1. Learn
    2. /
  2. Курси
    3. /
  3. Моделювання Монте-Карло в Python
Connected

Вправа

Навіщо нам потрібні симуляції?

У попередньому уроці ви виконали багатовимірний нормальний розподіл, використавши середні значення та коваріаційну матрицю dia. Тепер ви відповісте на запитання, що вас цікавлять, використовуючи змодельовані результати!

Може виникнути запитання: навіщо ми робимо симуляції, якщо маємо історичні дані? Хіба не можна просто використати самі дані, щоб відповісти на потрібні запитання?

Це слушне запитання. Симуляції Монте-Карло ґрунтуються на моделюванні за допомогою імовірнісних розподілів, які дають змогу отримати весь розподіл імовірностей для аналізу (велику кількість вибірок), а не обмежену кількість спостережень, доступних в історичних даних.

Наприклад, можна запитати: який 0,1-й квантиль змінної age для пацієнтів із діабетом у нашій симуляції? Ми не можемо відповісти на це запитання, спираючись лише на історичні дані dia: оскільки в них лише 442 записи, ми не можемо обчислити тисячне за величиною значення. Натомість можна використати результати симуляції Монте-Карло — саме це ви зараз і зробите!

Набір даних про діабет завантажено як датафрейм dia, а також попередньо імпортовано такі бібліотеки: pandas як pd, numpy як np і scipy.stats як st.

Інструкції

100 XP
  • Обчисліть 0,1-й квантиль (нижню тисячну частку) змінної tc у змодельованих результатах.