3.-Сэмплирование-синтетических-данных.md

-После идентификации структуры и модели мы можем сгенерировать / сэмплировать значения X с учетом факторизованного совместного распределения вероятностей $ P (X) $, которое определяется байесовской сетью. В нашей работе использовался наследственный (или прямой) метод выборки. Имея вероятность P ($ x_1 $, $ x_2 $ ..., $ x_n $), определенную байесовской сеткой, мы выбираем переменные в топологическом порядке. Мы начнем с выборки узлов инициализации (переменных без родителей); затем мы выбираем зависимые узлы, используя условное распределение вероятностей (CPD) этих переменных, принимая во внимание переменные, выбранные в первой итерации. Продолжайте до тех пор, пока не будут выбраны все n переменных.
+После идентификации структуры и модели мы можем сгенерировать / сэмплировать значения случайно величины с учетом факторизованного совместного распределения вероятностей P(X), которое определяется байесовской сетью. В нашей работе использовался предковый (или прямой) метод выборки.   
\ No newline at end of file
+Имея вероятность P (x_1, x_2, ..., x_n), определенную байесовской сетью, мы выбираем переменные в топологическом порядке. Мы начнем с выборки узлов инициализации (переменных без родителей); затем мы выбираем зависимые узлы, используя условное распределение вероятностей (Conditional Probability Table) этих переменных, принимая во внимание переменные, выбранные в первой итерации. Продолжаем до тех пор, пока не будут выбраны все n переменных. Схематично алгоритм сэмплирования выглядит так:  
+![](https://github.com/Anaxagor/BN-based-synthetic-data-/blob/master/img/sampling.jpg)
\ No newline at end of file