Monte Carlo simulation का एक विशेष प्रकार: Resampling

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में Monte Carlo Simulations

SkillTag.level.intermediateSkillTag.label

4.8+

पाठ्यक्रम मुफ्त में शुरू करें

Monte Carlo simulations क्या हैं और वे कब उपयोगी होते हैं? इन बुनियादी सवालों को कवर करने के बाद, आप सरल सिमुलेशन चलाना सीखेंगे, जैसे pi का मान अनुमानित करना। आप resampling के बारे में भी जानेंगे, जो Monte Carlo Simulation का एक विशेष प्रकार है।

Exercise 1: Monte Carlo simulation क्या है?Exercise 2: डिटरमिनिस्टिक सिमुलेशन Exercise 3: Monte Carlo simulation की स्टोकेस्टिक प्रकृति Exercise 4: लॉ ऑफ लार्ज नंबर्स Exercise 5: Monte Carlo simulation का एक विशेष प्रकार: Resampling

वर्तमान अभ्यास

Exercise 6: Sampling with replacement Exercise 7: Resampling परिणामों का विज़ुअलाइज़ेशन Exercise 8: Permutation प्रैक्टिस Exercise 9: Monte Carlo simulations का प्रभावी उपयोग Exercise 10: Monte Carlo simulations को समझना Exercise 11: युग्मित पासा सिमुलेशन

अब जब आप अपने सरल सिमुलेशन चला सकते हैं, तो आप विभिन्न उद्योगों में Monte Carlo simulations के वास्तविक उपयोग खोजने के लिए तैयार हैं। फिर आप अच्छे सिमुलेशन के केंद्र में जाएँगे: सही probability distribution से sampling करना। आप discrete, continuous, और multivariate random variables के लिए probability distributions के बारे में सीखेंगे।

Exercise 1: Monte Carlo प्रक्रिया Exercise 2: Monte Carlo simulations के स्टेप्स Exercise 3: गलत निर्धारक गणना Exercise 4: गलत इनपुट डिस्ट्रीब्यूशन्स Exercise 5: डिस्क्रीट रैंडम वैरिएबल जनरेट करना Exercise 6: डिस्क्रीट यूनिफॉर्म डिस्ट्रीब्यूशन से सैंपलिंग Exercise 7: Geometric डिस्ट्रीब्यूशन से सैंपलिंग Exercise 8: Tom और Eva के बीच शर्त Exercise 9: सतत रैंडम वैरिएबल्स जनरेट करना Exercise 10: सामान्य वितरणों के माध्य को बदलना Exercise 11: Normal distributions का standard deviation बदलें Exercise 12: दो स्वतंत्र normal distributions Exercise 13: Multivariate रैंडम वैरिएबल जनरेट करना Exercise 14: मल्टीनोमियल सैंपलिंग Exercise 15: मल्टीवेरिएट नॉर्मल डिस्ट्रीब्यूशन की जाँच Exercise 16: मल्टीवेरिएट नॉर्मल सैंपलिंग

जब आप अपनी चुनी हुई probability distribution के साथ सहज हो जाएँ, तो आप डायबिटीज़ मरीज़ों की विशेषताओं और आउटकम वाले डेटासेट का उपयोग करते हुए एक सिद्धांत-आधारित Monte Carlo simulation workflow अपनाने के लिए तैयार हैं। आप डेटा का अन्वेषण करेंगे, एक सिमुलेशन चलाएँगे, और अपने सिमुलेशन के परिणामों को संप्रेषित करने के लिए summary statistics जनरेट करेंगे।

Exercise 1: डेटा का अन्वेषण करें Exercise 2: tc, ldl, और hdl की जाँच Exercise 3: y, tc, और cdl की जाँच Exercise 4: हमें डेटा को एक्सप्लोर करने की ज़रूरत क्यों है?Exercise 5: Probability distributions चुनना Exercise 6: अन्य संभावित डिस्ट्रीब्यूशन्स आज़माएँ Exercise 7: किसी वितरण का अनुमान लगाने के लिए विज़ुअलाइज़ेशन का उपयोग Exercise 8: सहसम्बद्ध इनपुट्स Exercise 9: सिम्युलेटेड और ऐतिहासिक डेटा की तुलना Exercise 10: Correlation और covariance मैट्रिक्स के बीच संबंध Exercise 11: सारांश सांख्यिकी Exercise 12: हमें सिमुलेशन की ज़रूरत क्यों पड़ती है?Exercise 13: BMI आउटकम का मूल्यांकन Exercise 14: BMI और HDL के नतीजों का मूल्यांकन

जानें कि अपने Monte Carlo मॉडलों का मूल्यांकन कैसे करें और Seaborn में आसान-से-पढ़े जाने वाले विज़ुअलाइज़ेशन के जरिए परिणाम कैसे साझा करें। अंत में, sensitivity analysis का उपयोग करके समझें कि मॉडल इनपुट में बदलाव आपके परिणामों को कैसे प्रभावित करते हैं, और इसका अभ्यास बिक्री और महँगाई में बदलाव से व्यवसाय के मुनाफ़े पर पड़ने वाले असर का सिमुलेशन करके करें!

Exercise 1: डिस्ट्रिब्यूशन विकल्पों का मूल्यांकन Exercise 2: Probability distributions की समझ Exercise 3: ldl वैरिएबल के लिए डिस्ट्रीब्यूशन फिट का मूल्यांकन Exercise 4: सिमुलेशन परिणामों का विज़ुअलाइज़ेशन Exercise 5: HDL और BMI के परिणाम एक्सप्लोर करें Exercise 6: बॉक्स प्लॉट्स के साथ एक्सप्लोर करना Exercise 7: Sensitivity analysis Exercise 8: प्रॉफिट समस्या का सिमुलेशन Exercise 9: कंपनी की सेंसिटिविटी एनालिसिस Exercise 10: hexbin plot का उपयोग करके sensitivity analysis Exercise 11: बधाई हो!