ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ
|
|
- Λητώ Ανδρεάδης
- 6 χρόνια πριν
- Προβολές:
Transcript
1 ΤΕΙ Δυτικής Μακεδονίας ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ Τεχνητή Νοημοσύνη Αβεβαιότητα Διδάσκων: Τσίπουρας Μάρκος Εκπαιδευτικό Υλικό: Τσίπουρας Μάρκος
2 2 Δράση υπό αβεβαιότητα (1/2) Οι πράκτορες σχεδόν ποτέ δεν έχουν πρόσβαση στην πλήρη αλήθεια σχετικά με το περιβάλλον τους. Κανένα πλάνο δεν εγγυάται ότι θα πετύχει το στόχο. Πλάνο Α 90 : Ξεκίνα 90 λεπτά νωρίτερα για να προλάβεις την πτήση. Το πλάνο Α 90 θα μας πάει στο αεροδρόμιο εγκαίρως, εφόσον το αυτοκίνητό μου δεν πάθει βλάβη ή μείνει από βενζίνη, δεν έχουμε εμείς ατύχημα, δεν υπάρξουν άλλα ατυχήματα σε κάποια από τις σήραγγες, το αεροπλάνο δεν φύγει νωρίτερα, και " Πρόβλημα της εξειδίκευσης.
3 3 Δράση υπό αβεβαιότητα (2/2) Η ενδεδειγμένη δράση η ορθολογική απόφαση (rational decision) εξαρτάται τόσο από τη σχετική σημαντικότητα των διάφορων στόχων, όσο και από την πιθανότητα και το βαθμό κατά τον οποίο θα επιτευχθούν οι στόχοι αυτοί.
4 4 Χειρισμός της αβέβαιης γνώσης (1/2) Η διάγνωση ανεξάρτητα από το αν αφορά την ιατρική, την επισκευή αυτοκινήτων, ή οτιδήποτε άλλο είναι μια διεργασία που περιλαμβάνει σχεδόν πάντοτε αβεβαιότητα. p Σύμπτωμα(p, Πονόδοντος) Ασθένεια(p, Κοιλότητα) Λανθασμένος κανόνας p Σύμπτωμα(p, Πονόδοντος) Ασθένεια(p, Κοιλότητα) Ασθένεια(p, Ουλίτιδα) Ασθένεια(p, Απόστημα) Αιτιολογικοί κανόνες p Ασθένεια(p, Κοιλότητα) Σύμπτωμα(p, Πονόδοντος) Επίσης λανθασμένος κανόνας
5 Χειρισμός της αβέβαιης γνώσης (2/2) Η λογική αποτυγχάνει για τρεις κύριους λόγους: Τεμπελιά Θεωρητική άγνοια Πρακτική άγνοια Βαθμός πεποίθησης: [0,1] Διαφορετικός από τον βαθμό αληθείας (της ασαφούς λογικής) Θεωρία πιθανοτήτων Η πιθανότητα μας παρέχει έναν τρόπο για να συναθροίσουμε την αβεβαιότητα που προέρχεται από την τεμπελιά ή την άγνοιά μας. Εκ των προτέρων πιθανότητες Μαρτυρίες (evidence), εκ των υστέρων πιθανότητες 5
6 6 Ορθολογικές αποφάσεις Αποτελέσματα Προτιμήσεις Θεωρία Χρησιμοτήτων Θεωρία αποφάσεων = θεωρία πιθανοτήτων + θεωρία χρησιμοτήτων Αρχή της Μέγιστης Αναμενόμενης Χρησιμότητας Ένας πράκτορας είναι ορθολογικός αν και μόνο αν επιλέγει την ενέργεια που παρέχει την υψηλότερη αναμενόμενη χρησιμότητα, λαμβανόμενη ως το μέσο όρο για όλα τα δυνατά αποτελέσματα της ενέργειας.
7 7 Πράκτορας Θεωρίας Αποφάσεων Κατάσταση πεποίθησης: Αναπαράσταση των πιθανοτήτων για όλες τις δυνατές πραγματικές καταστάσεις του κόσμου. function DT-Agent(αίσθηση) returns μια ενέργεια static: κατάσταση_πεποίθησης, πιθανοτικές πεποιθήσεις για την τρέχουσα κατάσταση του κόσμου ενέργεια, η ενέργεια του πράκτορα ενημερώνει την κατάσταση_πεποίθησης με βάση την ενέργεια και την αίσθηση υπολογίζει τις πιθανότητες των αποτελεσμάτων για τις ενέργειες, με βάση τις περιγραφές ενεργειών και την τρέχουσα κατάσταση_πεποίθησης επιλέγει την ενέργεια με τη μεγαλύτερη αναμενόμενη χρησιμότητα με βάση τις πιθανότητες των αποτελεσμάτων και τις πληροφορίες χρησιμότητας return ενέργεια
8 8 Βασική Σημειογραφία Πιθανοτήτων
9 9 Προτάσεις (1/2) Τυχαία μεταβλητή Κοιλότητα: Ο κάτω αριστερός φρονιμίτης μου έχει κοιλότητα Θα γράφουμε πάντα τα ονόματα των τυχαίων μεταβλητών με κεφαλαίο το πρώτο γράμμα. Παρόλα αυτά, θα χρησιμοποιούμε και πάλι πεζά γράμματα για τα ονόματα που αναπαριστούν άγνωστες τυχαίες μεταβλητές: a) = 1 a) Πεδίο τιμών π.χ. αληθές, ψευδές Boolean, Διακριτές, Συνεχείς
10 10 Προτάσεις (2/2) Για την τυχαία μεταβλητή Κοιλότητα με πεδίο τιμών το αληθές, ψευδές: Η πρόταση Κοιλότητα = αληθές θα γράφεται και ως κοιλότητα. Η πρόταση Κοιλότητα = ψευδές θα γράφεται και ως κοιλότητα. Για την τυχαία μεταβλητή Καιρός με πεδίο τιμών το λιακάδα, βροχή, συννεφιά, χιόνι: Η πρόταση Καιρός = χιόνι θα γράφεται και ως χιόνι.
11 11 Ατομικά Συμβάντα Το ατομικό συμβάν είναι ένας πλήρης καθορισμός της κατάστασης του κόσμου. Για παράδειγμα, αν ο κόσμος μου συντίθεται μόνο από τις Boolean μεταβλητές Κοιλότητα και Πονόδοντος, τότε υπάρχουν μόνο τέσσερα διακριτά ατομικά συμβάντα. Π.χ. η πρόταση Κοιλότητα = αληθές Πονόδοντος = ψευδές
12 12 Ιδιότητες ατομικών συμβάντων Είναι αμοιβαία αποκλειόμενα. Το σύνολό τους είναι εξαντλητικό. Οποιοδήποτε ατομικό συμβάν καλύπτει την αλήθεια ή το ψεύδος για κάθε πρόταση, είτε αυτή είναι απλή είτε σύνθετη. Οποιαδήποτε πρόταση είναι λογικά ισοδύναμη με τη διάζευξη όλων των ατομικών συμβάντων που συμπεραίνουν την αλήθεια αυτής της πρότασης. Για παράδειγμα, το κοιλότητα είναι ισοδύναμο με τo κοιλότητα πονόδοντος κοιλότητα πονόδοντος
13 13 Εκ των προτέρων πιθανότητα Ρ(Κοιλότητα = αληθές) = 0,1 ή Ρ(κοιλότητα) = 0,1 Καιρός = λιακάδα) = 0,7 Καιρός = βροχή) = 0,2 Καιρός = συννεφιά) = 0,08 Καιρός = χιόνι) = 0,02 Κατανομή πιθανότητας Ρ(Καιρός) = 0,7, 0,2, 0,08, 0,02 Συνδυασμένη κατανομή πιθανότητας Ρ(Καιρός, Κοιλότητα) Πλήρης συνδυασμένη κατανομή πιθανότητας
14 14 Πυκνότητα Πιθανότητας Έστω: Χ = Αυριανή θερμοκρασία τότε, π.χ.: X = x) = U[18, 26](x) κατανομή) (ομοιόμορφη X=20,5) = U[18, 26](20,5)=0,125/C Υπολογίζουμε πιθανότητα για περιοχές τιμών.
15 15 Υπό συνθήκη πιθανότητα Π.χ.: Ρ(κοιλότητα πονόδοντος) = 0,8 Κανόνας γινομένου: Ρ(α b) = Ρ(α b)ρ(b) = Ρ(b a)ρ(a) Σε μορφή πίνακα: a b) a b) b) Ρ(X Y) = Ρ(X Y)Ρ(Y) ΠΡΟΣΟΧΗ: Δεν είναι πολλαπλασιασμός πινάκων! 13-15
16 Αξιώματα των πιθανοτήτων 16
17 17 Αξιώματα Kolmogorov (1/2) Andrei Kolmogorov: Ρώσος μαθηματικός ( ) 1. Όλες οι πιθανότητες έχουν τιμή μεταξύ του 0 και του 1. Για οποιαδήποτε πρόταση α: 0 Ρ(α) Οι κατανάγκην αληθείς (δηλαδή έγκυρες) προτάσεις έχουν πιθανότητα 1, ενώ οι κατανάγκην ψευδείς (δηλαδή μη ικανοποιήσιμες) προτάσεις έχουν πιθανότητα 0: 3. Ρ(αληθές) = 1 Ρ(ψευδές) = 0. Η πιθανότητα της διάζευξης δίνεται από τον τύπο: Ρ(a b) = Ρ(a) + Ρ(b) Ρ(a b).
18 18 Αξιώματα Kolmogorov (2/2) Από το 3 ο αξίωμα προκύπτει ότι: Η πιθανότητα μιας πρότασης είναι ίση με το άθροισμα των πιθανοτήτων των ατομικών συμβάντων στα οποία ισχύει αυτή η πρόταση: a) e i e( a) e όπου e(α) το σύνολο των ατομικών συμβάντων στα οποία ισχύει το α. Είναι παράλογο ένας πράκτορας να έχει μια κατάσταση πεποίθησης που παραβιάζει τα αξιώματα του Kolmogorov. i )
19 Συμπερασμοί Με Πλήρεις Συνδυασμένες Κατανομές Πιθανότητας 19 Έστω ένα πεδίο που αποτελείται μόνο από τις τρεις Boolean μεταβλητές Πονόδοντος, Κοιλότητα, και Λαβίδα: πονόδοντος πονόδοντος λαβίδα λαβίδα λαβίδα λαβίδα κοιλότητα 0,108 0,012 0,072 0,008 κοιλότητα 0,016 0,064 0,144 0,576 Μπορούμε να υπολογίσουμε την πιθανότητα οποιασδήποτε πρότασης (περιθώριος πιθανότητα) π.χ. κοιλότητα πονόδοντος) = 0,108+ 0, ,072+ 0, , ,064 = 0,
20 20 Θεώρημα Ολικής Πιθανότητας Από την πλήρη συνδυασμένη κατανομή πιθανότητας μπορούμε να πάρουμε κατανομές για λιγότερες μεταβλητές: Περιθωριοποίηση ή απαλοιφή με άθροιση: P ( Y) Y, z) z ή ισοδύναμα: P ( Y) Y z) z) z 13-20
21 21 Υπολογισμός υπό-συνθήκη πιθανοτήτων κοιλότητα πονόδοντος) κοιλότητα πονόδοντος) πονόδοντος) κοιλότητα πονόδοντος) κοιλότητα πονόδοντος) πονόδοντος) Υπολογισμός με κανονικοποίηση: Ρ(Κοιλότητα πονόδοντος) = α Ρ(Κοιλότητα, πονόδοντος) = α [Ρ(Κοιλότητα, πονόδοντος, λαβίδα) + Ρ(Κοιλότητα, πονόδοντος, λαβίδα)] = α [0,108, 0, ,012, 0,064] = α 0,12, 0,08 = 0,6, 0,4.
22 Ανεξαρτησία 22
23 23 Ανεξαρτησία (1/3) Έστω ότι εμπλουτίζουμε το οδοντιατρικό μας πεδίο με την τυχαία μεταβλητή Καιρός. Η πλήρης κατανομή γίνεται Ρ(Πονόδοντος, Λαβίδα, Κοιλότητα, Καιρός) η οποία έχει 32 καταχωρίσεις (επειδή η μεταβλητή Καιρός έχει τέσσερις τιμές). Προφανώς δεν θεωρούμε ότι ο καιρός παίζει ρόλο στα οδοντιατρικά μας προβλήματα.
24 24 Ανεξαρτησία (2/3) Προσπαθούμε να υπολογίσουμε τις καταχωρήσεις της νέας πλήρους κατανομής: Ρ(πονόδοντος, λαβίδα, κοιλότητα, Καιρός = συννεφιά) = Ρ(Καιρός = συννεφιά πονόδοντος, λαβίδα, κοιλότητα) Ρ(πονόδοντος, λαβίδα, κοιλότητα). Θεωρούμε ότι: Ρ(Καιρός = συννεφιά πονόδοντος, λαβίδα, κοιλότητα) = Ρ(Καιρός = συννεφιά) οπότε: Ρ(πονόδοντος, λαβίδα, κοιλότητα, Καιρός = συννεφιά) = Ρ(Καιρός = συννεφιά) Ρ(πονόδοντος, λαβίδα, κοιλότητα) Γενικότερα: Ρ(Πονόδοντος, Λαβίδα, Κοιλότητα, Καιρός) = Ρ(Πονόδοντος, Λαβίδα, Κοιλότητα) Ρ(Καιρός)
25 25 Ανεξαρτησία (3/3) Ισοδύναμες δηλώσεις, για δύο μεταβλητές Χ και Υ: Χ Υ) = Χ) Υ Χ) = Υ) Χ, Υ) = Χ)Υ) Η πλήρης κατανομή σπάει σε πολλές μικρότερες:
26 Ο Κανόνας του Bayes 26
27 Ο Κανόνας του Bayes Από τις σχέσεις: a b) = a b)b) a b) = b a)a) παίρνουμε: Γενικότερα: Εναλλακτικά, με κανονικοποίηση: Υ Χ) = α Χ Υ)Υ) όπου η κανονικοποίηση γίνεται για όλες τις τιμές του Υ. ) ( ) ( ) ( ) ( a P b P b a P a b P ) ( ) ( ) ( ) ( X Y Y X X Y P P P P ), ( ), ( ), ( ), ( e P e P e P e P X Y Y X X Y 27
28 28 Αιτιολογική και Διαγνωστική Γνώση Συνήθως προσπαθούμε να υπολογίσουμε «διαγνωστικές» πιθανότητες, ενώ γνωρίζουμε τις «αιτιολογικές». Η διαγνωστική γνώση είναι συχνά πιο εύθραυστη από την αιτιολογική γνώση. Παράδειγμα: Αιτία: Μηνιγγίτιδα, m)=1/50000 Σύπτωμα: Δύσκαμπτος λαιμός, s)=1/20 s m)=0,5 s m) m) 0,51/ m s) s) 1/ 20 0,
29 29 Συνδυασμός μαρτυριών Κοιλότητα πονόδοντος λαβίδα) = α πονόδοντος λαβίδα Κοιλότητα) Κοιλότητα). Οι μεταβλητές Πονόδοντος και Λαβίδα δεν είναι ανεξάρτητες. Εάν πονά το δόντι, τότε είναι περισσότερες οι πιθανότητες η λαβίδα να σκαλώσει πάνω του και αντιστρόφως. Οι μεταβλητές Πονόδοντος και Λαβίδα είναι όμως ανεξάρτητες με δεδομένη την τιμή της Κοιλότητα! πονόδοντος λαβίδα Κοιλότητα) = πονόδοντος Κοιλότητα) λαβίδα Κοιλότητα)
30 30 Υπό συνθήκη ανεξαρτησία Οι μεταβλητές Χ και Υ είναι υπό συνθήκη ανεξάρτητες, με δεδομένη την τιμή της Ζ: X, Y Z) = X Z) Y Z) X Y, Z) = X Z) και Y X, Z) = Y Z) Κατά συνέπεια: Πονόδοντος, Λαβίδα, Κοιλότητα) = Πονόδοντος, Λαβίδα Κοιλότητα) Κοιλότητα) = Πονόδοντος Κοιλότητα) Λαβίδα Κοιλότητα) Κοιλότητα)
31 31 Απλοϊκό μοντέλο Bayes Προβλήματα στα οποία υπάρχει μια μεταβλητή Αίτιο και πολλές μεταβλητές Επίδρασης, οι οποίες είναι υπό συνθήκη ανεξάρτητες μεταξύ τους με δεδομένο το Αίτιο. Ονομάζεται απλοϊκό γιατί χρησιμοποιείται ως παραδοχή και όταν δεν πρέπει Αιτία, Επίδραση 1,, Επίδραση n ) = Αιτία) Π i (Επίδραση i Αιτία).
32 32 Παράδειγμα: Ο κόσμος του wumpus
33 Το πεδίο 33
34 34 Το Θέλουμε πρόβλημα να υπολογίσουμε την πιθανότητα το τετράγωνο (1,3) να περιέχει γούβα ( παρόμοια για τα (2,2) και (3,1) ). Με χρήση λογικής δεν θα μπορούσαμε να διαχωρίσουμε τα τετράγωνα (1,3), (2,2) και (3,1). Γ i,j : Το τετράγωνο (i,j) έχει γούβα Αρχικά Γ ij =0.2 για όλα τα τετράγωνα (εκτός από το (1,1) ). A ij : Το τετράγωνο (i,j) έχει αύρα. Δεδομένα: α = α 1,1 α 1,2 α 2,1 γνωστά = γ 1,1 γ 1,2 γ 2,1 Ζητούμενο: Ρ(Γ 1,3 γνωστά, α)
35 35 Πλήρης συνδυασμένη κατανομή Πλήρης συνδυασμένη κατανομή πιθανότητας: Γ 1,1,, Γ 4,4, Α 1,1, Α 1,2, Α 2,1 ) = Α 1,1, Α 1,2, Α 2,1 Γ 1,1,, Γ 4,4 ) Γ 1,1,, Γ 4,4 ). Κάθε A ij εξαρτάται μόνο από τα γειτονικά Γ ij. Οι τιμές A ij Γ kl ) είναι 0 ή 1, ανάλογα με το αν υπάρχει ένα γειτονικό του (i,j) τετράγωνο με γούβα. Επίσης ισχύει: Γ 1,1,, Γ 4,4 ) = Π ij (Γ i,j ) Η χρήση της πλήρους συνδυασμένης κατανομής απαιτεί πολλές πράξεις.
36 36 Ανάλυση (1/4) Έστω Άγνωστα οι μεταβλητές Γ ij για τα τετράγωνα εκτός των τριών γνωστών και του (1,3). Χωρίζουμε τα Άγνωστα σε Παρυφές και Άλλα.
37 37 Γ α α α α α Ανάλυση (2/4) 1, 3 άγνωστα παρυφές άλλα παρυφές άλλα παρυφές παρυφές α γνωστά) Γ α' Γ γνωστά,α) a Γ 1, 3 1, 3 παρυφές,γνωστά,άγνωστα) Γ a γνωστά,γ a γνωστά,γ a γνωστά,γ a γνωστά,γ ) 1, 3 ) 1, 3 1, 3 1, 3 1, 3 παρυφές a γνωστά,γ,παρυφές,άλλα) Γ,παρυφές) Γ,παρυφές),παρυφές) 1, 3 άλλα άλλα 1, 3 Γ Γ a γνωστά,γ,γνωστά,άγνωστα) 1, 3 1, 3 1, 3 1, 3 1, 3,παρυφές) παρυφές),γνωστά,παρυφές,άλλα ),γνωστά,παρυφές,άλλα ),γνωστά,παρυφές,άλλα ) ) γνωστά) παρυφές) άλλα ),παρυφές) παρυφές) άλλα άλλα )
38 38 Ανάλυση (3/4) Η σχέση στην οποία καταλήξαμε: Γ 1, 3 α' Γ γνωστά,α) 1, 3 ) παρυφές a γνωστά,γ 1, 3,παρυφές) παρυφές) έχει ένα άθροισμα με 4 μόνο όρους
39 39 Ανάλυση (4/4) Τελικά προκύπτει Γ 1,3 γνωστά,α)= 0.31,0.69. Το ίδιο αποτέλεσμα βγαίνει και για το Γ 3,1 γνωστά,α). Τέλος με παρόμοιους υπολογισμούς βρίσκουμε: Γ 2,2 γνωστά,α)= 0.86,0.14 Άρα ο πράκτορας πρέπει να αποφύγει το (2,2).
Θεωρία Λήψης Αποφάσεων
Θεωρία Λήψης Αποφάσεων Ενότητα 9: Αβεβαιότητα Στατιστική Μάθηση Μέγιστη Πιθανοφάνεια Μπεληγιάννης Γρηγόριος Σχολή Οργάνωσης και Διοίκησης Επιχειρήσεων Τμήμα Διοίκησης Επιχειρήσεων Αγροτικών Προϊόντων &
Διαβάστε περισσότεραΕΚΠ 413 / ΕΚΠ 606 Αυτόνοµοι (Ροµ οτικοί) Πράκτορες
ΕΚΠ 413 / ΕΚΠ 606 Αυτόνοµοι Ροµ οτικοί Πράκτορες Αβεβαιότητα Τµήµα Ηλεκτρονικών Μηχανικών και Μηχανικών Υ ολογιστών Πολυτεχνείο Κρήτης Ε ανάληψη Πράκτορες χαρακτηριστικά στοιχεία είδη πρακτόρων αυτόνοµοι
Διαβάστε περισσότεραΕΚΠ 413 / ΕΚΠ 606 Αυτόνοµοι (Ροµ οτικοί) Πράκτορες
ΕΚΠ 413 / ΕΚΠ 606 Αυτόνοµοι (Ροµ οτικοί) Πράκτορες Πιθανοτική Συλλογιστική Τµήµα Ηλεκτρονικών Μηχανικών και Μηχανικών Υ ολογιστών Πολυτεχνείο Κρήτης Ε ανάληψη Αβεβαιότητα πεποιθήσεων πράκτορας θεωρίας
Διαβάστε περισσότεραΑιτιολόγηση με αβεβαιότητα
Αιτιολόγηση με αβεβαιότητα Στα προβλήματα του πραγματικού κόσμου οι αποφάσεις συνήθως λαμβάνονται υπό αβεβαιότητα (uncertainty), δηλαδή έλλειψη επαρκούς πληροφορίας. Οι κυριότερες πηγές αβεβαιότητας είναι:
Διαβάστε περισσότεραΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ
ΤΕΙ Δυτικής Μακεδονίας ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ 2015-2016 Τεχνητή Νοημοσύνη Λογικοί Πράκτορες Διδάσκων: Τσίπουρας Μάρκος Εκπαιδευτικό Υλικό: Τσίπουρας Μάρκος http://ai.uom.gr/aima/ 2 Πράκτορες βασισμένοι
Διαβάστε περισσότεραNotes. Notes. Notes. Notes
Θεωρία Καταναλωτή: Αβεβαιότητα Κώστας Ρουμανιάς Ο.Π.Α. Τμήμα Δ. Ε. Ο. Σ. 9 Οκτωβρίου 0 Κώστας Ρουμανιάς (Δ.Ε.Ο.Σ.) Θεωρία Καταναλωτή: Αβεβαιότητα 9 Οκτωβρίου 0 / 5 Ανάγκη θεωρίας επιλογής υπό αβεβαιότητα
Διαβάστε περισσότεραΤεχνητή Νοημοσύνη. 8η διάλεξη ( ) Ίων Ανδρουτσόπουλος.
Τεχνητή Νοημοσύνη 8η διάλεξη (2016-17) Ίων Ανδρουτσόπουλος http://www.aueb.gr/users/ion/ 1 Οι διαφάνειες αυτής της διάλεξης βασίζονται στο βιβλίο Artificial Intelligence A Modern Approach των S. Russel
Διαβάστε περισσότεραΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ. Ενότητα 9: Προτασιακή λογική. Ρεφανίδης Ιωάννης Τμήμα Εφαρμοσμένης Πληροφορικής
Ενότητα 9: Προτασιακή λογική Ρεφανίδης Ιωάννης Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό, όπως εικόνες, που υπόκειται σε άλλου τύπου
Διαβάστε περισσότεραΕΚΠ 413 / ΕΚΠ 606 Αυτόνοµοι (Ροµ οτικοί) Πράκτορες
ΕΚΠ 43 / ΕΚΠ 606 Αυτόνοµοι (Ροµ οτικοί) Πράκτορες Πιθανοτική Συλλογιστική στο Χρόνο Temporal robabilisic Reasoning Τµήµα Ηλεκτρονικών Μηχανικών και Μηχανικών Υ ολογιστών Πολυτεχνείο Κρήτης ΕΚΠ 43/606 Αυτόνοµοι
Διαβάστε περισσότεραΤμήμα Λογιστικής και Χρηματοοικονομικής. Θεωρία Πιθανοτήτων. Δρ. Αγγελίδης Π. Βασίλειος
Τμήμα Λογιστικής και Χρηματοοικονομικής 1 Θεωρία Πιθανοτήτων Δρ. Αγγελίδης Π. Βασίλειος 2 Περιεχόμενα Έννοια πιθανότητας Ορισμοί πιθανότητας Τρόπος υπολογισμού Πράξεις πιθανοτήτων Χρησιμότητα τους 3 Πείραμα
Διαβάστε περισσότεραΕισαγωγή στη Θεωρία Αποφάσεων. Λήψη απλών αποφάσεων για έναν πράκτορα
Εισαγωγή στη Θεωρία Αποφάσεων Λήψη απλών αποφάσεων για έναν πράκτορα Oρθολογικές αποφάσεις Ένας πράκτορας βασισμένος στη λογική Έχει ένα στόχο (μια κατάσταση περιβάλλοντος που θέλει να πετύχει) Καταστρώνει
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 περισσότεραΓιατί πιθανότητες; Γιατί πιθανότητες; Θεωρία πιθανοτήτων. Θεωρία Πιθανοτήτων. ΗΥ118, Διακριτά Μαθηματικά Άνοιξη 2017.
HY118-Διακριτά Μαθηματικά Τρίτη, 02/05/2017 Θεωρία πιθανοτήτων Αντώνης Α. Αργυρός e-mail: argyros@csd.uoc.gr 04-May-17 1 1 04-May-17 2 2 Γιατί πιθανότητες; Γιατί πιθανότητες; Στον προτασιακό και κατηγορηματικό
Διαβάστε περισσότεραΠρόταση. Αληθείς Προτάσεις
Βασικές έννοιες της Λογικής 1 Πρόταση Στην καθημερινή μας ομιλία χρησιμοποιούμε εκφράσεις όπως: P1: «Καλή σταδιοδρομία» P2: «Ο Όλυμπος είναι το ψηλότερο βουνό της Ελλάδας» P3: «Η Θάσος είναι το μεγαλύτερο
Διαβάστε περισσότεραΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ
ΤΕΙ Δυτικής Μακεδονίας ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ 2015-2016 Τεχνητή Νοημοσύνη Ευφυείς Πράκτορες Διδάσκων: Τσίπουρας Μάρκος Εκπαιδευτικό Υλικό: Τσίπουρας Μάρκος http://ai.uom.gr/aima/ 2 Πράκτορες και
Διαβάστε περισσότεραP (A B) = P (AB) P (B) P (A B) = P (A) P (A B) = P (A) P (B)
Πιθανότητες και Αρχές Στατιστικής (4η Διάλεξη) Σωτήρης Νικολετσέας, καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Πανεπιστήμιο Πατρών Ακαδημαϊκό Ετος 2017-2018 Σωτήρης Νικολετσέας, καθηγητής 1 / 39 Περιεχόμενα
Διαβάστε περισσότερα(REASONING WITH UNCERTAINTY)
ΣΥΛΛΟΓΙΣΜΟΣ ΜΕ ΑΒΕΒΑΙΟΤΗΤΑ REASONING WITH UNCERTAINTY Ακριβής και πλήρης γνώση δεν είναι πάντα δυνατή Οι εµπειρογνώµονες πολλές φορές παίρνουν αποφάσεις από αβέβαια, ηµιτελή ή και αλληλοσυγκρουόµενα δεδοµένα
Διαβάστε περισσότεραΠΙΘΑΝΟΤΗΤΕΣ -ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ(τελικές εξετάσεις πλη12)
ΠΙΘΑΝΟΤΗΤΕΣ -ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ(τελικές εξετάσεις πλη) Για διακριτή τυχαία μεταβλητή ισχύει μία συνάρτηση πιθανότητας ικανοποιεί τις ακόλουθες δύο ιδιότητες: (α) ( ) 0, για κάθε i,, i (β) ( i ) i S Παράδειγμα
Διαβάστε περισσότεραΔΕΣΜΕΥΜΕΝΕΣ Ή ΥΠΟ ΣΥΝΘΗΚΗ ΠΙΘΑΝΟΤΗΤΕΣ
ΔΕΣΜΕΥΜΕΝΕΣ Ή ΥΠΟ ΣΥΝΘΗΚΗ ΠΙΘΑΝΟΤΗΤΕΣ Έστω ότι επιθυμούμε να μελετήσουμε ένα τυχαίο πείραμα με δειγματικό χώρο Ω και έστω η πιθανότητα να συμβεί ένα ενδεχόμενο Α Ω Υπάρχουν περιπτώσεις όπου ενώ δεν γνωρίζουμε
Διαβάστε περισσότεραAYTONOMOI ΠΡΑΚΤΟΡΕΣ
AYTONOMOI ΠΡΑΚΤΟΡΕΣ 2012-2013 ΠΑΠΑΚΩΣΤΑΣ ΜΙΧΑΛΗΣ ΑΜ: 2007030001 ΑΚΡΙΒΗΣ ΣΥΜΠΕΡΑΣΜΟΣ ΔΙΚΤΥΟΥ BAYES ΣΕ ΑΡΘΑ ΕΦΗΜΕΡΙΔΑΣ ΠΕΡΙΛΗΨΗ Στη συγκεκριμένη εργασία προσπαθήσαμε να στήσουμε ένα δίκτυο Bayes διακριτών
Διαβάστε περισσότεραΘΕΩΡΙΑ ΠΛΗΡΟΦΟΡΙΑΣ. Κεφάλαιο 2 : Πληροφορία και Εντροπία Διάλεξη: Κώστας Μαλιάτσος Χρήστος Ξενάκης, Κώστας Μαλιάτσος
ΘΕΩΡΙΑ ΠΛΗΡΟΦΟΡΙΑΣ Κεφάλαιο 2 : Πληροφορία και Εντροπία Διάλεξη: Κώστας Μαλιάτσος Χρήστος Ξενάκης, Κώστας Μαλιάτσος Πανεπιστήμιο Πειραιώς, Τμήμα Ψηφιακών Συστημάτων Περιεχόμενα Πιθανότητες Πληροφορία Μέτρο
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 περισσότεραΔρ. Βασίλειος Γ. Καμπουρλάζος Δρ. Ανέστης Γ. Χατζημιχαηλίδης
Μάθημα 6 ο Δρ. Ανέστης Γ. Χατζημιχαηλίδης Τμήμα Μηχανικών Πληροφορικής Τ.Ε. ΤΕΙ Ανατολικής Μακεδονίας και Θράκης 2017-2018 Διευρυμένη Υπολογιστική Νοημοσύνη (ΥΝ) Επεκτάσεις της Κλασικής ΥΝ. Μεθοδολογίες
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 2: ΟΡΙΖΟΥΣΕΣ
ΚΕΦΑΛΑΙΟ ΚΕΦΑΛΑΙΟ :. ΕΙΣΑΓΩΓΗ Σε κάθε τετραγωνικό πίνακα ) τάξης n θα αντιστοιχίσουμε έναν πραγματικό ( ij αριθμό, τον οποίο θα ονομάσουμε ορίζουσα του πίνακα. Η ορίζουσα θα συμβολίζεται det ή Α ή n n
Διαβάστε περισσότεραΑνάλυση Χρόνου, Πόρων & Κόστους
ΠΜΣ: «Παραγωγή και ιαχείριση Ενέργειας» ιαχείριση Ενέργειας και ιοίκηση Έργων Ανάλυση Χρόνου, Πόρων & Κόστους Επ. Καθηγητής Χάρης ούκας, Καθηγητής Ιωάννης Ψαρράς Εργαστήριο Συστημάτων Αποφάσεων & ιοίκησης
Διαβάστε περισσότεραΔιακριτά Μαθηματικά ΙΙ Χρήστος Νομικός Τμήμα Μηχανικών Η/Υ και Πληροφορικής Πανεπιστήμιο Ιωαννίνων 2018 Χρήστος Νομικός ( Τμήμα Μηχανικών Η/Υ Διακριτά
Διακριτά Μαθηματικά ΙΙ Χρήστος Νομικός Τμήμα Μηχανικών Η/Υ και Πληροφορικής Πανεπιστήμιο Ιωαννίνων 2018 Χρήστος Νομικός ( Τμήμα Μηχανικών Η/Υ Διακριτά και Πληροφορικής Μαθηματικά Πανεπιστήμιο ΙΙ Ιωαννίνων
Διαβάστε περισσότεραΕφαρμοσμένα Μαθηματικά ΙΙ Τελική Εξέταση 8/6/2017 Διδάσκων: Ι. Λυχναρόπουλος
Τμήμα Μηχανολόγων Μηχανικών Πανεπιστήμιο Θεσσαλίας Άσκηση (Μονάδες.5) Εφαρμοσμένα Μαθηματικά ΙΙ Τελική Εξέταση 8/6/07 Διδάσκων: Ι. Λυχναρόπουλος Προσδιορίστε το c R ώστε το διάνυσμα (,, 6 ) να ανήκει στο
Διαβάστε περισσότεραΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I Παντελής Δημήτριος Τμήμα Μηχανολόγων Μηχανικών
ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I Παντελής Δημήτριος Τμήμα Μηχανολόγων Μηχανικών ΕΝΝΟΙΑ ΠΙΘΑΝΟΤΗΤΑΣ Μαθηματική περιγραφή συστημάτων με αβεβαιότητα Παραδείγματα από την οργάνωση παραγωγής Διάρκεια παραγωγής προϊόντων
Διαβάστε περισσότεραΘεωρία Λήψης Αποφάσεων
Θεωρία Λήψης Αποφάσεων Ενότητα 2: Θεωρία Απόφασης του Bayes Μπεληγιάννης Γρηγόριος Σχολή Οργάνωσης και Διοίκησης Επιχειρήσεων Τμήμα Διοίκησης Επιχειρήσεων Αγροτικών Προϊόντων & Τροφίμων (Δ.Ε.Α.Π.Τ.) Θεωρία
Διαβάστε περισσότεραΤΥΠΟΛΟΓΙΟ ΣΤΑΤΙΣΤΙΚΗΣ
- - ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ Πρόγραμμα Σπουδών: ΔΙΟΙΚΗΣΗ ΕΠΙΧΕΙΡΗΣΕΩΝ και ΟΡΓΑΝΙΣΜΩΝ Θεματική Ενότητα: ΔΕΟ3 Ποσοτικές Μέθοδοι Ακαδημαϊκό Έτος: 009-0 ΤΥΠΟΛΟΓΙΟ ΣΤΑΤΙΣΤΙΚΗΣ - - ΑΡΙΘΜΗΤΙΚΕΣ ΜΕΘΟΔΟΙ ΣΥΝΟΨΗΣ
Διαβάστε περισσότεραΕΚΠ 413 / ΕΚΠ 606 Αυτόνοµοι (Ροµ οτικοί) Πράκτορες
ΕΚΠ 413 / ΕΚΠ 606 Αυτόνοµοι (Ροµ οτικοί) Πράκτορες Πιθανοτική Συλλογιστική II Τµήµα Ηλεκτρονικών Μηχανικών και Μηχανικών Υ ολογιστών Πολυτεχνείο Κρήτης ίκτυα Bayes σηµασιολογία Πλεονεκτήµατα συµπαγής αναπαράσταση
Διαβάστε περισσότεραΒασικές έννοιες. Χρησιμότητα Πιθανότητα Προσδοκώμενο κέρδος Δένδρα αποφάσεων Ανάλυση ευαισθησίας Πιθανότητα υπό όρους Μεταβλητές κατάστασης
Ανάλυση αποφάσεων Βασικές έννοιες Χρησιμότητα Πιθανότητα Προσδοκώμενο κέρδος Δένδρα αποφάσεων Ανάλυση ευαισθησίας Πιθανότητα υπό όρους Μεταβλητές κατάστασης Χρησιμότητα - Utility Επιτρέπει την σύγκριση
Διαβάστε περισσότεραΠΟΣΟΤΙΚΕΣ ΜΕΘΟΔΟΙ στη Ναυτιλία και τις Μεταφορές
ΠΟΣΟΤΙΚΕΣ ΜΕΘΟΔΟΙ στη Ναυτιλία και τις Μεταφορές ΠΜΣ στη «Ναυτιλία» Τμήμα Β art time Χαράλαμπος Ευαγγελάρας hevangel@unipi.gr Η έννοια της Πιθανότητας Ο όρος πιθανότητα είναι συνδέεται άμεσα με τη μελέτη
Διαβάστε περισσότεραΧρήστος Ξενάκης. Πανεπιστήμιο Πειραιώς, Τμήμα Ψηφιακών Συστημάτων
ΘΕΩΡΙΑ ΠΛΗΡΟΦΟΡΙΑΣ Κεφάλαιο 2 : Πληροφορία και Εντροπία Χρήστος Ξενάκης Πανεπιστήμιο Πειραιώς, Τμήμα Ψηφιακών Συστημάτων Περιεχόμενα Πληροφορία Μέτρο πληροφορίας Μέση πληροφορία ή Εντροπία Από κοινού εντροπία
Διαβάστε περισσότεραΣτατιστική Ι. Ενότητα 3: Πιθανότητες. Δρ. Γεώργιος Κοντέος Τμήμα Διοίκησης Επιχειρήσεων Γρεβενών
Στατιστική Ι Ενότητα 3: Πιθανότητες Δρ. Γεώργιος Κοντέος Τμήμα Διοίκησης Επιχειρήσεων Γρεβενών Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό,
Διαβάστε περισσότεραΠροτάσεις. Εισαγωγή στις βασικές έννοιες των Μαθηματικών. Ποιες είναι προτάσεις; Προτάσεις 6/11/ ο Μάθημα Μαθηματική Λογική (επανάληψη)
Εισαγωγή στις βασικές έννοιες των Μαθηματικών 5 ο Μάθημα Μαθηματική Λογική (επανάληψη) Προτάσεις Η πρόταση είναι μια γλωσσική ενότητα, η οποία εκφράζει κάποιο νόημα. Παραδείγματα: Η Μαρία σχεδιάζει ένα
Διαβάστε περισσότεραΤυχαία μεταβλητή (τ.μ.)
Τυχαία μεταβλητή (τ.μ.) Τυχαία μεταβλητή (τ.μ.) είναι μια συνάρτηση X ( ) με πεδίο ορισμού το δειγματικό χώρο Ω του πειράματος και πεδίο τιμών ένα υποσύνολο πραγματικών αριθμών που συμβολίζουμε συνήθως
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 περισσότεραΝα εξετάσετε αν είναι συναρτήσεις πυκνότητας πιθανότητας, κι αν είναι να υπολογίσετε τη συνάρτηση κατανομής πιθανότητας F x (x).
Κεφάλαιο 2, άσκηση 1: Δίνονται οι συναρτήσεις: α) 2, β), Να εξετάσετε αν είναι συναρτήσεις πυκνότητας πιθανότητας, κι αν είναι να υπολογίσετε τη συνάρτηση κατανομής πιθανότητας F x (x). Λύση : Για να είναι
Διαβάστε περισσότεραΥπολογιστικά & Διακριτά Μαθηματικά
Υπολογιστικά & Διακριτά Μαθηματικά Ενότητα 6: Πιθανότητες Στεφανίδης Γεώργιος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό, όπως εικόνες,
Διαβάστε περισσότεραΘεωρία Λήψης Αποφάσεων
Θεωρία Λήψης Αποφάσεων Ενότητα 10: Απλές Αποφάσεις Μπεληγιάννης Γρηγόριος Σχολή Οργάνωσης και Διοίκησης Επιχειρήσεων Τμήμα Διοίκησης Επιχειρήσεων Αγροτικών Προϊόντων & Τροφίμων (Δ.Ε.Α.Π.Τ.) Απλές Αποφάσεις
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 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 περισσότεραΣειρά Προβλημάτων 1 Λύσεις
Σειρά Προβλημάτων 1 Λύσεις Άσκηση 1 Να διατυπώσετε τον πιο κάτω συλλογισμό στον Προτασιακό Λογισμό και να τον αποδείξετε χρησιμοποιώντας τη Μέθοδο της Επίλυσης. Δηλαδή, να δείξετε ότι αν ισχύουν οι πέντε
Διαβάστε περισσότεραΠΡΟΣΟΜΟΙΩΣΗ. Προσομοίωση είναι η μίμηση της λειτουργίας ενός πραγματικού συστήματος και η παρακολούθηση της εξέλιξης του μέσα στο χρόνο.
ΠΡΟΣΟΜΟΙΩΣΗ Προσομοίωση είναι η μίμηση της λειτουργίας ενός πραγματικού συστήματος και η παρακολούθηση της εξέλιξης του μέσα στο χρόνο. δημιουργία μοντέλου προσομοίωσης ( - χρήση μαθηματικών, λογικών και
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 περισσότεραΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΕΞΕΤΑΣΗ ΣΤΟ ΜΑΘΗΜΑ «ΔΙΑΚΡΙΤΑ ΜΑΘΗΜΑΤΙΚΑ» - 6/2/2014 Διάρκεια Εξέτασης: 2 ώρες και 50 λεπτά Ομάδα Α
ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΕΞΕΤΑΣΗ ΣΤΟ ΜΑΘΗΜΑ «ΔΙΑΚΡΙΤΑ ΜΑΘΗΜΑΤΙΚΑ» - 6/2/2014 Διάρκεια Εξέτασης: 2 ώρες και 50 λεπτά Ομάδα Α 1. (2.5 μονάδες) Ο κ. Ζούπας παρέλαβε μία μυστηριώδη τσάντα από το ταχυδρομείο. Όταν
Διαβάστε περισσότεραHY 180 Λογική Διδάσκων: Δ. Πλεξουσάκης Φροντιστήριο 5
HY 180 Λογική Διδάσκων: Δ. Πλεξουσάκης Φροντιστήριο 5 Α) ΘΕΩΡΙΑ Η Μορφολογική Παραγωγή ανήκει στα συστήματα παραγωγής, δηλαδή σε αυτά που παράγουν το συμπέρασμα με χρήση συντακτικών κανόνων λογισμού. Η
Διαβάστε περισσότεραΕφαρμοσμένα Μαθηματικά ΙΙ 9ο Σετ Ασκήσεων (Λύσεις) Διανυσματικοί Χώροι
Εφαρμοσμένα Μαθηματικά ΙΙ 9ο Σετ Ασκήσεων (Λύσεις) Διανυσματικοί Χώροι Επιμέλεια: Ι. Λυχναρόπουλος. Δείξτε ότι ο V R εφοδιασμένος με τις ακόλουθες πράξεις (, a b) + (, d) ( a+, b+ d) και k ( ab, ) ( kakb,
Διαβάστε περισσότεραΤεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή
Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή raniah@hua.gr 1 Αβεβαιότητα Με τον όρο αβεβαιότητα (uncertainty) εννοείται η έλλειψη ακριβούς
Διαβάστε περισσότεραΘεωρία Πιθανοτήτων, εαρινό εξάμηνο Λύσεις του φυλλαδίου ασκήσεων επανάληψης. P (B) P (A B) = 3/4.
Θεωρία Πιθανοτήτων, εαρινό εξάμηνο 207-8. Λύσεις του φυλλαδίου ασκήσεων επανάληψης.. Αν P (A) / και P (A B) /4, βρείτε την ελάχιστη δυνατή και την μέγιστη δυνατή τιμή της P (B). Το B καλύπτει οπωσδήποτε
Διαβάστε περισσότεραΟρισμός : Η συνάρτηση X : Ω είναι μετρήσιμη εάν 1. της τυχαίας μεταβλητής X : Ω, είναι το πεδίο τιμών της X. Δηλαδή είναι το υποσύνολο του { }
Ορισμός : Η συνάρτηση : Ω είναι μετρήσιμη εάν B B B B = ω Ω : ω B = B { όπου { { Μία μετρήσιμη συνάρτηση : Ω ονομάζεται τυχαία μεταβλητή Ορισμός: Ο χώρος καταστάσεων της τυχαίας μεταβλητής : Ω είναι το
Διαβάστε περισσότεραΛογικοί πράκτορες. Πράκτορες βασισµένοι στη γνώση
Λογικοί πράκτορες Πράκτορες βασισµένοι στη γνώση Βάση γνώσης (knowledge base: Σύνολο προτάσεων (sentences Γλώσσα αναπαράστασης της γνώσης Γνωστικό υπόβαθρο: «Αµετάβλητο» µέρος της ΒΓ Βασικές εργασίες:
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 περισσότεραΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΑΣΦΑΛΙΣΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ Π
ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΑΣΦΑΛΙΣΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ Π ι θ α ν ό τ η τ ε ς ΙΙ Πειραιάς 2007 1 2 Από κοινού συνάρτηση πυκνότητας μιας δισδιάστατης συνεχούς τυχαίας μεταβλητής Μία διδιάστατη συνεχής τυχαία μεταβλητή
Διαβάστε περισσότεραΛήψη αποφάσεων κατά Bayes
Λήψη αποφάσεων κατά Bayes Σημειώσεις μαθήματος Thomas Bayes (1701 1761) Στυλιανός Χατζηδάκης ECE 662 Άνοιξη 2014 1. Εισαγωγή Οι σημειώσεις αυτές βασίζονται στο μάθημα ECE662 του Πανεπιστημίου Purdue και
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΑΣΦΑΛΙΣΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ Εξετάσεις στο μάθημα ΠΙΘΑΝΟΤΗΤΕΣ Ι
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΑΣΦΑΛΙΣΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ Εξετάσεις στο μάθημα ΠΙΘΑΝΟΤΗΤΕΣ Ι Ονοματεπώνυμο: Όνομα Πατρός:... ΑΜ:. Ημερομηνία: Σ Παρακαλώ μη γράφετε στα παρακάτω τετράγωνα Μέρος
Διαβάστε περισσότεραΛήψη απλών αποφάσεων
Λήψη απλών αποφάσεων ΧΡΗΣΙΜΟΤΗΤΑ Οι αποφάσεις / προτιμήσεις ενός agent (πράκτορα) μεταξύ των καταστάσεων του κόσμου αποτυπώνονται από μια συνάρτηση χρησιμότητας (utility function) U(S), η οποία αποδίδει
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 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 περισσότεραn B ' n B = n n ΥΠΟ ΣΥΝΘΗΚΗ ('Η ΔΕΣΜΕΥΜΕΝΗ ΠΙΘΑΝΟΤΗΤΑ )
ΥΠΟ ΣΥΝΘΗΚΗ ('Η ΔΕΣΜΕΥΜΕΝΗ ΠΙΘΑΝΟΤΗΤΑ ) Ενίοτε η πραγματοποίηση ενός γεγονότος εξαρτάται από την πραγματοποίηση άλλου τινός γεγονότος. Κατ' αντιστοιχία, η πιθανότητα ενός ενδεχομένου μπορεί να εξαρτάται
Διαβάστε περισσότερα12. ΑΝΙΣΩΣΕΙΣ Α ΒΑΘΜΟΥ. είναι δύο παραστάσεις μιας μεταβλητής x πού παίρνει τιμές στο
ΓΕΝΙΚΑ ΠΕΡΙ ΑΝΙΣΩΣΕΩΝ Έστω f σύνολο Α, g Α ΒΑΘΜΟΥ είναι δύο παραστάσεις μιας μεταβλητής πού παίρνει τιμές στο Ανίσωση με έναν άγνωστο λέγεται κάθε σχέση της μορφής f f g g ή, η οποία αληθεύει για ορισμένες
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 περισσότεραΣτατιστική Ι. Ενότητα 5: Θεωρητικές Κατανομές Πιθανότητας. Δρ. Γεώργιος Κοντέος Τμήμα Διοίκησης Επιχειρήσεων Γρεβενών
Στατιστική Ι Ενότητα 5: Θεωρητικές Κατανομές Πιθανότητας Δρ. Γεώργιος Κοντέος Τμήμα Διοίκησης Επιχειρήσεων Γρεβενών Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons.
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 περισσότεραΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ. Κεφάλαιο 6. Πιθανότητες
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΑΤΡΑΣ Εργαστήριο Λήψης Αποφάσεων & Επιχειρησιακού Προγραμματισμού Καθηγητής Ι. Μητρόπουλος ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ
Διαβάστε περισσότεραΚεφάλαιο 13. Αβεβαιότητα. Τεχνητή Νοηµοσύνη - Β' Έκδοση. Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου
Κεφάλαιο 13 Αβεβαιότητα Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου Κυριότερες πηγές αβεβαιότητας: Αβέβαιη Γνώση Ανακριβή δεδοµένα (imprecise data).
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 περισσότεραΕπανάληψη. ΗΥ-180 Spring 2019
Επανάληψη Έχουμε δει μέχρι τώρα 3 μεθόδους αποδείξεων του Προτασιακού Λογισμού: Μέσω πίνακα αληθείας για τις υποθέσεις και το συμπέρασμα, όπου ελέγχουμε αν υπάρχουν ερμηνείες που ικανοποιούν τις υποθέσεις
Διαβάστε περισσότεραΗΥ118: Διακριτά Μαθηματικά - Εαρινό Εξάμηνο 2016 Τελική Εξέταση Ιουνίου - Τετάρτη, 15/06/2016 Λύσεις Θεμάτων
ΗΥ118: Διακριτά Μαθηματικά - Εαρινό Εξάμηνο 2016 Τελική Εξέταση Ιουνίου - Τετάρτη, 15/06/2016 Λύσεις Θεμάτων Θέμα 1: [14 μονάδες] 1. [5] Έστω Y(x): «Το αντικείμενο x είναι ηλεκτρονικός υπολογιστής», Φ(y):
Διαβάστε περισσότεραΚοινωνικά Δίκτυα Κοινωνική Επιλογή
Κοινωνικά Δίκτυα Κοινωνική Επιλογή Ν. Μ. Σγούρος Τμήμα Ψηφιακών Συστημάτων, Παν. Πειραιώς sgouros@unipi.gr Ατομική Απόφαση Το πρόβλημα της απόφασης (decision problem) ορίζεται ως εξής: Υπάρχουν μια σειρά
Διαβάστε περισσότεραΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ. Λογική. Δημήτρης Πλεξουσάκης
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Λογική Δημήτρης Πλεξουσάκης 2ο μέρος σημειώσεων: Συστήματα Αποδείξεων για τον ΠΛ, Μορφολογική Παραγωγή, Κατασκευή Μοντέλων Τμήμα Επιστήμης Υπολογιστών Άδειες Χρήσης
Διαβάστε περισσότεραΑριθμητική Ανάλυση & Εφαρμογές
Αριθμητική Ανάλυση & Εφαρμογές Διδάσκων: Δημήτριος Ι. Φωτιάδης Τμήμα Μηχανικών Επιστήμης Υλικών Ιωάννινα 2017-2018 Υπολογισμοί και Σφάλματα Παράσταση Πραγματικών Αριθμών Συστήματα Αριθμών Παράσταση Ακέραιου
Διαβάστε περισσότεραΕΙΣΑΓΩΓΗ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ
ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ Κ. Δεμέστιχας Εργαστήριο Πληροφορικής Γεωπονικό Πανεπιστήμιο Αθηνών Επικοινωνία μέσω e-mail: cdemest@aua.gr, cdemest@cn.ntua.gr 1 4. ΑΛΓΕΒΡΑ BOOLE ΛΟΓΙΚΗ ΣΧΕΔΙΑΣΗ ΜΕΡΟΣ Α 2 Άλγεβρα
Διαβάστε περισσότεραΥπολογιστικά & Διακριτά Μαθηματικά
Υπολογιστικά & Διακριτά Μαθηματικά Ενότητα 1: Εισαγωγή- Χαρακτηριστικά Παραδείγματα Αλγορίθμων Στεφανίδης Γεώργιος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons.
Διαβάστε περισσότεραΑΡΧΗ 1ης ΣΕΛΙΔΑΣ ΕΞΕΤΑΖΟΜΕΝΟ ΜΑΘΗΜΑ : ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΤΑΞΗ : Γ ΛΥΚΕΙΟΥ ΣΠΟΥΔΕΣ ΟΙΚΟΝΟΜΙΑΣ & ΠΛΗΡΟΦΟΡΙΚΗΣ
ΑΡΧΗ 1ης ΣΕΛΙΔΑΣ ΕΞΕΤΑΖΟΜΕΝΟ ΜΑΘΗΜΑ : ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΤΑΞΗ : Γ ΛΥΚΕΙΟΥ ΣΠΟΥΔΕΣ ΟΙΚΟΝΟΜΙΑΣ & ΠΛΗΡΟΦΟΡΙΚΗΣ ΔΙΑΓΩΝΙΣΜΑ ΠΕΡΙΟΔΟΥ : ΣΕΠΤΕΜΒΡΙΟΥ 2015 ΣΥΝΟΛΟ ΣΕΛΙΔΩΝ : 6 ΘΕΜΑ
Διαβάστε περισσότεραΓραπτή Εξέταση Περιόδου Σεπτεμβρίου 2008 στο Μάθημα Στατιστική Α ΣΕΙΡΑ ΘΕΜΑΤΩΝ 29.9.2008
Γραπτή Εξέταση Περιόδου Σεπτεμβρίου 8 στο Μάθημα Στατιστική Α ΣΕΙΡΑ ΘΕΜΑΤΩΝ 9.9.8. [] Μια βιομηχανία τροφίμων προμηθεύεται νωπά κοτόπουλα από τρεις διαφορετικούς παραγωγούς Α, Β, Γ. Το % των κοτόπουλων
Διαβάστε περισσότεραΥπολογιστικά & Διακριτά Μαθηματικά
Υπολογιστικά & Διακριτά Μαθηματικά Ενότητα 7: Ανεξάρτητα ενδεχόμενα Στεφανίδης Γεώργιος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό, όπως
Διαβάστε περισσότεραΜορφολογική Παραγωγή. 3 ο φροντιστήριο ΗΥ180 Διδάσκων: Δ. Πλεξουσάκης Τετάρτη 28/02/2019 Ζωγραφιστού Δήμητρα
Μορφολογική Παραγωγή 3 ο φροντιστήριο ΗΥ180 Διδάσκων: Δ. Πλεξουσάκης Τετάρτη 28/02/2019 Ζωγραφιστού Δήμητρα Συστήματα Αποδείξεων στον ΠΛ(1/2) Συχνά μας ενδιαφέρει να μπορούμε να διαπιστώσουμε αν μία εξαγωγή
Διαβάστε περισσότεραΑσκήσεις Φροντιστηρίου «Υπολογιστική Νοημοσύνη Ι» 5 o Φροντιστήριο
Πρόβλημα ο Ασκήσεις Φροντιστηρίου 5 o Φροντιστήριο Δίνεται το παρακάτω σύνολο εκπαίδευσης: # Είσοδος Κατηγορία 0 0 0 Α 2 0 0 Α 0 Β 4 0 0 Α 5 0 Β 6 0 0 Α 7 0 Β 8 Β α) Στον παρακάτω κύβο τοποθετείστε τα
Διαβάστε περισσότεραΕργαστήριο Μαθηματικών & Στατιστικής 2η Πρόοδος στο Μάθημα Στατιστική 28/01/2011 (Για τα Τμήματα Ε.Τ.Τ. και Γ.Β.) 1ο Θέμα [40] α) στ) 2ο Θέμα [40]
Εργαστήριο Μαθηματικών & Στατιστικής η Πρόοδος στο Μάθημα Στατιστική 8// (Για τα Τμήματα Ε.Τ.Τ. και Γ.Β.) ο Θέμα [4] Τα τελευταία χρόνια παρατηρείται συνεχώς αυξανόμενο ενδιαφέρον για τη μελέτη της συγκέντρωσης
Διαβάστε περισσότεραK15 Ψηφιακή Λογική Σχεδίαση 3: Προτασιακή Λογική / Θεωρία Συνόλων
K15 Ψηφιακή Λογική Σχεδίαση 3: Προτασιακή Λογική / Θεωρία Συνόλων Γιάννης Λιαπέρδος TEI Πελοποννήσου Σχολή Τεχνολογικών Εφαρμογών Τμήμα Μηχανικών Πληροφορικής ΤΕ Στοιχεία προτασιακής λογικής Περιεχόμενα
Διαβάστε περισσότεραΠΛΗ 405 Τεχνητή Νοηµοσύνη
ΠΛΗ 405 Τεχνητή Νοηµοσύνη Α οδοτικός Προτασιακός Συµ ερασµός Τµήµα Ηλεκτρονικών Μηχανικών και Μηχανικών Υ ολογιστών Πολυτεχνείο Κρήτης Ε ανάληψη Λογικοί ράκτορες πράκτορες βασισµένοι στη λογική Λογικές
Διαβάστε περισσότεραΟρισμός : Η συνάρτηση X : Ω είναι μετρήσιμη εάν 1. της τυχαίας μεταβλητής X : Ω, είναι το πεδίο τιμών της X. Δηλαδή είναι το υποσύνολο του { }
Ορισμός : Η συνάρτηση : Ω είναι μετρήσιμη εάν B B B B = ω Ω : ω B = B { όπου { { Μία μετρήσιμη συνάρτηση : Ω ονομάζεται τυχαία μεταβλητή Ορισμός: Ο χώρος καταστάσεων της τυχαίας μεταβλητής : Ω είναι το
Διαβάστε περισσότεραΕΙΣΑΓΩΓΗ ΣΤΗΝ ΑΝΑΛΥΣΗ ΑΛΓΟΡΙΘΜΩΝ
ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΑΝΑΛΥΣΗ ΑΛΓΟΡΙΘΜΩΝ Ενότητα 13: Αλγόριθμοι-Μεγάλων ακεραίων- Εκθετοποίηση- Πολλαπλασιασμός πινάκων -Strassen Μαρία Σατρατζέμη Τμήμα Εφαρμοσμένης Πληροφορικής Άδειες Χρήσης Το παρόν εκπαιδευτικό
Διαβάστε περισσότεραΣυνέπεια, Εγκυρότητα, Συνεπαγωγή, Ισοδυναμία, Κανονικές μορφές, Αλγόριθμοι μετατροπής σε CNF-DNF
Συνέπεια, Εγκυρότητα, Συνεπαγωγή, Ισοδυναμία, Κανονικές μορφές, Αλγόριθμοι μετατροπής σε CNF-DNF 1 ο φροντιστήριο ΗΥ180 Διδάσκων: Δ. Πλεξουσάκης Πέμπτη 15/02/2018 Κρεατσούλας Κωνσταντίνος Ασυνεπές σύνολο
Διαβάστε περισσότεραΘΕΩΡΙΑ ΠΑΙΓΝΙΩΝ. Ενότητα 11: Σχεδίαση μηχανισμών. Ρεφανίδης Ιωάννης Τμήμα Εφαρμοσμένης Πληροφορικής
Ενότητα 11: Σχεδίαση μηχανισμών Ρεφανίδης Ιωάννης Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό, όπως εικόνες, που υπόκειται σε άλλου τύπου
Διαβάστε περισσότεραΣΥΣΤHΜΑΤΑ ΑΠΟΦAΣΕΩΝ ΣΤΗΝ ΠΑΡΑΓΩΓH
ΣΥΣΤHΜΑΤΑ ΑΠΟΦAΣΕΩΝ ΣΤΗΝ ΠΑΡΑΓΩΓH Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Η/Υ ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ Διοίκηση Παραγωγής & Συστημάτων Υπηρεσιών ΕΡΓΑΣΤΗΡΙΟ ΣΥΣΤΗΜΑΤΩΝ ΑΠΟΦΑΣΕΩΝ ΚΑΙ ΔΙΟΙΚΗΣΗΣ Περιεχόμενα
Διαβάστε περισσότεραΠανεπιστήμιο Δυτικής Μακεδονίας. Τμήμα Μηχανικών Πληροφορικής & Τηλεπικοινωνιών. Διακριτά Μαθηματικά. Ενότητα 6: Προτασιακός Λογισμός
Τμήμα Μηχανικών Πληροφορικής & Τηλεπικοινωνιών Διακριτά Μαθηματικά Ενότητα 6: Προτασιακός Λογισμός Αν. Καθηγητής Κ. Στεργίου e-mail: kstergiou@uowm.gr Τμήμα Μηχανικών Πληροφορικής και Τηλεπικοινωνιών Άδειες
Διαβάστε περισσότεραΜαθηματική Λογική και Λογικός Προγραμματισμός
Τμήμα Μηχανικών Πληροφοριακών και Επικοινωνιακών Συστημάτων- Σημειώσεις έτους 2007-2008 Καθηγητής Γεώργιος Βούρος Μαθηματική Λογική και Λογικός Προγραμματισμός Τμήμα Μηχανικών Πληροφοριακών και Επικοινωνιακών
Διαβάστε περισσότεραΘέμα 1. με επαυξημένο 0 1 1/ 2. πίνακα. και κλιμακωτή μορφή αυτού
ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ ΜΑΘΗΜΑΤΙΚΑ ΓΙΑ ΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ Ι (ΘΕ ΠΛΗ ) ΕΝΔΕΙΚΤΙΚΕΣ ΛΥΣΕΙΣ ΕΠΑΝΑΛΗΠΤΙΚΗΣ ΕΞΕΤΑΣΗΣ Ιουλίου 0 Θέμα α) (Μον.6) Να βρεθεί η τιμή του πραγματικού
Διαβάστε περισσότεραΆσκηση 2: Y=BX+C. Λύση:
Άσκηση 2: Η τιμή ενός σήματος x(t) για τη χρονική στιγμή t=t θεωρείται ότι είναι τυχαία μεταβλητή Χ=x(t ) με κανονική κατανομή 0,. Να υπολογιστεί η πιθανότητα της τυχαίας μεταβλητής Y=y(t ) να έχει τιμή
Διαβάστε περισσότεραΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ Κεφάλαιο 2 ο. Επικοινωνία:
1 Επικοινωνία: spzygouris@gmail.com 2 Ποιοι είναι οι τελεστές σύγκρισης; Απάντηση Οι τελεστές σύγκρισης είναι: Ίσον = Διάφορο Μικρότερο < Μικρότεροήίσο Μεγαλύτερο > Μεγαλύτερο ή ίσο Που χρησιμοποιούνται
Διαβάστε περισσότεραΑΣΚΗΣΕΙΣ ΣΤΑΤΙΣΤΙΚΗΣ
www.ifospoudes.gr ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΟΡΓΑΝΩΣΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΑΣΚΗΣΕΙΣ ΣΤΑΤΙΣΤΙΚΗΣ Δ.Α.Π.-Ν.Δ.Φ.Κ. ΤΜΗΜΑΤΟΣ ΟΡΓΑΝΩΣΗΣ & ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ www.dap-pape.gr www.ifospoudes.gr S.O.S
Διαβάστε περισσότεραΑΕΠΠ Ερωτήσεις θεωρίας
ΑΕΠΠ Ερωτήσεις θεωρίας Κεφάλαιο 1 1. Τα δεδομένα μπορούν να παρέχουν πληροφορίες όταν υποβάλλονται σε 2. Το πρόβλημα μεγιστοποίησης των κερδών μιας επιχείρησης είναι πρόβλημα 3. Για την επίλυση ενός προβλήματος
Διαβάστε περισσότεραΚατ οίκον Εργασία 2 Λύσεις
Κατ οίκον Εργασία 2 Λύσεις Άσκηση 1 Ακολουθεί η διατύπωση των προτάσεων στον προτασιακό λογισμό. (α) Κάθε ενεργός χρήστης είναι είτε διαχειριστής είτε κανονικός χρήστης του συστήματος. x [Ενεργός (x) Διαχειριστής(x)
Διαβάστε περισσότεραΛύσεις Σειράς Ασκήσεων 1
Λύσεις Σειράς Ασκήσεων 1 Άσκηση 1 Έστω οι προτάσεις / προϋπόθεσεις: Π1. Σε όσους αρέσει η τέχνη αρέσουν και τα λουλούδια. Π2. Σε όσους αρέσει το τρέξιμο αρέσει και η μουσική. Π3. Σε όσους δεν αρέσει η
Διαβάστε περισσότερα6 ο ΜΑΘΗΜΑ Έλεγχοι Υποθέσεων
6 ο ΜΑΘΗΜΑ Έλεγχοι Υποθέσεων 6.1 Το Πρόβλημα του Ελέγχου Υποθέσεων Ενός υποθέσουμε ότι μία φαρμακευτική εταιρεία πειραματίζεται πάνω σε ένα νέο φάρμακο για κάποια ασθένεια έχοντας ως στόχο, τα πρώτα θετικά
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 περισσότεραΚ Α Λ Η Ε Π Ι Τ Υ Χ Ι Α!!!!!
Όνομα: Επίθετο: Ημερομηνία: 25/6/2018 Πρωί: Απόγευμα: Θεματική ενότητα: Αρχές Αναλογιστικής Προτυποποίησης, Κατασκευή και Αξιολόγηση Αναλογιστικών Προτύπων Κ Α Λ Η Ε Π Ι Τ Υ Χ Ι Α!!!!! 1/15 1. Η κατανομή
Διαβάστε περισσότερα