Statistiche riassuntive

Simulazioni Monte Carlo in Python

Izzy Weber

Curriculum Manager, DataCamp

Outcome per età

Qual è la differenza negli outcome tra il primo e il quarto quantile di età? istogramma della variabile Age nei risultati simulati

Outcome per età

print(np.quantile(df_summary["age"], 0.25))
print(np.quantile(df_summary["age"], 0.75))

39.78584463094688
57.52092642086441

Outcome per età

age_q25 = np.quantile(df_summary["age"], 0.25)
age_q75 = np.quantile(df_summary["age"], 0.75)


mean_age_q75_outcome = np.mean(df_summary[df_summary["age"] > age_q75]["predicted_y"]) 
mean_age_q25_outcome = np.mean(df_summary[df_summary["age"] < age_q25]["predicted_y"])


mean_age_q75_outcome - mean_age_q25_outcome

34.09429663553621

Differenze di outcome per età e BMI

Qual è la differenza negli outcome tra il primo e il quarto quantile di BMI e di età?
Quali sono l’intervallo di confidenza al 95% e la deviazione standard di questa differenza?

Differenze di outcome per età e BMI

y_diffs = []
for i in range(1000):
    simulation_results = st.multivariate_normal.rvs(mean=mean_dia, size=1000, cov=cov_dia)
    df_results = pd.DataFrame(simulation_results, columns=["age", "bmi", "bp", "tc", "ldl", 
                                                           "hdl", "tch", "ltg", "glu"])

    predicted_y = regr_model.predict(df_results)
    df_y = pd.DataFrame(predicted_y, columns=["predicted_y"])
    df_sum = pd.concat([df_results, df_y], axis=1)

    age_q25 = np.quantile(df_sum["age"], 0.25)
    age_q75 = np.quantile(df_sum["age"], 0.75)
    bmi_q25 = np.quantile(df_sum["bmi"], 0.25)
    bmi_q75 = np.quantile(df_sum["bmi"], 0.75)

    q75_outcome = np.mean(df_sum[(df_sum["bmi"] > bmi_q75) & (df_sum["age"] > age_q75)]["predicted_y"]) 
    q25_outcome = np.mean(df_sum[(df_sum["bmi"] < bmi_q25) & (df_sum["age"] < age_q25)]["predicted_y"])

    y_diff = q75_outcome - q25_outcome 
    y_diffs.append(y_diff)

Differenze di outcome per età e BMI

Media:
```
np.mean(y_diffs)
```

132.4948511247819

Intervallo di confidenza 95%:
```
np.quantile(y_diffs,0.025)
```

120.73340800299707

np.quantile(y_diffs,0.975)

144.1344994507557

Deviazione standard:
```
np.std(y_diffs)
```

5.9322225537128

Istogramma dei risultati:
```
sns.histplot(y_diffs)
```

Passiamo alla pratica!

Simulazioni Monte Carlo in Python