Теория вероятностей #15: моделирование равномерных, нормальных рэлеевских, экспоненциальных СВ
Как смоделировать (получить) случайные величины с заданными характеристиками для равномерного, нормального, релеевского и экспоненциального распределений.
Как смоделировать (получить) случайные величины с заданными характеристиками для равномерного, нормального, релеевского и экспоненциального распределений.
Пікірлер: 23
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{}?