J'ai une liste (appelons-la $ \ {L_N \} $ ) de N nombres aléatoires $ R \ dans (0,1) $ (choisi dans une distribution uniforme). Ensuite, je lance un autre nombre aléatoire de la même distribution (appelons ce nombre "b"). Maintenant, je trouve l'élément dans la liste $ \ {L_N \} $ qui est le plus proche du nombre "b" et trouve cette distance.
Si je répète ce processus, je peux tracer la distribution des distances obtenues grâce à ce processus.
Quand $ N \ to \ infty $ , qu'est-ce que cette distribution approche?
Quand je simule cela dans Mathematica, il semble que cela approche une fonction exponentielle. Et si la liste était longue d'un élément, alors je pense que cela suivrait exactement une distribution exponentielle.
En regardant le wikipedia pour les distributions exponentielles, je peux voir qu'il y a une discussion sur le sujet:
Mais j'ai du mal à interpréter ce qu'ils disent ici. Qu'est-ce que "k" ici? Mon cas est-il ce qu'ils décrivent ici dans la limite où $ n \ to \ infty $ ?
EDIT: Après une réponse intuitive très utile de Bayequentist, je comprends maintenant que le comportement comme $ N \ to \ infty $ devrait approcher une fonction dirac delta. Mais j'aimerais quand même comprendre pourquoi mes données (qui sont comme le minimum d'un tas de distributions exponentielles), semblent également être exponentielles. Et y a-t-il un moyen de comprendre ce qu'est exactement cette distribution (pour un N grand mais fini)?
Voici une image de ce à quoi ressemble une telle distribution pour N grand mais fini:
EDIT2: Voici du code python pour simuler ces distributions:
% matplotlib en ligne
importer des mathématiques
importer numpy comme np
importer matplotlib comme mpl
importer matplotlib.pyplot comme plt
numpoints = 10000
NBINS = 1 000
randarray1 = np.random.random_sample ((numpoints,))
randarray2 = np.random.random_sample ((numpoints,))
dtbin = []
pour i dans la plage (len (t1)):
dt = 10 000 000
pour j dans la plage (len (t2)):
delta = t1 [i] -t2 [j]
si abs (delta) < abs (dt):
dt = delta
dtbin.append (dt)
plt.figure ()
plt.hist (dtbin, bins = NBINS)
plt.show ()