση διαφορετικών κατανομών εισήγησης. Κάθε δηλαδή επανάληψη του αλγορίθμου αποτελείτε από κ βήματα, στην αρχή δηλαδή της επανάληψης t, ανανεώνεις πρώτα το θ 1, μετά το θ 2 και στο τέλος το θ κ. Ας καλέσουμε θ t,i τηντιμήτηςi συνιστώσας στο χρόνο t και θ t,-i =(θ t+1,1, θ t+1,2,..., θ t+1,i-1, θ t,i+1,, θ t,k } * Το υποψήφιο σημείο θ i παράγεται από την κατανομή * εισήγησης g( θ θ, θ, y) με πιθανότητα αποδοχής: i i t,i t, i * * * p( θi θt, i, y)g i( θt,i θi, θt, i, y) αμη( θi θ t,i, θt, i, y) = min 1, p( * θt,i θt, i, y )g i ( θi θt,i, θt, i, y )

24 Gibbs Sampling Ειδική περίπτωση του Single Component M-H αποτελεί ο δειγματολήπτης Gibbs (Gibbs Sampling) όπου η κατανομή εισήγησης g( θ θ, θ, y) = p( θ θ, y) * * i i t,i t, i i t, i είναι η πλήρους δέσμευσης εκ των υστέρων κατανομή (full conditional posterior distribution) για το θ i. Στην περίπτωση αυτή η πιθανότητα αποδοχής ισούται με 1, με άλλα λόγια στο Gibbs Sampling προσομοιώνουμε τιμές από την full conditional posterior distribution (η οποία έχει το πλεονέκτημα ότι στις περισσότερες των περιπτώσεων είναι εύκολα υπολογίσιμη) και δεχόμαστε όλες τις προτεινόμενες κινήσεις.

25 Gibbs Sampling

26 Παράδειγμα όπου η t ν (μ, σ 2 ) είναι η scaled t-distribution με μέσο μ, παράμετρο κλίμακας σ 2 και παράμετρο μορφής ν. Είναι γνωστό από την Θεωρία Πιθανοτήτων ότι για να προσομοιώσεις τιμές από την συγκεκριμένη t κατανομή μπορείς αρχικά να προσομοιώσεις τιμές από μία αντίστροφη Γάμμα και μετά από μία Κανονική δεδομένων των τιμών που προσομοίωσες από την Γάμμα (Inverse Gamma mixture of Gaussians).

27 Παράδειγμα Εισάγοντας και τις συζυγείς εκ των προτέρων για τα μ και σ 2 καταλήγουμε στο ακόλουθο ιεραρχικό μοντέλο (hierarchical model)

28 Παράδειγμα

29 Παράδειγμα Ερωτήματα Υπολογισμός των full Conditionals. Αρχικές τιμές. Πόσο μεγάλα πρέπει να είναι τα b, m; Πως ξέρω ότι έχω σύγκλιση της αλυσίδας;

30 Υπολογισμός των Full Conditionals Ας θεωρήσουμε το εξής πιο απλό παράδειγμα:

31 Υπολογισμός των Full Conditionals Οπότε: δηλαδή Όμοια

32 Υπολογισμός των Full Conditionals Οπότε: δηλαδή

33 Υπολογισμός των Full Conditionals Παρατηρούμε ότι σε συζυγείς περιπτώσεις οι full conditional έχουν συζυγείς μορφές. Άρα είναι εφικτό με την βοήθεια ενός λογισμικού να υπολογιστούν αυτόματα οι full conditionals και να μην χρειαστεί να κάνουμε εμείς κάθε φορά τους υπολογισμούς. Ένα τέτοιο λογισμικό είναι το BUGS το οποίο τρέχει κάτω από Unix ή Dos καθώς και το αντίστοιχο λογισμικό κάτω από Windows το WinBugs. To Bugs/WinBugs δουλεύουν και για μή συζυγείς εκ των προτέρων κατανομές βασιζόμενο στα παρακάτω:

34 Directed Acyclic Graphs 1. Βλέποντας τα ιεραρχικά μοντέλα ως Κατευθυνόμενα Ακυκλικά Γραφήματα - Directed Acyclic Graphs (DAG). Η δεσμευμένη ανεξαρτησία των ιεραρχικών μοντέλων (οι ποσότητες στο μοντέλο εξαρτώνται μόνο από αυτές που είναι ένα στάδιο παραπάνω και όχι από τις υπόλοιπες) μας επιτρέπει να δούμε τις ποσότητες ως κόμβους σε ένα γράφημα. Το DAG είναι ένα γράφημα στο οποίο οι ποσότητες απεικονίζονται είτε ως κύκλοι (άγνωστες ποσότητες) είτε ως τετράγωνα (γνωστές ποσότητες) και εν συνεχεία βασισμένοι στην εξάρτηση τους τις συνδέουμε με ένα βέλος. Το γράφημα αυτό είναι ακυκλικό (acyclic) με την έννοια ότι ακολουθούμενος την πορεία του βέλους είναι αδύνατο να γυρίσεις σε κόμβο από τον οποίο πέρασες.

35 Adaptive Rejection Sampling 2. Εφαρμόζοντας την προσαρμοσμένη μέθοδο απόρριψης (Adaptive Rejection Sampling), για να προσομοιώσεις τιμές από full conditional distributions που δεν έχουν απλή μορφή (μή συζυγείς εκ των προτέρων). Όπως έχουμε δει η μέθοδος απόρριψης είναι μια γενική μέθοδος προσομοίωσης τιμών από την p(θ y) με την βοήθεια ενός φακέλου G(θ y). Ο αλγόριθμος για κανονικοποιημένη G είναι ο ακόλουθος:

36 Adaptive Rejection Sampling Για την κατασκευή του φακέλου G μπορούμε να εισάγουμε 2 συναρτήσεις a, b (squeezing functions) τέτοιες ώστε b(θ y) p(θ y) a(θ y) και να αντικαταστήσουμε την γραμμή 4 τουπροηγουμένουκώδικα(πιθανότητα αποδοχής) με το παρακάτω: H αναπροσαρμοσμένη μέθοδος απόρριψης (ARS) είναι μια αρκετά αποδοτική μέθοδος, που δουλεύει ως βάση του Gibbs Sampling σε περιπτώσεις όπου οι full conditionals είναι log-concave.

37 Adaptive Rejection Sampling Για μονοδιάστατο θ μπορεί εύκολα να κατασκευαστεί η logg(θ y) στην λογαριθμική κλίμακα φέρνοντας εφαπτόμενες στην logp(θ y) από σημεία ενός σύνολου S Οι εφαπτόμενες δημιουργούν τον φάκελο στην λογαριθμική κλίμακα και οι χορδές την συνάρτηση a.

38 Adaptive Rejection Sampling Ο φάκελος αποτελείτε από γραμμικές συναρτήσεις στην λογαριθμική κλίμακα, οπότε στην αρχική κλίμακα αποτελείτε από εκθετικές κατανομές από τις οποίες μπορούμε εύκολα να προσομοιώσουμε τιμές. Το πλεονέκτημα της μεθόδου είναι η αναπροσαρμογή στην κατασκευή του φακέλου που μπορούμε να πραγματοποιήσουμε. Καθώς μαθαίνουμε όλο και περισσότερα για το θ προσομοιώνοντας νέες τιμές, προσθέτουμε νέα σημεία στο σύνολο S και άρα ο φάκελος καλυτερεύει και πλησιάζει όλο και περισσότερο την πραγματική συνάρτηση.

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

Μαρκοβιανές Αλυσίδες

Μαρκοβιανές Αλυσίδες Μαρκοβιανές Αλυσίδες { θ * } Στοχαστική Ανέλιξη είναι μια συλλογή τ.μ. Ο χώρος Τ (συνήθως είναι χρόνος) μπορεί να είναι είτε διακριτός είτε συνεχής και καλείται παραμετρικός χώρος. Το σύνολο των δυνατών

Διαβάστε περισσότερα

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

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

Διαβάστε περισσότερα

Συνολοκλήρωση και μηχανισμός διόρθωσης σφάλματος

Συνολοκλήρωση και μηχανισμός διόρθωσης σφάλματος ΜΑΘΗΜΑ 10 ο Συνολοκλήρωση και μηχανισμός διόρθωσης σφάλματος Η μέθοδος της συνολοκλήρωσης είναι ένας τρόπος με τον οποίο μπορούμε να εκτιμήσουμε τη μακροχρόνια σχέση ισορροπίας που υπάρχει μεταξύ δύο ή

Διαβάστε περισσότερα

ΤΟΠΟΓΡΑΦΙΚΑ ΔΙΚΤΥΑ ΚΑΙ ΥΠΟΛΟΓΙΣΜΟΙ ΑΝΑΣΚΟΠΗΣΗ ΘΕΩΡΙΑΣ ΣΥΝΟΡΘΩΣΕΩΝ

ΤΟΠΟΓΡΑΦΙΚΑ ΔΙΚΤΥΑ ΚΑΙ ΥΠΟΛΟΓΙΣΜΟΙ ΑΝΑΣΚΟΠΗΣΗ ΘΕΩΡΙΑΣ ΣΥΝΟΡΘΩΣΕΩΝ ΤΟΠΟΓΡΑΦΙΚΑ ΔΙΚΤΥΑ ΚΑΙ ΥΠΟΛΟΓΙΣΜΟΙ ΑΝΑΣΚΟΠΗΣΗ ΘΕΩΡΙΑΣ ΣΥΝΟΡΘΩΣΕΩΝ Βασίλης Δ. Ανδριτσάνος Δρ. Αγρονόμος - Τοπογράφος Μηχανικός ΑΠΘ Επίκουρος Καθηγητής ΤΕΙ Αθήνας 3ο εξάμηνο http://eclass.teiath.gr Παρουσιάσεις,

Διαβάστε περισσότερα

HMY 795: Αναγνώριση Προτύπων

HMY 795: Αναγνώριση Προτύπων HMY 795: Αναγνώριση Προτύπων Διαλέξεις 7 8 Μπεϋζιανή εκτίμηση συνέχεια Μη παραμετρικές μέθοδοι εκτίμησης πυκνότητας Εκτίμηση ML για την κανονική κατανομή Μπεϋζιανή εκτίμηση για την κανονική κατανομή Γνωστή

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

ΜΑΘΗΜΑ 3ο. Βασικές έννοιες

ΜΑΘΗΜΑ 3ο. Βασικές έννοιες ΜΑΘΗΜΑ 3ο Βασικές έννοιες Εισαγωγή Βασικές έννοιες Ένας από τους βασικότερους σκοπούς της ανάλυσης των χρονικών σειρών είναι η διενέργεια των προβλέψεων. Στα υποδείγματα αυτά η τρέχουσα τιμή μιας οικονομικής

Διαβάστε περισσότερα

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

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

Διαβάστε περισσότερα

Αριθμητική εύρεση ριζών μη γραμμικών εξισώσεων

Αριθμητική εύρεση ριζών μη γραμμικών εξισώσεων Αριθμητική εύρεση ριζών μη γραμμικών εξισώσεων Με τον όρο μη γραμμικές εξισώσεις εννοούμε εξισώσεις της μορφής: f( ) 0 που προέρχονται από συναρτήσεις f () που είναι μη γραμμικές ως προς. Περιέχουν δηλαδή

Διαβάστε περισσότερα

Εισόδημα Κατανάλωση 1500 500 1600 600 1300 450 1100 400 600 250 700 275 900 300 800 352 850 400 1100 500

Εισόδημα Κατανάλωση 1500 500 1600 600 1300 450 1100 400 600 250 700 275 900 300 800 352 850 400 1100 500 Εισόδημα Κατανάλωση 1500 500 1600 600 1300 450 1100 400 600 250 700 275 900 300 800 352 850 400 1100 500 Πληθυσμός Δείγμα Δείγμα Δείγμα Ο ρόλος της Οικονομετρίας Οικονομική Θεωρία Διατύπωση της

Διαβάστε περισσότερα

HMY 795: Αναγνώριση Προτύπων

HMY 795: Αναγνώριση Προτύπων HMY 795: Αναγνώριση Προτύπων Διάλεξη 3 Επιλογή μοντέλου Επιλογή μοντέλου Θεωρία αποφάσεων Επιλογή μοντέλου δεδομένα επικύρωσης Η επιλογή του είδους του μοντέλου που θα χρησιμοποιηθεί σε ένα πρόβλημα (π.χ.

Διαβάστε περισσότερα

Κεφ. Ιο ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΘΕΩΡΙΑΣ ΠΙΘΑΝΟΤΗΤΩΝ

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

Διαβάστε περισσότερα

ΠΕΡΙΕΧΟΜΕΝΑ. ΠΡΟΛΟΓΟΣ... vii ΠΕΡΙΕΧΟΜΕΝΑ... ix ΓΕΝΙΚΗ ΒΙΒΛΙΟΓΡΑΦΙΑ... xv. Κεφάλαιο 1 ΓΕΝΙΚΕΣ ΕΝΝΟΙΕΣ ΑΠΟ ΤΗ ΣΤΑΤΙΣΤΙΚΗ

ΠΕΡΙΕΧΟΜΕΝΑ. ΠΡΟΛΟΓΟΣ... vii ΠΕΡΙΕΧΟΜΕΝΑ... ix ΓΕΝΙΚΗ ΒΙΒΛΙΟΓΡΑΦΙΑ... xv. Κεφάλαιο 1 ΓΕΝΙΚΕΣ ΕΝΝΟΙΕΣ ΑΠΟ ΤΗ ΣΤΑΤΙΣΤΙΚΗ ΠΡΟΛΟΓΟΣ... vii ΠΕΡΙΕΧΟΜΕΝΑ... ix ΓΕΝΙΚΗ ΒΙΒΛΙΟΓΡΑΦΙΑ... xv Κεφάλαιο 1 ΓΕΝΙΚΕΣ ΕΝΝΟΙΕΣ ΑΠΟ ΤΗ ΣΤΑΤΙΣΤΙΚΗ 1.1 Πίνακες, κατανομές, ιστογράμματα... 1 1.2 Πυκνότητα πιθανότητας, καμπύλη συχνοτήτων... 5 1.3

Διαβάστε περισσότερα

Bayesian Biostatistics Using BUGS 1

Bayesian Biostatistics Using BUGS 1 Bayesian BioStatistics Using BUGS Βιοστατιστική κατά Bayes με τη χρήση του Λογισμικού BUGS Ioannis Ntzoufras E-mail: ntzoufras@aegean.gr Department of Business Administration, University of the Aegean

Διαβάστε περισσότερα

Πεπερασμένες Διαφορές.

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

Διαβάστε περισσότερα

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

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

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

Διαβάστε περισσότερα

Το Κεντρικό Οριακό Θεώρημα

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

Διαβάστε περισσότερα

Μέθοδος μέγιστης πιθανοφάνειας

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

Διαβάστε περισσότερα

ΔΕΣΜΕΥΜΕΝΕΣ Ή ΥΠΟ ΣΥΝΘΗΚΗ ΠΙΘΑΝΟΤΗΤΕΣ

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

Διαβάστε περισσότερα

Μέθοδο Απόρριψης (Rejection Sampling von Neumann, 1951)

Μέθοδο Απόρριψης (Rejection Sampling von Neumann, 1951) Προσομοίωση Στο προηγούμενο παράδειγμα καταφέραμε να παράγουμε τυχαίες τιμές με την βοήθεια της συνάρτησης rgamma στην R. Υπάρχουν γενικοί αλγόριθμοι προσομοίωσης από οποιαδήποτε κατανομή; Εδώ θα αναφερθούμε

Διαβάστε περισσότερα

math-gr Παντελής Μπουμπούλης, M.Sc., Ph.D. σελ. 2 math-gr.blogspot.com, bouboulis.mysch.gr

math-gr Παντελής Μπουμπούλης, M.Sc., Ph.D. σελ. 2 math-gr.blogspot.com, bouboulis.mysch.gr III Όριο Παντελής Μπουμπούλης, MSc, PhD σελ blogspotcom, bouboulismyschgr ΜΕΡΟΣ Πεπερασμένο Όριο στο Α Ορισμός Όριο στο : Όταν οι τιμές μιας συνάρτησης f προσεγγίζουν όσο θέλουμε έναν πραγματικό αριθμό,

Διαβάστε περισσότερα

Θεωρία Υπολογισμού και Πολυπλοκότητα

Θεωρία Υπολογισμού και Πολυπλοκότητα Θεωρία Υπολογισμού και Πολυπλοκότητα Κεφάλαιο 10. Μηχανές Turing 20,23 Μαρτίου 2007 Δρ. Παπαδοπούλου Βίκη 1 Μηχανές Turing: Ένα Γενικό Μοντέλο Υπολογισμού Ποια μοντέλα υπολογισμού μπορούν να δεχθούν γλώσσες

Διαβάστε περισσότερα

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

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

Διαβάστε περισσότερα

Συνήθεις διαφορικές εξισώσεις προβλήματα οριακών τιμών

Συνήθεις διαφορικές εξισώσεις προβλήματα οριακών τιμών Συνήθεις διαφορικές εξισώσεις προβλήματα οριακών τιμών Οι παρούσες σημειώσεις αποτελούν βοήθημα στο μάθημα Αριθμητικές Μέθοδοι του 5 ου εξαμήνου του ΤΜΜ ημήτρης Βαλουγεώργης Καθηγητής Εργαστήριο Φυσικών

Διαβάστε περισσότερα

Στατιστική είναι το σύνολο των μεθόδων και θεωριών που εφαρμόζονται σε αριθμητικά δεδομένα προκειμένου να ληφθεί κάποια απόφαση σε συνθήκες

Στατιστική είναι το σύνολο των μεθόδων και θεωριών που εφαρμόζονται σε αριθμητικά δεδομένα προκειμένου να ληφθεί κάποια απόφαση σε συνθήκες Ορισμός Στατιστική είναι το σύνολο των μεθόδων και θεωριών που εφαρμόζονται σε αριθμητικά δεδομένα προκειμένου να ληφθεί κάποια απόφαση σε συνθήκες αβεβαιότητας. Βασικές έννοιες Η μελέτη ενός πληθυσμού

Διαβάστε περισσότερα

Στατιστική Ι (ΨΥΧ-1202) ιάλεξη 4

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

Διαβάστε περισσότερα

Αναζήτηση Κατά Βάθος. ιδάσκοντες: Σ. Ζάχος,. Φωτάκης Επιμέλεια διαφανειών:. Φωτάκης. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών

Αναζήτηση Κατά Βάθος. ιδάσκοντες: Σ. Ζάχος,. Φωτάκης Επιμέλεια διαφανειών:. Φωτάκης. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Αναζήτηση Κατά Βάθος ιδάσκοντες: Σ. Ζάχος,. Φωτάκης Επιμέλεια διαφανειών:. Φωτάκης Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Εθνικό Μετσόβιο Πολυτεχνείο Αναζήτηση Κατά Βάθος (DFS) Εξερεύνηση

Διαβάστε περισσότερα

Εισαγωγή στη θεωρία ακραίων τιμών

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

Διαβάστε περισσότερα

2.4 ΔΙΑΣΤΗΜΑΤΑ ΕΜΠΙΣΤΟΣΥΝΗΣ ΓΙΑ ΜΙΑ ΠΙΘΑΝΟΤΗΤΑ

2.4 ΔΙΑΣΤΗΜΑΤΑ ΕΜΠΙΣΤΟΣΥΝΗΣ ΓΙΑ ΜΙΑ ΠΙΘΑΝΟΤΗΤΑ .4 ΔΙΑΣΤΗΜΑΤΑ ΕΜΠΙΣΤΟΣΥΝΗΣ ΓΙΑ ΜΙΑ ΠΙΘΑΝΟΤΗΤΑ Η μέθοδος για τον προσδιορισμό ενός διαστήματος εμπιστοσύνης για την άγνωστη πιθανότητα =P(A) ενός ενδεχομένου A συνδέεται στενά με τον διωνυμικό έλεγχο. Ένα

Διαβάστε περισσότερα

Συνολοκλήρωση και VAR υποδείγματα

Συνολοκλήρωση και VAR υποδείγματα ΜΑΘΗΜΑ ο Συνολοκλήρωση και VAR υποδείγματα Ησχέσησ ένα στατικό υπόδειγμα συνολοκλήρωσης και σ ένα υπόδειγμα διόρθωσης λαθών μπορεί να μελετηθεί καλύτερα όταν χρησιμοποιούμε τις ιδιότητες των αυτοπαλίνδρομων

Διαβάστε περισσότερα

ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ

ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ ΤΕΧΝΙΚΕΣ ΠΡΟΒΛΕΨΕΩΝ& ΕΛΕΓΧΟΥ ΜΑΘΗΜΑ ΤΕΤΑΡΤΟ ΑΥΤΟΠΑΛΙΝΔΡΟΜΑ ΥΠΟΔΕΙΓΜΑΤΑ AR(p) Δρ. Κουνετάς Η Κωνσταντίνος ΕΠΙΧ Τεχνικές Προβλέψεων & Ελέγχου ιαφάνεια

Διαβάστε περισσότερα

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

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

Διαβάστε περισσότερα

HMY 795: Αναγνώριση Προτύπων

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

Διαβάστε περισσότερα

ΓΡΑΜΜΙΚΗ ΑΛΓΕΒΡΑ (ΗΥ-119)

ΓΡΑΜΜΙΚΗ ΑΛΓΕΒΡΑ (ΗΥ-119) ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΠΙΣΤΗΜΗΣ ΥΠΟΛΟΓΙΣΤΩΝ ΙΩΑΝΝΗΣ Α. ΤΣΑΓΡΑΚΗΣ ΓΡΑΜΜΙΚΗ ΑΛΓΕΒΡΑ (ΗΥ-119) ΜΕΡΟΣ 5: ΔΙΑΝΥΣΜΑΤΙΚΟΙ ΥΠΟΧΩΡΟΙ ΓΡΑΜΜΙΚΗ ΑΝΕΞΑΡΤΗΣΙΑ ΒΑΣΕΙΣ & ΔΙΑΣΤΑΣΗ Δ.Χ. ΣΗΜΕΙΩΣΕΙΣ

Διαβάστε περισσότερα

Θεώρημα Βolzano. Κατηγορία 1 η. 11.1 Δίνεται η συνάρτηση:

Θεώρημα Βolzano. Κατηγορία 1 η. 11.1 Δίνεται η συνάρτηση: Κατηγορία η Θεώρημα Βolzano Τρόπος αντιμετώπισης:. Όταν μας ζητούν να εξετάσουμε αν ισχύει το θεώρημα Bolzano για μια συνάρτηση f σε ένα διάστημα [, ] τότε: Εξετάζουμε την συνέχεια της f στο [, ] (αν η

Διαβάστε περισσότερα

Η ΜΕΘΟΔΟΣ PCA (Principle Component Analysis)

Η ΜΕΘΟΔΟΣ PCA (Principle Component Analysis) Η ΜΕΘΟΔΟΣ PCA (Principle Component Analysis) Η μέθοδος PCA (Ανάλυση Κύριων Συνιστωσών), αποτελεί μία γραμμική μέθοδο συμπίεσης Δεδομένων η οποία συνίσταται από τον επαναπροσδιορισμό των συντεταγμένων ενός

Διαβάστε περισσότερα

ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ Ι Συμπληρωματικές Σημειώσεις Δημήτριος Παντελής

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

Διαβάστε περισσότερα

ΣΥΣΤΗΜΑΤΩΝ ΑΥΤΟΜΑΤΟΥ ΕΛΕΓΧΟΥ

ΣΥΣΤΗΜΑΤΩΝ ΑΥΤΟΜΑΤΟΥ ΕΛΕΓΧΟΥ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΥΣΤΗΜΑΤΑ ΑΥΤΟΜΑΤΟΥ ΕΛΕΓΧΟΥ ΕΝΟΤΗΤΑ 0: ΒΑΣΙΚΑ ΧΑΡΑΚΤΗΡΙΣΤΙΚΑ ΚΑΙ ΤΥΠΟΙ ΣΥΣΤΗΜΑΤΩΝ ΑΥΤΟΜΑΤΟΥ ΕΛΕΓΧΟΥ Δρ Γιώργος

Διαβάστε περισσότερα

2 ΟΥ και 8 ΟΥ ΚΕΦΑΛΑΙΟΥ

2 ΟΥ και 8 ΟΥ ΚΕΦΑΛΑΙΟΥ ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΕΠΙΜΕΛΕΙΑ: ΜΑΡΙΑ Σ. ΖΙΩΓΑ ΚΑΘΗΓΗΤΡΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΘΕΩΡΙΑ 2 ΟΥ και 8 ΟΥ ΚΕΦΑΛΑΙΟΥ ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΔΟΜΗ ΕΠΑΝΑΛΗΨΗΣ 1) Πότε χρησιμοποιείται η δομή επανάληψης

Διαβάστε περισσότερα

ΤΕΧΝΙΚΗ ΥΔΡΟΛΟΓΙΑ Πιθανοτική προσέγγιση των υδρολογικών μεταβλητών

ΤΕΧΝΙΚΗ ΥΔΡΟΛΟΓΙΑ Πιθανοτική προσέγγιση των υδρολογικών μεταβλητών ΤΕΧΝΙΚΗ ΥΔΡΟΛΟΓΙΑ Πιθανοτική προσέγγιση των υδρολογικών μεταβλητών Εθνικό Μετσόβιο Πολυτεχνείο Σχολή Πολιτικών Μηχανικών Εργαστήριο Υδρολογίας και Αξιοποίησης Υδατικών Πόρων ΣΥΛΛΟΓΙΣΜΟΣ-ΕΠΑΓΩΓΗ (DEDUCTION

Διαβάστε περισσότερα

I. ΜΙΓΑΔΙΚΟΙ ΑΡΙΘΜΟΙ. math-gr

I. 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 περισσότερα

ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΕΠΑΝΑΛΗΠΤΙΚΟ ΔΙΑΓΩΝΙΣΜΑ ΣΧΟΛΙΚΟΥ ΕΤΟΥΣ 2013-2014

ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΕΠΑΝΑΛΗΠΤΙΚΟ ΔΙΑΓΩΝΙΣΜΑ ΣΧΟΛΙΚΟΥ ΕΤΟΥΣ 2013-2014 ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΕΠΑΝΑΛΗΠΤΙΚΟ ΔΙΑΓΩΝΙΣΜΑ ΣΧΟΛΙΚΟΥ ΕΤΟΥΣ 2013-2014 Επιμέλεια: Ομάδα Διαγωνισμάτων από το Στέκι των Πληροφορικών Θέμα Α A1. Να γράψετε στο τετράδιό σας τους

Διαβάστε περισσότερα

Θεωρητικές Κατανομές Πιθανότητας

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

Διαβάστε περισσότερα

ΕΚΠ 413 / ΕΚΠ 606 Αυτόνοµοι (Ροµ οτικοί) Πράκτορες

ΕΚΠ 413 / ΕΚΠ 606 Αυτόνοµοι (Ροµ οτικοί) Πράκτορες ΕΚΠ 413 / ΕΚΠ 606 Αυτόνοµοι (Ροµ οτικοί) Πράκτορες Πιθανοτική Συλλογιστική II Τµήµα Ηλεκτρονικών Μηχανικών και Μηχανικών Υ ολογιστών Πολυτεχνείο Κρήτης ίκτυα Bayes σηµασιολογία Πλεονεκτήµατα συµπαγής αναπαράσταση

Διαβάστε περισσότερα

Αυτόνομοι Πράκτορες. Εργασία εξαμήνου. Value Iteration και Q- Learning για Peg Solitaire

Αυτόνομοι Πράκτορες. Εργασία εξαμήνου. Value Iteration και Q- Learning για Peg Solitaire Αυτόνομοι Πράκτορες Εργασία εξαμήνου Value Iteration και Q- Learning για Peg Solitaire Μαρίνα Μαυρίκου 2007030102 1.Εισαγωγικά για το παιχνίδι Το Peg Solitaire είναι ένα παιχνίδι το οποίο παίζεται με ένα

Διαβάστε περισσότερα

2. ΑΝΑΛΥΣΗ ΣΦΑΛΜΑΤΩΝ

2. ΑΝΑΛΥΣΗ ΣΦΑΛΜΑΤΩΝ 1. ΑΝΑΛΥΣΗ ΣΦΑΛΜΑΤΩΝ 1. Σφάλματα Κάθε μέτρηση ενός φυσικού μεγέθους χαρακτηρίζεται από μία αβεβαιότητα που ονομάζουμε σφάλμα, το οποίο αναγράφεται με τη μορφή Τιμή ± αβεβαιότητα π.χ έστω ότι σε ένα πείραμα

Διαβάστε περισσότερα

Ε π ι μ έ λ ε ι α Κ Ο Λ Λ Α Σ Α Ν Τ Ω Ν Η Σ

Ε π ι μ έ λ ε ι α Κ Ο Λ Λ Α Σ Α Ν Τ Ω Ν Η Σ Ε π ι μ έ λ ε ι α Κ Ο Λ Λ Α Σ Α Ν Τ Ω Ν Η Σ 1 Συναρτήσεις Όταν αναφερόμαστε σε μια συνάρτηση, ουσιαστικά αναφερόμαστε σε μια σχέση ή εξάρτηση. Στα μαθηματικά που θα μας απασχολήσουν, με απλά λόγια, η σχέση

Διαβάστε περισσότερα

Λήψη αποφάσεων κατά Bayes

Λήψη αποφάσεων κατά Bayes Λήψη αποφάσεων κατά Bayes Σημειώσεις μαθήματος Thomas Bayes (1701 1761) Στυλιανός Χατζηδάκης ECE 662 Άνοιξη 2014 1. Εισαγωγή Οι σημειώσεις αυτές βασίζονται στο μάθημα ECE662 του Πανεπιστημίου Purdue και

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

Εισαγωγή στην Εκτιμητική

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

Διαβάστε περισσότερα

Διάλεξη 1 Βασικές έννοιες

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

Διαβάστε περισσότερα

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

6. ΔΕΙΓΜΑΤΟΛΗΨΙΑ ΚΑΤΑ ΟΜΑΔΕΣ (Cluster Sampling)

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

Διαβάστε περισσότερα

ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ. Κεφάλαιο 10. Εισαγωγή στην εκτιμητική

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

Διαβάστε περισσότερα

Έντυπο Υποβολής Αξιολόγησης Γ.Ε.

Έντυπο Υποβολής Αξιολόγησης Γ.Ε. Έντυπο Υποβολής Αξιολόγησης Γ.Ε. O φοιτητής συμπληρώνει την ενότητα «Υποβολή Εργασίας» και αποστέλλει το έντυπο σε δύο μη συρραμμένα αντίγραφα (ή ηλεκτρονικά) στον Καθηγητή-Σύμβουλο. Ο Καθηγητής-Σύμβουλος

Διαβάστε περισσότερα

1ο ΣΤΑΔΙΟ ΓΕΝΕΣΗ ΜΕΤΑΚΙΝΗΣΕΩΝ

1ο ΣΤΑΔΙΟ ΓΕΝΕΣΗ ΜΕΤΑΚΙΝΗΣΕΩΝ ΠΡΟΒΛΗΜΑ 1ο ΣΤΑΔΙΟ ΓΕΝΕΣΗ ΜΕΤΑΚΙΝΗΣΕΩΝ πόσες μετακινήσεις δημιουργούνται σε και για κάθε κυκλοφοριακή ζώνη; ΟΡΙΣΜΟΙ μετακίνηση μετακίνηση με βάση την κατοικία μετακίνηση με βάση άλλη πέρα της κατοικίας

Διαβάστε περισσότερα

Στατιστική Συμπερασματολογία

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

Διαβάστε περισσότερα

ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ. Κεφάλαιο 6. Πιθανότητες

ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ. Κεφάλαιο 6. Πιθανότητες ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΑΤΡΑΣ Εργαστήριο Λήψης Αποφάσεων & Επιχειρησιακού Προγραμματισμού Καθηγητής Ι. Μητρόπουλος ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ

Διαβάστε περισσότερα

Ζημιοκατανομές και Θεωρία Ακραίων Τιμών

Ζημιοκατανομές και Θεωρία Ακραίων Τιμών Ζημιοκατανομές και Θεωρία Ακραίων Τιμών Χατζηκωνσταντής Παναγιώτης ΜΑΕ/07023 Τμήμα Στατιστικής Επιστήμης και Ασφαλίσεων Υγείας M.Sc. Aναλογιστικής Επιστήμης και Risk Mgemet Πανεπιστήμιο Πειραιώς (2007)

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ 3ο ΤΥΧΑΙΟΙ ΑΡΙΘΜΟΙ ΕΛΕΓΧΟΣ ΤΥΧΑΙΟΤΗΤΑΣ

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

Διαβάστε περισσότερα

1.8 ΣΥΝΕΧΕΙΑ ΣΥΝΑΡΤΗΣΗΣ ΘΕΩΡΗΜΑ BOLZANO A. ΣΥΝΕΧΕΙΑ ΣΥΝΑΡΤΗΣΗΣ

1.8 ΣΥΝΕΧΕΙΑ ΣΥΝΑΡΤΗΣΗΣ ΘΕΩΡΗΜΑ BOLZANO A. ΣΥΝΕΧΕΙΑ ΣΥΝΑΡΤΗΣΗΣ .8 ΣΥΝΕΧΕΙΑ ΣΥΝΑΡΤΗΣΗΣ ΘΕΩΡΗΜΑ BOLZANO A. ΣΥΝΕΧΕΙΑ ΣΥΝΑΡΤΗΣΗΣ ΜΕΘΟΔΟΛΟΓΙΑ : ΣΥΝΕΧΗΣ ΣΥΝΑΡΤΗΣΗ - ΟΡΙΣΜΟΣ Όταν θέλουμε να εξετάσουμε ως προς τη συνέχεια μια συνάρτηση πολλαπλού τύπου, εργαζόμαστε ως εξής

Διαβάστε περισσότερα

3 Ετεροσκεδαστικότητα και Αυτοσυσχέτιση

3 Ετεροσκεδαστικότητα και Αυτοσυσχέτιση 3 Ετεροσκεδαστικότητα και Αυτοσυσχέτιση 3. Αιτίες που προκαλούν την ετεροσκεδαστικότητα Η ετεροσκεδαστικότητα οφείλεται σε διάφορες αιτίες. Οι πιο σημαντικές από αυτές είναι: Η ετεροσκεδαστικότητα μπορεί

Διαβάστε περισσότερα

ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΦΡΟΝΤΙΣΤΗΡΙΟ ΑΛΓΟΡΙΘΜΩΝ ΒΟΗΘΟΣ: ΒΑΓΓΕΛΗΣ ΔΟΥΡΟΣ

ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΦΡΟΝΤΙΣΤΗΡΙΟ ΑΛΓΟΡΙΘΜΩΝ ΒΟΗΘΟΣ: ΒΑΓΓΕΛΗΣ ΔΟΥΡΟΣ 1 ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΦΡΟΝΤΙΣΤΗΡΙΟ ΑΛΓΟΡΙΘΜΩΝ ΒΟΗΘΟΣ: ΒΑΓΓΕΛΗΣ ΔΟΥΡΟΣ Φροντιστήριο #2: Πολυωνυμικοί Αλγόριθμοι, Εισαγωγή στα Γραφήματα, Αναζήτηση κατά Βάθος, Τοπολογική Ταξινόμηση

Διαβάστε περισσότερα

2.1 2.2 ΕΝΝΟΙΑ ΤΟΥ ΜΙΓΑΔΙΚΟΥ ΑΡΙΘΜΟΥ ΠΡΑΞΕΙΣ ΣΤΟ ΣΥΝΟΛΟ ΤΩΝ ΜΙΓΑΔΙΚΩΝ

2.1 2.2 ΕΝΝΟΙΑ ΤΟΥ ΜΙΓΑΔΙΚΟΥ ΑΡΙΘΜΟΥ ΠΡΑΞΕΙΣ ΣΤΟ ΣΥΝΟΛΟ ΤΩΝ ΜΙΓΑΔΙΚΩΝ ΚΕΦΑΛΑΙΟ Ο : ΜΙΓΑΔΙΚΟΙ ΑΡΙΘΜΟΙ - ΕΝΟΤΗΤΕΣ :.... ΕΝΝΟΙΑ ΤΟΥ ΜΙΓΑΔΙΚΟΥ ΑΡΙΘΜΟΥ ΠΡΑΞΕΙΣ ΣΤΟ ΣΥΝΟΛΟ ΤΩΝ ΜΙΓΑΔΙΚΩΝ ΜΕΘΟΔΟΛΟΓΙΑ : ΠΡΑΓΜΑΤΙΚΟ & ΦΑΝΤΑΣΤΙΚΟ ΜΕΡΟΣ ΜΙΓΑΔΙΚΟΥ ΑΡΙΘΜΟΥ Έστω ένας μιγαδικός αριθμός,

Διαβάστε περισσότερα

Περιεχόμενα. Κεφάλαιο 1 ΜΑΘΗΜΑΤΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ... 11. Κεφάλαιο 2 ΓΡΑΜΜΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ: BΑΣΙΚΕΣ ΕΝΝΟΙΕΣ... 29

Περιεχόμενα. Κεφάλαιο 1 ΜΑΘΗΜΑΤΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ... 11. Κεφάλαιο 2 ΓΡΑΜΜΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ: BΑΣΙΚΕΣ ΕΝΝΟΙΕΣ... 29 Περιεχόμενα Πρόλογος 5 Κεφάλαιο ΜΑΘΗΜΑΤΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ Προβλήματα βελτιστοποίησης Γραμμικά προγράμματα Ακέραια προγράμματα Τετραγωνικά προγράμματα Διατύπωση προβλήματος Σύμβαση λύσης Κεφάλαιο ΓΡΑΜΜΙΚΟΣ

Διαβάστε περισσότερα

Βάση και Διάσταση Διανυσματικού Χώρου

Βάση και Διάσταση Διανυσματικού Χώρου Βάση και Διάσταση Διανυσματικού Χώρου Έστω V ένας διανυσματικός χώρος επί του σώματος F. Ορισμός : Ένα υποσύνολο S του διανυσματικού χώρου V θα λέμε ότι είναι βάση του V αν ισχύει Α) Η θήκη του S παράγει

Διαβάστε περισσότερα

ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΑΣΦΑΛΙΣΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ Π

ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΑΣΦΑΛΙΣΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ Π ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΑΣΦΑΛΙΣΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ Π ι θ α ν ό τ η τ ε ς ΙΙ Πειραιάς 2007 1 2 Από κοινού συνάρτηση πυκνότητας μιας δισδιάστατης συνεχούς τυχαίας μεταβλητής Μία διδιάστατη συνεχής τυχαία μεταβλητή

Διαβάστε περισσότερα

(t) x (t) t t t t. ΘΕΜΑ Α Α 1. Σχολικό βιβλίο σελ. 150 Α 2. Σχολικό βιβλίο σελ. 56 Α 3. Σχολικό βιβλίο σελ. 149 Α 4. i) Λ ii) Σ iii) Λ iv) Λ v) Σ

(t) x (t) t t t t. ΘΕΜΑ Α Α 1. Σχολικό βιβλίο σελ. 150 Α 2. Σχολικό βιβλίο σελ. 56 Α 3. Σχολικό βιβλίο σελ. 149 Α 4. i) Λ ii) Σ iii) Λ iv) Λ v) Σ ΑΡΧΗ ΗΣ ΣΕΛΙ ΑΣ ΘΕΜΑ Α Α Σχολικό βιβλίο σελ Α Σχολικό βιβλίο σελ 6 Α Σχολικό βιβλίο σελ 9 Γ ΤΑΞΗ ΓΕΝΙΚΟΥ ΛΥΚΕΙΟΥ ΚΑΙ ΕΠΑΛ (ΟΜΑ Α Β ) ΚΥΡΙΑΚΗ // - ΕΞΕΤΑΖΟΜΕΝΟ ΜΑΘΗΜΑ: ΜΑΘΗΜΑΤΙΚΑ & ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ ΣΥΝΟΛΟ

Διαβάστε περισσότερα

ΔΙΟΙΚΗΣΗ ΠΑΡΑΓΩΓΗΣ. ΕΝΟΤΗΤΑ 4η ΠΡΟΒΛΕΨΗ ΖΗΤΗΣΗΣ

ΔΙΟΙΚΗΣΗ ΠΑΡΑΓΩΓΗΣ. ΕΝΟΤΗΤΑ 4η ΠΡΟΒΛΕΨΗ ΖΗΤΗΣΗΣ ΤΕΙ ΚΡΗΤΗΣ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΔΙΟΙΚΗΣΗ ΠΑΡΑΓΩΓΗΣ ΕΝΟΤΗΤΑ 4η ΠΡΟΒΛΕΨΗ ΖΗΤΗΣΗΣ ΓΙΑΝΝΗΣ ΦΑΝΟΥΡΓΙΑΚΗΣ ΕΠΙΣΤΗΜΟΝΙΚΟΣ ΣΥΝΕΡΓΑΤΗΣ ΤΕΙ ΚΡΗΤΗΣ ΔΟΜΗ ΠΑΡΟΥΣΙΑΣΗΣ 1. Εισαγωγή

Διαβάστε περισσότερα

3.4 3.5 ΟΡΙΣΜΕΝΟ ΟΛΟΚΛΗΡΩΜΑ

3.4 3.5 ΟΡΙΣΜΕΝΟ ΟΛΟΚΛΗΡΩΜΑ ΚΕΦΑΛΑΙΟ Ο.. ΟΡΙΣΜΕΝΟ ΟΛΟΚΛΗΡΩΜΑ ΜΕΘΟΔΟΛΟΓΙΑ : ΟΛΟΚΛΗΡΩΜΑΤΑ ΒΑΣΙΚΩΝ ΣΥΝΑΡΤΗΣΕΩΝ Συμφώνα με το Θεμελιώδες Θεώρημα του Ολοκληρωτικού Λογισμού Θ.Θ.Ο.Λ ισχύει : I. d II. d III. d ln IV. d V. d VI. d VII. d

Διαβάστε περισσότερα

Λυσεις προβλημάτων τελικής φάσης Παγκύπριου Μαθητικού Διαγωνισμού Πληροφορικής 2007

Λυσεις προβλημάτων τελικής φάσης Παγκύπριου Μαθητικού Διαγωνισμού Πληροφορικής 2007 Λυσεις προβλημάτων τελικής φάσης Παγκύπριου Μαθητικού Διαγωνισμού Πληροφορικής 2007 Πρόβλημα 1 Το πρώτο πρόβλημα λύνεται με τη μέθοδο του Δυναμικού Προγραμματισμού. Για να το λύσουμε με Δυναμικό Προγραμματισμό

Διαβάστε περισσότερα

ΤΕΙ ΣΕΡΡΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ ΕΞΕΤΑΣΗ ΣΤΟ ΜΑΘΗΜΑ «ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ» ΠΑ. 7 ΣΕΠΤΕΜΒΡΙΟΥ 2012

ΤΕΙ ΣΕΡΡΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ ΕΞΕΤΑΣΗ ΣΤΟ ΜΑΘΗΜΑ «ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ» ΠΑ. 7 ΣΕΠΤΕΜΒΡΙΟΥ 2012 ΠΑ. 7 ΣΕΠΤΕΜΒΡΙΟΥ Δίνονται τα εξής πρότυπα: [ ] [ ] [ ] [ ] Άσκηση η (3 μονάδες) Χρησιμοποιώντας το κριτήριο της ομοιότητας να απορριφθεί ένα χαρακτηριστικό με βάση το συντελεστή συσχέτισης. (γράψτε ποιο

Διαβάστε περισσότερα

Συσχέτιση μεταξύ δύο συνόλων δεδομένων

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

Διαβάστε περισσότερα

ΤΕΤΥ Εφαρμοσμένα Μαθηματικά 1. Τελεστές και πίνακες. 1. Τελεστές και πίνακες Γενικά. Τι είναι συνάρτηση? Απεικόνιση ενός αριθμού σε έναν άλλο.

ΤΕΤΥ Εφαρμοσμένα Μαθηματικά 1. Τελεστές και πίνακες. 1. Τελεστές και πίνακες Γενικά. Τι είναι συνάρτηση? Απεικόνιση ενός αριθμού σε έναν άλλο. ΤΕΤΥ Εφαρμοσμένα Μαθηματικά 1 Τελεστές και πίνακες 1. Τελεστές και πίνακες Γενικά Τι είναι συνάρτηση? Απεικόνιση ενός αριθμού σε έναν άλλο. Ανάλογα, τελεστής είναι η απεικόνιση ενός διανύσματος σε ένα

Διαβάστε περισσότερα

Ανάπτυξη και δηµιουργία µοντέλων προσοµοίωσης ροής και µεταφοράς µάζας υπογείων υδάτων σε καρστικούς υδροφορείς µε χρήση θεωρίας νευρωνικών δικτύων

Ανάπτυξη και δηµιουργία µοντέλων προσοµοίωσης ροής και µεταφοράς µάζας υπογείων υδάτων σε καρστικούς υδροφορείς µε χρήση θεωρίας νευρωνικών δικτύων Ανάπτυξη και δηµιουργία µοντέλων προσοµοίωσης ροής και µεταφοράς µάζας υπογείων υδάτων σε καρστικούς υδροφορείς µε χρήση θεωρίας νευρωνικών δικτύων Περίληψη ιδακτορικής ιατριβής Τριχακης Ιωάννης Εργαστήριο

Διαβάστε περισσότερα

3. ΣΤΡΩΜΑΤΟΠΟΙΗΜΕΝΗ ΤΥΧΑΙΑ ΔΕΙΓΜΑΤΟΛΗΨΙΑ (Stratified Random Sampling)

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

Διαβάστε περισσότερα

1. Ποια μεγέθη ονομάζονται μονόμετρα και ποια διανυσματικά;

1. Ποια μεγέθη ονομάζονται μονόμετρα και ποια διανυσματικά; ΚΕΦΑΛΑΙΟ 2 ο ΚΙΝΗΣΗ 2.1 Περιγραφή της Κίνησης 1. Ποια μεγέθη ονομάζονται μονόμετρα και ποια διανυσματικά; Μονόμετρα ονομάζονται τα μεγέθη τα οποία, για να τα προσδιορίσουμε πλήρως, αρκεί να γνωρίζουμε

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

Τι είναι βαθμωτό μέγεθος? Ένα μέγεθος που περιγράφεται μόνο με έναν αριθμό (π.χ. πίεση)

Τι είναι βαθμωτό μέγεθος? Ένα μέγεθος που περιγράφεται μόνο με έναν αριθμό (π.χ. πίεση) TETY Εφαρμοσμένα Μαθηματικά Ενότητα ΙΙ: Γραμμική Άλγεβρα Ύλη: Διανυσματικοί χώροι και διανύσματα, μετασχηματισμοί διανυσμάτων, τελεστές και πίνακες, ιδιοδιανύσματα και ιδιοτιμές πινάκων, επίλυση γραμμικών

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ 1, Εισαγωγή στη θεωρία ακραίων τιμών

ΚΕΦΑΛΑΙΟ 1, Εισαγωγή στη θεωρία ακραίων τιμών ΚΕΦΑΛΑΙΟ 1, Εισαγωγή στη θεωρία ακραίων τιμών Αντικείμενο της θεωρίας ακραίων τιμών αποτελεί: Η ανάπτυξη και μελέτη στοχαστικών μοντέλων με σκοπό την επίλυση προβλημάτων που σχετίζονται με την εμφάνιση

Διαβάστε περισσότερα

1 Αριθμητική κινητής υποδιαστολής και σφάλματα στρογγύλευσης

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

Διαβάστε περισσότερα

2. ΕΠΙΛΟΓΗ ΜΟΝΤΕΛΟΥ ΜΕ ΤΗ ΜΕΘΟΔΟ ΤΟΥ ΑΠΟΚΛΕΙΣΜΟΥ ΜΕΤΑΒΛΗΤΩΝ (Backward Elimination Procedure) Στην στατιστική βιβλιογραφία υπάρχουν πολλές μέθοδοι για

2. ΕΠΙΛΟΓΗ ΜΟΝΤΕΛΟΥ ΜΕ ΤΗ ΜΕΘΟΔΟ ΤΟΥ ΑΠΟΚΛΕΙΣΜΟΥ ΜΕΤΑΒΛΗΤΩΝ (Backward Elimination Procedure) Στην στατιστική βιβλιογραφία υπάρχουν πολλές μέθοδοι για 2. ΕΠΙΛΟΓΗ ΜΟΝΤΕΛΟΥ ΜΕ ΤΗ ΜΕΘΟΔΟ ΤΟΥ ΑΠΟΚΛΕΙΣΜΟΥ ΜΕΤΑΒΛΗΤΩΝ (Backward Elimination Procedure) Στην στατιστική βιβλιογραφία υπάρχουν πολλές μέθοδοι για τον καθορισμό του καλύτερου υποσυνόλου από ένα σύνολο

Διαβάστε περισσότερα

3. ΣΕΙΡΙΑΚΟΣ ΣΥΝΤΕΛΕΣΤΗΣ ΣΥΣΧΕΤΙΣΗΣ

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

Διαβάστε περισσότερα

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

ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ ΤΜΗΜΑ ΠΟΛΙΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΣΗΜΕΙΩΣΕΙΣ ΓΡΑΜΜΙΚΗΣ ΑΛΓΕΒΡΑΣ. ρ Χρήστου Νικολαϊδη

ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ ΤΜΗΜΑ ΠΟΛΙΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΣΗΜΕΙΩΣΕΙΣ ΓΡΑΜΜΙΚΗΣ ΑΛΓΕΒΡΑΣ. ρ Χρήστου Νικολαϊδη ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ ΤΜΗΜΑ ΠΟΛΙΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΣΗΜΕΙΩΣΕΙΣ ΓΡΑΜΜΙΚΗΣ ΑΛΓΕΒΡΑΣ ρ Χρήστου Νικολαϊδη Δεκέμβριος Περιεχόμενα Κεφάλαιο : σελ. Τι είναι ένας πίνακας. Απλές πράξεις πινάκων. Πολλαπλασιασμός πινάκων.

Διαβάστε περισσότερα

1 Εισαγωγή στις Συνδυαστικές Δημοπρασίες - Combinatorial Auctions

1 Εισαγωγή στις Συνδυαστικές Δημοπρασίες - Combinatorial Auctions ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ - ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ Θεωρία Παιγνίων και Αποφάσεων Διδάσκων: Ε. Μαρκάκης, Εαρινό εξάμηνο 2015 Συμπληρωματικές σημειώσεις για τον μηχανισμό VCG 1 Εισαγωγή στις Συνδυαστικές

Διαβάστε περισσότερα

ΕΙΔΙΚΑ ΘΕΜΑΤΑ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΕΡΓΑΣΤΗΡΙΟ (SPSS)

ΕΙΔΙΚΑ ΘΕΜΑΤΑ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΕΡΓΑΣΤΗΡΙΟ (SPSS) ΕΙΔΙΚΑ ΘΕΜΑΤΑ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΕΡΓΑΣΤΗΡΙΟ (SPSS) Έλεγχος Υποθέσεων για την Μέση Τιμή ενός Δείγματος (One Sample t-test) Το κριτήριο One sample t-test χρησιμοποιείται όταν θέλουμε να συγκρίνουμε τον αριθμητικό

Διαβάστε περισσότερα

ΜΑΘΗΜΑΤΙΚΑ & ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ ΓΕΝ. ΠΑΙΔΕΙΑΣ - Γ ΛΥΚΕΙΟΥ

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

Διαβάστε περισσότερα

2.7 ΤΟΠΙΚΑ ΑΚΡΟΤΑΤΑ ΣΥΝΑΡΤΗΣΗΣ

2.7 ΤΟΠΙΚΑ ΑΚΡΟΤΑΤΑ ΣΥΝΑΡΤΗΣΗΣ .7 ΤΟΠΙΚΑ ΑΚΡΟΤΑΤΑ ΣΥΝΑΡΤΗΣΗΣ ΣΤΟΙΧΕΙΑ ΘΕΩΡΙΑΣ I. Αν μια συνάρτηση παρουσιάζει τοπικό ακρότατο σε ένα εσωτερικό σημείο του πεδίου ορισμού της και είναι παραγωγισιμη σε αυτό τότε ( ).(Θεώρημα Fermat) II.

Διαβάστε περισσότερα

Αναγνώριση Προτύπων. Baysian Θεωρία Αποφάσεων ΕΠΙΣΚΟΠΗΣΗ-ΑΣΚΗΣΕΙΣ

Αναγνώριση Προτύπων. Baysian Θεωρία Αποφάσεων ΕΠΙΣΚΟΠΗΣΗ-ΑΣΚΗΣΕΙΣ Αναγνώριση Προτύπων Baysian Θεωρία Αποφάσεων ΕΠΙΣΚΟΠΗΣΗ-ΑΣΚΗΣΕΙΣ Χριστόδουλος Χαμζάς Τα περιεχόμενο της παρουσίασης βασίζεται στο βιβλίο: Introduction to Pattern Recognition A Matlab Approach, S. Theodoridis,

Διαβάστε περισσότερα

Αλγόριθμοι και πολυπλοκότητα: 4 η σειρά ασκήσεων ΣΗΜΜΥ - Ε.Μ.Π.

Αλγόριθμοι και πολυπλοκότητα: 4 η σειρά ασκήσεων ΣΗΜΜΥ - Ε.Μ.Π. Αλγόριθμοι και πολυπλοκότητα: 4 η σειρά ασκήσεων CO.RE.LAB. ΣΗΜΜΥ - Ε.Μ.Π. Άσκηση 1 η : Παιχνίδι επιλογής ακμών Έχουμε ένα ακυκλικό κατευθυνόμενο γράφο, μια αρχική κορυφή και δυο παίκτες. Οι παίκτες διαδοχικά

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 στο

Διαβάστε περισσότερα

Άσκηση Οικονομετρίας ΙΙ. . (Υποδείγματα με Διαχρονικά Κατανεμημένες Επιδράσεις 1 )

Άσκηση Οικονομετρίας ΙΙ. . (Υποδείγματα με Διαχρονικά Κατανεμημένες Επιδράσεις 1 ) Άσκηση Οικονομετρίας ΙΙ.. (Υποδείγματα με ιαχρονικά Κατανεμημένες Επιδράσεις ) Περιεχόμενα. Γενικά. Οικονομετρικά Υποδείγματα με ιαχρονικά Κατανεμημένες Επιδράσεις. Η Αντίδραση της Μέσης Τιμής της Αμόλυβδης

Διαβάστε περισσότερα

Μέρος Β /Στατιστική. Μέρος Β. Στατιστική. Γεωπονικό Πανεπιστήμιο Αθηνών Εργαστήριο Μαθηματικών&Στατιστικής/Γ. Παπαδόπουλος (www.aua.

Μέρος Β /Στατιστική. Μέρος Β. Στατιστική. Γεωπονικό Πανεπιστήμιο Αθηνών Εργαστήριο Μαθηματικών&Στατιστικής/Γ. Παπαδόπουλος (www.aua. Μέρος Β /Στατιστική Μέρος Β Στατιστική Γεωπονικό Πανεπιστήμιο Αθηνών Εργαστήριο Μαθηματικών&Στατιστικής/Γ. Παπαδόπουλος (www.aua.gr/gpapadopoulos) Από τις Πιθανότητες στη Στατιστική Στα προηγούμενα, στο

Διαβάστε περισσότερα

ΔΗΜΟΚΡΙΤΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΡΑΚΗΣ Τμήμα Επιστήμης Φυσικής Αγωγής και Αθλητισμού Πρόγραμμα Διδακτορικών Σπουδών ΠΛΗΡΟΦΟΡΙΑΚΟ ΕΝΤΥΠΟ ΜΑΘΗΜΑΤΟΣ

ΔΗΜΟΚΡΙΤΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΡΑΚΗΣ Τμήμα Επιστήμης Φυσικής Αγωγής και Αθλητισμού Πρόγραμμα Διδακτορικών Σπουδών ΠΛΗΡΟΦΟΡΙΑΚΟ ΕΝΤΥΠΟ ΜΑΘΗΜΑΤΟΣ ΔΗΜΟΚΡΙΤΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΡΑΚΗΣ Τμήμα Επιστήμης Φυσικής Αγωγής και Αθλητισμού Πρόγραμμα Διδακτορικών Σπουδών ΠΛΗΡΟΦΟΡΙΑΚΟ ΕΝΤΥΠΟ ΜΑΘΗΜΑΤΟΣ 1. ΤΙΤΛΟΣ ΜΑΘΗΜΑΤΟΣ: Προχωρημένη Στατιστική 2. ΠΕΡΙΓΡΑΜΜΑ ΕΙΣΗΓΗΣΕΩΝ

Διαβάστε περισσότερα

ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΕΡΕΥΝΑ

ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΕΡΕΥΝΑ ΤΜΗΜΑ ΜΑΘΗΜΑΤΙΚΩΝ ΣΕΠΤΕΜΒΡΙΟΣ 2008 ΤΟΜΕΑΣ ΣΤΑΤΙΣΤΙΚΗΣ, ΠΙΘΑΝΟΤΗΤΩΝ & ΕΠΙΧΕΙΡΗΣΙΑΚΗΣ ΕΡΕΥΝΑΣ ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΕΡΕΥΝΑ ΘΕΜΑ 1 ο Σε μία γειτονιά, η ζήτηση ψωμιού η οποία ανέρχεται σε 1400 φραντζόλες ημερησίως,

Διαβάστε περισσότερα

ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΦΡΟΝΤΙΣΤΗΡΙΟ ΑΛΓΟΡΙΘΜΩΝ ΒΟΗΘΟΣ: ΒΑΓΓΕΛΗΣ ΔΟΥΡΟΣ

ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΦΡΟΝΤΙΣΤΗΡΙΟ ΑΛΓΟΡΙΘΜΩΝ ΒΟΗΘΟΣ: ΒΑΓΓΕΛΗΣ ΔΟΥΡΟΣ ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΦΡΟΝΤΙΣΤΗΡΙΟ ΑΛΓΟΡΙΘΜΩΝ ΒΟΗΘΟΣ: ΒΑΓΓΕΛΗΣ ΔΟΥΡΟΣ Φροντιστήριο #: Εύρεση Ελαχίστων Μονοπατιών σε Γραφήματα που Περιλαμβάνουν και Αρνητικά Βάρη: Αλγόριθμος

Διαβάστε περισσότερα