La ley de los grandes números
En el ejercicio anterior aprendiste que, debido a la naturaleza estocástica de las simulaciones de Montecarlo, cada resultado de simulación puede ser muy diferente. En este ejercicio, aprovecharás la Ley de los Grandes Números para simular la inflación en 2050 basándote en la media de un gran número de simulaciones.
La función monte_carlo_inflation() que escribiste en el ejercicio anterior está disponible para su uso. Como recordatorio, este es el código de la función:
def monte_carlo_inflation(year, seed):
random.seed(seed)
inflation_rate = 8.6
yearly_increase = random.randint(1, 3)
for i in range(year - 2022):
inflation_rate = inflation_rate * ((100 + yearly_increase)/100)
return(inflation_rate)
Los paquetes numpy y random se han importado automáticamente.
Este ejercicio forma parte del curso
Simulaciones Montecarlo en Python
Instrucciones del ejercicio
- Calcula la media de 1000 simulaciones en las que cada vez se elige aleatoriamente una semilla entre 0 y 20 000.
- Calcula la media de 10 000 simulaciones en las que cada vez se elige aleatoriamente una semilla entre 0 y 20 000.
Ejercicio interactivo práctico
Prueba este ejercicio completando el código de muestra.
# Calculate the average of 1,000 simulation results with a seed between 0 and 20000
rates_1 = []
for i in range(____):
seed = random.randint(____, ____)
rates_1.append(monte_carlo_inflation(2050, ____))
print(np.mean(rates_1))
# Calculate the average of 10,000 simulation results with a seed between 0 and 20000
rates_2 = []
for i in range(____):
seed = random.randint(____, ____)
rates_2.append(monte_carlo_inflation(2050, ____))
print(np.mean(rates_2))