Générateurs de nombres aléatoires et statistiques de hacker

Réflexion statistique en Python (Partie 1)

Justin Bois

Teaching Professor at the California Institute of Technology

Statistiques de hacker

Utilise des mesures simulées et répétées pour estimer des probabilités.

ch3-2.004.png

¹ Image : artiste inconnu

ch3-2.005.png

¹ Image : Heritage Auction

Simuler des lancers de pièce

ch3-2.010.png

Épreuves de Bernoulli

Une expérience avec deux issues : « succès » (True) et « échec » (False).

Le module np.random

import numpy as np
rng = np.random.default_rng()

rng

Generator(PCG64) at 0x7F9433D38120

Graine de nombres aléatoires

Entier fourni à l'algorithme de génération aléatoire
Ne semez manuellement le générateur que si vous avez besoin de reproductibilité
Spécifié avec rng = np.random.default_rng(seed)

Simuler 4 lancers de pièce

rng = np.random.default_rng(42)

random_numbers = rng.random(size=4)
random_numbers

array([0.77395605, 0.43887844, 0.85859792, 0.69736803])

heads = random_numbers < 0.5
heads

array([False,  True, False, False])

np.sum(heads)

Simuler 4 lancers de pièce

n_all_heads = 0  # Initialize number of 4-heads trials
for _ in range(10000):
     heads = np.random.random(size=4) < 0.5
     n_heads = np.sum(heads)
     if n_heads == 4:
         n_all_heads += 1

n_all_heads / 10000

0.0607

Probabilités en statistiques de hacker

Déterminer comment simuler les données
Simuler un très grand nombre de fois
La probabilité ≈ proportion d'essais avec l'issue visée

Passons à la pratique !

Réflexion statistique en Python (Partie 1)