Supplementary Material for The Cusp Catastrophe Model as Cross-Sectional and Longitudinal Mixture Structural Equation Models
|
|
|
- Ἐπαφρᾶς Ζάρκος
- 5 χρόνια πριν
- Προβολές:
Transcript
1 Supplementary Material for The Cusp Catastrophe Model as Cross-Sectional and Longitudinal Mixture Structural Equation Models Sy-Miin Chow Pennsylvania State University Katie Witkiewitz University of New Mexico Raoul Grasman University of Amsterdam Stephen A. Maisto Syracuse University This document features supplementary material from the Chow et al. s the paper entitled The Cusp Catastrophe Model as Cross-Sectional and Longitudinal Mixture Structural Equation Models. 0.1 Mplus Scripts for Fitting MSEM Model 5 TITLE: MSEM Model 5, cusp-inspired mixture model, unknown beta group DATA: FILE = thedat01.csv ; VARIABLE: NAMES = id alpha beta alphabeta y ybeta1 ybeta2 ybeta3 betacat; MISSING = ALL (-999); USEV = alpha ybeta1-ybeta3 y; classes = c0(2) c1(3); ANALYSIS: TYPE = MIXTURE; STARTS = 50 5;STSCALE=1.5; STITERATIONS = 100; MODEL: 1
2 ! %OVERALL%! c1 on c1 on ly by (lowbtoh); (lowbtol); c1#1 ON c0#1*15 (hibtoh); c1#2 ON c0#1*15 (hibtol); beta by beta by ybeta2*1 (l1); beta by ybeta3*1 (l2); Model c0:! %c0#1% [beta*2] (mbetah); beta*.5 (vb1); c1#1 ON alpha*3 (inita); c1#2 ON alpha*-3 (inita2); %c0#2% [beta*-2] (mbetal); beta*.5 (vb2); c1#1 ON c1#2 ON Model c1:! %c1#1%!high beta, high DV ly on alpha*.5 (balpha1); [ly*2] (inth); ly*.1 (vqhighb); ly ON beta*.1 (bbeta2); %c1#2%!high beta, low DV ly on alpha*.5 (balpha1); 2
3 [ly*-2] (intl); ly*.1 (vqhighb); ly ON beta*-.1 (bbeta3); %c1#3%!low beta, med DV ly on alpha*.3 (balpha2); [ly*.01] (intm); ly*1 (vqlowb); ly ON MODEL CONSTRAINT:! New (lowbtoh lowbtol PHIBTOH PHIBTOL PHIBTOM PLOWBTOH PLOWBTOL PLOWBTOM); lowbtoh = -10; lowbtol = -10; PHIBTOH = exp(lowbtoh + hibtoh)/ (exp(lowbtoh + hibtoh) + exp(lowbtol +hibtol) + exp(0)); PHIBTOL = exp(lowbtol +hibtol)/ (exp(lowbtoh + hibtoh) + exp(lowbtol +hibtol) + exp(0)); PHIBTOM = exp(0)/ (exp(lowbtoh + hibtoh) + exp(lowbtol +hibtol) + exp(0)); PLOWBTOH = exp(lowbtoh)/ (exp(lowbtoh) + exp(lowbtol) + exp(0)); PLOWBTOL = exp(lowbtol)/ (exp(lowbtoh) + exp(lowbtol) + exp(0)); PLOWBTOM = exp(0)/ (exp(lowbtoh) + exp(lowbtol) + exp(0)); inth > intm; intm > intl;! OUTPUT: TECH1 TECH4 CINTERVAL; 3
4 SAVEDATA: RESULTS = 01outPar94.txt ; FILE = 01Cross94.class ; RECORDLENGTH IS 5000; SAVE = CPROBABILITIES; 0.2 Mplus Scripts for Fitting MSEM-RS Model 5 TITLE: T > 1 cusp-inspired mixture model, unknown beta group!# !# c1!# !# c0#1 #2!# !# Hi Low!#High beta lowbtom + hibtoh*+inita*alpha 0!# Med Med!#Low beta lowbtom = [c1#1@10] 0!# !#Note: inita = c1#1 on alpha1 in c0#1!@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@!#conditional transition log-odds!# !#c0 = 2 (Low beta): reference group!# !# c2!# !# c1 Med Med!# !#Med MtoOth + lmtom (c2#1 ON c1#1@20) 0!#Med MtoOthM = [c2#1@-10] 0!# !#!#c0 = 1 (High beta)!# !# c2!# !# c1 High Low!# !#High MtoOthM + lowtoh + lhtoh + lot11a*alpha 0!#Low MtoOthM + lowtoh + lot21a*alpha 0!# !#Note: lot11a e.g., = c2#1 ON alpha2 in c0#1.c1#1!#lot21a e.g., = c2#1 ON alpha2 in c0#1.c1#2 4
5 DATA: FILE = thedatlong1.csv ; VARIABLE: NAMES = id alpha1 alpha2 alpha3 alpha4 alpha5 alpha6 betao ab1 ab2 ab3 ab4 ab5 ab6 y1 y2 y3 y4 y5 y6 ybeta1 ybeta2 ybeta3 betacat; MISSING = ALL (-999); USEV = y1-y6 alpha1-alpha6 ybeta1-ybeta3; classes = c0(2) c1(2) c2(2) c3(2) c4(2) c5(2) c6(2); ANALYSIS: TYPE = MIXTURE; STARTS = 80 5; STSCALE= 2;!STITERATIONS = 100; MODEL:! %OVERALL%! c1 on alpha1@0; c2 on alpha2@0; c3 on alpha3@0; c4 on alpha4@0; c5 on alpha5@0; c6 on alpha6@0; c1 on beta@0; c2 on beta@0; c3 on beta@0; c4 on beta@0; c5 on beta@0; c6 on beta@0; ly1 by y1@1; ly2 by y2@1; ly3 by y3@1; ly4 by y4@1; ly5 by y5@1; ly6 by y6@1; [y1-y6@0]; y1-y6@0; ly1 with ly2@0; ly1 with ly3@0; ly1 with ly4@0; ly1 with ly5@0; ly1 with ly6@0; 5
6 ly2 with ly2 with ly2 with ly2 with ly3 with ly3 with ly3 with ly4 with ly4 with ly5 with (lowbtom); Notice that LO(low to high high beta) = (MtoOthM + lowtoh) c1#1 ON c0#1*-10 (hibtoh);!expecting to be around 10 LO(low to high high beta)!as P(lo to high high beta) when alpha = 0 should be close to.5. c2#1 ON c0#1*11 (lowtoh);!effect of c0#1 on [c2#1] c3#1 ON c0#1*11 (lowtoh); c4#1 ON c0#1*11 (lowtoh); c5#1 ON c0#1*11 (lowtoh); c6#1 ON c0#1*11 (lowtoh); beta by ybeta1@1; beta by ybeta2*1 (l1); beta by ybeta3*1 (l2); [ybeta1-ybeta3@0];! Model c0:! %c0#1% [beta*2] (mbetah); beta*.5 (vb1); ly1 on alpha1 (balpha1); 6
7 ly2 on alpha2 (balpha1); ly3 on alpha3 (balpha1); ly4 on alpha4 (balpha1); ly5 on alpha5 (balpha1); ly6 on alpha6 (balpha1); c1#1 on alpha1 (inita);! Notice that LO(high to high high beta) = (MtoOthM + lowtoh + lhtoh) c2#1 ON c1#1*.1 (lhtoh); c3#1 ON c2#1*.1 (lhtoh); c4#1 ON c3#1*.1 (lhtoh); c5#1 ON c4#1*.1 (lhtoh); c6#1 ON c5#1*.1 (lhtoh); %c0#2% [beta*-2] (mbetal); beta*.5 (vb2); ly1 on alpha1 (balpha2); ly2 on alpha2 (balpha2); ly3 on alpha3 (balpha2); ly4 on alpha4 (balpha2); ly5 on alpha5 (balpha2); ly6 on alpha6 (balpha2); c2#1 ON c1#1@20;! (lmtom); c3#1 ON c2#1@20;! (lmtom); c4#1 ON c3#1@20;! (lmtom); c5#1 ON c4#1@20;! (lmtom); c6#1 ON c5#1@20;! (lmtom); MODEL c0.c1:!specify model for P(Ct C_t-1, C1)!c0 = 1 (high beta); c0 = 2 (low beta) %c0#1.c1#1%!high DV [ly1*2] (inth); ly1*.1 (vqhighb); ly1 ON beta*.1 (bbeta2); c2#1 ON alpha2 (lot11a); %c0#1.c1#2%!low DV [ly1*2] (intl); ly1*.1 (vqhighb); ly1 ON beta*-.1 (bbeta3); c2#1 ON alpha2 (lot21a); 7
8 %c0#2.c1#1% [ly1*.01] (intm); ly1*1 (vqlowb); ly1 ON %c0#2.c1#2% [ly1*.01] (intm); ly1*1 (vqlowb); ly1 ON MODEL c0.c2:!specify model for P(Ct C_t-1, C1) %c0#1.c2#1% [ly2*2] (inth); ly2*.1 (vqhighb); ly2 ON beta*.1 (bbeta2);!ly2 ON ab2*.5 (bab2); c3#1 ON alpha3 (lot11a); %c0#1.c2#2% [ly2*2] (intl); ly2*.1 (vqhighb); ly2 ON beta*-.1 (bbeta3); c3#1 ON alpha3 (lot21a); %c0#2.c2#1% [ly2*.01] (intm); ly2*1 (vqlowb); ly2 ON %c0#2.c2#2% [ly2*.01] (intm); ly2*1 (vqlowb); ly2 ON MODEL c0.c3:!specify model for P(Ct C_t-1, C1)! c0 = 1 (high beta); c0 = 2 (low beta); %c0#1.c3#1% [ly3*2] (inth); ly3*.1 (vqhighb); 8
9 ly3 ON beta*.1 (bbeta2); c4#1 ON alpha4 (lot11a); %c0#1.c3#2% [ly3*2] (intl); ly3*.1 (vqhighb); ly3 ON beta*-.1 (bbeta3); c4#1 ON alpha4 (lot21a); %c0#2.c3#1% [ly3*.01] (intm); ly3*1 (vqlowb); ly3 ON %c0#2.c3#2% [ly3*.01] (intm); ly3*1 (vqlowb); ly3 ON MODEL c0.c4:!specify model for P(Ct C_t-1, C1)! c0 = 1 (high beta); c0 = 2 (low beta); %c0#1.c4#1% [ly4*2] (inth); ly4*.1 (vqhighb); ly4 ON beta*.1 (bbeta2); c5#1 ON alpha5 (lot11a); %c0#1.c4#2% [ly4*2] (intl); ly4*.1 (vqhighb); ly4 ON beta*-.1 (bbeta3); c5#1 ON alpha5 (lot21a); %c0#2.c4#1% [ly4*.01] (intm); ly4*1 (vqlowb); ly4 ON beta@0; %c0#2.c4#2% [ly4*.01] (intm); ly4*1 (vqlowb); ly4 ON beta@0; 9
10 MODEL c0.c5:!specify model for P(Ct C_t-1, C1)! c0 = 1 (high beta); c0 = 2 (low beta); %c0#1.c5#1% [ly5*2] (inth); ly5*.1 (vqhighb); ly5 ON beta*.1 (bbeta2); c6#1 ON alpha6 (lot11a); %c0#1.c5#2% [ly5*2] (intl); ly5*.1 (vqhighb); ly5 ON beta*-.1 (bbeta3); c6#1 ON alpha6 (lot21a); %c0#2.c5#1% [ly5*.01] (intm); ly5*1 (vqlowb); ly5 ON beta@0; %c0#2.c5#2% [ly5*.01] (intm); ly5*1 (vqlowb); ly5 ON beta@0; MODEL c0.c6:!specify model for P(Ct C_t-1, C1)! c0 = 1 (high beta); c0 = 2 (low beta); %c0#1.c6#1% [ly6*2] (inth); ly6*.1 (vqhighb); ly6 ON beta*.1 (bbeta2); %c0#1.c6#2% [ly6*2] (intl); ly6*.1 (vqhighb); ly6 ON beta*-.1 (bbeta3); %c0#2.c6#1% [ly6*.01] (intm); ly6*1 (vqlowb); 10
11 ly6 ON %c0#2.c6#2% [ly6*.01] (intm); ly6*1 (vqlowb); ly6 ON MODEL CONSTRAINT: New ( MtoOthM sda lowbtom lmtom hiloalp medalp hibeta lobeta inth0 intl0 intm0 hilovy medvy hibtoh0 lowtoh0 lhtoh0 inita_0 lot11a0 lot21a0 HiBp110 HiBp120 HiBp210 HiBp220 HiBp111 HiBp121 HiBp211 HiBp221 HiBp11 HiBp12 HiBp21 HiBp22 dalpha mbetah0 mbetal0 vb10 vb20 lambda1 lambda2); sda = 2.31; MtoOthM = -10; lowbtom = 10; lmtom = 20; hiloalp = balpha1; medalp = balpha2; hibeta = bbeta2; lobeta = bbeta3; inth0 = inth; intl0 = intl; intm0 = intm; hilovy = vqhighb; medvy = vqlowb; hibtoh0 = hibtoh; lowtoh0 = lowtoh; lhtoh0 = lhtoh; inita_0 = inita; lot11a0 = lot11a; lot21a0 = lot21a; mbetah0 = mbetah; 11
12 mbetal0 = mbetal; vb10 = vb1; vb20 = vb2; lambda1 = l1; lambda2 = l2;!high beta high alpha days HiBp111 = exp(mtoothm + lowtoh + lhtoh + lot11a*sda) /(exp(mtoothm + lowtoh + lhtoh + lot11a*sda) + exp(0)); HiBp121 = exp(0)/ (exp(mtoothm + lowtoh + lhtoh + lot11a*sda) + exp(0)); HiBp211 = exp(mtoothm + lowtoh + lot21a*sda) /(exp(mtoothm + lowtoh + lot21a*sda) + exp(0)); HiBp221 = exp(0)/(exp(mtoothm + lowtoh + lot21a*sda) + exp(0));!high beta low alpha days HiBp110 = exp(mtoothm + lowtoh + lhtoh + lot11a*(-1*sda)) /(exp(mtoothm + lowtoh + lhtoh + lot11a*(-1*sda)) + exp(0)); HiBp120 = exp(0)/ (exp(mtoothm + lowtoh + lhtoh + lot11a*(-1*sda)) + exp(0)); HiBp210 = exp(mtoothm + lowtoh + lot21a*(-1*sda)) /(exp(mtoothm + lowtoh + lot21a*(-1*sda)) + exp(0)); HiBp220 = exp(0)/(exp(mtoothm + lowtoh + lot21a*(-1*sda)) + exp(0));!high beta average alpha days HiBp11 = exp(mtoothm + lowtoh + lhtoh) /(exp(mtoothm + lowtoh + lhtoh) + exp(0)); HiBp12 = exp(0)/ (exp(mtoothm + lowtoh + lhtoh) + exp(0)); HiBp21 = exp(mtoothm + lowtoh) /(exp(mtoothm + lowtoh) + exp(0)); HiBp22 = exp(0)/(exp(mtoothm + lowtoh) + exp(0)); inth > intm; intm > intl; balpha2 = balpha1 + dalpha; 12
13 ! OUTPUT: TECH1 TECH4 CINTERVAL; SAVEDATA: RESULTS = 01outPar3.txt ; FILE = 01LTA3.class ; RECORDLENGTH IS 5000; SAVE = CPROBABILITIES; 13
14 0.3 Tables of Simulation Results The tables included here show the summary statistics of the parameter estimates from all remaining MSEM and MSEM-RS models considered but not presented in Chow et al. s the paper entitled The Cusp Catastrophe Model as Cross-Sectional and Longitudinal Mixture Structural Equation Models. Table 1: Summary Statistics of Parameter Estimates for MSEM Model 2 with T = 1 and n = 500 across 500 Monte Carlo Replications. Mean ˆθ SD 2.5 %tile 97.5%tile aŝe τ high b α,high&low b β,high ψ high&low τ low b β,low τ med b α,med ψ med a 10, logit intercept for R high β b 111,, LO(high β high) b 121,, LO(high β low) a 11, logit intercept for LO(low β high) a 21, logit intercept for LO(low β low) b 111,α, α LO(high β high) b 121,α, α LO(high β low) b 211,α, α LO(low β high) b 221,α, α LO(low β low) Pr(high β high) Pr(high β low) Pr(high β med) Pr(low β high) Pr(low β low) Pr(low β med) a The class and transition probabilities were computed using Equations 8, 9 and 12 with α i set to 0. Proportion(cases free of SE estimation problems for logit parameters in Model 2) =.94 14
15 Table 2: Summary Statistics of Parameter Estimates for MSEM Model 2 with T = 1 and n = 200 across 500 Monte Carlo Replications. Mean ˆθ SD 2.5 %tile 97.5%tile aŝe τ high b α,high&low b β,high ψ high&low τ low b β,low τ med b α,med ψ med a 10, logit intercept for R high β b 111,, LO(high β high) b 121,, LO(high β low) a 11, logit intercept for LO(low β high) a 21, logit intercept for LO(low β low) b 111,α, α LO(high β high) b 121,α, α LO(high β low) b 211,α, α LO(low β high) b 221,α, α LO(low β low) Pr(high β high) a Pr(high β low) Pr(high β med) Pr(low β high) Pr(low β low) Pr(low β med) a The class and transition probabilities were computed using Equations 8, 9 and 12 with α i set to 0. Proportion(cases free of SE estimation problems for logit parameters in Model 2) =.54 15
16 Table 3: Summary Statistics of Parameter Estimates for MSEM Model 6 with T = 1 and n = 200 across 500 Monte Carlo Replications. True θ Mean ˆθ SD 2.5 %tile 97.5%tile aŝe λ β, λ β, ψɛ,β ψɛ,β ψɛ,β µ β,high ψ β,high µ β,low ψ β,low τ high b α,high&low b β,high ψ high&low τ low b β,low τ med b α,med ψ med a 10, logit intercept for R high β b 111,, LO(high β high) b 121,, LO(high β low) a 11, logit intercept for LO(low β high) a 21, logit intercept for LO(low β low) b 111,α, α LO(high β high) b 121,α, α LO(high β low) b 211,α, α LO(low β high) b 221,α, α LO(low β low) Pr(high β high) a Pr(high β low) Pr(high β med) Pr(low β high) Pr(low β low) Pr(low β med) a The class and transition probabilities were computed using Equations 8, 9 and 12 with α i set to 0. Proportion(cases free of SE estimation problems for logit parameters in Model 2) =.38 16
17 Table 4: Summary Statistics of Parameter Estimates for MSEM-RS Model 1 with T = 6 and n = 500 across 500 Monte Carlo Replications. τ high b α,high&low b β,high ψ high&low τ low b β,low τ med b α,med ψ med b 111,, LO(high β high) a 1,1t,, LO(low high high β) b 1,11t,, LO(high high high β) b 111,α, α LO(high β high) b 1,11t,α, α LO(high high high β) b 1,21t,α, α LO(low high high β) Pr(high high high β, low α) a Pr(high low high β, low α) Pr(low high high β, low α) Pr(low low high β, low α) Pr(high high high β, high α) Pr(high low high β, high α) Pr(low high high β, high α) Pr(low low high β, high α) Pr(high high high β, avg α) Pr(high low high β, avg α) Pr(low high high β, avg α) Pr(low low high β, avg α) a The transition probabilities were computed using Equations 13 and 14. Avg α = value of α was set to 0; high α = value of α was set to 1 SD above the mean of 0; low α = value of α was set to 1 SD below the mean of 0. Proportion(cases free of SE estimation problems for logit parameters in Model 2) =
18 Table 5: Summary Statistics of Parameter Estimates for MSEM-RS Model 1 with T = 6 and n = 200 across 500 Monte Carlo Replications. τ high b α,high&low b β,high ψ high&low τ low b β,low τ med b α,med ψ med b 111,, LO(high β high) a 1,1t,, LO(low high high β) b 1,11t,, LO(high high high β) b 111,α, α LO(high β high) b 1,11t,α, α LO(high high high β) b 1,21t,α, α LO(low high high β) Pr(high high high β, low α) Pr(high low high β, low α) Pr(low high high β, low α) Pr(low low high β, low α) Pr(high high high β, high α) Pr(high low high β, high α) Pr(low high high β, high α) Pr(low low high β, high α) Pr(high high high β, avg α) Pr(high low high β, avg α) Pr(low high high β, avg α) Pr(low low high β, avg α) a The transition probabilities were computed using Equations 13 and 14. Avg α = value of α was set to 0; high α = value of α was set to 1 SD above the mean of 0; low α = value of α was set to 1 SD below the mean of 0. Proportion(cases free of SE estimation problems for logit parameters in Model 2) =.93 18
19 Table 6: Summary Statistics of Parameter Estimates for MSEM-RS Model 5 with T = 6 and n = 200 across 500 Monte Carlo Replications. True θ Mean ˆθ SD 2.5 %tile 97.5%tile aŝe λ β, λ β, ψɛ,β ψɛ,β ψɛ,β µ β,high ψ β,high µ β,low ψ β,low τ high b α,high&low b β,high ψ high&low τ low b β,low τ med b α,med ψ med a 10, logit intercept for R high β b 111,, LO(high β high) a 1,1t,, LO(low high high β) b 11t,, LO(high high high β) b 111,α, α LO(high β high) b 11t,α, α LO(high high) b 21t,α, α LO(low high) Pr(high high high β, low α) a Pr(high low high β, low α) Pr(low high high β, low α) Pr(low low high β, low α) Pr(high high high β, high α) Pr(high low high β, high α) Pr(low high high β, high α) Pr(low low high β, high α) Pr(high high high β, avg α) Pr(high low high β, avg α) Pr(low high high β, avg α) Pr(low low high β, avg α) a The transition probabilities were computed using Equations 13 and 14. Avg α = value of α was set to 0; high α = value of α was set to 1 SD above the mean of 0; low α = value of α was set to 1 SD below the mean of 0. Proportion(cases free of SE estimation problems for logit parameters in Model 2) =.99 19
Supplementary 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
5.1 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....................................................
1 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
Math 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
Conjoint. The Problems of Price Attribute by Conjoint Analysis. Akihiko SHIMAZAKI * Nobuyuki OTAKE
Conjoint Conjoint The Problems of Price Attribute by Conjoint Analysis Akihiko SHIMAZAKI * Nobuyuki OTAKE +, Conjoint - Conjoint. / 0 PSM Price Sensitivity Measurement Conjoint 1 2 + Conjoint Luce and
Technical Information T-9100 SI. Suva. refrigerants. Thermodynamic Properties of. Suva Refrigerant [R-410A (50/50)]
![Technical Information T-9100 SI. Suva. refrigerants. Thermodynamic Properties of. Suva Refrigerant [R-410A (50/50)]](/thumbs/89/98928029.jpg "Technical Information T-9100 SI. Suva. refrigerants. Thermodynamic Properties of. Suva Refrigerant [R-410A (50/50)]")
d Suva refrigerants Technical Information T-9100SI Thermodynamic Properties of Suva 9100 Refrigerant [R-410A (50/50)] Thermodynamic Properties of Suva 9100 Refrigerant SI Units New tables of the thermodynamic
Supplementary 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
DuPont Suva 95 Refrigerant
Technical Information T-95 SI DuPont Suva refrigerants Thermodynamic Properties of DuPont Suva 95 Refrigerant (R-508B) The DuPont Oval Logo, The miracles of science, and Suva, are trademarks or registered
Queensland 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
DuPont Suva 95 Refrigerant
Technical Information T-95 ENG DuPont Suva refrigerants Thermodynamic Properties of DuPont Suva 95 Refrigerant (R-508B) The DuPont Oval Logo, The miracles of science, and Suva, are trademarks or registered
Approximation 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
CHAPTER 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) =
DuPont Suva. DuPont. Thermodynamic Properties of. Refrigerant (R-410A) Technical Information. refrigerants T-410A ENG
Technical Information T-410A ENG DuPont Suva refrigerants Thermodynamic Properties of DuPont Suva 410A Refrigerant (R-410A) The DuPont Oval Logo, The miracles of science, and Suva, are trademarks or registered
The Simply Typed Lambda Calculus
Type Inference Instead of writing type annotations, can we use an algorithm to infer what the type annotations should be? That depends on the type system. For simple type systems the answer is yes, and
22 .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
Example of the Baum-Welch Algorithm
Example of the Baum-Welch Algorithm Larry Moss Q520, Spring 2008 1 Our corpus c We start with a very simple corpus. We take the set Y of unanalyzed words to be {ABBA, BAB}, and c to be given by c(abba)
A life-table metamodel to support management of data deficient species, exemplified in sturgeons and shads. Electronic Supplementary Material
A life-table metamodel to support management of data deficient species, exemplified in sturgeons and shads Electronic Supplementary Material Ivan Jarić 1,2*, Jörn Gessner 1 and Mirjana Lenhardt 3 1 Leibniz-Institute
Does 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
Bayesian 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
5.4 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
athanasiadis@rhodes.aegean.gr , -.
παιδαγωγικά ρεύµατα στο Αιγαίο Προσκήνιο 88 - * athanasiadis@rhodes.aegean.gr -., -.. Abstract The aim of this survey is to show how students of the three last school classes of the Primary School evaluated
Instruction 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
Summary 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
ΕΚΛΟΓΙΚΗ ΠΕΡΙΦΕΡΕΙΑ ΕΒΡΟΥ
ΕΚΛΟΓΙΚΗ ΠΕΡΙΦΕΡΕΙΑ ΕΒΡΟΥ ΑΣΗΜΑΚΟΠΟΥΛΟΣ ΣΠΥΡΙΔΩΝ του ΔΗΜΗΤΡΙΟΥ ΚΑΛΑΪΤΖΙΔΟΥ ΑΙΚΑΤΕΡΙΝΗ του ΜΙΧΑΗΛ ΚΟΖΑΡΗΣ ΚΥΡΙΑΚΟΣ του ΧΡΗΣΤΟΥ ΜΑΛΚΟΥΚΗΣ ΒΑΣΙΛΕΙΟΣ του ΔΗΜΗΤΡΙΟΥ ΜΟΡΑΛΗΣ ΖΗΣΗΣ του ΙΩΑΝΝΗ ΕΚΛΟΓΙΚΗ ΠΕΡΙΦΕΡΕΙΑ
Inverse trigonometric functions & General Solution of Trigonometric Equations. ------------------ ----------------------------- -----------------
Inverse trigonometric functions & General Solution of Trigonometric Equations. 1. Sin ( ) = a) b) c) d) Ans b. Solution : Method 1. Ans a: 17 > 1 a) is rejected. w.k.t Sin ( sin ) = d is rejected. If sin
Supporting Information
Supporting Information On the Ambiguity of 1,3,2-Benzodiazaboroles as Donor/Acceptor unctionalities in Luminescent Molecules Lothar Weber *[a], Johannes Halama [a], Kenny Hanke [a], Lena Böhling [a], Andreas
Section 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.
Μειέηε, θαηαζθεπή θαη πξνζνκνίσζε ηεο ιεηηνπξγίαο κηθξήο αλεκνγελλήηξηαο αμνληθήο ξνήο ΓΗΠΛΩΜΑΣΗΚΖ ΔΡΓΑΗΑ
Μειέηε, θαηαζθεπή θαη πξνζνκνίσζε ηεο ιεηηνπξγίαο κηθξήο αλεκνγελλήηξηαο αμνληθήο ξνήο ΓΗΠΛΩΜΑΣΗΚΖ ΔΡΓΑΗΑ Κνηζακπφπνπινο Υ. Παλαγηψηεο Δπηβιέπσλ: Νηθφιανο Υαηδεαξγπξίνπ Καζεγεηήο Δ.Μ.Π Αζήλα, Μάξηηνο 2010
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
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
6.1. 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
Διερεύνηση ακουστικών ιδιοτήτων Νεκρομαντείου Αχέροντα
Διερεύνηση ακουστικών ιδιοτήτων Νεκρομαντείου Αχέροντα Βασίλειος Α. Ζαφρανάς Παναγιώτης Σ. Καραμπατζάκης ΠΕΡΙΛΗΨΗ H εργασία αφορά μία σειρά μετρήσεων του χρόνου αντήχησης της υπόγειας κρύπτης του «Νεκρομαντείου»
HOMEWORK#1. t E(x) = 1 λ = (b) Find the median lifetime of a randomly selected light bulb. Answer:
HOMEWORK# 52258 李亞晟 Eercise 2. The lifetime of light bulbs follows an eponential distribution with a hazard rate of. failures per hour of use (a) Find the mean lifetime of a randomly selected light bulb.
3o/B Mάθημα: Δικτύωμα / 2D-Truss in Batch
ΥΠΟΛΟΓΙΣΤΙΚΕΣ ΜΕΘΟΔΟΙ ΣΤΙΣ ΚΑΤΑΣΚΕΥΕΣ 3o/B Mάθημα: Δικτύωμα / 2D-Truss in Batch Λεωνίδας Αλεξόπουλος, Επ. Καθηγητής Τομέας ΜΚ&ΑΕ leo@mail.ntua.gr, τηλ: 772-1666 Βοηθοί διδασκαλίας: Κανακάρης Γιώργος, Διδακτορικός
Figure A.2: MPC and MPCP Age Profiles (estimating ρ, ρ = 2, φ = 0.03)..
Supplemental Material (not for publication) Persistent vs. Permanent Income Shocks in the Buffer-Stock Model Jeppe Druedahl Thomas H. Jørgensen May, A Additional Figures and Tables Figure A.: Wealth and
Mean bond enthalpy Standard enthalpy of formation Bond N H N N N N H O O O
Q1. (a) Explain the meaning of the terms mean bond enthalpy and standard enthalpy of formation. Mean bond enthalpy... Standard enthalpy of formation... (5) (b) Some mean bond enthalpies are given below.
ΕΦΑΡΜΟΓΗ ΕΥΤΕΡΟΒΑΘΜΙΑ ΕΠΕΞΕΡΓΑΣΜΕΝΩΝ ΥΓΡΩΝ ΑΠΟΒΛΗΤΩΝ ΣΕ ΦΥΣΙΚΑ ΣΥΣΤΗΜΑΤΑ ΚΛΙΝΗΣ ΚΑΛΑΜΙΩΝ
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙ ΕΥΤΙΚΟ Ι ΡΥΜΑ ΚΡΗΤΗΣ ΤΜΗΜΑ ΦΥΣΙΚΩΝ ΠΟΡΩΝ ΚΑΙ ΠΕΡΙΒΑΛΛΟΝΤΟΣ ΕΦΑΡΜΟΓΗ ΕΥΤΕΡΟΒΑΘΜΙΑ ΕΠΕΞΕΡΓΑΣΜΕΝΩΝ ΥΓΡΩΝ ΑΠΟΒΛΗΤΩΝ ΣΕ ΦΥΣΙΚΑ ΣΥΣΤΗΜΑΤΑ ΚΛΙΝΗΣ ΚΑΛΑΜΙΩΝ ΕΠΙΜΕΛΕΙΑ: ΑΡΜΕΝΑΚΑΣ ΜΑΡΙΝΟΣ ΧΑΝΙΑ
derivation of the Laplacian from rectangular to spherical coordinates
derivation of the Laplacian from rectangular to spherical coordinates swapnizzle 03-03- :5:43 We begin by recognizing the familiar conversion from rectangular to spherical coordinates (note that φ is used
794 Appendix A:Tables
Appendix A Tables A Table Contents Page A.1 Random numbers 794 A.2 Orthogonal polynomial trend contrast coefficients 800 A.3 Standard normal distribution 801 A.4 Student s t-distribution 802 A.5 Chi-squared
상대론적고에너지중이온충돌에서 제트입자와관련된제동복사 박가영 인하대학교 윤진희교수님, 권민정교수님
상대론적고에너지중이온충돌에서 제트입자와관련된제동복사 박가영 인하대학교 윤진희교수님, 권민정교수님 Motivation Bremsstrahlung is a major rocess losing energies while jet articles get through the medium. BUT it should be quite different from low energy
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ ΣΧΟΛΗ ΜΗΧΑΝΙΚΩΝ ΠΕΡΙΒΑΛΛΟΝΤΟΣ
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ ΣΧΟΛΗ ΜΗΧΑΝΙΚΩΝ ΠΕΡΙΒΑΛΛΟΝΤΟΣ Τομέας Περιβαλλοντικής Υδραυλικής και Γεωπεριβαλλοντικής Μηχανικής (III) Εργαστήριο Γεωπεριβαλλοντικής Μηχανικής TECHNICAL UNIVERSITY OF CRETE SCHOOL of
Lifting Entry (continued)
ifting Entry (continued) Basic planar dynamics of motion, again Yet another equilibrium glide Hypersonic phugoid motion Planar state equations MARYAN 1 01 avid. Akin - All rights reserved http://spacecraft.ssl.umd.edu
Simon 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
Research on Economics and Management
36 5 2015 5 Research on Economics and Management Vol. 36 No. 5 May 2015 490 490 F323. 9 A DOI:10.13502/j.cnki.issn1000-7636.2015.05.007 1000-7636 2015 05-0052 - 10 2008 836 70% 1. 2 2010 1 2 3 2015-03
Appendix to On the stability of a compressible axisymmetric rotating flow in a pipe. By Z. Rusak & J. H. Lee
Appendi to On the stability of a compressible aisymmetric rotating flow in a pipe By Z. Rusak & J. H. Lee Journal of Fluid Mechanics, vol. 5 4, pp. 5 4 This material has not been copy-edited or typeset
ΙΕΥΘΥΝΤΗΣ: Καθηγητής Γ. ΧΡΥΣΟΛΟΥΡΗΣ Ι ΑΚΤΟΡΙΚΗ ΙΑΤΡΙΒΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΟΛΟΓΩΝ ΚΑΙ ΑΕΡΟΝΑΥΠΗΓΩΝ ΜΗΧΑΝΙΚΩΝ ΕΡΓΑΣΤΗΡΙΟ ΣΥΣΤΗΜΑΤΩΝ ΠΑΡΑΓΩΓΗΣ & ΑΥΤΟΜΑΤΙΣΜΟΥ / ΥΝΑΜΙΚΗΣ & ΘΕΩΡΙΑΣ ΜΗΧΑΝΩΝ ΙΕΥΘΥΝΤΗΣ: Καθηγητής Γ. ΧΡΥΣΟΛΟΥΡΗΣ Ι ΑΚΤΟΡΙΚΗ
UMI Number: All rights reserved
UMI Number: 3408360 All rights reserved INFORMATION TO ALL USERS The quality of this reproduction is dependent upon the quality of the copy submitted. In the unlikely event that the author did not send
5.6 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....................................................
«ΑΓΡΟΤΟΥΡΙΣΜΟΣ ΚΑΙ ΤΟΠΙΚΗ ΑΝΑΠΤΥΞΗ: Ο ΡΟΛΟΣ ΤΩΝ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ ΣΤΗΝ ΠΡΟΩΘΗΣΗ ΤΩΝ ΓΥΝΑΙΚΕΙΩΝ ΣΥΝΕΤΑΙΡΙΣΜΩΝ»
I ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΣΧΟΛΗ ΝΟΜΙΚΩΝ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΠΟΛΙΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΟΙΚΟΝΟΜΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΣΤΗΝ «ΔΙΟΙΚΗΣΗ ΚΑΙ ΟΙΚΟΝΟΜΙΑ» ΚΑΤΕΥΘΥΝΣΗ: ΟΙΚΟΝΟΜΙΚΗ
Εργαστήριο 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
ΜΔΛΔΣΖ ΔΝΓΟΣΡΑΥΤΝΖ Δ ΥΑΛΤΒΔ ΘΔΡΜΖ ΔΛΑΖ
ΔΘΝΗΚΟ ΜΔΣΟΒΗΟ ΠΟΛΤΣΔΥΝΔΗΟ ΔΙΑΣΜΗΜΑΣΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΣΑΠΣΤΥΙΑΚΩΝ ΠΟΤΔΩΝ (Δ.Π.Μ..): "ΔΠΗΣΖΜΖ ΚΑΗ ΣΔΥΝΟΛΟΓΗΑ ΤΛΗΚΧΝ" ΜΔΛΔΣΖ ΔΝΓΟΣΡΑΥΤΝΖ Δ ΥΑΛΤΒΔ ΘΔΡΜΖ ΔΛΑΖ ΜΕΣΑΠΣΤΥΙΑΚΗ ΕΡΓΑΙΑ ΕΔΡΒΑ ΑΗΜΗΛΗΑΝΟ Διπλωματούτος
Θέμα διπλωματικής εργασίας: «Από το «φρενοκομείο» στη Λέρο και την Ψυχιατρική Μεταρρύθμιση: νομικό πλαίσιο και ηθικοκοινωνικές διαστάσεις»
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΣΧΟΛΕΣ ΙΑΤΡΙΚΗΣ & ΟΔΟΝΤΙΑΤΡΙΚΗΣ ΤΜΗΜΑΤΑ ΝΟΜΙΚΗΣ & ΘΕΟΛΟΓΙΑΣ ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ «ΣΥΓΧΡΟΝΕΣ ΙΑΤΡΙΚΕΣ ΠΡΑΞΕΙΣ: ΔΙΚΑΙΙΚΗ ΡΥΘΜΙΣΗ ΚΑΙ ΒΙΟΗΘΙΚΗ
Supplementary Materials: A Preliminary Link between Hydroxylated Metabolites of Polychlorinated Biphenyls and Free Thyroxin in Humans
S1 of S11 Supplementary Materials: A Preliminary Link between Hydroxylated Metabolites of Polychlorinated Biphenyls and Free Thyroxin in Humans Eveline Dirinck, Alin C. Dirtu, Govindan Malarvannan, Adrian
Statistical 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
2 4 5
f Æ 2 4 5 6 e D S. 7 8 9 : H ; BhL Ä,giU W? i?t ),giu 2 b 6 6 6 6 6 6 6 6 6 f < 43 3 3 2 2 2 44 45 46 w wã4 w wã4 BhL Ä,giU W? i?t ),giu 2 e D S ^ 2 M^ e D S ^ M^ Figure 1 US GDP and Exports, 1980-1994
6. MAXIMUM LIKELIHOOD ESTIMATION
6 MAXIMUM LIKELIHOOD ESIMAION [1] Maximum Likelihood Estimator (1) Cases in which θ (unknown parameter) is scalar Notational Clarification: From now on, we denote the true value of θ as θ o hen, view θ
Cite as: Pol Antras, course materials for International Economics I, Spring MIT OpenCourseWare (http://ocw.mit.edu/), Massachusetts
/ / σ/σ σ/σ θ θ θ θ y 1 0.75 0.5 0.25 0 0 0.5 1 1.5 2 θ θ θ x θ θ Φ θ Φ θ Φ π θ /Φ γφ /θ σ θ π θ Φ θ θ Φ θ θ θ θ σ θ / Φ θ θ / Φ / θ / θ Normalized import share: (Xni / Xn) / (XII / XI) 1 0.1 0.01 0.001
MATHACHij = γ00 + u0j + rij
Stata output for Hierarchical Linear Models. ***************************************. * Unconditional Random Intercept Model. *************************************** MATHACHij = γ00 + u0j + rij. mixed
the total number of electrons passing through the lamp.
1. A 12 V 36 W lamp is lit to normal brightness using a 12 V car battery of negligible internal resistance. The lamp is switched on for one hour (3600 s). For the time of 1 hour, calculate (i) the energy
MnZn. MnZn Ferrites with Low Loss and High Flux Density for Power Supply Transformer. Abstract:
MnZn JFE No. 8 5 6 p. 32 37 MnZn Ferrites with Low Loss and High Flux Density for Power Supply Transformer FUJITA Akira JFE Ph. D. FUKUDA Yutaka JFE NISHIZAWA Keitarou JFE TOGAWA Jirou MnZn Fe2O3 1 C NiO
Web-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,
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ
i ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ: ΣΥΣΤΗΜΑΤΩΝ ΗΛΕΚΤΡΙΚΗΣ ΕΝΕΡΓΕΙΑΣ ΕΡΓΑΣΤΗΡΙΟ ΠΑΡΑΓΩΓΗΣ ΜΕΤΑΦΟΡΑΣ ΔΙΑΝΟΜΗΣ ΚΑΙ ΧΡΗΣΙΜΟΠΟΙΗΣΕΩΣ ΗΛΕΚΤΡΙΚΗΣ ΕΝΕΡΓΕΙΑΣ ΔΙΠΛΩΜΑΤΙΚΗ
CORDIC Background (4A)
CORDIC Background (4A Copyright (c 20-202 Young W. Lim. Permission is granted to copy, distribute and/or modify this document under the terms of the GNU Free Documentation License, Version.2 or any later
Παραμύθια τησ Χαλιμϊσ, τομ. A Σελύδα 1
Παραμύθια τησ Χαλιμϊσ, τομ. A Σελύδα 1 Παραμύθια τησ Χαλιμϊσ, τομ. A Σελύδα 2 Dervish Abu Bekr, «Παραμύθια τησ Χαλιμϊσ, τομ. Α» Ιούνιοσ 2013 Φωτo εξωφύλλου: Βαςιλεύα Αςπαςύα Μαςούρα Επιμϋλεια ϋκδοςησ:
UNIVERSITY OF CALIFORNIA. EECS 150 Fall ) You are implementing an 4:1 Multiplexer that has the following specifications:
UNIVERSITY OF CALIFORNIA Department of Electrical Engineering and Computer Sciences EECS 150 Fall 2001 Prof. Subramanian Midterm II 1) You are implementing an 4:1 Multiplexer that has the following specifications:
A Bonus-Malus System as a Markov Set-Chain. Małgorzata Niemiec Warsaw School of Economics Institute of Econometrics
A Bonus-Malus System as a Markov Set-Chain Małgorzata Niemiec Warsaw School of Economics Institute of Econometrics Contents 1. Markov set-chain 2. Model of bonus-malus system 3. Example 4. Conclusions
Εβδομαδιαίο Εκπαιδευτικό Πρόγραμμα
ΈΤΟΣ 2012 2013 ΕβδομαδιαίοΕκπαιδευτικόΠρόγραμμα ΟΡΘΟΠΑΙΔΙΚΗΚΛΙΝΙΚΗΓ.Ν.ΛΙΒΑΔΕΙΑΣ The image part with relationship ID rid8 was not found in the file. ΣυντονιστήςΔιευθυντής:Ι.Π.Σοφιανός ΣΕΠΤΕΜΒΡΙΟΣ2012 19/09/2012
Dynamic types, Lambda calculus machines Section and Practice Problems Apr 21 22, 2016
Harvard School of Engineering and Applied Sciences CS 152: Programming Languages Dynamic types, Lambda calculus machines Apr 21 22, 2016 1 Dynamic types and contracts (a) To make sure you understand the
ΕΙΣΑΓΩΓΗ 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
Estimation for ARMA Processes with Stable Noise. Matt Calder & Richard A. Davis Colorado State University
Estimation for ARMA Processes with Stable Noise Matt Calder & Richard A. Davis Colorado State University rdavis@stat.colostate.edu 1 ARMA processes with stable noise Review of M-estimation Examples of
Άσκηση 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
: 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.
ΠΕΡΙΛΗΨΗ. Λέξεις κλειδιά: Υγεία και συμπεριφορές υγείας, χρήση, ψυχότροπες ουσίες, κοινωνικό κεφάλαιο.
Α.Τ.Ε.Ι. ΚΡΗΤΗΣ Σ.Ε.Υ.Π. ΤΜΗΜΑ ΚΟΙΝΩΝΙΚΗΣ ΕΡΓΑΣΙΑΣ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ Τίτλος: «Χρήση ψυχοτρόπων ουσιών από μαθητές Α Λυκείου της Δευτεροβάθμιας Εκπαίδευσης του Νομού Ηρακλείου και ο ρόλος του Κοινωνικού
Matrices 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
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΤΜΗΜΑ ΟΔΟΝΤΙΑΤΡΙΚΗΣ ΕΡΓΑΣΤΗΡΙΟ ΟΔΟΝΤΙΚΗΣ ΚΑΙ ΑΝΩΤΕΡΑΣ ΠΡΟΣΘΕΤΙΚΗΣ
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΤΜΗΜΑ ΟΔΟΝΤΙΑΤΡΙΚΗΣ ΕΡΓΑΣΤΗΡΙΟ ΟΔΟΝΤΙΚΗΣ ΚΑΙ ΑΝΩΤΕΡΑΣ ΠΡΟΣΘΕΤΙΚΗΣ ΣΥΓΚΡΙΤΙΚΗ ΜΕΛΕΤΗ ΤΗΣ ΣΥΓΚΡΑΤΗΤΙΚΗΣ ΙΚΑΝΟΤΗΤΑΣ ΟΡΙΣΜΕΝΩΝ ΠΡΟΚΑΤΑΣΚΕΥΑΣΜΕΝΩΝ ΣΥΝΔΕΣΜΩΝ ΑΚΡΙΒΕΙΑΣ
Solutions to Exercise Sheet 5
Solutions to Eercise Sheet 5 jacques@ucsd.edu. Let X and Y be random variables with joint pdf f(, y) = 3y( + y) where and y. Determine each of the following probabilities. Solutions. a. P (X ). b. P (X
VBA 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
EE512: 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
Solution 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
Lifting Entry 2. Basic planar dynamics of motion, again Yet another equilibrium glide Hypersonic phugoid motion MARYLAND U N I V E R S I T Y O F
ifting Entry Basic planar dynamics of motion, again Yet another equilibrium glide Hypersonic phugoid motion MARYAN 1 010 avid. Akin - All rights reserved http://spacecraft.ssl.umd.edu ifting Atmospheric
ΠΑΝΔΠΗΣΖΜΗΟ 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
ΠΣΤΥΙΑΚΗ 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
Δυσκολίες που συναντούν οι μαθητές της Στ Δημοτικού στην κατανόηση της λειτουργίας του Συγκεντρωτικού Φακού
ΜΟΥΡΑΤΙΔΗΣ ΧΑΡΑΛΑΜΠΟΣ Δυσκολίες που συναντούν οι μαθητές της Στ Δημοτικού στην κατανόηση της λειτουργίας του Συγκεντρωτικού Φακού Μεταπτυχιακή Εργασία Ειδίκευσης που υποβλήθηκε στο πλαίσιο του Προγράμματος
ΔΙΑΜΟΡΦΩΣΗ ΣΧΟΛΙΚΩΝ ΧΩΡΩΝ: ΒΑΖΟΥΜΕ ΤΟ ΠΡΑΣΙΝΟ ΣΤΗ ΖΩΗ ΜΑΣ!
ΔΙΑΜΟΡΦΩΣΗ ΣΧΟΛΙΚΩΝ ΧΩΡΩΝ: ΒΑΖΟΥΜΕ ΤΟ ΠΡΑΣΙΝΟ ΣΤΗ ΖΩΗ ΜΑΣ! ΘΥΜΑΡΑ Μ. Μ. 11 Ο Γυμνάσιο Πειραιά, Δ/νση Β/Θμιας Εκπ/σης Πειραιά e-mail: margthym@yahoo.gr ΠΕΡΙΛΗΨΗ Το πρόγραμμα της διαμόρφωσης των σχολικών
ΚΥΠΡΙΑΚΗ ΕΤΑΙΡΕΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ 19/5/2007
Οδηγίες: Να απαντηθούν όλες οι ερωτήσεις. Αν κάπου κάνετε κάποιες υποθέσεις να αναφερθούν στη σχετική ερώτηση. Όλα τα αρχεία που αναφέρονται στα προβλήματα βρίσκονται στον ίδιο φάκελο με το εκτελέσιμο
Αλγοριθµική και νοηµατική µάθηση της χηµείας: η περίπτωση των πανελλαδικών εξετάσεων γενικής παιδείας 1999
Αλγοριθµική και νοηµατική µάθηση της χηµείας: η περίπτωση των πανελλαδικών εξετάσεων γενικής παιδείας 1999 Γεώργιος Τσαπαρλής, ηµήτριος Σταµοβλάσης, Χαράλαµπος Καµηλάτος, Εριφύλη Ζαρωτιάδου, ηµήτριος Παπαοικονόµου
ANSWERSHEET (TOPIC = DIFFERENTIAL CALCULUS) COLLECTION #2. h 0 h h 0 h h 0 ( ) g k = g 0 + g 1 + g g 2009 =?
Teko Classes IITJEE/AIEEE Maths by SUHAAG SIR, Bhopal, Ph (0755) 3 00 000 www.tekoclasses.com ANSWERSHEET (TOPIC DIFFERENTIAL CALCULUS) COLLECTION # Question Type A.Single Correct Type Q. (A) Sol least
ΣΔΥΝΟΛΟΓΗΚΟ ΔΚΠΑΗΓΔΤΣΗΚΟ ΗΓΡΤΜΑ ΗΟΝΗΧΝ ΝΖΧΝ «ΗΣΟΔΛΗΓΔ ΠΟΛΗΣΗΚΖ ΔΠΗΚΟΗΝΧΝΗΑ:ΜΔΛΔΣΖ ΚΑΣΑΚΔΤΖ ΔΡΓΑΛΔΗΟΤ ΑΞΗΟΛΟΓΖΖ» ΠΣΤΥΗΑΚΖ ΔΡΓΑΗΑ ΔΤΑΓΓΔΛΗΑ ΣΔΓΟΤ
[Type the abstract of the document here. The abstract is typically a short summary of the contents of the document. Type the abstract of the document here. The abstract is typically a short summary of
ΜΕΤΑΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ :
ΓΕΩΠΟΝΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΕΠΙΣΤΗΜΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ ΤΡΟΦΙΜΩΝ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ «ΕΠΙΣΤΗΜΗ & ΤΕΧΝΟΛΟΓΙΑ ΤΡΟΦΙΜΩΝ & ΔΙΑΤΡΟΦΗ ΤΟΥ ΑΝΘΡΩΠΟΥ» ΕΡΓΑΣΤΗΡΙΟ: ΧΗΜΕΙΑΣ ΚΑΙ ΑΝΑΛΥΣΗΣ ΤΡΟΦΙΜΩΝ
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΤΕΧΝΟΛΟΓΙΑΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΥΠΟΛΟΓΙΣΤΩΝ Σημασιολογική Συσταδοποίηση Αντικειμένων Με Χρήση Οντολογικών Περιγραφών.
ΕΙΣΑΓΩΓΗ. Ιωάννης ΜΠΑΛΑΦΑΣ 1. Λέξεις κλειδιά: προεντεταμένες γέφυρες, προφίλ, τένοντας, ομοιόμορφη διατομή
Περιορισμοί Προέντασης σε Συνεχόμενες Προεντεταμένες Γέφυρες Σταθερού Προφίλ Prestressing Constraints in Continuous Concrete Bridges with Uniform Sections Ιωάννης ΜΠΑΛΑΦΑΣ 1 Λέξεις κλειδιά: προεντεταμένες
CORDIC Background (2A)
CORDIC Background 2A Copyright c 20-202 Young W. Lim. Permission is granted to copy, distribute and/or modify this document under the terms of the GNU Free Documentation License, Version.2 or any later
ΖΩΝΟΠΟΙΗΣΗ ΤΗΣ ΚΑΤΟΛΙΣΘΗΤΙΚΗΣ ΕΠΙΚΙΝΔΥΝΟΤΗΤΑΣ ΣΤΟ ΟΡΟΣ ΠΗΛΙΟ ΜΕ ΤΗ ΣΥΜΒΟΛΗ ΔΕΔΟΜΕΝΩΝ ΣΥΜΒΟΛΟΜΕΤΡΙΑΣ ΜΟΝΙΜΩΝ ΣΚΕΔΑΣΤΩΝ
EΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΕΙΟ Τμήμα Μηχανικών Μεταλλείων-Μεταλλουργών ΖΩΝΟΠΟΙΗΣΗ ΤΗΣ ΚΑΤΟΛΙΣΘΗΤΙΚΗΣ ΕΠΙΚΙΝΔΥΝΟΤΗΤΑΣ ΜΕ ΤΗ ΣΥΜΒΟΛΗ ΔΕΔΟΜΕΝΩΝ ΣΥΜΒΟΛΟΜΕΤΡΙΑΣ ΜΟΝΙΜΩΝ ΣΚΕΔΑΣΤΩΝ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ Κιτσάκη Μαρίνα
Απόκριση σε Μοναδιαία Ωστική Δύναμη (Unit Impulse) Απόκριση σε Δυνάμεις Αυθαίρετα Μεταβαλλόμενες με το Χρόνο. Απόστολος Σ.
Απόκριση σε Δυνάμεις Αυθαίρετα Μεταβαλλόμενες με το Χρόνο The time integral of a force is referred to as impulse, is determined by and is obtained from: Newton s 2 nd Law of motion states that the action
Biodiesel quality and EN 14214:2012
3η Ενότητα: «Αγορά Βιοκαυσίμων στην Ελλάδα: Τάσεις και Προοπτικές» Biodiesel quality and EN 14214:2012 Dr. Hendrik Stein Pilot Plant Manager, ASG Analytik Content Introduction Development of the Biodiesel
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΚΡΗΤΗΣ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ (ΣΔΟ) ΤΜΗΜΑ ΛΟΓΙΣΤΙΚΗΣ ΚΑΙ ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΗΣ
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΚΡΗΤΗΣ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ (ΣΔΟ) ΤΜΗΜΑ ΛΟΓΙΣΤΙΚΗΣ ΚΑΙ ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΗΣ «ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΗ ΑΝΑΛΥΣΗ ΛΟΓΙΣΤΙΚΩΝ ΚΑΤΑΣΤΑΣΕΩΝ ΤΩΝ ΕΤΑΙΡΕΙΩΝ ΚΡΕΤΑ ΦΑΡΜ Α.Β.Ε.Ε. &
«Συμπεριφορά μαθητών δευτεροβάθμιας εκπαίδευσης ως προς την κατανάλωση τροφίμων στο σχολείο»
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΓΕΩΠΟΝΙΚΗ ΣΧΟΛΗ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΕΙΔΙΚΕΥΣΗ «ΑΓΡΟΤΙΚΗ ΟΙΚΟΝΟΜΙΑ» «Συμπεριφορά μαθητών δευτεροβάθμιας εκπαίδευσης ως προς την κατανάλωση τροφίμων στο
Generalized 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
.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 rate.3
ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ "ΖΗΤΗΜΑΤΑ ΠΟΥ ΑΝΤΙΜΕΤΩΠΙΖΟΥΝ ΟΙ ΓΥΝΑΙΚΕΣ ΕΡΓΑΖΟΜΕΝΕΣ ΣΤΟ ΣΥΓΧΡΟΝΟ ΕΠΙΧΕΙΡΗΣΙΑΚΟ ΠΕΡΙΒΑΛΛΟΝ"
ΤΕΙ ΚΡΗΤΗΣ ΣΧΟΛΗ: ΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ: ΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ "ΖΗΤΗΜΑΤΑ ΠΟΥ ΑΝΤΙΜΕΤΩΠΙΖΟΥΝ ΟΙ ΓΥΝΑΙΚΕΣ ΕΡΓΑΖΟΜΕΝΕΣ ΣΤΟ ΣΥΓΧΡΟΝΟ ΕΠΙΧΕΙΡΗΣΙΑΚΟ ΠΕΡΙΒΑΛΛΟΝ" ΕΠΙΒΛΕΠΟΥΣΑ κα. ΠΑΠΑΣΤΕΦΑΝΑΚΗ
Example Sheet 3 Solutions
Example Sheet 3 Solutions. i Regular Sturm-Liouville. ii Singular Sturm-Liouville mixed boundary conditions. iii Not Sturm-Liouville ODE is not in Sturm-Liouville form. iv Regular Sturm-Liouville note