Curso de Estadística Computacional con Python

Clases del Curso de Estadística Computacional con Python

Instruido por:
David Aroesti
David Aroesti
Básico
4 horas de contenido
Ver la ruta de aprendizaje
Curso de Estadística Computacional con Python

Curso de Estadística Computacional con Python

Progreso del curso:0/24contenidos(0%)

Contenido del Curso
Tutoriales de estudiantes
Preguntas de estudiantes

Progreso del curso:0/24contenidos(0%)

Introducción

Material Thumbnail

Objetivos del Curso

01:56 min

Programación Dinámica

Material Thumbnail

Introducción a la Programación Dinámica

05:54 min

Material Thumbnail

Optimización de Fibonacci

13:02 min

Caminos Aleatorios

Material Thumbnail

¿Qué son los caminos aleatorios?

07:26 min

Material Thumbnail

Entendiendo la aleatoriedad con Python

17:29 min

Material Thumbnail

Camino de Borrachos

14:36 min

Material Thumbnail

Desarrollando la simulación

14:18 min

Material Thumbnail

Visualización de Caminos Aleatorios

11:48 min

Programas Estocásticos

Material Thumbnail

Introducción a la Programación Estocástica

05:25 min

Material Thumbnail

Cálculo de Probabilidades

12:33 min

Material Thumbnail

Simulación de Probabilidades

14:23 min

Material Thumbnail

Inferencia Estadística

09:43 min

Material Thumbnail

Varianza y Desviación Estándar

11:35 min

Material Thumbnail

Distribución Normal

08:19 min

Simulaciones de Montecarlo

Material Thumbnail

¿Qué son las Simulaciones de Montecarlo?

05:44 min

Material Thumbnail

Simulación de Barajas

17:29 min

Material Thumbnail

Implementación del Cálculo de PI

15:56 min

Muestreo e Intervalos de Confianza

Material Thumbnail

Teorema del Límite Central

07:34 min

Datos Experimentales

Material Thumbnail

¿Cómo trabajar con datos experimentales?

04:46 min

Material Thumbnail

Regresión Lineal

08:58 min

Conclusiones

nuevosmás votadossin responder
Carlos Guzman
Carlos Guzman
Estudiante

Hola, entiendo lo de la desviación estándar, pero no logro comprender por que entre mas sigmas, el algoritmo es mas preciso, dado que según entiendo sigma es precisamente el grado de variabilidad de los datos, así que si mi media es 10 y mi sigma es 5, 2 sigmas serian 10, 3 sigmas 15 etc, así que no logro ver por que en el algoritmo 2 sigmas equivalen a 1.96 y 3 sigmas serian 3 como lo dice el profe, que es lo que no estoy viendo? gracias.

2
umi 海
umi 海
Estudiante

No debería ser Memorization? creo que faltó un r

3
Ricardo Torres
Ricardo Torres
Estudiante

alguien podría explicarme como funciona o que fue lo que se hizo con exactitud en este código, por favor
no me queda todo muy claro 😦

2
David Geronimo Quiroga Torres
David Geronimo Quiroga Torres
Estudiante

Hola!
Disculpen mi ignorancia en este tema y es que quisiera saber, ¿cómo hacen para mostrar todos los puntos?
Porque en la clase solo se ve el promedio y pues la distancia media

Muchas gracias!

1
Ricardo Torres
Ricardo Torres
Estudiante

No se si estoy en lo correcto, me confirman si sí.
Aquí se pone “memo” para que el valor de “n -1” sea buscado en el diccionario?
Captura de pantalla (23).png

1
Mauricio Cruz
Mauricio Cruz
Estudiante

Qué es un par en este contexto?

1
Mauricio Barrera
Mauricio Barrera
Estudiante

😦 Hola, tengo un error al momento de ejecutar por primera vez el código que no he podido solucionar:

TypeError: 'Coordenada'objectis not subscriptable

No sé en qué lugar está presente el error, he revisado unas cuantas veces el código y me parece que tengo lo mismo que el profesor, de todas formas, lo adjunto:
Borracho:

import random
classBorracho:

    def __init__(self, nombre):
        self.nombre = nombre
    
classBorrachoTradicional(Borracho):

    def __init__(self, nombre):
        super().__init__(nombre)
    
    def camina(self):
        return random.choice([(0, 1), (0, -1), (1, 0), (-1, 0)])

Coordenada:

classCoordenada:def__init__(self, x, y):
        self.x = x
        self.y = y

    defmover(self, delta_x, delta_y): # cuánto hacia la x, cuánto hacia la y# regresamos las nuevas coordenadas: donde estamos + el cambio de posicionreturn Coordenada(self.x + delta_x, self.y + delta_y)
    
    # determinamos el desplazamiento que obtuvimosdefdistancia(self, otra_coordenada):
        delta_x = self.x - otra_coordenada.x # Donde iniciamos menos a donde llegamos
        delta_y = self.y - otra_coordenada.y

        return (delta_x**2 + delta_y**2)**0.5

Campo:

classCampo:def__init__(self):
        self.coordenadas_de_borrachos = {}
    
    defanadir_borracho(self, borracho, coordenada):
        self.coordenadas_de_borrachos[borracho] = coordenada

    defmover_borracho(self, borracho):
        # cuando camina el borracho, regresa una tupla que nos dice cuál va a ser el delta_x y delta_y
        delta_x, delta_y = borracho.camina() # esto es aleatorio
        coordenada_actual = self.coordenadas_de_borrachos[borracho]
        nueva_coordenada = coordenada_actual.mover(delta_x, delta_y)

        self.coordenadas_de_borrachos = nueva_coordenada

    defobtener_coordenada(self, borracho):
        returnself.coordenadas_de_borrachos[borracho]

Camino aleatorio:

from borracho import BorrachoTradicional
from campo import Campo
from coordenada import Coordenada

defcaminata(campo, borracho, pasos):
    inicio = campo.obtener_coordenada(borracho)

    for _ inrange(pasos):
        campo.mover_borracho(borracho)

    return inicio.distancia(campo.obtener_coordenada(borracho))


defsimular_caminata(pasos, numero_de_intentos, tipo_de_borracho):
    borracho = tipo_de_borracho(nombre='David')
    origen = Coordenada(0, 0)
    distancias = []

    for _ inrange (numero_de_intentos):
        campo = Campo()
        campo.anadir_borracho(borracho, origen)
        simulacion_caminata = caminata(campo, borracho, pasos)
        distancias.append (round(simulacion_caminata, 1))
        
    return distancias


defmain(distancias_de_caminata, numero_de_intentos, tipo_de_borracho):for pasos in distancias_de_caminata:
        distancias = simular_caminata(pasos, numero_de_intentos, tipo_de_borracho)
        distancia_media = round(sum(distancias) / len(distancias), 4)
        
        distancia_maxima = max(distancias)
        distancia_minima = min(distancias)
        print(f'{tipo_de_borracho.__name__} caminata aleatoria de {pasos} pasos')
        print(f'Media = {distancia_media}')
        print(f'Maxima = {distancia_maxima}')
        print(f'Minimo = {distancia_minima}')
        

if __name__ == '__main__':

    distancias_de_caminata = [10, 100, 1000, 10000]
    numero_de_intentos = 100
    main (distancias_de_caminata, numero_de_intentos, BorrachoTradicional)

Agradecería mucho si me pueden ayudar.

1
Michael Emir Reynosa Beltrán
Michael Emir Reynosa Beltrán
Estudiante

Alguien sabe porque la desviación estandar calculada con la libreria de estadistica da un valor diferente a la desviación calcula con numpy?

Resultados:

[3.144125, 3.12225, 3.143625, 3.15275, 3.144875]
statistic stdev=0.011400863454142355
numpy     stdev=0.010197242274262145
==================================================[3.12225, 3.142125, 3.1474375, 3.1431875, 3.151125]
statistic stdev=0.01119505680534932
numpy     stdev=0.010013163211493085
==================================================[3.13965625, 3.142125, 3.1451875, 3.14409375, 3.1445]
statistic stdev=0.0022424569742249857
numpy     stdev=0.002005714492394225
==================================================

Codigo:

defgenerate_estimates(quantify_needles, quantity_intents):
    estimates = []

    for _ inrange(quantity_intents):
        result_estimate = throw_needles(quantify_needles)
        estimates.append(result_estimate)

    avg = np.average(estimates)
    std = np.std(estimates)

    print(estimates)
    print(f'statistic stdev={stats.stdev(estimates)}')
    print(f'numpy     stdev={np.std(estimates)}')
    print('=' * 50)

    return std
1
Charlie_coder
Charlie_coder
Estudiante

Hola

Por favor ayúdenme.

No me aparece la gráfica y estoy siguiendo las mismas instrucciones del profesor. Si alguien sabe cómo resolverlo, muchas gracias de antemano.

error.PNG
1
Charlie_coder
Charlie_coder
Estudiante

¿Qué piensan: las emociones son algo aleatorio, o no?

0