Visualización de Caminatas Aleatorias con Python y Bokeh

Curso de Estadística Computacional con Python

Contenido del curso

Introducción

1
Programación Dinámica y Estocástica: Optimización y Modelado de Datos
01:56 min

Programación Dinámica

Caminos Aleatorios

Programas Estocásticos

Simulaciones de Montecarlo

Muestreo e Intervalos de Confianza

Datos Experimentales

Conclusiones

24
Optimización de Programas con Programación Dinámica y Simulaciones
02:54 min

Tomar examen

Cursos Empresas Blog Live Conf Eventos Precios

0:0011:48

Visualización de Caminatas Aleatorias con Python y Bokeh

Curso de Estadística Computacional con Python

Clase 8 de 24

Clase 8 / 24

Recursos

¿Cómo ejecutar el código y corregir errores comunes?

Es frecuente encontrarse con errores al ejecutar código, pero cada uno es una oportunidad para aprender. Para ejecutar un script de Python, abre una terminal, navega a la carpeta del proyecto y usa el comando python script.py. Si aparece un error, no te preocupes. En este caso, los errores encontrados fueron:

Nombre no definido: En el código se intentó utilizar la función rango, cuando debería ser range(). Corrige el nombre y vuelve a intentarlo.
Número incorrecto de argumentos: Al definir métodos dentro de una clase en Python, siempre se debe incluir self como primer parámetro. Corrige esto para evitar errores de argumentos.

Estos pasos básicos te ayudarán a ejecutar tu código correctamente y aprender qué mejorar cuando se presenten fallos.

¿Cómo interpretar los resultados de la simulación de caminos aleatorios?

Al ejecutar la simulación de caminos aleatorios, obtienes resultados como la media, distancia máxima y mínima de pasos. En este ejemplo:

10 pasos: Media de distancia fue 3, máxima 7, mínima 0. El borracho regresó al origen.
100 pasos: Alejamiento gradual, pero regresos frecuentes al origen.
1000 pasos: Mayor alejamiento del origen.
10,000 pasos: Incremento en la distancia máxima y mínima.

Estos resultados muestran cómo, aun con eventos aleatorios incorporados, la simulación se comporta de manera consistente con lo esperado estadísticamente. Cada ejecución te dará resultados ligeramente diferentes debido a su naturaleza estocástica.

¿Cómo graficar los datos con la librería Bokeh?

Visualizar los datos puede brindarte una mejor comprensión de los resultados. Para esto, usamos la librería Bokeh, recomendada por su facilidad de uso:

Configura un entorno virtual para no instalar la librería de manera global:

python -m venv venv
source venv/bin/activate # Linux/MacOS
.\venv\Scripts\activate  # Windows

Instala Bokeh:
```
pip install bokeh
```

Importa y utiliza Bokeh en el código:

from bokeh.plotting import figure, show

def graficar(x, y):
    plot = figure(title="Camino aleatorio", x_axis_label='Pasos', y_axis_label='Distancia')
    plot.line(x, y, legend_label="Distancia Media")
    show(plot)

Ejecuta tu código para ver la gráfica después de haber añadido los pasos para los ejes.

¿Qué reto puedes intentar para continuar el aprendizaje?

Como ejercicio práctico, te animamos a modificar la clase del borracho o crear una nueva implementación. Varía el comportamiento, como el incremento en los pasos hacia cualquier dirección, y observa cómo afectas la simulación.

Cambia los pasos a más frecuentes en una dirección.
Prueba múltiples direcciones con diferentes probabilidades.
Compara el comportamiento de diferentes "borrachos" entre sí.

Así, entenderás cómo los ajustes en tu código pueden alterar los resultados, y compartir tus ajustes con la comunidad enriquecerá tu comprensión. Si tienes dudas o comentarios, usa los foros para obtener ayuda. ¡Continúa explorando y aprendiendo!

Juan David Vergara Torres

Hace 6 años

Esta caminata fue de 5000 pasos. Inicio punto negro, final punto rojo; abajo está el ajuste del código para este tipo de gráfica. Me tome 6 horas entre entender el código y hacer la modificación, pero valió la pena el proceso.

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

from bokeh.plotting import figure, show

def caminata(campo, pasos, tipo_de_borracho):

    borracho = tipo_de_borracho(nombre='David')
    origen = Coordenada(0, 0)
    campo.anadir_borracho(borracho, origen)

    coordenadas_x=[]
    coordenadas_y=[]

    coordenadas_x.append(origen.x)
    coordenadas_y.append(origen.y)

    for _ in range(pasos):
        campo.mover_borracho(borracho)
        coordenadas_x.append(campo.obtener_coordenada(borracho).x)
        coordenadas_y.append(campo.obtener_coordenada(borracho).y)

    return (coordenadas_x, coordenadas_y)

def graficar(x, y,pasos):
    grafica = figure(title='Random Walks',x_axis_label='x axis', y_axis_label='y axis')
    grafica.line(x, y, legend_label='walk', color='yellowgreen',name='juan') #recorrido

    # gráfica la línea inicial de movimiento porque no se puede graficar un punto
    grafica.line(x[0:2],y[0:2],color='black',line_width=10)
    grafica.line(x[-3:-1],y[-3:-1],color='red',line_width=10) #punto final y final-1
    grafica.line(x[0:-1:pasos-1],y[0:-1:pasos-1]) #linea de punto inicial a punto final
    show(grafica)

def main(pasos, tipo_de_borracho):
    campo=Campo()
    coordenadas_x, coordenadas_y = caminata(campo, pasos, tipo_de_borracho)
    graficar(coordenadas_x, coordenadas_y,pasos)

if __name__ == '__main__':

    pasos = 5000
    main(pasos, BorrachoTradicional)

María José Medina

Hace 6 años

Hola! que buen aporte. Estuve haciendo algo parecido a lo que hiciste y te tengo una pequeña sugerencia, en la función graficar en vez de hacer que acepte el parámetro pasos para graficar el último elemento de la lista, puedes sustituir pasos-1 por simplemente -1 debido a una propiedad del slicing .

De esa manera se veria mucho mejor el código:

[0:-1:pasos-1] --> [0:-1:-1]

Referencias: Stack OverFlow

Juan David Vergara Torres

Hace 6 años

Hola, las dos expresiones no son equivalentes, porque para pintar la linea tengo que pasar la coordenada inicial y la coordenada final, sólo son dos puntos y la expresión que mencionas no hace eso, la he probado y arroja una lista vacia.

Ahora he cambiado por esta que es mejor para mi:

grafica.line(x[0:pasos:pasos-1],y[0:pasos:pasos-1])

Cuentame si lo pudiste hacer cómo lo mencionas y a lo mejor lo estoy aplicando mal.

Comentarios (259)259 comentarios

Facundo Nicolás García Martoni

Profesor

Hace 7 años

Arnulfo Rojas Jimenez

johan Stever Rodriguez Molina

Angel Armando Martínez Blanco

Iván Ricardo Bohórquez Basto

Jesús Joel Sarabia Félix

Jaime Eduardo González Meléndez

Enrique Villamizar

William Chamorro

Juan Manuel Roa Mejia

Carlos Daniel Pimentel Díaz

Manuel Angel Garcia Manzano

Daniel Andrés Giraldo Benites

Angelica Landazabal

Rafael Arzate

Ricardo Moreno

Yeison Tapasco

Luis Fernando Pedroza Taborda

Ashly Loren Aguilar Gutiérrez

Edgar Ramón González Contreras

CRISTIAN BARBERO PÉREZ

Jose Colmenares

Pedro Alejandro Rodríguez García

Esteban Pablo Hernández Ramírez

Guillermo Sánchez Martinez

Daniel Alejandro Moreno Astorga

Pedro Alvarado Garcia

Hace 5 años

Kevin Eduardo Villanueva Menichetti

Rafa Romero

Kevin Morales

Angel Solis

Natalia Gonzalez Palacios

Miguel Torres

Introducción

Programación Dinámica y Estocástica: Optimización y Modelado de Datos

Programación Dinámica

Programación Dinámica: Optimización de Problemas con Memorización

Optimización de Algoritmos con Programación Dinámica en Python

Caminos Aleatorios

Simulaciones con Caminos Aleatorios en Programación

Camino Aleatorio en Programación Orientada a Objetos

Algoritmo de Caminata Aleatoria en Python: Clase Borracho

Simulación de Caminata Aleatoria con Python

Visualización de Caminatas Aleatorias con Python y Bokeh

Programas Estocásticos

Programación Estocástica: Aplicaciones y Ejemplos Prácticos

Cálculo de Probabilidades y Simulación de Montecarlo

Simulaciones de Probabilidades con Dados en Python

Inferencia Estadística: Conceptos y Aplicaciones Prácticas

Cálculo de la Media Aritmética en Python paso a paso

Media, Varianza y Desviación Estándar en Estadística

Distribución Normal: Propiedades y Aplicaciones Estadísticas

Simulaciones de Montecarlo

Simulaciones de Montecarlo: Historia y Aplicaciones Prácticas

Simulación de Montecarlo para Probabilidades en Juegos de Cartas

Simulaciones de Montecarlo para Aproximar Pi

Estimación de Pi mediante Monte Carlo y Simulación Estadística

Muestreo e Intervalos de Confianza

Muestreo Estadístico: Aleatorio y Estratificado

Teorema del Límite Central: Transformación de Distribuciones

Datos Experimentales

Validación de teorías científicas con datos experimentales

Regresión Lineal con NumPy y Matplotlib en Google Colab

Conclusiones

Optimización de Programas con Programación Dinámica y Simulaciones

Visualización de Caminatas Aleatorias con Python y Bokeh