rd.binomial, rd.geometric, rd.poisson, rd.randint avec les bons paramètresSimuler un échantillon de taille d'une variable aléatoire de loi usuelle.
Simuler un échantillon de taille d'une variable et calculer sa moyenne empirique.
Simuler un échantillon de taille d'une variable aléatoire de loi usuelle.
La bibliothèque numpy.random (importée as rd) fournit rd.binomial(n, p, N), rd.geometric(p, N), rd.poisson(lambda, N), rd.randint(a, b, N) (entiers dans ).
import numpy.random as rd et j'identifie la loi de la variable aléatoire (binomiale, géométrique, Poisson, uniforme discrète).np.mean.Simuler un échantillon de taille d'une variable et calculer sa moyenne empirique.
import numpy.random as rd et j'identifie la loi de la variable aléatoire (binomiale, géométrique, Poisson, uniforme discrète).J'importe numpy.random as rd ; suit une loi binomiale.
Les paramètres sont et .
J'appelle rd.binomial(10, 0.3, 1000) pour obtenir un vecteur de tirages.
np.mean.Je calcule la moyenne : elle doit être proche de .
import numpy as np
import numpy.random as rd
X = rd.binomial(10, 0.3, 1000)
print(np.mean(X))
La moyenne empirique 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.