HMY 799 1: Αναγνώριση Συστημάτων
|
|
- Ακακαλλις Παπακώστας
- 7 χρόνια πριν
- Προβολές:
Transcript
1 HMY 799 : Αναγνώριση Συστημάτων Διαλέξεις Επιλογή τάξης μοντέλου και επικύρωση Επαναληπτική αναγνώριση
2 Βέλτιστη μέθοδος συμβαλλουσών μεταβλητών (opimal IV mehod) P P P IV IV, op PEM z() = H ( q) φ () Γενική μέθοδος IV: min θ z ( Fq ) ( ) ε ( ) = F( q) = H ( q) Q= I { } PIV op = E H q φ H q φ, λ ( ) () ( ) () Η υλοποίηση γίνεται επαναληπτικά Q
3 Επιλογή τάξης μοντέλου Επικύρωση μοντέλου Όπως έχουμε συζητήσει, η επιλογή της τάξης του μοντέλου καθώς και η επικύρωσή του είναι ένα από τα πιο σημαντικά θέματα στην αναγνώριση συστημάτων Γενική διαδικασία Επιλογή συνόλου μοντέλων (Γραμμικό/μη γραμμικό, μαύρο κουτί, παραμετροποίηση κλπ.) Π.χ. για γραμμικά συστήματα: ARX, ARMAX κλπ. Επιλογή τάξης: AR, ARMAX κλπ: τάξεις των συναρτήσεων μεταφοράς A(q), B(q), C(q), Μη γραμμικά μοντέλα: επιλογή πολυωνυμικής τάξης (στη συνέχεια) Επιλογή κριτηρίου και μεθόδου εκτίμησης Γιατί είναι σημαντική η επιλογή τάξης? Λιγότερες παράμετροι απ όσες πρέπει (υποπαραμετροποίηση): Λιγότερη ακρίβεια/ικανότητα πρόβλεψης εξόδου, ευελιξία (π.χ. πρόβλεψη για άλλο τύπο εισόδου από αυτόν που χρησιμοποιήθηκε για την αναγνώριση) Περισσότερες παράμετροι απ όσες πρέπει (υπερπαραμετροποίηση): Αχρείαστη πολυπλοκότητα στους υπολογισμούς, αυξημένη διακύμανση των εκτιμήσεων, μειωμένη ικανότητα γενίκευσης μοντέλου (μοντελοποίηση του θορύβου) Η επιλογή τάξης εξαρτάται σε κάποιο βαθμό και από την εφαρμογή Αν μας ενδιαφέρει π.χ. να εξάγουμε γνώση για τη λειτουργία ενός συστήματος, η ακρίβεια μπορεί να είναι πιο σημαντική
4 Επιλογή τάξης μοντέλου Επικύρωση μοντέλου Είδαμε ότι το κριτήριο (συνάρτηση κόστους) συνήθως το (κανονικοποιημένο) μέσο τετραγωνικό σφάλμα ()MSE ποσοτικοποιεί πόσο κοντά βρίσκεται η πρόβλεψη του μοντέλου στις μετρήσεις μας, οι οποίες περιέχουν όμως και θόρυβο ή/και επιδράσεις από άλλους εξωγενείς παράγοντες Δεν πρέπει να στοχεύουμε σε μηδενικό σφάλμα! Το σφάλμα περιέχει δύο συνιστώσες Η μια συνιστώσα αντιστοιχεί στην απόκλιση (bias) από το πραγματικό σύστημα Η άλλη συνιστώσα αντιστοιχεί στη διακύμανση (variance) της εκτίμησης Όταν αυξάνουμε την πολυπλοκότητα μειώνουμε την απόκλιση, αλλά αυξάνουμε τη διακύμανση (bias/variance rade off) Σκοπός της επιλογής της τάξης μοντέλου πρέπει να είναι η εύρεση της «καλύτερης» ισορροπίας μεταξύ απόκλισης/διακύμανσης Βασικές προσεγγίσεις επιλογής τάξης Εκ των προτέρων γνώση για το σύστημα Σύγκριση πρόβλεψης με τις μετρήσεις της εξόδου Μελέτη των χαρακτηριστικών (π.χ. συνάρτηση αυτοσυσχέτισης) του σφάλματος πρόβλεψης Χρησιμοποίηση δεδομένων εκτός δείγματος (cross validaion) Κριτήρια που επιβάλλουν ποινή στην πολυπλοκότητα (AIC, FPE, MDL)
5 Σύγκριση πρόβλεψης μετρήσεων Σύγκριση πρόβλεψης με τις μετρήσεις της εξόδου Για τη γενική περίπτωση ενός γραμμικού μοντέλου του τύπου συγκρίνουμε το κλάσμα της πρόβλεψης που αντιστοιχεί στην είσοδο, δηλ. y () ˆ m = G ( q, θ ) () Ν u με τις μετρήσεις μας. Το πόσο κοντά θα πρέπει να βρίσκονται τα δύο σήματα εξαρτάται από το λόγο σήματος προς θόρυβο και από το αν υπάρχουν και άλλες μεταβλητές εισόδου που δεν μοντελοποιούνται. Σε κάθε περίπτωση στην πράξη όμως θα πρέπει ym () y() Η απόκλιση μεταξύ των δύο οφείλεται σε σφάλματα μοντελοποίησης και στις διαταραχές Ποσοτικοποίηση: ˆ V ( ) ( ) ˆ( ˆ θ = y y ) = θ
6 Έλεγχος υπολοίπων Τα υπόλοιπα (residuals) του μοντέλου, δηλ: ε ( θˆ ˆ ˆ ) = y() y( θ ) περιέχουν σημαντική πληροφορία και μπορούν να χρησιμοποιηθούν για την επιλογή της τάξης μοντέλου Σημαντικό: Στην περίπτωση που μοντελοποιούμε και το θόρυβο (μέθοδοι πρόβλεψης σφάλματος) τα υπόλοιπα πρέπει να είναι λευκή διαδικασία για θˆ = θ0 Σε αντίθετη περίπτωση (π.χ. απλά ελάχιστα τετράγωνα, IV mehods) αυτό δεν ισχύει στη γενική περίπτωση Οι παρακάτω μέθοδοι (στατιστικός έλεγχος λευκότητας των υπολοίπων) μπορούν να εφαρμοστούν στην πρώτη περίπτωση μόνο με ασφάλεια! Στατιστικός έλεγχος λευκότητας υπολοίπων Συνήθως γίνεται χρησιμοποιώντας τη συνάρτηση αυτοσυσχέτισης των υπολοίπων ή τη συνάρτηση αλληλοσυσχέτισης μεταξύ υπολοίπων και της εισόδου Έχουμε δει ότι μπορούμε να εκτιμήσουμε τις συναρτήσεις αυτές ως τ Συνάρτηση αυτοσυσχέτισης ˆ ϕεε ( τ) = ε( ) ε( + τ) = Η ποσότητα αυτή ιδανικά πρέπει να είναι μη μηδενική μόνο για τ=0 (πρακτικά πρέπει να είναι «μικρή» για όλα τα άλλα τ εκτός 0) τ Συνάρτηση αλληλοσυσχέτισης ˆ ϕεu ( τ) = ε( u ) ( τ) = Η ποσότητα αυτή ιδανικά πρέπει να είναι μηδενική (πρακτικά πολύ μικρή). Για συστήματα ανοικτού βρόχου πρέπει να ισχύει για θετικά και αρνητικά τ
7 Έλεγχος υπολοίπων τ Συνάρτηση αυτοσυσχέτισης ˆ ϕ () εε ( τ) = ε( ) ε( + τ) = Ξέρουμε ότι για λευκή διαδικασία, για : ˆ ϕεε (0) λ ˆ ϕεε ( τ) 0, τ 0 Όπως είδαμε και στη γραμμική παλινδρόμηση, για να κάνουμε στατιστικό έλεγχο μιας υπόθεσης, θα πρέπει πρώτα να τυποποιήσουμε τις υποθέσεις μας. Στην προκειμένη περίπτωση: Η 0 : ηδιαδικασίαε() είναι λευκός θόρυβος Η : η διαδικασία ε() δεν είναι λευκός θόρυβος Αν ισχύει η Η 0 : Η κατανομή του κανονικοποιημένου αθροίσματος των τετραγώνων της εκτίμησης () είναι ασυμπτωτικά χ, δηλ: m ˆ ( ) m ˆ ϕεε τ χ (0) ϕ εε τ = Επίσης η κατανομή των κανονικοποιημένων εκτιμήσεων της αυτοσυσχέτισης είναι ασυμπτωτικά κανονική, δηλ: ˆ ϕεε ( τ) (0,) ˆ ϕ (0) εε Μπορούμε να χρησιμοποιήσουμε αυτά τα αποτελέσματα για στατιστικό έλεγχο
8 Έλεγχος υπολοίπων Στατιστικός έλεγχος Ορίζουμε το επίπεδο σημαντικότητας α (συνήθως 0.05). Ορίζοντας την ποσότητα α = Px ( > χ ) m, α όπου η τυχαία μεταβλητή που μας ενδιαφέρει είναι Αν Αν m ˆ ϕ εε (0) τ = m ˆ ϕ εε (0) τ = ˆ ϕ ( τ) > χ εε m, α ˆ ϕ ( τ ) χ εε m, α m x = ϕ ˆ ϕ εε (0) τ = ˆ εε ( τ ) τότε: χ m, α Απόρριψη της Η 0 (το ε δεν είναι λευκή διαδικασία) Αποδοχή της Η 0 (το ε είναι λευκή διαδικασία) ˆ ϕ ( τ ) Μπορούμε να κάνουμε το ίδιο για την ποσότητα εε για διαφορετικές τιμές του τ ˆ ϕ (0) συγκρίνοντας αυτή τη φορά με την ποσότητα n εε α / =.96 Αν ˆ ϕ ( τ) εε >.96 Απόρριψη της Η 0 ˆ ϕεε (0) Αν ˆ ϕ ( τ ) εε.96 Αποδοχή της Η 0 ˆ ϕ (0) εε ως:
9 Έλεγχος υπολοίπων
10 Έλεγχος υπολοίπων Έλεγχος αλληλοσυσχέτισης μεταξύ υπολοίπων εισόδου Αν το μοντέλο είναι ακριβής περιγραφή του συστήματος, θα πρέπει η είσοδος και τα υπόλοιπα να είναι ασυσχέτιστα μεταξύ τους, δηλ: ϕεu ( τ ) = E { ε ( u ) ( τ )} = 0 Για συστήματα ανοικτού βρόχου, η συνθήκη αυτή πρέπει να ισχύει για κάθε τ Για συστήματα κλειστού βρόχου, η συνθήκη αυτή θα πρέπει να ισχύει μόνο για τ>0, αλλά όχι για τ<0. Μπορούμε να χρησιμοποιήσουμε αυτό το γεγονός για τον έλεγχο ύπαρξης ανάδρασης Μπορούμε επίσης να χρησιμοποιήσουμε την αλληλοσυσχέτιση για τον έλεγχο της χρονικής καθυστέρησης του συστήματος. Αν π.χ. έχουμε υποθέσει καθυστέρηση 0 = αλλά η αληθινή καθυστέρηση είναι η αλληλοσυσχέτιση μεταξύ u( ) και ε() θα είναι σημαντική! Στατιστικός έλεγχος: Σχηματίζουμε την ποσότητα: ˆ ϕεu ( τ ) xτ = [ ˆ ϕ (0) ˆ ( )] / εε ϕuu τ τ όπου ˆ ϕεu ( τ) = ε( u ) ( τ) = Ορίζουμε u ( ) ˆ Φ uu ( τ ) =... [ u ( )... u ( m) ] = m+ u ( m) φ = ϕ ( τ + )... ϕ ( τ + m) [ ] εu εu
11 Τότε, αν το ε είναι λευκός θόρυβος: φ ˆ ϕ (0) ˆ Φ εε uu φ χ m Έλεγχος υπολοίπων Η ποσότητα αυτή μπορεί να χρησιμοποιηθεί για στατιστικό έλεγχο όπως και προηγουμένως Επίσης, για τη μεταβλητή ˆ ϕεu ( τ ) x τ = / ˆ ϕ (0) ˆ ϕ ( τ) [ ] / εε uu για ε λευκό θόρυβο ισχύει: x τ (0,) Στους παραπάνω ελέγχους, το m συνήθως επιλέγεται μεταξύ 5 και Ν/4. Το επιλέγεται έτσι ώστε τα στοιχεία του φ = ϕ ( τ + )... ϕ ( τ + ) [ ] εu εu m τ να μην είναι μηδενικά εξ ορισμού (πχ χρονικές καθυστερήσεις κλπ.)
12 Επιλογή τάξης Δεδομένα επικύρωσης (cross validaion daa) Πως επιλέγουμε την τάξη του μοντέλου? Ξεκινάμε από πολύ απλές δομές και εξετάζουμε σταδιακά πιο πολύπλοκα μοντέλα Αρχή της οικονομίας (parsimony principle) Αν δύο μοντέλα διαφορετικής πολυπλοκότητας εξηγούν τα δεδομένα που χρησιμοποιούνται για την αναγνώριση περίπου το ίδιο καλά, το μοντέλο με τις λιγότερες ελεύθερες παραμέτρους πρέπει να επιλεγεί Επίσης: Αν ένα μοντέλο δίνει ακριβή περιγραφή ενός συστήματος, θα πρέπει να μπορεί να περιγράψει οποιοδήποτε σετ δεδομένων που δημιουργείται από το σύστημα. Αν το σύστημα είναι περισσότερο πολύπλοκο απ όσο πρέπει, μοντελοποιεί και το θόρυβο στα δεδομένα που χρησιμοποιούνται για την αναγνώριση (overfiing) Μπορούμε να χρησιμοποιήσουμε ένα σετ δεδομένων που δεν χρησιμοποιήθηκαν για την αναγνώριση (cross validaion daa) για να εκτιμήσουμε την ικανότητα γενίκευσης του μοντέλου μας Γενικά η μέθοδος αυτή είναι η πιο αξιόπιστη όταν: Έχουμε ικανό αριθμό δεδομένων (πρέπει να έχουμε δεδομένα εκπαίδευσης και επικύρωσης) Το σύστημα είναι (σχεδόν) χρονικά αμετάβλητο
13 Δεδομένα επικύρωσης (cross validaion daa) Έστω ότι η ποιότητα του μοντέλου μετράται (για δεδομένα επικύρωσης δεδομένα στο μέλλον) με την ποσότητα: ˆ W ( θ ) = E { ε ( θˆ )} Στην ιδανική περίπτωση ( θ ˆ = θ Ν 0) το ε είναι λευκό και W ˆ ( θ) = λ Τι συμβαίνει όταν έχουμε απόκλιση από την αληθινή τιμή των παραμέτρων? Χρησιμοποιώντας επέκταση aylor γύρω από το θ 0 για το ε : ˆ ε ( 0) θ ( ) ( ˆ W θ = E ε θ0) + ( θ θ0) = = ˆ θ θ θ0 { ˆ } () (, )( ) ψ θ θ θ = E e 0 0 = ( ˆ ) { (, ) (, )}( ˆ ) = λ + θ θ0 Ε ψ θ0 ψ θ0 θ θ0 Μάλιστα μπορεί να δειχθεί ότι: p Ε + { W} λ ( ) όπου p=dimθ. Άρα η αναμενόμενη τιμή του σφάλματος πρόβλεψης για δεδομένα επικύρωσης αυξάνεται για πιο πολύπλοκα μοντέλα από το πραγματικό!
14 Σύγκριση διαφορετικών μοντέλων Πως συγκρίνουμε διαφορετικά μοντέλα με βάση τη συνάρτηση κόστους V ˆ ( θ)? Όσο αυξάνουμε την πολυπλοκότητα η τιμή του κόστους ελαττώνεται μονοτονικά (περισσότερες ελεύθερες παράμετροι) Το πρόβλημα είναι να βρούμε την τάξη εκείνη στην οποία σταματάει να μειώνεται σημαντικά η τιμή της συνάρτησης κόστους Είδαμε (γραμμική παλινδρόμηση) ότι αυτό μπορεί να γίνει για δύο οποιαδήποτε μοντέλα Μ και Μ χρησιμοποιώντας τη στατιστική ποσότητα F F ( MSE MSE)/( p p) = MSE /( p ) F η οποία ακολουθεί κατανομή p (ως λόγος δυο τ.μ. που ακολουθούν κατανομή χ ) και για p, p μεγάλο Ν προσεγγίζει την χ p p Διαδικασία: Υπολογίζουμε τα μέσα τετραγωνικά σφάλματα και την ποσότητα F Καθορίζουμε το επίπεδο σημαντικότητας α Συγκρίνουμε την ποσότητα αυτή είτε με την F α p p, p ή την χ p p, α Αν F < χ : αποδοχή μοντέλου Μ p p, α, Αν F > χ p p, α : αποδοχή μοντέλου Μ
15 Σύγκριση διαφορετικών μοντέλων Άλλη προσέγγιση: Χρησιμοποιούμε μια τροποποιημένη συνάρτηση κόστους η οποία επιβάλλει ποινή στην πολυπλοκότητα του μοντέλου και ψάχνουμε την τάξη εκείνη που ελαχιστοποιεί αυτή τη συνάρτηση, δηλ. m = arg min ( Fi + Complexiy. Penaly ) m Μ Η τροποποιημένη συνάρτηση κόστους είναι της γενικής μορφής W = V ( θˆ ){ +β (, p)} όπου ο όρος ποινής β(ν,p) πρέπει να αυξάνεται όταν το p αυξάνεται και να τείνει στο μηδέν όταν το Ν τείνει στο άπειρο Παραδείγματα συναρτήσεων ποινής Akaike informaion crierion ˆ p AIC( p) = V( θ){ + } Final predicion error ˆ + p / FPE( p) = V ( θ){ + } p/ Minimum descripion lengh ˆ pln MDL( p) = V( θ){ + } AIC/FPE ασυμπτωτικά ισοδύναμα. Τυπικά τα δύο αυτά κριτήρια τείνουν στην επιλογή υψηλής πολυπλοκότητας, το MDL είναι πιο συντηρητικό
16 Επαναληπτική αναγνώριση (Recursive idenificaion) Επαναληπτική αναγνώριση: Οι εκτιμήσεις μας ανανεώνονται σε κάθε χρονική στιγμή, δηλ. παίρνουμε την εκτίμηση θ ˆ( ) τροποποιώντας την εκτίμηση θ ˆ( ) Μέχρι στιγμής, χρησιμοποιούσαμε όλα τα δεδομένα για να πάρουμε τις εκτιμήσεις μας Γιατί είναι σημαντικές αυτές οι μέθοδοι? Εφαρμογές σε αληθινό χρόνο (προσαρμοστικός έλεγχος) Χρονικά μεταβλητά συστήματα Αναγνώριση σφαλμάτων (faul deecion) Βασική ιδέα: τροποποίηση της αντίστοιχης μεθόδου «εκτός γραμμής» (off line), π.χ. ελάχιστα τετράγωνα, μέθοδοι πρόβλεψης σφάλματος Επιθυμητές ιδιότητες ενός αλγορίθμου επαναληπτικής αναγνώρισης Γρήγορη σύγκλιση Συνεπής εκτίμηση (για χρονικά αμετάβλητα συστήματα) Καλή παρακολούθηση (για χρονικά μεταβλητά συστήματα) Σχετικά χαμηλή υπολογιστική πολυπλοκότητα (οι υπολογισμοί πρέπει να πραγματοποιούνται μέσα σε ένα διάστημα δειγματοληψίας
17 Επαναληπτικά ελάχιστα τετράγωνα (Recursive leas squares RLS) Η βασική εκτίμηση ελάχιστων τετραγώνων είναι: θ ˆ Ν = () s () s () s y() s φ φ s= φ s= Άρα τη χρονική στιγμή έχουμε: θ ˆ( ) () = s () s () s y () s φ φ s= φ s= Επομένως η εκτίμησή μας αλλάζει σε κάθε χρονικό βήμα. Μπορούμε να βρούμε μια επαναληπτική υλοποίηση αυτής της σχέσης? Ορίζουμε: P() = φ() s φ k () s s= Εύκολα βλέπουμε ότι: P = P + φ φ () ( ) () () Άρα: θˆ( ) = P () φ () s y () s + φ () y () = s= = P() ( ) ( ) () y() P θ + φ = ˆ = θ( ) + P( ) φ( )[ y( ) φ ( ) θˆ( )] ˆ
18 Επαναληπτικά ελάχιστα τετράγωνα (RLS) ˆ ˆ θ() = θ( ) + P() φ()[ y() φ () θˆ( )] Η σχέση αυτή μπορεί να ξαναγραφεί ως: θˆ() = θˆ( ) + K() ε () K() = P() φ() ε () = y() φ () θˆ ( ) ε() : σφάλμα πρόβλεψης, αν το ε() είναι μικρό, η εκτίμηση είναι ήδη καλή οπότε δε θα αλλάξει πολύ, αν όχι αλλάζει περισσότερο Κ(): κέρδος σταθμίζει πόσο το ε() αλλάζει τις τιμές των παραμέτρων H σχέση P () = P ( ) + φ () φ () απαιτεί αντιστροφή πίνακα. Χρησιμοποιώντας όμως την ιδιότητα: [ A+BCD ] = A A B (marix inversion lemma) C +DA B DA μπορούμε να την ξαναγράψουμε ως: P( ) φ( ) φ ( ) P( ) P() = P( ) + φ ( ) P( ) φ( ) η οποία είναι διαίρεση με αριθμό! Επίσης: P( ) φ( ) K() = P() φ() = + φ ( ) P( ) φ( )
19 Επαναληπτικά ελάχιστα τετράγωνα (RLS) Τελική μορφή του αλγορίθμου: Ξεκινάμε από κάποιες αρχικές τιμές θ ˆ(0), P (0) Ανανεώνουμε τις τιμές των παραμέτρων σε κάθε βήμα με βάση τις: θˆ() = θˆ( ) + K() ε () ε () = y() φ () θˆ ( ) P ( ) φ ( ) φ ( ) P ( ) P() = P( ) + φ ( ) P( ) φ( ) P( ) φ( ) K() = P() φ() = + φ ( ) P ( ) φ ( ) Πως μπορούμε να χρησιμοποιήσουμε αυτές τις σχέσεις για την εκτίμηση χρονικά μεταβαλλόμενων παραμέτρων? Τροποποίηση της συνάρτησης κόστους ώστε να λαμβάνονται υπόψη μόνο οι πιο πρόσφατες μετρήσεις, δηλ: s V ( θ) = λ ε ( s) s== όπου το λ ονομάζεται forgeing facor και είναι σταθερά μεταξύ 0 και. Μικρότερο α: πιο γρήγορη προσαρμογή, αλλά μεγαλύτερη ευαισθησία στο θόρυβο πιθανά προβλήματα σύγκλισης λ=: Βασική μέθοδος RLS
20 Επαναληπτικά ελάχιστα τετράγωνα (RLS) Ο αλγόριθμος γίνεται τότε: θˆ () = θˆ ( ) + K () ε () ε () = y() φ () θˆ ( ) P( ) φ( ) φ ( ) P( ) P () = P ( ) λ λ + φ () P( ) φ() ( ) ( ) () = () () = P φ K P φ λ + φ () P( ) φ() Αρχικές συνθήκες: Πως επιλέγουμε τα θ ˆ(0), P(0)? θ ˆ(0) Αρχική εκτίμηση των παραμέτρων P(0) Αρχική εκτίμηση του πίνακα συνδιακύμανσης των παραμέτρων (πρέπει να είναι συμμετρικός, θετικά ορισμένος) Αν δεν έχουμε κάποια a priori γνώση για το σύστημά μας, συνήθως επιλέγουμε: θˆ(0) = 0 P (0) = ρ Ι Αν το ρ μεγάλο: μεγάλη αρχική απόκριση οι τιμές των παραμέτρων μπορεί να απομακρυνθούν γρήγορα από την αρχική τιμή τους καλό όταν είμαστε αβέβαιοι για την αρχική τιμή που επιλέξαμε
21 Επαναληπτική μέθοδος συμβαλλουσών μεταβλητών (RIVM) Η βασική εκτίμηση IV είναι (από τα προηγούμενα): θ ˆ( ) () = z s φ () s z ()() s y s s= s= Η μόνη διαφορά σε σχέση με τη βασική εκτίμηση ελάχιστων τετραγώνων είναι ότι το φ(s) αντικαθίσταται από z(s). Μπορεί να δειχθεί ότι και για την επαναληπτική έκδοση ισχύει το ίδιο, δηλαδή έχουμε: θˆ() = θˆ( ) + K() ε () ε () = y() φ () θˆ ( ) P ( ) z ( ) K() = P() z() = λ + φ () P( ) z() P( ) z( ) φ ( ) P( ) P() = P( ) λ λ + φ () P ( ) z() Η επιλογή των αρχικών συνθηκών μπορεί να γίνει όπως και στα RLS Η βασική μέθοδος IV δίνει συνεπείς εκτιμήσεις για χρονικά αμετάβλητα συστήματα ARMAX. Και η επαναληπτική έκδοση (RIVM) δίνει συνεπείς εκτιμήσεις σε αυτή την περίπτωση
22 Επαναληπτική μέθοδος πρόβλεψης σφάλματος (RPEM) Ξεκινάμε από την τροποποιημένη συνάρτηση κόστους: V s ( θ ) = λ ε ( s, θ ) s= Σε αυτή την περίπτωση, είδαμε ότι η μέθοδος εκτός γραμμής (off line) βασίζεται σε μη γραμμικό πρόβλημα βελτιστοποίησης, οπότε δεν μπορούμε να πάρουμε ακριβώς επαναληπτικές σχέσεις όπως στις περιπτώσεις RLS, RIVM. Θα πρέπει να πάρουμε κάποιου είδους προσέγγιση Έστω ότι η τιμή θ ˆ( ) ελαχιστοποιεί τη συνάρτηση κόστους V ( ) θ Παίρνοντας επέκταση aylor της V γύρω από το (είναι λογικό να υποθέσουμε ότι και το ( θ) θ ˆ( ) ελάχιστο της V ( θ ) θα είναι κοντά στο θˆ( ) ): ˆ ' ˆ ˆ ˆ '' V ˆ ˆ ( θ) V( θ( )) + V ( θ( ))( θ θ( )) + ( θ θ( )) V ( θ( ))( θ θ( )) Ελαχιστοποιώντας αυτή τη σχέση ως προς θ παίρνουμε: '' ' ( ) = ( ) V ( ( )) ( ( )) V θ ˆ θ ˆ ˆ ˆ θ θ Μπορούμε να απλοποιήσουμε (υποθέτουμε ότι οι δεύτερες παράγωγοι δεν αλλάζουν πολύ στο ). ' Επίσης V ( ( )) 0. Ξεκινώντας από τη σχέση: θ = ˆ V( θ) = λv ( θ) + ε (, θ) και παραγωγίζοντάς τη δύο φορές παίρνουμε με βάση τις ανωτέρω προσεγγίσεις τελικά:
23 Επαναληπτική μέθοδος πρόβλεψης σφάλματος (RPEM) ˆ ˆ '' θ( ) = θ( ) V ( ˆ( )) '(, ˆ θ ε θ( )) '' ˆ '' V ( ( )) ( ˆ( )) '(, ˆ θ = λv θ + ε ( )) θ Αυτή η σχέση απαιτεί αντιστροφή του πίνακα των δευτέρων παραγώγων της συνάρτησης κόστους ως προς τις παραμέτρους. Μπορούμε να απλοποιήσουμε περαιτέρω. Χρησιμοποιώντας όπως και πριν marix inversion lemma και τις προσεγγίσεις: ε () ε (, θˆ ( )) (, ˆ ˆ ε ( )) () ε '(, ( )) θ ψ θ = θ τελικά καταλήγουμε στον ακόλουθο επαναληπτικό αλγόριθμο: θˆ() = θˆ( ) + K() ε () P( ) ψ( ) K () = P () ψ () = λ + ψ () P( ) ψ() P( ) ψ( ) ψ ( ) P( ) P() = P( ) λ λ+ ψ () P( ) ψ() Φυσικά, η ακριβής μορφή εξαρτάται από το είδος του μοντέλου που χρησιμοποιείται
24 Επαναληπτική μέθοδος πρόβλεψης σφάλματος (RPEM) Παράδειγμα: Μοντέλο ARMAX Aq ( ) y ( ) = Bqu ( ) ( ) + Cqe ( ) ( ) Έχουμε δει (διαλέξεις 5 6) ότι σε αυτή την περίπτωση: y ( ) + ay ( ) a y ( n) = bu ( ) b u ( n) + n a n b a + e () + ce ( ) c e ( n) ψ(, θ) = ( )... ( ) ( )... ( ) ( )... ( ) y F y F n F F F F a u u nb e e n c y F () = y(), u F () = u(), ε F () = ε() Cq ( ) Cq ( ) Cq ( ) Στην πράξη οι ποσότητες αυτές μπορούν να υπολογιστούν π.χ. ως: ε ( ) = y( ) + aˆ ( ) y( ) aˆ ( ) y( n ) b ˆ ( ) u( )... b ˆ ( ) u( n ) n a n b cˆ ( ) e( )... cˆ ( ) e( n ) F F y () = y () cˆ () y ( )... cˆ () y( n ) n c n a c ψ( ) = y F ( )... y F ( n ) F ( )... F ( ) F ( )... F ( ) a u u nb e e n c F F u () = u() cˆ () u ( )... cˆ () u( n ) F F ε () = ε() cˆ () ε ( )... cˆ () ε( n ) n n c c c c c c b b n c c
25 Επαναληπτική ψευδογραμμική παλινδρόμηση (Recursive pseudolinear regression) Γράφοντας το μοντέλο ARMAX Aq ( ) y ( ) = Bqu ( ) ( ) + Cqe ( ) ( ) ως y () = φ () θ y ( ) + ay ( ) a y ( n) = bu ( ) b u ( n) + n a n b φ( ) = [ y ( )... y ( n) u ( )... u ( n) e ( )... e ( n)] θ = [ a... a b... b c... c ] n n n a b c a b c a + e () + ce ( ) c e ( n ) Τα e είναι άγνωστα! Αν τα αντικαταστήσουμε με τα ανάλογα σφάλματα πρόβλεψης, δηλ με: ε () = y() φ () θˆ ( ) και εφαρμόσουμε επαναληπτικά ελάχιστα τετράγωνα (RLS) παίρνουμε επαναληπτική ψευδογραμμική παλινδόμηση (RPLS) ή αλλιώς exended leas squares. Χρησιμοποιούμε τις ίδιες σχέσεις: θˆ() = θˆ( ) + K() ε () ε () = y() φ () θˆ ( ) P( ) φ( ) φ ( ) P( ) P() = P( ) + φ ( ) P( ) φ( ) P( ) φ( ) K () = P () φ () = + φ ( ) P( ) φ( ) b n c c με φ( ) = [ y ( )... y ( n) u ( )... u ( n) ε( )... ε( n)] a b c
26 Παράδειγμα Αληθινό σύστημα ARMAX ( 0.9 q ) y( ) = q u( ) + ( 0.9 q ) e( ) Επαναληπτικά ελάχιστα τετράγωνα / συμβάλλουσες μεταβλητές με z()=[u(-) u(-)] : Άγνωστοι? Επαναληπτική μέθοδος πρόβλεψης σφάλματος / ψευδογραμμική παλινδρόμηση: Άγνωστοι? Αρχικές τιμές: θ ˆ(0) = 0 λ= P(0) = 0Ι RLS RIV
27 Παράδειγμα RPEM RPLR
28 Παράδειγμα Επίδραση των αρχικών συνθηκών Σύστημα ( 0.9 q ) y() = q u() + e(), RLS ρ=0 ρ= ρ=0. ρ=0.0
29 Παράδειγμα Επίδραση forgeing facor ( 0.9 q ) y( ) = (+ 0.9 q ) e( ), RPEM ρ=00 λ=0.99 λ= λ=0.95
30 Σύγκλιση Ασυμπτωτικά, για λ= (η για λ που τείνει στο για Ν ) οι επαναληπτικές μέθοδοι RLS και RIV έχουν την ίδια συμπεριφορά με τις αντίστοιχες μεθόδους εκτός γραμμής Και η επαναληπτική μέθοδος PEM συγκλίνει για λ= Οι μέθοδοι ελάχιστων τετραγώνων και συμβαλλουσών μεταβλητών μπορούν να γραφούν ως έχουν (ακριβώς) σε επαναληπτική μορφή (για λ=, οι ιδιότητες παραμένουν ακριβώς ίδιες) Η μέθοδος πρόβλεψης σφάλματος μπορεί να γραφεί επαναληπτικά μετά από κάποιες προσεγγίσεις Παρακολούθηση χρονικά μεταβλητών συστημάτων: Χρησιμοποίηση λ< Συμβιβασμός μεταξύ ικανότητας παρακολούθησης/σύγκλισης
HMY 799 1: Αναγνώριση Συστημάτων
HMY 799 : Αναγνώριση Συστημάτων Διαλέξεις 9 Insrumenal variable mehods συνέχεια Παραδείγματα Μέοδοι PEM, IV ο u() είναι επίμονα διεγερτικό (persisenly exciing) τάξης n αν: ο όριο ϕ ( τ) = lim u ( + τ)
Διαβάστε περισσότεραHMY 799 1: Αναγνώριση Συστημάτων
HMY 799 : Αναγνώριση Συστημάτων Διάλεξη Γραμμική παλινδρόμηση (Linear regression) Εμπειρική συνάρτηση μεταφοράς Ομαλοποίηση (smoothing) Y ( ) ( ) ω G ω = U ( ω) ω +Δ ω γ ω Δω = ω +Δω W ( ξ ω ) U ( ξ) G(
Διαβάστε περισσότεραΕΛΕΓΧΟΣ ΠΑΡΑΓΩΓΙΚΩΝ ΔΙΕΡΓΑΣΙΩΝ
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΛΕΓΧΟΣ ΠΑΡΑΓΩΓΙΚΩΝ ΔΙΕΡΓΑΣΙΩΝ Ενότητα: Αναγνώριση Διεργασίας - Προσαρμοστικός Έλεγχος (Process Identification) Αλαφοδήμος Κωνσταντίνος
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 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 περισσότεραHMY 799 1: Αναγνώριση. συστημάτων. Διαλέξεις 6 7. Συνάφεια (συνέχεια) Μη παραμετρική αναγνώριση γραμμικών
HMY 799 1: Αναγνώριση Συστημάτων Διαλέξεις 6 7 Συνάφεια (συνέχεια Συστήματα πολλαπλών εισόδων Μη παραμετρική αναγνώριση γραμμικών συστημάτων Εκτίμηση άσματος Ισχύος Περιοδόγραμμα, Bartlett/Welch, Παραμετρική
Διαβάστε περισσότεραΑντικείμενο του κεφαλαίου είναι: Ανάλυση συσχέτισης μεταξύ δύο μεταβλητών. Εξίσωση παλινδρόμησης. Πρόβλεψη εξέλιξης
Γραμμική Παλινδρόμηση και Συσχέτιση Αντικείμενο του κεφαλαίου είναι: Ανάλυση συσχέτισης μεταξύ δύο μεταβλητών Εξίσωση παλινδρόμησης Πρόβλεψη εξέλιξης Διμεταβλητές συσχετίσεις Πολλές φορές χρειάζεται να
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 07-08 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Επικ. Καθηγητής v.koutras@fme.aegea.gr Τηλ: 7035468 Θα μελετήσουμε
Διαβάστε περισσότεραΤΕΙ ΔΥΤΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ Μεταπτυχιακό Τραπεζικής & Χρηματοοικονομικής
ΤΕΙ ΔΥΤΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ Μεταπτυχιακό Τραπεζικής & Χρηματοοικονομικής Υποθέσεις του Απλού γραμμικού υποδείγματος της Παλινδρόμησης Η μεταβλητή ε t (διαταρακτικός όρος) είναι τυχαία μεταβλητή με μέσο όρο
Διαβάστε περισσότεραΠανεπιστήμιο Πατρών Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών. Διάλεξη 9
Πανεπιστήμιο Πατρών Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Τομέας Συστημάτων και Αυτομάτου Ελέγχου ΠΡΟΣΑΡΜΟΣΤΙΚΟΣ ΕΛΕΓΧΟΣ Διάλεξη 9 Πάτρα 2008 Ρύθμιση ελαχίστης διασποράς Η στρατηγική
Διαβάστε περισσότεραΑριθμητική Ανάλυση και Εφαρμογές
Αριθμητική Ανάλυση και Εφαρμογές Διδάσκων: Δημήτριος Ι. Φωτιάδης Τμήμα Μηχανικών Επιστήμης Υλικών Ιωάννινα 07-08 Αριθμητική Παραγώγιση Εισαγωγή Ορισμός 7. Αν y f x είναι μια συνάρτηση ορισμένη σε ένα διάστημα
Διαβάστε περισσότεραE[ (x- ) ]= trace[(x-x)(x- ) ]
1 ΦΙΛΤΡΟ KALMAN ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ Σε αυτό το μέρος της πτυχιακής θα ασχοληθούμε λεπτομερώς με το φίλτρο kalman και θα δούμε μια καινούρια έκδοση του φίλτρου πάνω στην εφαρμογή της γραμμικής εκτίμησης διακριτού
Διαβάστε περισσότεραE [ -x ^2 z] = E[x z]
1 1.ΦΙΛΤΡΟ KALMAN ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ Σε αυτήν την διάλεξη θα πάμε στο φίλτρο με περισσότερες λεπτομέρειες, και θα παράσχουμε μια νέα παραγωγή για το φίλτρο Kalman, αυτή τη φορά βασισμένο στην ιδέα της γραμμικής
Διαβάστε περισσότεραStochastic Signals Class Estimation Theory. Andreas Polydoros University of Athens Dept. of Physics Electronics Laboratory
Stochastic Signals Class Estimation Theory Andreas Polydoros University of Athens Dept. of Physics Electronics Laboratory 1 Τι ειναι «Εκτιμηση» (Estimation)? Γενικο Πλαισιο: Θεωρια και Πραξη Συμπερασματων
Διαβάστε περισσότεραΚινητά Δίκτυα Επικοινωνιών. Συμπληρωματικό υλικό. Προσαρμοστική Ισοστάθμιση Καναλιού
Κινητά Δίκτυα Επικοινωνιών Συμπληρωματικό υλικό Προσαρμοστική Ισοστάθμιση Καναλιού Προσαρμοστικοί Ισοσταθμιστές Για να υπολογίσουμε τους συντελεστές του ισοσταθμιστή MMSE, απαιτείται να λύσουμε ένα γραμμικό
Διαβάστε περισσότεραΒέλτιστη παρεμβολή και πρόγνωση άγνωστης συνάρτησης με τη μέθοδο της σημειακής προσαρμογής
Ειδικά Θέματα Συνορθώσεων & Εφαρμογές 8 ο εξάμηνο, Ακαδημαϊκό έτος 2016-2017 Βέλτιστη παρεμβολή και πρόγνωση άγνωστης συνάρτησης με τη μέθοδο της σημειακής προσαρμογής (Least squares collocation) Χριστόφορος
Διαβάστε περισσότεραHMY 799 1: Αναγνώριση Συστημάτων
HMY 799 : Αναγνώριση Συστημάτων Διαλέξεις 7 8 Μέθοδοι πρόβλεψης σφάλματος (prediction error methods) Συνέχεια Σήματα εισόδου Instrumental variable methods Η γραμμικής παλινδρόμηση μπορεί να εφαρμοστεί
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 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 Επικ. Καθηγητής v.koutra@fme.aegea.gr Τηλ: 7035468 Θα μελετήσουμε
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 6 ΠΡΟΒΛΕΨΕΙΣ ΜΕ ΥΠΟΔΕΙΓΜΑΤΑ ΧΡΟΝΟΣΕΙΡΩΝ
ΚΕΦΑΛΑΙΟ 6 ΠΡΟΒΛΕΨΕΙΣ ΜΕ ΥΠΟΔΕΙΓΜΑΤΑ ΧΡΟΝΟΣΕΙΡΩΝ 6. Εισαγωγή 6. Μονομεταβλητές προβλέψεις Βέλτιστη πρόβλεψη και Θεώρημα βέλτιστης πρόβλεψης Διαστήματα εμπιστοσύνης 6.3 Εφαρμογές A. MILIONIS KEF. 6 08 BEA
Διαβάστε περισσότεραΚατανομή συνάρτησης τυχαίας μεταβλητής Y=g(X) Πιθανότητες & Στατιστική 2017 Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Παν. Ιωαννίνων Δ13 ( 1 )
Κατανομή συνάρτησης τυχαίας μεταβλητής =() Πιθανότητες & Στατιστική 07 Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Παν. Ιωαννίνων Δ3 ( ) Κατανομή συνάρτησης τυχαίας μεταβλητής Έστω τ.μ. Χ με γνωστή κατανομή. Δηλαδή
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 περισσότεραΦΙΛΤΡΟ KALMAN ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ
1 ΦΙΛΤΡΟ KALMAN ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ Σε αυτό το μέρος της πτυχιακής θα ασχοληθούμε λεπτομερώς με το φίλτρο kalman και θα δούμε μια καινούρια έκδοση του φίλτρου πάνω στην εφαρμογή της γραμμικής εκτίμησης διακριτού
Διαβάστε περισσότεραΠανεπιστήμιο Πατρών Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών. Διάλεξη 4
Πανεπιστήμιο Πατρών Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Τομέας Συστημάτων και Αυτομάτου Ελέγχου ΠΡΟΣΑΡΜΟΣΤΙΚΟΣ ΕΛΕΓΧΟΣ Διάλεξη 4 Πάτρα 2008 Ντετερμινιστικά Moving Average Μοντέλα Ισχύει:
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 περισσότεραΠΕΡΙΕΧΟΜΕΝΑ ΠΡΟΛΟΓΟΣ 7. ΚΕΦΑΛΑΙΟ 1: Εισαγωγικές Έννοιες 13
ΠΕΡΙΕΧΟΜΕΝΑ ΠΡΟΛΟΓΟΣ 7 ΚΕΦΑΛΑΙΟ 1: Εισαγωγικές Έννοιες 13 1.1. Εισαγωγή 13 1.2. Μοντέλο ή Υπόδειγμα 13 1.3. Η Ανάλυση Παλινδρόμησης 16 1.4. Το γραμμικό μοντέλο Παλινδρόμησης 17 1.5. Πρακτική χρησιμότητα
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 περισσότεραΧ. Εμμανουηλίδης, 1
Εφαρμοσμένη Στατιστική Έρευνα Απλό Γραμμικό Υπόδειγμα AΠΛΟ ΓΡΑΜΜΙΚΟ ΥΠΟ ΕΙΓΜΑ Δρ. Χρήστος Εμμανουηλίδης Αν. Καθηγητής Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης Εφαρμοσμένη Στατιστική, Τμήμα Ο.Ε. ΑΠΘ Χ. Εμμανουηλίδης,
Διαβάστε περισσότεραHMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Διαλέξεις 9 10 Γραμμική παλινδρόμηση (Linear regression) Μπεϋζιανή εκτίμηση για την κανονική κατανομή Γνωστή μέση τιμή μ, άγνωστη διασπορά σ 2. Ακρίβεια λ=1/σ 2 : conjugate
Διαβάστε περισσότεραΠαρεμβολή & πρόγνωση άγνωστης συνάρτησης μέσω σημειακής προσαρμογής
Ειδικά Θέματα Συνορθώσεων & Εφαρμογές 8 ο εξάμηνο, Ακαδημαϊκό έτος 2018-2019 Παρεμβολή & πρόγνωση άγνωστης συνάρτησης μέσω σημειακής προσαρμογής (Least squares collocation) Χριστόφορος Κωτσάκης Τμήμα Αγρονόμων
Διαβάστε περισσότεραΠανεπιστήμιο Πατρών Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών. Διάλεξη 13
Πανεπιστήμιο Πατρών Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Τομέας Συστημάτων και Αυτομάτου Ελέγχου ΠΡΟΣΑΡΜΟΣΤΙΚΟΣ ΕΛΕΓΧΟΣ Διάλεξη 13 Πάτρα 28 Προσαρμοστικός έλεγχος με μοντέλο αναφοράς
Διαβάστε περισσότεραΧρονοσειρές, Μέρος Β 1 Πρόβλεψη Χρονικών Σειρών
Χρονοσειρές, Μέρος Β Πρόβλεψη Χρονικών Σειρών Ο βασικός σκοπός της μελέτης των μοντέλων για χρονικές σειρές (όπως AR, MA, ARMA, ARIMA, SARIMA) είναι η πρόβλεψη (predicio, forecasig) Η πρόβλεψη των μελλοντικών
Διαβάστε περισσότεραHMY 799 1: Αναγνώριση Συστημάτων
HMY 799 : Αναγνώριση Συστημάτων Διάλεξη Στοχαστικές Τυχαίες Μεταβλητές/ Στοχαστικά Σήματα Πειραματικά δεδομένα >Επιλογή τύπου μοντέλου >Επιλογή κριτηρίου >Υπολογισμός >Επικύρωση Προσαρμογή καμπύλης (Curve
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 περισσότεραHMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Διάλεξη 2 Επισκόπηση θεωρίας πιθανοτήτων Τυχαίες μεταβλητές: Βασικές έννοιες Τυχαία μεταβλητή: Μεταβλητή της οποίας δε γνωρίζουμε με βεβαιότητα την τιμή (σε αντίθεση με τις
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 περισσότεραHMY 799 1: Αναγνώριση Συστημάτων
HMY 799 : Αναγνώριση Συστημάτων Διαλέξεις 3 4 Παραμετροποιήσεις γραμμικών χρονικά αμετάβλητων συστημάτων Μοντέλα πρόβλεψης Μοναδικότητα Αναγνωρισιμότητα Τ y () = φ () θ + e () 2 Ee {()} = 0, E{ ee } =
Διαβάστε περισσότεραHMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Διαλέξεις 7-8 Μπεϋζιανή εκτίμηση - συνέχεια Μη παραμετρικές μέθοδοι εκτίμησης πυκνότητας Δυαδικές τ.μ. κατανομή Bernoulli : Εκτίμηση ML: Εκτίμηση Bayes για εκ των προτέρων
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 περισσότεραΠανεπιστήμιο Πατρών Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών. Διάλεξη 11
Πανεπιστήμιο Πατρών Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Τομέας Συστημάτων και Αυτομάτου Ελέγχου ΠΡΟΣΑΡΜΟΣΤΙΚΟΣ ΕΛΕΓΧΟΣ Διάλεξη 11 Πάτρα 2008 Προσαρμοστικός LQ έλεγχος για μη ελαχίστης
Διαβάστε περισσότεραΠανεπιστήμιο Κύπρου Πολυτεχνική Σχολή
Πανεπιστήμιο Κύπρου Πολυτεχνική Σχολή Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών ΗΜΜΥ 795: ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ Ακαδημαϊκό έτος 2010-11 Χειμερινό Εξάμηνο Practice final exam 1. Έστω ότι για
Διαβάστε περισσότεραΠΟΣΟΤΙΚΕΣ ΜΕΘΟΔΟΙ ΙI (ΣΤΑΤΙΣΤΙΚΗ ΓΙΑ ΤΗ ΔΙΟΙΚΗΣΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ) (ΟΔΕ 2116)
Σελίδα 1 ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΟΡΓΑΝΩΣΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΜΑΘΗΜΑ: ΠΟΣΟΤΙΚΕΣ ΜΕΘΟΔΟΙ ΙΙ (ΣΤΑΤΙΣΤΙΚΗ ΓΙΑ ΤΗ ΔΙΟΙΚΗΣΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ) (ΟΔΕ 2116) ΠΑΝΕΠΙΣΤΗΜΙΑΚΟΣ ΥΠΟΤΡΟΦΟΣ ΠΑΝΑΓΙΩΤΗΣ
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 περισσότεραHMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Διάλεξη 3 Επιλογή μοντέλου Επιλογή μοντέλου Θεωρία αποφάσεων Επιλογή μοντέλου δεδομένα επικύρωσης Η επιλογή του είδους του μοντέλου που θα χρησιμοποιηθεί σε ένα πρόβλημα (π.χ.
Διαβάστε περισσότεραΧΡΟΝΙΚΕΣ ΣΕΙΡΕΣ. Παπάνα Αγγελική
ΧΡΟΝΙΚΕΣ ΣΕΙΡΕΣ 7o Μάθημα: Απλή παλινδρόμηση (ΕΠΑΝΑΛΗΨΗ) Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ & ΠΑΜΑΚ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr Webpage: http://users.auth.gr/agpapana
Διαβάστε περισσότεραΨηφιακός Έλεγχος. 6 η διάλεξη Σχεδίαση στο χώρο κατάστασης. Ψηφιακός Έλεγχος 1
Ψηφιακός Έλεγχος 6 η διάλεξη Σχεδίαση στο χώρο κατάστασης Ψηφιακός Έλεγχος Μέθοδος μετατόπισης ιδιοτιμών Έστω γραμμικό χρονικά αμετάβλητο σύστημα διακριτού χρόνου: ( + ) = + x k Ax k Bu k Εφαρμόζουμε γραμμικό
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 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 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 περισσότεραΧρονικές σειρές 6 Ο μάθημα: Αυτοπαλίνδρομα μοντέλα (2)
Χρονικές σειρές 6 Ο μάθημα: Αυτοπαλίνδρομα μοντέλα (2) Εαρινό εξάμηνο 2018-2019 Τμήμα Μαθηματικών ΑΠΘ Διδάσκουσα: Αγγελική Παπάνα Μεταδιδακτορική Ερευνήτρια Πολυτεχνική σχολή, Α.Π.Θ. & Οικονομικό Τμήμα,
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 περισσότεραΧρονικές σειρές 10 Ο μάθημα: Μη στάσιμα μοντέλα ARIMA Μεθοδολογία Box-Jenkins Εαρινό εξάμηνο Τμήμα Μαθηματικών ΑΠΘ
Χρονικές σειρές 10 Ο μάθημα: Μη στάσιμα μοντέλα ARIMA Μεθοδολογία Box-Jenkins Εαρινό εξάμηνο 2018-2019 Τμήμα Μαθηματικών ΑΠΘ Διδάσκουσα: Αγγελική Παπάνα Μεταδιδακτορική Ερευνήτρια Πολυτεχνική σχολή, Α.Π.Θ.
Διαβάστε περισσότεραΕπαυξημένος έλεγχος Dickey - Fuller (ADF)
ΜΑΘΗΜΑ 5ο Επαυξημένος έλεγχος Dickey - Fuller (ADF) Στον έλεγχο των Dickey Fuller (DF) και στα τρία υποδείγματα που χρησιμοποιήσαμε προηγουμένως κάνουμε την υπόθεση ότι ο διαταρακτικός όρος e είναι μια
Διαβάστε περισσότεραΠανεπιστήμιο Πατρών Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών. Διάλεξη 5
Πανεπιστήμιο Πατρών Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Τομέας Συστημάτων και Αυτομάτου Ελέγχου ΠΡΟΣΑΡΜΟΣΤΙΚΟΣ ΕΛΕΓΧΟΣ Διάλεξη 5 Πάτρα 2008 Χρονικά μεταβαλλόμενες παράμετροι Στο πρόβλημα
Διαβάστε περισσότεραΟΙΚΟΝΟΜΕΤΡΙΑ. Παπάνα Αγγελική
ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 6: Ανάλυση γραμμικού υποδείγματος Πολυμεταβλητή παλινδρόμηση (2 ο μέρος) Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr Webpage:
Διαβάστε περισσότεραΔιάστημα εμπιστοσύνης της μέσης τιμής
Διάστημα εμπιστοσύνης της μέσης τιμής Συντελεστής εμπιστοσύνης Όταν : x z c s < μ < x +z s c Ν>30 Στον πίνακα δίνονται κρίσιμες τιμές z c και η αντιστοίχισή τους σε διάφορους συντελεστές εμπιστοσύνης:
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 περισσότεραΧρονικές σειρές 2 Ο μάθημα: Εισαγωγή στις χρονοσειρές
Χρονικές σειρές 2 Ο μάθημα: Εισαγωγή στις χρονοσειρές Εαρινό εξάμηνο 2018-2019 μήμα Μαθηματικών ΑΠΘ Διδάσκουσα: Αγγελική Παπάνα Μεταδιδακτορική Ερευνήτρια Πολυτεχνική σχολή, Α.Π.Θ. & Οικονομικό μήμα, Πανεπιστήμιο
Διαβάστε περισσότεραΣχολή Ηλεκτρολόγων Μηχ/κών και Μηχ/κών Υπολογιστών, Ε.Μ.Π., Ακαδημαϊκό Έτος , 8ο Εξάμηνο. Ρομποτική II. Ευφυή και Επιδέξια Ρομποτικά Συστήματα
Σχολή Ηλεκτρολόγων Μηχ/κών και Μηχ/κών Υπολογιστών, Ε.Μ.Π., Ακαδημαϊκό Έτος 009-0, 8ο Εξάμηνο Ρομποτική II Ευφυή και Επιδέξια Ρομποτικά Συστήματα Κων/νος Τζαφέστας Τομέας Σημάτων, Ελέγχου & Ρομποτικής
Διαβάστε περισσότεραHMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Διαλέξεις 11-12 Γραμμική παλινδρόμηση συνέχεια Γραμμική παλινδρόμηση συνέχεια Γραμμικές διαχωριστικές συναρτήσεις Γραμμική παλινδρόμηση (Linear regression) y = w + wx + + w
Διαβάστε περισσότεραΈλεγχος Υποθέσεων. Δρ. Αθανάσιος Δαγούμας, Επ. Καθηγητής Οικονομικής της Ενέργειας & των Φυσικών Πόρων, Πανεπιστήμιο Πειραιώς
Δρ. Αθανάσιος Δαγούμας, Επ. Καθηγητής Οικονομικής της Ενέργειας & των Φυσικών Πόρων, Πανεπιστήμιο Πειραιώς Η μηδενική υπόθεση είναι ένας ισχυρισμός σχετικά με την τιμή μιας πληθυσμιακής παραμέτρου. Είναι
Διαβάστε περισσότεραΑνασκόπηση θεωρίας ελαχίστων τετραγώνων και βέλτιστης εκτίμησης παραμέτρων
Τοπογραφικά Δίκτυα και Υπολογισμοί 5 ο εξάμηνο, Ακαδημαϊκό Έτος 2016-2017 Ανασκόπηση θεωρίας ελαχίστων τετραγώνων και βέλτιστης εκτίμησης παραμέτρων Χριστόφορος Κωτσάκης Τμήμα Αγρονόμων Τοπογράφων Μηχανικών
Διαβάστε περισσότεραΣυσχέτιση μεταξύ δύο συνόλων δεδομένων
Διαγράμματα διασποράς (scattergrams) Συσχέτιση μεταξύ δύο συνόλων δεδομένων Η οπτική απεικόνιση δύο συνόλων δεδομένων μπορεί να αποκαλύψει με παραστατικό τρόπο πιθανές τάσεις και μεταξύ τους συσχετίσεις,
Διαβάστε 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 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 περισσότεραHMY 429: Εισαγωγή στην Επεξεργασία Ψηφιακών. Χρόνου (Ι)
HMY 429: Εισαγωγή στην Επεξεργασία Ψηφιακών Σημάτων Διάλεξη 5: Στοχαστικά/Τυχαία Σήματα Διακριτού Διάλεξη 5: Στοχαστικά/Τυχαία Σήματα Διακριτού Χρόνου (Ι) Στοχαστικά σήματα Στα προηγούμενα: Ντετερμινιστικά
Διαβάστε περισσότεραHMY 795: Αναγνώριση Προτύπων. Διάλεξη 2
HMY 795: Αναγνώριση Προτύπων Διάλεξη 2 Επισκόπηση θεωρίας πιθανοτήτων Θεωρία πιθανοτήτων Τυχαία μεταβλητή: Μεταβλητή της οποίας δε γνωρίζουμε με βεβαιότητα την τιμή (αντίθετα με τις ντετερμινιστικές μεταβλητές)
Διαβάστε περισσότεραΑνάλυση Διασποράς Ανάλυση Διασποράς διακύμανση κατά παράγοντες διακύμανση σφάλματος Παράδειγμα 1: Ισομεγέθη δείγματα
Ανάλυση Διασποράς Έστω ότι μας δίνονται δείγματα που προέρχονται από άγνωστους πληθυσμούς. Πόσο διαφέρουν οι μέσες τιμές τους; Με άλλα λόγια: πόσο πιθανό είναι να προέρχονται από πληθυσμούς με την ίδια
Διαβάστε περισσότεραΟΙΚΟΝΟΜΕΤΡΙΑ. Ενότητα 1: Εκτιμητές και Ιδιότητες. Αναπλ. Καθηγητής Νικόλαος Σαριαννίδης Τμήμα Διοίκησης Επιχειρήσεων (Γρεβενά)
ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 1: Εκτιμητές και Ιδιότητες. Αναπλ. Καθηγητής Νικόλαος Σαριαννίδης Τμήμα Διοίκησης Επιχειρήσεων (Γρεβενά) Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative
Διαβάστε περισσότεραΑκαδηµαϊκό Έτος , Εαρινό Εξάµηνο ιδάσκων Καθ.: Νίκος Τσαπατσούλης
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΛΟΠΟΝΝΗΣΟΥ, ΤΜΗΜΑ ΤΕΧΝΟΛΟΓΙΑΣ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΒΕΣ 6: ΠΡΟΣΑΡΜΟΣΤΙΚΑ ΣΥΣΤΗΜΑΤΑ ΣΤΙΣ ΤΗΛΕΠΙΚΟΙΝΩΝΙΕΣ Ακαδηµαϊκό Έτος 26 27, Εαρινό Εξάµηνο Καθ.: Νίκος Τσαπατσούλης ΕΡΩΤΗΣΕΙΣ ΓΙΑ ΕΠΑΝΑΛΗΨΗ Το
Διαβάστε περισσότεραHMY 799 1: Αναγνώριση Συστημάτων
HMY 799 : Αναγνώριση Συστημάτων Διαλέξεις Γραμμική παλινδρόμηση (Linear regression) Συνέχεια Γραμμική παλινδρόμηση (Linear regression) g = θϕ + θϕ + + θ ϕ = φ θ ( φ)... d d ϕ ϕ φ=, θ= [ θ θ... θd ]...
Διαβάστε περισσότεραΠοσοτικές Μέθοδοι στη Διοίκηση Επιχειρήσεων ΙΙ Σύνολο- Περιεχόμενο Μαθήματος
Ποσοτικές Μέθοδοι στη Διοίκηση Επιχειρήσεων ΙΙ Σύνολο- Περιεχόμενο Μαθήματος Χιωτίδης Γεώργιος Τμήμα Λογιστικής και Χρηματοοικονομικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης
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 περισσότεραY Y ... y nx1. nx1
6 ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ ΜΕ ΤΗ ΧΡΗΣΗ ΠΙΚΑΚΩΝ Η χρησιμοποίηση και ο συμβολισμός πινάκων απλοποιεί σημαντικά τα αποτελέσματα της γραμμικής παλινδρόμησης, ιδίως στην περίπτωση της πολλαπλής παλινδρόμησης Γενικά,
Διαβάστε περισσότεραΕπαναληπτικές μέθοδοι
Επαναληπτικές μέθοδοι Η μέθοδος της διχοτόμησης και η μέθοδος Regula Fals που αναφέραμε αξιοποιούσαν το κριτήριο του Bolzano, πραγματοποιώντας διαδοχικές υποδιαιρέσεις του διαστήματος [α, b] στο οποίο,
Διαβάστε περισσότεραΧρονικές σειρές 5 Ο μάθημα: Γραμμικά στοχαστικά μοντέλα (1) Αυτοπαλίνδρομα μοντέλα Εαρινό εξάμηνο Τμήμα Μαθηματικών ΑΠΘ
Χρονικές σειρές 5 Ο μάθημα: Γραμμικά στοχαστικά μοντέλα (1) Αυτοπαλίνδρομα μοντέλα Εαρινό εξάμηνο 2018-2019 Τμήμα Μαθηματικών ΑΠΘ Διδάσκουσα: Αγγελική Παπάνα Μεταδιδακτορική Ερευνήτρια Πολυτεχνική σχολή,
Διαβάστε περισσότεραΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΤΜΗΜΑ ΟΡΓΑΝΩΣΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΔΙΔΑΣΚΩΝ: ΘΑΝΑΣΗΣ ΚΑΖΑΝΑΣ. Οικονομετρία
ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΤΜΗΜΑ ΟΡΓΑΝΩΣΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΔΙΔΑΣΚΩΝ: ΘΑΝΑΣΗΣ ΚΑΖΑΝΑΣ Οικονομετρία 4.1 Πολλαπλό Γραμμικό Υπόδειγμα Παλινδρόμησης Γενικεύοντας τη διμεταβλητή (Y, X) συνάρτηση
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 5 ο. ΓΕΩΜΕΤΡΙΚOΣ ΤΟΠΟΣ ΤΩΝ PIZΩN ή ΤΟΠΟΣ ΕVANS
ΚΕΦΑΛΑΙΟ 5 ο ΓΕΩΜΕΤΡΙΚOΣ ΤΟΠΟΣ ΤΩΝ PIZΩN ή ΤΟΠΟΣ ΕVANS Εισαγωγή Η μελέτη ενός ΣΑΕ μπορεί να γίνει με την επίλυση της διαφορικής εξίσωσης που το περιγράφει και είναι τόσο πιο δύσκολο, όσο μεγαλυτέρου βαθμού
Διαβάστε περισσότεραHMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Διαλέξεις 2-22 Support vector machies (συνέχεια) Support vector machies (συνέχεια) Usupervised learig: Clusterig ad Gaussia mixtures Kerel fuctios: k( xx, ') = ϕ ( x) ϕ( x
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 περισσότεραΤεχνολογικό Εκπαιδευτικό Ίδρυμα Δυτικής Μακεδονίας Western Macedonia University of Applied Sciences Κοίλα Κοζάνης Kozani GR 50100
Ποσοτικές Μέθοδοι Τεχνολογικό Εκπαιδευτικό Ίδρυμα Δυτικής Μακεδονίας Western Macedonia University of Applied Sciences Κοίλα Κοζάνης 50100 Kozani GR 50100 Απλή Παλινδρόμηση Η διερεύνηση του τρόπου συμπεριφοράς
Διαβάστε περισσότεραΤμήμα Μηχανικών Η/Υ και Πληροφορικής
Τμήμα Μηχανικών Η/Υ και Πληροφορικής Εργαστήριο Επεξεργασίας Σημάτων και Τηλεπικοινωνιών Κινητά Δίκτυα Επικοινωνιών Μέρος Α: Τηλεπικοινωνιακά Θέματα: Τεχνικές Ισοστάθμισης Διαύλου Βασικές αρχές Ισοστάθμισης
Διαβάστε περισσότεραEΦΑΡΜΟΓΕΣ ΤΗΣ ΨΗΦΙΑΚΗΣ ΕΠΕΞΕΡΓΑΣΙΑΣ ΣΗΜΑΤΩΝ. Γραµµική Εκτίµηση Τυχαίων Σηµάτων
EΦΑΡΜΟΓΕΣ ΤΗΣ ΨΗΦΙΑΚΗΣ ΕΠΕΞΕΡΓΑΣΙΑΣ ΣΗΜΑΤΩΝ Γραµµική Εκτίµηση Τυχαίων Σηµάτων Εµµανουήλ Ζ. Ψαράκης Πολυτεχνική Σχολή Τµήµα Μηχανικών Η/Υ & Πληροφορικής Γραµµική Εκτίµηση Τυχαίων Σηµάτων FIR φίλτρα: Ορίζουµε
Διαβάστε περισσότεραΣυνολοκλήρωση και μηχανισμός διόρθωσης σφάλματος
ΜΑΘΗΜΑ 10 ο Συνολοκλήρωση και μηχανισμός διόρθωσης σφάλματος Η μέθοδος της συνολοκλήρωσης είναι ένας τρόπος με τον οποίο μπορούμε να εκτιμήσουμε τη μακροχρόνια σχέση ισορροπίας που υπάρχει μεταξύ δύο ή
Διαβάστε περισσότεραHMY 799 1: Αναγνώριση Συστημάτων
HMY 799 : Αναγνώριση Συστημάτων Διάλεξη 5 Εκτίμηση φάσματος ισχύος Συνάφεια Παραδείγματα Στοχαστικά Διανύσματα Autoregressive model with exogenous inputs (ARX y( t + a y( t +... + a y( t n = bu( t +...
Διαβάστε περισσότεραΜΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΙΣΗ
ΜΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΙΣΗ Τα μη γραμμικά μοντέλα έχουν την πιο κάτω μορφή: η μορφή αυτή μοιάζει με τη μορφή που έχουμε για τα γραμμικά μοντέλα ( δηλαδή η παρατήρηση Y i είναι το άθροισμα της αναμενόμενης
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 περισσότεραΠΕΡΙΓΡΑΦΗ ΚΑΙ ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ
ΠΕΡΙΓΡΑΦΗ ΚΑΙ ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ Είδη μεταβλητών Ποσοτικά δεδομένα (π.χ. ηλικία, ύψος, αιμοσφαιρίνη) Ποιοτικά δεδομένα (π.χ. άνδρας/γυναίκα, ναι/όχι) Διατεταγμένα (π.χ. καλό/μέτριο/κακό) 2 Περιγραφή ποσοτικών
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 015 Ανάλυση Διακύμανσης Η Ανάλυση Διακύμανσης είναι μία τεχνική που
Διαβάστε περισσότεραΕφαρμοσμένη Στατιστική: Συντελεστής συσχέτισης. Παλινδρόμηση απλή γραμμική, πολλαπλή γραμμική
ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΜΕΡΟΣ B Δημήτρης Κουγιουμτζής e-mal: dkugu@auth.gr Ιστοσελίδα αυτού του τμήματος του μαθήματος: http://uer.auth.gr/~dkugu/teach/cvltraport/dex.html Εφαρμοσμένη Στατιστική:
Διαβάστε περισσότεραΠολλαπλή παλινδρόμηση (Multivariate regression)
ΜΑΘΗΜΑ 3 ο 1 Πολλαπλή παλινδρόμηση (Multivariate regression) Η συμπεριφορά των περισσότερων οικονομικών μεταβλητών είναι συνάρτηση όχι μιας αλλά πολλών μεταβλητών Υ = f ( X 1, X 2,... X n ) δηλαδή η Υ
Διαβάστε περισσότεραΑνάλυση διακύμανσης (Μέρος 1 ο ) 17/3/2017
Ανάλυση διακύμανσης (Μέρος 1 ο ) 17/3/2017 2 Γιατί ανάλυση διακύμανσης; (1) Ας θεωρήσουμε k πληθυσμούς με μέσες τιμές μ 1, μ 2,, μ k, αντίστοιχα Πως μπορούμε να συγκρίνουμε τις μέσες τιμές k πληθυσμών
Διαβάστε περισσότεραΣΤΟΧΑΣΤΙΚΑ ΣΗΜΑΤΑ ΚΑΙ ΕΦΑΡΜΟΓΕΣ
ΣΤΟΧΑΣΤΙΚΑ ΣΗΜΑΤΑ ΚΑΙ ΕΦΑΡΜΟΓΕΣ Ακαδηµαϊκό Έτος 007-008 ιδάσκων: Ν. Παπανδρέου (Π.. 407/80) Πανεπιστήµιο Πατρών Τµήµα Μηχανικών Ηλεκτρονικών Υπολογιστών και Πληροφορικής 1η Εργαστηριακή Άσκηση Αναγνώριση
Διαβάστε περισσότεραHMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Διάλεξη 5 Κατανομές πιθανότητας και εκτίμηση παραμέτρων Κατανομές πιθανότητας και εκτίμηση παραμέτρων δυαδικές τυχαίες μεταβλητές Διαχωριστικές συναρτήσεις Ταξινόμηση κανονικών
Διαβάστε περισσότεραΣτατιστική Επιχειρήσεων ΙΙ
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα Στατιστική Επιχειρήσεων ΙΙ Ενότητα #4: Έλεγχος Υποθέσεων Μιλτιάδης Χαλικιάς Τμήμα Διοίκησης Επιχειρήσεων Άδειες Χρήσης Το παρόν
Διαβάστε περισσότερα3. ΣΕΙΡΙΑΚΟΣ ΣΥΝΤΕΛΕΣΤΗΣ ΣΥΣΧΕΤΙΣΗΣ
3. ΣΕΙΡΙΑΚΟΣ ΣΥΝΤΕΛΕΣΤΗΣ ΣΥΣΧΕΤΙΣΗΣ Πρόβλημα: Ένας ραδιοφωνικός σταθμός ενδιαφέρεται να κάνει μια ανάλυση για τους πελάτες του που διαφημίζονται σ αυτόν για να εξετάσει την ποσοστιαία μεταβολή των πωλήσεων
Διαβάστε περισσότεραΑνασκόπηση θεωρίας ελαχίστων τετραγώνων και βέλτιστης εκτίμησης παραμέτρων
Τοπογραφικά Δίκτυα και Υπολογισμοί 5 ο εξάμηνο, Ακαδημαϊκό Έτος 2017-2018 Ανασκόπηση θεωρίας ελαχίστων τετραγώνων και βέλτιστης εκτίμησης παραμέτρων Χριστόφορος Κωτσάκης Τμήμα Αγρονόμων και Τοπογράφων
Διαβάστε περισσότεραHMY 429: Εισαγωγή στην Επεξεργασία Ψηφιακών
HMY 429: Εισαγωγή στην Επεξεργασία Ψηφιακών Σημάτων Διάλεξη 12: Δειγματοληψία και ανακατασκευή (IV) Παρεμβολή (Interpolation) Γενικά υπάρχουν πολλοί τρόποι παρεμβολής, π.χ. κυβική παρεμβολή (cubic spline
Διαβάστε περισσότεραΠανεπιστήμιο Πατρών Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών. Διάλεξη 7
Πανεπιστήμιο Πατρών Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Τομέας Συστημάτων και Αυτομάτου Ελέγχου ΠΡΟΣΑΡΜΟΣΤΙΚΟΣ ΕΛΕΓΧΟΣ Διάλεξη 7 Πάτρα 2008 Τοποθέτηση Επιλογή πόλων Θεωρούμε ένα (Σ)
Διαβάστε περισσότεραHMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Διάλεξη 6 Κατανομές πιθανότητας και εκτίμηση παραμέτρων Κατανομές πιθανότητας και εκτίμηση παραμέτρων κανονικές τυχαίες μεταβλητές Εκτίμηση παραμέτρων δυαδικές τυχαίες μεταβλητές
Διαβάστε περισσότερα