Dynamiki rynków oligopolistycznych oczami fizyka
|
|
- Artur Witek
- 7 lat temu
- Przeglądów:
Transkrypt
1 KNF Migacz, Instytut Fizyki Teoretycznej, Uniwersytet Wrocławski 7-10 listopada 2008
2 1
3 1 2
4 1 2 3
5 Wprowadzenie reklamy
6 Wprowadzenie reklamy 5
7 Wprowadzenie reklamy 5 6
8 Wprowadzenie reklamy 5 6 7
9 oligos gr. kilka oligopol forma struktury rynkowej Konkurencja polega na: różnicowaniu produktów, wprowadzaniu nowości na rynek, różnicowanie cen, dogodnych warunkach sprzedaży oraz reklamie.
10 Reklama na rynku oligopolistycznym Reklama: podkreśla różnice między produktami - czasem tylko pozorne,
11 Reklama na rynku oligopolistycznym Reklama: podkreśla różnice między produktami - czasem tylko pozorne, ułatwia konsumentowi podejmowanie decyzji,
12 Reklama na rynku oligopolistycznym Reklama: podkreśla różnice między produktami - czasem tylko pozorne, ułatwia konsumentowi podejmowanie decyzji, jest środkiem do budowania wizerunku,
13 Reklama na rynku oligopolistycznym Reklama: podkreśla różnice między produktami - czasem tylko pozorne, ułatwia konsumentowi podejmowanie decyzji, jest środkiem do budowania wizerunku, jest konieczna przy wprowadzaniu na rynek nowego produktu.
14 Struktura rynku telefonii komórkowej w Polsce Trzy duże firmy (Polkomtel, PTK Centertel, Polska Telefonia Cyfrowa) i jedna mniejsza (P4).
15 Struktura rynku telefonii komórkowej w Polsce Trzy duże firmy (Polkomtel, PTK Centertel, Polska Telefonia Cyfrowa) i jedna mniejsza (P4). Udział w rynku (według liczby klientów) na koniec września: Polkomtel - ok. 33%, PTK Centertel - ok. 34%, PTC - ok. 32%, P4 - ok. 1%
16 Cechy rynku Kilku operatorów,
17 Cechy rynku Kilku operatorów, bariery wejścia,
18 Cechy rynku Kilku operatorów, bariery wejścia, podobne ceny,
19 Cechy rynku Kilku operatorów, bariery wejścia, podobne ceny, najsilniej reklamująca się branża.
20 Twórcą metody Monte Carlo jest Stanisław Ulam. Metoda ta jest stosowana do problemów zbyt złożonych aby można było je rozwiązać analitycznie. Istotą metody jest wybór zdarzeń lub wartości charakteryzujących zdarzenia jakie zachodzą w procesie przy pomocy liczb losowych ze znanym rozkładem.
21 Twórcą metody Monte Carlo jest Stanisław Ulam. Metoda ta jest stosowana do problemów zbyt złożonych aby można było je rozwiązać analitycznie. Istotą metody jest wybór zdarzeń lub wartości charakteryzujących zdarzenia jakie zachodzą w procesie przy pomocy liczb losowych ze znanym rozkładem. Ogólny algorytm Wygenerować M niezależnych wartości x i z rozkładu g(x) Obliczyć wielkość h i na podstawie wartości x i dla i = 1,..., M Obliczyć średnią arytmetyczną h i σ 2 Oszacować błąd statystyczny δ = M, gdzie σ2 jest wariancją h(x )
22 Twórcą metody Monte Carlo jest Stanisław Ulam. Metoda ta jest stosowana do problemów zbyt złożonych aby można było je rozwiązać analitycznie. Istotą metody jest wybór zdarzeń lub wartości charakteryzujących zdarzenia jakie zachodzą w procesie przy pomocy liczb losowych ze znanym rozkładem. Ogólny algorytm Wygenerować M niezależnych wartości x i z rozkładu g(x) Obliczyć wielkość h i na podstawie wartości x i dla i = 1,..., M Obliczyć średnią arytmetyczną h i σ 2 Oszacować błąd statystyczny δ = M, gdzie σ2 jest wariancją h(x ) Błąd można zredukować przez zwiększenie liczebności próby M.
23 Dynamika wypływu - oddziałuje na zewnątrz. siatka L L,
24 Dynamika wypływu - oddziałuje na zewnątrz. siatka L L, s i (1, 2, 3),
25 Dynamika wypływu - oddziałuje na zewnątrz. siatka L L, s i (1, 2, 3), wymiana opinii z otoczeniem grupy,
26 Dynamika wypływu - oddziałuje na zewnątrz. siatka L L, s i (1, 2, 3), wymiana opinii z otoczeniem grupy, przebieg symulacji; 1 wylosuj s i, 2 utwórz grupę G i, 3 wylicz opinię grupy s w 4 Jeśli G i jednomyślna to s j s w, gdzie s j NN(G i) 5 wróć do 1
27 Conformity and Advertising Parallel - CAP CAP CF Z prawdopodobieństwem p stosujemy konformizm. Z prawdopodobieństwem (1 p) działa reklama. Wybór operatora następuje proporcjonalnie do siły reklamy danego operatora.
28 Conformity First - CF CAP CF Jeśli grupa jest zgodna to stosujemy konformizm. W przypadku braku jedności konformizm nie działa. Wtedy z prawdopodobieństwem (1 p) działa reklama. Wybór operatora proporcjonalny do siły jego reklamy.
29 MFA Niech: N i (t) - liczba klientów i-tego operatora Ni (t) c i (t) = L - koncentracja klientów i-tego operatora 2 c i (t) = 1 (1) Jeden krok = L 2 zmian. Równanie bilansu: i N i (t + 1) N i (t) = L 2 ( i i ) (2)
30 MFA - c.d. Zmiany spinów w układzie są to (dla modelu CAP i operatora 1): 1 klient 2 posłuchał reklamy 1: pr = (1 p)h 1 c 2 (t)
31 MFA - c.d. Zmiany spinów w układzie są to (dla modelu CAP i operatora 1): 1 klient 2 posłuchał reklamy 1: pr = (1 p)h 1 c 2 (t) 2 klient 3 posłuchał reklamy 1: pr = (1 p)h 1 c 3 (t)
32 MFA - c.d. Zmiany spinów w układzie są to (dla modelu CAP i operatora 1): 1 klient 2 posłuchał reklamy 1: pr = (1 p)h 1 c 2 (t) 2 klient 3 posłuchał reklamy 1: pr = (1 p)h 1 c 3 (t) 3 klient 2 posłuchał swoich sąsiadów i przeszedł do 1: pr = pc 1 (t) 4 c 2 (t)
33 MFA - c.d. Zmiany spinów w układzie są to (dla modelu CAP i operatora 1): 1 klient 2 posłuchał reklamy 1: pr = (1 p)h 1 c 2 (t) 2 klient 3 posłuchał reklamy 1: pr = (1 p)h 1 c 3 (t) 3 klient 2 posłuchał swoich sąsiadów i przeszedł do 1: pr = pc 1 (t) 4 c 2 (t) 4 klient 3 posłuchał swoich sąsiadów i przeszedł do 1: pr = pc 1 (t) 4 c 3 (t)
34 MFA - c.d. Zmiany spinów w układzie są to (dla modelu CAP i operatora 1): 1 klient 2 posłuchał reklamy 1: pr = (1 p)h 1 c 2 (t) 2 klient 3 posłuchał reklamy 1: pr = (1 p)h 1 c 3 (t) 3 klient 2 posłuchał swoich sąsiadów i przeszedł do 1: pr = pc 1 (t) 4 c 2 (t) 4 klient 3 posłuchał swoich sąsiadów i przeszedł do 1: pr = pc 1 (t) 4 c 3 (t) 5 klient 1 posłuchał reklamy 2: pr = (1 p)h 2 c 1 (t)
35 MFA - c.d. Zmiany spinów w układzie są to (dla modelu CAP i operatora 1): 1 klient 2 posłuchał reklamy 1: pr = (1 p)h 1 c 2 (t) 2 klient 3 posłuchał reklamy 1: pr = (1 p)h 1 c 3 (t) 3 klient 2 posłuchał swoich sąsiadów i przeszedł do 1: pr = pc 1 (t) 4 c 2 (t) 4 klient 3 posłuchał swoich sąsiadów i przeszedł do 1: pr = pc 1 (t) 4 c 3 (t) 5 klient 1 posłuchał reklamy 2: pr = (1 p)h 2 c 1 (t) 6 klient 1 posłuchał reklamy 3: pr = (1 p)h 3 c 1 (t)
36 MFA - c.d. Zmiany spinów w układzie są to (dla modelu CAP i operatora 1): 1 klient 2 posłuchał reklamy 1: pr = (1 p)h 1 c 2 (t) 2 klient 3 posłuchał reklamy 1: pr = (1 p)h 1 c 3 (t) 3 klient 2 posłuchał swoich sąsiadów i przeszedł do 1: pr = pc 1 (t) 4 c 2 (t) 4 klient 3 posłuchał swoich sąsiadów i przeszedł do 1: pr = pc 1 (t) 4 c 3 (t) 5 klient 1 posłuchał reklamy 2: pr = (1 p)h 2 c 1 (t) 6 klient 1 posłuchał reklamy 3: pr = (1 p)h 3 c 1 (t) 7 klient 1 posłuchał swoich sąsiadów i przeszedł do 2: pr = pc 2 (t) 4 c 1 (t)
37 MFA - c.d. Zmiany spinów w układzie są to (dla modelu CAP i operatora 1): 1 klient 2 posłuchał reklamy 1: pr = (1 p)h 1 c 2 (t) 2 klient 3 posłuchał reklamy 1: pr = (1 p)h 1 c 3 (t) 3 klient 2 posłuchał swoich sąsiadów i przeszedł do 1: pr = pc 1 (t) 4 c 2 (t) 4 klient 3 posłuchał swoich sąsiadów i przeszedł do 1: pr = pc 1 (t) 4 c 3 (t) 5 klient 1 posłuchał reklamy 2: pr = (1 p)h 2 c 1 (t) 6 klient 1 posłuchał reklamy 3: pr = (1 p)h 3 c 1 (t) 7 klient 1 posłuchał swoich sąsiadów i przeszedł do 2: pr = pc 2 (t) 4 c 1 (t) 8 klient 1 posłuchał swoich sąsiadów i przeszedł do 3: pr = pc 3 (t) 4 c 1 (t)
38 MFA - c.d. Równanie bilansu: N i (t + 1) N i (t) = L 2 [ (1 p)h 1 c 2 (t) + (1 p)h 1 c 3 (t) + pc 1 (t) 4 c 2 (t)+ +pc 1 (t) 4 c 3 (t) (1 p)h 2 c 1 (t) (1 p)h 3 c 1 (t) (3) +pc 2 (t) 4 c 1 (t) pc 3 (t) 4 c 1 (t)
39 MFA - oznaczenia i uproszczenia Niech c i = c i (t) oraz c i = c i (t + 1), i (1, 2, 3). Podzielmy też obustronnie przez L 2. Wówczas równanie bilansu ma postać: c 1 c 1 = (1 p)h 1 (c 2 + c 3 ) c 1 (1 p)(h 2 + h 3 )+ +pc 1 c 2 (c 3 1 c 3 2 ) + pc 1 c 3 (c 3 1 c 3 3 ) (4)
40 MFA - CAP Uwzględniając, że c 2 + c 3 = 1 c 1 oraz, że h 2 + h 3 = 1 h 1 mamy: c 1 [ c 1 = (1 p)(h 1 c 1 ) + pc 1 c2 (c1 3 c2 3 ) + c 3 (c1 3 c3 3 ) ], c 2 [ c 2 = (1 p)(h 2 c 2 ) + pc 2 c1 (c2 3 c1 3 ) + c 3 (c2 3 c3 3 ) ], (5) c 3 [ c 3 = (1 p)(h 3 c 3 ) + pc 3 c1 (c3 3 c1 3 ) + c 2 (c3 3 c2 3 ) ].
41 MFA - CF Korzystając z tych samych warunków normalizacji otrzymuję: c 1 [ c 1 = (1 p)(h 1 c 1 ) + c 1 c2 (c1 3 c2 3 ) + c 3 (c1 3 c3 3 ) ], c 2 [ c 2 = (1 p)(h 2 c 2 ) + c 2 c1 (c2 3 c1 3 ) + c 3 (c2 3 c3 3 ) ], (6) c 3 [ c 3 = (1 p)(h 3 c 3 ) + c 3 c1 (c3 3 c1 3 ) + c 2 (c3 3 c2 3 ) ].
42 symulacji symulacji - małe p symulacji - duże p MFA - małe p MFA - duże p
43 symulacji - CAP symulacji - małe p symulacji - duże p MFA - małe p MFA - duże p
44 symulacji - CF symulacji - małe p symulacji - duże p MFA - małe p MFA - duże p
45 MFA - CAP symulacji - małe p symulacji - duże p MFA - małe p MFA - duże p
46 MFA - CF symulacji - małe p symulacji - duże p MFA - małe p MFA - duże p
47 MFA - CAP symulacji - małe p symulacji - duże p MFA - małe p MFA - duże p
48 MFA - CF symulacji - małe p symulacji - duże p MFA - małe p MFA - duże p
49 Na decyzje konsumenta wpływają czynniki lokalne (wpływ społeczny) i globalne (reklama - zewnętrzne pole).
50 Na decyzje konsumenta wpływają czynniki lokalne (wpływ społeczny) i globalne (reklama - zewnętrzne pole). Trzy parametry - c, h, p.
51 Na decyzje konsumenta wpływają czynniki lokalne (wpływ społeczny) i globalne (reklama - zewnętrzne pole). Trzy parametry - c, h, p. Zgodne wyniki symulacji i MFA dla CAP.
52 Na decyzje konsumenta wpływają czynniki lokalne (wpływ społeczny) i globalne (reklama - zewnętrzne pole). Trzy parametry - c, h, p. Zgodne wyniki symulacji i MFA dla CAP. Krytyczna siła reklamy w CF.
53 Bibliografia Katarzyna Sznajd-Weron, Rafał Weron, Maja Włoszczowska Outflow Dynamics in Modeling Oligopoly Markets: The Case of the Mobile Telecomunications Market in Poland, arxiv: v1, (2008). Maja Włoszczowska, Wojny Coli (Cola wars) czyli siła reklamy na rynku oligopolicznym, praca magisterska, Politechnika Wrocławska, Wrocław 2008
54 Koniec Dziękuję za uwagę!
Wojny Coli - czyli siła reklamy na rynku oligopolicznym
Wojny Coli (Cola wars) - czyli siła reklamy na rynku oligopolicznym Maja Włoszczowska Promotor: Dr Rafał Weron Wydział Podstawowych Problemów Techniki Politechnika Wrocławska Wrocław, 26 stycznia 2008
Modelowanie oligopolu metodami fizyki statystycznej. Praca magisterska. Andrzej Pilarczyk. Wydział Fizyki i Astronomii Uniwersytet Wrocławski
Wydział Fizyki i Astronomii Uniwersytet Wrocławski Andrzej Pilarczyk Modelowanie oligopolu metodami fizyki statystycznej Praca magisterska Opiekun: dr hab. Katarzyna Sznajd-Weron Wrocław 2009 Streszczenie
Ruch drogowy, korki uliczne - czy fizyk może coś na to poradzić?
Ruch drogowy, korki uliczne - czy fizyk może coś na to poradzić? KNF Migacz, Instytut Fizyki Teoretycznej, Uniwersytet Wrocławski 16-18 listopada 2007 Spis treści Spis treści 1 Spis treści 1 2 Spis treści
Co to jest model Isinga?
Co to jest model Isinga? Fakty eksperymentalne W pewnych metalach (np. Fe, Ni) następuje spontaniczne ustawianie się spinów wzdłuż pewnego kierunku, powodując powstanie makroskopowego pola magnetycznego.
Prawdopodobieństwo i statystyka
Wykład VII: Metody specjalne Monte Carlo 24 listopada 2014 Transformacje specjalne Przykład - symulacja rozkładu geometrycznego Niech X Ex(λ). Rozważmy zmienną losową [X ], która przyjmuje wartości naturalne.
A. Kowalska-Pyzalska, K. Maciejowska, P. Przybyła, K. Sznajd-Weron, R. Weron
A. Kowalska-Pyzalska, K. Maciejowska, P. Przybyła, K. Sznajd-Weron, R. Weron Institute of Organization and Management Wrocław University of Technology Model agentowy Konsument na rynku energii elektrycznej
Zad. 4 Należy określić rodzaj testu (jedno czy dwustronny) oraz wartości krytyczne z lub t dla określonych hipotez i ich poziomów istotności:
Zadania ze statystyki cz. 7. Zad.1 Z populacji wyłoniono próbę wielkości 64 jednostek. Średnia arytmetyczna wartość cechy wyniosła 110, zaś odchylenie standardowe 16. Należy wyznaczyć przedział ufności
Estymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014
Estymacja przedziałowa - przedziały ufności dla średnich Wrocław, 5 grudnia 2014 Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja Przedziałem ufności dla paramertu
Ilustracja metody Monte Carlo obliczania pola obszaru D zawartego w kwadracie [a,b]x[a,b]
Ilustracja metody Monte Carlo obliczania pola obszaru D zawartego w kwadracie [a,b]x[a,b] Dagna Bieda, Piotr Jarecki, Tomasz Nachtigall, Jakub Ciesiółka, Marek Kubiczek Metoda Monte Carlo Metoda Monte
Metody probabilistyczne
Metody probabilistyczne. Twierdzenia graniczne Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 20.2.208 / 26 Motywacja Rzucamy wielokrotnie uczciwą monetą i zliczamy
Wykład 10 Estymacja przedziałowa - przedziały ufności dla średn
Wykład 10 Estymacja przedziałowa - przedziały ufności dla średniej Wrocław, 21 grudnia 2016r Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja 10.1 Przedziałem
Metody Obliczeniowe w Nauce i Technice
Metody Obliczeniowe w Nauce i Technice 15. Obliczanie całek metodami Monte Carlo Marian Bubak Department of Computer Science AGH University of Science and Technology Krakow, Poland bubak@agh.edu.pl dice.cyfronet.pl
Sterowanie wielkością zamówienia w Excelu - cz. 3
Sterowanie wielkością zamówienia w Excelu - cz. 3 21.06.2005 r. 4. Planowanie eksperymentów symulacyjnych Podczas tego etapu ważne jest określenie typu rozkładu badanej charakterystyki. Dzięki tej informacji
Zadania ze statystyki, cz.7 - hipotezy statystyczne, błąd standardowy, testowanie hipotez statystycznych
Zadania ze statystyki, cz.7 - hipotezy statystyczne, błąd standardowy, testowanie hipotez statystycznych Zad. 1 Średnia ocen z semestru letniego w populacji studentów socjologii w roku akademickim 2011/2012
Wykład 9: Markov Chain Monte Carlo
RAP 412 17.12.2008 Wykład 9: Markov Chain Monte Carlo Wykładowca: Andrzej Ruciński Pisarz: Ewelina Rychlińska i Wojciech Wawrzyniak Wstęp W tej części wykładu zajmiemy się zastosowaniami łańcuchów Markowa
Prawdopodobieństwo i statystyka
Wykład VIII: Przestrzenie statystyczne. Estymatory 1 grudnia 2014 Wprowadzenie Przykład: pomiar z błędem Współczynnik korelacji r(x, Z) = 0, 986 Wprowadzenie Przykład: pomiar z błędem Współczynnik korelacji
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl
Krytyczność, przejścia fazowe i symulacje Monte Carlo. Katarzyna Sznajd-Weron Physics of Complex System
Krytyczność, przejścia fazowe i symulacje Monte Carlo Katarzyna Sznajd-Weron Physics of Complex System Przejścia fazowe wokół nas woda faza ciekła PUNKT KRYTYCZNY Lód faza stała para faza gazowa ciągłe
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 7 i 8 1 / 9 EFEKTYWNOŚĆ ESTYMATORÓW, próba
Raport o penetracji rynku telefonii ruchomej w Polsce
+ Raport o penetracji rynku telefonii ruchomej w Polsce Prezes Urzędu Komunikacji Elektronicznej Warszawa, październik 2012 r. 1. Cel i zakres analizy...3 2. Urząd Komunikacji Elektronicznej dane zbierane
Testowanie hipotez statystycznych.
Bioinformatyka Wykład 6 Wrocław, 7 listopada 2011 Temat. Weryfikacja hipotez statystycznych dotyczących proporcji. Test dla proporcji. Niech X 1,..., X n będzie próbą statystyczną z 0-1. Oznaczmy odpowiednio
LABORATORIUM 6 ESTYMACJA cz. 2
LABORATORIUM 6 ESTYMACJA cz. 2 TEORIA ESTYMACJI I 1. ODRZUCANIE WYNIKÓW WĄTPLIWYCH PRÓBA P (m) (m-elementowa) Obliczenie: ; s bez wyników wątpliwych Odrzucenie wyników z poza przedziału: 3s PRÓBA LOSOWA
Prawdopodobieństwo geometryczne
Prawdopodobieństwo geometryczne Krzysztof Jasiński Wydział Matematyki i Informatyki UMK, Toruń V Lieceum Ogólnokształące im. Jana Pawała II w Toruniu 13.03.2014 Krzysztof Jasiński (WMiI UMK) Prawdopodobieństwo
Temat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT. Anna Rajfura 1
Temat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT Anna Rajfura 1 Przykład wprowadzający Wiadomo, Ŝe 40% owoców ulega uszkodzeniu podczas pakowania automatycznego.
Statystyka matematyczna Testowanie hipotez i estymacja parametrów. Wrocław, r
Statystyka matematyczna Testowanie hipotez i estymacja parametrów Wrocław, 18.03.2016r Plan wykładu: 1. Testowanie hipotez 2. Etapy testowania hipotez 3. Błędy 4. Testowanie wielokrotne 5. Estymacja parametrów
Statystyka. #5 Testowanie hipotez statystycznych. Aneta Dzik-Walczak Małgorzata Kalbarczyk-Stęclik. rok akademicki 2016/ / 28
Statystyka #5 Testowanie hipotez statystycznych Aneta Dzik-Walczak Małgorzata Kalbarczyk-Stęclik rok akademicki 2016/2017 1 / 28 Testowanie hipotez statystycznych 2 / 28 Testowanie hipotez statystycznych
Metoda momentów i kwantyli próbkowych. Wrocław, 7 listopada 2014
Metoda momentów i kwantyli próbkowych Wrocław, 7 listopada 2014 Metoda momentów Momenty zmiennych losowych X 1, X 2,..., X n - próba losowa. Momenty zmiennych losowych X 1, X 2,..., X n - próba losowa.
Metody probabilistyczne
Metody probabilistyczne 13. Elementy statystki matematycznej I Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 17.01.2019 1 / 30 Zagadnienia statystki Przeprowadzamy
Pobieranie prób i rozkład z próby
Pobieranie prób i rozkład z próby Marcin Zajenkowski Marcin Zajenkowski () Pobieranie prób i rozkład z próby 1 / 15 Populacja i próba Populacja dowolnie określony zespół przedmiotów, obserwacji, osób itp.
b) Niech: - wśród trzech wylosowanych opakowań jest co najwyżej jedno o dawce 15 mg. Wówczas:
ROZWIĄZANIA I ODPOWIEDZI Zadanie A1. Można założyć, że przy losowaniu trzech kul jednocześnie kolejność ich wylosowania nie jest istotna. A więc: Ω = 20 3. a) Niech: - wśród trzech wylosowanych opakowań
Błędy przy testowaniu hipotez statystycznych. Decyzja H 0 jest prawdziwa H 0 jest faszywa
Weryfikacja hipotez statystycznych Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy populacji, o prawdziwości lub fałszywości którego wnioskuje się na podstawie
LABORATORIUM Populacja Generalna (PG) 2. Próba (P n ) 3. Kryterium 3σ 4. Błąd Średniej Arytmetycznej 5. Estymatory 6. Teoria Estymacji (cz.
LABORATORIUM 4 1. Populacja Generalna (PG) 2. Próba (P n ) 3. Kryterium 3σ 4. Błąd Średniej Arytmetycznej 5. Estymatory 6. Teoria Estymacji (cz. I) WNIOSKOWANIE STATYSTYCZNE (STATISTICAL INFERENCE) Populacja
Rachunek prawdopodobieństwa Rozdział 6: Twierdzenia graniczne.
Rachunek prawdopodobieństwa Rozdział 6: Twierdzenia graniczne. 6.2. Centralne Twierdzenie Graniczne Katarzyna Rybarczyk-Krzywdzińska semestr zimowy 2015/2016 Słabe prawo wielkich liczb przypomnienie Słabe
Testowanie hipotez statystycznych. Wnioskowanie statystyczne
Testowanie hipotez statystycznych Wnioskowanie statystyczne Hipoteza statystyczna to dowolne przypuszczenie co do rozkładu populacji generalnej (jego postaci funkcyjnej lub wartości parametrów). Hipotezy
Hipotezy statystyczne
Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy populacji, o którego prawdziwości lub fałszywości wnioskuje się na podstawie pobranej próbki losowej. Hipotezy
STATYSTYKA wykład 8. Wnioskowanie. Weryfikacja hipotez. Wanda Olech
TATYTYKA wykład 8 Wnioskowanie Weryfikacja hipotez Wanda Olech Co nazywamy hipotezą Każde stwierdzenie o parametrach rozkładu lub rozkładzie zmiennej losowej w populacji nazywać będziemy hipotezą statystyczną
Zadania ze statystyki cz. 8 I rok socjologii. Zadanie 1.
Zadania ze statystyki cz. 8 I rok socjologii Zadanie 1. W potocznej opinii pokutuje przekonanie, że lepsi z matematyki są chłopcy niż dziewczęta. Chcąc zweryfikować tę opinię, przeprowadzono badanie w
TESTOWANIE HIPOTEZ STATYSTYCZNYCH Hipotezą statystyczną nazywamy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu interesującej nas cechy.
TESTOWANIE HIPOTEZ STATYSTYCZNYCH Hipotezą statystyczną nazywamy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu interesującej nas cechy. Hipotezy dzielimy na parametryczne i nieparametryczne. Zajmiemy
Obliczenia inspirowane Naturą
Obliczenia inspirowane Naturą Wykład 03 (uzupełnienie Wykładu 02) Jarosław Miszczak IITiS PAN Gliwice 31/03/2016 1 / 17 1 2 / 17 Dynamika populacji Równania Lotki-Voltery opisują model drapieżnik-ofiara.
WERYFIKACJA HIPOTEZ STATYSTYCZNYCH
WERYFIKACJA HIPOTEZ STATYSTYCZNYCH I. TESTY PARAMETRYCZNE II. III. WERYFIKACJA HIPOTEZ O WARTOŚCIACH ŚREDNICH DWÓCH POPULACJI TESTY ZGODNOŚCI Rozwiązania zadań wykonywanych w Statistice przedstaw w pliku
Zawansowane modele wyborów dyskretnych
Zawansowane modele wyborów dyskretnych Jerzy Mycielski Uniwersytet Warszawski grudzien 2013 Jerzy Mycielski (Uniwersytet Warszawski) Zawansowane modele wyborów dyskretnych grudzien 2013 1 / 16 Model efektów
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 9 i 10 1 / 30 TESTOWANIE HIPOTEZ STATYSTYCZNYCH
Statystyka w analizie i planowaniu eksperymentu
31 marca 2014 Przestrzeń statystyczna - podstawowe zadania statystyki Zdarzeniom losowym określonym na pewnej przestrzeni zdarzeń elementarnych Ω można zazwyczaj na wiele różnych sposobów przypisać jakieś
Janusz Adamowski METODY OBLICZENIOWE FIZYKI Kwantowa wariacyjna metoda Monte Carlo. Problem własny dla stanu podstawowego układu N cząstek
Janusz Adamowski METODY OBLICZENIOWE FIZYKI 1 Rozdział 20 KWANTOWE METODY MONTE CARLO 20.1 Kwantowa wariacyjna metoda Monte Carlo Problem własny dla stanu podstawowego układu N cząstek (H E 0 )ψ 0 (r)
Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki
Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki Przetwarzanie Sygnałów Studia Podyplomowe, Automatyka i Robotyka. Wstęp teoretyczny Zmienne losowe Zmienne losowe
WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI. Test zgodności i analiza wariancji Analiza wariancji
WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI Test zgodności i analiza wariancji Analiza wariancji Test zgodności Chi-kwadrat Sprawdza się za jego pomocą ZGODNOŚĆ ROZKŁADU EMPIRYCZNEGO Z PRÓBY Z ROZKŁADEM HIPOTETYCZNYM
Zespół kanoniczny N,V, T. acc o n =min {1, exp [ U n U o ] }
Zespół kanoniczny Zespół kanoniczny N,V, T acc o n =min {1, exp [ U n U o ] } Zespół izobaryczno-izotermiczny Zespół izobaryczno-izotermiczny N P T acc o n =min {1, exp [ U n U o ] } acc o n =min {1, exp[
Wykład 7 Testowanie zgodności z rozkładem normalnym
Wykład 7 Testowanie zgodności z rozkładem normalnym Wrocław, 05 kwietnia 2017 Rozkład normalny Niech X = (X 1, X 2,..., X n ) będzie próbą z populacji o rozkładzie normalnym określonym przez dystrybuantę
WYKŁAD 5 TEORIA ESTYMACJI II
WYKŁAD 5 TEORIA ESTYMACJI II Teoria estymacji (wyznaczanie przedziałów ufności, błąd badania statystycznego, poziom ufności, minimalna liczba pomiarów). PRÓBA Próba powinna być reprezentacyjna tj. jak
Porównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych
dr Piotr Sulewski POMORSKA AKADEMIA PEDAGOGICZNA W SŁUPSKU KATEDRA INFORMATYKI I STATYSTYKI Porównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych Wprowadzenie Obecnie bardzo
Rachunek prawdopodobieństwa Rozdział 6: Twierdzenia graniczne.
Rachunek prawdopodobieństwa Rozdział 6: Twierdzenia graniczne. 6.2. Centralne Twierdzenie Graniczne Katarzyna Rybarczyk-Krzywdzińska semestr zimowy 2015/2016 Słabe prawo wielkich liczb przypomnienie Słabe
ESTYMACJA PRZEDZIAŁOWA WYBRANYCH PARAMETRÓW
ESTYMACJA PRZEDZIAŁOWA WYBRANYCH PARAMETRÓW POPULACJI Szkic wykładu Wprowadzenie 1 Wprowadzenie 2 3 4 Przypomnienie dotychczasowych rozważań Przedziałem ufności nazywamy przedział losowy, o którym przypuszczamy
Mikroekonometria 6. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 6 Mikołaj Czajkowski Wiktor Budziński Metody symulacyjne Monte Carlo Metoda Monte-Carlo Wykorzystanie mocy obliczeniowej komputerów, aby poznać charakterystyki zmiennych losowych poprzez
Plan dydaktyczny EKONOMIKA. Klasa IV nr programu 341[02]/MEN/2008.05.20. Rok szkolny... WYNIK FINANSOWY, SYSTEM FINANSOWY PODMIOTU GOSPODARCZEGO CD.
Plan dydaktyczny EKONOMIKA Klasa IV nr programu 341[02]/MEN/2008.05.20 Rok szkolny... Lp. Temat zajęć Uczeń zna, wie, rozumie Przewidywane osiągnięcia ucznia Uczeń potrafi Uwagi 1 Zapoznanie z programem
Statystyka. Wykład 2. Krzysztof Topolski. Wrocław, 11 października 2012
Wykład 2 Wrocław, 11 października 2012 Próba losowa Definicja. Zmienne losowe X 1, X 2,..., X n nazywamy próba losową rozmiaru n z rozkładu o gęstości f (x) (o dystrybuancie F (x)) jeśli X 1, X 2,...,
Przepływy finansowe Telekomunikacji Polskiej i operatorów MNO przy obecnych stawkach MTR oraz w wyniku ich obniżenia
Urząd Komunikacji Elektronicznej Departament Analiz Rynku Telekomunikacyjnego Przepływy finansowe Telekomunikacji Polskiej i operatorów MNO przy obecnych stawkach oraz w wyniku ich obniżenia Stawki za
Temat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT. Anna Rajfura 1
Temat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT Anna Rajfura 1 Przykład wprowadzający Wiadomo, że 40% owoców ulega uszkodzeniu podczas pakowania automatycznego.
Nie do końca zaawansowane elementy programowania w pakiecie R. Tomasz Suchocki
Nie do końca zaawansowane elementy programowania w pakiecie R Tomasz Suchocki Plan wykładu Metody Monte Carlo Jak bardzo można przybliżyć liczbę π? Całkowanie numeryczne R w Linuxie Tinn-R Metody Monte
Hipotezy statystyczne
Hipotezy statystyczne Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy populacji, o którego prawdziwości lub fałszywości wnioskuje się na podstawie pobranej
Metody Statystyczne. Metody Statystyczne.
gkrol@wz.uw.edu.pl #4 1 Sprawdzian! 5 listopada (ok. 45-60 minut): - Skale pomiarowe - Zmienne ciągłe i dyskretne - Rozkład teoretyczny i empiryczny - Miary tendencji centralnej i rozproszenia - Standaryzacja
7. Zastosowanie wybranych modeli nieliniowych w badaniach ekonomicznych. 14. Decyzje produkcyjne i cenowe na rynku konkurencji doskonałej i monopolu
Zagadnienia na egzamin magisterski na kierunku Ekonomia 1. Znaczenie wnioskowania statystycznego w weryfikacji hipotez 2. Organizacja doboru próby do badań 3. Rozkłady zmiennej losowej 4. Zasady analizy
Estymacja punktowa i przedziałowa
Temat: Estymacja punktowa i przedziałowa Kody znaków: żółte wyróżnienie nowe pojęcie czerwony uwaga kursywa komentarz 1 Zagadnienia 1. Statystyczny opis próby. Idea estymacji punktowej pojęcie estymatora
Wykład 5 Estymatory nieobciążone z jednostajnie minimalną war
Wykład 5 Estymatory nieobciążone z jednostajnie minimalną wariancją Wrocław, 25 października 2017r Statystyki próbkowe - Przypomnienie Niech X = (X 1, X 2,... X n ) będzie n elementowym wektorem losowym.
Rozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów
Rozdział : Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów W tym rozdziale omówione zostaną dwie najpopularniejsze metody estymacji parametrów w ekonometrycznych modelach nieliniowych,
Ilustracja metody Monte Carlo do obliczania pola obszaru D zawartego w kwadracie [a, b] [a, b].
Rachunek Prawdopodobienstwa MAEW104 Wydział Elektroniki, rok akad. 2008/09, sem. letni wykład: dr hab. Agnieszka Jurlewicz Temat projektu: Ilustracja metody Monte Carlo do obliczania pola obszaru D zawartego
Wnioskowanie statystyczne Weryfikacja hipotez. Statystyka
Wnioskowanie statystyczne Weryfikacja hipotez Statystyka Co nazywamy hipotezą Każde stwierdzenie o parametrach rozkładu lub rozkładzie zmiennej losowej w populacji nazywać będziemy hipotezą statystyczną
Program MC. Obliczyć radialną funkcję korelacji. Zrobić jej wykres. Odczytać z wykresu wartość radialnej funkcji korelacji w punkcie r=
Program MC Napisać program symulujący twarde kule w zespole kanonicznym. Dla N > 100 twardych kul. Gęstość liczbowa 0.1 < N/V < 0.4. Zrobić obliczenia dla 2,3 różnych wartości gęstości. Obliczyć radialną
1.1 Wstęp Literatura... 1
Spis treści Spis treści 1 Wstęp 1 1.1 Wstęp................................ 1 1.2 Literatura.............................. 1 2 Elementy rachunku prawdopodobieństwa 2 2.1 Podstawy..............................
Statystyka w analizie i planowaniu eksperymentu
29 marca 2011 Przestrzeń statystyczna - podstawowe zadania statystyki Zdarzeniom losowym określonym na pewnej przestrzeni zdarzeń elementarnych Ω można zazwyczaj na wiele różnych sposobów przypisać jakieś
PAKIETY STATYSTYCZNE
1. Wykład wstępny PAKIETY STATYSTYCZNE 2. SAS, wprowadzenie - środowisko Windows, Linux 3. SAS, elementy analizy danych edycja danych 4. SAS, elementy analizy danych regresja liniowa, regresja nieliniowa
Instytut Politechniczny Państwowa Wyższa Szkoła Zawodowa. Diagnostyka i niezawodność robotów
Instytut Politechniczny Państwowa Wyższa Szkoła Zawodowa Diagnostyka i niezawodność robotów Laboratorium nr 6 Model matematyczny elementu naprawialnego Prowadzący: mgr inż. Marcel Luzar Cele ćwiczenia:
Wydział Matematyki. Testy zgodności. Wykład 03
Wydział Matematyki Testy zgodności Wykład 03 Testy zgodności W testach zgodności badamy postać rozkładu teoretycznego zmiennej losowej skokowej lub ciągłej. Weryfikują one stawiane przez badaczy hipotezy
Estymacja parametrów rozkładu cechy
Estymacja parametrów rozkładu cechy Estymujemy parametr θ rozkładu cechy X Próba: X 1, X 2,..., X n Estymator punktowy jest funkcją próby ˆθ = ˆθX 1, X 2,..., X n przybliżającą wartość parametru θ Przedział
Całkowanie metodą Monte Carlo
Całkowanie metodą Monte Carlo Plan wykładu: 1. Podstawowa metoda Monte Carlo 2. Metody MC o zwiększonej efektywności a) losowania ważonego b) zmiennej kontrolnej c) losowania warstwowego d) obniżania krotności
Generowanie ciągów pseudolosowych o zadanych rozkładach przykładowy raport
Generowanie ciągów pseudolosowych o zadanych rozkładach przykładowy raport Michał Krzemiński Streszczenie Projekt dotyczy metod generowania oraz badania własności statystycznych ciągów liczb pseudolosowych.
Rozkład Gaussa i test χ2
Rozkład Gaussa jest scharakteryzowany dwoma parametramiwartością oczekiwaną rozkładu μ oraz dyspersją σ: METODA 2 (dokładna) polega na zmianie zmiennych i na obliczeniu pk jako różnicy całek ze standaryzowanego
Rozkład normalny. Marcin Zajenkowski. Marcin Zajenkowski () Rozkład normalny 1 / 26
Rozkład normalny Marcin Zajenkowski Marcin Zajenkowski () Rozkład normalny 1 / 26 Rozkład normalny Krzywa normalna, krzywa Gaussa, rozkład normalny Rozkłady liczebności wielu pomiarów fizycznych, biologicznych
Modelowanie rynków finansowych z wykorzystaniem pakietu R
Modelowanie rynków finansowych z wykorzystaniem pakietu R Metody numeryczne i symulacje stochastyczne Mateusz Topolewski woland@mat.umk.pl Wydział Matematyki i Informatyki UMK Plan działania 1 Całkowanie
Wykładnicze grafy przypadkowe: teoria i przykłady zastosowań do analizy rzeczywistych sieci złożonych
Gdańsk, Warsztaty pt. Układy Złożone (8 10 maja 2014) Agata Fronczak Zakład Fizyki Układów Złożonych Wydział Fizyki Politechniki Warszawskiej Wykładnicze grafy przypadkowe: teoria i przykłady zastosowań
Wstęp do sieci neuronowych, wykład 11 Łańcuchy Markova
Wstęp do sieci neuronowych, wykład 11 Łańcuchy Markova M. Czoków, J. Piersa 2010-12-21 1 Definicja Własności Losowanie z rozkładu dyskretnego 2 3 Łańcuch Markova Definicja Własności Losowanie z rozkładu
1. Symulacje komputerowe Idea symulacji Przykład. 2. Metody próbkowania Jackknife Bootstrap. 3. Łańcuchy Markova. 4. Próbkowanie Gibbsa
BIOINFORMATYKA 1. Wykład wstępny 2. Bazy danych: projektowanie i struktura 3. Równowaga Hardyego-Weinberga, wsp. rekombinacji 4. Analiza asocjacyjna 5. Analiza asocjacyjna 6. Sekwencjonowanie nowej generacji
Zadania ze statystyki cz.8. Zadanie 1.
Zadania ze statystyki cz.8. Zadanie 1. Wykonano pewien eksperyment skuteczności działania pewnej reklamy na zmianę postawy. Wylosowano 10 osobową próbę studentów, których poproszono o ocenę pewnego produktu,
STATYSTYKA MATEMATYCZNA WYKŁAD 4. Testowanie hipotez Estymacja parametrów
STATYSTYKA MATEMATYCZNA WYKŁAD 4 Testowanie hipotez Estymacja parametrów WSTĘP 1. Testowanie hipotez Błędy związane z testowaniem hipotez Etapy testowana hipotez Testowanie wielokrotne 2. Estymacja parametrów
Weryfikacja hipotez statystycznych. KG (CC) Statystyka 26 V / 1
Weryfikacja hipotez statystycznych KG (CC) Statystyka 26 V 2009 1 / 1 Sformułowanie problemu Weryfikacja hipotez statystycznych jest drugą (po estymacji) metodą uogólniania wyników uzyskanych w próbie
Statystyka matematyczna
Statystyka matematyczna Wykład 8 Magdalena Alama-Bućko 7 maja 2018 Magdalena Alama-Bućko Statystyka matematyczna 7 maja 2018 1 / 19 Przypomnijmy najpierw omówione na poprzednim wykładzie postaci przedziałów
166 Wstęp do statystyki matematycznej
166 Wstęp do statystyki matematycznej Etap trzeci realizacji procesu analizy danych statystycznych w zasadzie powinien rozwiązać nasz zasadniczy problem związany z identyfikacją cechy populacji generalnej
Algorytm Metropolisa-Hastingsa
Seminarium szkoleniowe, 25 kwietnia 2006 Plan prezentacji 1 Problem Metoda MCMC 2 Niezależny algorytm Metropolisa-Hastingsa Bła dzenie losowe Zbieżność procedury Metropolisa-Hastingsa Problem Metoda MCMC
Statystyka. #6 Analiza wariancji. Aneta Dzik-Walczak Małgorzata Kalbarczyk-Stęclik. rok akademicki 2015/ / 14
Statystyka #6 Analiza wariancji Aneta Dzik-Walczak Małgorzata Kalbarczyk-Stęclik rok akademicki 2015/2016 1 / 14 Analiza wariancji 2 / 14 Analiza wariancji Analiza wariancji jest techniką badania wyników,
Prawdopodobieństwo i statystyka
Wykład XI: Testowanie hipotez statystycznych 12 stycznia 2015 Przykład Motywacja X 1, X 2,..., X N N (µ, σ 2 ), Y 1, Y 2,..., Y M N (ν, δ 2 ). Chcemy sprawdzić, czy µ = ν i σ 2 = δ 2, czyli że w obu populacjach
Komputerowa Analiza Danych Doświadczalnych
Komputerowa Analiza Danych Doświadczalnych Prowadząca: dr inż. Hanna Zbroszczyk e-mail: gos@if.pw.edu.pl tel: +48 22 234 58 51 konsultacje: poniedziałek, 10-11, środa: 11-12 www: http://www.if.pw.edu.pl/~gos/students/kadd
Ogólnopolska Konferencja Aktuarialna Zagadnienia aktuarialne teoria i praktyka Warszawa, IE SGH 2009
Rafał M. Łochowski Szkoła Główna Handlowa w Warszawie O pewnym modelu pojawiania się szkód Ogólnopolska Konferencja Aktuarialna Zagadnienia aktuarialne teoria i praktyka Warszawa, IE SGH 2009 Modele pojawiania
Pochodna funkcji. Pochodna funkcji w punkcie. Różniczka funkcji i obliczenia przybliżone. Zastosowania pochodnych. Badanie funkcji.
Pochodna funkcji Pochodna funkcji w punkcie. Różniczka funkcji i obliczenia przybliżone. Zastosowania pochodnych. Badanie funkcji. Małgorzata Wyrwas Katedra Matematyki Wydział Informatyki Politechnika
Narzędzia marketingu internetowego (1): SEO, SEM, afiliacja, kampanie banerowe, e-mail marketing, inne.
2012 Narzędzia marketingu internetowego (1): SEO, SEM, afiliacja, kampanie banerowe, e-mail marketing, inne. Rafał Marek Kampania marketingowa e-usługi Rzeszów, 24.10.2012 Narzędzia marketingu internetowego
Porównanie modeli statystycznych. Monika Wawrzyniak Katarzyna Kociałkowska
Porównanie modeli statystycznych Monika Wawrzyniak Katarzyna Kociałkowska Jaka jest miara podobieństwa? Aby porównywać rozkłady prawdopodobieństwa dwóch modeli statystycznych możemy użyć: metryki dywergencji
STATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki 2. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5.
Statystyka i opracowanie danych- W 8 Wnioskowanie statystyczne. Testy statystyczne. Weryfikacja hipotez statystycznych.
Statystyka i opracowanie danych- W 8 Wnioskowanie statystyczne. Testy statystyczne. Weryfikacja hipotez statystycznych. Dr Anna ADRIAN Paw B5, pok407 adan@agh.edu.pl Hipotezy i Testy statystyczne Każde
Symulacja w przedsiębiorstwie
Symulacja w przedsiębiorstwie Generowanie liczb losowych Cel Celem laboratorium jest zapoznanie się z funkcjami generowania liczb pseudolosowych w środowisku Ms Excel. Funkcje te są podstawą modeli symulacyjnych
Jak z ABM zrobić model analityczny? (Metoda pola średniego) Katarzyna Sznajd-Weron Physics of Complex System
Jak z ABM zrobić model analityczny? (Metoda pola średniego) Katarzyna Sznajd-Weron Physics of Complex System Plan Model dynamiki populacyjnej Pytania Model mikroskopowy Przybliżenie MFA: równania (wady
L.Kowalski zadania z rachunku prawdopodobieństwa-zestaw 3 ZADANIA - ZESTAW 3
ZADANIA - ZESTAW 3 Zadanie 3. L Prawdopodobieństwo trafienia celu w jednym strzale wynosi 0,6. Do celu oddano niezależnie 0 strzałów. Oblicz prawdopodobieństwo, że cel został trafiony: a) jeden raz, b)
1 Podstawy rachunku prawdopodobieństwa
1 Podstawy rachunku prawdopodobieństwa Dystrybuantą zmiennej losowej X nazywamy prawdopodobieństwo przyjęcia przez zmienną losową X wartości mniejszej od x, tzn. F (x) = P [X < x]. 1. dla zmiennej losowej