waffle Chris Parrish June 18, 2016
|
|
- Σωφρονία Μητσοτάκης
- 5 χρόνια πριν
- Προβολές:
Transcript
1 waffle Chris Parrish June 18, 2016 Contents Waffle House 1 data exploratory data analysis Waffle Houses Marriage.s MedianAgeMarriage.s MedianAgeMarriage.s and Marriage.s model divorce rate ~ age at marriage map m model divorce rate ~ marriage rate map m model divorce rate ~ age at marriage and marriage rate map m model marriage rate ~ age at marriage map m plotting multivariate posteriors predictor residual plots counterfactual plots posterior prediction plots simulating spurious association waffle reference: - McElreath, Statistical Rethinking, chap 5, pp Waffle House library(rethinking) ## Loading required package: rstan ## Loading required package: ggplot2 ## rstan (Version , packaged: :54:41 UTC, GitRev: 05c3d0058b6a) ## For execution on a local, multicore CPU with excess RAM we recommend calling ## rstan_options(auto_write = TRUE) ## options(mc.cores = parallel::detectcores()) ## Loading required package: parallel ## rethinking (Version 1.58) library(ggplot2) 1
2 data ## R code 5.1 # load data data(waffledivorce) d <- WaffleDivorce str(d) ## 'data.frame': 50 obs. of 13 variables: ## $ Location : Factor w/ 50 levels "Alabama","Alaska",..: ## $ Loc : Factor w/ 50 levels "AK","AL","AR",..: ## $ Population : num ## $ MedianAgeMarriage: num ## $ Marriage : num ## $ Marriage.SE : num ## $ Divorce : num ## $ Divorce.SE : num ## $ WaffleHouses : int ## $ South : int ## $ Slaves1860 : int ## $ Population1860 : int ## $ PropSlaves1860 : num head(d) ## Location Loc Population MedianAgeMarriage Marriage Marriage.SE Divorce ## 1 Alabama AL ## 2 Alaska AK ## 3 Arizona AZ ## 4 Arkansas AR ## 5 California CA ## 6 Colorado CO ## Divorce.SE WaffleHouses South Slaves1860 Population1860 PropSlaves1860 ## ## ## ## ## ## exploratory data analysis Waffle Houses ggplot(d, aes(x = WaffleHouses / Population, y = Divorce)) + geom_point(shape = 20, color = "darkred") + geom_smooth(method = "lm") + labs(x = "Waffle Houses per million", y = "Divorce rate") 2
3 14 12 Divorce rate Waffle Houses per million Marriage.s Standardize marriage. d$marriage.s <- (d$marriage - mean(d$marriage))/sd(d$marriage) ggplot(d, aes(marriage.s, Divorce)) + geom_point(aes(x = Marriage.s, y = Divorce), shape = 20, color = "darkred") + geom_smooth(method = "lm") + labs(x = "Marriage.s", y = "Divorce") 3
4 12 Divorce Marriage.s M edianagem arriage.s Standardize median age at marriage. # standardize predictor d$medianagemarriage.s <- (d$medianagemarriage-mean(d$medianagemarriage))/ sd(d$medianagemarriage) ggplot(d, aes(medianagemarriage.s, Divorce)) + geom_point(aes(x = MedianAgeMarriage.s, y = Divorce), shape = 20, color = "darkred") + geom_smooth(method = "lm") + labs(x = "MedianAgeMarriage.s", y = "Divorce") 4
5 12 Divorce MedianAgeMarriage.s M edianagem arriage.s and M arriage.s How are marriage rate and median age at marriage related? ggplot(d, aes(medianagemarriage.s, Marriage.s)) + geom_point(shape = 20, color = "darkred") + geom_smooth(method = "lm") + labs(x = "MedianAgeMarriage.s", y = "Marriage.s") 5
6 3 2 1 Marriage.s MedianAgeMarriage.s model divorce rate ~ age at marriage. D i Normal(µ i, σ) µ i = α + β A A i α Normal(10, 10) β A Normal(0, 1) σ Uniform(0, 10) map m5.1 # fit model m5.1 <- map( alist( Divorce ~ dnorm( mu, sigma ), mu <- a + ba * MedianAgeMarriage.s, a ~ dnorm( 10, 10 ), ba ~ dnorm( 0, 1 ), sigma ~ dunif( 0, 10 ) ), data = d ) precis(m5.1) ## Mean StdDev 5.5% 94.5% ## a
7 ## ba ## sigma plot( precis(m5.1) ) a ba sigma Value ## R code 5.2 # compute percentile interval of mean MAM.seq <- seq( from=-3, to=3.5, length.out=30 ) mu <- link( m5.1, data=data.frame(medianagemarriage.s=mam.seq) ) ## [ 100 / 1000 ] [ 200 / 1000 ] [ 300 / 1000 ] [ 400 / 1000 ] [ 500 / 1000 ] [ 600 / 1000 ] [ 700 / 1000 ] [ 800 / 1000 ] [ 900 / 1000 ] [ 1000 / 1000 ] mu.pi <- apply( mu, 2, PI ) # plot it all plot( Divorce ~ MedianAgeMarriage.s, data=d, col=rangi2 ) abline( m5.1 ) ## Warning in abline(m5.1): only using the first two of 3 regression ## coefficients shade( mu.pi, MAM.seq ) 7
8 Divorce MedianAgeMarriage.s model divorce rate ~ marriage rate. D i Normal(µ i, σ) µ i = α + β R R i α Normal(10, 10) β R Normal(0, 1) σ Uniform(0, 10) map m5.2 ## R code 5.3 d$marriage.s <- (d$marriage - mean(d$marriage))/sd(d$marriage) m5.2 <- map( alist( Divorce ~ dnorm( mu, sigma ), mu <- a + br * Marriage.s, a ~ dnorm( 10, 10 ), br ~ dnorm( 0, 1 ), sigma ~ dunif( 0, 10 ) ), data = d ) precis(m5.2) ## Mean StdDev 5.5% 94.5% ## a ## br ## sigma plot( precis(m5.2) ) 8
9 a br sigma Value model divorce rate ~ age at marriage and marriage rate. D i Normal(µ i, σ) µ i = α + β R R i + β A A i α Normal(10, 10) β R Normal(0, 1) β A Normal(0, 1) σ Uniform(0, 10) map m5.3 ## R code 5.4 m5.3 <- map( alist( Divorce ~ dnorm( mu, sigma ), mu <- a + br*marriage.s + ba*medianagemarriage.s, a ~ dnorm( 10, 10 ), br ~ dnorm( 0, 1 ), ba ~ dnorm( 0, 1 ), sigma ~ dunif( 0, 10 ) ), data = d ) precis( m5.3 ) ## Mean StdDev 5.5% 94.5% ## a ## br ## ba ## sigma ## R code 5.5 plot( precis(m5.3) ) 9
10 a br ba sigma Value model marriage rate ~ age at marriage map m5.4 ## R code 5.6 m5.4 <- map( alist( Marriage.s ~ dnorm( mu, sigma ), mu <- a + b*medianagemarriage.s, a ~ dnorm( 0, 10 ), b ~ dnorm( 0, 1 ), sigma ~ dunif( 0, 10 ) ), data = d ) precis(m5.4) ## Mean StdDev 5.5% 94.5% ## a ## b ## sigma plot( precis(m5.4) ) 10
11 a b sigma Value plotting multivariate posteriors predictor residual plots ## R code 5.7 # compute expected value at MAP, for each State mu <- coef(m5.4)['a'] + coef(m5.4)['b']*d$medianagemarriage.s # compute residual for each State m.resid <- d$marriage.s - mu ## R code 5.8 plot( Marriage.s ~ MedianAgeMarriage.s, d, col=rangi2 ) abline( m5.4 ) ## Warning in abline(m5.4): only using the first two of 3 regression ## coefficients # loop over States for ( i in 1:length(m.resid) ) { x <- d$medianagemarriage.s[i] # x location of line segment y <- d$marriage.s[i] # observed endpoint of line segment # draw the line segment lines( c(x,x), c(mu[i],y), lwd=0.5, col=col.alpha("black",0.7) ) } 11
12 Marriage.s MedianAgeMarriage.s counterfactual plots ## R code 5.9 # prepare new counterfactual data A.avg <- mean( d$medianagemarriage.s ) R.seq <- seq( from=-3, to=3, length.out=30 ) pred.data <- data.frame( Marriage.s=R.seq, MedianAgeMarriage.s=A.avg ) # compute counterfactual mean divorce (mu) mu <- link( m5.3, data=pred.data ) ## [ 100 / 1000 ] [ 200 / 1000 ] [ 300 / 1000 ] [ 400 / 1000 ] [ 500 / 1000 ] [ 600 / 1000 ] [ 700 / 1000 ] [ 800 / 1000 ] [ 900 / 1000 ] [ 1000 / 1000 ] mu.mean <- apply( mu, 2, mean ) mu.pi <- apply( mu, 2, PI ) # simulate counterfactual divorce outcomes R.sim <- sim( m5.3, data=pred.data, n=1e4 ) ## [ 1000 / ] 12
13 [ 2000 / ] [ 3000 / ] [ 4000 / ] [ 5000 / ] [ 6000 / ] [ 7000 / ] [ 8000 / ] [ 9000 / ] [ / ] R.PI <- apply( R.sim, 2, PI ) # display predictions, hiding raw data with type="n" plot( Divorce ~ Marriage.s, data=d, type="n" ) mtext( "MedianAgeMarriage.s = 0" ) lines( R.seq, mu.mean ) shade( mu.pi, R.seq ) shade( R.PI, R.seq ) MedianAgeMarriage.s = 0 Divorce Marriage.s ## R code 5.10 R.avg <- mean( d$marriage.s ) A.seq <- seq( from=-3, to=3.5, length.out=30 ) pred.data2 <- data.frame( Marriage.s=R.avg, MedianAgeMarriage.s=A.seq ) mu <- link( m5.3, data=pred.data2 ) ## [ 100 / 1000 ] [ 200 / 1000 ] [ 300 / 1000 ] [ 400 / 1000 ] 13
14 [ 500 / 1000 ] [ 600 / 1000 ] [ 700 / 1000 ] [ 800 / 1000 ] [ 900 / 1000 ] [ 1000 / 1000 ] mu.mean <- apply( mu, 2, mean ) mu.pi <- apply( mu, 2, PI ) A.sim <- sim( m5.3, data=pred.data2, n=1e4 ) ## [ 1000 / ] [ 2000 / ] [ 3000 / ] [ 4000 / ] [ 5000 / ] [ 6000 / ] [ 7000 / ] [ 8000 / ] [ 9000 / ] [ / ] A.PI <- apply( A.sim, 2, PI ) plot( Divorce ~ MedianAgeMarriage.s, data=d, type="n" ) mtext( "Marriage.s = 0" ) lines( A.seq, mu.mean ) shade( mu.pi, A.seq ) shade( A.PI, A.seq ) Marriage.s = 0 Divorce MedianAgeMarriage.s 14
15 posterior prediction plots ## R code 5.11 # call link without specifying new data # so it uses original data mu <- link( m5.3 ) ## [ 100 / 1000 ] [ 200 / 1000 ] [ 300 / 1000 ] [ 400 / 1000 ] [ 500 / 1000 ] [ 600 / 1000 ] [ 700 / 1000 ] [ 800 / 1000 ] [ 900 / 1000 ] [ 1000 / 1000 ] # summarize samples across cases mu.mean <- apply( mu, 2, mean ) mu.pi <- apply( mu, 2, PI ) # simulate observations # again no new data, so uses original data divorce.sim <- sim( m5.3, n=1e4 ) ## [ 1000 / ] [ 2000 / ] [ 3000 / ] [ 4000 / ] [ 5000 / ] [ 6000 / ] [ 7000 / ] [ 8000 / ] [ 9000 / ] [ / ] divorce.pi <- apply( divorce.sim, 2, PI ) ## R code 5.12 plot( mu.mean ~ d$divorce, col=rangi2, ylim=range(mu.pi), xlab="observed divorce", ylab="predicted divorce" ) abline( a=0, b=1, lty=2 ) for ( i in 1:nrow(d) ) lines( rep(d$divorce[i],2), c(mu.pi[1,i],mu.pi[2,i]), col=rangi2 ) ## R code 5.13 identify( x=d$divorce, y=mu.mean, labels=d$loc, cex=0.8 ) 15
16 Predicted divorce ## integer(0) Observed divorce ## R code 5.14 # compute residuals divorce.resid <- d$divorce - mu.mean # get ordering by divorce rate o <- order(divorce.resid) # make the plot dotchart( divorce.resid[o], labels=d$loc[o], xlim=c(-6,5), cex=0.6 ) abline( v=0, col=col.alpha("black",0.2) ) for ( i in 1:nrow(d) ) { j <- o[i] # which State in order lines( d$divorce[j]-c(mu.pi[1,j],mu.pi[2,j]), rep(i,2) ) points( d$divorce[j]-c(divorce.pi[1,j],divorce.pi[2,j]), rep(i,2), pch=3, cex=0.6, col="gray" ) } 16
17 ME AR AL AK KY OK GA CO RI LA MS IN NH TN AZ SD OR VT WV NM WA MD MA KS IA OH NC DC DE MI TX VA HI MO WY IL MT FL CA NY PA WI SC NE UT CT ND MN NJ ID simulating spurious association ## R code 5.15 N <- 100 # number of cases x_real <- rnorm( N ) # x_real as Gaussian with mean 0 and stddev 1 x_spur <- rnorm( N, x_real ) # x_spur as Gaussian with mean=x_real y <- rnorm( N, x_real ) # y as Gaussian with mean=x_real d <- data.frame(y,x_real,x_spur) # bind all together in data frame pairs(~ y + x_real + x_spur, data=d, col="darkred") 17
18 y x_real x_spur demo.lm <- lm(y ~ x_real + x_spur, data=d) options(show.signif.stars=false) summary(demo.lm) ## ## Call: ## lm(formula = y ~ x_real + x_spur, data = d) ## ## Residuals: ## Min 1Q Median 3Q Max ## ## ## Coefficients: ## Estimate Std. Error t value Pr(> t ) ## (Intercept) ## x_real e-07 ## x_spur ## ## Residual standard error: on 97 degrees of freedom ## Multiple R-squared: 0.368, Adjusted R-squared: ## F-statistic: on 2 and 97 DF, p-value: 2.158e-10 18
categorical Chris Parrish June 7, 2016
categorical Chris Parrish June 7, 2016 Contents Waffle House 2 data..................................................... 3 exploratory data analysis......................................... 3 Waffle Houses.............................................
Διαβάστε περισσότεραm4.3 Chris Parrish June 16, 2016
m4.3 Chris Parrish June 16, 2016 Contents!Kung model 1 data..................................................... 1 scatterplot with ggplot2....................................... 2 model....................................................
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΙΟΙΚΗΣΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥ ΩΝ ΜΕΤΑΠΤΥΧΙΑΚΟ ΙΠΛΩΜΑ ΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΜΕ. Ι..Ε.
ΑΣΚΗΣΗ 1 ΟΜΑ Α 2 Στην ακόλουθη άσκηση σας δίνονται τα έξοδα ανά µαθητή και οι ετήσιοι µισθοί (κατά µέσο όρο) των δασκάλων για 51 πολιτείες της Αµερικής. Τα δεδοµένα είναι για τη χρονιά 1985. Οι µεταβλητές
Διαβάστε περισσότεραUnited States of America
page 1 ALABAMA AL Montgomery Most populous city: Birmingham 4,708,708 Square miles: 52,423 CST (UTC-6) EST (UTC-5) page 2 ALASKA AK Juneau Most populous city: Anchorage 698,473 Square miles: 656,425 AKST
Διαβάστε περισσότερα5.1 logistic regresssion Chris Parrish July 3, 2016
5.1 logistic regresssion Chris Parrish July 3, 2016 Contents logistic regression model 1 1992 vote 1 data..................................................... 1 model....................................................
Διαβάστε περισσότεραSPRING /1-5/30 (PRE SPRING 12/1-5/30)
SPRING 2019 1/1-5/30 (PRE SPRING 12/1-5/30) MISSY SIZES: XS - XXL PLUS SIZES: 1X - 3X ($5 UPCHARGE) p: 813-962-0900 f: 845-531-4814 e: CUSTOMERSERVICE@CAITEINC.COM START SHIP: 12/01 LKIC171 P94 DAHLIA
Διαβάστε περισσότερα519.22(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 περισσότεραModern Regression HW #8 Solutions
36-40 Modern Regression HW #8 Solutions Problem [25 points] (a) DUE: /0/207 at 3PM This is still a linear regression model the simplest possible one. That being the case, the solution we derived before
Διαβάστε περισσότερα2018 Bowling.com Youth Open Championships OFFICIAL RESULTS Division: Doubles, U20 **All scholarship points are divided amongst team members** Rank
2018 Bowling.com Youth Open Championships OFFICIAL RESULTS Division: Doubles, U20 **All scholarship points are divided amongst team members** Rank Team Name City State Series Total Points 1 Hodsdon/Olson
Διαβάστε περισσότεραΟδηγίες χρήσης του R, μέρος 2 ο
ΟδηγίεςχρήσηςτουR,μέρος2 ο Ελληνικά Ανπροσπαθήσουμεναγράψουμεελληνικάήναανοίξουμεκάποιοαρχείοδεδομένωνμε ελληνικούςχαρακτήρεςστοr,μπορείαντίγιαελληνικάναδούμελατινικούςχαρακτήρεςμε τόνουςήάλλακαλλικαντζαράκια.τότεδίνουμετηνπαρακάτωεντολήγιαναγυρίσειτοrστα
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 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 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 περισσότεραWan Nor Arifin under the Creative Commons Attribution-ShareAlike 4.0 International License. 1 Introduction 1
Linear 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 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 περισσότερα22 .5 Real consumption.5 Real residential investment.5.5.5 965 975 985 995 25.5 965 975 985 995 25.5 Real house prices.5 Real fixed investment.5.5.5 965 975 985 995 25.5 965 975 985 995 25.3 Inflation
Διαβάστε περισσότεραDirichletReg: Dirichlet Regression for Compositional Data in R
DirichletReg: Dirichlet Regression for Compositional Data in R Marco J. Maier Wirtschaftsuniversität Wien Abstract Full R Code for Maier, M. J. (2014). DirichletReg: Dirichlet Regression for Compositional
Διαβάστε περισσότεραΠΟΛΛΑΠΛΗ ΠΑΛΙΝΔΡΟΜΗΣΗ: ΑΣΚΗΣΕΙΣ
ΜΕΜ264: Εφαρμοσμένη Στατιστική 1 ΠΟΛΛΑΠΛΗ ΠΑΛΙΝΔΡΟΜΗΣΗ: ΑΣΚΗΣΕΙΣ 1. Σε μελέτη της επίδρασης γεωργικών χημικών στην προσρόφηση ιζημάτων και εδάφους, δίνονται στον πιο κάτω πίνακα 13 δεδομένα για το δείκτη
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 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 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 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 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 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 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 περισσότεραη π 2 /3 χ 2 χ 2 t k Y 0/0, 0/1,..., 3/3 π 1, π 2,..., π k k k 1 β ij Y I i = 1,..., I p (X i = x i1,..., x ip ) Y i J (j = 1,..., J) x i Y i = j π j (x i ) x i π j (x i ) x (n 1 (x),..., n J (x))
Διαβάστε περισσότερα[2] T.S.G. Peiris and R.O. Thattil, An Alternative Model to Estimate Solar Radiation
References [1] B.V.R. Punyawardena and Don Kulasiri, Stochastic Simulation of Solar Radiation from Sunshine Duration in Srilanka [2] T.S.G. Peiris and R.O. Thattil, An Alternative Model to Estimate Solar
Διαβάστε περισσότερα( ) ( ) STAT 5031 Statistical Methods for Quality Improvement. Homework n = 8; x = 127 psi; σ = 2 psi (a) µ 0 = 125; α = 0.
STAT 531 Statistical Methods for Quality Improvement Homework 3 4.8 n = 8; x = 17 psi; σ = psi (a) µ = 15; α =.5 Test H : µ = 15 vs. H 1 : µ > 15. Reject H if Z > Z α. x µ 17 15 Z = = =.88 σ n 8 Z α =
Διαβάστε περισσότεραΓραµµική Παλινδρόµηση
Κεφάλαιο 8 Γραµµική Παλινδρόµηση Η γραµµική παλινδρόµηση είναι ένα από τα πιο σηµαντικά ϑέµατα της Στατιστική ϑεωρείας. Στη συνέχεια αυτή η πολύ γνωστή µεθοδολογία ϑα αναπτυχθεί στην R µέσω των τύπων για
Διαβάστε περισσότεραStart Random numbers Distributions p-value Confidence interval.
Υπολογιστική Στατιστική με τη γλώσσα R Κατανομές και έλεγχοι υποθέσεων Αθανάσιος Σταυρακούδης http://stavrakoudis.econ.uoi.gr 19 Δεκεμβρίου 2013 1 / 33 Επισκόπηση 1 1 Start 2 Random numbers 3 Distributions
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 περισσότεραAn Introduction to Splines
An Introduction to Splines Trinity River Restoration Program Workshop on Outmigration: Population Estimation October 6 8, 2009 An Introduction to Splines 1 Linear Regression Simple Regression and the Least
Διαβάστε περισσότεραΟδηγίες χρήσης του R, μέρος 1 ο. Κατεβάζουμε το λογισμικό από την ιστοσελίδα http://cran.cc.uoc.gr/bin/windows/base/
ΟδηγίεςχρήσηςτουR,μέρος1 ο Προκαταρκτικά Κατεβάζουμετολογισμικόαπότηνιστοσελίδαhttp://cran.cc.uoc.gr/bin/windows/base/ Εγκαθιστούμετολογισμικόστονυπολογιστήμαςεκτελώνταςτοαρχείοπουκατεβάσαμε. ΤρέχουμετολογισμικόμεδιπλόκλικστομπλεεικονίδιοκαιβλέπουμετοπεριβάλλοντουR:
Διαβάστε περισσότεραMATHACHij = γ00 + u0j + rij
Stata output for Hierarchical Linear Models. ***************************************. * Unconditional Random Intercept Model. *************************************** MATHACHij = γ00 + u0j + rij. mixed
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 περισσότεραTable 1: Military Service: Models. Model 1 Model 2 Model 3 Model 4 Model 5 Model 6 Model 7 Model 8 Model 9 num unemployed mili mili num unemployed
Tables: Military Service Table 1: Military Service: Models Model 1 Model 2 Model 3 Model 4 Model 5 Model 6 Model 7 Model 8 Model 9 num unemployed mili mili num unemployed mili 0.489-0.014-0.044-0.044-1.469-2.026-2.026
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 περισσότεραΑνάλυση Δεδομένων με χρήση του Στατιστικού Πακέτου R
Ανάλυση Δεδομένων με χρήση του Στατιστικού Πακέτου R, Αναπληρωτής Καθηγητής, Τομέας Μαθηματικών, Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Εφαρμογών, Εθνικό Μετσόβιο Πολυτεχνείο. Περιεχόμενα Εισαγωγή
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 περισσότεραΜηχανική Μάθηση Hypothesis Testing
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Μηχανική Μάθηση Hypothesis Testing Γιώργος Μπορμπουδάκης Τμήμα Επιστήμης Υπολογιστών Procedure 1. Form the null (H 0 ) and alternative (H 1 ) hypothesis 2. Consider
Διαβάστε περισσότεραΑνάλυση Δεδομένων με χρήση του Στατιστικού Πακέτου R
Ανάλυση Δεδομένων με χρήση του Στατιστικού Πακέτου R, Επίκουρος Καθηγητής, Τομέας Μαθηματικών, Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Εφαρμογών, Εθνικό Μετσόβιο Πολυτεχνείο. Περιεχόμενα Εισαγωγή στη
Διαβάστε περισσότεραΤο άτομο του Υδρογόνου
Το άτομο του Υδρογόνου Δυναμικό Coulomb Εξίσωση Schrödinger h e (, r, ) (, r, ) E (, r, ) m ψ θφ r ψ θφ = ψ θφ Συνθήκες ψ(, r θφ, ) = πεπερασμένη ψ( r ) = 0 ψ(, r θφ, ) =ψ(, r θφ+, ) π Επιτρεπτές ενέργειες
Διαβάστε περισσότεραHomework 3 Solutions
Homework 3 Solutions Igor Yanovsky (Math 151A TA) Problem 1: Compute the absolute error and relative error in approximations of p by p. (Use calculator!) a) p π, p 22/7; b) p π, p 3.141. Solution: For
Διαβάστε περισσότεραAPPENDICES APPENDIX A. STATISTICAL TABLES AND CHARTS 651 APPENDIX B. BIBLIOGRAPHY 677 APPENDIX C. ANSWERS TO SELECTED EXERCISES 679
APPENDICES APPENDIX A. STATISTICAL TABLES AND CHARTS 1 Table I Summary of Common Probability Distributions 2 Table II Cumulative Standard Normal Distribution Table III Percentage Points, 2 of the Chi-Squared
Διαβάστε περισσότερα1. Εισαγωγή...σελ Δεδομένα της εργασίας...σελ Μεθοδολογία...σελ Ανάλυση των δεδομένων.σελ Συγκριτικά αποτελέσματα..σελ.
Περιεχόμενα 1. Εισαγωγή...σελ. 2 2. Δεδομένα της εργασίας......σελ. 3 3. Μεθοδολογία......σελ. 6 4. Ανάλυση των δεδομένων.σελ.13 5. Συγκριτικά αποτελέσματα..σελ.20 6. Συμπεράσματα.....σελ.20 7. Παράρτημα
Διαβάστε περισσότεραPartial Trace and Partial Transpose
Partial Trace and Partial Transpose by José Luis Gómez-Muñoz http://homepage.cem.itesm.mx/lgomez/quantum/ jose.luis.gomez@itesm.mx This document is based on suggestions by Anirban Das Introduction This
Διαβάστε περισσότεραOptimizing Microwave-assisted Extraction Process for Paprika Red Pigments Using Response Surface Methodology
2012 34 2 382-387 http / /xuebao. jxau. edu. cn Acta Agriculturae Universitatis Jiangxiensis E - mail ndxb7775@ sina. com 212018 105 W 42 2 min 0. 631 TS202. 3 A 1000-2286 2012 02-0382 - 06 Optimizing
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 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 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 περισσότερα1.1 t Rikon * --- Signif. codes: 0 *** ** 0.01 *
Copyright (c) 004,005 Hidetoshi Shimodaira 1.. 1 1.1 t- 004-10-1 11:4:14 shimo Rikon 0.108355 0.04978.51 0.016136 * --- Signif. codes: 0 *** 0.001 ** 0.01 * 0.05. 0.1 1 Residual standard error: 0.03808
Διαβάστε περισσότεραΛογιστική Παλινδρόµηση
Κεφάλαιο 10 Λογιστική Παλινδρόµηση Στο κεφάλαιο αυτό ϑα δούµε την µέθοδο της λογιστικής παλινδρόµησης η οποία χρησιµεύει στο να αναπτύξουµε σχέση µίας δίτιµης ανεξάρτητης τυχαίας µετα- ϐλητής και συνεχών
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 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 περισσότεραApproximation of distance between locations on earth given by latitude and longitude
Approximation of distance between locations on earth given by latitude and longitude Jan Behrens 2012-12-31 In this paper we shall provide a method to approximate distances between two points on earth
Διαβάστε περισσότερα1. A fully continuous 20-payment years, 30-year term life insurance of 2000 is issued to (35). You are given n A 1
Chapter 7: Exercises 1. A fully continuous 20-payment years, 30-year term life insurance of 2000 is issued to (35). You are given n A 1 35+n:30 n a 35+n:20 n 0 0.068727 11.395336 10 0.097101 7.351745 25
Διαβάστε περισσότεραSection 9.2 Polar Equations and Graphs
180 Section 9. Polar Equations and Graphs In this section, we will be graphing polar equations on a polar grid. In the first few examples, we will write the polar equation in rectangular form to help identify
Διαβάστε περισσότεραWeb-based supplementary materials for Bayesian Quantile Regression for Ordinal Longitudinal Data
Web-based supplementary materials for Bayesian Quantile Regression for Ordinal Longitudinal Data Rahim Alhamzawi, Haithem Taha Mohammad Ali Department of Statistics, College of Administration and Economics,
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 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 περισσότεραJesse Maassen and Mark Lundstrom Purdue University November 25, 2013
Notes on Average Scattering imes and Hall Factors Jesse Maassen and Mar Lundstrom Purdue University November 5, 13 I. Introduction 1 II. Solution of the BE 1 III. Exercises: Woring out average scattering
Διαβάστε περισσότεραTransient Voltage Suppression Diodes: 1.5KE Series Axial Leaded Type 1500 W
Features 1. Reliable low cost construction utilizing molded plastic technique 2. Both bi-directional and uni-directional devices are available 3. Fast response time 4. Excellent clamping capacity 5. 1500
Διαβάστε περισσότεραHOMEWORK 4 = G. In order to plot the stress versus the stretch we define a normalized stretch:
HOMEWORK 4 Problem a For the fast loading case, we want to derive the relationship between P zz and λ z. We know that the nominal stress is expressed as: P zz = ψ λ z where λ z = λ λ z. Therefore, applying
Διαβάστε περισσότεραk A = [k, k]( )[a 1, a 2 ] = [ka 1,ka 2 ] 4For the division of two intervals of confidence in R +
Chapter 3. Fuzzy Arithmetic 3- Fuzzy arithmetic: ~Addition(+) and subtraction (-): Let A = [a and B = [b, b in R If x [a and y [b, b than x+y [a +b +b Symbolically,we write A(+)B = [a (+)[b, b = [a +b
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 περισσότεραΣτοιχεία από την r-project για την επεξεργασία και χαρτογράφηση χωρική κατανομή σημειακών παρατηρήσεων
Στοιχεία από την r-project για την επεξεργασία και χαρτογράφηση χωρική κατανομή σημειακών παρατηρήσεων Ανάγνωση Δεδομένων # READ DATA # # εντοπισμός αρχείου filepath
Διαβάστε περισσότερα!"!"!!#" $ "# % #" & #" '##' #!( #")*(+&#!', & - #% '##' #( &2(!%#(345#" 6##7
!"!"!!#" $ "# % #" & #" '##' #!( #")*(+&#!', '##' '# '## & - #% '##'.//0 #( 111111111111111111111111111111111111111111111111111 &2(!%#(345#" 6##7 11111111111111111111111111111111111111111111111111 11111111111111111111111111111111111111111111111111
Διαβάστε περισσότεραΑπλή Ευθύγραµµη Συµµεταβολή
Απλή Ευθύγραµµη Συµµεταβολή Επιστηµονική Επιµέλεια ρ. Γεώργιος Μενεξές Τοµέας Φυτών Μεγάλης Καλλιέργειας και Οικολογίας, Εργαστήριο Γεωργίας Viola adorata Εισαγωγή Ανάλυση Παλινδρόµησης και Συσχέτιση Απλή
Διαβάστε περισσότερα2. ΕΠΙΛΟΓΗ ΤΟΥ ΜΕΓΕΘΟΥΣ ΤΩΝ ΠΑΡΑΤΗΡΗΣΕΩΝ
1. ΕΙΣΑΓΩΓΗ ΣΤΟ SPSS Το SPSS είναι ένα στατιστικό πρόγραμμα γενικής στατιστικής ανάλυσης αρκετά εύκολο στη λειτουργία του. Για να πραγματοποιηθεί ανάλυση χρονοσειρών με τη βοήθεια του SPSS θα πρέπει απαραίτητα
Διαβάστε περισσότεραΠΕΡΙΓΡΑΦΙΚΗ και ΕΠΑΓΩΓΙΚΗ ΣΤΑΤΙΣΤΙΚΗ
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ ΠΕΡΙΓΡΑΦΙΚΗ και ΕΠΑΓΩΓΙΚΗ ΣΤΑΤΙΣΤΙΚΗ Επίλυση: Oneway Anova Διδάσκων: Δαφέρμος Βασίλειος ΤΜΗΜΑ ΠΟΛΙΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ ΣΧΟΛΗΣ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ Άδειες Χρήσης Το παρόν
Διαβάστε περισσότερα8. ΑΠΛΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ Ι
8. ΑΠΛΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ Ι Απλή γραμμική παλινδρόμηση είναι μία στατιστική μέθοδος που χρησιμοποιείται για τη μελέτη της σχέσης μεταξύ δύο ποσοτικών μεταβλητών εκ των οποίων μία είναι η ανεξάρτητη
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 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 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 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 περισσότεραMSWD = 1.06, probability = 0.39
MSWD Institute of Geophysics and Planetary Physics Incremental Heating 36Ar(a) 37Ar(ca) 38Ar(cl) 39Ar(k) 40Ar(r) Age (Ma) 40Ar(r) (%) 1B15835D 670 C 4 0.000001 0.078288 0.000010 0.001470 0.010633 9.19
Διαβάστε περισσότεραUDZ Swirl diffuser. Product facts. Quick-selection. Swirl diffuser UDZ. Product code example:
UDZ Swirl diffuser Swirl diffuser UDZ, which is intended for installation in a ventilation duct, can be used in premises with a large volume, for example factory premises, storage areas, superstores, halls,
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 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 περισσότεραMonolithic Crystal Filters (M.C.F.)
Monolithic Crystal Filters (M.C.F.) MCF (MONOLITHIC CRYSTAL FILTER) features high quality quartz resonators such as sharp cutoff characteristics, low loss, good inter-modulation and high stability over
Διαβάστε περισσότεραSimon et al. Supplemental Data Page 1
Simon et al. Supplemental Data Page 1 Supplemental Data Acute hemodynamic effects of inhaled sodium nitrite in pulmonary hypertension associated with heart failure with preserved ejection fraction Short
Διαβάστε περισσότεραSection 8.3 Trigonometric Equations
99 Section 8. Trigonometric Equations Objective 1: Solve Equations Involving One Trigonometric Function. In this section and the next, we will exple how to solving equations involving trigonometric functions.
Διαβάστε περισσότεραS
MSWD Institute of Geophysics and Planetary Physics Incremental Heating 36Ar(a) 37Ar(ca) 38Ar(cl) 39Ar(k) 40Ar(r) Age (Ma) 40Ar(r) (%) 1B16079D 600 C 4 0.000034 0.033821 0.000003 0.001780 0.001016 0.72
Διαβάστε περισσότεραΑλληλεπίδραση ακτίνων-χ με την ύλη
Άσκηση 8 Αλληλεπίδραση ακτίνων-χ με την ύλη Δ. Φ. Αναγνωστόπουλος Τμήμα Μηχανικών Επιστήμης Υλικών Πανεπιστήμιο Ιωαννίνων Ιωάννινα 2013 Άσκηση 8 ii Αλληλεπίδραση ακτίνων-χ με την ύλη Πίνακας περιεχομένων
Διαβάστε περισσότεραST5224: Advanced Statistical Theory II
ST5224: Advanced Statistical Theory II 2014/2015: Semester II Tutorial 7 1. Let X be a sample from a population P and consider testing hypotheses H 0 : P = P 0 versus H 1 : P = P 1, where P j is a known
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 περισσότεραΕΡΓΑΙΑ Εθηίκεζε αμίαο κεηαπώιεζεο ζπηηηώλ κε αλάιπζε δεδνκέλωλ. Παιεάο Δπζηξάηηνο
ΕΡΓΑΙΑ Εθηίκεζε αμίαο κεηαπώιεζεο ζπηηηώλ κε αλάιπζε δεδνκέλωλ Παιεάο Δπζηξάηηνο ΑΘΗΝΑ 2014 1 ΠΔΡΙΔΥΟΜΔΝΑ 1) Δηζαγσγή 2) Πεξηγξαθηθή Αλάιπζε 3) ρέζεηο Μεηαβιεηώλ αλά 2 4) Πξνβιεπηηθά / Δξκελεπηηθά Μνληέια
Διαβάστε περισσότεραΨηφιακή Επεξεργασία Φωνής
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Επεξεργασία Φωνής Ενότητα 4η: Γραμμική Πρόβλεψη: Ανάλυση και Σύνθεση Στυλιανού Ιωάννης Τμήμα Επιστήμης Υπολογιστών CS578- Speech Signal Processing Lecture
Διαβάστε περισσότεραDOUGLAS FIR BEETLE TRAP-SUPPRESSION STUDY STATISTICAL REPORT
DOUGLAS FIR BEETLE TRAP-SUPPRESSION STUDY STATISTICAL REPORT Prepared for Dr. Robert Progar U.S. Forest Service Forest Sciences Laboratory Corvallis, Oregon January 2005 By Greg Brenner Pacific Analytics
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 περισσότεραDEIM Forum 2018 F3-5 657 8501 1-1 657 8501 1-1 E-mail: yuta@cs25.scitec.kobe-u.ac.jp, eguchi@port.kobe-u.ac.jp, ( ) ( )..,,,.,.,.,,..,.,,, 2..., 1.,., (Autoencoder: AE) [1] (Generative Stochastic Networks:
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 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 περισσότεραA Finite Precision of Private Information Precision of Private Information Approaching Infinity 0 θ1 * θ Session Cost of Action A First 20 Last 20 Rounds Rounds Information in Stage 2 First 20 Last
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 περισσότεραΗλεκτρονικοί Υπολογιστές I
ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Ηλεκτρονικοί Υπολογιστές I Κατανομές και έλεγχοι υποθέσεων με τη γλώσσα R Διδάσκων: Επίκουρος Καθηγητής Αθανάσιος Σταυρακούδης Άδειες Χρήσης Το παρόν
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 περισσότερα(i) Περιγραφική ανάλυση των μεταβλητών PRICE
Με τις εντολές > data fdata names(fdata)=c("price", "SQFT",
Διαβάστε περισσότερα10. ΠΟΛΛΑΠΛΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ
0. ΠΟΛΛΑΠΛΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ 0. ΤΟ ΓΕΝΙΚΟ ΓΡΑΜΜΙΚΟ ΜΟΝΤΕΛΟ Συχνά στην πράξη το μοντέλο της απλής γραμμικής παλινδρόμησης είναι ανεπαρκές για την περιγραφή της μεταβλητότητας που υπάρχει στην εξαρτημένη
Διαβάστε περισσότεραSupervised Learning. HT2015: SC4 Statistical Data Mining and Machine Learning. Regression Example: Boston Housing. Regression Example: Boston Housing
HT2015: SC4 Statistical Data Mining and Machine Learning Dino Sejdinovic Department of Statistics Oford http://www.stats.o.ac.uk/~sejdinov/sdmml.html Unsupervised learning: To etract structure and postulate
Διαβάστε περισσότερα