rd.binomial, rd.geometric, rd.poisson, rd.exponential, rd.normal ou rd.randnSimuler une ou plusieurs réalisations d'une loi usuelle sans implémenter la méthode d'inversion ou le TLC.
Simuler réalisations de , , et , puis vérifier les moyennes empiriques.
Simuler une ou plusieurs réalisations d'une loi usuelle sans implémenter la méthode d'inversion ou le TLC.
La bibliothèque numpy.random fournit des générateurs optimisés pour toutes les lois du programme : chaque appel prend en argument les paramètres de la loi et le paramètre size pour la taille de l'échantillon, et renvoie un tableau numpy.
import numpy.random as rd (ou j'utilise np.random si import numpy as np).rd.binomial(n, p, size=N), rd.geometric(p, size=N), rd.poisson(lam, size=N), rd.exponential(scale=1/lam, size=N), rd.normal(mu, sigma, size=N), rd.randn(N) pour .size=N pour obtenir un tableau numpy de réalisations en une seule ligne.rd.exponential attend le paramètre d'échelle (pas ) ; rd.normal attend l'écart-type (pas la variance ).rd.seed(42) avant les appels pour garantir la reproductibilité de l'expérience.Simuler réalisations de , , et , puis vérifier les moyennes empiriques.
import numpy.random as rd (ou j'utilise np.random si import numpy as np).import numpy as np
import numpy.random as rd
rd.binomial(n, p, size=N), rd.geometric(p, size=N), rd.poisson(lam, size=N), rd.exponential(scale=1/lam, size=N), rd.normal(mu, sigma, size=N), rd.randn(N) pour .N = 10**4
B = rd.binomial(20, 0.3, size=N) # Binomiale B(20, 0.3)
P = rd.poisson(5, size=N) # Poisson P(5)
E = rd.exponential(1/2, size=N) # Exponentielle E(2) : scale = 1/lam
X = rd.normal(1, 2, size=N) # Normale N(1, 4) : sigma = 2
size=N pour obtenir un tableau numpy de réalisations en une seule ligne.Chaque appel renvoie un tableau numpy de taille prêt à analyser.
rd.exponential attend le paramètre d'échelle (pas ) ; rd.normal attend l'écart-type (pas la variance ).Je note que pour d'espérance , l'argument est scale=1/2 ; pour de variance , l'argument est sigma = 2.
rd.seed(42) avant les appels pour garantir la reproductibilité de l'expérience.print(np.mean(B), np.mean(P), np.mean(E), np.mean(X))
# attendu: 6, 5, 0.5, 1
Les moyennes empiriques sont conformes aux espérances .
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.