Exemple : Estimation de la probabilité de Monte Carlo
Générez des nombres aléatoires pour illustrer comment de grandes méthodes d'échantillonnage permettent d'estimer les probabilités de quantités dont les distributions sont inconnues.
1. Définissez les paramètres de la loi logistique avec les paramètres d'emplacement et d'échelle L et S.
2. Définissez les paramètres de l'échantillonnage de Monte Carlo.
◦ Nombre d'échantillons à collecter :
◦ Nombre de points de données par échantillon :
3. Utilisez les fonctions mean et rlogis pour effectuer l'échantillonnage et calculer la moyenne de chaque échantillon.
4. Estimez la probabilité que la moyenne d'un ensemble de nombres aléatoires se trouve dans l'intervalle [a, b].
La probabilité dépend du nombre de points de données dans chaque échantillon et de la largeur de l'intervalle.
5. Tracez la fonction plogis pour montrer la fonction de répartition de la loi de probabilité de la loi logistique. Utilisez un marqueur horizontal pour marquer le niveau de probabilité.
6. Effectuez un zoom sur le segment vert en pointillés du tracé. Utilisez les marqueurs verticaux pour marquer l'intervalle [a, b] et les horizontaux pour marquer la probabilité cumulée inférieure et supérieure entre [a, b] :
7. Tracez la fonction dlogis pour montrer la densité de probabilité de la loi logistique.
8. Effectuez un zoom sur le segment vert en pointillés du tracé et utilisez les marqueurs verticaux pour marquer l'intervalle [a, b] :
9. Utilisez la fonction qlogis pour calculer la fonction de répartition de la loi de probabilité inverse pour la probabilité Prob.
