La loi des grands nombres
Vous avez appris dans l’exercice précédent qu’en raison de la nature stochastique des simulations de Monte Carlo, chaque résultat peut être très différent. Dans cet exercice, vous allez tirer parti de 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 dans 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 packages numpy et random ont été importés pour vous.
Cet exercice fait partie du cours
Simulations de Monte Carlo en Python
Instructions
- Calculez la moyenne de 1 000 simulations où une graine entre 0 et 20 000 est choisie aléatoirement à chaque fois.
- Calculez la moyenne de 10 000 simulations où une graine entre 0 et 20 000 est choisie aléatoirement à chaque fois.
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# 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))