De wet van de grote aantallen
Je hebt in de vorige oefening geleerd dat door het stochastische karakter van Monte Carlo-simulaties elk resultaat sterk kan verschillen. In deze oefening maak je gebruik van de wet van de grote aantallen om de inflatie in 2050 te simuleren op basis van het gemiddelde van een groot aantal simulaties.
De functie monte_carlo_inflation() die je in de vorige oefening hebt geschreven, is beschikbaar. Ter herinnering, dit is de code van de functie:
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)
De pakketten numpy en random zijn voor je geïmporteerd.
Deze oefening maakt deel uit van de cursus
Monte Carlo-simulaties in Python
Oefeninstructies
- Bereken het gemiddelde van 1.000 simulaties waarbij elke keer een seed tussen 0 en 20.000 willekeurig wordt gekozen.
- Bereken het gemiddelde van 10.000 simulaties waarbij elke keer een seed tussen 0 en 20.000 willekeurig wordt gekozen.
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# 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))