Estimer par Monte-Carlo avec une garantie d'erreur via IC asymptotique.
Estimer pour par Monte-Carlo, (valeur exacte ).
Estimer par Monte-Carlo avec une garantie d'erreur via IC asymptotique.
Si sont i.i.d. de même loi que avec , alors (LFGN) et le TLC donne une demi-largeur d'IC asymptotique .
X = rd.xxx(size=N) avec grand (typiquement ou ).G = g(X) grâce aux fonctions vectorisées de numpy (np.exp, np.cos, X**2, etc.).mu_hat = np.mean(G) et l'écart-type empirique par sigma_hat = np.std(G, ddof=1).Estimer pour par Monte-Carlo, (valeur exacte ).
X = rd.xxx(size=N) avec grand (typiquement ou ).import numpy as np, numpy.random as rd
N = 10**5
X = rd.random(N)
G = g(X) grâce aux fonctions vectorisées de numpy (np.exp, np.cos, X**2, etc.).G = np.cos(X)
mu_hat = np.mean(G) et l'écart-type empirique par sigma_hat = np.std(G, ddof=1).mu = G.mean()
sig = G.std(ddof=1)
print(mu, sig)
print([mu - 1.96*sig/np.sqrt(N), mu + 1.96*sig/np.sqrt(N)])
.
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.