module `garden.poulet`#

Short summary#

module mlstatpy.garden.poulet

Functions for Optimisation avec données aléatoires.

source on GitHub

Functions#

function	truncated documentation
`esperance`	Espérance du profit en faisant varier le nombre de poulet vendus.
`exponentielle`	Simule une loi exponentielle de paramètre $\lambda$ .
`f_proba_poisson_melange`	Wraps function proba_poisson_melange to avoid global variable.
`factorielle`	Calcule $x!$ de façon récursive.
`find_maximum`	Trouver le couple (nombre de poulets achetés, profit) lorsque le profit est maximum.
`histogramme_poisson_melange`	Calcule un histogramme d’un mélange de loi de Poisson.
`local_proba_poisson_melange`	Calcule la probabilité $\pr{X=i}`$ lorsque $X$ suit un mélange de lois.
`maximum`	Calcule les espérances de profit pour différents nombres de poulets achetés.
`poisson`	Simule une loi de Poisson de paramètre $\lambda$ .
`poisson_melange`	Simule une variable selon un mélange de loi de Poisson.
`proba_poisson`	Calcule la probabilité $\pr{X=i}`$ lorsque $X$ suit une loi de Poisson de paramètre $\lambda$ . …
`profit`	Calcule le profit.

Documentation#

Functions for Optimisation avec données aléatoires.

source on GitHub

mlstatpy.garden.poulet.esperance(X, p, q, s, lx)#

Espérance du profit en faisant varier le nombre de poulet vendus.

Paramètres:

X – nombre de poulets achetés
p – prix d’achat
q – prix de vente
s – prix soldé
lx – paramètre $\lambda$

Renvoie:

espérance du profit

source on GitHub

mlstatpy.garden.poulet.exponentielle(lx)#

Simule une loi exponentielle de paramètre $\lambda$ .

source on GitHub

mlstatpy.garden.poulet.f_proba_poisson_melange()#

Wraps function proba_poisson_melange to avoid global variable.

source on GitHub

mlstatpy.garden.poulet.factorielle(x)#

Calcule $x!$ de façon récursive.

source on GitHub

mlstatpy.garden.poulet.find_maximum(res)#

Trouver le couple (nombre de poulets achetés, profit) lorsque le profit est maximum.

Paramètres:: res – résultat de la fonction maximum
Renvoie:: (X, profit) maximum

source on GitHub

mlstatpy.garden.poulet.histogramme_poisson_melange(params, coef, n=100000)#

Calcule un histogramme d’un mélange de loi de Poisson.

Paramètres:

params – liste de paramètre $\lambda$
coef – coef[i] coefficient associé à la loi de paramètre params[i]

Renvoie:

histogramme

source on GitHub

mlstatpy.garden.poulet.maximum(p, q, s, lx)#

Calcule les espérances de profit pour différents nombres de poulets achetés.

Paramètres:

p – prix d’achat
q – prix de vente
s – prix soldé
lx – paramètre $\lambda$

Renvoie:

liste (X, profit)

source on GitHub

mlstatpy.garden.poulet.poisson(lx)#

Simule une loi de Poisson de paramètre $\lambda$ .

source on GitHub

mlstatpy.garden.poulet.poisson_melange(params, coef)#

Simule une variable selon un mélange de loi de Poisson.

Paramètres:

params – liste de paramètre $\lambda$
coef – coef[i] coefficient associé à la loi de paramètre params[i]

Renvoie:

valeur simulée

source on GitHub

mlstatpy.garden.poulet.proba_poisson(lx, i)#

Calcule la probabilité $\pr{X=i}`$ lorsque $X$ suit une loi de Poisson de paramètre $\lambda$ .

source on GitHub

mlstatpy.garden.poulet.proba_poisson_melange(params, coef, i)#

Calcule la probabilité $\pr{X=i}`$ lorsque $X$ suit un mélange de lois.

Paramètres:

params – liste de paramètre $\lambda$
coef – coef[i] coefficient associé à la loi de paramètre params[i]

Renvoie:

valeur

source on GitHub

mlstatpy.garden.poulet.profit(N, X, p, q, s)#

Calcule le profit.

Paramètres:

N – nombre de poulets vendus
X – nombre de poulets achetés
p – prix d’achat
q – prix de vente
s – prix soldé

Renvoie:

profit

source on GitHub