Comment simuler une chaîne de… : En utilisant numpy.random.choice à… — ECG2 appliquées | MetMat

Comment simuler une chaîne de Markov en Python ?

En utilisant numpy.random.choice à chaque étape selon les probabilités de transition

Approfondissement — Simuler en Python une trajectoire $(X_0, X_1, \\ldots, X_N)$ d'une chaîne de Markov dont on connaît la matrice de transition.

Maîtriser

Reconnaître

Résoudre

Hors programme — Cette méthode va au-delà du B.O. officiel. Proposée pour aller plus loin.

Que ferais-tu face à un exercice de ce type ?

Écrire une fonction Python simul_meteo(N) qui simule N+1 jours de la chaîne météo $M = \begin{pmatrix} 0{,}8 & 0{,}2 \\ 0{,}4 & 0{,}6 \end{pmatrix}$ en partant de l'état $0 = \\mathrm{Soleil}$ .

L'objectif

Approfondissement — Simuler en Python une trajectoire $(X_0, X_1, \\ldots, X_N)$ d'une chaîne de Markov dont on connaît la matrice de transition.

Le principe

Connaissant l'état courant $i = X_n$ , l'état suivant $X_{n+1}$ suit la loi donnée par la $i$ -ème ligne de $M$ ; la fonction numpy.random.choice(states, p=M[i]) tire un état selon cette loi, ce qui permet de générer la trajectoire de proche en proche.

La méthode

1
J'importe numpy puis je définis la liste des états (par exemple [0, 1, ..., r-1]) et la matrice $M$ comme un tableau numpy.
2
Je tire l'état initial $X_0$ selon la loi $V_0$ avec numpy.random.choice(states, p=V0), ou je le fixe directement.
3
Je boucle de $n = 0$ à $N - 1$ : à chaque étape, je tire $X_{n+1}$ avec numpy.random.choice(states, p=M[X_n]) et je l'ajoute à la trajectoire.
4
Je renvoie ou affiche la trajectoire complète $(X_0, X_1, \\ldots, X_N)$ .

Pour comprendre, fais des exercices !

Exercice d'exemple

Écrire une fonction Python simul_meteo(N) qui simule N+1 jours de la chaîne météo $M = \begin{pmatrix} 0{,}8 & 0{,}2 \\ 0{,}4 & 0{,}6 \end{pmatrix}$ en partant de l'état $0 = \\mathrm{Soleil}$ .

Étape 1 —

J'importe numpy puis je définis la liste des états (par exemple [0, 1, ..., r-1]) et la matrice

M

comme un tableau numpy.

import numpy as np ; states = [0, 1] ; M = np.array([[0.8, 0.2], [0.4, 0.6]]).

Étape 2 —

Je tire l'état initial

X_0

selon la loi

V_0

avec numpy.random.choice(states, p=V0), ou je le fixe directement.

On fixe l'état initial : X = 0 (jour ensoleillé), puis trajectoire = [X].

Étape 3 —

Je boucle de

n = 0

N - 1

: à chaque étape, je tire

X_{n+1}

avec numpy.random.choice(states, p=M[X_n]) et je l'ajoute à la trajectoire.

for n in range(N): X = np.random.choice(states, p=M[X]) ; trajectoire.append(X).

Étape 4 —

Je renvoie ou affiche la trajectoire complète

(X_0, X_1, \\ldots, X_N)

return trajectoire.

import numpy as np
def simul_meteo(N):
    states = [0, 1]
    M = np.array([[0.8, 0.2], [0.4, 0.6]])
    X = 0
    trajectoire = [X]
    for n in range(N):
        X = np.random.choice(states, p=M[X])
        trajectoire.append(X)
    return trajectoire

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.