Estimer par une simulation de Monte-Carlo.
Estimer par simulation la probabilité d'obtenir exactement piles sur lancers d'une pièce équilibrée ().
Estimer par une simulation de Monte-Carlo.
Par la loi faible des grands nombres, pour répétitions indépendantes de l'expérience, la fréquence empirique de réalisation de converge en probabilité vers .
numpy.random adaptées aux tirages.compteur = 0.for : à chaque itération, je réalise l'expérience et, si l'événement est réalisé, j'incrémente le compteur.Estimer par simulation la probabilité d'obtenir exactement piles sur lancers d'une pièce équilibrée ().
numpy.random adaptées aux tirages.Un lancer de pièce équilibrée se modélise par rd.binomial(1, 0.5) ; lancers par rd.binomial(1, 0.5, 5).
compteur = 0.Je pose N = 10000 et compteur = 0.
for : à chaque itération, je réalise l'expérience et, si l'événement est réalisé, j'incrémente le compteur.Dans une boucle for i in range(N):, je simule lancers, je compte les piles, et si la somme vaut , j'incrémente le compteur.
Je calcule compteur / N.
import numpy.random as rd
N = 10000
compteur = 0
for i in range(N):
lancers = rd.binomial(1, 0.5, 5)
if sum(lancers) == 3:
compteur = compteur + 1
print(compteur / N)
La fréquence est proche de .
Les applications suivantes et la correction guidée sont réservées aux membres Premium
La méthode et sa première application corrigée restent en accès libre. Le Premium débloque les applications suivantes, l'aide IA et le suivi de ta maîtrise.