archive-gr.com » GR » A » AUEB.GR

Total: 126

Choose link from "Titles, links and description words view":

Or switch to "Titles and links view".
  • Phd Thesis presantation - Kalpinelli
    μερικών διαφορικών εξισώσεων μέσω της μεθόδου του αναπτύγματος σε Wiener Chaos Οι λύσεις αυτές ανήκουν στην κατηγορία των μεταβολικών λύσεων και κατασκευάζονται σαν ανάπτυγμα σε σειρά Fourier με συντελεστές που υπολογίζονται λύνοντας ένα απειροδιάστατο σύστημα ντετερμινιστικών διαφορικών εξισώσεων γνωστό και ως Διαδότη Αποδεικνύεται ότι η λύση της αρχικής στοχαστικής διαφορικής εξίσωσης συνδέεται με την λύση του ντετερμινιστικού συστήματος με μία σχέση ισοδυναμίας σε κατάλληλα επιλεγμένους χώρους Wiener με βάρος Η σύνδεση αυτή μας επιτρέπει να προσδιορίσουμε τις κατάλληλες αρχικές συνθήκες που μας εξασφαλίζουν την ύπαρξη και μοναδικότητα λύσεων απείρως διαφορίσιμων κατά Malliavin καθώς και λύσεων σε χώρους Hida Kondratiev Στο δεύτερο μέρος προτείνουμε ένα νέο αριθμητικό σύστημα με βάση το ανάπτυγμα σε Wiener Chaos για την επίλυση υπερβολικών στοχαστικών μερικών διαφορικών εξισώσεων Μέσω του αναπτύγματος σε Wiener Chaos παράγεται ο Διαδότης σαν ένα απειροδιάστατο σύστημα ντετερμινιστικών μερικών διαφορικών εξισώσεων το οποίο στη συνέχεια περικόπτεται με σκοπό να καταλήξουμε εν τέλει σε ένα πεπερασμένης διάστασης ντετερμινιστικό σύστημα που μπορεί να αντιμετωπιστεί με συνήθεις τεχνικές Εν συνεχεία παρέχονται a priori και a posteriori αποτελέσματα σχετικά με τη σύγκλισή της μεθόδου Η προτεινόμενη μέθοδος εφαρμόζεται για την επίλυση του υποδείγματος των Heath Jarrow Morton για τα επιτόκια υπό την παραμετροποίηση κατά Musiela και

    Original URL path: http://stat-athens.aueb.gr/diatrives/PhDKalpinelliGR.htm (2016-02-14)
    Open archived version from archive


  • PhD Thesis Presentation: A.Plataniotis 1 Jul 2011
    μεθόδους εκτίμησης που συνδυάζονται με κάθε υπόδειγμα Επίσης προχωρήσαμε στην σύγκριση των προβλεπτικών ικανοτήτων για τα επικρατέστερα υποδείγματα της βιβλιογραφίας με χρήση προσομοιωμένων δεδομένων Συνεχίζοντας την ανασκόπηση ακολουθούν τα πολυμεταβλητά υποδείγματα Το βασικότερο κενό που παρατηρείται στη βιβλιογραφία είναι ότι δεν υπάρχει κάποιο υπόδειγμα μέχρι στιγμής το οποίο να μπορεί να αποτυπώσει πλήρως τα χαρακτηριστικά των πινάκων διακύμανσης μεγάλων διαστάσεων παρά μόνο αποτελούν μερικές λύσεις που αφορούν συγκεκριμένες περιπτώσεις Τα προβλήματα επικεντρώνονται κυρίως στο γεγονός ότι χρειάζεται να είναι θετικά ορισμένος ο υπό εκτίμηση πίνακας ενώ και η ερμηνεία των παραμέτρων δεν σχετίζεται άμεσα με τις ιδιότητες των χρηματοοικονομικών δεδομένων Επιπροσθέτως οι υπάρχουσες μέθοδοι επιλογής του βέλτιστου υποδείγματος επικεντρώνονται στην ακρίβεια των υπό εκτίμηση παραμέτρων και την καλή προσαρμογή στα παρατηρούμενα δεδομένα Στόχος μας αποτελεί η περαιτέρω εξέταση της προβλεπτικής συμπεριφοράς των υποδειγμάτων Ολοκληρώσαμε την ανασκόπηση με μερικές βελτιώσεις στα ήδη υπάρχοντα υποδείγματα οι οποίες οδηγούν σε αποτελεσματικότερες εκτιμήσεις των παραμέτρων τους πιο γρήγορη διαδικασία εκτίμησης αλλά και ακριβέστερες προβλέψεις Στη συνέχεια εισάγεται μια νέα κατηγορία υποδειγμάτων για τoν πίνακα διακύμανσης Το υπόδειγμα αυτό βασίζεται στο Φασματική Ανάλυση των μεταβαλλόμενων στο χρόνο πινάκων διακύμανσης και την εισαγωγή υποδειγμάτων αυτοσυσχέτισης για κάθε ένα από τα στοιχεία του πίνακα Αρχικά θεωρούμε ότι όλα τα στοιχεία του πίνακα είναι μεταβαλλόμενα στο χρόνο ακολουθώντας ανεξάρτητα αυτοπαλίνδρομες διαδικασίες και στη συνέχεια λαμβάνοντας υπόψη τα δεδομένα μας ανανεώνουμε τις αρχικές μας πεποιθήσεις και καταλήγουμε στο πλήθος των στοιχείων που είναι μεταβλητά στο χρόνο Παραθέτουμε τις θεωρητικές ιδιότητες του προτεινόμενου υποδείγματος συνοδευόμενες με μια σειρά από μεθόδους εκτίμησης τόσο Μπεϋζιανών όσο και κλασσικών Καταλήγουμε στο συμπέρασμα για μικρά χαρτοφυλάκια να χρησιμοποιείται η μέθοδος που βασίζεται στις τεχνικές Markov Chain Monte Carlo MCMC ενώ για μεγαλύτερα χαρτοφυλάκια ενδείκνυται η χρήση των φωλιασμένων προσεγγίσεων Laplace τα οποία παράγουν αποτελέσματα πολύ ταχύτερα και με μικρή απώλεια από πλευράς ακρίβειας Το

    Original URL path: http://stat-athens.aueb.gr/diatrives/PhDPlataniotisGR.htm (2016-02-14)
    Open archived version from archive

  • Phd Thesis presantation - Pedeli
    την ανάλυση τέτοιου είδους σειρών είναι ο βασικός λόγος αποθάρρυνσης της περαιτέρω μελέτης τους Συγκεκριμένα η ανάγκη συνυπολογισμού τόσο της σειριακής συσχέτισης των δεδομένων όσο και της αυτοσυσχέτισης που αυτά παρουσιάζουν περιπλέκουν τον ορισμό του μοντέλου την εκτίμηση των παραμέτρων του και τη σχετική συμπερασματολογία Η παρούσα διατριβή ασχολείται με την κατηγορία των Διακριτών Αυτοπαλίνδρομων ακολουθιών Integer valued AutoRegressive INAR processes μία προσφάτως δημοφιλή κατηγορία μοντέλων για διακριτές χρονολογικές σειρές

    Original URL path: http://stat-athens.aueb.gr/diatrives/PhDPedeliGR.htm (2016-02-14)
    Open archived version from archive

  • PhD Thesis Presentation: A.Petralias 7 Jun 2010
    σε εκτεταμένες μελέτες προσομοίωσης όπως και σε πιο πολύπλοκα προβλήματα επιλογής υποδειγμάτων γραμμικής παλινδρόμησης με προσομοιωμένα και πραγματικά δεδομένα που περιλαμβάνουν από 300 έως 1000 μεταβλητές Η μέθοδος παράγει ιδιαίτερα θετικά αποτελέσματα καθώς αποδυκνείεται πιο αποτελεσματική σε σχέση με άλλους ανταγωνιστικούς αλγόριθμους στις περισσότερες των περιπτώσεων Επιπλέον η μέθοδος εφαρμόζεται στην επιλογή γονιδίων με χρήση λογιστικής παλινδρόμησης χρησιμοποιώντας ένα διαδεδομένο σύνολο δεδομένων με 3227 γονίδια Το πρόβλημα επίκειται στο προσδιορισμό των γονιδίων εκείνων που σχετίζονται με την εμφάνιση μιας συγκεκριμένης μορφής καρκίνου του στήθους Η νέα μέθοδος ξανά αποδυκνείεται πιο αποτελεσματική όταν συγκρίνεται με έναν υπάρχον πληθυσμιακό Population αλγόριθμο MCMC ενώ επεκτείνουμε και τα ευρήματα προηγούμενων ιατρικών μελετών σε αυτό το θέμα Παρουσιάζουμε ένα σύνολο νέων ευέλικτων υποδειγμάτων για την εκτίμηση της διακύμανσης χρησιμοποιώντας συναρτήσεις ορίων thresholds Σε αυτά τα υποδείγματα οι μεταβλητές που περιλαμβάνονται καθώς και ο αριθμός αλλά και η τοποθεσία που βρίσκονται τα κρίσιμα σημεία threshold points αποτελούν αντικείμενο εκτίμησης ενώ οι εξωγενής μεταβλητές δύναται να παρατηρούνται σε χαμηλότερη συχνότητα από την εξαρτημένη Για να εκτιμήσουμε αυτά τα υποδείγματα χρησιμοποιούμε τη νέα μέθοδο επιλογής υποδειγμάτων εμπλουτισμένη με νέες κινήσεις η χρήση της οποίας ελέγχεται με επιπλέον προσομοιώσεις Ακόμη προτείνουμε ένα συγκρίσιμο υπόδειγμα που βασίζεται σε splines όπου

    Original URL path: http://stat-athens.aueb.gr/diatrives/PhDPetraliasGR.htm (2016-02-14)
    Open archived version from archive

  • Statistical Seminars: Carlo De Michele 29 Sep 2009
    required for regulatory purposes Its popularity is partly due to the fact that it is an easily understood measure of risk The use of Product Partition Models allows us to remain in a Normal setting even in presence of outlying points and to obtain a closed form expression for Value at Risk computation We present and compare two different scenarios a product partition structure on the vector of means and

    Original URL path: http://stat-athens.aueb.gr/diatrives/semTarantola.htm (2016-02-14)
    Open archived version from archive

  • Statistical Seminars: Carlo De Michele 29 Sep 2009
    The amount of information in such data de pends not only on the sample size but also on the structure and strength of the correlations among observations from the same independent block A general concept is discussed the effective sample size as a way of quantifying the amount of information in such data It is defined as the sample size one would need in an independent sample to equal the amount of information in the actual correlated sample This concept is widely applicable for Gaussian data and beyond and provides important insight For example it helps explaining why fixed effects and random effects inferences of meta analytic data can be so radically divergent Further we show that in some cases the amount of information is bounded even when the number of measures per independent block approaches infinity We use the method to devise a new denominator degrees of freedom method for fixed effects testing It is compared to the classical Satterthwaite and Kenward Roger methods for performance and more importantly to enhance insight A key feature of the proposed degrees of freedom method is that it unlike the others can be used for non Gaussian data too it is exemplified

    Original URL path: http://stat-athens.aueb.gr/diatrives/semFaes.htm (2016-02-14)
    Open archived version from archive

  • Statistical Seminars: Carlo De Michele 29 Sep 2009
    Systems Speaker George Mytalas Ph D student Department of Statistics Athens University of Economics and Business Date 23 February 2010 Time 15 00 16 00 Room 607 6th floor Evelpidon building Abstract We consider the impact on delay time of an inspection scheme for quality control We also analyze a class of queueing models obtained from the examination of the post inspection phase of the process These are queueing models

    Original URL path: http://stat-athens.aueb.gr/diatrives/semMytalas.htm (2016-02-14)
    Open archived version from archive


  • r e d b y t h e D e p a r t m e n t T h e r e m a i n i n g 5 6 E C T S s r e q u i r e d f o r g r a d u a t i o n c a n c o m e e i t h e r f r o m t h e S t a t i s t i c s D e p a r t m e n t o f f e r e d c o u r s e s e i t h e r f r o m o t h e r U n i v e r s i t y D e p a r t m e n t s A c o u r s e t a b l e i s a n n o u n c e d e a c h a c a d e m i c y e a r a n d i s d e p e n d i n g o n t h e c o u r s e s o f f e r e d a n d l e c t u r e r s a v a i l a b i l i t y S o m e o p t i o n a l c o u r s e s m i g h t n o t b e o f f e r e d i f t h e r e i s n o t a n a v a i l a b l e l e c t u r e r W h e n g r a d u a t i n g a s t u d e n t i s a b l e t o o b t a i n a c e r t i f i e d s t a t e m e n t o f P C k n o w l e d g e e q u i v a l e n t t o t h e E C D L S t u d e n t s h a v e t h e o p p o r t u n i t y t o a t t e n d c o u r s e s t o a c o r r e s p o n d i n g s e c t i o n i n a U n i v e r s i t y a b r o a d t h r o u g h t h e E R A S M U S p r o g r a m n b s p n b s p S T R U C T U R E O F T H E N E W P R O G R A M A S e m e s t e r B S e m e s t e r n b s p n b s p P r o b a b i l i t y I C n b s p n b s p C a l c u l u s I C n b s p n b s p L i n e a r A l g e b r a I C n b s p n b s p n b s p I n t r o d u c t i o n t o P r o g r a m m i n g u s i n g R C n b s p n b s p P r o b a b i l i t y I I C n b s p n b s p C a l c u l u s I I C n b s p n b s p L i n e a r A l g e b r a I I C n b s p n b s p I n t r o d u c t i o n t o P r o b a b i l i t y a n d S t a t i s t i c s u s i n g R C C S e m e s t e r D S e m e s t e r n b s p n b s p E s t i m a t i o n a n d H y p o t h e s i s T e s t i n g C n b s p n b s p S t o c h a s t i c P r o c e s s e s n b s p I C n b s p n b s p I n t r o d u c t i o n t o M a t h e m a t i c a l A n a l y s i s n b s p n b s p S t a t i s t i c a l D e m o g r a p h y n b s p n b s p I n t r o d u c t i o n t o E c o n o m i c s n b s p n b s p I n t r o d u c t i o n t o A c c o u n t i n g I n f o r m a t i o n S y s t e m s n b s p n b s p L i n e a r M o d e l s C n b s p n b s p T i m e S e r i e s A n a l y s i s C n b s p n b s p S a m p l i n g n b s p n b s p M a t h e m a t i c a l M e t h o d s n b s p n b s p A c t u a r i a l S c i e n c e I n b s p n b s p N u m e r i c a l n b s p M e t h o d s i n S t a t i s t i c s E S e m e s t e r F S e m e s t e r n b s p n b s p G e n e r a l i z e d L i n e a r M o d e l s C n b s p n b s p B a y e s i a n S t a t i s t i c s n b s p n b s p S t a t i s t i c a l Q u a l i t y C o n t r o l n b s p n b s p E c o n o m e t r i c s n b s p n b s p T h e o r e t i c a l S t a t i s t i c s n b s p n b s p D a t a A n a l y s i s C n b s p n b s p S i m u l a t i o n n b s p n b s p M u l t i v a r i a t e S t a t i s t i c a l A n a l y s i s n b s p n b s p N o n P a r a m e t r i c S t a t i s t i c s n b s p n b s p B i o s t a t i s t i c s I G S e m e s t e r H S e m e s t e r n b s p n b s p A p p l i e d L i n e a r M o d e l s n b s p n b s p P r o b a b i l i t y T h e o r y n b s p n b s p S t a t i s t i c a l L e a r n i n g n b s p n b s p B i o s t a t i s t i c s I I n b s p n b s p I n t r o d u c t i o n t o O p e r a t i o n s R e s e a r c h n b s p n b s p S t o c h a s t i c P r o c e s s e s I I n b s p n b s p A c t u a r i a l S c i e n c e I I n b s p n b s p R e s e a r c h M e t h o d o l o g y n b s p n b s p S p e c i a l T o p i c s i n P r o b a b i l i t y a n d S t a t i s t i c s n b s p n b s p B a c h e l o r D i s s e r t a t i o n n b s p n b s p P r a c t i c a l T r a i n i n g n b s p n b s p C a t e g o r i c a l D a t a A n a l y s i s n b s p n b s p A d v a n c e d S a m p l i n g M e t h o d s n b s p n b s p S t a t i s t i c a l M e t h o d s f o r t h e E n v i r o n m e n t a n d E c o l o g y n b s p n b s p O f f i c i a l S t a t i s t i c s n b s p n b s p S t a t i s t i c s E r a s m u s C o u r s e n b s p n b s p A d v a n c e d B a y e s i a n M e t h o d s n b s p n b s p S p e c i a l T o p i c s i n P r o b a b i l i t y a n d S t a t i s t i c s n b s p n b s p B a c h e l o r T h e s i s n b s p n b s p P r a c t i c a l T r a i n i n g n b s p n b s p T h e l e s s o n i s n o t o f f e r e d d u r i n g t h e 2 0 1 5 1 6 A c a d e m i c Y e a r N o t e R e g a r d i n g s t u d e n t s e n r o l l e d 2 0 0 8 2 0 0 9 a n d b e f o r e t h e p r e v i o u s c o u r s e g u i d e i s a p p l i e d a c c o r d i n g t o w h i c h t h e y m u s t c o m p l e t e 2 4 0 E C T S 3 9 s f r o m 1 1 c o m p u l s o r y c o u r s e s a n d 7 2 E C T S 3 9 s f r o m o p t i o n a l c o u r s e s w i t h s t a t i s t i c a l c o n t e x t T r a n s i t i o n a l p r o v i s i o n s f o r p r e v i o u s y e a r s s t u d e n t s a r e h e r e i n G r e e k n b s p n b s p n b s p n b s p C O M P U L S O R Y C O U R S E S n b s p F I R S T S E M E S T E R P R O B A B I L I T Y I C C A L C U L U S I C L I N E A R A L G E B R A I C I N T R O D U C T I O N T O P R O G R A M M I N G U S I N G R C n b s p S E C O N D S E M E S T E R P R O B A B I L I T Y I I C C A L C U L U S I I n b s p C L I N E A R A L G E B R A I I C I N T R O D U C T I O N T O P R O B A B I L I T Y A N D S T A T I S T I C S U S I N G R C n b s p T H I R D S E M E S T E R E S T I M A T I O N A N D H Y P O T H E S I S T E S T I N G C S T O C H A S T I C P R O C E S S E S I C I N T R O D U C T I O N T O M A T H E M A T I C A L A N A L Y S I S S T A T I S T I C A L D E M O G R A P H Y I N T R O D U C T I O N T O E C O N O M I C S I N T R O D U C T I O N T O A C C O U N T I N G I N F O R M A T I O N S Y S T E M S n b s p F O U R T H S E M E S T E R L I N E A R M O D E L S C T I M E S E R I E S A N A L Y S I S C S A M P L I N G M A T H E M A T I C A L M E T H O D S A C T U A R I A L S C I E N C E I N U M E R I C A L M E T H O D S I N S T A T I S T I C S N O T O F F E R E D I N T H E A C A D E M I C Y E A R 2 0 1 5 1 6 n b s p F I F T H S E M

    Original URL path: http://stat-athens.aueb.gr/eng/undergraduate/programma%20spoydwn%2015%2016_eng.html (2016-02-14)
    Open archived version from archive



  •