Εφαρμοσμένη Στατιστική Δημήτριος Μπάγκαβος Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Πανεπισ τήμιο Κρήτης 13 Μαρτίου /31
|
|
- Τίμαιος Παπαδόπουλος
- 5 χρόνια πριν
- Προβολές:
Transcript
1 Εφαρμοσμένη Στατιστική Δημήτριος Μπάγκαβος Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Πανεπιστήμιο Κρήτης 13 Μαρτίου /31
2 Βασικοί ορισμοί. Ορισμός 1: Τυχαίο δείγμα. Τυχαίο δείγμα μεγέθους n από την κατανομή F(x; θ) (ή σ.π.π. f(x; θ)) καλείται μια συλλογή ανεξάρτητων και ισόνομων τυχαίων μεταβλητών X 1, X 2,..., X n F(x; θ) (ή ισοδύναμα f(x; θ)). Το τυχαίο δείγμα είναι στην ουσία μετρήσεις μιας τυχαίας μεταβλητής X f(x; θ). Π.χ. αν μας ενδιαφέρει το εισόδημα X των νοικοκυριών της Ελλάδας, η f(x; θ) είναι η κατανομή των εισοδημάτων όλων των νοικοκυριών της χώρας και οι X 1, X 2,..., X n είναι μετρήσεις που πήραμε ρωτώντας στην τύχη (αντιπροσωπευτικά) n νοικοκυριά. Ορισμός 2: Δειγματοληπτικός χώρος. Δειγματοληπτικός χώρος καλείται το σύνολο των δυνατών τιμών του δείγματος (π.χ. αν X R, τότε ο δειγματοληπτικός χώρος είναι ο R n ). Επίσης, παραμετρικός χώρος Θ καλείται το σύνολο των επιτρεπτών τιμών των παραμέτρων θ (π.χ. αν θ = (µ, σ 2 ) τότε ο παραμετρικός χώρος είναι ο R (0, )). 2/31
3 Βασικοί ορισμοί. Ορισμός 3: Στατιστική (ή δειγματική) συνάρτηση. Εστω τυχαίο δείγμα X 1, X 2,..., X n F(x; θ). Στατιστική (ή δειγματική) συνάρτηση (σ.σ.) καλείται κάθε μετρήσιμη συνάρτηση T = T(X) = T(X 1, X 2,..., X n ) των X 1, X 2,..., X n, που δεν εξαρτάται από άγνωστες παραμέτρους. Οι πλέον συνήθεις στατιστικές συναρτήσεις που εμφανίζονται σε προβλήματα της Στατιστικής είναι οι επόμενες: X = n 1 X, m r = n 1 X r, σ2 = n 1 (X X) 2. Π.χ. αν μας ενδιαφέρει να εκτιμήσουμε το χρόνο ζωής των παραγόμενων λαμπών μιας εταιρείας τότε είναι λογικό να πάρουμε δείγμα n λαμπών, και να χρησιμοποιήσουμε το μέσο όρο τους X ως εκτιμήτρια του χρόνου ζωής μιας οποιασδήποτε λάμπας. Προφανώς, μία εκτιμήτρια συνάρτηση T(X) είναι και αυτή μία τυχαία μεταβλητή (κάθε φορά που παίρνουμε ένα άλλο τυχαίο δείγμα X η T δίνει διαφορετική τιμή). 3/31
4 Βασικοί ορισμοί. Σημαντική παρατήρηση: Πως συνδέονται οι στατιστικές συναρτήσεις ( X, mr, σ 2, κ.λ.π.) που μελετάμε με το γεγονός ότι οι παρατηρήσεις X 1, X 2,..., X n που τις απαρτίζουν θεωρούνται ανεξάρτητες και ισόνομες προερχόμενες από κατανομή f(x; θ); Απάντηση: Καταρχήν παρατηρούμε ότι οι εν λόγω συναρτήσεις ορίζονται (όλες) ως κάποιας μορφής άθροισμα των X 1, X 2,..., X n. Ιδιότητα ανεξαρτησίας: Το ότι οι X 1, X 2,..., X n είναι ανεξάρτητες σημαίνει ότι V f(x ) = V(f(X )) (1) όπου f κάποια συνάρτηση των X : για παράδειγμα: στην περίπτωση του X, f(x) = x στην περίπτωση του mr, f(x) = x r στην περίπτωση του σ2, f(x) = (x X) 2 Η σχέση E f(x ) = Ef(X ), (2) ισχύει ανεξάρτητα του αν οι X 1, X 2,..., X n είναι ανεξάρτητες ή όχι. 4/31
5 Βασικοί ορισμοί. Η (1) είναι συνέπεια του ότι για 2 ανεξάρτητες τ.μ. X, Y, V(X + Y) = V(X) + V(Y). Τι ισχύει αν X, Y δεν είναι ανεξάρτητες; Ιδιότητα ισονομίας: Το ότι οι X 1, X 2,..., X n είναι ισόνομες σημαίνει ότι η κάθε μία από τις X ακολουθεί ίδια ακριβώς κατανομή (με ίδιες παραμέτρους) με τις άλλες. Δηλαδή η κάθε μια από τις X έχει ίδια μέση τιμή και διακύμανση με τις άλλες. Με άλλα λόγια EX 1 = EX 2 = = EX n = µ (3) όπου µ είναι η μέση τιμή της κοινής τους κατανομής και μπορεί να είναι είτε παράμετρος της κατανομής (όπως στην περίπτωση της κανονικής) είτε να υπολογίζεται συναρτήσει των παραμέτρων της κατανομής όπως στην περίπτωση της ομοιόμορφης. Φυσικά, ισχύει και ότι V(X 1 ) = V(X 2 ) = = V(X n ) = σ 2 (4) Οι (1), (3), (4) δεν ισχύουν αν οι X 1, X 2,..., X n δεν είναι ισόνομες. Μη ισονομία σημαίνει ότι οι X προέρχονται από την ίδια κατανομή αλλά με διαφορετικές παραμέτρους: X f(x; θ ), = 1,..., n και θ 1 θ 2 θ n. 5/31
6 Βασικοί ορισμοί. Οι τιμές που παίρνει μια στατιστική συνάρτηση θα πρέπει να βρίσκονται εντός του παραμετρικού χώρου Θ στον οποίο κινείται η παράμετρος θ Ορισμός 4. Εκτιμήτρια συνάρτηση. Εκτιμήτρια συνάρτηση της παραμέτρου θ (ή των παραμέτρων θ ή μιας παραμετρικής συνάρτησης g(θ)) θα καλείται μία σ.σ. T = T(X) η οποία χρησιμοποιείται για την εκτίμηση του θ (ή των θ ή του g(θ)). Για ένα τυχαίο δείγμα X μπορούμε να κατασκευάσουμε πολλές εκτιμήτριες για μια παράμετρο θ (π.χ. οι X, X1, (X (n) X (1) )/2, θα μπορούσαν να προταθούν ως εκτιμήτριες του μέσου µ ενός κανονικού πληθυσμού). Το ερώτημα είναι ποιες θεωρούνται «καλές» ή ποια είναι η «καλύτερη» από όλες. Διαισθητικά, αναμένουμε ότι μια «καλή εκτιμήτρια» T του θ θα λαμβάνει τιμές 1. «γύρω» από το θ και 2. «κοντά» στο θ με «μεγάλη» πιθανότητα. 6/31
7 Ιδιότητες εκτιμητών. Για το 1 απαιτούμε η τυχαία μεταβλητή T να έχει μέση τιμή θ ή «σχεδόν» θ Για το 2 απαιτούμε η τυχαία μεταβλητή T να έχει «μικρή» διασπορά. Π.χ. η δίπλα εικόνα έχει την κατανομή των τιμών τριών εκτιμητών της μέσης τιμής ενός πληθυσμού. Η πραγματική μέση τιμή είναι 0. Ποιόν εκτιμητή θα επιλέγατε; dnorm(x, 0, 1) Πρακτική Άσκηση 1: Παράγετε 20 δείγματα 20 παρατηρήσεων έκαστο από την N(2, 2 2 ) κατανομή. 1. εκτιμήστε την μέση τιμή κάθε δείγματος 2. κάντε τη γραφική παράσταση της κατανομής των τιμών 3. επαναλάβετε την άσκηση χρησιμοποιώντας ως εκτιμητή της μέσης τιμής την συνάρτηση (X mn + X max )/2 4. συγκρίνετε τις δύο κατανομές και διατυπώστε τα συμπεράσματα σας x 7/31
8 Αμερόληπτες εκτιμήτριες. Ορισμός 5: Αμερόληπτη εκτιμήτρια. Μία εκτιμήτρια συνάρτηση T της g(θ) καλείται αμερόληπτη εκτιμήτρια (α.ε.) εάν E(T) = E(T(X)) = g(θ) για κάθε θ. Η T θα λέγεται ασυμπτωτικά αμερόληπτη αν lm E(T(X)) = g(θ) για κάθε θ. n + Η διαφορά bas(t) = E(T) g(θ) καλείται μεροληψία της εκτιμήτριας T. Η μεροληψία μιας α.ε. είναι 0. Παράδειγμα 1: Εστω δείγμα X 1,..., X n από την ομοιόμορφη κατανομή U(0, θ), θ (0, + ). Δείξτε ότι μια αμερόληπτη εκτιμήτρια του θ είναι η T(X) = 2n 1 X. Απάντηση: Εχουμε ET(X) = 2n 1 E X = 2n 1 (3) ( ) EX = 2EX 1 = 2(θ + 0)/2 = θ ( ) για X U(a, b), EX = (a + b)/2. 8/31
9 Παράδειγμα. Παράδειγμα 2: Εάν X = (X 1, X 2 ) είναι ένα τυχαίο δείγμα από μια κατανομή με διασπορά σ 2, να δειχθεί ότι η στατιστική συνάρτηση (X 1 X 2 ) 2 /2 είναι αμερόληπτος εκτιμητής του σ 2. Απάντηση: Εχουμε ET(X) = 1 2 E(X 1 X 2 ) 2 = 1 2 E(X X 2 2 2X 1X 2 ) ( ) = Ορισμός διακύμ. 1 2 EX EX 2 2 (EX 1) 2 ( ) = EX 2 1 (EX 1) 2 = V(X 1 ) = σ 2. ( ) Οι X 1, X 2 είναι ανεξάρτητες άρα E(X 1 X 2 ) = (EX 1 )(EX 2 ) = (EX 1 ) 2 και ( ) EX 2 1 = EX 2 2 (γιατί;). Αν έχουμε ένα τυχαίο δείγμα X 1, X 2,..., X n F(x; θ) με μέση τιμή µ και διασπορά σ 2, δηλ. σε αυτή την περίπτωση θ = (µ, σ 2 ) τότε αποδεικνύονται οι ακόλουθες προτάσεις: Πρόταση 1. Ο δειγματικός μέσος X είναι α.ε. της μέσης τιμής µ με διασπορά V( X) = n 1 σ 2. 9/31
10 Αμερόληπτες εκτιμήτριες. Απόδειξη: Για την αμεροληψία, η βασική εξίσωση της απόδειξης είναι: E( X) = E 1 n X = 1 n EX = EX 1 = µ (5) Ερώτηση: Τι πρέπει να υποθέσουμε για το δείγμα: X 1, X 2,..., X n για να ισχύει η απόδειξη; Βοήθεια: Χρησιμοποιούμε πουθενά στην (5) την ανεξαρτησία του δείγματος; Την ισονομία; Είναι απαραίτητο να υποθέσουμε είτε ότι X F(x; µ, σ 2 ) ή X F(x; θ), = 1,..., n ή μήπως δεν χρειαζόμαστε τίποτα από τα δύο; Για την διακύμανση, 1 V( X) = V n γιατί; γιατί; X = 1 V(X )= n 1 σ 2 n 2 10/31
11 Παράδειγμα. Παράδειγμα 3: Εστω δείγμα X 1,..., X n από την ομοιόμορφη κατανομή U(0, θ), θ (0, + ). Να βρεθεί αμερόληπτος εκτιμητής του θ 2. Απάντηση: Με βάση την παραπάνω πρόταση, και βάση του ότι η διακύμανση της ομοιόμορφης κατανομής είναι θ 2 /12 περιμένουμε ο ζητούμενος εκτιμητής να είναι κάποια συνάρτηση του ˆσ 2. Πράγματι, για X U(0, θ) Eˆσ 2 = E 1 (X X) 2 = 1 n n E X 2 2 n n X 2 X + n X = 1 n E X 2 2n X n X = EX 2 2 ne X = EX 2 1 E X 2. (6) Εφόσον το δείγμα είναι από ομοιόμορφη κατανομή, έχουμε EX 1 = θ/2 και V(X 1 ) = θ2 οπότε 12 V(X 1) = EX 2 1 (EX 1) 2 EX 2 1 = θ2. Ομοίως, 3 V( X) = E X 2 (E X) 2 οπότε E X 2 = θ2 + θ2 = θ2 (1+3n). Η (6) δίνει, 12n 4 12n Eˆσ 2 = θ2 3 θ2 (1 + 3n) = 4nθ2 θ 2 3nθ 2 = θ2 (n 1) 12n 12n 12n Οπότε, αμέσως προκύπτει ότι E(12n(n 1) 1 ˆσ 2 ) = θ 2 που είναι ο ζητούμενος α.ε. 11/31
12 Αμερόληπτες εκτιμήτριες. Πρόταση 2. Η δειγματική διασπορά S 2 είναι α.ε. της διασποράς σ 2. E(S 2 ) = E 1 (X X) 2 = 1 n 1 n 1 E X 2 2 n n X 2 X + n X = 1 n 1 E X 2 2 n X = 1 n 1 EX 2 2 ne X = n n 1 (EX 2 1 E X 2 ), γιατί εφόσον X 1, X 2,..., X n F(x; θ) και ισόνομες, κάθε X έχει μέση τιμή µ διακύμανση σ 2. Επειδή V(X) = EX 2 (EX) 2 έχουμε ότι EX 2 1 = V(X 1) + (EX 1 ) 2 = σ 2 + µ 2, E X 2 = V( X) + (E X) 2 = n 1 σ 2 + µ 2. Άρα τελικά, E(S 2 ) = n n 1 (σ2 + µ 2 n 1 σ 2 µ 2 ) = n n 1 (1 n 1 )σ 2 = σ 2. Αν δεν χρησιμοποιούμε αμερόληπτες ή σχεδόν αμερόληπτες εκτιμήτριες θα έχουμε υποεκτίμηση ή υπερεκτίμηση του g(θ). Μπορεί να υπάρχουν πολλές αμερόληπτες εκτιμήτριες για μία παράμετρο θ, όλες με μέση τιμή θ. 12/31
13 Αποτελεσματικότητα, Α.Ο.Ε.Δ. εκτίμηση. Το ερώτημα επομένως που τίθεται είναι ποια είναι η καλύτερη; Για τη σύγκριση μεταξύ εκτιμητριών δίνονται οι ακόλουθοι ορισμοί. Ορισμός 6: Αποτελεσματικότητα. Αν T 1, T 2 είναι δύο α.ε. της g(θ), η T 1 θα καλείται αποτελεσματικότερη της T 2 εάν ισχύει ότι V(T 1 ) < V(T 2 ). Ορισμός 7: Α.Ο.Ε.Δ. εκτιμήτρια. Αν μία α.ε. T = T(X) έχει (για κάθε θ) τη μικρότερη διασπορά μεταξύ όλων των α.ε. του g(θ) (που μπορούν να κατασκευαστούν από το τυχαίο δείγμα X) τότε θα καλείται άριστη ή αμερόληπτη ομοιόμορφα ελαχίστης διασποράς (Α.Ο.Ε.Δ.) εκτιμήτρια του g(θ). Προφανώς, αν T 1 είναι Α.Ο.Ε.Δ. και T 2 είναι μια άλλη α.ε. του g(θ), τότε V(T 1 ) V(T 2 ). Συνήθως, προκειμένου να εκτιμήσουμε το g(θ), ως βέλτιστη εκτιμήτρια θεωρείται η Α.Ο.Ε.Δ. εκτιμήτρια (αν υπάρχει). 13/31
14 Μέτρο πληροφορίας Fsher, ανισότητα Cramer-Rao Για να σιγουρέψουμε ότι ένας εκτιμητής είναι Α.Ο.Ε.Δ., χρειαζόμαστε ένα κάτω φράγμα της διακύμανσης των α.ε. της υπό εκτίμησης ποσότητας. Αυτό το κάτω φράγμα μας το δίνει η ανισότητα Cramer-Rao. Ορισμός 8: ανισότητα Cramer-Rao Εστω ότι ισχύουν οι συνθήκες. και έστω t(θ) = E θ T(X) και t (θ) = θ E θt(x). Τότε V θ (T(X)) I 1 (θ) { t (θ) }2, θ Θ. Επιπλέον, αν η T(X) είναι αμερόληπτος εκτιμητής του g(θ) τότε V θ (T(X)) I 1 (θ) { g (θ) }2, θ Θ. Ορισμός 9: Πληροφορία Fsher. Για ένα δείγμα X 1, X 2,..., X n από μια κατανομή f(x; θ) η ποσότητα ln f(x; θ) I(θ) = E θ λέγεται μέτρο πληροφορίας του Fsher. 14/31
15 Συνέπεια. Επειδή το κάτω φράγμα Cramer-Rao επαληθεύεται δύσκολα στην πράξη, χρησιμοποιούμε εναλλακτικά μέτρα επιβεβαίωσης της εκτίμησης. Μια ιδιότητα που διαισθητικά αναμένουμε να έχει μια «καλή» εκτιμήτρια είναι αυτή της συνέπειας. Μια συνεπής εκτιμήτρια βελτιώνεται με την αύξηση του μεγέθους του δείγματος, και για πολύ μεγάλο δείγμα γίνεται πρακτικά ίση με την υπό εκτίμηση ποσότητα: Ορισμός 10: Συνέπεια. Μία εκτιμήτρια T n = T(X 1, X 2,..., X n ) μιας παραμετρικής συνάρτησης g(θ) καλείται συνεπής αν ισχύει lm P((T n g(θ)) < ε) = 1 για κάθε ε > 0 n + δηλαδή με άλλα λόγια η T n συγκλίνει κατά πιθανότητα στην g(θ) (T n g(θ) καθώς n +.) 15/31
16 Συνέπεια. Ενα απλό κριτήριο για τη συνέπεια μιας εκτιμήτριας δίνεται στην ακόλουθη πρόταση. Πρόταση 3. Μία εκτιμήτρια T n = T(X 1, X 2,..., X n ) μιας παραμετρικής συνάρτησης g(θ) είναι συνεπής αν ισχύει lm E(T n) = g(θ), n + lm V(T n) = 0. n + Παράδειγμα: Ο δειγματικός μέσος X ενός τυχαίου δείγματος X 1, X 2,..., X n F(x; µ), είναι συνεπής εκτιμήτρια του μέσου µ. Απάντηση: Πράγματι, από την Πρόταση 1 έχουμε lm E( X) = lm EX 1 = µ n + n + lm V( X) = lm n + n + n 1 σ 2 = 0, άρα ικανοποιούνται οι συνθήκες του ορισμού της συνέπειας. 16/31
17 Μέσο τετραγωνικό σφάλμα. Η ποσότητα T g(θ) ονομάζεται σφάλμα του εκτιμητή T. Είναι πιο σύνηθες να χρησιμοποιείται το τετράγωνο του σφάλματος γιατί έχει καλύτερες ιδιότητες. Ορισμός 11: Μέσο τετραγωνικό σφάλμα. Αν T είναι μια εκτιμήτρια του g(θ), η ποσότητα MSE(T) = E(T g(θ)) 2 = V(T) + bas 2 (T) καλείται μέσο τετραγωνικό σφάλμα της T από την g(θ). Ορισμός 12. Αν T 1, T 2 είναι δύο εκτιμήτριες της g(θ), η T 1 θα καλείται αποτελεσματικότερη της T 2 εάν ισχύει ότι MSE(T 1 ) < MSE(T 2 ). Από ένα σύνολο εκτιμητριών του g(θ), καλύτερη θεωρείται αυτή που έχει το μικρότερο μέσο τετραγωνικό σφάλμα. Το ζητούμενο είναι να βρεθεί μια εκτιμήτρια συνάρτηση T, η οποία θα ελαχιστοποιεί το μέσο τετραγωνικό σφάλμα. 17/31
18 Μέσο τετραγωνικό σφάλμα. Παράδειγμα: Να βρεθεί το μέσο τετραγωνικό σφάλμα του εκτιμητή T(X) = 12n(n 1) 1 ˆσ 2 του παραδείγματος 3. Απάντηση: T αμερόληπτος, άρα; MSE { T(X) } = bas 2 (T(X)) + V(T(X))= 12n V (n 1) 2 V(12n(n 1) 1 ˆσ 2 ) = 2 (X X) (1) = 144n2 (n 1) 4 = 144n2 (n 1) 4 ορισμός διακύμανσης V(X X)= {E(X X) 2 [ ] 2 } E(X X) = 144n3 (n 1) 4 { E(X 2 1 ) E X 2 } 144n3 (n 1) 4 γιατί κάνει 0; [ E(X - X) ] 2 = 144n3 (n 1) 4 θ 2 12 = 12n3 (n 1) 4 θ2. 18/31
19 Η μέθοδος της μέγιστης πιθανοφάνειας. Η πιο γνωστή μέθοδος εύρεσης μιας εκτιμήτριας για τις παραμέτρους θ μιας κατανομής F είναι η μέθοδος μέγιστης πιθανοφάνειας. Η μέθοδος αυτή είναι αρκετά ισχυρή διότι, με μία σχετικά απλή διαδικασία, οδηγεί σε εκτιμήτριες με πολύ καλές ιδιότητες - βασικά παράγει την πιο πιθανή να συμβεί στην πράξη εκτίμηση. Θεωρούμε ένα τυχαίο δείγμα X 1, X 2,..., X n από μία κατανομή με συνάρτηση σ.π. f(x; θ) που εξαρτάται από τις παραμέτρους θ = (θ 1,..., θ k ), και επιθυμούμε να εκτιμήσουμε το θ. Ορισμός 12: Συνάρτηση πιθανοφάνειας. Συνάρτηση πιθανοφάνειας ή πιθανοφάνεια του δείγματος X 1, X 2,..., X n καλείται η από κοινού σ.π. των X 1, X 2,..., X n θεωρούμενη ως συνάρτηση του θ, δηλαδή η n L X (θ) = f(x ; θ) 19/31
20 Η μέθοδος της μέγιστης πιθανοφάνειας. Ορισμός 13: εκτιμήτρια μέγιστης πιθανοφάνειας. Μία στατιστική συνάρτηση ˆθ καλείται εκτιμήτρια μέγιστης πιθανοφάνειας (ΕΜΠ) των παραμέτρων θ αν μεγιστοποιεί την πιθανοφάνεια L X (θ), δηλαδή, αν ισχύει ότι L X ( ˆθ) = sup L X (θ) θ Θ Ισοδύναμα, αντί να αναζητούμε το σημείο μεγίστου της L X (θ), είναι πιο εύκολο να αναζητούμε το σημείο μεγίστου της l(θ) = ln(l X (θ) (έχουν το ίδιο σημείο μεγίστου διότι η συνάρτηση ln είναι αύξουσα). Για k = 1 (δηλ. θ = θ), η συνάρτηση l(θ) παραγωγίζεται σε ολόκληρο τον παραμετρικό χώρο Θ οπότε μπορούμε να βρούμε το σημείο μεγίστου μέσα από τη λύση της εξίσωσης l (θ) = 0, ελέγχοντας παράλληλα ότι η δεύτερη παράγωγος l (θ) < 0. Για k 2, δηλ. όταν θ = (θ 1, θ 2,..., θ k ) έχουμε ένα πρόβλημα βελτιστοποίησης στο R k. 20/31
21 Η μέθοδος της μέγιστης πιθανοφάνειας. Δεδομένου ότι η l(θ) είναι παραγωγίσιμη στο Θ R k, σχηματίζουμε τις εξισώσεις l(θ) θ 1 = 0,..., l(θ) θ k = 0 η λύση του πιο πάνω συστήματος δίνει τον εκτιμητή μέγιστης πιθανόφάνειας ˆθ της θ, υπό τον όρο ότι αυτός ο εκτιμητής ικανοποιεί και την 2 l(θ) θ 2 1 < 0,..., 2 l(θ) θ 2 k < 0. Είναι πιθανό στη λύση ενός τέτοιου προβλήματος να μην υπάρχει πεπερασμένο μέγιστο, να υπάρχουν παραπάνω από ένα μέγιστα, η να έχουμε ακριβώς ένα μέγιστο. Αν ˆθ είναι η ΕΜΠ εκτιμήτρια της θ και g είναι αμφιμονοσήμαντη συνάρτηση, τότε η g( ˆθ) είναι η ΕΜΠ εκτιμήτρια της g(θ). Δείτε και τα παραδείγματα από το βιβλίο `Μαθηματική Στατιστική στο moodle για εφαρμογές. 21/31
22 Εκτίμηση με τη μέθοδο της μέγιστης πιθανοφάνειας. Άσκηση 1: Εστω τυχαίο δείγμα X 1, X 2,..., X n από την εκθετική κατανομή με σ.π.π. f(x; θ) = θ 1 exp{xθ 1 }, 0 x +, θ (0, + ) Να υπολογισθεί ο Ε.Μ.Π. για την παράμετρο θ. Λύση: Η συνάρτηση πιθανοφάνειας του δείγματος είναι: n n 1 X L(θ) = f(x ; θ) = θ = 1 θ n e 1 n θ X θ e Ο λογάριθμος της συνάρτησης πιθανοφάνειας είναι: ln L(θ) = n ln θ 1 X θ Παραγωγίζοντας και εξισώνοντας με το 0 παίρνουμε ln L(θ) θ = n θ + 1 X θ 2 = 0 θ = X. Για να επιβεβαιώσουμε ότι έχουμε πράγματι μέγιστο, 2 ln L(θ) θ 2 = n θ 2 2 θ 3 X θ= X = n X 2 2n X X 2 < 0. 22/31
23 Εκτίμηση με τη μέθοδο της μέγιστης πιθανοφάνειας. Άσκηση 2: Εστω τυχαίο δείγμα X 1, X 2,..., X n από την κανονική κατανομή με σ.π.π. f(x; θ 1, θ 2 ) = 1 θ2 1 2π exp { (x θ 1) 2 2θ 2 }, θ 1 +, θ 2 (0, + ) Να υπολογισθεί ο Ε.Μ.Π. για τις παραμέτρους θ = (θ 1, θ 2 ). Λύση: Η συνάρτηση πιθανοφάνειας του δείγματος είναι: n n 1 1 L(θ) = f(x ; θ) = exp { (X } θ 1 ) 2 θ2 2π 2θ 2 = 1 1 exp θ n 2 (2π) n 1 (X θ 1 ) 2 2θ 2. Ο λογάριθμος της συνάρτησης πιθανοφάνειας είναι: ln L(θ) = n 2 ln θ 2 n 2 ln(2π) 1 2θ 2 (X θ 1 ) 2. 23/31
24 Εκτίμηση με τη μέθοδο της μέγιστης πιθανοφάνειας. Άσκηση 2 συνέχεια: Παραγωγίζοντας και εξισώνοντας με το 0 παίρνουμε ln L(θ) θ 1 Επίσης, ln L(θ) θ 2 από όπου παίρνουμε = 2( 1) n (X θ 1 ) = 0 θ 2 (X θ 1 ) = 0 ˆθ 1 = X = n n + (X θ 1 ) 2 = 0 nθ 2θ 2 2θ (X θ 1 ) 2 = 0 2 ˆθ 2 = ˆσ 2 = n 1 2 (X X) Άσκηση: Επιβεβαιώστε ότι οι δεύτερες μερικές παράγωγοι ως προς θ 1 και θ 2 του λογάριθμου της συνάρτησης πιθανοφάνειας είναι αρνητικές οπότε όντως έχουμε βρει τα μέγιστα. 24/31
25 Εκτίμηση με τη μέθοδο της μέγιστης πιθανοφάνειας. Άσκηση 3: Εχουμε παρατηρήσεις X 1, X 2,..., X n οι οποίες αφορούν ώρες επιβίωσης συγκεκριμένων πλοίων σε συνθήκες πίεσης (τα δεδομένα δίνονται στο αρχείο data.csv στο moodle). Ενα συγκεκριμένο μοντέλο που χρησιμοποιείται για ανάλυση δεδομένων επιβίωσης είναι η κατανομή Webull. f(y; λ; θ) = λyλ 1 θ λ e ( y θ )λ, y > 0, όπου λ παράμετρος που καθορίζει το σχήμα της κατανομής, και θ παράμετρος που καθορίζει την κλίμακα. Για το συγκεκριμένο παράδειγμα ξέρουμε ότι λ = 2, δηλ. X 1, X 2,..., X n Webull(2, θ). Η συνάρτηση πιθανοφάνειας είναι η f(x 1,..., X n ; θ) = n λx λ 1 θ λ e ( X θ ) λ. (7) 25/31
26 Εκτίμηση με τη μέθοδο της μέγιστης πιθανοφάνειας. Ισοδύναμα μπορούμε να μεγιστοποιήσουμε το λογάριθμο της (7). Εχουμε L(θ) = log f(x 1,..., X n ; θ) = Παραγωγίζοντας, d L(θ) dθ (λ 1) log X + log λ λ log θ = 0 λ θ + λx λ θ λ+1 = λn θ + λ n X λ = 0 θ λ+1 λ=2 2n θ + 2 n X 2 = 0 n n θ 3 θ = X 2 θ 3 θ 2 = n 1 X 2 θ = n 1 ( ) λ X θ. X 2. 26/31
27 Εκτίμηση με τη μέθοδο της μέγιστης πιθανοφάνειας. Για να υλοποιήσουμε τη διαδικασία εκτίμησης στην R: lfetmes<-as.matrx(read.csv("data.csv", header = FALSE, sep = "")) thetause <-mean(lfetmes) #MLE estmate of theta loglkelhood <- functon(data, theta, lambda=2) #defne the log - lkelhood functon { logl <- sum((lambda -1)*log(data)+log(lambda)-lambda*log(theta)-(data/ theta)^lambda) return(logl) } theta1 <- seq(7000, 15000, by=100) # defne a range of parameters loglk <- rep(na, length(theta1)) # defne a vector to store results for ( n 1:length(theta1)) #calculate log -lkelhood for each theta { loglk[] <- loglkelhood(lfetmes, theta1[]) } plot(theta1, loglk, type="l") # plot the results Ερώτηση: Ποιος είναι ο εκτιμητής μέγιστης πιθανοφάνειας της θ; (τι νούμερο υπολογίσαμε στην R; - αντιστοιχεί στο μέγιστο που φαίνεται στο γράφημα της επόμενης σελίδας; 27/31
28 Εκτίμηση με τη μέθοδο της μέγιστης πιθανοφάνειας. Το γράφημα της παρουσιάζεται στο πιο κάτω σχήμα και παρατηρούμε ότι υπάρχει τιμή της θ η οποία μεγιστοποιεί την L(θ). loglk theta1 Η διαδικασία που δείχνουμε εδώ είναι χρήσιμη όταν δεν μπορούμε να βρούμε μέγιστο με αναλυτικό τρόπο οπότε χρησιμοποιούμε αριθμητικές μεθόδους για μεγιστοποίηση της συνάρτησης πιθανοφάνειας. 28/31
29 Εκτίμηση με τη μέθοδο των ροπών. Η μέθοδος των ροπών, όπως και η μέθοδος μέγιστης πιθανοφάνειας αποσκοπεί στον προσδιορισμό άγνωστων παραμέτρων μιας κατανομής. εφαρμόζεται σε κατανομές που υπάρχουν ροπές k-τάξης και περιγράφεται ως εξής: Εστω τ.δ. X 1, X 2,..., X n f(x; θ) με θεωρητικές ροπές µ 1 = EX, µ 2 = EX 2,..., µ k = EX k. Προσέξτε την αντιστοιχία με τις παραμέτρους μιας κατανομής: µ = µ 1 = EX, σ 2 = EX 2 µ 2 = µ 2 µ 2, κ.λ.π. Υπενθυμίζεται ότι οι δειγματικές ροπές αντίστοιχα είναι οι Θεώρημα m 1 = n 1 X, m 2 = n 1 X 2,..., m k = n 1 X k. Οι δειγματικές ροπές είναι αμερόληπτοι εκτιμητές των θεωρητικών ροπών. 29/31
30 Εκτίμηση με τη μέθοδο των ροπών. Το παραπάνω θεώρημα δείχνει τον τρόπο εκτίμησης με τη μέθοδο των ροπών: εξισώνονται οι θεωρητικές ροπές με τις δειγματικές ροπές ίσης τάξης. Με τον τρόπο αυτό συνδέονται οι εκτιμώμενες παράμετροι με στατιστικές συναρτήσεις και από τη λύση των εξισώσεων που προκύπτουν, υπολογίζονται οι εκτιμητές. Παράδειγμα 1: Να εκτιμηθεί η παράμετρος θ της σ.π.π. f(x; θ) = θx θ 1, 0 < x < 1, 0 < θ < + δοθέντος δείγματος μεγέθους n από την κατανομή. Λύση: Εχουμε να εκτιμήσουμε μόνο μία παράμετρο οπότε χρειαζόμαστε μόνο μία εξίσωση. Η ροπή πρώτης τάξης είναι µ 1 = EX = 1 0 xθx θ 1 dx = θ θ + 1. Η δειγματική ροπή πρώτης τάξης είναι η m 1 = X οπότε εξισώνοντας τις µ 1 και m 1 έχουμε: X = θ θ + 1 ˆθ = X. 1 X 30/31
31 Εκτίμηση με τη μέθοδο των ροπών. Παράδειγμα 2: Να εκτιμηθούν οι παράμετροι µ, σ 2 της N(x; µ, σ 2 ), δοθέντος δείγματος μεγέθους n από την κατανομή. Λύση: Εδώ τώρα έχουμε να εκτιμήσουμε δύο παραμέτρους οπότε χρειαζόμαστε δυο εξισώσεις. Εχουμε m 1 = µ 1 X = µ, m2 = µ 2 EX 2 = n 1 Χρησιμοποιώντας ότι EX = µ, EX 2 = σ 2 + µ 2, παίρνουμε: µ = n 1 X, σ 2 + µ 2 = n 1 οπότε καταλήγουμε στους εκτιμητές ˆµ = n 1 X, ˆσ 2 = n 1 X 2 µ 2 = n 1 X 2 X 2. X 2 X 2. Ερώτηση: Τι σχέση έχουν με τους εκτιμητές μέγιστης πιθανοφάνειας που υπολογίσαμε πιο πριν; 31/31
Μέρος II. Στατιστική Συμπερασματολογία (Inferential Statistics)
Μέρος II. Στατιστική Συμπερασματολογία (Inferential Statistics) Τυχαίο δείγμα και στατιστική συνάρτηση Χ={x 1, x,, x n } τυχαίο δείγμα μεγέθους n προερχόμενο από μια (παραμετρική) κατανομή με σ.π.π. f(x;θ).
Διαβάστε περισσότεραΕφαρμοσμένη Στατιστική
ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Εφαρμοσμένη Στατιστική Εκτιμητική Διδάσκων: Επίκουρος Καθηγητής Κωνσταντίνος Μπλέκας Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης
Διαβάστε περισσότεραΣτατιστική. Εκτιμητική
Στατιστική Εκτιμητική Χατζόπουλος Σταύρος 28/2/2018 και 01 /03/2018 Εισαγωγή Το αντικείμενο της Στατιστικής είναι η εξαγωγή συμπερασμάτων που αφορούν τον πληθυσμό ή το φαινόμενο που μελετάμε, με τη βοήθεια
Διαβάστε περισσότεραΔιάλεξη 1: Στατιστική Συμπερασματολογία - Εκτίμηση Σημείου
Διάλεξη 1: Στατιστική Συμπερασματολογία - Εκτίμηση Σημείου Στατιστική Συμπερασματολογία Εκτιμητική Έλεγχος Στατιστικών Υποθέσεων εκτιμήτρια συνάρτηση, ˆ θ σημειακή εκτίμηση εκτίμηση με διάστημα εμπιστοσύνης
Διαβάστε περισσότεραΛΥΣΕΙΣ ΘΕΜΑΤΩΝ ΣΤΑΤΙΣΤΙΚΗ Ι ΜΕΡΟΣ Α (Σ. ΧΑΤΖΗΣΠΥΡΟΣ) . Δείξτε ότι η στατιστική συνάρτηση T = X( n)
ΛΥΣΕΙΣ ΘΕΜΑΤΩΝ ΣΤΑΤΙΣΤΙΚΗ Ι ΜΕΡΟΣ Α (Σ. ΧΑΤΖΗΣΠΥΡΟΣ) Θέμα ο (Παρ..3.4, Παρ..4.3, Παρ..4.8.) Εάν = ( ) τυχαίο δείγμα από την ομοιόμορφη ( 0, ) X X,, X. Δείξτε ότι η στατιστική συνάρτηση T = X = το δειγματικό
Διαβάστε περισσότεραΣτατιστική Συμπερασματολογία
Στατιστική Συμπερασματολογία Διαφάνειες 1 ου κεφαλαίου Βιβλίο: Κολυβά Μαχαίρα, Φ. & Χατζόπουλος Στ. Α. (2016). Μαθηματική Στατιστική, Έλεγχοι Υποθέσεων. [ηλεκτρ. βιβλ.] Αθήνα: Σύνδεσμος Ελληνικών Ακαδημαϊκών
Διαβάστε περισσότεραΕφαρμοσμένη Στατιστική Δημήτριος Μπάγκαβος Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Πανεπισ τήμιο Κρήτης 14 Μαρτίου /34
Εφαρμοσμένη Στατιστική Δημήτριος Μπάγκαβος Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Πανεπιστήμιο Κρήτης 14 Μαρτίου 018 1/34 Διαστήματα Εμπιστοσύνης. Εχουμε δει εκτενώς μέχρι τώρα τρόπους εκτίμησης
Διαβάστε περισσότεραΕκτιμητές Μεγίστης Πιθανοφάνειας (Maximum Likelihood Estimators MLE)
Εκτιμητές Μεγίστης Πιθανοφάνειας (Maximum Likelihood Estimators MLE) Εστω τ.δ. X={x, x,, x } με κατανομή με σ.π.π. f(x;θ). Η από-κοινού σ.π.π. των δειγμάτων είναι η συνάρτηση L f x, x,, x; f x i ; και
Διαβάστε περισσότεραΣημερινό μάθημα: Εκτιμήτριες συναρτήσεις και σημειακή εκτίμηση παραμέτρων Στατιστική συμπερασματολογία (ή εκτιμητική ): εξαγωγή συμπερασμάτων για το σ
10ο Μάθημα Πιθανότητες Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Πανεπιστήμιο Πατρών Ακαδημαϊκό Ετος 2016-2017 Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα
Διαβάστε περισσότεραΣημερινό μάθημα: Εκτιμήτριες συναρτήσεις, σημειακή εκτίμηση παραμέτρων και γραμμική παλινδρόμηση Στατιστική συμπερασματολογία (ή εκτιμητική ): εξαγωγή
Πιθανότητες και Αρχές Στατιστικής (10η Διάλεξη) Σωτήρης Νικολετσέας, καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Πανεπιστήμιο Πατρών Ακαδημαϊκό Ετος 2017-2018 Σωτήρης Νικολετσέας, καθηγητής 1 / 48 Σημερινό
Διαβάστε περισσότεραTMHMA OIKONOMIKΩN ΕΠΙΣΤΗΜΩΝ Διαγώνισμα Προόδου Στατιστικής III
0 TMHMA OIKONOMIKΩN ΕΠΙΣΤΗΜΩΝ Διαγώνισμα Προόδου Στατιστικής III Νοέμβριος Eστω,,, τυχαίο δείγμα από κατανομή f( x; ), όπου συμβολίζει άγνωστη παράμετρο (a) Να ορισθεί η έννοια του επαρκούς στατιστικού
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 06-07 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Λέκτορας v.koutras@fme.aegea.gr Τηλ: 7035468 Εκτίμηση Παραμέτρων
Διαβάστε περισσότεραA(θ) = n log θ B(x ) = 0. T (x ) = x i. Γ(n)θ n =
ΕΞΕΤΑΣΗ ΤΟΥ ΜΑΘΗΜΑΤΟΣ «ΣΤΑΤΙΣΤΙΚΗ Ι : ΕΚΤΙΜΗΤΙΚΗ» Πέµπτη 24 Ιουνίου 24 Εξεταστική περίοδος Ιουνίου 24 ΘΕΜΑΤΑ. Θεωρώντας ως κριτήριο το µέσο τετραγωνικό σφάλµα : (α ( µονάδες Εστω, 2 δύο εκτιµητές τού g(θ.
Διαβάστε περισσότεραΕΚΤΙΜΗΣΗ ΠΟΣΟΣΤΙΑΙΩΝ ΣΗΜΕΙΩΝ ΓΙΑ ΕΠΙΛΕΓΜΕΝΟ ΕΚΘΕΤΙΚΟ ΠΛΗΘΥΣΜΟ ΑΠΟ k ΠΛΗΘΥΣΜΟΥΣ
ΚΩΝΣΤΑΝΤΙΝΟΣ Γ. ΑΓΓΕΛΟΥ ΕΚΤΙΜΗΣΗ ΠΟΣΟΣΤΙΑΙΩΝ ΣΗΜΕΙΩΝ ΓΙΑ ΕΠΙΛΕΓΜΕΝΟ ΕΚΘΕΤΙΚΟ ΠΛΗΘΥΣΜΟ ΑΠΟ k ΠΛΗΘΥΣΜΟΥΣ ΜΕΤΑΠΤΥΧΙΑΚΗ ΔΙΑΤΡΙΒΗ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ «ΜΑΘΗΜΑΤΙΚΑ
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 06-07 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Λέκτορας v.outras@e.aegea.gr Τηλ: 7035468 Μέθοδος Υπολογισμού
Διαβάστε περισσότεραΕφαρμοσμένη Στατιστική
ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Εφαρμοσμένη Στατιστική Εκτιμητική Διδάσκων: Επίκουρος Καθηγητής Κωνσταντίνος Μπλέκας Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης
Διαβάστε περισσότεραΜέθοδος μέγιστης πιθανοφάνειας
Μέθοδος μέγιστης πιθανοφάνειας Αν x =,,, παρατηρήσεις των Χ =,,,, τότε έχουμε διαθέσιμο ένα δείγμα Χ={Χ, =,,,} της κατανομής F μεγέθους με από κοινού σ.κ. της Χ f x f x Ορισμός : Θεωρούμε ένα τυχαίο δείγμα
Διαβάστε περισσότεραΣτατιστική Συμπερασματολογία
Στατιστική Συμπερασματολογία Διαφάνειες 4 ου κεφαλαίου Ελεγχοσυναρτήσεις Γενικευμένου Λόγου Πιθανοφανειών Σταύρος Χατζόπουλος 27/03/2017, 03/04/2017, 24/04/2017 1 Εισαγωγή Έστω το τ.δ. X,,, από την κατανομή
Διαβάστε περισσότερα(X1 X 2 ) 2}. ( ) f 1 (x i ; θ) = θ x i. (1 θ) n x i. x i log. i=1. i=1 t2 i
ΕΞΕΤΑΣΗ ΤΟΥ ΜΑΘΗΜΑΤΟΣ ΣΤΑΤΙΣΤΙΚΗ I: ΕΚΤΙΜΗΤΙΚΗ 8 Ιουνίου 005 Εξεταστική περίοδος Ιουνίου 005 ΘΕΜΑΤΑ Εστω X = (X,, X n ), n, τυχαίο δείγµα από κατανοµή Bernoull B(, θ), θ Θ = (0, ) (α) (0 µονάδες) Να δειχθεί
Διαβάστε περισσότεραΣτατιστική Συμπερασματολογία
4. Εκτιμητική Στατιστική Συμπερασματολογία εκτιμήσεις των αγνώστων παραμέτρων μιας γνωστής από άποψη είδους κατανομής έλεγχο των υποθέσεων που γίνονται σε σχέση με τις παραμέτρους μιας κατανομής και σε
Διαβάστε περισσότεραΜέθοδος μέγιστης πιθανοφάνειας
Αν x =,,, παρατηρήσεις των Χ =,,,, τότε έχουμε διαθέσιμο ένα δείγμα Χ={Χ, =,,,} της κατανομής F μεγέθους με από κοινού σκ της Χ f x f x Ορισμός : Θεωρούμε ένα τυχαίο δείγμα Χ=(Χ, Χ,, Χ ) από πληθυσμό το
Διαβάστε περισσότεραΕφαρμοσμένη Στατιστική Δημήτριος Μπάγκαβος Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Πανεπισ τήμιο Κρήτης 2 Μαΐου /23
Εφαρμοσμένη Στατιστική Δημήτριος Μπάγκαβος Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Πανεπιστήμιο Κρήτης 2 Μαΐου 2017 1/23 Ανάλυση Διακύμανσης. Η ανάλυση παλινδρόμησης μελετά τη στατιστική σχέση ανάμεσα
Διαβάστε περισσότεραΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ Ι Συμπληρωματικές Σημειώσεις Δημήτριος Παντελής
ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ Ι Συμπληρωματικές Σημειώσεις Δημήτριος Παντελής ΣΤΑΤΙΣΤΙΚΕΣ ΕΚΤΙΜΗΣΕΙΣ Οι συναρτήσεις πιθανότητας ή πυκνότητας πιθανότητας των διαφόρων τυχαίων μεταβλητών χαρακτηρίζονται από κάποιες
Διαβάστε περισσότεραCRAMER-RAO ΚΑΤΩ ΦΡΑΓΜΑ - ΑΠΟ ΟΤΙΚΟΙ ΕΚΤΙΜΗΤΕΣ
CRAMER-RAO ΚΑΤΩ ΦΡΑΓΜΑ - ΑΠΟ ΟΤΙΚΟΙ ΕΚΤΙΜΗΤΕΣ Τµήµα Μαθηµατικών, Πανεπιστήµιο Πατρών Θεώρηµα Cramer-Rao Θεώρηµα Cramer-Rao Εστω X = (X 1, X,...,X n ) ένα δείγµα µε από κοινού πυκνότητα πιθανότητας f X
Διαβάστε περισσότεραΣημειακή εκτίμηση και εκτίμηση με διάστημα. 11 η Διάλεξη
Σημειακή εκτίμηση και εκτίμηση με διάστημα 11 η Διάλεξη Εκτιμήτρια Κάθε στατιστική συνάρτηση που χρησιμοποιείται για την εκτίμηση μιας παραμέτρου ενός πληθυσμού (π.χ. ο δειγματικός μέσος) Σημειακή εκτίμηση
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 Επιστηµών, Εθνικό Μετσόβιο Πολυτεχνείο. Περιεχόµενα Εισαγωγή στη
Διαβάστε περισσότεραΣτατιστική Συμπερασματολογία
Στατιστική Συμπερασματολογία Διαφάνειες 5 ου κεφαλαίου Ελεγχοσυναρτήσεις για τις Παραμέτρους της Κανονικής Κατανομής Σταύρος Χατζόπουλος 08/05/207, 5/05/207 Εισαγωγή Στις παραγράφους που ακολουθούν παρουσιάζονται
Διαβάστε περισσότεραΕκτιμήτριες. Κώστας Γλυκός ΜΑΘΗΜΑΤΙΚΟΣ. Ασκήσεις για ΑΕΙ και ΤΕΙ. Kglykos.gr. σε Εκτιμήτριες. μέθοδος ροπών και μέγιστης πιθανοφάνειας
Εκτιμήτριες Κώστας Γλυκός Ασκήσεις για ΑΕΙ και ΤΕΙ σε Εκτιμήτριες Ι δ ι α ί τ ε ρ α μ α θ ή μ α τ α μέθοδος ροπών και μέγιστης πιθανοφάνειας κριτήρια αμεροληψίας και συνέπειας 9 άλυτες ασκήσεις 6 9 7.
Διαβάστε περισσότεραX = = 81 9 = 9
Πιθανότητες και Αρχές Στατιστικής (11η Διάλεξη) Σωτήρης Νικολετσέας, καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Πανεπιστήμιο Πατρών Ακαδημαϊκό Ετος 2018-2019 Σωτήρης Νικολετσέας, καθηγητής 1 / 35 Σύνοψη
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 06-07 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Λέκτορας v.koutras@fme.aegea.gr Τηλ: 7035468 Τυχαίο Δείγμα
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 0. Απλή Γραμμική Παλινδρόμηση. Ένα Πρόβλημα. Η επιδιωκόμενη ιδιότητα. Ένα χρήσιμο γράφημα. Οι υπολογισμοί. Η μέθοδος ελαχίστων τετραγώνων ...
ΚΕΦΑΛΑΙΟ 0 Ένα Πρόβλημα Δεδομένα.6 3. 3.8 4. 4.4 5.8 6.0 6.7 7. 7.8 5.6 7.9 8.0 8. 8. 9. 9.5 9.4 9.6 9.9 Απλή Γραμμική Παλινδρόμηση Μωυσιάδης Χρόνης 6 o Εξάμηνο Μαθηματικών Έχει σχέση το με το ; Ειδικότερα
Διαβάστε περισσότερα3. ΣΤΡΩΜΑΤΟΠΟΙΗΜΕΝΗ ΤΥΧΑΙΑ ΔΕΙΓΜΑΤΟΛΗΨΙΑ (Stratified Random Sampling)
3 ΣΤΡΩΜΑΤΟΠΟΙΗΜΕΝΗ ΤΥΧΑΙΑ ΔΕΙΓΜΑΤΟΛΗΨΙΑ (Stratfed Radom Samplg) Είναι προφανές από τα τυπικά σφάλματα των εκτιμητριών των προηγούμενων παραγράφων, ότι ένας τρόπος να αυξηθεί η ακρίβεια τους είναι να αυξηθεί
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 06-07 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Λέκτορας v.koutras@fme.aegea.gr Τηλ: 7035468 Εκτίμηση Διαστήματος
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 2 ΑΝΑΣΚΟΠΗΣΗ ΑΠΑΡΑΙΤΗΤΩΝ ΓΝΩΣΕΩΝ: ΕΚΤΙΜΗΤΕΣ
ΚΕΦΑΛΑΙΟ ΑΝΑΣΚΟΠΗΣΗ ΑΠΑΡΑΙΤΗΤΩΝ ΓΝΩΣΕΩΝ: ΕΚΤΙΜΗΤΕΣ Ως γνωστό δείγμα είναι ένα σύνολο παρατηρήσεων από ένα πληθυσμό. Αν ο πληθυσμός αυτός θεωρηθεί μονοδιάστατος τότε μπορεί να εκφρασθεί με τη συνάρτηση
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 08-09 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Επικ. Καθηγητής v.koutras@fme.aegea.gr Τηλ: 7035468 Εκτίμηση Διαστήματος
Διαβάστε περισσότεραΚεφάλαιο 1. Εισαγωγή: Βασικά Στοιχεία Θεωρίας Πιθανοτήτων και Εκτιμητικής
Κεφάλαιο 1. Εισαγωγή: Βασικά και Εκτιμητικής Ορισμός 1.1. Όλα τα δυνατά αποτελέσματα ενός πειράματος αποτελούν το δειγματοχώρο (sample space) που συμβολίζεται με. Κάθε δυνατό αποτέλεσμα του πειράματος,
Διαβάστε περισσότεραΜέθοδος Newton-Raphson
Κεφάλαιο 14 Μέθοδος Newton-Raphson Θα συζητήσουµε υπολογισµό της εκτιµήτριας µεγίστης πιθανοφάνειας µε τη µέ- ϑοδο Newton-Raphson. Αν και υπάρχουν περιπτώσεις για τις οποίες η λύση µπορεί να υπολογιστεί
Διαβάστε περισσότεραΚεφ. Ιο ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΘΕΩΡΙΑΣ ΠΙΘΑΝΟΤΗΤΩΝ
ΠΕΡΙΕΧΟΜΕΝΑ Πρόλογος 75 Κεφ. Ιο ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΘΕΩΡΙΑΣ ΠΙΘΑΝΟΤΗΤΩΝ 1.1. Τυχαία γεγονότα ή ενδεχόμενα 17 1.2. Πειράματα τύχης - Δειγματικός χώρος 18 1.3. Πράξεις με ενδεχόμενα 20 1.3.1. Ενδεχόμενα ασυμβίβαστα
Διαβάστε περισσότεραΣτατιστική Συμπερασματολογία
Στατιστική Συμπερασματολογία Διαφάνειες 2 ου κεφαλαίου Σταύρος Χατζόπουλος 20/02/2017, 06/03/2017, 13/03/2017 1 Κεφάλαιο 2. Έλεγχος Απλών Υποθέσεων Τα προβλήματα ελέγχου υποθέσεων απορρέουν από παρατηρήσεις
Διαβάστε περισσότεραΣ ΤΑΤ Ι Σ Τ Ι Κ Η ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ
Σ ΤΑΤ Ι Σ Τ Ι Κ Η i ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ Κατανομή Δειγματοληψίας του Δειγματικού Μέσου Ο Δειγματικός Μέσος X είναι μια Τυχαία Μεταβλητή. Καθώς η επιλογή και χρήση διαφορετικών δειγμάτων από έναν
Διαβάστε περισσότεραεξαρτάται από το θ και για αυτό γράφουµε την σ.π.π. στην εξής µορφή: ( θ, + ) θ θ n 2n (θ,+ ) 1, 0, x θ.
Άσκηση : Έστω Χ,,Χ τυχαίο δείγµα µεγέους από την κατανοµή µε σππ 3 p (,, >, > 0 α είξτε ότι η στατιστική συνάρτηση Τ( Χ : Χ ( m είναι επαρκής για την παράµετρο και πλήρης κ β Βρείτε ΑΕΕ του α Το στήριγµα
Διαβάστε περισσότεραΣτατιστική Συμπερασματολογία
Στατιστική Συμπερασματολογία Διαφάνειες 3 ου κεφαλαίου Έλεγχος Σύνθετων Υποθέσεων Σταύρος Χατζόπουλος 13/03/2017, 20/03/2017, 27/03/2017 1 Ιδιότητα Μονότονου Λόγου Πιθανοφανειών Συνήθως, καταστάσεις, όπως
Διαβάστε περισσότεραΕισόδημα Κατανάλωση 1500 500 1600 600 1300 450 1100 400 600 250 700 275 900 300 800 352 850 400 1100 500
Εισόδημα Κατανάλωση 1500 500 1600 600 1300 450 1100 400 600 250 700 275 900 300 800 352 850 400 1100 500 Πληθυσμός Δείγμα Δείγμα Δείγμα Ο ρόλος της Οικονομετρίας Οικονομική Θεωρία Διατύπωση της
Διαβάστε περισσότεραΑνισότητα Cramér Rao
Ανισότητα Craér Rao όταν πληρούνται Ορισμός. Στο στατιστικό μοντέλο {,, f ( x; ), Θ } οι συνήκες: i) Το στήριγμα S= { x :f( x;) > 0, Θ } ii) iii) Υπάρχει η μερική παράγωγος ( ) iv) Ισχύει η σχέση ( ) (
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΑ ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΑΣΦΑΛΙΣΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΣΤΑΤΙΣΤΙΚΗ Ι ΜΙΑ ΣΥΝΤΟΜΗ ΑΝΑΣΚΟΠΗΣΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΑ ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΑΣΦΑΛΙΣΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΣΤΑΤΙΣΤΙΚΗ Ι ΜΙΑ ΣΥΝΤΟΜΗ ΑΝΑΣΚΟΠΗΣΗ ΓΕΩΡΓΙΟΣ ΤΖΑΒΕΛΑΣ ΕΠΙΚΟΥΡΟΣ ΚΑΘΗΓΗΤΗΣ Ακαδημαϊκό έτος 03-4 Τι είναι
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 6-7 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Λέκτορας v.koutras@fme.aegea.gr Τηλ: 735468 Σε αρκετές εφαρμογές
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 7-8 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Επικ. Καθηγητής v.koutras@fme.aegea.gr Τηλ: 735468 Σε αρκετές εφαρμογές
Διαβάστε περισσότεραΕφαρμοσμένη Στατιστική Δημήτριος Μπάγκαβος Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Πανεπισ τήμιο Κρήτης 22 Μαΐου /32
Εφαρμοσμένη Στατιστική Δημήτριος Μπάγκαβος Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Πανεπιστήμιο Κρήτης 22 Μαΐου 2017 1/32 Εισαγωγή: Τυπικό παράδειγμα στατιστικού ελέγχου υποθέσεων. Ενας νέος τύπος
Διαβάστε περισσότεραΜέρος V. Ανάλυση Παλινδρόμηση (Regression Analysis)
Μέρος V. Ανάλυση Παλινδρόμηση (Regresso Aalss) Βασικές έννοιες Απλή Γραμμική Παλινδρόμηση Πολλαπλή Παλινδρόμηση Εφαρμοσμένη Στατιστική Μέρος 5 ο - Κ. Μπλέκας () Βασικές έννοιες Έστω τ.μ. Χ,Υ όπου υπάρχει
Διαβάστε περισσότεραΑπλή Γραμμική Παλινδρόμηση και Συσχέτιση 19/5/2017
Απλή Γραμμική Παλινδρόμηση και Συσχέτιση 2 Εισαγωγή Η ανάλυση παλινδρόμησης περιλαμβάνει το σύνολο των μεθόδων της στατιστικής που αναφέρονται σε ποσοτικές σχέσεις μεταξύ μεταβλητών Πρότυπα παλινδρόμησης
Διαβάστε περισσότεραΔΙΑΣΤΗΜΑΤΑ ΕΜΠΙΣΤΟΣΥΝΗΣ ΓΙΑ AΝΑΛΟΓΙΕΣ
ΚΕΦΑΛΑΙΟ 5 ΔΙΑΣΤΗΜΑΤΑ ΕΜΠΙΣΤΟΣΥΝΗΣ ΓΙΑ AΝΑΛΟΓΙΕΣ Α. Περίπτωση Ενός Πληθυσμού Έστω ότι μελετάμε μια ακολουθία ανεξαρτήτων δοκιμών κάθε μία από τις οποίες οδηγεί είτε σε επιτυχία είτε σε αποτυχία με σταθερή
Διαβάστε περισσότεραΕφαρμοσμένη Στατιστική Δημήτριος Μπάγκαβος Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Πανεπισ τήμιο Κρήτης 30 Μαρτίου /32
Εφαρμοσμένη Στατιστική Δημήτριος Μπάγκαβος Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Πανεπιστήμιο Κρήτης 30 Μαρτίου 2017 1/32 Ανάλυση Παλινδρόμησης: Γενικά. Με την ανάλυση παλινδρόμησης εξετάζουμε
Διαβάστε περισσότεραΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ. Επικ. Καθ. Στέλιος Ζήμερας. Τμήμα Μαθηματικών Κατεύθυνση Στατιστικής και Αναλογιστικά Χρηματοοικονομικά Μαθηματικά
ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ Επικ. Καθ. Στέλιος Ζήμερας Τμήμα Μαθηματικών Κατεύθυνση Στατιστικής και Αναλογιστικά Χρηματοοικονομικά Μαθηματικά 2015 Πληθυσμός: Εισαγωγή Ονομάζεται το σύνολο των χαρακτηριστικών που
Διαβάστε περισσότεραΣ ΤΑΤ Ι Σ Τ Ι Κ Η. Statisticum collegium iv
Σ ΤΑΤ Ι Σ Τ Ι Κ Η i Statisticum collegium iv Στατιστική Συμπερασματολογία Ι Σημειακές Εκτιμήσεις Διαστήματα Εμπιστοσύνης Στατιστική Συμπερασματολογία (Statistical Inference) Το πεδίο της Στατιστικής Συμπερασματολογία,
Διαβάστε περισσότεραΚεφάλαιο 10 Εισαγωγή στην Εκτίμηση
Κεφάλαιο 10 Εισαγωγή στην Εκτίμηση Εκεί που είμαστε Κεφάλαια 7 και 8: Οι διωνυμικές,κανονικές, εκθετικές κατανομές και κατανομές Poisson μας επιτρέπουν να κάνουμε διατυπώσεις πιθανοτήτων γύρω από το Χ
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 5-6 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Λέκτορας v.koutras@fme.aegea.gr Τηλ: 735468 Σε αρκετές εφαρμογές
Διαβάστε περισσότερα4 o Μάθημα Διάστημα Εμπιστοσύνης του Μέσου
4 o Μάθημα Διάστημα Εμπιστοσύνης του Μέσου Για την εκτίμηση των παραμέτρων ενός πληθυσμού (όπως η μέση τιμή ή η διασπορά), χρησιμοποιούνται συνήθως δύο μέθοδοι εκτίμησης. Η πρώτη ονομάζεται σημειακή εκτίμηση.
Διαβάστε περισσότεραΑνάλυση Δεδομένων με χρήση του Στατιστικού Πακέτου R
Ανάλυση Δεδομένων με χρήση του Στατιστικού Πακέτου R Δημήτρης Φουσκάκης, Επίκουρος Καθηγητής, Τομέας Μαθηματικών, Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών, Εθνικό Μετσόβιο Πολυτεχνείο. Περιεχόμενα
Διαβάστε περισσότεραΘΕΩΡΙΑ ΑΠΟΦΑΣΕΩΝ 3 ο ΦΡΟΝΤΙΣΤΗΡΙΟ ΛΥΣΕΙΣ ΤΩΝ ΑΣΚΗΣΕΩΝ
ΘΕΩΡΙΑ ΑΠΟΦΑΣΕΩΝ 3 ο ΦΡΟΝΤΙΣΤΗΡΙΟ ΛΥΣΕΙΣ ΤΩΝ ΑΣΚΗΣΕΩΝ ΑΣΚΗΣΗ Σύμφωνα με στοιχεία από το Πανεπιστήμιο της Οξφόρδης η πιθανότητα ένας φοιτητής να αποφοιτήσει μέσα σε 5 χρόνια από την ημέρα εγγραφής του στο
Διαβάστε περισσότεραΕΝΤΥΠΟ ΘΕΜΑΤΩΝ ΕΞΕΤΑΣΕΩΝ
Όνομα: Επίθετο: Ημερομηνία: 7/07/207 Πρωί: Απόγευμα: Θεματική ενότητα: Αρχές Αναλογιστικής Προτυποποίησης, Κατασκευή και Αξιολόγηση Αναλογιστικών Προτύπων. Οι αναλογιστές μιας εταιρείας μοντελοποιούν την
Διαβάστε περισσότερα4 o Μάθημα Διάστημα Εμπιστοσύνης του Μέσου
4 o Μάθημα Διάστημα Εμπιστοσύνης του Μέσου Για την εκτίμηση των παραμέτρων ενός πληθυσμού (όπως η μέση τιμή ή η διασπορά), χρησιμοποιούνται συνήθως δύο μέθοδοι εκτίμησης. Η πρώτη ονομάζεται σημειακή εκτίμηση.
Διαβάστε περισσότεραΕίδη Μεταβλητών Κλίμακα Μέτρησης Οι τεχνικές της Περιγραφικής στατιστικής ανάλογα με την κλίμακα μέτρησης Οι τελεστές Π και Σ
ΠΕΡΙΕΧΟΜΕΝΑ ΚΕΦΑΛΑΙΟ 1 Εισαγωγικές Έννοιες 19 1.1 1.2 1.3 1.4 1.5 1.6 1.7 Η Μεταβλητότητα Η Στατιστική Ανάλυση Η Στατιστική και οι Εφαρμοσμένες Επιστήμες Στατιστικός Πληθυσμός και Δείγμα Το στατιστικό
Διαβάστε περισσότεραΠΕΡΙΕΧΟΜΕΝΑ ΜΕΡΟΣ ΠΡΩΤΟ: ΠΙΘΑΝΟΤΗΤΕΣ 11 ΚΕΦΑΛΑΙΟ 1 ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΠΙΘΑΝΟΤΗΤΑΣ 13
ΠΕΡΙΕΧΟΜΕΝΑ ΜΕΡΟΣ ΠΡΩΤΟ: ΠΙΘΑΝΟΤΗΤΕΣ 11 ΚΕΦΑΛΑΙΟ 1 ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΠΙΘΑΝΟΤΗΤΑΣ 13 ΚΕΦΑΛΑΙΟ 2 ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΠΙΘΑΝΟΤΗΤΑΣ 20 2.1 Αβεβαιότητα, Τυχαία Διαδικασία, και Συναφείς Έννοιες 20 2.1.1 Αβεβαιότητα
Διαβάστε περισσότεραΕισαγωγή στη θεωρία ακραίων τιμών
Εισαγωγή στη θεωρία ακραίων τιμών Αντικείμενο της θεωρίας ακραίων τιμών αποτελεί: Η ανάπτυξη και μελέτη στοχαστικών μοντέλων με σκοπό την επίλυση προβλημάτων που σχετίζονται με την εμφάνιση «πολύ μεγάλων»
Διαβάστε περισσότεραΕΙΣΑΓΩΓΗ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ
ΕΙΣΑΓΩΓΗ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ Μ.Ν. Ντυκέν, Πανεπιστήμιο Θεσσαλίας Τ.Μ.Χ.Π.Π.Α. Ε. Αναστασίου, Πανεπιστήμιο Θεσσαλίας Τ.Μ.Χ.Π.Π.Α. ΔΙΑΛΕΞΗ 07 & ΔΙΑΛΕΞΗ 08 ΣΗΜΠΕΡΑΣΜΑΤΙΚΗ ΣΤΑΤΙΣΤΙΚΗ Βόλος, 016-017 ΕΙΣΑΓΩΓΗ ΣΤΗΝ
Διαβάστε περισσότεραΟικονομετρία Ι. Ενότητα 2: Ανάλυση Παλινδρόμησης. Δρ. Χαϊδώ Δριτσάκη Τμήμα Λογιστικής & Χρηματοοικονομικής
Οικονομετρία Ι Ενότητα 2: Ανάλυση Παλινδρόμησης Δρ. Χαϊδώ Δριτσάκη Τμήμα Λογιστικής & Χρηματοοικονομικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commos. Για εκπαιδευτικό
Διαβάστε περισσότεραΣέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας. Version 2
Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας Verson Σχεδιαζόντας ταξινομητές: Τα δεδομένα Στην πράξη η γνώση σχετικά διαδικασία γέννεσης των δεδομένων είναι πολύ σπάνια γνωστή. Το μόνο που έχουμε στη διάθεσή
Διαβάστε περισσότεραΣτατιστική Ι-Θεωρητικές Κατανομές Ι
Στατιστική Ι-Θεωρητικές Κατανομές Ι Γεώργιος Κ. Τσιώτας Τμήμα Οικονομικών Επιστημών Σχολή Κοινωνικών Επιστημών Πανεπιστήμιο Κρήτης 12 Δεκεμβρίου 2012 Περιγραφή 1 Θεωρητικές Κατανομές Η Χρήση των Θεωρητικών
Διαβάστε περισσότεραΕΞΕΤΑΣΕΙΣ ΣΤΟ ΜΑΘΗΜΑ ΠΙΘΑΝΟΤΗΤΕΣ ΣΤΑΤΙΣΤΙΚΗ ΤΜΗΜΑΤΙΚΕΣ ΕΞΕΤΑΣΕΙΣ ΙΟΥΝΙΟΥ ( ) ΟΜΑΔΑ Α ( 40% )
ΕΞΕΤΑΣΕΙΣ ΣΤΟ ΜΑΘΗΜΑ ΠΙΘΑΝΟΤΗΤΕΣ ΣΤΑΤΙΣΤΙΚΗ ΤΜΗΜΑΤΙΚΕΣ ΕΞΕΤΑΣΕΙΣ ΙΟΥΝΙΟΥ (0-6-005) ΟΜΑΔΑ Α ( 40% ) ) Έστω μια τυχαία μεταβλητή Χ και ένα δείγμα x, x,, x n. Θεωρούμε την τιμή k = n i= ( x && x) i.να διευκρινιστεί
Διαβάστε περισσότερα9. Παλινδρόμηση και Συσχέτιση
9. Παλινδρόμηση και Συσχέτιση Παλινδρόμηση και Συσχέτιση Υπάρχει σχέση ανάμεσα σε δύο ή περισσότερες μεταβλητές; Αν ναι, ποια είναι αυτή η σχέση; Πως μπορεί αυτή η σχέση να χρησιμοποιηθεί για να προβλέψουμε
Διαβάστε περισσότεραΕφαρμοσμένη Στατιστική
ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Εφαρμοσμένη Στατιστική Παλινδρόμηση Διδάσκων: Επίκουρος Καθηγητής Κωνσταντίνος Μπλέκας Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης
Διαβάστε περισσότεραΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ. Επικ. Καθ. Στέλιος Ζήμερας. Τμήμα Μαθηματικών Κατεύθυνση Στατιστικής και Αναλογιστικά Χρηματοοικονομικά Μαθηματικά
ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ Επικ Καθ Στέλιος Ζήμερας Τμήμα Μαθηματικών Κατεύθυνση Στατιστικής και Αναλογιστικά Χρηματοοικονομικά Μαθηματικά 5 Έστω για την σύγκριση δειγμάτων συλλέγουμε παρατηρήσεις Υ =,,, από
Διαβάστε περισσότεραPr(10 X 15) = Pr(15 X 20) = 1/2, (10.2)
Κεφάλαιο 10 Συνεχείς τυχαίες μεταβλητές Σε αυτό το κεφάλαιο θα εξετάσουμε τις ιδιότητες που έχουν οι συνεχείς τυχαίες μεταβλητές. Εκείνες οι Τ.Μ. X, δηλαδή, των οποίων το σύνολο τιμών δεν είναι διακριτό,
Διαβάστε περισσότεραΣτατιστική Επιχειρήσεων ΙΙ
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα Στατιστική Επιχειρήσεων ΙΙ Ενότητα #: Επαγωγική Στατιστική - Δειγματοληψία Μιλτιάδης Χαλικιάς Τμήμα Διοίκησης Επιχειρήσεων Άδειες
Διαβάστε περισσότερα2.5.1 ΕΚΤΙΜΗΣΗ ΠΟΣΟΣΤΙΑΙΩΝ ΣΗΜΕΙΩΝ ΜΙΑΣ ΚΑΤΑΝΟΜΗΣ
.5. ΕΚΤΙΜΗΣΗ ΠΟΣΟΣΤΙΑΙΩΝ ΣΗΜΕΙΩΝ ΜΙΑΣ ΚΑΤΑΝΟΜΗΣ Η μέθοδος κατασκευής διαστήματος εμπιστοσύνης για την πιθανότητα που περιγράφεται στην προηγούμενη ενότητα μπορεί να χρησιμοποιηθεί για την κατασκευή διαστημάτων
Διαβάστε περισσότεραΑΣΚΗΣΕΙΣ ΣΤΗΝ ΕΚΤΙΜΗΤΙΚΗ
Φουσκάκης- Ασκήσεις στην Εκτιµητική ΑΣΚΗΣΕΙΣ ΣΤΗΝ ΕΚΤΙΜΗΤΙΚΗ ) Έστω Χ,, Χ και Υ,,Υ ανεξάρτητα τµ από πληθυσµούς µε µέση τιµή θ και γνωστές διασπορές σ και σ είξτε ότι για c [0,] η U = c X +(-c) Y είναι
Διαβάστε περισσότεραΠανεπιστήμιο Πελοποννήσου
Πανεπιστήμιο Πελοποννήσου Τυχαίες μεταβλητές Κατανομές Τυχαία Μεταβλητή (τ.μ.) Τυχαία μεταβλητή (τ.μ.) ονομάζεται η συνάρτηση που απεικονίζει το σύνολο των δυνατών αποτελεσμάτων ενός πειράματος στο σύνολο
Διαβάστε περισσότεραΣ ΤΑΤ Ι Σ Τ Ι Κ Η. Statisticum collegium Iii
Σ ΤΑΤ Ι Σ Τ Ι Κ Η i Statisticum collegium Iii Η Κανονική Κατανομή Λέμε ότι μία τυχαία μεταβλητή X, ακολουθεί την Κανονική Κατανομή με παραμέτρους και και συμβολίζουμε X N, αν έχει συνάρτηση πυκνότητας
Διαβάστε περισσότεραΈλεγχος υποθέσεων και διαστήματα εμπιστοσύνης
1 Έλεγχος υποθέσεων και διαστήματα εμπιστοσύνης Όπως γνωρίζουμε από προηγούμενα κεφάλαια, στόχος των περισσότερων στατιστικών αναλύσεων, είναι η έγκυρη γενίκευση των συμπερασμάτων, που προέρχονται από
Διαβάστε περισσότεραΑπλή Παλινδρόμηση και Συσχέτιση
Απλή Παλινδρόμηση και Συσχέτιση Πωλήσεις, Δαπάνες Διαφήμισης και Αριθμός Πωλητών Έτος Πωλήσεις (χιλ ) Διαφήμιση (χιλ ) Πωλητές (Άτομα) Έτος Πωλήσεις (χιλ ) Διαφήμιση (χιλ ) Πωλητές (Άτομα) 98 050 6 3 989
Διαβάστε περισσότερα5. ΣΥΣΤΗΜΑΤΙΚΗ ΔΕΙΓΜΑΤΟΛΗΨΙΑ (Systematic Sampling)
5. ΣΥΣΤΗΜΑΤΙΚΗ ΔΕΙΓΜΑΤΟΛΗΨΙΑ (Systematic Sampling) Συχνά, είναι ταχύτερη και ευκολότερη η επιλογή των μονάδων του πληθυσμού, αν αυτή γίνεται από κάποιο κατάλογο ξεκινώντας από κάποιο τυχαίο αρχικό σημείο
Διαβάστε περισσότεραΔειγματικές Κατανομές
Δειγματικές Κατανομές Στατιστική συνάρτηση ή στατιστική Δειγματική κατανομή - Εκτιμητής Τα άγνωστα στοιχεία του πληθυσμού λέγονται παράμετροι. Τα συμπεράσματα για μια παράμετρο εξάγονται με τη βοήθεια
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 Επιστημών, Εθνικό Μετσόβιο Πολυτεχνείο. Περιεχόμενα Εισαγωγή στο
Διαβάστε περισσότεραΠεριεχόμενα της Ενότητας. Δειγματοληψία. Δειγματοληψίας. Δειγματοληψία. Τυχαία Δειγματοληψία. Χ. Εμμανουηλίδης, 1.
Περιεχόμενα της Ενότητας Στατιστική ΙI Ενότητα 1: Δειγματοληψία και Κατανομές Δειγματοληψίας Δρ. Χρήστος Εμμανουηλίδης Επίκουρος Καθηγητής Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης 1. ειγµατοληψία Πιθανοτικές
Διαβάστε περισσότεραf(y) dy = b a dy = b a x f(x) dx = b a dx = x 2 = b2 a 2 2(b a) b a dx = = (a2 + ab + b 2 )(b a) 3(b a)
Κεφάλαιο 11 Συνεχείς κατανομές και ο Ν.Μ.Α. Στο προηγούμενο κεφάλαιο ορίσαμε την έννοια της συνεχούς τυχαίας μεταβλητής, και είδαμε τις βασικές της ιδιότητες. Εδώ θα περιγράψουμε κάποιους ιδιαίτερους τύπους
Διαβάστε περισσότεραΔειγματοληψία. Πρέπει να γνωρίζουμε πως πήραμε το δείγμα Το πλήθος n ij των παρατηρήσεων σε κάθε κελί είναι τ.μ. με μ ij συμβολίζουμε την μέση τιμή:
Δειγματοληψία Πρέπει να γνωρίζουμε πως πήραμε το δείγμα Το πλήθος των παρατηρήσεων σε κάθε κελί είναι τ.μ. με μ συμβολίζουμε την μέση τιμή: Επομένως στην δειγματοληψία πινάκων συνάφειας αναφερόμαστε στον
Διαβάστε περισσότερα6. ΔΕΙΓΜΑΤΟΛΗΨΙΑ ΚΑΤΑ ΟΜΑΔΕΣ (Cluster Sampling)
6. ΔΕΙΓΜΑΤΟΛΗΨΙΑ ΚΑΤΑ ΟΜΑΔΕΣ (Cluster Sampling) Από την θεωρία που αναπτύχθηκε στα προηγούμενα κεφάλαια, φαίνεται ότι μια αλλαγή στον σχεδιασμό της δειγματοληψίας και, κατά συνέπεια, στην μέθοδο εκτίμησης
Διαβάστε περισσότεραΣτατιστική είναι το σύνολο των μεθόδων και θεωριών που εφαρμόζονται σε αριθμητικά δεδομένα προκειμένου να ληφθεί κάποια απόφαση σε συνθήκες
Ορισμός Στατιστική είναι το σύνολο των μεθόδων και θεωριών που εφαρμόζονται σε αριθμητικά δεδομένα προκειμένου να ληφθεί κάποια απόφαση σε συνθήκες αβεβαιότητας. Βασικές έννοιες Η μελέτη ενός πληθυσμού
Διαβάστε περισσότεραΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ. Επικ. Καθ. Στέλιος Ζήμερας. Τμήμα Μαθηματικών Κατεύθυνση Στατιστικής και Αναλογιστικά Χρηματοοικονομικά Μαθηματικά
ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ Επικ Καθ Στέλιος Ζήμερας Τμήμα Μαθηματικών Κατεύθυνση Στατιστικής και Αναλογιστικά Χρηματοοικονομικά Μαθηματικά 05 Έλεγχος διακυμάνσεων Μας ενδιαφέρει να εξετάσουμε 5 δίαιτες που δίνονται
Διαβάστε περισσότεραΠΕΡΙΕΧΟΜΕΝΑ ΚΕΦΑΛΑΙΟ 3 ΔΕΣΜΕΥΜΕΝΗ ΠΙΘΑΝΟΤΗΤΑ, ΟΛΙΚΗ ΠΙΘΑΝΟΤΗΤΑ ΘΕΩΡΗΜΑ BAYES, ΑΝΕΞΑΡΤΗΣΙΑ ΚΑΙ ΣΥΝΑΦΕΙΣ ΕΝΝΟΙΕΣ 71
ΠΕΡΙΕΧΟΜΕΝΑ ΜΕΡΟΣ ΠΡΩΤΟ ΠΙΘΑΝΟΤΗΤΕΣ 11 ΚΕΦΑΛΑΙΟ 1 ΕΙΣΑΓΩΓΗ 13 ΚΕΦΑΛΑΙΟ 2 ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΠΙΘΑΝΟΤΗΤΑΣ 19 2.1 Αβεβαιότητα, Τυχαία Διαδικασία, και Συναφείς Έννοιες 21 2.1.1 Αβεβαιότητα και Τυχαίο Πείραμα
Διαβάστε περισσότερα7. Εκτιμήσεις Τιμων Δεικτων
Μαθηματικά και Στατιστικη στην Βιολογια ΧΕΙΜΕΡΙΝΟ ΕΞΑΜΗΝΟ (1 ο ) Τμημα Βιολογιας Αριστοτελειο Πανεπιστημιο Θεσσαλονικης Mathematics and Statistics in Biology WINTER SEMESTER (1 st ) School of Biology Aristotle
Διαβάστε περισσότεραΣτατιστική Ι. Ενότητα 9: Κατανομή t-έλεγχος Υποθέσεων. Δρ. Γεώργιος Κοντέος Τμήμα Διοίκησης Επιχειρήσεων Γρεβενών
Στατιστική Ι Ενότητα 9: Κατανομή t-έλεγχος Υποθέσεων Δρ. Γεώργιος Κοντέος Τμήμα Διοίκησης Επιχειρήσεων Γρεβενών Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για
Διαβάστε περισσότεραΕίδη Μεταβλητών. κλίµακα µέτρησης
ΠΕΡΙΕΧΟΜΕΝΑ Κεφάλαιο 1 Εισαγωγικές Έννοιες 19 1.1 1.2 1.3 1.4 1.5 1.6 1.7 Η Μεταβλητότητα Η Στατιστική Ανάλυση Η Στατιστική και οι Εφαρµοσµένες Επιστήµες Στατιστικός Πληθυσµός και Δείγµα Το στατιστικό
Διαβάστε περισσότεραΕφαρμοσμένη Στατιστική
ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Εφαρμοσμένη Στατιστική Διαστήματα εμπιστοσύνης Διδάσκων: Επίκουρος Καθηγητής Κωνσταντίνος Μπλέκας Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται
Διαβάστε περισσότεραΚεφάλαιο 9. Έλεγχοι υποθέσεων
Κεφάλαιο 9 Έλεγχοι υποθέσεων 9.1 Εισαγωγή Όταν παίρνουμε ένα ή περισσότερα τυχαία δείγμα από κανονικούς πληθυσμούς έχουμε τη δυνατότητα να υπολογίζουμε στατιστικά, όπως μέσους όρους, δειγματικές διασπορές
Διαβάστε περισσότεραΤμήμα Διοίκησης Επιχειρήσεων (Γρεβενά) Μάθημα: Οικονομετρία Διάλεξη 3η: Απλή Γραμμική Παλινδρόμηση. Διδάσκουσα: Κοντογιάννη Αριστούλα
Τμήμα Διοίκησης Επιχειρήσεων Γρεβενά Μάθημα: Οικονομετρία Διάλεξη 3η: Απλή Γραμμική Παλινδρόμηση Διδάσκουσα: Κοντογιάννη Αριστούλα Ιδιότητες εκτιμώμενης ευθείας παλινδρόμησης με τη μέθοδο των ελαχίστων
Διαβάστε περισσότεραΜαθηματικά Και Στατιστική Στη Βιολογία
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Μαθηματικά Και Στατιστική Στη Βιολογία Ενότητα 5 : Εκτιμήσεις Ι. Αντωνίου, Χ. Μπράτσας Τμήμα Μαθηματικών Άδειες Χρήσης Το παρόν εκπαιδευτικό
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 1ο: ΔΙΑΦΟΡΙΚΟΣ ΛΟΓΙΣΜΟΣ ΕΝΟΤΗΤΑ 3: ΟΡΙΑ - ΣΥΝΕΧΕΙΑ ΣΥΝΑΡΤΗΣΗΣ
ΚΕΦΑΛΑΙΟ ο: ΔΙΑΦΟΡΙΚΟΣ ΛΟΓΙΣΜΟΣ ΕΝΟΤΗΤΑ : ΟΡΙΑ - ΣΥΝΕΧΕΙΑ ΣΥΝΑΡΤΗΣΗΣ Η έννοια του ορίου στο x ο Υπάρχουν συναρτήσεις οι τιμές των οποίων πλησιάζουν ένα πραγματικό αριθμό L, όταν η ανεξάρτητη μεταβλητή
Διαβάστε περισσότεραΣτοιχεία της θεωρίας εκτίμησης παραμέτρων
Κεφάλαιο 4 Στοιχεία της θεωρίας εκτίμησης παραμέτρων 4. Το πρόβλημα της εκτίμησης παραμέτρων Στο πρόβλημα της εκτίμησης παραμέτρων υποθέτουμε πως έχουμε στη διάθεσή μας ένα πεπερασμένο σύνολο από μετρήσεις
Διαβάστε περισσότεραΜΑΘΗΜΑΤΙΚΑ ΓΕΝΙΚΗΣ ΠΑΙΔΕΙΑΣ
ΜΑΘΗΜΑΤΙΚΑ ΓΕΝΙΚΗΣ ΠΑΙΔΕΙΑΣ Γ. ΛΥΚΕΙΟΥ ΘΕΜΑΤΑ ΕΠΑΝΑΛΗΨΗΣ - ΘΕΜΑ Ο Έστω η συνάρτηση f( ) =, 0 ) Να αποδείξετε ότι f ( ). f( ) =. ) Να υπολογίσετε το όριο lm f ( )+ 4. ) Να βρείτε την εξίσωση της εφαπτομένης
Διαβάστε περισσότερα