Bayesian Estimation and Population Analysis. Objective. Population Data. 26 July Chapter 34 1
|
|
- Αιγιδιος Ζάνος
- 5 χρόνια πριν
- Προβολές:
Transcript
1 Bayesian Estimation and Population Analysis Objective To Understand the Use of Population Parameters Values in Nomograms and Bayesian Estimations To Understand Methods of Analysing Pharmacokinetic Population Data Data Rich Sparse Data Population Data Use Population Data Nomograms Bayesian Analysis Analysing Population Data Data Rich Data by Two-step Method Sparse Data by NONMEM Analysis Chapter 34 1
2 Using Population Data Nomogram Used to Determine Initial Dose Use Population Results previously determined May be Based on Weight and Height May Also include other Covariates such as Renal Function, Cardiac Function, Liver Status, Smoking Status Using Population Data Dose, Vm Css Km From: Tozer, T.N. and M.E. Winter. "Phenytoin" in Applied Pharmacokinetics, ed. Evans W.E., Schentag, J.J., and Jusko, W.J. Applied Therapeutics, San Francisco, 1980 Population Based Parameters Information Available Population Parameter Values Population Parameter Standard Deviations Effective/Toxic Concentrations Chapter 34 2
3 Bayesian Analysis Requires: Population Values Patient (Subject) Data Different Objective Function Non-linear Regression Analysis Possible Programs include Boomer or ADAPT II Bayesian Analysis Example Population Values Theophylline example Cl 0.86 ± 0.35 ml/min/kg Half-life 8.1 ± 2.4 hr Bayesian Analysis Data Typical Data 6 5 Concentration (mg/l) Time (hr) Chapter 34 3
4 Bayesian Analysis Objective Function ( ) 2 i=n ( Obj = Calci Obsi ) 2 j=m Calcj Popj + i=1 Variancei j=1 PVariancej Bayesian Analysis Data Weighting Accurate (Not just Relative) 1 Wt = a Cobs b 1 Wt = a + b Cobs c d (t last t) Bayesian Analysis Results - Table (Boomer) ** FINAL PARAMETER VALUES *** # Name Value S.D. C.V. % Lower <-Limit-> Upper Population mean S.D. (Weight) Weighted residual 1) kel E E E ) V E E AIC = SC = Final WSS = R-squared = Correlation Coeff = Chapter 34 4
5 Bayesian Analysis Results - Table (ADAPT II) Initial Final Parameter Value Estimate CV(%) Confidence interval (95%) V , (N) [ ] Ke (N).8000E E [ E-02, E-01 ] Lam1.8000E E [ E-02, E-01 ] T1/ [ 25.66, ] Lam1 CL [ , ] Y( 1) Obs.Num. Time Data Model Est. Residual Variance Population Data Analysis Two Step Method Data Rich Study Traditional PK Study Combine Multi-Subject Results Two Step Analysis Typical Data Pharmacokinetic Study Bioavailability Study Analyse Individual Data Combine Results Simple Mean and Standard Deviation Chapter 34 5
6 Population Analysis NONMEM Analysis Data-Sparse Study (1-3 samples per subject) Combine Results from all Subjects Simultaneous Fit to the Data from ALL the subjects NONMEM Analysis Typical Data - Some Examples Clinical Data Include Patient Covariates Renal, Cardiac, Liver Function Assessment Weight, Height, Sex Bioavailability Data Relative Bioavailability Small Animal Study Rats, Mice Few samples per animal possible NONMEM Analysis Three Examples Clinical Study Bioavailability Study In Vitro Binding Study Chapter 34 6
7 NONMEM Approach Analysis includes Variability between Subjects and Variability within Subjects Analysis also includes Data Variability (Error or Variance) NONMEM Analysis Cp = Dose yij = D Vj e kel V e kel t + ErrorTerm ε i t ij +εij kel = ( a + b Cl CR ) ErrorTerm η keli = [ θ1+θ2 RFi] 1+ηi kel var( ηi kel ) = ω 2 kel ( ) ( ) Vi = V 1+ηi V var( εij) = σ 2 var( ηiv) = ω 2 V NONMEM Procedure Prepare CONTROL and DATA Files Run NMTRAN to create NONMEM Files Run Make and Build to create executable Run NONMEM on File from NMTRAN Chapter 34 7
8 Example ONE Clinical Study One Compartment Model Drug Given by IV Infusion Multiple Patient Data Simulated Example Data - Clinical Study Data Model Estimation Output Example Data - Clinical Study k0 V kel $PROBLEM Aminoglycoside example - Eta on Typical kel only $INPUT ID AMT RATE TIME DV CRCL $DATA TEST $SUBROUTINES ADVAN1 $PK TA = THETA(1) TB = THETA(2) TK = TA*CRCL + TB K = TK*(1.+ETA(1)) V = THETA(3)*(1.+ETA(2)) S1 = V $ERROR Model Specification Y = F*(1. + ERR(1)) Chapter 34 8
9 Example Data - Clinical Study Data Specification $INPUT ID AMT RATE TIME DV CRCL $DATA TEST Typical Data Example Data - Clinical Study Estimation and Output Specification $THETA (0.,.005,0.1) (0.,.01,1.0) (1,15,100) $OMEGA.2.2 $SIGMA.2 $ESTIMATION PRINT=5 MAXEVALS=900 $COVARIANCE $TABLE ID TIME AMT DV $SCAT PRED VS DV UNIT $SCAT WRES VS DV TIME CRCL Example Data - Clinical Study Estimation Step CUMULATIVE NO. OF FUNC. EVALS.: 179 PARAMETER: E E E E E E-01 GRADIENT: E E E E E E+03 ITERATION NO.: 25 OBJECTIVE VALUE: E+04 NO. OF FUNC. EVALS.: 8 CUMULATIVE NO. OF FUNC. EVALS.: 219 PARAMETER: E E E E E E-01 GRADIENT: E E E E E E+02 ITERATION NO.: 30 OBJECTIVE VALUE: E+04 NO. OF FUNC. EVALS.: 0 CUMULATIVE NO. OF FUNC. EVALS.: 278 PARAMETER: E E E E E E-01 GRADIENT: E E E E E E+00 MINIMIZATION SUCCESSFUL NO. OF FUNCTION EVALUATIONS USED: 278 NO. OF SIG. DIGITS IN FINAL EST.: 3.4 Chapter 34 9
10 Example Data - Clinical Study Estimation Output MINIMUM VALUE OF OBJECTIVE FUNCTION a FINAL PARAMETER ESTIMATE THETA - VECTOR OF FIXED EFFECTS TH 1 TH 2 TH E E E+01 V OMEGA - COV MATRIX FOR RANDOM EFFECTS - ETAS b ETA1 ETA2 ETA1 ETA2 9.81E-03 <- 9.9 % 0.00E E-03 <- 4.6 % SIGMA - COV MATRIX FOR RANDOM EFFECTS - EPSILONS EPS1 EPS1 4.60E-03 <- 6.8 % Example Data - Clinical Study 1 PRED VS. DV -1.00E E E+00 PRED 5.18E E E E-01..8M2.. DSH DCA Plot Output.. **222****.. **6332 5* * 4*.2.. * * ******. 1.68E *... ****.** *.. *.*2 **.. * * *23*2**3.. ** ***4*4.. * 33.****.. * 323* * *.. **2*33 * **.. * * *2*.* * *.. * * 4*2.2 2** *. 3.56E+00. 2* 3**.* ***... 4* * 2 * *.. * *** *.2.. * * 3*.. * ** *2* * *. DV. * *** *3 ** *.. * * ** *2. * 2 *.. * **2.* *.. * 2 * ** 2 2* 2 *.. 2 ***. * E+00. * ** 2* * * 2* * *... *2* *2 * *.. ** * 23. *.. * * * * ** *.. * * * *.*.. * 2 *2 * *.. * ****. *. * * **.. *. *. 7.32E+00. * *. *.... *. *.... *. 9.20E+00.. Predicted vs Observed Example Data - Clinical Study 1 WRES VS. DV -2.70E E E-01 WRES 5.40E E E E-01.. * * * ** * * 2** 3*2* *3 2 * ** * * * * *.. * * * 23* *** Plot *2*****32*62**2*****223* Output 2 **2* 2* * 2 * * * *.. 2 *22 *24 * **4**23* 2* ** * *** 2* * *2* * * *.. * ** **22 *.**** ** * * * * * * *.. * * * * *. * * * * * * *.. * 2 * ** * * * 2 * ** * ** * * ***.. * *2 * ** ** * * *.. * * * * 2 * *.. * * * *. * * * *. 1.68E+00. ** * *. * * 2 *... 2 *. * * * *.. * * ** *. *.. * * *2 * * * **2* * * *.. *** * * * *** * * * * *.. * * * *. 2 * 2* *..* * * * * *.. * * * *** * *.. * * *. 2 * * * *.. * * * * 2 * * *. * ** * * * *. 3.56E+00. * * * * *. * * * * * * *... * * * *. * ** ** *.. * *. * * ** *.. * ** 2 *.. * * 2 * *. * * *. DV. * * 2 ** 2 2 *.. * * * *.*** ** * *.. * * 2*. * *.. * * * 2 ** *. * * * * * *.. * 2 * 2 * *. 5.44E+00. * * * ** * * 2 * * * *... * * * *. * * * **.. * *.* 2 * * * *.. * * * *. * * *.. *. * * * *.. * *. ** * * * *. 2 * * *. *.. *. ** *.. *. *. 7.32E+00. *. * *... *. * *. 9.20E+00.. Wresid vs Observed Chapter 34 10
11 Example Data Model Estimation Output { } C = F Dose ka V ( ka kel) e kel t e ka t Model Specification $PROB Simulated Data - Two Dose PO (REF V-55,75) $INPUT ID AMT PROD TIME DV EVID $DATA PO $SUBROUTINE ADVAN2 $PK KA1 = THETA(1)*(1.+ETA(1)) KA2 = THETA(5)*(1.+ETA(5)) F2 = THETA(4)*(1.+ETA(4)) KEL = THETA(2)*(1.+ETA(2)) VD = THETA(3)*(1.+ETA(3)) F1 = (2-PROD)*1.0 + (PROD-1)*F2 KA = (2-PROD)*KA1 + (PROD-1)*KA2 K = KEL S2 = VD $ERROR Y = F*(1.+ERR(1)) $PROB $INPUT $DATA Data Specification Simulated Data - Two Dose PO (REF V-55,75) ID AMT PROD TIME DV EVID PO $SUBROUTINE ADVAN2 Typical Data Chapter 34 11
12 Estimation and Output Specification $THETA (0.5,1.5,5) (.001,0.1,1) (1,15,100) (0.5,0.75,1.25) (0.25,1,2.5) $OMEGA $SIGMA.10 $EST PRINT=5 MAXEVAL=1500 $COVAR $TABLE ID PROD DV $SCAT DV PRED VS TIME $SCAT PRED VS DV UNIT $SCAT WRES VS TIME Estimation Step ITERATION NO.: 75 OBJECTIVE VALUE: E+04 NO. OF FUNC. EVALS.:24 CUMULATIVE NO. OF FUNC. EVALS.: 1065 PARAMETER: E E E E E E E E E E E-02 GRADIENT: E E E E E E E E E E E+03 ITERATION NO.: 76 OBJECTIVE VALUE: E+04 NO. OF FUNC. EVALS.: 0 CUMULATIVE NO. OF FUNC. EVALS.: 1065 PARAMETER: E E E E E E E E E E E-02 GRADIENT: E E E E E E E E E E E+03 MINIMIZATION SUCCESSFUL NO. OF FUNCTION EVALUATIONS USED: 1065 NO. OF SIG. DIGITS IN FINAL EST.: 3.3 Estimation Output MINIMUM VALUE OF OBJECTIVE FUNCTION FINAL PARAMETER ESTIMATE THETA - VECTOR OF FIXED EFFECTS ********************* TH 1 TH 2 TH 3 TH 4 TH E E E E E-01 OMEGA - COV MATRIX FOR RANDOM EFFECTS - ETAS ******** ETA1 ETA2 ETA3 ETA4 ETA5 1.17E-02 ETA1 < % ETA2 0.00E+00 <- 5.7 % 3.30E-03 ETA3 0.00E E E-05 <- 1.0 % ETA4 0.00E E E E-03 <- 9.3 % ETA5 0.00E E E E E-03 <- 7.1 % SIGMA - COV MATRIX FOR RANDOM EFFECTS - EPSILONS **** EPS1 EPS1 1.08E-04 <- 1.0 % Chapter 34 12
13 Plot Output 1 DV VS. TIME 1.00E E E+00 DV 9.40E E E E *38343 * 2** * 27*2224* * 3 ** *.. ** * *22322*223 * * ** ****24*522 *.. ** * * *2* * * * * *. 4.20E+00. ** * * *5 2332* 2 * * * 2 **3 2*44** ** *2*.. * 2 * * E+00. TIME. * 2 * *7424*4* E E+01..* *. 2.50E+01.. Observed versus Time Plot Output 1 PRED VS. DV 1.00E E E+00 PRED 8.80E E E E+00. *. 9 * * 68. *5 3.00E * *. * *. 9 * * 9.7 ** *.. 5. * **. 6.00E *... * 5.65 * *3. 2 *. DV. *4.* 3 *.. * 4.8 * *.. * * * E *... * 2.5 *.. * 2 *. * 6 7. *.. * 3.B * 3. *.. * E * A *.. * * *. 1.50E+01.. Predicted versus Observed Plot Output 1 WRES VS. TIME -3.10E E E-01 WRES 5.60E E E E ** *2 ** *2 ****3 2 * **3 2 **2*3 *** 2* *** * * * *.. * **** ** 2 *2 *3 * 2 *2**2 *22*3** ** 4 * * ** *..* ** **2 2 2*** *3 * ** 3* 23 2**2 **223 ** *... * * ** * 2 *2 ** 2*** * *32* **. * **223 **222 * ** E+00. * ** 3 ** 32* 2**2* ** *3 * * * *2 *2 *2322 *2 42 **2*2*22 * **** * * * * ** 3 2*** 3 * **2234 *.*2*2** 2* 2* 2 * * * *. 9.40E TIME. * 2** * * * 32* * *2 *2*4 *.2 32 ** 22*2 * 2 * * E E * * * * * *22 *** *** * *322* *2* 2*2 * ***2* * * * * ** E Wresid versus Time Chapter 34 13
14 Binding Study Data Model Estimation Output Example Data Example Data - Binding Study ( Ka Ct 1 Ka Pt)+ Ka Ct 1 Ka Pt Cf = ( )2 + 4 Ka Ct 2 Ka Model Specification $PROB $INPUT $DATA $PRED OSU BINDING DATA ID TOTL DV BIND CT = TOTL KA = THETA(1)*(1 + ETA(1)) PT = THETA(2)*(1 + ETA(2)) T1 = KA*CT KA*PT T2 = T1*T1 + 4*KA*CT T3 = T1 + SQRT(T2) CF = T3/(2*KA) Y = CF*(1 + EPS(1)) Example Data - Binding Study Plot Output $INPUT $DATA ID TOTL DV BIND Typical Data Chapter 34 14
15 Example Data - Binding Study Estimation and Output Specification $THETA (100,10000,500000) (.00001,.00004,.001) $OMEGA $SIGMA.10 $EST PRINT=5 $COVAR $TABLE ID TOTL DV $SCAT PRED VS DV UNIT $SCAT WRES VS TOTL Example Data - Binding Study Estimation Step CUMULATIVE NO. OF FUNC. EVALS.: 83 PARAMETER: E E E E E-01 GRADIENT: E E E E E+03 ITERATION NO.: 15 OBJECTIVE VALUE: E+04 NO. OF FUNC. EVALS.: 7 CUMULATIVE NO. OF FUNC. EVALS.: 118 PARAMETER: E E E E E-01 GRADIENT: E E E E E+03 ITERATION NO.: 18 OBJECTIVE VALUE: E+04 NO. OF FUNC. EVALS.: 0 CUMULATIVE NO. OF FUNC. EVALS.: 138 PARAMETER: E E E E E-01 GRADIENT: E E E E E+02 MINIMIZATION SUCCESSFUL NO. OF FUNCTION EVALUATIONS USED: 138 NO. OF SIG. DIGITS IN FINAL EST.: 3.1 Example Data - Binding Study Estimation Output MINIMUM VALUE OF OBJECTIVE FUNCTION FINAL PARAMETER ESTIMATE THETA - VECTOR OF FIXED EFFECTS TH 1 TH E E-05 OMEGA - COV MATRIX FOR RANDOM EFFECTS - ETAS ETA1 ETA2 ETA1 9.67E-03 <- 9.8 % ETA2 0.00E E-03 <- 6.3 % SIGMA - COV MATRIX FOR RANDOM EFFECTS - EPSILONS EPS1 EPS1 3.50E-03 <- 5.9 % Chapter 34 15
16 Example Data - Binding Study Plot Output 1 PRED VS. DV -1.00E E E-05 PRED 3.68E E E E * E * E DV *. **.. *. **. 3.62E *... 2*.. *. 4.86E-05. *..... *. *. 2.. **. 6.10E Predicted versus Observed Example Data - Binding Study Plot Output 1 DV VS. TOTL -1.00E E E-05 DV 3.56E E E E * E-05.. *.. *3*. 3.20E-05.. *22.. *. TOTL. *. 4.90E-05. **... 2*.. *.. *.. * E-05. *... *2*.. *.. *. 8.30E-05.. Observed (free) versus Total Objectives To Understand the Use of Population Parameters Values in Nomograms and Bayesian Estimations To Understand Methods of Analysing Pharmacokinetic Population Data Data Rich Sparse Data Chapter 34 16
519.22(07.07) 78 : ( ) /.. ; c (07.07) , , 2008
.. ( ) 2008 519.22(07.07) 78 : ( ) /.. ;. : -, 2008. 38 c. ( ) STATISTICA.,. STATISTICA.,. 519.22(07.07),.., 2008.., 2008., 2008 2 ... 4 1...5...5 2...14...14 3...27...27 3 ,, -. " ", :,,,... STATISTICA.,,,.
Διαβάστε περισσότεραStatistics 104: Quantitative Methods for Economics Formula and Theorem Review
Harvard College Statistics 104: Quantitative Methods for Economics Formula and Theorem Review Tommy MacWilliam, 13 tmacwilliam@college.harvard.edu March 10, 2011 Contents 1 Introduction to Data 5 1.1 Sample
Διαβάστε περισσότεραSummary of the model specified
Program: HLM 7 Hierarchical Linear and Nonlinear Modeling Authors: Stephen Raudenbush, Tony Bryk, & Richard Congdon Publisher: Scientific Software International, Inc. (c) 2010 techsupport@ssicentral.com
Διαβάστε περισσότεραBiostatistics for Health Sciences Review Sheet
Biostatistics for Health Sciences Review Sheet http://mathvault.ca June 1, 2017 Contents 1 Descriptive Statistics 2 1.1 Variables.............................................. 2 1.1.1 Qualitative........................................
Διαβάστε περισσότεραOther Test Constructions: Likelihood Ratio & Bayes Tests
Other Test Constructions: Likelihood Ratio & Bayes Tests Side-Note: So far we have seen a few approaches for creating tests such as Neyman-Pearson Lemma ( most powerful tests of H 0 : θ = θ 0 vs H 1 :
Διαβάστε περισσότεραQueensland University of Technology Transport Data Analysis and Modeling Methodologies
Queensland University of Technology Transport Data Analysis and Modeling Methodologies Lab Session #7 Example 5.2 (with 3SLS Extensions) Seemingly Unrelated Regression Estimation and 3SLS A survey of 206
Διαβάστε περισσότεραFORMULAS FOR STATISTICS 1
FORMULAS FOR STATISTICS 1 X = 1 n Sample statistics X i or x = 1 n x i (sample mean) S 2 = 1 n 1 s 2 = 1 n 1 (X i X) 2 = 1 n 1 (x i x) 2 = 1 n 1 Xi 2 n n 1 X 2 x 2 i n n 1 x 2 or (sample variance) E(X)
Διαβάστε περισσότεραΕπιστηµονική Επιµέλεια ρ. Γεώργιος Μενεξές. Εργαστήριο Γεωργίας. Viola adorata
One-way ANOVA µε το SPSS Επιστηµονική Επιµέλεια ρ. Γεώργιος Μενεξές Τοµέας Φυτών Μεγάλης Καλλιέργειας και Οικολογίας, Εργαστήριο Γεωργίας Viola adorata To call in a statistician after the experiment is
Διαβάστε περισσότεραRepeated measures Επαναληπτικές μετρήσεις
ΠΡΟΒΛΗΜΑ Στο αρχείο δεδομένων diavitis.sav καταγράφεται η ποσότητα γλυκόζης στο αίμα 10 ασθενών στην αρχή της χορήγησης μιας θεραπείας, μετά από ένα μήνα και μετά από δύο μήνες. Μελετήστε την επίδραση
Διαβάστε περισσότεραPENGARUHKEPEMIMPINANINSTRUKSIONAL KEPALASEKOLAHDAN MOTIVASI BERPRESTASI GURU TERHADAP KINERJA MENGAJAR GURU SD NEGERI DI KOTA SUKABUMI
155 Lampiran 6 Yayan Sumaryana, 2014 PENGARUHKEPEMIMPINANINSTRUKSIONAL KEPALASEKOLAHDAN MOTIVASI BERPRESTASI GURU TERHADAP KINERJA MENGAJAR GURU SD NEGERI DI KOTA SUKABUMI Universitas Pendidikan Indonesia
Διαβάστε περισσότεραDoes anemia contribute to end-organ dysfunction in ICU patients Statistical Analysis
Does anemia contribute to end-organ dysfunction in ICU patients Statistical Analysis Xue Han, MPH and Matt Shotwell, PhD Department of Biostatistics Vanderbilt University School of Medicine March 14, 2014
Διαβάστε περισσότεραΕΙΣΑΓΩΓΗ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ
ΕΙΣΑΓΩΓΗ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΕΛΕΝΑ ΦΛΟΚΑ Επίκουρος Καθηγήτρια Τµήµα Φυσικής, Τοµέας Φυσικής Περιβάλλοντος- Μετεωρολογίας ΓΕΝΙΚΟΙ ΟΡΙΣΜΟΙ Πληθυσµός Σύνολο ατόµων ή αντικειµένων στα οποία αναφέρονται
Διαβάστε περισσότεραΥπολογιστική Φυσική Στοιχειωδών Σωματιδίων
Υπολογιστική Φυσική Στοιχειωδών Σωματιδίων Όρια Πιστότητας (Confidence Limits) 2/4/2014 Υπολογ.Φυσική ΣΣ 1 Τα όρια πιστότητας -Confidence Limits (CL) Tα όρια πιστότητας μιας μέτρησης Μπορεί να αναφέρονται
Διαβάστε περισσότεραΆσκηση 10, σελ. 119. Για τη μεταβλητή x (άτυπος όγκος) έχουμε: x censored_x 1 F 3 F 3 F 4 F 10 F 13 F 13 F 16 F 16 F 24 F 26 F 27 F 28 F
Άσκηση 0, σελ. 9 από το βιβλίο «Μοντέλα Αξιοπιστίας και Επιβίωσης» της Χ. Καρώνη (i) Αρχικά, εισάγουμε τα δεδομένα στο minitab δημιουργώντας δύο μεταβλητές: τη x για τον άτυπο όγκο και την y για τον τυπικό
Διαβάστε περισσότεραChapter 1 Introduction to Observational Studies Part 2 Cross-Sectional Selection Bias Adjustment
Contents Preface ix Part 1 Introduction Chapter 1 Introduction to Observational Studies... 3 1.1 Observational vs. Experimental Studies... 3 1.2 Issues in Observational Studies... 5 1.3 Study Design...
Διαβάστε περισσότερα«ΑΝΑΠΣΤΞΖ ΓΠ ΚΑΗ ΥΩΡΗΚΖ ΑΝΑΛΤΖ ΜΔΣΔΩΡΟΛΟΓΗΚΩΝ ΓΔΓΟΜΔΝΩΝ ΣΟΝ ΔΛΛΑΓΗΚΟ ΥΩΡΟ»
ΓΔΩΠΟΝΗΚΟ ΠΑΝΔΠΗΣΖΜΗΟ ΑΘΖΝΩΝ ΣΜΗΜΑ ΑΞΙΟΠΟΙΗΗ ΦΤΙΚΩΝ ΠΟΡΩΝ & ΓΕΩΡΓΙΚΗ ΜΗΥΑΝΙΚΗ ΣΟΜΕΑ ΕΔΑΦΟΛΟΓΙΑ ΚΑΙ ΓΕΩΡΓΙΚΗ ΥΗΜΕΙΑ ΕΙΔΙΚΕΤΗ: ΕΦΑΡΜΟΓΕ ΣΗ ΓΕΩΠΛΗΡΟΦΟΡΙΚΗ ΣΟΤ ΦΤΙΚΟΤ ΠΟΡΟΤ «ΑΝΑΠΣΤΞΖ ΓΠ ΚΑΗ ΥΩΡΗΚΖ ΑΝΑΛΤΖ ΜΔΣΔΩΡΟΛΟΓΗΚΩΝ
Διαβάστε περισσότεραMATHACHij = γ00 + u0j + rij
Stata output for Hierarchical Linear Models. ***************************************. * Unconditional Random Intercept Model. *************************************** MATHACHij = γ00 + u0j + rij. mixed
Διαβάστε περισσότεραSupplementary figures
A Supplementary figures a) DMT.BG2 0.87 0.87 0.72 20 40 60 80 100 DMT.EG2 0.93 0.85 20 40 60 80 EMT.MG3 0.85 0 20 40 60 80 20 40 60 80 100 20 40 60 80 100 20 40 60 80 EMT.G6 DMT/EMT b) EG2 0.92 0.85 5
Διαβάστε περισσότεραTABLES AND FORMULAS FOR MOORE Basic Practice of Statistics
TABLES AND FORMULAS FOR MOORE Basic Practice of Statistics Exploring Data: Distributions Look for overall pattern (shape, center, spread) and deviations (outliers). Mean (use a calculator): x = x 1 + x
Διαβάστε περισσότερα5.4 The Poisson Distribution.
The worst thing you can do about a situation is nothing. Sr. O Shea Jackson 5.4 The Poisson Distribution. Description of the Poisson Distribution Discrete probability distribution. The random variable
Διαβάστε περισσότεραStatistical Inference I Locally most powerful tests
Statistical Inference I Locally most powerful tests Shirsendu Mukherjee Department of Statistics, Asutosh College, Kolkata, India. shirsendu st@yahoo.co.in So far we have treated the testing of one-sided
Διαβάστε περισσότεραVBA Microsoft Excel. J. Comput. Chem. Jpn., Vol. 5, No. 1, pp (2006)
J. Comput. Chem. Jpn., Vol. 5, No. 1, pp. 29 38 (2006) Microsoft Excel, 184-8588 2-24-16 e-mail: yosimura@cc.tuat.ac.jp (Received: July 28, 2005; Accepted for publication: October 24, 2005; Published on
Διαβάστε περισσότεραLampiran 1 Hasil Kuesioner NO CI1 CI2 CI3 CT1 CT2 CT3 CS1 CS2 CS3 CL1 CL2 CL
Lampiran 1 Hasil Kuesioner NO CI1 CI2 CI3 CT1 CT2 CT3 CS1 CS2 CS3 CL1 CL2 CL3 1 5 5 4 4 4 3 4 3 4 3 4 5 2 4 4 3 5 4 4 4 4 5 4 3 4 3 2 2 3 2 3 3 3 3 4 2 3 2 4 4 4 5 3 4 4 4 3 4 4 5 4 5 5 5 4 2 3 3 3 4 3
Διαβάστε περισσότεραΓια να ελέγξουµε αν η κατανοµή µιας µεταβλητής είναι συµβατή µε την κανονική εφαρµόζουµε το test Kolmogorov-Smirnov.
A. ΈΛΕΓΧΟΣ ΚΑΝΟΝΙΚΟΤΗΤΑΣ A 1. Έλεγχος κανονικότητας Kolmogorov-Smirnov. Για να ελέγξουµε αν η κατανοµή µιας µεταβλητής είναι συµβατή µε την κανονική εφαρµόζουµε το test Kolmogorov-Smirnov. Μηδενική υπόθεση:
Διαβάστε περισσότεραCHAPTER 48 APPLICATIONS OF MATRICES AND DETERMINANTS
CHAPTER 48 APPLICATIONS OF MATRICES AND DETERMINANTS EXERCISE 01 Page 545 1. Use matrices to solve: 3x + 4y x + 5y + 7 3x + 4y x + 5y 7 Hence, 3 4 x 0 5 y 7 The inverse of 3 4 5 is: 1 5 4 1 5 4 15 8 3
Διαβάστε περισσότεραΜαντζούνη, Πιπερίγκου, Χατζή. ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 5 ο
Κατανομές Στατιστικών Συναρτήσεων Δύο δείγματα από κανονική κατανομή Έστω Χ= ( Χ, Χ,..., Χ ) τ.δ. από Ν( µ, σ ) μεγέθους n και 1 n 1 1 Y = (Y, Y,...,Y ) τ.δ. από Ν( µ, σ ) 1 n 1 Χ Y ( µ µ ) S σ Τ ( Χ,Y)
Διαβάστε περισσότεραSupplementary Appendix
Supplementary Appendix Measuring crisis risk using conditional copulas: An empirical analysis of the 2008 shipping crisis Sebastian Opitz, Henry Seidel and Alexander Szimayer Model specification Table
Διαβάστε περισσότερα2. ΧΡΗΣΗ ΣΤΑΤΙΣΤΙΚΩΝ ΠΑΚΕΤΩΝ ΣΤΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ
2. ΧΡΗΣΗ ΣΤΑΤΙΣΤΙΚΩΝ ΠΑΚΕΤΩΝ ΣΤΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ Η χρησιμοποίηση των τεχνικών της παλινδρόμησης για την επίλυση πρακτικών προβλημάτων έχει διευκολύνει εξαιρετικά από την χρήση διαφόρων στατιστικών
Διαβάστε περισσότεραχ 2 test ανεξαρτησίας
χ 2 test ανεξαρτησίας Καθηγητής Ι. Κ. ΔΗΜΗΤΡΙΟΥ demetri@econ.uoa.gr 7.2 Το χ 2 Τεστ Ανεξαρτησίας Tο χ 2 τεστ ανεξαρτησίας (όπως και η παλινδρόμηση) είναι στατιστικά εργαλεία για τον εντοπισμό σχέσεων μεταξύ
Διαβάστε περισσότεραΑναερόβια Φυσική Κατάσταση
Αναερόβια Φυσική Κατάσταση Γιάννης Κουτεντάκης, BSc, MA. PhD Αναπληρωτής Καθηγητής ΤΕΦΑΑ, Πανεπιστήµιο Θεσσαλίας Περιεχόµενο Μαθήµατος Ορισµός της αναερόβιας φυσικής κατάστασης Σχέσης µε µηχανισµούς παραγωγής
Διαβάστε περισσότεραInstruction Execution Times
1 C Execution Times InThisAppendix... Introduction DL330 Execution Times DL330P Execution Times DL340 Execution Times C-2 Execution Times Introduction Data Registers This appendix contains several tables
Διαβάστε περισσότερα!"!"!!#" $ "# % #" & #" '##' #!( #")*(+&#!', & - #% '##' #( &2(!%#(345#" 6##7
!"!"!!#" $ "# % #" & #" '##' #!( #")*(+&#!', '##' '# '## & - #% '##'.//0 #( 111111111111111111111111111111111111111111111111111 &2(!%#(345#" 6##7 11111111111111111111111111111111111111111111111111 11111111111111111111111111111111111111111111111111
Διαβάστε περισσότεραw o = R 1 p. (1) R = p =. = 1
Πανεπιστήµιο Κρήτης - Τµήµα Επιστήµης Υπολογιστών ΗΥ-570: Στατιστική Επεξεργασία Σήµατος 205 ιδάσκων : Α. Μουχτάρης Τριτη Σειρά Ασκήσεων Λύσεις Ασκηση 3. 5.2 (a) From the Wiener-Hopf equation we have:
Διαβάστε περισσότεραΕισαγωγή στην Ανάλυση Διακύμανσης
Εισαγωγή στην Ανάλυση Διακύμανσης 1 Η Ανάλυση Διακύμανσης Από τα πιο συχνά χρησιμοποιούμενα στατιστικά κριτήρια στην κοινωνική έρευνα Γιατί; 1. Ενώ αναφέρεται σε διαφορές μέσων όρων, όπως και το κριτήριο
Διαβάστε περισσότεραBayesian statistics. DS GA 1002 Probability and Statistics for Data Science.
Bayesian statistics DS GA 1002 Probability and Statistics for Data Science http://www.cims.nyu.edu/~cfgranda/pages/dsga1002_fall17 Carlos Fernandez-Granda Frequentist vs Bayesian statistics In frequentist
Διαβάστε περισσότεραModule 5. February 14, h 0min
Module 5 Stationary Time Series Models Part 2 AR and ARMA Models and Their Properties Class notes for Statistics 451: Applied Time Series Iowa State University Copyright 2015 W. Q. Meeker. February 14,
Διαβάστε περισσότεραPresentation Structure
Improvement of wave height forecast in deep and intermediate waters with the use of stochastic methods Zoe Theocharis, Constantine Memos, Demetris Koutsoyiannis National Technical University of Athens
Διαβάστε περισσότεραΚΥΠΡΙΑΚΟΣ ΣΥΝΔΕΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY 21 ος ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ Δεύτερος Γύρος - 30 Μαρτίου 2011
Διάρκεια Διαγωνισμού: 3 ώρες Απαντήστε όλες τις ερωτήσεις Μέγιστο Βάρος (20 Μονάδες) Δίνεται ένα σύνολο από N σφαιρίδια τα οποία δεν έχουν όλα το ίδιο βάρος μεταξύ τους και ένα κουτί που αντέχει μέχρι
Διαβάστε περισσότεραΜενύχτα, Πιπερίγκου, Σαββάτης. ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 6 ο
Παράδειγμα 1 Ο παρακάτω πίνακας δίνει τις πωλήσεις (ζήτηση) ενός προϊόντος Υ (σε κιλά) από το delicatessen μιας περιοχής και τις αντίστοιχες τιμές Χ του προϊόντος (σε ευρώ ανά κιλό) για μια ορισμένη χρονική
Διαβάστε περισσότεραΛογαριθμικά Γραμμικά Μοντέλα Poisson Παλινδρόμηση Παράδειγμα στο SPSS
Λογαριθμικά Γραμμικά Μοντέλα Poisson Παλινδρόμηση Παράδειγμα στο SPSS Ο παρακάτω πίνακας παρουσιάζει θανάτους από καρδιακή ανεπάρκεια ανάμεσα σε άνδρες γιατρούς οι οποίοι έχουν κατηγοριοποιηθεί κατά ηλικία
Διαβάστε περισσότεραCHAPTER 25 SOLVING EQUATIONS BY ITERATIVE METHODS
CHAPTER 5 SOLVING EQUATIONS BY ITERATIVE METHODS EXERCISE 104 Page 8 1. Find the positive root of the equation x + 3x 5 = 0, correct to 3 significant figures, using the method of bisection. Let f(x) =
Διαβάστε περισσότερα1 1 1 2 1 2 2 1 43 123 5 122 3 1 312 1 1 122 1 1 1 1 6 1 7 1 6 1 7 1 3 4 2 312 43 4 3 3 1 1 4 1 1 52 122 54 124 8 1 3 1 1 1 1 1 152 1 1 1 1 1 1 152 1 5 1 152 152 1 1 3 9 1 159 9 13 4 5 1 122 1 4 122 5
Διαβάστε περισσότεραDémographie spatiale/spatial Demography
ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ Démographie spatiale/spatial Demography Session 1: Introduction to spatial demography Basic concepts Michail Agorastakis Department of Planning & Regional Development Άδειες Χρήσης
Διαβάστε περισσότεραLampiran 1 Output SPSS MODEL I
67 Variables Entered/Removed(b) Lampiran 1 Output SPSS MODEL I Model Variables Entered Variables Removed Method 1 CFO, ACCOTHER, ACCPAID, ACCDEPAMOR,. Enter ACCREC, ACCINV(a) a All requested variables
Διαβάστε περισσότερα1 (forward modeling) 2 (data-driven modeling) e- Quest EnergyPlus DeST 1.1. {X t } ARMA. S.Sp. Pappas [4]
212 2 ( 4 252 ) No.2 in 212 (Total No.252 Vol.4) doi 1.3969/j.issn.1673-7237.212.2.16 STANDARD & TESTING 1 2 2 (1. 2184 2. 2184) CensusX12 ARMA ARMA TU111.19 A 1673-7237(212)2-55-5 Time Series Analysis
Διαβάστε περισσότεραEE512: Error Control Coding
EE512: Error Control Coding Solution for Assignment on Finite Fields February 16, 2007 1. (a) Addition and Multiplication tables for GF (5) and GF (7) are shown in Tables 1 and 2. + 0 1 2 3 4 0 0 1 2 3
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 2. Περιγραφή της Κίνησης. 2.1 Κίνηση στο Επίπεδο
ΚΕΦΑΛΑΙΟ 2 Περιγραφή της Κίνησης Στο κεφάλαιο αυτό θα δείξουμε πώς να προγραμματίσουμε απλές εξισώσεις τροχιάς ενός σωματιδίου και πώς να κάνουμε βασική ανάλυση των αριθμητικών αποτελεσμάτων. Χρησιμοποιούμε
Διαβάστε περισσότεραΜενύχτα, Πιπερίγκου, Σαββάτης. ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 5 ο
Κατανομές Στατιστικών Συναρτήσεων Δύο ανεξάρτητα δείγματα από κανονική κατανομή Έστω Χ= ( Χ, Χ,..., Χ ) τ.δ. από Ν( µ, σ ) μεγέθους n και 1 n 1 1 Y = (Y, Y,..., Y ) τ.δ. από Ν( µ, σ ) 1 n 1 Χ Y ( µ µ )
Διαβάστε περισσότεραCE 530 Molecular Simulation
C 53 olecular Siulation Lecture Histogra Reweighting ethods David. Kofke Departent of Cheical ngineering SUNY uffalo kofke@eng.buffalo.edu Histogra Reweighting ethod to cobine results taken at different
Διαβάστε περισσότεραGeneralized additive models in R
www.nr.no Generalized additive models in R Magne Aldrin, Norwegian Computing Center and the University of Oslo Sharp workshop, Copenhagen, October 2012 Generalized Linear Models - GLM y Distributed with
Διαβάστε περισσότεραΧΩΡΙΚΑ ΟΙΚΟΝΟΜΕΤΡΙΚΑ ΥΠΟΔΕΙΓΜΑΤΑ ΣΤΗΝ ΕΚΤΙΜΗΣΗ ΤΩΝ ΤΙΜΩΝ ΤΩΝ ΑΚΙΝΗΤΩΝ SPATIAL ECONOMETRIC MODELS FOR VALUATION OF THE PROPERTY PRICES
1 ο Συνέδριο Χωρικής Ανάλυσης: Πρακτικά, Αθήνα, 013, Σ. Καλογήρου (Επ.) ISBN: 978-960-86818-6-6 ΧΩΡΙΚΑ ΟΙΚΟΝΟΜΕΤΡΙΚΑ ΥΠΟΔΕΙΓΜΑΤΑ ΣΤΗΝ ΕΚΤΙΜΗΣΗ ΤΩΝ ΤΙΜΩΝ ΤΩΝ ΑΚΙΝΗΤΩΝ Μαριάνθη Στάμου 1*, Άγγελος Μιμής και
Διαβάστε περισσότεραΑ. Μπατσίδης Πρόχειρες βοηθητικές διδακτικές σημειώσεις
Α. Μπατσίδης Πρόχειρες βοηθητικές διδακτικές σημειώσεις Οι παρούσες σημειώσεις επιχειρούν να αποτελέσουν μια βοήθεια τόσο στην παρακολούθηση της διάλεξης όσο και στη μελέτη κάποιων εκ των θεμάτων της Γραμμικής
Διαβάστε περισσότεραΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ. Κεφάλαιο 13. Συμπεράσματα για τη σύγκριση δύο πληθυσμών
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΑΤΡΑΣ Εργαστήριο Λήψης Αποφάσεων & Επιχειρησιακού Προγραμματισμού Καθηγητής Ι. Μητρόπουλος ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ
Διαβάστε περισσότεραΑν οι προϋποθέσεις αυτές δεν ισχύουν, τότε ανατρέχουµε σε µη παραµετρικό τεστ.
ΣΤ. ΑΝΑΛΥΣΗ ΙΑΣΠΟΡΑΣ (ANALYSIS OF VARIANCE - ANOVA) ΣΤ 1. Ανάλυση ιασποράς κατά µία κατεύθυνση. Όπως έχουµε δει στη παράγραφο Β 2, όταν θέλουµε να ελέγξουµε, αν η µέση τιµή µιας ποσοτικής µεταβλητής διαφέρει
Διαβάστε περισσότεραMean-Variance Analysis
Mean-Variance Analysis Jan Schneider McCombs School of Business University of Texas at Austin Jan Schneider Mean-Variance Analysis Beta Representation of the Risk Premium risk premium E t [Rt t+τ ] R1
Διαβάστε περισσότεραMain source: "Discrete-time systems and computer control" by Α. ΣΚΟΔΡΑΣ ΨΗΦΙΑΚΟΣ ΕΛΕΓΧΟΣ ΔΙΑΛΕΞΗ 4 ΔΙΑΦΑΝΕΙΑ 1
Main source: "Discrete-time systems and computer control" by Α. ΣΚΟΔΡΑΣ ΨΗΦΙΑΚΟΣ ΕΛΕΓΧΟΣ ΔΙΑΛΕΞΗ 4 ΔΙΑΦΑΝΕΙΑ 1 A Brief History of Sampling Research 1915 - Edmund Taylor Whittaker (1873-1956) devised a
Διαβάστε περισσότεραHW 3 Solutions 1. a) I use the auto.arima R function to search over models using AIC and decide on an ARMA(3,1)
HW 3 Solutions a) I use the autoarima R function to search over models using AIC and decide on an ARMA3,) b) I compare the ARMA3,) to ARMA,0) ARMA3,) does better in all three criteria c) The plot of the
Διαβάστε περισσότεραSi + Al Mg Fe + Mn +Ni Ca rim Ca p.f.u
.6.5. y = -.4x +.8 R =.9574 y = - x +.14 R =.9788 y = -.4 x +.7 R =.9896 Si + Al Fe + Mn +Ni y =.55 x.36 R =.9988.149.148.147.146.145..88 core rim.144 4 =.6 ±.6 4 =.6 ±.18.84.88 p.f.u..86.76 y = -3.9 x
Διαβάστε περισσότεραΠΑΝΔΠΗΣΖΜΗΟ ΠΑΣΡΩΝ ΣΜΖΜΑ ΖΛΔΚΣΡΟΛΟΓΩΝ ΜΖΥΑΝΗΚΩΝ ΚΑΗ ΣΔΥΝΟΛΟΓΗΑ ΤΠΟΛΟΓΗΣΩΝ ΣΟΜΔΑ ΤΣΖΜΑΣΩΝ ΖΛΔΚΣΡΗΚΖ ΔΝΔΡΓΔΗΑ
ΠΑΝΔΠΗΣΖΜΗΟ ΠΑΣΡΩΝ ΣΜΖΜΑ ΖΛΔΚΣΡΟΛΟΓΩΝ ΜΖΥΑΝΗΚΩΝ ΚΑΗ ΣΔΥΝΟΛΟΓΗΑ ΤΠΟΛΟΓΗΣΩΝ ΣΟΜΔΑ ΤΣΖΜΑΣΩΝ ΖΛΔΚΣΡΗΚΖ ΔΝΔΡΓΔΗΑ Γηπισκαηηθή Δξγαζία ηνπ Φνηηεηή ηνπ ηκήκαηνο Ζιεθηξνιόγσλ Μεραληθώλ θαη Σερλνινγίαο Ζιεθηξνληθώλ
Διαβάστε περισσότεραConsolidated Drained
Consolidated Drained q, 8 6 Max. Shear c' =.185 φ' =.8 tan φ' =.69 Deviator, 8 6 6 8 1 1 p', 5 1 15 5 Axial, Symbol Sample ID Depth Test Number Height, in Diameter, in Moisture Content (from Cuttings),
Διαβάστε περισσότεραStabilization of stock price prediction by cross entropy optimization
,,,,,,,, Stabilization of stock prediction by cross entropy optimization Kazuki Miura, Hideitsu Hino and Noboru Murata Prediction of series data is a long standing important problem Especially, prediction
Διαβάστε περισσότεραΠεξηβάιινλ θαη Αλάπηπμε ΔΘΝΙΚΟ ΜΔΣΟΒΙΟ ΠΟΛΤΣΔΥΝΔΙΟ ΓΙΔΠΙΣΗΜΟΝΙΚΟ - ΓΙΑΣΜΗΜΑΣΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΔΣΑΠΣΤΥΙΑΚΧΝ ΠΟΤΓΧΝ (Γ.Π.Μ..) "ΠΔΡΙΒΑΛΛΟΝ ΚΑΙ ΑΝΑΠΣΤΞΗ"
ΔΘΝΙΚΟ ΜΔΣΟΒΙΟ ΠΟΛΤΣΔΥΝΔΙΟ ΓΙΔΠΙΣΗΜΟΝΙΚΟ - ΓΙΑΣΜΗΜΑΣΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΔΣΑΠΣΤΥΙΑΚΧΝ ΠΟΤΓΧΝ (Γ.Π.Μ..) "ΠΔΡΙΒΑΛΛΟΝ ΚΑΙ ΑΝΑΠΣΤΞΗ" 2 ε ΚΑΣΔΤΘΤΝΗ ΠΟΤΓΧΝ «ΠΔΡΙΒΑΛΛΟΝ ΚΑΙ ΑΝΑΠΣΤΞΗ ΣΧΝ ΟΡΔΙΝΧΝ ΠΔΡΙΟΥΧΝ» Πεξηβάιινλ
Διαβάστε περισσότεραNumerical Analysis FMN011
Numerical Analysis FMN011 Carmen Arévalo Lund University carmen@maths.lth.se Lecture 12 Periodic data A function g has period P if g(x + P ) = g(x) Model: Trigonometric polynomial of order M T M (x) =
Διαβάστε περισσότεραAPPENDIX I PITTSBURGH NO. 8 WASHABILITY DATA AND RECOVERY- CURVES
APPENDIX I PITTSBURGH NO. 8 WASHABILITY DATA AND RECOVERY- CURVES Seam: Pittsburgh No. 8 Sample: Run-of-Mine Feed Class: 5 x 1 mm Mass (%): 56.26 Individual Sink Float Mass Ash Sulfur Pyritic Heat SG SG
Διαβάστε περισσότεραSupplementary Materials for Evolutionary Multiobjective Optimization Based Multimodal Optimization: Fitness Landscape Approximation and Peak Detection
IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION, VOL. XX, NO. X, XXXX XXXX Supplementary Materials for Evolutionary Multiobjective Optimization Based Multimodal Optimization: Fitness Landscape Approximation
Διαβάστε περισσότεραGroup 2 Methotrexate 7.5 mg/week, increased to 15 mg/week after 4 weeks. Methotrexate 7.5 mg/week, increased to 15 mg/week after 4 weeks
Group 1 Methotrexate 7.5 mg/week, increased to 15 mg/week after 4 weeks Group 2 Methotrexate 7.5 mg/week, increased to 15 mg/week after 4 weeks Sulfasalazine 2000-3000 mg/day Leflunomide 20 mg/day Infliximab
Διαβάστε περισσότεραAquinas College. Edexcel Mathematical formulae and statistics tables DO NOT WRITE ON THIS BOOKLET
Aquinas College Edexcel Mathematical formulae and statistics tables DO NOT WRITE ON THIS BOOKLET Pearson Edexcel Level 3 Advanced Subsidiary and Advanced GCE in Mathematics and Further Mathematics Mathematical
Διαβάστε περισσότεραSecond Order RLC Filters
ECEN 60 Circuits/Electronics Spring 007-0-07 P. Mathys Second Order RLC Filters RLC Lowpass Filter A passive RLC lowpass filter (LPF) circuit is shown in the following schematic. R L C v O (t) Using phasor
Διαβάστε περισσότεραImprovement of wave height forecast in deep and intermediate waters with the use of stochastic methods
Improvement of wave height forecast in deep and intermediate waters with the use of stochastic methods Zoe Theocharis, Constantine Memos, Demetris Koutsoyiannis National Technical University of Athens
Διαβάστε περισσότεραΠτυχιακή Εργασι α «Εκτι μήσή τής ποιο τήτας εικο νων με τήν χρή σή τεχνήτων νευρωνικων δικτυ ων»
Ανώτατο Τεχνολογικό Εκπαιδευτικό Ίδρυμα Ανατολικής Μακεδονίας και Θράκης Σχολή Τεχνολογικών Εφαρμογών Τμήμα Μηχανικών Πληροφορικής Πτυχιακή Εργασι α «Εκτι μήσή τής ποιο τήτας εικο νων με τήν χρή σή τεχνήτων
Διαβάστε περισσότερα6.3 Forecasting ARMA processes
122 CHAPTER 6. ARMA MODELS 6.3 Forecasting ARMA processes The purpose of forecasting is to predict future values of a TS based on the data collected to the present. In this section we will discuss a linear
Διαβάστε περισσότεραΠροβλέψεις ισοτιμιών στο EViews
Προβλέψεις ισοτιμιών στο EViews Θεωρητικό πλαίσιο προβλέψεων σημείου Σημαντικές επιλογές πλαισίου: Τί θα κάνουμε με την πρόβλεψη; Θα την μοιραστούμε με πολλούς πελάτες, που θα την χρησιμοποιήσουν με διαφορετικό
Διαβάστε περισσότεραMath 6 SL Probability Distributions Practice Test Mark Scheme
Math 6 SL Probability Distributions Practice Test Mark Scheme. (a) Note: Award A for vertical line to right of mean, A for shading to right of their vertical line. AA N (b) evidence of recognizing symmetry
Διαβάστε περισσότεραPractice Exam 2. Conceptual Questions. 1. State a Basic identity and then verify it. (a) Identity: Solution: One identity is csc(θ) = 1
Conceptual Questions. State a Basic identity and then verify it. a) Identity: Solution: One identity is cscθ) = sinθ) Practice Exam b) Verification: Solution: Given the point of intersection x, y) of the
Διαβάστε περισσότεραSrednicki Chapter 55
Srednicki Chapter 55 QFT Problems & Solutions A. George August 3, 03 Srednicki 55.. Use equations 55.3-55.0 and A i, A j ] = Π i, Π j ] = 0 (at equal times) to verify equations 55.-55.3. This is our third
Διαβάστε περισσότεραΠρόβλημα 1: Αναζήτηση Ελάχιστης/Μέγιστης Τιμής
Πρόβλημα 1: Αναζήτηση Ελάχιστης/Μέγιστης Τιμής Να γραφεί πρόγραμμα το οποίο δέχεται ως είσοδο μια ακολουθία S από n (n 40) ακέραιους αριθμούς και επιστρέφει ως έξοδο δύο ακολουθίες από θετικούς ακέραιους
Διαβάστε περισσότεραLampiran 2 Hasil Kuesioner No. BA1 BA2 BA3 BA4 PQ1 PQ2 PQ3 PQ4 PQ
Lampiran 2 Hasil Kuesioner No. BA1 BA2 BA3 BA4 PQ1 PQ2 PQ3 PQ4 PQ5 1 4 3 3 4 4 5 4 5 4 2 5 5 4 5 4 4 3 5 4 3 2 1 3 2 3 3 4 3 3 4 2 3 3 2 4 4 4 3 4 5 2 3 2 2 3 3 3 3 3 6 3 3 3 3 4 4 4 5 4 7 4 3 3 4 3 3
Διαβάστε περισσότεραΥγιεινή Εγκαταστάσεων Βιομηχανιών Τροφίμων
Υγιεινή Εγκαταστάσεων Βιομηχανιών Τροφίμων Ενότητα 13 η - ΜΕΡΟΣ Γ ΑΠΟΤΙΜΗΣΗ ΕΠΙΚΙΝΔΥΝΟΤΗΤΑΣ Όνομα καθηγητή: ΠΑΝ. Ν. ΣΚΑΝΔΑΜΗΣ Τμήμα: Επιστήμης τροφίμων και διατροφής του ανθρώπου ΣΤΟΧΟΙ ΤΟΥ ΜΑΘΗΜΑΤΟΣ Κατανόηση
Διαβάστε περισσότεραΓΕΩΠΟΝΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙO ΑΘΗΝΩΝ ΤΜΗΜΑ ΑΞΙΟΠΟΙΗΣΗΣ ΦΥΣΙΚΩΝ ΠΟΡΩΝ & ΓΕΩΡΓΙΚΗΣ ΜΗΧΑΝΙΚΗΣ
ΓΕΩΠΟΝΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙO ΑΘΗΝΩΝ ΤΜΗΜΑ ΑΞΙΟΠΟΙΗΣΗΣ ΦΥΣΙΚΩΝ ΠΟΡΩΝ & ΓΕΩΡΓΙΚΗΣ ΜΗΧΑΝΙΚΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ «ΕΦΑΡΜΟΓΕΣ ΤΗΣ ΓΕΩΠΛΗΡΟΦΟΡΙΚΗΣ ΣΤΟΥΣ ΦΥΣΙΚΟΥΣ ΠΟΡΟΥΣ» «Χωρικά μοντέλα πρόβλεψης αναβλάστησης
Διαβάστε περισσότεραSECTION II: PROBABILITY MODELS
SECTION II: PROBABILITY MODELS 1 SECTION II: Aggregate Data. Fraction of births with low birth weight per province. Model A: OLS, using observations 1 260 Heteroskedasticity-robust standard errors, variant
Διαβάστε περισσότεραThin Film Chip Resistors
FEATURES PRECISE TOLERANCE AND TEMPERATURE COEFFICIENT EIA STANDARD CASE SIZES (0201 ~ 2512) LOW NOISE, THIN FILM (NiCr) CONSTRUCTION REFLOW SOLDERABLE (Pb FREE TERMINATION FINISH) Type Size EIA PowerRating
Διαβάστε περισσότερα5.6 evaluating, checking, comparing Chris Parrish July 3, 2016
5.6 evaluating, checking, comparing Chris Parrish July 3, 2016 Contents residuals 1 evaluating, checking, comparing 1 data..................................................... 1 model....................................................
Διαβάστε περισσότερα: Monte Carlo EM 313, Louis (1982) EM, EM Newton-Raphson, /. EM, 2 Monte Carlo EM Newton-Raphson, Monte Carlo EM, Monte Carlo EM, /. 3, Monte Carlo EM
2008 6 Chinese Journal of Applied Probability and Statistics Vol.24 No.3 Jun. 2008 Monte Carlo EM 1,2 ( 1,, 200241; 2,, 310018) EM, E,,. Monte Carlo EM, EM E Monte Carlo,. EM, Monte Carlo EM,,,,. Newton-Raphson.
Διαβάστε περισσότεραS. pneumoniae Moraxella (Branhamella) catarrhalis Haemophilus influenzae. Key words. Streptococcus pneumoniae β Moraxella (Branhamella) catarrhalis
Streptococcus pneumoniae S. pneumoniae Moraxella (Branhamella) catarrhalis Haemophilus influenzae Key words Streptococcus pneumoniae β Moraxella (Branhamella) catarrhalis Haemophilus influenzae Table.
Διαβάστε περισσότεραMatrices and Determinants
Matrices and Determinants SUBJECTIVE PROBLEMS: Q 1. For what value of k do the following system of equations possess a non-trivial (i.e., not all zero) solution over the set of rationals Q? x + ky + 3z
Διαβάστε περισσότεραΕργαστήριο στατιστικής Στατιστικό πακέτο S.P.S.S.
Σημειώσεις για το μάθημα Εργαστήριο στατιστικής Στατιστικό πακέτο S.P.S.S. Παπάνα Αγγελική E mail: papanagel@yahoo.gr, agpapana@gen.auth.gr Α.Τ.Ε.Ι. Θεσσαλονίκης ΠΑΡΑΡΤΗΜΑ ΚΑΤΕΡΙΝΗΣ Τμήμα Τυποποίησης και
Διαβάστε περισσότεραWan Nor Arifin under the Creative Commons Attribution-ShareAlike 4.0 International License. 1 Introduction 1
Poisson Regression A Short Course on Data Analysis Using R Software (2017) Wan Nor Arifin (wnarifin@usm.my), Universiti Sains Malaysia Website: sites.google.com/site/wnarifin Wan Nor Arifin under the Creative
Διαβάστε περισσότεραX = [ 1 2 4 6 12 15 25 45 68 67 65 98 ] X X double[] X = { 1, 2, 4, 6, 12, 15, 25, 45, 68, 67, 65, 98 }; double X.Length double double[] x1 = { 0, 8, 12, 20 }; double[] x2 = { 8, 9, 11, 12 }; double mean1
Διαβάστε περισσότεραΤΜΗΜΑ ΦΥΣΙΚΩΝ ΠΟΡΩΝ & ΠΕΡΙΒΑΛΛΟΝΤΟΣ
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙ ΕΥΤΙΚΟ Ι ΡΥΜΑ ΚΡΗΤΗΣ ΠΑΡΑΡΤΗΜΑ ΧΑΝΙΩΝ ΤΜΗΜΑ ΦΥΣΙΚΩΝ ΠΟΡΩΝ & ΠΕΡΙΒΑΛΛΟΝΤΟΣ ΤΟΜΕΑΣ ΠΕΡΙΒΑΛΛΟΝΤΙΚΗΣ ΤΕΧΝΟΛΟΓΙΑΣ ΕΡΓΑΣΤΗΡΙΟ ΠΕΡΙΒΑΛΛΟΝΤΙΚΗΣ ΧΗΜΕΙΑΣ & ΒΙΟΧΗΜΙΚΩΝ ΙΕΡΓΑΣΙΩΝ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ
Διαβάστε περισσότεραΗλεκτρονικοί Υπολογιστές IV
ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Ηλεκτρονικοί Υπολογιστές IV Μοντέλα χρονολογικών σειρών Διδάσκων: Επίκουρος Καθηγητής Αθανάσιος Σταυρακούδης Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό
Διαβάστε περισσότεραΠροσομοίωση BP με το Bizagi Modeler
Προσομοίωση BP με το Bizagi Modeler Α. Τσαλγατίδου - Γ.-Δ. Κάπος Πρόγραμμα Μεταπτυχιακών Σπουδών Τεχνολογία Διοίκησης Επιχειρησιακών Διαδικασιών 2017-2018 BPMN Simulation with Bizagi Modeler: 4 Levels
Διαβάστε περισσότεραΜΑΘΗΜΑΤΙΚΗ ΠΡΟΣΟΜΟΙΩΣΗ ΤΗΣ ΔΥΝΑΜΙΚΗΣ ΤΟΥ ΕΔΑΦΙΚΟΥ ΝΕΡΟΥ ΣΤΗΝ ΠΕΡΙΠΤΩΣΗ ΑΡΔΕΥΣΗΣ ΜΕ ΥΠΟΓΕΙΟΥΣ ΣΤΑΛΑΚΤΗΦΟΡΟΥΣ ΣΩΛΗΝΕΣ ΣΕ ΔΙΑΣΤΡΩΜΕΝΑ ΕΔΑΦΗ
ΓΕΩΠΟΝΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΑΞΙΟΠΟΙΗΣΗΣ ΦΥΣΙΚΩΝ ΠΟΡΩΝ ΚΑΙ ΓΕΩΡΓΙΚΗΣ ΜΗΧΑΝΙΚΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΑΕΙΦΟΡΙΚΗ ΔΙΑΧΕΙΡΙΣΗ ΥΔΑΤΙΚΩΝ ΠΟΡΩΝ Δημήτριος Πάντζαλης Πτυχιούχος Γεωπόνος Α.Π.Θ.
Διαβάστε περισσότεραStatistical analysis of extreme events in a nonstationary context via a Bayesian framework. Case study with peak-over-threshold data
Statistical analysis of extreme events in a nonstationary context via a Bayesian framework. Case study with peak-over-threshold data B. Renard, M. Lang, P. Bois To cite this version: B. Renard, M. Lang,
Διαβάστε περισσότεραSolution Series 9. i=1 x i and i=1 x i.
Lecturer: Prof. Dr. Mete SONER Coordinator: Yilin WANG Solution Series 9 Q1. Let α, β >, the p.d.f. of a beta distribution with parameters α and β is { Γ(α+β) Γ(α)Γ(β) f(x α, β) xα 1 (1 x) β 1 for < x
Διαβάστε περισσότερα6.1. Dirac Equation. Hamiltonian. Dirac Eq.
6.1. Dirac Equation Ref: M.Kaku, Quantum Field Theory, Oxford Univ Press (1993) η μν = η μν = diag(1, -1, -1, -1) p 0 = p 0 p = p i = -p i p μ p μ = p 0 p 0 + p i p i = E c 2 - p 2 = (m c) 2 H = c p 2
Διαβάστε περισσότεραExercises 10. Find a fundamental matrix of the given system of equations. Also find the fundamental matrix Φ(t) satisfying Φ(0) = I. 1.
Exercises 0 More exercises are available in Elementary Differential Equations. If you have a problem to solve any of them, feel free to come to office hour. Problem Find a fundamental matrix of the given
Διαβάστε περισσότεραSupplement of Using empirical orthogonal functions derived from remote-sensing reflectance for the prediction of phytoplankton pigment concentrations
Supplement of Ocean Sci., 11, 139 158, 2015 http://www.ocean-sci.net/11/139/2015/ doi:10.5194/os-11-139-2015-supplement Author(s) 2015. CC Attribution 3.0 License. Supplement of Using empirical orthogonal
Διαβάστε περισσότεραIn vitro και in vivo φαρμακοκινητική ανάλυση των παραγώγων ανθρακινόνης σε φυτικά σκευάσματα
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΤΜΗΜΑ ΦΑΡΜΑΚΕΥΤΙΚΗΣ ΤΟΜΕΑΣ ΦΑΡΜΑΚΟΓΝΩΣΙΑΣ ΦΑΡΜΑΚΟΛΟΓΙΑΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΚΑΤΕΥΘΥΝΣΗ ΦΑΡΜΑΚΟΛΟΓΙΑ ΚΑΙ ΘΕΡΑΠΕΥΤΙΚΗ In vitro και in vivo φαρμακοκινητική
Διαβάστε περισσότεραDescription of the PX-HC algorithm
A Description of the PX-HC algorithm Let N = C c= N c and write C Nc K c= i= k= as, the Gibbs sampling algorithm at iteration m for continuous outcomes: Step A: For =,, J, draw θ m in the following steps:
Διαβάστε περισσότεραΠΣΤΥΙΑΚΗ ΔΡΓΑΙΑ. Μειέηε Υξόλνπ Απνζηείξσζεο Κνλζέξβαο κε Τπνινγηζηηθή Ρεπζηνδπλακηθή. Αζαλαζηάδνπ Βαξβάξα
ΣΔΥΝΟΛΟΓΙΚΟ ΔΚΠΑΙΓΔΤΣΙΚΟ ΙΓΡΤΜΑ ΘΔΑΛΟΝΙΚΗ ΥΟΛΗ ΣΔΥΝΟΛΟΓΙΑ ΣΡΟΦΙΜΩΝ & ΓΙΑΣΡΟΦΗ ΣΜΗΜΑ ΣΔΥΝΟΛΟΓΙΑ ΣΡΟΦΙΜΩΝ ΠΣΤΥΙΑΚΗ ΔΡΓΑΙΑ Μειέηε Υξόλνπ Απνζηείξσζεο Κνλζέξβαο κε Τπνινγηζηηθή Ρεπζηνδπλακηθή Αζαλαζηάδνπ Βαξβάξα
Διαβάστε περισσότερα