Телеграм канал «Математика не для всех»

Новые поступления в магазине BRUKLIN.

Магазин кроссовок и уличной одежды. Товары известных российских и зарубежных брендов.

ASICS, Mizuno, adidas, Saucony, Vans, Dickies, Anteater, CODERED...

Только оригинальная продукция. Бесплатная доставка по России.

Перейти на сайт

#реклама
bruklin-store.ru
О рекламодателе

Занимательная математика для самых маленьких

⚡️ Здравствуйте, Дорогие подписчики!

Представляем вашему вниманию подборку полезных каналов в сфере «Образование и наука» 🔥
Будем очень рады, если вы найдете для себя что-нибудь полезное.

❗️Ссылка на папку:

telemetr.me/addlist/5Q4UY4ND2X1lNTNi

Можно ли математически «отменить» уже совершённый бросок монеты?

Если орёл означает шаг вправо, а решка — влево, то один бросок можно описать характеристической функцией: φ(t) = q·e^(-it) + p·e^(it), где p — вероятность орла, а q = 1 − p - вероятность решки. Для N бросков она просто возводится в степень: φₙ(t) = (q·e^(-it) + p·e^(it))ᴺ.

Отсюда возникает естественная идея, что если один бросок добавляет случайность, то для его «отмены» можно попробовать взять N = −1. Получаем φ₋₁(t) = 1 / (q·e^(-it) + p·e^(it)). Формально такая операция существует, но получившаяся функция уже, как правило, не соответствует обычному распределению вероятностей.

Причина в том, что вероятности должны быть неотрицательными и в сумме давать 1. В случае «обратного броска» это условие нарушается: появляются отрицательные значения, которые нельзя интерпретировать как обычные вероятности. Корректно всё работает только в вырожденном случае, когда случайности изначально нет - например, если монета всегда выпадает одной и той же стороной.

То есть случайный бросок можно формально обратить алгебраически, но нельзя в общем случае превратить эту обратную операцию в нормальное вероятностное распределение. В этом смысле уже добавленную случайность просто «вычесть назад» не получается.

Как искать работы на LinkedIn из России?

«LinkedIn из России не работает»

Работает - если обращаться с ним аккуратно ✅
Чаще блокируют не за саму Россию, а за поведение: несколько аккаунтов на одного человека, постоянную смену локации вместо одной стабильной страны (привет, VPN), резкий скачок активности после долгого затишья или массовые однотипные действия подряд.

Если профиль всё же заблокировали — шансы восстановить есть, но нужно доказать поддержке LinkedIn, что аккаунт реальный.
Разбираться с этим — тоже часть работы по поиску на международке ✨

Подписывайся - здесь все о том, как найти работу на международке 😊

Подписаться

#реклама
agilefluent.co
О рекламодателе

Бесплатный Кружок по математике для 5-11 классов от Яндекса стартует! 

Программа подбирается по классу и уровню подготовки (базовый или продвинутый). В нее входят алгебра, геометрия, комбинаторика, теория чисел и другие разделы. Помимо еженедельных лекций, ребят ждут домашние задания с письменной и устной защитой, пробные олимпиады, математические игры и бои. 

Кружок ведут победители престижных олимпиад и действующие тренеры сборных. На занятиях разбирают задачи прошлых лет и проводят пробные туры, максимально приближенные к реальным. Дипломы таких соревнований дают льготы при поступлении в ВУЗы.

Для поступления нужно подать заявку и пройти вступительные испытания: онлайн-этап в Яндекс.Контесте (29 августа – 6 сентября) и устное собеседование (7–21 сентября). Занятия начнутся уже в конце сентября.

А если факторов несколько?

В реальности продажи магазина одежды зависят явно не только от рекламы.

Тогда вместо простой линейной регрессии используется множественная регрессия:

Y = β₀ + β₁X₁ + β₂X₂ + β₃X₃ + … + ε

Например:
Выручка = β₀
β₁ × рекламный бюджет
β₂ × размер скидки
β₃ × посещаемость сайта

Теперь каждый коэффициент показывает, как изменение соответствующего фактора связано с прогнозируемым результатом при прочих равных условиях модели.

Таким образом, линейная регрессия превращает набор разрозненных наблюдений в относительно простую математическую модель. Мы получаем возможность оценить насколько именно изменяется прогнозируемый результат при изменении конкретного фактора.

Именно поэтому линейная регрессия остаётся одним из базовых методов статистики, анализа данных и машинного обучения.
Она проста по форме, легко интерпретируется и позволяет перейти от визуального ощущения зависимости к количественной модели.