ALGORITHMES PROBABILITÉS ET SIMULATIONS AVEC R - Table
La recherche de stratégies de simulation pour résoudre des problèmes de probabilité (et de statistique) constitue une véritable alternative à la résolution
SIMULATIONS ALGORITHMES EN PROBABILITÉS ET
pose le problème du mode de calcul des quantiles d'une série statistique. ? Il est proposé d'exécuter le programme plusieurs fois. C'est peu réaliste pour.
1 Lexpérience
Un algorithme de simulation pour résoudre un problème de probabilités simulation du lancer d'un dé (utilisation d'une fonction aléatoire ; affichage du ...
SIMULATIONS ALGORITHMES EN PROBABILITÉ
9 juil. 2012 #*SIMULATION*PROBLÈME HISTORIQUE D'UN GRAND DUC DE TOSCANE : 3 DÉS. # ALGO A1_1 : LIGNES DE COMMANDES POUR SIMULER UN JEU.
Simulations dexpériences aléatoires en classe :
expérimentales et théoriques pour formuler et résoudre des problèmes de probabilités et utiliser des simulations pour estimer les solutions de problèmes de.
Introduction aux probabilités et à la statistique Jean Bérard
résolution mathématique et/ou simulation validation
Algorithmes et simulations en probabilités avec LARP
l'utilisation de la simulation pour résoudre des problèmes de probabilités. Cela peut constituer une alternative intéressante pour les élèves peu à l'aise
CYCLE 4 /Correspondance entre le programme et les compétences
Calculer- Calculer avec des lettres des algorithmes. Modéliser- Modéliser pour résoudre des problèmes concrets Notion de probabilité.
Méthodes de Monte Carlo
La méthode de la fonction inverse peut s'appliquer à ces polynômes pour simuler une loi normale moyennant une approximation raisonnable. C'est la méthode
Python dans les programmes de CAP et de BAC Pro - Math
Utiliser une simulation fournie pour estimer une probabilité non démarche de résolution d'un problème sous la forme d'un algorithme et traduire ce ...
Probabilités simulation et algorithmique (pour TI) - Unistra
Dans la partie algorithmique : Les élèves dans le cadre d’une résolution de problèmes doivent être capables : de programmer un calcul itératif le nombre d’itérations étant donné ; de programmer une instruction conditionnelle un calcul itératif avec une fin de boucle conditionnelle
ALGORITHMES PROBABILITÉS ET SIMULATIONS AVEC R - APMEP
distributions simulées pour simuler des intervalles de fluctuation en première pour simuler des intervalles de confiance (IC) en terminale pour faire de l' inférence en BTS * La recherche de stratégies de simulation pour résoudre des problèmes de probabilité (et de statistique) constitue une
SIMULATIONS ALGORITHMES EN PROBABILITÉS ET STATISTIQUE(S) AU
d'algorithme de simulation d'un IF Se pose le problème du mode de calcul des quantiles d'une série statistique Il est proposé d'exécuter le programme plusieurs fois C'est peu réaliste pour établir un nombre suffisant de résultats Pourquoi ne pas prévoir ces répétitions dans l'algorithme lui même ?
SIMULATIONS, ALGORITHMES EN PROBABILITÉS
ET STATISTIQUE(S) AU LYCÉE ET AVEC R
I-INTRODUCTION
Que disent les programmes ?
La simulation un outil pratique mais aussi une
alternative didactiqueL'outil libre, gratuit et collaboratif R
Analyse de quelques exemples glanés dans les ouvrages II-LA SIMULATION UN OUTIL DU COURS DE PROBABILITÉS Ses enjeux didactiques à travers quelques exemples Réinvestir la statistique descriptive, modéliser III-LA SIMULATION UN OUTIL DE RÉSOLUTION DE PROBLÈMESQuelques exemples emblématiques
Résolution* simulée d'exercices d'annales de bac S IV-EXPLOITER ET PROLONGER UNE EXPÉRIENCE ALÉATOIRE Une séquence de travaux pratiques d'introduction fréquentiste à la probabilité. Du protocole à l'AEDV-CONCLUSIONS
SIMULATIONS, ALGORITHMES EN PROBABILITÉS
QUE DISENT LES PROGRAMMES ?I-INTRODUCTION
SIMULATIONS, ALGORITHMES EN PROBABILITÉS
En seconde (BO n°30 du 23 juillet 2009) :
Statistiques et probabilité : "ces enseignements sont en relation étroite l'un avec l'autre et doivent faire l'objet d'aller et retour". "Concevoir mettre en oeuvre et exploiter des simulations de situations concrètes "...(quid du protocole) L'intervalle de fluctuation d'une fréquence " peut être obtenu de façon approchée par simulation". En première : à l'aide de simulations et d'une approche heuristique de la loi des grands nombres on fait le lien" entre moyenne, variance d'une série et espérance et variance d'une variable aléatoire. On peut simuler une loi géométrique tronquée, une loi binomiale. En terminale : La simulation de sondages sur tableur permet de sensibiliser aux fourchettes de sondage.I-INTRODUCTION SIMULATIONS, ALGORITHMES EN PROBABILITÉSI-INTRODUCTIONQU' EST-CE QUE LA SIMULATION ?
SIMULATIONS, ALGORITHMES EN PROBABILITÉS
Ce que ne précisent pas les programmes ni les
documents d'accompagnement actuels :Qu'est-ce que la simulation ?I-INTRODUCTION
Le document d'accompagnement [GEPS, 2001] des programmes de première précisait : " Modéliser consiste à associer un modèle à des données expérimentales, alors que simuler consiste à produire des données à partir d'un modèle prédéfini. Pour simuler une expérience, on associe d'abord un modèle à l'expérience en cours, puis on simule la loi du modèle ». Le choix d'un modèle est l'étape préliminaire indispensable, lorsque l'on conçoit une simulation. Modélisation et simulation sont donc indissociables et sont sources d'obstacles didactiques qu'il faut s'efforcer d'identifier et de résoudre. Le schéma suivant (Bernard Parzysz, 2009), illustre bien ces notions : modèle expérience 1 (phénomène étudié)expérience 2Représentation ValidationModélisationsimulationLorsque l'on néglige la phase "modèle", l'expérience 2 est comprise comme une simple représentation de l'expérience 1 ! SIMULATIONS, ALGORITHMES EN PROBABILITÉSI-INTRODUCTIONR : POURQUOI ET COMMENT ?
SIMULATIONS, ALGORITHMES EN PROBABILITÉS
R : un outil polyvalent, libre, performant et
richement documenté, qui permet de mettre en oeuvre les méthodes en Analyse, Probabilités,Analyse Exploratoire et Statistique.
Notre objectif : en dépassant les simples illustrations de cours, montrer que R permet de mettre facilement en oeuvre la simulation comme : probabilitésSIMULATIONS, ALGORITHMES EN PROBABILITÉS
QUATRE DES INTERFACES DE R :1° - Rcmdr : les menus à cliquerI-NTRODUCTIONSIMULATIONS, ALGORITHMES EN PROBABILITÉS
2° - R-GUI : la console , l'éditeur de script ...I-INTRODUCTION
QUATRE DES INTERFACES DE R:
SIMULATIONS, ALGORITHMES EN PROBABILITÉS
3°-Tinn-R : coloration syntaxique,
complétion, console intégrée ...I-INTRODUCTIONQUATRE DES INTERFACES DE R :
SIMULATIONS, ALGORITHMES EN PROBABILITÉS
4°-RStudio : coloration syntaxique,
complétion, console intégrée , worskpace ...I-INTRODUCTIONQUATRE DES INTERFACES DE R:
SIMULATIONS, ALGORITHMES EN PROBABILITÉSI-INTRODUCTIONALGORITHMES ET PROGRAMMES
DANS LES MANUELS
DANS LES MANUELS : SIMULER LA LOI BINOMIALE
Quelle utilité de la simulation alors qu'on sait facilement calculer des probabilités binomiales (loi annoncée)? On simule 1 valeur de la variable alors qu'une loi c'est une distribution. À la difficulté de décryptage de l'algorithme s'ajoute la difficulté de floor(1+5*random()) Une généralisation est proposée mais encore pour simuler 1 valeur. Pourquoi cette différence de traitement entre n etB et m ?
Après avoir annoncé une loi binomiale, on
demande ensuite de "tester" le programme. Mais comment ?SIMULATIONS, ALGORITHMES EN PROBABILITÉS On n'a pas besoin de la loi binomiale pour simuler cette expérience. Juste le modèle équiprobable, peu lisible ici.I-INTRODUCTION DANS LES MANUELS : SIMULER LA LOI BINOMIALESIMULATIONS, ALGORITHMES EN PROBABILITÉS Un peu plus loin, sous le même titre, on trouve un autre algorithme simulant cette fois M valeurs issues d'un schéma de Bernoulli. On cumule quatre difficultés : algorithme long, modèle équiprobable peu lisible (bien que classique), distribution* simulée de S directement cumulée dans TAB[s], initialisation et affichage du tableau par boucles for().En b) on demande d'utiliser un autre logiciel
(tableur) puis de comparer distribution* simulée et distribution de probabilité (je suppose), mais comment ?Pourquoi ne pas réinvestir les outils de la
statistique descriptive ? (je ne l'ai trouvé sur aucun des algorithmes visités !)I-INTRODUCTION DANS LES MANUELS : UN CALCUL D'ESPÉRANCESIMULATIONS, ALGORITHMES EN PROBABILITÉSL'initialisation (voire la
saisie) du tableau ne figure pas dans l'algorithme.Le langage "naturel" n'est pas
assez précis, d'où la difficulté du passage à la programmation : traduire pixi n'a rien d'évident.Pertinence de la méthode, par
rapport aux fonctionnalités des langages actuels.I-INTRODUCTION DANS LES MANUELS : SIMULER UN JEU DE LOTERIESIMULATIONS, ALGORITHMES EN PROBABILITÉSCumul de la difficulté du connecteur
logique, de la boucle TantQue et du positionnement du compter j.On simule 1 valeur de la variable.
Comment vérifier le fonctionnement
d'une simulation ?La simulation ne sert pas dans le 2. où
l'on demande le calcul d'une distribution de probabilité et où l'on propose d'utiliser un autre logiciel (calcul formel ?) pour faire un calcul numérique d'espérance.On peut réaliser tous ces calculs, plus
simplement, avec R, qui fait des illustrations graphiques.I-INTRODUCTIONSIMULATIONS, ALGORITHMES EN PROBABILITÉS
DANS LES MANUELS : CALCULER ET SIMULER L'IF D'UNE VARIABLEFRÉQUENCE
L'algorithme de calculs des IF est
simplifié avec R.Je n'ai pas trouvé d'exemple
d'algorithme de simulation d'un IF. Se pose le problème du mode de calcul des quantiles d'une série statistique.Il est proposé d'exécuter le programme
plusieurs fois. C'est peu réaliste pourétablir un nombre suffisant de
résultats. Pourquoi ne pas prévoir ces répétitions dans l'algorithme lui même ?Quels critères de cohérence pour
comparer fréquences simulées et probabilité ?I-INTRODUCTIONSIMULATIONS, ALGORITHMES EN PROBABILITÉS
II-LA SIMULATION UN OUTIL DU
COURS DE PROBABILITÉII-UN OUTIL DU COURS DE PROBABILITÉSIMULATIONS, ALGORITHMES EN PROBABILITÉS
LE PROBLÈME HISTORIQUE D'UN GRAND DUC DE TOSCANE Simulation : plusieurs modèles et stratégies Calculer des distributions de probabilité Superposer graphiquement fréquences simulées et probabilités LE PROBLÈME HISTORIQUE DU CROIX-PILE DE D'ALEMBERT Simulations , s'arrêter ou pas lorsque l'on gagne Simuler le rang du premier succès Calculer les distributions du rang du premier succès Superposer graphiquement fréquences simulées et probabilités UN MODÈLE D'URNE POUR ÉTUDIER LE NOMBRE DE ROUGES TIRÉES Simuler un modèle d'urne Simuler un intervalle de fluctuation Calculer l'intervalle de fluctuation d'une variable binomiale CONVERGENCE DE LA LOI BINOMIALE VERS LA LOI DE GAUSS Illustration graphique Exploration d'intervalles de fluctuation asymptotiques gaussiensSIMULATION D'UN PEIGNE D'INTERVALLES DE CONFIANCE
Plusieurs illustrations graphiques CALCUL DE L'INTERVAL DE CONFIANCE "EXACT" D'UNE PROPORTIONPar la méthode de Clopper et Pearson (1934)
II-LA SIMULATION UN OUTIL DU COURS DE PROBABILITÉII-UN OUTIL DU COURS DE PROBABILITÉ PROBLÈME HISTORIQUE (1620) DU GRAND DUC DE TOSCANE :JETER 3 FOIS UN DÉ** (ÉQUILIBRÉ)
S est la variable aléatoire prenant pour valeurs la somme des valeurs des faces obtenuesALGORITHME A1_1
LIGNES DE COMMANDES POUR SIMULER 1 JEU
(de <- 1:6) # abréviation de seq(from = 1, to = 6, by = 1) [1] 1 2 3 4 5 6 (jeu <- sample(de, 3, T))# abréviation de sample(x = de, size = 3, replace = TRUE) [1] 6 6 4 (s <- sum(jeu)) [1] 16SIMULATIONS, ALGORITHMES EN PROBABILITÉSII-UN OUTIL DU COURS DE PROBABILITÉL'apport de R ?L'aide sous R : ?sample
L'aide sous RStudio : touche tab sur sample (fonction contextuelle)PROBLÈME HISTORIQUE DU GRAND DUC DE TOSCANE :
JETER 3 FOIS UN DÉ**
ALGORITHME A1_2
LIGNES DE COMMANDES POUR SIMULER 2000 JEUX (IDENTIQUES) TABLEAU DES FRÉQUENCES DE LA SÉRIE SIMULÉE de <- 1:6 ; Nbjets = 3 ; nbsim = 2000 ; serieSomNbjets <- NULL for(i in 1:nbsim){ jeu <- sample(de, Nbjets, replace = TRUE) #**** Affichage des résultats et des graphiques************* (tableFreqS <- table(serieSomNbjets) / nbsim) s <- sum(jeu) serieSomNbjets3 4 5 6 7 8 9 10
0.0045 0.0130 0.0220 0.0390 0.0745 0.0955 0.1190 0.1325
11 12 13 14 15 16 17 18
0.1285 0.1030 0.1045 0.0730 0.0460 0.0235 0.0160 0.0055 serieSomNbjets <- c(serieSomNbjets, s)
}SIMULATIONS, ALGORITHMES EN PROBABILITÉS barplot(tableFreqS) L'apport de R ?II-UN OUTIL DU COURS DE PROBABILITÉPROBLÈME HISTORIQUE DU GRAND DUC DE TOSCANE :
JETER 3 FOIS UN DÉ** ; AVEC LE NOMBRE DE JETS QUI PEUT VARIERALGORITHME A1_4
toscaneA1_4 <- function(Nbjets = 3, nbsim = 2000){ jeu <- sample(de, Nbjets, replace = TRUE) s <- sum(jeu) #**** Affichage des résultats et des graphiques*********** cat("Tableau des fréquences simulées:\n") print(tableFreqS) serieSomNbjets <- c(serieSomNbjets, s) > toscaneA1_4()Tableau des fréquences* simulés : serieSomNbjets3 4 5 6 7 8 9 10
0.0040 0.0145 0.0270 0.0470 0.0665 0.0980 0.1255 0.1250
11 12 13 14 15 16 17 18
0.1265 0.1035 0.0885 0.0720 0.0550 0.0270 0.0150 0.0050 }
tableFreqS <- table(serieSomNbjets) / nbsim for(i in 1:nbsim){ serieSomNbjets <- NULL ; de <- 1:6SIMULATIONS, ALGORITHMES EN PROBABILITÉS
barplot(tableFreqS, xlab = "Valeurs de la variable somme", ylab = "Fréquences simulées", main = "Distribution simulée de la variable S") }II-UN OUTIL DU COURS DE PROBABILITÉ barplot(tableFreqS, xlab = "Valeurs de la variable somme", ylab = "Fréquences simulées", main = "Distribution simulée de la variable S") } de <- 1:6 seriejets1 <- sample(de, nbsim, replace = T) seriejets2 <- sample(de, nbsim, replace = T) #**** Affichage des résultats et des graphiques*********** print(tableFreqS) seriejets3 <- sample(de, nbsim, replace = T) > system.time(toscaneA1_6()) serieSom3jets3 4 5 6 7 8 9 10
0.0045 0.0155 0.0260 0.0435 0.0820 0.0915 0.1225 0.1125
11 12 13 14 15 16 17 18
0.1160 0.1140 0.0975 0.0770 0.0480 0.0260 0.0170 0.0065
utilisateur système écoulé0.01 0.00 0.03 serieSom3jets <- seriejets1 + seriejets2 + seriejets3
tableFreqS <- table(serieSom3jets) / nbsim > system.time(toscaneA1_4()) serieSom3jets3 4 5 6 7 8 9 10
0.0070 0.0205 0.0290 0.0430 0.0690 0.0985 0.1200 0.1270
11 12 13 14 15 16 17 18
0.1260 0.1045 0.0955 0.0650 0.0470 0.0290 0.0150 0.0040
utilisateur système écoulé0.19 0.00 0.19 SIMULATIONS, ALGORITHMES EN PROBABILITÉS
toscaneA1_6 <- function(nbsim = 2000){PROBLÈME HISTORIQUE DU GRAND DUC DE TOSCANE : JETER 3 FOIS UN DÉ** - UNE STRATÉGIE POUR ÉVITER LES BOUCLES ALGORITHME A1_6II-UN OUTIL DU COURS DE PROBABILITÉPROBLÈME HISTORIQUE DU GRAND DUC DE TOSCANE :
JETER Nbjets FOIS UN DÉ À 6 FACES NON ÉQUILIBRÉALGORITHME A1_8
toscaneA1_8 <- function(Nbjets = 3, nbsim = 100){ jeu <- sample(de, Nbjets, prob = probafaces, replace = TRUE) s <- sum(jeu) #**** Affichage des résultats et des graphiques*********** cat("Tableau des fréquences simulées:\n") print(tableFreqS) serieSomNbjets <- c(serieSomNbjets, s) > toscaneA1_8()Tableau des fréquences* simulés : serieSomNbjets6 8 9 10 11 12 13 14 15 16
0.01 0.02 0.04 0.07 0.08 0.14 0.16 0.08 0.19 0.12
17 18
0.06 0.03 }
tableFreqS <- table(serieSomNbjets) / nbsim for(i in 1:nbsim){ serieSomNbjets <- NULL ; de <- 1:6 ; probafaces = de / 21SIMULATIONS, ALGORITHMES EN PROBABILITÉS
barplot(tableFreqS, xlab = "Valeurs de la variable somme", ylab = "Fréquences simulées", main = "Diagramme en barres") L'apport de R ?II-UN OUTIL DU COURS DE PROBABILITÉPROBLÈME HISTORIQUE DU GRAND DUC DE TOSCANE :
JETER 3 FOIS UN DÉ** : CALCULER LA DISTRIBUTION DE PROBABILITÉ DE SALGORITHME A1_9
probaS3deA1_9 <- function(){ for(j in 1:6){ for(k in 1:6){s[i, j, k] <- i + j + k}tabloProbaS <- table(s) / 216 for(i in 1:6){ s <- array(0, dim = c(6, 6, 6))SIMULATIONS, ALGORITHMES EN PROBABILITÉS
return(tabloProbaS) probaS3deA1_9() s3 4 5 6 7 8
0.00462963 0.01388889 0.02777778 0.04629630 0.06944444 0.09722222
9 10 11 12 13 14
0.11574074 0.12500000 0.12500000 0.11574074 0.09722222 0.06944444
15 16 17 18
0.04629630 0.02777778 0.01388889 0.00462963
L'apport de R ?plot(probaS3deA1_9(), col = "red",
main = "Distribution de probabilité de S")II-UN OUTIL DU COURS DE PROBABILITÉ GRAND DUC DE TOSCANE : SUPERPOSER DISTRIBUTION DE PROBABILITÉ ET DISTRIBUTION* SIMULÉE DE S : ALGORITHME A1_10 toscaneA1_10 <- function(nbsim = 2000){ source("toscaneA1_4bis.r") tableFreqS <- toscaneA1_4bis(nbsim = nbsim) source("probaS3deA1_9.r")DistribprobaS <- probaS3deA1_9()
#**** Affichage des résultats et des graphiques*********** cat("Tableau des fréquences simulées:\n") print(tableFreqS)SIMULATIONS, ALGORITHMES EN PROBABILITÉS barplot(tableFreqS, xlab = "Valeurs de la variable somme", ylab = "Fréquences simulées ou Probabilités", main = "Distribution simulée(barres), probabilité (Points rouges)", ylim = c(0, .14)) > toscaneA1_10()Tableau des fréquences simulés : serieSom3jets3 4 5 6 7 8 9 10 11
0.0060 0.0165 0.0305 0.0430 0.0610 0.0885 0.1250 0.1130 0.1180
12 13 14 15 16 17 18
0.1270 0.0980 0.0775 0.0535 0.0245 0.0165 0.0015
points(barplot(3:18, plot = FALSE), DistribprobaS, pch = 21, col = "red", bg = "red") }II-UN OUTIL DU COURS DE PROBABILITÉ SIMULER LE PROBLÈME HISTORIQUE (1754) DU CROIX-PILE DE D'ALEMBERTPREMIER MODÈLE : ALGORITHME A2_1
Un coup consiste à jeter une pièce (croix - pile ) équilibrée, Le jeu , en deux coups au plus , s'arrête dès que je gagne en "amenant croix". Description de la distribution* des modalités des résultats du jeu. croixpileA2_1 <- function(nbsim = 2000){ resultats <- rep(0, 3) ; piece <- c("Croix", "Pile") names(resultats) <- c("GagnéCoup1", "GagnéCoup2", "Perdu") for(i in 1:nbsim){ coup1 <- sample(piece, 1) if(coup1 == "Croix") { resultats[1] <- resultats[1] + 1 } else { coup2 <- sample(piece, 1) if(coup2 == "Croix") { resultats[2] <- resultats[2] + 1 } else { resultats[3] <- resultats[3] + 1 #**** Affichage des résultats et des graphiques*********** print(resultats / nbsim) > croixpileA2_1(nbsim = 5000) (DISTRIBUTION*)GagnéCoup1 GagnéCoup2 Perdu
0.4915 0.2565 0.2520
L'apport de R ?SIMULATIONS, ALGORITHMES EN PROBABILITÉS barplot(resultats / nbsim, ylab = "Fréquences simulées") }II-UN OUTIL DU COURS DE PROBABILITÉ SIMULER UN SCHÉMA DE BERNOULLI POUR ÉTUDIER LA VARIABLE R : RANG DU PREMIER SUCCÈS : ALGORITHME A3 Un peu de mécanique pour comprendre sum(v. logique) et which() de R qui vont servir à simplifier algorithmes et programmes. Un jeu consiste à lancer une roulette de 18 secteurs équiprobables numérotés de 1 à 18, 20 fois au plus. On compte au bout de combien de fois on obtient 9.SIMULATIONS, ALGORITHMES EN PROBABILITÉS (roulette <- 1:18) [1] 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 (ResExpe <- sample(roulette, 20, replace = TRUE)) [1] 4 8 2 11 2 1 6 8 11 9 18 17 9 12 16 6 5 15 18 4ResExpe == 9
[1] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE [13] TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE as.numeric(ResExpe == 9) [1] 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 sum(ResExpe == 9) [1] 2 which(ResExpe == 9) [1] 10 13 (r <- min(which(ResExpe == 9))) [1] 10II-UN OUTIL DU COURS DE PROBABILITÉ SIMULER UN SCHÉMA DE BERNOULLI POUR ÉTUDIER LA VARIABLE R : RANG DU PREMIER SUCCÈS : ALGORITHME A3Description de la distribution* simulée de R
rangpremiersuccesA3 <- function(n = 20, p = 1 / 5, nbsim = 2000){ deuxalternatives <- c("succes", "echec") ; serieSimR <- NULL for(i in 1:nbsim){ ResExpe <- sample(deuxalternatives, n, prob = c(p, 1 - p), replace = TRUE) if(sum(ResExpe == "succes")!= 0) { r <- min(which(ResExpe == "succes"))} else {r <- 0} #**** Affichage des résultats et des graphiques*********** cat("\nTableau de distribution des fréquences de la\n", "variable Rang du premier succès et moyenne de la série\n") print(tableFreqR) ; print(MoySerieR) barplot(tableFreqR, xlab = "Valeurs de la variable rang du premier succès", ylab = "Fréquences simulées" main = "Distribution simulée de la variable R") } serieSimR <- c(serieSimR, r) > rangpremiersuccesA3()(DISTRIBUTION*) Tableau de distribution des fréquences simulées de la variable Rang du premier succès et moyenne de la sérieserieSimR0 1 2 3 4 5 6 7 8
0.0135 0.2005 0.1550 0.1385 0.1025 0.0820 0.0675 0.0530 0.0400
9 10 11 12 13 14 15 16 17
0.0305 0.0300 0.0160 0.0160 0.0125 0.0110 0.0105 0.0065 0.0035
18 19 20
0.00450.0035 0.0030
[1] 4.6295 tableFreqR <- table(serieSimR) / nbsimMoySerieR <- mean(serieSimR)L'apport de R ?SIMULATIONS, ALGORITHMES EN PROBABILITÉSII-UN OUTIL DU COURS DE PROBABILITÉ
ALGORITHME DE CALCUL DE PROBABILITÉS AVEC
LA LOI GÉOMÉTRIQUE TRONQUÉE : ALGORITHME A3_1Graphique des probabilités cumulées "
Calcul de la probabilité d'événements divers geotronkA3_1 = function(k, n, p){ distribX <- rep(0, n + 1) ; names(distribX) <- 0:n distribX[1] <- (1 - p)^n distribX[2:(n + 1)] <- (1 - p)^((1:n) - 1) * p proba <- distribX[k + 1] return(proba) }SIMULATIONS, ALGORITHMES EN PROBABILITÉS > geotronkA3_1(3:6, 10, .3)3 4 5 6
0.147000 0.102900 0.072030 0.050421
> sum(geotronkA3_1(3:6, 10, .3)) [1] 0.372351 > (geotronkcum <- cumsum(geotronkA3_1(0:10, 10, .3)))0 1 2 3 4 5
0.02824752 0.32824752 0.53824752 0.68524752 0.78814752 0.86017752
6 7 8 9 10
0.91059852 0.94589322 0.97059951 0.98789392 1.00000000
plot(0:10, geotronkcum, pch = 21, bg = "red", main = "Probabilités cumulées")Espérance numérique
> (somxipi <- sum(0:10 * geotronkA3_1(0:10, 10, .3)))L'apport de R ? [1] 2.9567Variance numérique
> somxi2pi <- sum((0:10)^2 * geotronkA3_1(0:10, 10, .3)) > (vargeotronk <- somxi2pi - somxipi^2) [1] 4.905331II-UN OUTIL DU COURS DE PROBABILITÉ SUPERPOSER LES GRAPHIQUES DE LA DISTRIBUTION SIMULÉE ET DE LA DISTRIBUTION GÉOMÉTRIQUE TRONQUÉE : ALGORITHME A3_2 Comment gérer le fait que toutes les valeurs de lavariable ne sont pas forcément atteintes.SIMULATIONS, ALGORITHMES EN PROBABILITÉSII-UN OUTIL DU COURS DE PROBABILITÉ
1/3 roulette <- 1:18 ; serieK <- NULL ; n <- 10 ; nbsim <- 30 tablo <- rep(0, n + 1) ; names(tablo) <- 0:n for(i in 1:nbsim){ x <- sample(roulette, n, replace = TRUE) if(sum(x == 9) != 0){k <- min(which(x == 9))} else {k <- 0} serieK <- c(serieK, k) tableEffK <- table(serieK) tablo[as.numeric(names(tableEffK)) + 1] <- tableEffK tableEffK tablo > tableEffK serieK0 2 3 4 6 7 9 10
15 1 6 2 1 1 2 2
> tablo0 1 2 3 4 5 6 7 8 9 10
15 0 1 6 2 0 1 1 0 2 2
SUPERPOSER LES GRAPHIQUES DE LA DISTRIBUTION SIMULÉE ET DE LA DISTRIBUTION GÉOMÉTRIQUE TRONQUÉE : ALGORITHME A3_2 Comment gérer le fait que toutes les valeurs de la variable ne sont pas forcément atteintes.SIMULATIONS, ALGORITHMES EN PROBABILITÉS L'apport de R ?SuperpSimulProbaA3_2 <- function(n = 20, p = 1 / 5, nbsim = 2000){ TabloFreqR <- rep(0, n + 1) ; names(TabloFreqR) <- 0:n source("RangPremierSucces.r") ; source("GeoTronkA3_1.r") tableFreqR <- rangpremiersucces(n, p, nbsim)TabloProbaR <- geotronkA3_1(0:n, n, p)
TabloFreqR[as.numeric(names(tableFreqR)) + 1] <- tableFreqR # Affichage des résultats et des graphiques barplot(TabloFreqR, xlab = "valeurs de la variable R", ylab = "Fréquences simulées ou Probabilités", main = paste("Distribution simulée(barres), probabilité (points)", "\nobtenue avec", nbsim, "simulations"), ylim = c(0, max(TabloProbaR))) points(barplot(0:n, plot = FALSE), TabloProbaR, pch = 21, col = "red", bg = "red") surpepositionsimulproba(nbsim = 100) surpepositionsimulproba(nbsim = 20000)II-UN OUTIL DU COURS DE PROBABILITÉ 2/3 SUPERPOSER LES GRAPHIQUES DE LA DISTRIBUTION SIMULÉE ET DE LA DISTRIBUTION GÉOMÉTRIQUE TRONQUÉE : ALGORITHME A3_2quotesdbs_dbs22.pdfusesText_28[PDF] Algorithmique en classe de première avec AlgoBox - Xm1 Math
[PDF] Algorithme U prend la valeur [expression de la suite - Maths en ligne
[PDF] Rappels sur les suites - Algorithme - Lycée d Adultes
[PDF] Les tableaux - Luc Brun
[PDF] Les tableaux 1 Exercice 1 - Lipn
[PDF] Terminale S Exercices sur les suites Exercice 1 On consid`ere la
[PDF] Cours d algorithmique BTS SIO première année - Bienvenue sur le
[PDF] Algorithmique et programmation, un levier pour développer des
[PDF] Algorithmique et Structures de Données
[PDF] ORME 212 : Algorithmique en seconde avec Python
[PDF] Ali baba et les quarante voleurs - Gomme Gribouillages
[PDF] Commentaire de l 'article 26 du code de droit international privé
[PDF] 1 Biliographie générale : Droit international privé - Droit du
[PDF] Les différences de retraite entre salariés du privé et fonctionnaires