MakarovSuites
Русский
EnglishDeutschРусскийУкраїнськаFrançaisEspañolItalianoPolski
Связь и лицензии

Math

Случайные блуждания

Рой уходит из дома по решётке: облако растёт как √n, концы ложатся в гауссиану, а в трёх измерениях две трети не возвращаются никогда.

Случайные блуждания — Изображение из программы
Изображение из программы

Что происходит

Тысячи ходоков стартуют из начала координат и шагают по решётке, каждое направление равновероятно. Три вещи, которые математика знает о том, куда они доходят, и каждая здесь проверена точно: облако растёт как √n - стеклянная сфера ровно такого радиуса растёт вместе с ним, а E|x|² = n на панели измерено по рою; концы ложатся в гауссиану - центральная предельная теорема, нарисованная поверх живой гистограммы; и Пойа - ходок, вернувшийся через начало координат, становится золотым, и в одном и двух измерениях почти все рано или поздно возвращаются, а в трёх - только 34 %. Точная доля вернувшихся к шагу n - динамическое программирование, поглощающее массу в нуле, - рисуется рядом с измеренной и с пределом. Восемь ходоков несут след, чтобы блуждание было видно как путь, а не только как облако.

Уравнения модуля
Уравнения
E|x_n|² = n   (единичные шаги по решётке, любая размерность: облако растёт как √n)
x_n / √(n/d) → N(0, 1)   (центральная предельная теорема, для каждой координаты)
P(возврат в начало когда-нибудь) = 1 в одном и двух измерениях,  0.340537 в трёх   (Пойа)
P(возврат к шагу n): масса, поглощённая в начале координат, точно - динамическим программированием

Другие эксперименты

К каталогу
Модель Изинга — Изображение из программы

Physics / Math

Модель Изинга

Фазовый переход ферромагнетика: домены и критическая температура.

Нейронный спуск — Изображение из программы

Physics / Math

Нейронный спуск

Нейросеть учится распознавать цифры вживую, нарисованная как физика: ландшафт потерь в 3D, градиентный спуск - шарик, катящийся вниз, momentum - инерция, шум минибатчей - температура.

Память Хопфилда — Изображение из программы

Physics / Math

Память Хопфилда

Повреди записанную память кистью, предскажи, вернётся ли она, и смотри, как сеть чинит её по одному нейрону — каждый переворот понижает энергию на 2|h| — или сваливается в другую память либо в ложную смесь, названную прямо.