De 1m57,856s para 0m0,041s 🙂
O problema das moedas é considerado Monte Carlo 101, mas a utilização de um problema simples permite aprender sobre os temas relacionados. Nesse artigo eu trabalho na otimização do algoritmo utilizado para validar a probabilidade teórica utilizando probabilidade experimental.
A solução estatística para isso é usar a nossa melhor estimativa atual, que chamamos de p̂. A cada lote de simulações, nós pegamos a probabilidade que calculamos até aquele momento, colocamos na fórmula no lugar de *p* , e vemos se o erro já está pequeno o suficiente.
Without the theoretical probability to compare, it wouldn’t be possible to play hot and cold thinking, “the sample of 50 stayed far from the right result, but the 200 million one stayed close to the calculated number… it must be right enough.”
Sem a probabilidade teórica para comparar não ia ser possível brincar de frio e quente pensando “a amostra de 50 ficou longe do resultado certo mas a 200 milhões ficou próxima ao número calculado hein… deve estar certo o suficiente.”
I programmed two mathematical distributions—Binomial and Normal—in Go with the intent of using programming to reinforce my understanding of mathematics.
