Есть ощущение, что в отличии от первой части курса вторая начиная с 12 урока стала менее информативой что ли. Не ощущается связь между этими частями. Как буто все эти умножения, сложение вероятностей, зависимые, независимые, совместные, несовместные события потеряли какое-либо значение. Но все равно спасибо! Надеюсь, дальше будет понятнее что к чему.

Когда переписал код на питончике, стало понятнее.

@user-qr2vj1gt8y

2 ай бұрын

Скинь пожалуйста код

Спасибо за Ваши лекции, очень доступно и красиво. Во время просмотра, возник вопрос "А какая практическая ценность от моделирования СВ методом Монте-Карло, если мы уже имеем (знаем) параметры распределения (матожидание и дисперсию)?". Ведь, зная матожидание, дисперсию и функцию (или плотность) распределения мы можем вычислить вероятность любого события, которое подчинено данному закону.

@selfedu_rus

3 жыл бұрын

Спасибо! Сам по себе метод Монте Карло - это случайный поиск некоторого элемента (значения). И, как раз, зная распределение и его характеристики моделируются случайные величины и определяется наилучшее "попадание" (по некоторому критерию) допустим из серии в 1000 экспериментов.

@allbirths

3 жыл бұрын

и зачем нужна эта генерка вообще? для тренировки нейросетей что ли?

@Bisirsky

2 жыл бұрын

@@allbirths Если вводных данных много либо требуется проанализировать чувствительность к изменению различных вводных данных, у метода Монте Карло появляются преимущества перед аналитическими методами.

Просмотрев данный ролик несколько раз и реализовав все графики, не понял только того, а что мы делали.. Мы взяли случайную величину Х, которая уже подчиняется закону нормального распределения и сделали точно такую же, только в заданных для нас диапазонах?

@gllob9532

9 ай бұрын

я тоже не очень понял. если хi это равновероятностная реализация X, то их суммая делёная на N будет равна мат ожиданию X. стало быть Y=m(X)? и что это значит, что Y имеет одно единственное значение? тогда это не стахостическая переменная.. короче я запутался

@damirchpok7570

7 ай бұрын

@@gllob9532 Мне кажется, что из-за того что эта сумма(Y) вычисленна по приближенной формуле, и в итоге Y может быть как немного левее или правее мат ожидания, а если посмотреть на нормальное распределение то там самая большая плотность вероятности как раз на мат ожидании

как называется данные методы моделирования? где можно посмотреть все формулы для поиска мат.ожидания и дисперсии?

@selfedu_rus

3 жыл бұрын

Уже не помню где все это брал, давно было, материал основан на собственной методичке 15-ти летней давности ))

Откуда взялась формула связи дисперсии нормального распределения и равномерного?

а при подчете дисперсии в самом начале откуда взялась 1/12?

@selfedu_rus

3 жыл бұрын

Дисперсия равномерного распределения (a-b)^2/12

@evilbat8205

3 жыл бұрын

@@selfedu_rus тоесть для нормального распределения это константа

@ravenalbatros

2 жыл бұрын

И все таки почему 1/12? Где можно найти информацию об этом?

@user-gb1xy2oc9m

Жыл бұрын

@@ravenalbatros попробуйте по определению дисперсии проинтегрирвоать и посчитать, что выйдет (спойлер - выйдет то выражение что на экране :) )

2:18 почему мы выбрали из 2х корней больший?

@evangelutionx9345

7 ай бұрын

Потому что иначе бы у нас b=my-sigma*3^(1/2) a=my+sigma*3^(1/2) Т.к. sigma>=0, то левая граница получилась больше правой, чего быть не может. Поэтому и берем только одно значение b

если хi это равновероятностная реализация X, то их сумма делёная на N будет равна мат ожиданию X. стало быть Y=m(X)? и что это значит, что Y имеет одно единственное значение?

@gllob9532

9 ай бұрын

непонятка нашита в коеффициентах. на картинке X имеет N реализаций, и эта же буква используется в формуле для Y

Что такое exp{}?