Simulaciones Montecarlo en Python
Aprende a diseñar y ejecutar tus propias simulaciones Montecarlo utilizando Python.
Comienza El Curso Gratis4 horas15 vídeos52 ejercicios5852 aprendicesDeclaración de cumplimiento
Crea Tu Cuenta Gratuita
o
Al continuar, acepta nuestros Términos de uso, nuestra Política de privacidad y que sus datos se almacenan en los EE. UU.¿Entrenar a 2 o más personas?
Probar DataCamp for BusinessPreferido por estudiantes en miles de empresas
Descripción del curso
Simular resultados con SciPy y NumPy
Este curso práctico presenta las simulaciones Monte Carlo y sus casos de uso. Las simulaciones Monte Carlo se utilizan para estimar una serie de resultados para sucesos inciertos, y las bibliotecas de Python como SciPy y NumPy hacen que crear tus propias simulaciones sea rápido y fácil.Aplica nuevas habilidades en una simulación basada en principios
A medida que aprendas cada paso de la creación de una simulación, aplicarás estas habilidades realizando una simulación Monte Carlo basada en principios sobre un conjunto de datos de resultados de pacientes con diabetes y utilizarás los resultados de tu simulación para comprender cómo influyen las distintas variables en la progresión de la diabetes.Aprende a evaluar y mejorar tus simulaciones
Revisarás las distribuciones de probabilidad y comprenderás cómo elegir la distribución adecuada para utilizarla en tu simulación, y descubrirás la importancia de la correlación de entrada y el análisis de sensibilidad del modelo. Por último, aprenderás a comunicar los resultados de tu simulación utilizando la popular biblioteca de visualización Seaborn.¿Entrenar a 2 o más personas?
Obtén a tu equipo acceso a la plataforma DataCamp completa, incluidas todas las funciones.- 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.
¿Qué es una simulación Montecarlo?50 xpSimulación determinista100 xpNaturaleza estocástica de la simulación Montecarlo100 xpLa ley de los grandes números100 xpEl remuestreo como tipo especial de simulación Montecarlo50 xpMuestreo con sustitución100 xpVisualización de los resultados del remuestreo100 xpPráctica de permutación100 xpAprovechamiento de las simulaciones Montecarlo50 xpQué son las simulaciones Montecarlo100 xpSimulación de dados emparejados100 xp - 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.
El proceso Montecarlo50 xpPasos de las simulaciones Montecarlo50 xpCálculo determinista erróneo100 xpDistribuciones de entrada erróneas100 xpGeneración de variables aleatorias discretas50 xpMuestreo a partir de una distribución uniforme discreta100 xpMuestreo de una distribución geométrica100 xpApuestas entre Tom y Eva100 xpGeneración de variables aleatorias continuas50 xpCambio de la media de las distribuciones normales100 xpCambio de la desviación típica de las distribuciones normales100 xpDos distribuciones normales independientes100 xpGeneración de variables aleatorias multivariante50 xpMuestreo multinomial100 xpExploración de una distribución normal multivariante100 xpMuestreo normal multivariante100 xp - 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.
Explorar los datos50 xpExamen de tc, ldl y hdl100 xpExamen de y, tc, y cdl100 xp¿Por qué hay que explorar los datos?50 xpSelección de distribuciones de probabilidad50 xpPrueba otras distribuciones posibles100 xpUso de la visualización para adivinar una distribución100 xpEntradas con correlaciones50 xpComparación de datos simulados e históricos100 xpLa relación entre las matrices de correlación y covarianza100 xpSíntesis estadística50 xp¿Por qué se necesitan simulaciones?100 xpEvaluar los resultados BMI100 xpEvaluar los resultados de BMI y HDL100 xp - 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.
Evaluación de las opciones de distribución50 xpIntuición de las distribuciones de probabilidad100 xpEvaluación del ajuste de la distribución para la variable ldl100 xpVisualización de los resultados de la simulación50 xpExplora HDL y BMI resultados100 xpExploración con diagramas de caja100 xpAnálisis de sensibilidad50 xpSimulación de un problema de beneficios100 xpAnálisis de sensibilidad de la empresa100 xpAnálisis de sensibilidad mediante el gráfico hexbin100 xp¡Enhorabuena!50 xp
¿Entrenar a 2 o más personas?
Obtén a tu equipo acceso a la plataforma DataCamp completa, incluidas todas las funciones.conjuntos de datos
Diabetes Factors and Outcomescolaboradores
requisitos previos
Sampling in Python
¿Qué tienen que decir otros alumnos?
¡Únete a 15 millones de estudiantes y empieza Simulaciones Montecarlo en Python hoy mismo!
Crea Tu Cuenta Gratuita
o
Al continuar, acepta nuestros Términos de uso, nuestra Política de privacidad y que sus datos se almacenan en los EE. UU.