Comment simuler une loi… : En simulant YsimE(lambda) avec lambda =… — ECG2 approfondies | MetMat

Comment simuler une loi géométrique à partir d'une loi exponentielle et de la fonction floor ?

En simulant $Y\sim\mathcal{E}(\lambda)$ avec $\lambda = -\ln(1-p)$ puis en renvoyant `int(np.floor(Y)) + 1`

Simuler $X\sim\mathcal{G}(p)$ en discrétisant une exponentielle bien choisie.

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

Simuler $X\sim\mathcal{G}(0{,}25)$ par la méthode exponentielle+floor et estimer $E(X)$ sur $N = 10^4$ tirages.

L'objectif

Simuler $X\sim\mathcal{G}(p)$ en discrétisant une exponentielle bien choisie.

Le principe

Si $Y\sim\mathcal{E}(\lambda)$ avec $\lambda = -\ln(1-p)$ , alors $P(\lfloor Y \rfloor + 1 = k) = \mathrm{e}^{-\lambda(k-1)} - \mathrm{e}^{-\lambda k} = (1-p)^{k-1}p$ , ce qui est la loi $\mathcal{G}(p)$ .

La méthode

1
Je pose le paramètre p puis je calcule lam = -np.log(1 - p), de sorte que $\mathcal{E}(\lambda)$ discrétisée donne $\mathcal{G}(p)$ .
2
Je simule une exponentielle par inversion : Y = -np.log(rd.random()) / lam, qui suit $\mathcal{E}(\lambda)$ .
3
Je discrétise avec la fonction partie entière : X = int(np.floor(Y)) + 1 (le +1 garantit que $X$ prend ses valeurs dans $\mathbb{N}^*$ ).
4
Je vérifie le calcul : $P(X = k) = P(k-1 \leq Y < k) = \mathrm{e}^{-\lambda(k-1)} - \mathrm{e}^{-\lambda k} = (1-p)^{k-1}p$ , c'est bien $\mathcal{G}(p)$ .
5
Pour simuler un échantillon, je vectorise : Y = -np.log(rd.random(N)) / lam puis X = np.floor(Y).astype(int) + 1.

Pour comprendre, fais des exercices !

Exercice d'exemple

Simuler $X\sim\mathcal{G}(0{,}25)$ par la méthode exponentielle+floor et estimer $E(X)$ sur $N = 10^4$ tirages.

Étape 1 —

Je pose le paramètre p puis je calcule lam = -np.log(1 - p), de sorte que

\mathcal{E}(\lambda)

discrétisée donne

\mathcal{G}(p)

Je pose p = 0.25 puis `lam = -np.log(1 - 0.25) = -np.log(0.75) \approx 0{,}2877$.

Étape 2 —

Je simule une exponentielle par inversion : Y = -np.log(rd.random()) / lam, qui suit

\mathcal{E}(\lambda)

import numpy as np
import numpy.random as rd
p = 0.25
lam = -np.log(1 - p)
Y = -np.log(rd.random()) / lam

Étape 3 —

Je discrétise avec la fonction partie entière : X = int(np.floor(Y)) + 1 (le +1 garantit que

X

prend ses valeurs dans

\mathbb{N}^*

X = int(np.floor(Y)) + 1 donne une réalisation de $\mathcal{G}(0{,}25)$ .

Étape 4 —

Je vérifie le calcul :

P(X = k) = P(k-1 \leq Y < k) = \mathrm{e}^{-\lambda(k-1)} - \mathrm{e}^{-\lambda k} = (1-p)^{k-1}p

, c'est bien

\mathcal{G}(p)

Vérification : $P(X = 1) = 1 - \mathrm{e}^{-\lambda} = 1 - 0{,}75 = 0{,}25 = p$ , conforme.

Étape 5 —

Pour simuler un échantillon, je vectorise : Y = -np.log(rd.random(N)) / lam puis X = np.floor(Y).astype(int) + 1.

Y = -np.log(rd.random(10**4)) / lam
X = np.floor(Y).astype(int) + 1
print(np.mean(X))

donne environ $4{,}0 \approx 1/p$ .

La moyenne empirique $\approx 4$ confirme $E(X) = 1/p = 4$ .

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 géométrique à partir d'une loi exponentielle et de la fonction floor ?

En simulant Y∼E(λ)Y\sim\mathcal{E}(\lambda)Y∼E(λ) avec λ=−ln⁡(1−p)\lambda = -\ln(1-p)λ=−ln(1−p) puis en renvoyant int(np.floor(Y)) + 1

Pour comprendre, fais des exercices !

En simulant $Y\sim\mathcal{E}(\lambda)$ avec $\lambda = -\ln(1-p)$ puis en renvoyant `int(np.floor(Y)) + 1`