{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5296172"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5296172","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Bayesian Inference for Finite Mixture and Hidden Markov Models","abstract":"Η παρούσα διπλωματική εργασία, εστιάζει στην παρουσίαση και ανάλυση Μοντέλων Πεπερασμένων Μίξεων Κατανομών και Κρυμμένων Μαρκοβιανών Μοντέλων, υπό το πρίσμα της Μπευζιανης στατιστικής. Αρχικά, παρουσιάζονται και θεμελιώνονται θεωρητικά τα Μοντέλα Πεπερασμένων Μίξεων, με έμφαση κυρίως σε μίξεις Poisson κατανομών, όπου τα δεδομένα προέρχονται από ένα πεπερασμένο σύνολο υποπληθυσμών με διαφορετικά εγγενή χαρακτηριστικά, των οποίων η κατανομή μοντελοποιείται ως μίγμα γνωστών κατανομών με άγνωστες παραμέτρους. Αναλύονται η έννοια της αναγνωρισιμότητας (identifiability), τα στατιστικά προβλήματα που προκύπτουν, και η ανάγκη χρήσης τεχνικών και αλγορίθμων για την συμπερασματολογία. Κατόπιν, ενσωματώνοντας εξάρτηση μεταξύ των παρατηρήσεων, μέσω μιας Μαρκοβιανής δομής, η εργασία επεκτείνεται στα Κρυμμένα Μαρκοβιανά μοντέλα. Σε πλήρη αντιστοιχία με τα προηγούμενα μοντέλα, εξηγούνται βασικές μέθοδοι εκτίμησης τόσο των κρυφών καταστάσεων όσο και των παραμέτρων του μοντέλου. Επίσης, γίνεται αναφορά σε μοντέλα όπου το πλήθος των κρυφών καταστάσεων είναι άγνωστο, και άρα υπό εκτίμηση, και αναφέρονται αλγοριθμικοί τρόποι για τέτοιου είδους μοντέλα. Τέλος, παρατίθονται εφαρμογές και για τα δύο μοντέλα, οι οποίες βασίζονται σε προσομοιωμένα δεδομένα. Στα παραρτήματα, παρατίθεται ο κώδικας σε R που σχεδιάστηκε για την παρούσα εργασία. Οι εφαρμογές επιβεβαιώνουν τη χρησιμότητα των θεωρητικών μεθόδων, παρέχοντας ένα εισαγωγικό και εκπαιδευτικό παράδειγμα για τον φοιτητή στατιστικής.","abstract_html":"Η παρούσα διπλωματική εργασία, εστιάζει στην παρουσίαση και ανάλυση Μοντέλων Πεπερασμένων Μίξεων Κατανομών και Κρυμμένων Μαρκοβιανών Μοντέλων, υπό το πρίσμα της Μπευζιανης στατιστικής. Αρχικά, παρουσιάζονται και θεμελιώνονται θεωρητικά τα Μοντέλα Πεπερασμένων Μίξεων, με έμφαση κυρίως σε μίξεις Poisson κατανομών, όπου τα δεδομένα προέρχονται από ένα πεπερασμένο σύνολο υποπληθυσμών με διαφορετικά εγγενή χαρακτηριστικά, των οποίων η κατανομή μοντελοποιείται ως μίγμα γνωστών κατανομών με άγνωστες παραμέτρους. Αναλύονται η έννοια της αναγνωρισιμότητας (identifiability), τα στατιστικά προβλήματα που προκύπτουν, και η ανάγκη χρήσης τεχνικών και αλγορίθμων για την συμπερασματολογία. Κατόπιν, ενσωματώνοντας εξάρτηση μεταξύ των παρατηρήσεων, μέσω μιας Μαρκοβιανής δομής, η εργασία επεκτείνεται στα Κρυμμένα Μαρκοβιανά μοντέλα. Σε πλήρη αντιστοιχία με τα προηγούμενα μοντέλα, εξηγούνται βασικές μέθοδοι εκτίμησης τόσο των κρυφών καταστάσεων όσο και των παραμέτρων του μοντέλου. Επίσης, γίνεται αναφορά σε μοντέλα όπου το πλήθος των κρυφών καταστάσεων είναι άγνωστο, και άρα υπό εκτίμηση, και αναφέρονται αλγοριθμικοί τρόποι για τέτοιου είδους μοντέλα. Τέλος, παρατίθονται εφαρμογές και για τα δύο μοντέλα, οι οποίες βασίζονται σε προσομοιωμένα δεδομένα. Στα παραρτήματα, παρατίθεται ο κώδικας σε R που σχεδιάστηκε για την παρούσα εργασία. Οι εφαρμογές επιβεβαιώνουν τη χρησιμότητα των θεωρητικών μεθόδων, παρέχοντας ένα εισαγωγικό και εκπαιδευτικό παράδειγμα για τον φοιτητή στατιστικής.","abstract_has_math":false,"creators":["Λιώλης Φίλιππος","Liolis Filippos"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2025,"date_issued":"2025","date_published":"2025","updated_at":"2026-11-19T06:32:58Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5296172"],"render_values":[{"text":"uoadl:5296172","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5296172","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5296172","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A5296172","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Λιώλης Φίλιππος","Liolis Filippos"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2025"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5296172","https://pergamos.lib.uoa.gr/uoa/dl/object/5296172"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα διπλωματική εργασία, εστιάζει στην παρουσίαση και ανάλυση Μοντέλων Πεπερασμένων Μίξεων Κατανομών και Κρυμμένων Μαρκοβιανών Μοντέλων, υπό το πρίσμα της Μπευζιανης στατιστικής. Αρχικά, παρουσιάζονται και θεμελιώνονται θεωρητικά τα Μοντέλα Πεπερασμένων Μίξεων, με έμφαση κυρίως σε μίξεις Poisson κατανομών, όπου τα δεδομένα προέρχονται από ένα πεπερασμένο σύνολο υποπληθυσμών με διαφορετικά εγγενή χαρακτηριστικά, των οποίων η κατανομή μοντελοποιείται ως μίγμα γνωστών κατανομών με άγνωστες παραμέτρους. Αναλύονται η έννοια της αναγνωρισιμότητας (identifiability), τα στατιστικά προβλήματα που προκύπτουν, και η ανάγκη χρήσης τεχνικών και αλγορίθμων για την συμπερασματολογία. Κατόπιν, ενσωματώνοντας εξάρτηση μεταξύ των παρατηρήσεων, μέσω μιας Μαρκοβιανής δομής, η εργασία επεκτείνεται στα Κρυμμένα Μαρκοβιανά μοντέλα. Σε πλήρη αντιστοιχία με τα προηγούμενα μοντέλα, εξηγούνται βασικές μέθοδοι εκτίμησης τόσο των κρυφών καταστάσεων όσο και των παραμέτρων του μοντέλου. Επίσης, γίνεται αναφορά σε μοντέλα όπου το πλήθος των κρυφών καταστάσεων είναι άγνωστο, και άρα υπό εκτίμηση, και αναφέρονται αλγοριθμικοί τρόποι για τέτοιου είδους μοντέλα. Τέλος, παρατίθονται εφαρμογές και για τα δύο μοντέλα, οι οποίες βασίζονται σε προσομοιωμένα δεδομένα. Στα παραρτήματα, παρατίθεται ο κώδικας σε R που σχεδιάστηκε για την παρούσα εργασία. Οι εφαρμογές επιβεβαιώνουν τη χρησιμότητα των θεωρητικών μεθόδων, παρέχοντας ένα εισαγωγικό και εκπαιδευτικό παράδειγμα για τον φοιτητή στατιστικής.","In the majority of real-world problems, the data typically originates from multiple underlying subpopulations with differing characteristics. The memberships of the data points are typically unobserved, however, they present challenges for statistical inference and classification. Finite Mixture Models (FMMs) provide a powerful method for modeling such data by assuming that observations arise from a finite number of distinct distributions, one for each subpopulation. FMMs are extremely popular for clustering, density estimation, and Bayesian inference. In this dissertation, we explain the fundamental concepts of finite mixture models, their mathematical formulation, and computational algorithms such as Gibbs sampling and the Metropolis-Hastings algorithm, for Bayesian inference on the model parameters. We also consider identifiability issues, and model determination regarding the number of mixture components. Further, we present Hidden Markov Models (HMMs) which are generalizations of mixture models by incorporating Markov dependence and are used in signal processing, finance, and bioinformatics applications. Bayesian inference in Hidden Markov Models represents both the hidden states and model parameters as random variables with prior distributions. It then uses these priors combined with observed data to calculate a posterior distribution that represents uncertainty over the model’s predictions and structure. By exploiting the latest Markov Chain Monte Carlo (MCMC) techniques and Bayesian model selection methods, we provide a step-by-step tutorial on the interpretation and application of finite mixture models and hidden Markov models in practical scenarios."]},{"key":"dc:title","label":"Title","values":["Bayesian Inference for Finite Mixture and Hidden Markov Models"]}]}],"canonical_facts":{"dc:creator":["Λιώλης Φίλιππος","Liolis Filippos"],"dc:date":["2025"],"dc:description":["Η παρούσα διπλωματική εργασία, εστιάζει στην παρουσίαση και ανάλυση Μοντέλων Πεπερασμένων Μίξεων Κατανομών και Κρυμμένων Μαρκοβιανών Μοντέλων, υπό το πρίσμα της Μπευζιανης στατιστικής. Αρχικά, παρουσιάζονται και θεμελιώνονται θεωρητικά τα Μοντέλα Πεπερασμένων Μίξεων, με έμφαση κυρίως σε μίξεις Poisson κατανομών, όπου τα δεδομένα προέρχονται από ένα πεπερασμένο σύνολο υποπληθυσμών με διαφορετικά εγγενή χαρακτηριστικά, των οποίων η κατανομή μοντελοποιείται ως μίγμα γνωστών κατανομών με άγνωστες παραμέτρους. Αναλύονται η έννοια της αναγνωρισιμότητας (identifiability), τα στατιστικά προβλήματα που προκύπτουν, και η ανάγκη χρήσης τεχνικών και αλγορίθμων για την συμπερασματολογία. Κατόπιν, ενσωματώνοντας εξάρτηση μεταξύ των παρατηρήσεων, μέσω μιας Μαρκοβιανής δομής, η εργασία επεκτείνεται στα Κρυμμένα Μαρκοβιανά μοντέλα. Σε πλήρη αντιστοιχία με τα προηγούμενα μοντέλα, εξηγούνται βασικές μέθοδοι εκτίμησης τόσο των κρυφών καταστάσεων όσο και των παραμέτρων του μοντέλου. Επίσης, γίνεται αναφορά σε μοντέλα όπου το πλήθος των κρυφών καταστάσεων είναι άγνωστο, και άρα υπό εκτίμηση, και αναφέρονται αλγοριθμικοί τρόποι για τέτοιου είδους μοντέλα. Τέλος, παρατίθονται εφαρμογές και για τα δύο μοντέλα, οι οποίες βασίζονται σε προσομοιωμένα δεδομένα. Στα παραρτήματα, παρατίθεται ο κώδικας σε R που σχεδιάστηκε για την παρούσα εργασία. Οι εφαρμογές επιβεβαιώνουν τη χρησιμότητα των θεωρητικών μεθόδων, παρέχοντας ένα εισαγωγικό και εκπαιδευτικό παράδειγμα για τον φοιτητή στατιστικής.","In the majority of real-world problems, the data typically originates from multiple underlying subpopulations with differing characteristics. The memberships of the data points are typically unobserved, however, they present challenges for statistical inference and classification. Finite Mixture Models (FMMs) provide a powerful method for modeling such data by assuming that observations arise from a finite number of distinct distributions, one for each subpopulation. FMMs are extremely popular for clustering, density estimation, and Bayesian inference. In this dissertation, we explain the fundamental concepts of finite mixture models, their mathematical formulation, and computational algorithms such as Gibbs sampling and the Metropolis-Hastings algorithm, for Bayesian inference on the model parameters. We also consider identifiability issues, and model determination regarding the number of mixture components. Further, we present Hidden Markov Models (HMMs) which are generalizations of mixture models by incorporating Markov dependence and are used in signal processing, finance, and bioinformatics applications. Bayesian inference in Hidden Markov Models represents both the hidden states and model parameters as random variables with prior distributions. It then uses these priors combined with observed data to calculate a posterior distribution that represents uncertainty over the model’s predictions and structure. By exploiting the latest Markov Chain Monte Carlo (MCMC) techniques and Bayesian model selection methods, we provide a step-by-step tutorial on the interpretation and application of finite mixture models and hidden Markov models in practical scenarios."],"dc:identifier":["uoadl:5296172","https://pergamos.lib.uoa.gr/uoa/dl/object/5296172"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Bayesian Inference for Finite Mixture and Hidden Markov Models"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:32:58Z"}