Full Circle Magazine FR

Outils pour utilisateurs

Outils du site

Piste :
issue158:python

Différences

Ci-dessous, les différences entre deux révisions de la page.

Lien vers cette vue comparative

Les deux révisions précédentesRévision précédente
issue158:python [2020/07/03 14:21] – auntieeissue158:python [2020/07/03 14:54] (Version actuelle) – andre_domenech
Ligne 9: Ligne 9:
 Pourquoi ai-je décidé de mettre Loi entre guillemets ? Parce que ce n'est pas réellement une loi : Pourquoi ai-je décidé de mettre Loi entre guillemets ? Parce que ce n'est pas réellement une loi :
 ••Il EXISTE une Loi des Grands Nombres qui affirme en gros que si vous réalisez la même expérience un grand nombre de fois, la moyenne des résultats devrait être proche du résultat attendu. ••Il EXISTE une Loi des Grands Nombres qui affirme en gros que si vous réalisez la même expérience un grand nombre de fois, la moyenne des résultats devrait être proche du résultat attendu.
-••La Loi des Vraiment Grands Nombres soutient que « avec un échantillon assez large de données, de nombreuses  "coïncidences" bizarres ont des chances d'arriver » (http://skepdic.com/lawofnumbers.html)+••La Loi des Vraiment Grands Nombres soutient qu'« avec un échantillon assez large de données, de nombreuses  "coïncidences" bizarres ont des chances d'arriver » (http://skepdic.com/lawofnumbers.html)
  
 **This month, we will experiment to see if we can experience either of these two "laws".  **This month, we will experiment to see if we can experience either of these two "laws". 
Ligne 23: Ligne 23:
 D'abord, jetons un œil aux nombres aléatoires. Les ordinateurs NE peuvent PAS, d'eux-mêmes, générer de VRAIS nombres aléatoires. Ils peuvent s'en approcher beaucoup, et la plupart d'entre nous se satisfont d'en être proches. Mais que sont vraiment les nombres aléatoires ? D'abord, jetons un œil aux nombres aléatoires. Les ordinateurs NE peuvent PAS, d'eux-mêmes, générer de VRAIS nombres aléatoires. Ils peuvent s'en approcher beaucoup, et la plupart d'entre nous se satisfont d'en être proches. Mais que sont vraiment les nombres aléatoires ?
  
-Un nombre aléatoire est un nombre qui est indépendant - sans aucune corrélation avec aucune suite de nombres.+Un nombre aléatoire est un nombre qui est indépendant, sans aucune corrélation avec aucune suite de nombres.
  
 La théorie des probabilités dit, en gros, que, si vous avez deux résultats qui ont des chances égales d'apparaître (les faces d'une pièce de monnaie dans ce cas), il y a une chance égale pour que chacun apparaisse, ou, dans le cas d'un tirage au sort, 50 % que ce sera face et 50 % que ce sera pile. La théorie des probabilités dit, en gros, que, si vous avez deux résultats qui ont des chances égales d'apparaître (les faces d'une pièce de monnaie dans ce cas), il y a une chance égale pour que chacun apparaisse, ou, dans le cas d'un tirage au sort, 50 % que ce sera face et 50 % que ce sera pile.
Ligne 31: Ligne 31:
 Now, let's create a VERY simple Python program to check this out. We will use the numpy library for the random number generator, rather than the built-in Python random number generator. While both are pretty much the same thing, the numpy library has some additional options that make it a better choice for future work. It's not good enough for serious cryptography use, but for what we need, it's fine. Because of the f-string formatting, you will need to use Python 3.7 or greater.** Now, let's create a VERY simple Python program to check this out. We will use the numpy library for the random number generator, rather than the built-in Python random number generator. While both are pretty much the same thing, the numpy library has some additional options that make it a better choice for future work. It's not good enough for serious cryptography use, but for what we need, it's fine. Because of the f-string formatting, you will need to use Python 3.7 or greater.**
  
-Jurrasic Park de Michael Crichton (que ce soit le livre ou le film, mais, à mon avis, le film est plus amusant) contient une bonne (mais simplifiée) présentation de la Théorie du Chaos où Ian Malcolm (joué par Jeff Goldblum) décrit la direction que prendra une goutte d'eau glissant le long de la main du docteur Elie Sattler (joué par Laura Dern). On peut dire la même chose au sujet d'une pièce tombant sur le sol ou dans le creux de votre main. L'un ou l'autre peut fausser juste un peu le résultat pour le rendre encore plus aléatoire.+Jurrasic Park de Michael Crichton (que ce soit le livre ou le film, mais, à mon avis, le film est plus amusant) contient une bonne (mais simplifiée) présentation de la Théorie du Chaos où Ian Malcolm (joué par Jeff Goldblum) décrit la direction que prendra une goutte d'eau glissant le long de la main du docteur Elie Sattler (joué par Laura Dern). On peut dire la même chose au sujet d'une pièce tombant sur le sol ou dans le creux de votre main. L'une ou l'autre peut fausser juste un peu le résultat pour le rendre encore plus aléatoire.
  
 Maintenant créons un programme TRÈS simple en Python pour le tester. Nous utiliserons la bibliothèque numpy pour le générateur de nombres aléatoires, plutôt que le générateur de nombres aléatoires intégré à Python. Bien que les deux soient à peu près identiques, la bibliothèque numpy a quelques options supplémentaires qui en font un meilleur choix pour le travail futur. Il n'est pas suffisamment costaud pour un usage cryptographique, mais, pour notre besoin, il est bien. À cause du format des f-string, nous aurons besoin d'utiliser Python 3.7 ou plus récent. Maintenant créons un programme TRÈS simple en Python pour le tester. Nous utiliserons la bibliothèque numpy pour le générateur de nombres aléatoires, plutôt que le générateur de nombres aléatoires intégré à Python. Bien que les deux soient à peu près identiques, la bibliothèque numpy a quelques options supplémentaires qui en font un meilleur choix pour le travail futur. Il n'est pas suffisamment costaud pour un usage cryptographique, mais, pour notre besoin, il est bien. À cause du format des f-string, nous aurons besoin d'utiliser Python 3.7 ou plus récent.
Ligne 66: Ligne 66:
 It’s not what you would expect to be. You would expect a 50% number of Heads each time. Take a coin and try it. You will find a similar result. It won’t be 50% each time. Remember the Chaos Theory?** It’s not what you would expect to be. You would expect a 50% number of Heads each time. Take a coin and try it. You will find a similar result. It won’t be 50% each time. Remember the Chaos Theory?**
  
-Maintenant, passons à la liste des nombres retournés et comptons le nombre de zéros et de uns.+Maintenant, passons à la liste des nombres retournés et comptons le nombre de 0 et de 1.
  
-Appelez le programme cointoss.py et lancez-le. Vous devriez voir la sortie suivante...+Appelez le programme cointoss.py et lancez-le. Vous devriez voir la sortie suivante :
  
 $ python cointoss.py $ python cointoss.py
Ligne 94: Ligne 94:
 Percentage of Heads: 49.943%** Percentage of Heads: 49.943%**
  
-Il s'avère que la valeur de 10 « lancers » est un nombre d'essais plutôt faible. Essayons avec un nombre d'échantillons plus grand. Modifiez la valeur de todo en 1000 et re-lancez votre programme.+Il s'avère que la valeur de 10 « lancers » est un nombre d'essais plutôt faible. Essayons avec un nombre d'échantillons plus grand. Modifiez la valeur de todo en 1 000 et re-lancez votre programme.
  
-Je vais réduire la sortie (montrée ci-dessous) pour économiser la place, mais voici ce que vous pouvez voir...+Je vais réduire la sortie (montrée ci-dessous) pour économiser la place, mais voici ce que vous pouvez voir :
  
-Cette fois-ci les résultats sont beaucoup plus proches de 50 %, mais pas vraiment assez proches. Et ça donnerait quoi si nous faisions une série de 100000 lancers ? Modifez la variable todo en 100000 et re-lancez le programme.+Cette fois-ci les résultats sont beaucoup plus proches de 50 %, mais pas vraiment assez proches. Et ça donnerait quoi si nous faisions une série de 100 000 lancers ? Modifez la variable todo en 100 000 et re-lancez le programme.
  
 [1 1 0 ... 0 0 0] [1 1 0 ... 0 0 0]
Ligne 112: Ligne 112:
 “In July 1975, a taxi in Hamilton, Bermuda knocked Erskine Lawrence Ebbin from his moped, killing him. The year before, his brother Neville Ebbin had been killed by the same driver driving the same taxi and carrying the same passenger while riding the same moped on the same street.”** “In July 1975, a taxi in Hamilton, Bermuda knocked Erskine Lawrence Ebbin from his moped, killing him. The year before, his brother Neville Ebbin had been killed by the same driver driving the same taxi and carrying the same passenger while riding the same moped on the same street.”**
  
-Maintenant, nous sommes très près du résultat que nous attendons, suffisament proches pour dire que, oui, nous avons presque obtenu une distribution à 50 %. En plus, nous avons maintenant vu la Loi des Grands Nombres devenir réalité.+Maintenant, nous sommes très près du résultat que nous attendons, suffisamment proches pour dire que, oui, nous avons presque obtenu une distribution à 50 %. En plus, nous avons maintenant vu la Loi des Grands Nombres devenir réalité.
  
-Mais alors, la « Loi des Vraiment Grands Nombres » ? Une des exemples qui sont souvent utilisés pour l'expliquer serait :(http://improbability-principle.com/the-laws-of-the-improbability-principle/) : « En Juillet 1975, à Hamilton, aux Bermudes, un taxi éjecta Erskine Lawrence Ebbin de son vélomoteur, le tuant. L'année précédente, son frère Neville Ebbin, alors qu'il circulait sur le même vélomoteur dans la même rue, avait été tué par le même conducteur conduisant le même taxi et véhiculant le même passager. »+Mais alors, la « Loi des Vraiment Grands Nombres » ? Un des exemples qui sont souvent utilisés pour l'expliquer serait :(http://improbability-principle.com/the-laws-of-the-improbability-principle/) : « En juillet 1975, à Hamilton, aux Bermudes, un taxi éjecta Erskine Lawrence Ebbin de son vélomoteur, le tuant. L'année précédente, son frère Neville Ebbin, alors qu'il circulait sur le même vélomoteur dans la même rue, avait été tué par le même conducteur conduisant le même taxi et véhiculant le même passager. »
  
 **In another example,”At a typical football game with 50,000 fans, most fans are likely to share their birthday with about 135 others in attendance. (The notable exception will be those born on February 29. There will only be about 34 fans born on that day.)” I’m guessing that this example uses an American football game, as opposed to true football, but the result would most likely be the same regardless. Let’s code another example to test this... **In another example,”At a typical football game with 50,000 fans, most fans are likely to share their birthday with about 135 others in attendance. (The notable exception will be those born on February 29. There will only be about 34 fans born on that day.)” I’m guessing that this example uses an American football game, as opposed to true football, but the result would most likely be the same regardless. Let’s code another example to test this...
Ligne 124: Ligne 124:
 seed(1)** seed(1)**
  
-Un autre exemple : « Lors d'un match de foot avec 50 000 supporters, la plupart des supporters partagent probablement leur date de naissance avec 135 autres dans l'assistance. (L'exception notable sont ceux nés le 29 février. Ils ne seront que 34 supporters nés ce jour-là.) » Je suppose que cet exemple utilise le football américain, par opposition au vrai football, mais le résultat serait à peu près le même de toute façon. Codons un autre exemple pour tester cela...+Un autre exemple : « Lors d'un match de foot avec 50 000 supporters, la plupart des supporters partagent probablement leur date de naissance avec 135 autres dans l'assistance. (L'exception notable sont ceux nés le 29 février. Ils ne seront que 34 supporters nés ce jour-là.) » Je suppose que cet exemple utilise le football américain, par opposition au vrai football, mais le résultat serait à peu près le même de toute façon. Codons un autre exemple pour tester cela :
  
 from numpy.random import seed from numpy.random import seed
Ligne 141: Ligne 141:
 Finally, we create a date (I picked my son’s birthday) to see if it is in the list and print the number of times it occurred, if in fact it did.** Finally, we create a date (I picked my son’s birthday) to see if it is in the list and print the number of times it occurred, if in fact it did.**
  
-À nouveau, nous débutons par les imports (nous avons ajouté dateline dans cet exemple) et réglons la valeur de la semence. Ensuite, nous fixons à 50000 le chiffre des nombres aléatoires de notre liste et créons une liste vide.+À nouveau, nous débutons par les imports (nous avons ajouté dateline dans cet exemple) et réglons la valeur de la semence. Ensuite, nous fixons à 50 000 le chiffre des nombres aléatoires de notre liste et créons une liste vide :
  
 todo = 50000 todo = 50000
 dates = [] dates = []
  
-Nous bouclons alors dans une série de déclarations qui récupèrent les dates valides aléatoirement. (J'utilise Kite pour ma programmation et un exemple de base de ce code est fourni. Je l'ai modifié légèrement). Une fois que vous avez la date, nous l'ajoutons à la liste (en haut à droite).+Nous bouclons alors dans une série de déclarations qui récupèrent les dates valides aléatoirement. (J'utilise Kite pour ma programmation et un exemple de base de ce code est fourni. Je l'ai modifié légèrement.) Une fois que vous avez la date, nous l'ajoutons à la liste (en haut à droite).
  
 Enfin, nous créons une date (j'ai pris la date de naissance de mon fils) pour voir si elle est dans la liste et imprimer le nombre de fois où je la trouve, si elle y est, en fait. Enfin, nous créons une date (j'ai pris la date de naissance de mon fils) pour voir si elle est dans la liste et imprimer le nombre de fois où je la trouve, si elle y est, en fait.
issue158/python.1593778903.txt.gz · Dernière modification : 2020/07/03 14:21 de auntiee