Mauvaises distributions d'entrée

Vous allez poursuivre avec l'exemple de pi dans cet exercice : A graph of a circle inside a square with randomly sampled points

Que se passe-t-il si vous changez la distribution de probabilité d'entrée, en passant de la loi uniforme continue (random.uniform()) à la loi uniforme discrète (random.randint())? Vos résultats ne seront pas fiables, car random.randint() échantillonne des entiers discrets, tandis que random.uniform() échantillonne des nombres à virgule flottante continus.

Portez attention à la valeur de pi estimée que cette simulation génère. Comme la distribution de probabilité choisie est incorrecte, elle ne sera pas très précise! Choisir les bonnes distributions de probabilité est essentiel pour les simulations de Monte Carlo. Nous verrons plus en détail différentes distributions dans les prochaines leçons afin que vous soyez à l'aise de faire le bon choix par la suite.

random a été importé pour vous.

Cette activité fait partie du cours

Simulations de Monte-Carlo en Python

Voir le cours

Instructions de l’exercice

Échantillonnez les coordonnées x et y dans l'intervalle de -1 à 1 en utilisant random.randint() plutôt que la fonction correcte random.uniform() utilisée dans la vidéo.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

n = 10000
circle_points = 0 
square_points = 0 
for i in range(n):
    # Sample the x and y coordinates from -1 to 1 using random.randint()
    x = ____
    y = ____
    dist_from_origin = x**2 + y**2
    if dist_from_origin <= 1:
        circle_points += 1
    square_points += 1
pi = 4 * circle_points / square_points
print(pi)

Modifier et exécuter le code