La loi des grands nombres
Dans l'exercice précédent, vous avez vu qu'en raison du caractère stochastique des simulations de Monte Carlo, chaque résultat peut différer grandement. Dans cet exercice, vous allez mettre à profit la loi des grands nombres pour simuler l'inflation en 2050 à partir de la moyenne d'un grand nombre de simulations.
La fonction monte_carlo_inflation() que vous avez écrite à l'exercice précédent est disponible. Pour rappel, voici son code :
def monte_carlo_inflation(year, seed):
random.seed(seed)
inflation_rate = 8.6
yearly_increase = random.randint(1, 3)
for i in range(year - 2022):
inflation_rate = inflation_rate * ((100 + yearly_increase)/100)
return(inflation_rate)
Les modules numpy et random ont été importés pour vous.
Cette activité fait partie du cours
Simulations de Monte-Carlo en Python
Instructions de l’exercice
- Calculez la moyenne de 1 000 simulations où une graine entre 0 et 20 000 est choisie aléatoirement chaque fois.
- Calculez la moyenne de 10 000 simulations où une graine entre 0 et 20 000 est choisie aléatoirement chaque fois.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Calculate the average of 1,000 simulation results with a seed between 0 and 20000
rates_1 = []
for i in range(____):
seed = random.randint(____, ____)
rates_1.append(monte_carlo_inflation(2050, ____))
print(np.mean(rates_1))
# Calculate the average of 10,000 simulation results with a seed between 0 and 20000
rates_2 = []
for i in range(____):
seed = random.randint(____, ____)
rates_2.append(monte_carlo_inflation(2050, ____))
print(np.mean(rates_2))