1. Learn
    2. /
  2. Courses
    3. /
  3. Simulaciones Montecarlo en Python
  • 1

    Introducción a las Simulaciones Monte Carlo

    Free

    ¿Qué son las simulaciones Monte Carlo y cuándo son útiles? Después de cubrir estas cuestiones fundamentales, aprenderás a realizar simulaciones sencillas, como estimar el valor de pi. También aprenderás sobre el remuestreo, un tipo especial de Simulación de Montecarlo.

  • 2

    Fundamentos de Montecarlo

    Ahora que puedes realizar tus propias simulaciones sencillas, estás preparado para explorar la aplicación en el mundo real de las simulaciones Monte Carlo en diversos sectores. A continuación, te sumergirás en el corazón de lo que hace que una buena simulación funcione: el muestreo a partir de la distribución de probabilidad correcta. Aprenderás las distribuciones de probabilidad para variables aleatorias discretas, continuas y multivariantes.

  • 3

    Simulación Monte Carlo basada en principios

    Una vez que te sientas cómodo con tu elección de la distribución de probabilidad, estarás preparado para seguir un flujo de trabajo de simulación Monte Carlo basado en principios, utilizando un conjunto de datos de características y resultados de pacientes con diabetes. Explorarás los datos, realizarás una simulación y generarás estadísticas resumidas para comunicar los resultados de tu simulación.

  • 4

    Comprobación del modelo e interpretación de los resultados

    Descubre cómo evaluar tus modelos Monte Carlo y comunicar los resultados con visualizaciones fáciles de leer en Seaborn. Por último, utiliza el análisis de sensibilidad para comprender cómo afectarán a tus resultados los cambios en los datos de entrada del modelo, ¡y practica este concepto simulando cómo afectan a los beneficios empresariales los cambios en las ventas y la inflación!

Initializing

Exercise

Visualización de los resultados del remuestreo

Now you'll visualize the results of your simulation from the previous exercise! You'll continue working with nba_weights, which contains the weights of a group of NBA players in kilograms: 

nba_weights = [96.7, 101.1, 97.9, 98.1, 98.1, 
               100.3, 101.0, 98.0, 97.4]

Here is your simulation code from the previous exercise:

simu_weights = []
for i in range(1000):
    bootstrap_sample = random.choices(nba_weights, k=9)
    simu_weights.append(np.mean(bootstrap_sample))
mean_weight = np.mean(simu_weights)
upper = np.quantile(simu_weights, 0.975)
lower = np.quantile(simu_weights, 0.025)
print(mean_weight, lower, upper)

The simu_weights list you generated in the last exercise is loaded for you. Similarly, mean_weight, lower and upper are already defined as the mean and 2.5% and 97.5% quantile values for your confidence interval.

The following packages have already been loaded for you: random, numpy as np, seaborn as sns, and matplotlib.pyplot as plt.

Instructions

100 XP
  • Use sns.displot() to plot the distribution of the simulated weights.
  • Use plt.axvline() to plot two vertical lines for the 95% confidence interval (plot lower followed by upper) in red, and the mean in green.