Comment comparer un échantillon simulé avec la loi théorique via histogramme, diagramme en bâtons ou fonction de répartition empirique ?
Visualiser la convergence de la fonction de répartition empirique vers la FdR théorique.
La fonction de répartition empirique converge p.s. vers en tout (loi forte des grands nombres appliquée aux ). Graphiquement, après tri de l'échantillon, elle s'obtient en escalier avec des sauts de .
X = ... de taille , puis je le trie avec Xs = np.sort(X) pour obtenir les abscisses des sauts.Y = np.arange(1, N+1)/N : la -ème marche atteint la hauteur .plt.step(Xs, Y, where='post', label='empirique').t = np.linspace(a, b, 500) puis plt.plot(t, F(t), 'r', label='théorique'), et je conclus sur l'adéquation.Cherche chaque exercice au brouillon, puis coche “j'ai réussi” si tu as trouvé la bonne démarche. Utilise le bouton aide si tu as besoin d'un coup de pouce.
Comparer la FdR empirique d'un échantillon de taille d'une loi à la FdR théorique sur .
Tracer la FdR empirique pour tirages de et superposer via scipy.stats.norm.cdf.
Illustrer par simulation que la loi de Cauchy (densité ) n'admet pas d'espérance en observant sa FdR empirique et la stabilité de .
Tracer la FdR empirique d'un échantillon de loi et la comparer à sur .
Tracer la FdR empirique pour tirages de et superposer .