Πολυμεταβλητή ανάλυση και εφαρμογές στην R

Παναγιώτου, Ευμορφία; Panagiotou, Evmorfia

dc.contributor.author	Παναγιώτου, Ευμορφία	el
dc.contributor.author	Panagiotou, Evmorfia	en
dc.date.accessioned	2022-02-18T15:36:50Z
dc.date.available	2022-02-18T15:36:50Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/54770
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.22468
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Μαθηματική Προτυποποίηση σε Σύγχρονες Τεχνολογίες και στα Χρηματοοικονομικά”	el
dc.rights	Default License
dc.subject	Πολυμεταβλητή ανάλυση	el
dc.subject	Multivariate methods	en
dc.subject	Κύριες συνιστώσες	el
dc.subject	Παραγοντική ανάλυση	el
dc.subject	Principal component analysis	en
dc.subject	Factor analysis	en
dc.title	Πολυμεταβλητή ανάλυση και εφαρμογές στην R	el
dc.title	Multivariate Analysis with applications in R	en
heal.type	masterThesis
heal.classification	ΣΤΑΤΙΣΤΙΚΗ	el
heal.language	el
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2021-07-02
heal.abstract	Η παρούσα διπλωματική εργασία έχει ως αντικείμενο εργασίας τη μελέτη μεθόδων πολυμεταβλητής ανάλυσης δεδομένων. Η πολυμεταβλητή ανάλυση δεδομένων έχει αποτελέσει ένα από τα σημαντικότερα εργαλεία σε πολλές επιστήμες. Οι πολυμεταβλητές μέθοδοι που χρησιμοποιούνται διευκολύνουν την εξαγωγή συμπερασμάτων για ένα μεγάλο αριθμό δεδομένων. Επιπλέον, βοηθούν στην ερμηνεία των συσχετίσεων που υπάρχουν μεταξύ των μεταβλητών. Σκοπός αυτής της διπλωματικής είναι η ενασχόληση με την πολυμεταβλητή ανάλυση και πιο συγκεκριμένα με τις μεθόδους των Κύριων Συνιστωσών και της Παραγοντικής Ανάλυσης. Κοινός σκοπός και των δυο μεθόδων είναι η μείωση της διάστασης μεγάλων δεδομένων που είναι συσχετισμένα, σε ασυσχέτιστα μικρότερης διάστασης. Στο πρώτο κεφάλαιο της διπλωματικής δίνεται μια εισαγωγή για την πολυμεταβλητή ανάλυση και την ορολογία αυτής, καθώς και μια περιληπτική αναφορά στις κύριες τεχνικές για την ανάλυση δεδομένων όταν αυτά περιέχουν πολλές μεταβλητές. Στα επόμενα δύο κεφάλαια θα αναλυθούν περαιτέρω η μέθοδος των Κύριων Συνιστωσών, καθώς και της Παραγοντικής Ανάλυσης. Συγκεκριμένα τα κεφάλαια αυτά εστιάζουν στην κατανόηση των βημάτων που ακολουθεί η κάθε μέθοδος, καθώς και σε εφαρμογές αυτών. Επιλογικά, το τελευταίο κεφάλαιο περιέχει μια υλοποίηση των μεθόδων αυτών, κάνοντας χρήση της γλώσσας προγραμματισμού R. Το σύνολο δεδομένων που έχει χρησιμοποιηθεί αφορά πραγματικά δεδομένα και περιέχει χαρακτηριστικά για διάφορα μοντέλα αυτοκινήτων. Στο σύνολο αυτών των δεδομένων εφαρμόστηκαν οι δύο μέθοδοι, και σε κάθε περίπτωση υπήρξε οπτικοποίηση και ερμηνεία των αποτελεσμάτων.	el
heal.abstract	The aim of this dissertation is to study the multivariate data analysis methods. Multivariate data analysis has been one of the most important tools in many sciences. More specifically, multivariate methods are used to facilitate and draw conclusions for a large amount of data. In addition, via these methods we interpret the correlations that exist between the variables. The purpose of this dissertation is to examine the multivariate analysis and more specifically, the methods of Principal Component Analysis (PCA) and the Factor Analysis (FA). The common goal of both methods is to reduce the size of large data that are correlated, to uncorrelated smaller dimensions. The dissertation chapter structure was organized in the following order: in the first chapter an introduction is given to the multivariate data analysis and its terminology as well as a summary was provided of the main techniques for data analysis when the data contain multiple variables. In the next two chapters, the Principal Components and Factorial Analysis methods will be further analyzed. In particular, these chapters focus on understanding the steps to be taken by each method and their applications. To conclude, the last chapter contains an implementation study of these methods by using the R programming language. The data set which was used, relates to actual data as well as contains characteristics for different car models. In this data set, the two methods considered were applied, where in each case the results were visualized and interpreted.	en
heal.advisorName	Βοντά, Φίλια	el
heal.committeeMemberName	Καρώνη, Χρυσήις	el
heal.committeeMemberName	Καραγρηγορίου, Αλέξανδρος	el
heal.committeeMemberName	Βοντά, Φίλια	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών	el
heal.academicPublisherID	ntua
heal.numberOfPages	88 σ.	el
heal.fullTextAvailability	false