Comparación de datos simulados e históricos
Una buena simulación debe tener resultados similares a los datos históricos. ¿Fue así en la simulación del vídeo? En este ejercicio, explorarás una forma de examinar los resultados de la simulación y ¡descúbrelo!
En primer lugar, realizarás una simulación utilizando la distribución normal multivariante y la media y la matriz de covarianza de dia. A continuación, comprobarás las medias de los datos históricos y simulados. ¿Son similares?
El conjunto de datos de la diabetes se ha cargado como un DataFrame, dia, y se han importado para ti las siguientes bibliotecas: pandas como pd, numpy como np, y scipy.stats como st.
Este ejercicio forma parte del curso
Simulaciones Montecarlo en Python
Instrucciones de ejercicio
- Realiza la simulación 10.000 veces utilizando la distribución normal multivariante y la media y la matriz de covarianza de
dia. - Utiliza la función
.mean()de pandas para calcular los valores medios de las columnasbmiytcdel conjunto de datos históricosdiay los resultados simuladosbmiytcdedf_resultspara evaluar si son similares. - Del mismo modo, utiliza
.cov()de pandas para calcular la matriz de covarianza de las columnasbmiytcdediay los resultados simuladosbmiytcdedf_resultspara evaluar si son similares.
Ejercicio interactivo práctico
Pruebe este ejercicio completando este código de muestra.
cov_dia = dia[["age", "bmi", "bp", "tc", "ldl", "hdl", "tch", "ltg", "glu"]].cov()
mean_dia = dia[["age", "bmi", "bp", "tc", "ldl", "hdl", "tch", "ltg", "glu"]].mean()
# Complete the code to perform the simulation
simulation_results = st.multivariate_normal.rvs(____)
df_results = pd.DataFrame(simulation_results,columns=["age", "bmi", "bp", "tc", "ldl", "hdl", "tch", "ltg", "glu"])
# Calculate bmi and tc means for the historical and simulated results
print(dia[["bmi","tc"]].____)
print(____)
# Calculate bmi and tc covariances for the historical and simulated results
print(____)
print(____)