ЦОС Python #4: Марковские процессы в дискретном времени

[@ГерманРыков-ъ6в]

Сергей здравствуйте. Просто обескуражен информацией содержащейся в данном плей листе. Спасибо Вам за такой великолепный курс. Создается впечатление, что процесс Маркова это паттерн для рядов Тейлора, с той разницей, что Марков оперирует вероятностью, а Тейлор производной.

[@Александр-ж3я2т]

Браво! Так просто изложен материал, к которому реально боялся подступиться!!! Спасибо огромное! Странно, но оба алгоритма при увеличении N ведут себя одинаково - не уходят в бесконечность. Проверил до N=100000.

[@Александр-ж3я2т]

Понял в чем проблема. Величина пси имеет нормальное распределение с нулевым матожиданием. Это значит, что сумма отрицательных и положительных значений должна быть одинакова и колебаться около нуля. Тогда в пределе Xi тоже не может уходить в бесконечность. Следовательно, ее дисперсия не может расти бесконечно. А домножение на константу Хi-1 не влияет на пси никак. В самой последней системе уравнений не хватает множителя r в уравнении авторегрессии скорости при члене Vi-1

[@Александр-ж3я2т]

Получается марковский процесс не имеет под собой никакой механической модели - чистая стохастика - броуновское движение. Но если это броуновское движение, частица не может уйти в бесконечность, иначе все механические взвеси расслаивались бы вдоль стенок сосуда (без учета гравитации, конечно), но такого не происходит.

[@osvab000]

Шикарно, первый раз слышу о Марковских процессах. Но интересно очень!

[@acediabeats3044]

Спасибо. Очень полезный материал!

[@vadim.gerasimenko]

Годнота!

[@КонстантинИбрагимов-т3в]

Ни чего не понял, но очень интересно))

[@jamjam3337]

😎

[@FreeMisha65]

Приветствую. Сделайте пожалуйста видео с инструкцией написания программы для импорта файлов SEG-Y формата в питон и с дальнейшей обработкой ( усиление сигнала, фильтрация). Ну и также про саму выгрузку))

[@ilyin_sergey]

когда мы говорим о марковских цепях, мы говорим, по сути, о расчете перехода между событием в момент времени t-1 к событию в текущий момент времени t. И считаем, что вся информация до t-1 уже содержится в t-1 и никакую дополнительную прошлую информацию учитывать не нужно. но бывает так, что событие в момент времени t-1 является стат выбросом. тогда и переход от t-2 к t-1 будет "выбиваться", и от t-1 к t (будем иметь ошибку при сравнении прогноза и фактического значения). Вопрос вот в чем: можно ли как-то использовать информацию из момента времени t-2, но с каким-то мЕньшим весом, например. Т.е. предыдущее значение (в t-1) является важным, но мы учитываем еще и событие в t-2. Спасибо.

[@ioio6418]

Поясните, для чего, и откуда матрица

[@gorin-a]

подскажите, а можно ли вычислить ожидаемое количество переходов из состояния A в состояние B, если известны все вероятности переходов?

[@selfedu_rus]

в общем нет, т.к. их бесконечное множество может быть ) Можно найти наиболее вероятное, как раз это и делает фильтр Калмана.

[@gorin-a]

@@selfedu_rus а если известны конечные состояния и есть условие, что переход происходит только в одном направлении без колец?

[@selfedu_rus]

@@gorin-a ну тогда эти возможные состояния и есть варианты исходов ))

[@piphuip2573]

Это конечно все не плохо, но без мат бэкграунда смотреть нереально. Вы бы хоть в начале видео говорили о том, какие темы нужно изучить, чтобы понять видео. А то откуда ни возьмись в первых видео появляется сигма, сейчас появилась пи. При том, даже не особо объясняется смысл формул (как их вывести); это даёт лучшее понимание и, как следствие, запоминается лучше. Давать тупо мат формулы и потом просто показывать код - такая себе идея

[@selfedu_rus]

как раз для этого см. введение: kzbin.info/www/bejne/f5C4m4OciMd0hsU

[@piphuip2573]

selfedu, так вы там просто про тервер и производную говорите. Ни слова, допустим, о той же теории рядов, линейной алгебре (работа с матрицами), тригонометрии (которая явно появится в будущем). Не сведущим в этом ничего людям разобраться будет очень сложно

[@selfedu_rus]

ваш вопрос был по терверу

[@nikolay7013]

Зачем тогда вообще смотреть про марковские процессы, если не знаешь математики?