Scribd
Importer
4 vues6 pages

Simulation et Estimation de Pi

Le document traite de la simulation de variables aléatoires, y compris la construction de variables exponentielles et l'estimation de pi à partir de points uniformément répartis. Il aborde également la simulation d'une file d'attente M/M/1, en calculant l'histogramme de la distribution du nombre de clients dans le système. Des visualisations sont générées à l'aide de bibliothèques Python telles que NumPy et Matplotlib.

Transféré par

pedroantoniobg
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd
4 vues6 pages

Simulation et Estimation de Pi

Le document traite de la simulation de variables aléatoires, y compris la construction de variables exponentielles et l'estimation de pi à partir de points uniformément répartis. Il aborde également la simulation d'une file d'attente M/M/1, en calculant l'histogramme de la distribution du nombre de clients dans le système. Des visualisations sont générées à l'aide de bibliothèques Python telles que NumPy et Matplotlib.

Transféré par

pedroantoniobg
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

simulation

November 10, 2018

1 Simulation
1.1 Construction de variables aléatoires de loi exponentielle
1
X = − ln U
λ
où U est une uniforme sur [0, 1]

In [2]: %matplotlib inline


from numpy import *
import numpy as np
import scipy
from pylab import*
import pylab as pylab

@interact
def _(n = (0..6)):
[Link]()
tableau=-log([Link](10**n,1))
m1=[Link](tableau,bins=srange(0, 6, 0.1),normed=1,alpha=0.3)
[Link](m1[1],exp(-m1[1]),color='red',alpha=0.4)
[Link]('m1')

1
2
3
1.2 Tirages de point uniformément répartis dans le carré unité
On notera les “amalgames” qui semblent contredire l’idée d’uniformité mais qui sont en fait à
l’indépendance des tirages

In [4]: [Link]()
[Link]([Link](100), [Link](100), 'o')
[Link]('cloud')

1.3 Estimation de pi
On tire des points (Ui , Vi ) uniformément dans le carré [0, 1] × [0, 1]. D’après la loi forte des grands
nombres
N
1 X π
1{U 2 +V 2 ≤1} −→
N i i 4
i=1

In [6]: @interact
def _(n = (0..8)):
N=10**n
u=2*[Link](N)-1
v=2*[Link](N)-1
frequence=sum(u^2+v^2<=1)*1.0/N
variance=frequence*(1-frequence)
print "estimation de pi ", 4*frequence
print "\nintervalle de confiance à 95% ",4*(frequence-1.96*sqrt(varianc

4
1.4 Simulation de la file M/M/1
Intensité = ρ < 1
Temps moyen de service = 1
On calcule l’histogramme empirique de la distribution du nombre de clients dans le système

In [10]: rho=0.5
horizon=10000
temps=0
N=0
K=int([Link](ln(0.001)/ln(rho)))+1
proba_stat=[Link](K+1)
nb_moyen_clients=0

def transitions(N):
if (N==0):
return([rho,[1],[1]])
else:
return([rho+1,[N-1,N+1],[1/(rho+1),rho/(rho+1)]])

while(temps<= horizon):
a = transitions(N)
# print N,a
duree=[Link](1/a[0])
temps += duree
proba_stat[min(N,K)]+= duree
N=[Link](a[1],p=a[2])
# print N

proba_stat =proba_stat/horizon
[Link]()
[Link]([Link](K+1),proba_stat)
[Link]([Link](K+1),(1-rho)*rho**[Link](K+1),color='red')
[Link]('geometric')

5
6

Vous aimerez peut-être aussi