1. Aprende
    2. /
  2. Cursos
    3. /
  3. Simulaciones Montecarlo en Python
  • 1

    Introducción a las simulaciones Montecarlo

    Gratuito

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

  • 2

    Fundamentos de Montecarlo

    Ahora que puedes ejecutar tus propias simulaciones sencillas, estarás preparado para explorar la aplicación en el mundo real de las simulaciones Montecarlo 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 sobre distribuciones de probabilidad para variables aleatorias discretas, continuas y multivariante.

  • 3

    Simulación Montecarlo basada en principios

    Una vez que te sientas cómodo con tu elección de distribución de probabilidad, estarás preparado para seguir un flujo de trabajo de simulación Montecarlo basada 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 Montecarlo 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 las entradas del modelo y practica este concepto simulando cómo afectan a los beneficios empresariales los cambios en las ventas y la inflación.

Initializing

Ejercicio

Visualización de los resultados del remuestreo

¡Ahora visualizarás los resultados de tu simulación del ejercicio anterior! Seguirás trabajando con nba_weights, que contiene los pesos de un grupo de jugadores de NBA en kilogramos: 

nba_weights = [96.7, 101.1, 97.9, 98.1, 98.1, 

               100.3, 101.0, 98.0, 97.4]

Aquí tienes tu código de simulación del ejercicio anterior:

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)

La lista simu_weights que generaste en el último ejercicio se carga para ti. Del mismo modo, mean_weight, lower y upper ya están definidos como la media y los valores de los cuantiles 2,5 % y 97,5 % para tu intervalo de confianza.

Ya se han cargado los siguientes paquetes para ti: random, numpy como np, seaborn como sns, y matplotlib.pyplot como plt.

Instrucciones

100 XP
  • Utiliza sns.displot() para trazar la distribución de los pesos simulados.
  • Utiliza plt.axvline() para trazar dos líneas verticales para el intervalo de confianza del 95 % (traza lower seguido de upper) en rojo, y la media en verde.