Comment simuler une loi normale… : En calculant U = rd.random(12); X =… — ECG2 approfondies | MetMat

Comment simuler une loi normale à partir du TLC appliqué à 12 lois uniformes indépendantes ?

En calculant `U = rd.random(12); X = np.sum(U) - 6` pour obtenir $X \approx \mathcal{N}(0,1)$

Simuler une réalisation approchée de $\mathcal{N}(0,1)$ avec $12$ uniformes.

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

Simuler une réalisation de $\mathcal{N}(0,1)$ par la méthode des $12$ uniformes, afficher sa valeur.

L'objectif

Simuler une réalisation approchée de $\mathcal{N}(0,1)$ avec $12$ uniformes.

Le principe

Si $U_1,\dots,U_{12}$ sont i.i.d. $\mathcal{U}([0,1])$ , alors $E(U_i) = 1/2$ , $V(U_i) = 1/12$ , donc $S = \sum U_i$ vérifie $E(S) = 6$ et $V(S) = 1$ ; par TLC, $S - 6 \approx \mathcal{N}(0,1)$ , et le choix $n=12$ évite la division par $\sqrt{n}$ .

La méthode

1
Je rappelle les moments de $\mathcal{U}([0,1])$ : $E(U) = 1/2$ et $V(U) = 1/12$ , ce qui fixe la normalisation.
2
Je tire $12$ uniformes avec U = rd.random(12), tableau numpy de taille $12$ à valeurs dans $[0,1[$ .
3
Je calcule la somme centrée : X = np.sum(U) - 6. L'espérance vaut $12\cdot 1/2 - 6 = 0$ et la variance vaut $12\cdot 1/12 = 1$ .
4
D'après le TLC, $X$ suit approximativement $\mathcal{N}(0,1)$ ; $n=12$ donne déjà une très bonne approximation, d'où l'intérêt de cette valeur.
5
Pour un échantillon de taille $N$ , je vectorise : U = rd.random((N, 12)) puis X = U.sum(axis=1) - 6, ce qui donne un tableau de $N$ réalisations en une seule opération numpy.

Pour comprendre, fais des exercices !

Exercice d'exemple

Simuler une réalisation de $\mathcal{N}(0,1)$ par la méthode des $12$ uniformes, afficher sa valeur.

Étape 1 —

Je rappelle les moments de

\mathcal{U}([0,1])

E(U) = 1/2

V(U) = 1/12

, ce qui fixe la normalisation.

Je rappelle $E(U) = 1/2$ , $V(U) = 1/12$ , donc $S = U_1 + \dots + U_{12}$ vérifie $E(S) = 6$ , $V(S) = 1$ .

Étape 2 —

Je tire

12

uniformes avec U = rd.random(12), tableau numpy de taille

12

à valeurs dans

[0,1[

import numpy as np
import numpy.random as rd
U = rd.random(12)

Étape 3 —

Je calcule la somme centrée : X = np.sum(U) - 6. L'espérance vaut

12\cdot 1/2 - 6 = 0

et la variance vaut

12\cdot 1/12 = 1

X = np.sum(U) - 6
print(X)

Étape 4 —

D'après le TLC,

X

suit approximativement

\mathcal{N}(0,1)

;

n=12

donne déjà une très bonne approximation, d'où l'intérêt de cette valeur.

Par TLC, $X\approx\mathcal{N}(0,1)$ : j'obtiens par exemple $X \approx 0{,}47$ , valeur plausible pour une variable centrée réduite.

Étape 5 —

Pour un échantillon de taille

N

, je vectorise : U = rd.random((N, 12)) puis X = U.sum(axis=1) - 6, ce qui donne un tableau de

N

réalisations en une seule opération numpy.

Cette technique évite les fonctions spéciales (log, cos) de la méthode de Box-Muller.

Un tirage donne typiquement $X\in[-3,3]$ , distribué suivant $\mathcal{N}(0,1)$ .

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.

Comment simuler une loi normale à partir du TLC appliqué à 12 lois uniformes indépendantes ?

En calculant U = rd.random(12); X = np.sum(U) - 6 pour obtenir X≈N(0,1)X \approx \mathcal{N}(0,1)X≈N(0,1)

Pour comprendre, fais des exercices !

En calculant `U = rd.random(12); X = np.sum(U) - 6` pour obtenir $X \approx \mathcal{N}(0,1)$