در این مطلب، ویدئو انتشار عدم قطعیت راه آسان در #پایتون با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:20:31
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:09,440 –> 00:00:11,679
خیلی خب امروز به کانال pie csc خوش آمدید
2
00:00:11,679 –> 00:00:12,719
3
00:00:12,719 –> 00:00:14,480
من می خواستم کاری
4
00:00:14,480 –> 00:00:16,720
کمی متفاوت از آنچه انجام می
5
00:00:16,720 –> 00:00:18,800
دادم انجام دهم، مدت زیادی را صرف تمرکز
6
00:00:18,800 –> 00:00:21,600
روی برخی از ویژگی های اصلی
7
00:00:21,600 –> 00:00:24,480
در پایتون و numpy و scipy و چیزهایی کردم.
8
00:00:24,480 –> 00:00:26,880
امروز میخواهم در مورد
9
00:00:26,880 –> 00:00:29,519
تخمین عدم قطعیتها در پایتون صحبت کنم
10
00:00:29,519 –> 00:00:32,079
و این یک کار واقعاً رایج در
11
00:00:32,079 –> 00:00:34,480
محاسبات علمی و مهندسی است
12
00:00:34,480 –> 00:00:36,320
، مثالی که در این
13
00:00:36,320 –> 00:00:38,239
کارتون کوچک در اینجا دارم این است که میگویم
14
00:00:38,239 –> 00:00:40,719
جرم 1.1 گرم را اندازهگیری کردهایم و میدانیم که مثبت است.
15
00:00:40,719 –> 00:00:42,399
یا منهای 0.2
16
00:00:42,399 –> 00:00:45,360
و حجم 0.7 سانتی متر مکعب
17
00:00:45,360 –> 00:00:47,440
به اضافه یا منهای 0.05 است
18
00:00:47,440 –> 00:00:49,600
، سوال این است که چگالی چقدر است
19
00:00:49,600 –> 00:00:52,079
و البته این
20
00:00:52,079 –> 00:00:54,480
فقط جرم بر حجم است، بنابراین 1.1 تقسیم
21
00:00:54,480 –> 00:00:56,960
بر 0.7 است، اما در مورد این
22
00:00:56,960 –> 00:00:59,359
عدم قطعیت ها چه کنیم که چگونه آنها را منتشر کنیم
23
00:00:59,359 –> 00:01:01,280
و بفهمید که عدم قطعیت در
24
00:01:01,280 –> 00:01:03,520
چگالی متناظر چقدر است
25
00:01:03,520 –> 00:01:06,159
و بنابراین روش مرسوم برای انجام
26
00:01:06,159 –> 00:01:08,560
این کار
27
00:01:08,560 –> 00:01:10,880
استفاده از بسیاری از این
28
00:01:10,880 –> 00:01:12,799
قوانین است، برای هر نوع عملیات قانونی وجود دارد،
29
00:01:12,799 –> 00:01:15,280
بنابراین اگر من بدانم که a دارای مقداری
30
00:01:15,280 –> 00:01:17,280
un قطعیت و من آن را در یک
31
00:01:17,280 –> 00:01:19,840
عدد شناخته شده ضرب می کنم، سپس عدم قطعیت
32
00:01:19,840 –> 00:01:21,680
در آن محصول با سیگما در
33
00:01:21,680 –> 00:01:22,799
مجذور f داده می شود
34
00:01:22,799 –> 00:01:25,119
و ما فقط یک مجذور در
35
00:01:25,119 –> 00:01:26,400
سیگما در مجذور ضرب
36
00:01:26,400 –> 00:01:28,240
می کنیم و می توانیم آن را تخمین بزنیم
37
00:01:28,240 –> 00:01:30,720
و در اینجا قوانینی داریم برای اینکه چه زمانی
38
00:01:30,720 –> 00:01:34,320
ضرب و اضافه می کنیم یا وقتی
39
00:01:34,320 –> 00:01:37,119
تقسیم را به لاگ قدرتها
40
00:01:37,119 –> 00:01:39,920
و غیره تفریق یا ضرب میکنید و بنابراین آنها فقط
41
00:01:39,920 –> 00:01:42,479
یکی از این قوانین برای هر
42
00:01:42,479 –> 00:01:44,479
نوع عملیاتی بودند که میتوانید یکی
43
00:01:44,479 –> 00:01:46,399
از آنها را انجام دهید و هرچه پیچیدهتر و پیچیدهتر میشوید
44
00:01:46,399 –> 00:01:48,159
باید اینها را به روشهای مختلف ترکیب کنید.
45
00:01:48,159 –> 00:01:50,240
اگر چیزهایی را اضافه کنید و سپس
46
00:01:50,240 –> 00:01:52,399
چیزها را تقسیم کنید، باید
47
00:01:52,399 –> 00:01:55,040
قوانین را یکی یکی منتشر کنید و این بسیار
48
00:01:55,040 –> 00:01:56,240
خسته کننده است،
49
00:01:56,240 –> 00:01:57,840
اکنون همه این موارد واقعاً
50
00:01:57,840 –> 00:02:01,600
موارد خاصی از قانون در اینجا هستند
51
00:02:01,600 –> 00:02:04,000
که ایده اصلی این است که عملکرد خود را
52
00:02:04,000 –> 00:02:06,479
گسترش دهید. شرایط پارامترها با
53
00:02:06,479 –> 00:02:10,000
مجهولات و سپس واریانس سیگما
54
00:02:10,000 –> 00:02:11,440
f مجذور فقط مشتقات جزئی
55
00:02:11,440 –> 00:02:13,440
مجذور
56
00:02:13,440 –> 00:02:15,920
مجذور عدم قطعیت برای هر یک است
57
00:02:15,920 –> 00:02:17,120
و این
58
00:02:17,120 –> 00:02:19,200
مطمئناً شدنی است شما فقط باید
59
00:02:19,200 –> 00:02:21,440
بفهمید که چه چیزی مشتقات برای
60
00:02:21,440 –> 00:02:24,000
هر پارامتر هستند
61
00:02:24,000 –> 00:02:26,800
و سپس این را اعمال می کنند،
62
00:02:26,800 –> 00:02:28,640
بنابراین
63
00:02:28,640 –> 00:02:30,720
آنچه من در مورد آن آموخته ام بسته ای است
64
00:02:30,720 –> 00:02:33,200
به نام عدم قطعیت ها و عدم
65
00:02:33,200 –> 00:02:36,480
قطعیت ها این کار را بسیار آسان می کند، بنابراین اگر
66
00:02:36,480 –> 00:02:38,959
به اینجا برگردیم، این
67
00:02:38,959 –> 00:02:41,200
بسته عدم قطعیت ها است. پایتون کاری که شما
68
00:02:41,200 –> 00:02:44,000
انجام میدهید این است که یک شی ufloat وارد میکنید و سپس
69
00:02:44,000 –> 00:02:45,760
میتوانید از
70
00:02:45,760 –> 00:02:48,879
نمونههایی از آن برای انجام جبر
71
00:02:48,879 –> 00:02:50,400
از این نوع استفاده کنید،
72
00:02:50,400 –> 00:02:53,040
بنابراین بیایید به چند نمونه نگاهی بیندازیم،
73
00:02:53,040 –> 00:02:54,720
74
00:02:54,720 –> 00:02:57,840
اجازه دهید یکی را در اینجا انتخاب کنم، فرض کنیم ما داریم
75
00:02:57,840 –> 00:02:59,680
76
00:02:59,680 –> 00:03:01,599
77
00:03:01,599 –> 00:03:03,840
. بیایید یک منهای b را انجام دهیم که در آن
78
00:03:03,840 –> 00:03:05,280
مقداری عدم قطعیت روی a و مقداری
79
00:03:05,280 –> 00:03:07,280
عدم قطعیت روی b داشته باشیم، فعلاً هیچ کوواریانسی در نظر نمی گیریم،
80
00:03:07,280 –> 00:03:09,120
بنابراین این جمله صفر خواهد بود
81
00:03:09,120 –> 00:03:11,599
و سپس سیگما f فقط
82
00:03:11,599 –> 00:03:13,760
جذر این چیزها است،
83
00:03:13,760 –> 00:03:15,360
خوب، پس
84
00:03:15,360 –> 00:03:18,400
چه می کنیم این است
85
00:03:18,400 –> 00:03:20,080
که عدم قطعیت ها را وارد می کنم، من معمولاً آن را به عنوان
86
00:03:20,080 –> 00:03:23,040
فضای نام اینجا انجام می
87
00:03:23,040 –> 00:03:24,239
دهم و بیایید
88
00:03:24,239 –> 00:03:25,920
دو متغیر
89
00:03:25,920 –> 00:03:30,319
بسازیم، بنابراین می خواهیم بگوییم u dot u float
90
00:03:30,319 –> 00:03:33,040
، فرض کنیم که مقدار اسمی آن
91
00:03:33,040 –> 00:03:35,360
2 است و
92
00:03:35,360 –> 00:03:37,840
می گوییم عدم قطعیت 0.2
93
00:03:37,840 –> 00:03:43,040
و b یک عدد خواهد داشت. ارزش اسمی
94
00:03:43,200 –> 00:03:44,840
let’s مثلاً
95
00:03:44,840 –> 00:03:46,920
3. و
96
00:03:46,920 –> 00:03:50,879
0.03 به عنوان عدم قطعیت
97
00:03:50,879 –> 00:03:53,439
و اگر فقط این دو را با هم جمع کنیم
98
00:03:53,439 –> 00:03:55,360
به علاوه b،
99
00:03:55,360 –> 00:03:58,840
آن چیزی که به دست می آید 5 به علاوه یا منهای
100
00:03:58,840 –> 00:04:00,640
0.20223 است
101
00:04:00,640 –> 00:04:01,920
و
102
00:04:01,920 –> 00:04:03,760
103
00:04:03,760 –> 00:04:06,799
اجازه دهید np را در اینجا وارد کنم
104
00:04:06,799 –> 00:04:09,040
، قانون باید چیزی شبیه np نقطه
105
00:04:09,040 –> 00:04:13,200
جذر جذر 0.2 باشد.
106
00:04:13,200 –> 00:04:17,680
0.03 مجذور واریانس حاصل
107
00:04:17,680 –> 00:04:19,199
از مجموع است
108
00:04:19,199 –> 00:04:21,680
و این همان چیزی است که در اینجا می بینید،
109
00:04:21,680 –> 00:04:24,240
این مقدار دقیقاً در اینجا است و
110
00:04:24,240 –> 00:04:26,960
همان چیزی است که به طور خودکار
111
00:04:26,960 –> 00:04:29,440
توسط u float محاسبه می شود،
112
00:04:29,440 –> 00:04:32,320
بنابراین جبر منظم واقعا عالی عمل می کند
113
00:04:32,320 –> 00:04:33,759
و
114
00:04:33,759 –> 00:04:37,199
تمام a به علاوه b منهای b تقسیم بر v
115
00:04:37,199 –> 00:04:38,880
بار b
116
00:04:38,880 –> 00:04:40,800
افزایش توان به توان همه آن
117
00:04:40,800 –> 00:04:43,199
عملگرهای جبری معمولی کاملاً خوب کار می کنند
118
00:04:43,199 –> 00:04:44,080
119
00:04:44,080 –> 00:04:45,919
و بنابراین
120
00:04:45,919 –> 00:04:48,080
ما حتی می توانیم
121
00:04:48,080 –> 00:04:51,680
کاری مانند افزایش به b انجام دهیم
122
00:04:51,680 –> 00:04:53,840
و به ما می گوید که 8 به علاوه یا
123
00:04:53,840 –> 00:04:54,880
منهای
124
00:04:54,880 –> 00:04:58,320
2.4 است و آیا این کار منطقی است.
125
00:04:58,320 –> 00:05:00,880
بیایید اینجا را ببینیم
126
00:05:00,880 –> 00:05:03,840
آیا یکی وجود دارد که
127
00:05:03,840 –> 00:05:06,240
از a تا b
128
00:05:06,240 –> 00:05:08,080
در اینجا a به b
129
00:05:08,080 –> 00:05:10,160
um است، بنابراین ما این فرمول پیچیده را
130
00:05:10,160 –> 00:05:12,000
داریم که باید آن را حل کنید
131
00:05:12,000 –> 00:05:14,720
تا بفهمید اینها چیست
132
00:05:14,720 –> 00:05:16,479
و واقعاً فقط این عبارت و این
133
00:05:16,479 –> 00:05:19,919
عبارت است و من t را ترک خواهم کرد کلاه به عنوان یک تمرین،
134
00:05:19,919 –> 00:05:22,720
اوه برای انجام آن
135
00:05:22,880 –> 00:05:26,240
خوب است، بنابراین جبر معمولی بسیار
136
00:05:26,240 –> 00:05:28,639
خوب است، اوه، میتوانیم از قبل به اینجا برگردیم
137
00:05:28,639 –> 00:05:30,560
و به این سؤال پاسخ دهیم،
138
00:05:30,560 –> 00:05:33,840
بنابراین بیایید آن را اینجا
139
00:05:33,840 –> 00:05:39,400
انجام دهیم، بنابراین باید
140
00:05:40,639 –> 00:05:45,360
ببینیم که 1.1 پلاس یا 1.1 پلاس داریم یا منهای 0.2
141
00:05:45,759 –> 00:05:47,360
1.1
142
00:05:47,360 –> 00:05:49,440
بعلاوه یا منهای 0.2
143
00:05:49,440 –> 00:05:51,039
و سپس آن را به
144
00:05:51,039 –> 00:05:54,400
u dot u float دیگری تقسیم می کنیم
145
00:05:54,560 –> 00:05:56,639
که
146
00:05:56,639 –> 00:06:01,479
حجم 0.7 مثبت یا منفی 0.05 است
147
00:06:06,960 –> 00:06:10,160
و فوراً چگالی 1.57
148
00:06:10,160 –> 00:06:12,000
مثبت یا منفی 0.3
149
00:06:12,000 –> 00:06:14,080
را می گیریم و بسیار راحت است
150
00:06:14,080 –> 00:06:16,400
که حتی می توانیم چیزی مانند بیایید این کار
151
00:06:16,400 –> 00:06:18,080
را انجام دهیم
152
00:06:18,080 –> 00:06:21,600
یادداشت کنید وقتی ردیف را چاپ می کنیم چه اتفاقی می افتد،
153
00:06:21,600 –> 00:06:23,840
بنابراین در اینجا ما صفحه نمایش را دریافت می کنیم، اما
154
00:06:23,840 –> 00:06:26,560
وقتی آن را چاپ می کنیم در واقع از
155
00:06:26,560 –> 00:06:28,479
قضاوتی در مورد اینکه ارقام مهم
156
00:06:28,479 –> 00:06:30,319
به طور خودکار هستند استفاده می کند
157
00:06:30,319 –> 00:06:33,039
و حتی می توانیم آن را در یک صفحه جاسازی کنیم. f
158
00:06:33,039 –> 00:06:35,840
string
159
00:06:35,840 –> 00:06:38,479
بنابراین اگر می دانید که می خواهید بگویید 1.3 f من
160
00:06:38,479 –> 00:06:41,360
فکر می کنم که این کار می کند،
161
00:06:42,560 –> 00:06:44,880
پس ما می توانیم
162
00:06:44,880 –> 00:06:48,319
حتی با قالب بندی فانتزی زیبا
163
00:06:48,319 –> 00:06:51,360
، نحوه عملکرد این برنامه را ببینیم
164
00:06:51,360 –> 00:06:53,440
که عدم قطعیت ها در مورد
165
00:06:53,440 –> 00:06:55,440
مشتقات بسیاری از
166
00:06:55,440 –> 00:06:58,080
عملگرهای رایج و بسیاری از توابع رایج می دانند. نه
167
00:06:58,080 –> 00:07:00,000
همه آنها، اما بسیاری از آنها
168
00:07:00,000 –> 00:07:01,039
و غیره،
169
00:07:01,039 –> 00:07:03,199
برای اطمینان از اینکه شما از
170
00:07:03,199 –> 00:07:06,000
پشتیبانی مناسب برای سایر عملکردها برخوردار هستید،
171
00:07:06,000 –> 00:07:08,479
باید به این عدم قطعیت ها
172
00:07:08,479 –> 00:07:10,240
173
00:07:10,240 –> 00:07:13,759
174
00:07:13,759 –> 00:07:17,840
نگاه کنید. چند نفر از آنها
175
00:07:18,560 –> 00:07:21,680
به من اجازه دادند تا np dot را ببینم
176
00:07:21,680 –> 00:07:23,840
اجازه دهید
177
00:07:23,840 –> 00:07:28,319
exp of u dot u float
178
00:07:28,319 –> 00:07:31,840
2 کاما 0.5
179
00:07:32,880 –> 00:07:35,520
بسیار خوب است، بنابراین خارج از کادر این منجر
180
00:07:35,520 –> 00:07:37,759
به خطا می شود زیرا ما از
181
00:07:37,759 –> 00:07:42,000
numpy exp استفاده می کنیم و نه um نه نسخه ارائه
182
00:07:42,000 –> 00:07:44,720
شده با عدم قطعیت ها که یکی
183
00:07:44,720 –> 00:07:47,840
از محدودیت های عملی عدم قطعیت هاست این است
184
00:07:47,840 –> 00:07:50,800
که کاری که باید انجام دهیم این است که بگوییم از
185
00:07:50,800 –> 00:07:53,680
عدم قطعیت ها
186
00:07:53,840 –> 00:07:55,599
dot umath
187
00:07:55,599 –> 00:07:58,000
بیایید فقط همه چیز را وارد کنیم تا آن را
188
00:07:58,000 –> 00:07:59,680
داشته باشیم
189
00:07:59,680 –> 00:08:03,759
و سپس به جای np فقط exp را انجام دهیم
190
00:08:03,759 –> 00:08:06,160
و سپس عدم قطعیت منتشر شده صحیح
191
00:08:06,160 –> 00:08:07,759
192
00:08:07,759 –> 00:08:10,000
و هر چیزی را دریافت کنیم. که در اینجا نیست
193
00:08:10,000 –> 00:08:13,759
احتمالاً مشکلی ایجاد می کند
194
00:08:13,759 –> 00:08:15,919
و همانطور که دیدید اگر با np.exp امتحان کنم،
195
00:08:15,919 –> 00:08:19,919
می بینیم که یک خطا داریم
196
00:08:19,919 –> 00:08:21,280
اما
197
00:08:21,280 –> 00:08:24,479
این اغلب قابل تمدید است
198
00:08:24,479 –> 00:08:28,160
بنابراین اگر من بنویسم
199
00:08:28,319 –> 00:08:30,000
u dot wrap
200
00:08:30,000 –> 00:08:32,479
np.exp
201
00:08:32,479 –> 00:08:35,200
مانند این بیایید ببینیم آیا تی کلاه کار میکند،
202
00:08:35,200 –> 00:08:37,120
سپس همان پاسخ را دریافت میکنیم،
203
00:08:37,120 –> 00:08:39,200
بنابراین این تابع u.wrap وجود دارد، در
204
00:08:39,200 –> 00:08:40,719
واقع یک دکوراتور است
205
00:08:40,719 –> 00:08:43,440
و بنابراین در اینجا ما تابع np.exp را تزئین میکنیم
206
00:08:43,440 –> 00:08:45,760
و سپس میتواند مدیریت کند
207
00:08:45,760 –> 00:08:48,640
که یک شناور udot از این خارج
208
00:08:48,640 –> 00:08:50,320
شود، جادویی اتفاق میافتد. در آنجا
209
00:08:50,320 –> 00:08:52,160
جادوی بیشتری را
210
00:08:52,160 –> 00:08:54,320
در یک ثانیه به شما نشان خواهم داد که باعث می شود تعجب کنم که چگونه
211
00:08:54,320 –> 00:08:57,279
این کار می کند تا آن را بپیچانم زیرا
212
00:08:57,279 –> 00:08:59,600
اگر به تابع wrap
213
00:08:59,600 –> 00:09:02,320
یا این تزئین کننده نگاه کنیم، تابعی را می پیچد
214
00:09:02,320 –> 00:09:03,360
215
00:09:03,360 –> 00:09:06,160
تا اعداد با عدم قطعیت را بپذیرد
216
00:09:06,160 –> 00:09:07,760
بنابراین تابع پیچیده شده را برمی گرداند.
217
00:09:07,760 –> 00:09:10,160
مقدار f با عدم قطعیت و همبستگی صحیح
218
00:09:10,160 –> 00:09:11,760
219
00:09:11,760 –> 00:09:13,440
و به شما امکان می دهد چیزهایی را که
220
00:09:13,440 –> 00:09:14,959
ممکن
221
00:09:14,959 –> 00:09:17,120
است به فرمت فرترن یا c یا چیزی
222
00:09:17,120 –> 00:09:18,160
شبیه به آن نوشته شده باشد بپیچید،
223
00:09:18,160 –> 00:09:19,760
بنابراین تابع شما باید یک
224
00:09:19,760 –> 00:09:22,560
چیز شناور مانند یک شناور یا یک عدد صحیح
225
00:09:22,560 –> 00:09:25,040
را برگرداند که روی یک آرایه کار نمی کند. ظاهرا
226
00:09:25,040 –> 00:09:25,920
و
227
00:09:25,920 –> 00:09:26,959
228
00:09:26,959 –> 00:09:29,120
اوم چند مورد دیگر هم وجود دارد
229
00:09:29,120 –> 00:09:31,279
و این موردی است که به نظر
230
00:09:31,279 –> 00:09:33,680
من واقعاً قابل توجه است که ما
231
00:09:33,680 –> 00:09:34,880
چیزی در مورد
232
00:09:34,880 –> 00:09:37,920
مشتقات mp.exp به آن نمی گوییم اما به نوعی
233
00:09:37,920 –> 00:09:39,680
آنها را دریافت می کند و و کار درست را
234
00:09:39,680 –> 00:09:40,959
انجام می
235
00:09:40,959 –> 00:09:42,480
دهیم و می دانیم که در مثال بعدی کار درست را انجام می دهد
236
00:09:42,480 –> 00:09:45,440
237
00:09:45,440 –> 00:09:47,760
بنابراین به طور مشابه فرض کنید می خواهید از
238
00:09:47,760 –> 00:09:50,800
تابع خطا در sci pi استفاده کنید
239
00:09:50,800 –> 00:09:53,760
، این یک تابع خارج از جعبه پشتیبانی نمی شود
240
00:09:53,760 –> 00:09:56,320
و بنابراین ما داریم برای قرار دادن آن به
241
00:09:56,320 –> 00:09:58,640
این شکل و بنابراین این یک راه جایگزین برای
242
00:09:58,640 –> 00:10:00,760
کاری است که در بالا انجام دادم، ما از
243
00:10:00,760 –> 00:10:03,360
uncertainties.wrap روی تابع خطا استفاده می کنیم
244
00:10:03,360 –> 00:10:06,240
و حالا وقتی این را اجرا می کنیم، یک پاسخ دریافت می
245
00:10:06,240 –> 00:10:07,680
246
00:10:07,680 –> 00:10:10,160
کنیم و یک سوال خوب مانند این است
247
00:10:10,160 –> 00:10:13,440
که پاسخ درست است. چگونه می دانیم
248
00:10:13,440 –> 00:10:15,600
پس به طور خلاصه به شما نشان خواهم داد که
249
00:10:15,600 –> 00:10:18,640
راهی برای استفاده از نمونه برداری مونت کارلو وجود
250
00:10:18,640 –> 00:10:21,120
دارد تا نشان دهیم به چه چیزی نگاه می کنیم،
251
00:10:21,120 –> 00:10:24,160
بنابراین بیایید به اینجا برگردیم و آنچه من
252
00:10:24,160 –> 00:10:26,720
اینجا دارم این است که x است
253
00:10:26,720 –> 00:10:29,360
a دارای مقدار 0 با مقداری عدم قطعیت
254
00:10:29,360 –> 00:10:30,839
بعلاوه یا منهای
255
00:10:30,839 –> 00:10:34,399
0.01، بنابراین اگر بخواهیم ارزیابی کنیم که
256
00:10:34,399 –> 00:10:37,200
تابع خطا در 0 در حالی که مقداری
257
00:10:37,200 –> 00:10:38,800
عدم قطعیت در آن وجود دارد، به یک روش می توانیم انجام
258
00:10:38,800 –> 00:10:40,560
دهیم این است که
259
00:10:40,560 –> 00:10:42,480
نمونه های تصادفی تصادفی را از توزیع نرمال یا
260
00:10:42,480 –> 00:10:44,240
گاوسی بکشیم
261
00:10:44,240 –> 00:10:46,800
و بنابراین در اینجا من دارای توزیع نرمال تصادفی
262
00:10:46,800 –> 00:10:48,880
که دارای میانگین است