बहु-चर रैंडम वैरिएबल्स जनरेट करना

Python में Monte Carlo Simulations

Izzy Weber

Curriculum Manager, DataCamp

मल्टीवेरिएट डिस्ट्रीब्यूशंस से सैंपलिंग

मल्टिनोमियल डिस्ट्रीब्यूशन

हर वैरिएबल बाइनोमियल डिस्ट्रीब्यूशन फॉलो करता है
इन वैरिएबल्स की प्रायिकताएँ मिलकर 1 होती हैं

उदाहरण: बायस्ड कॉइन फ्लिप के नतीजे सिम्युलेट करना

scipy.stats.multinomial.rvs()

मल्टीवेरिएट डिस्ट्रीब्यूशंस से सैंपलिंग

मल्टीवेरिएट नॉर्मल डिस्ट्रीब्यूशन

हर वैरिएबल नॉर्मल डिस्ट्रीब्यूशन फॉलो करता है
वैरिएबल्स आपस में कॉरिलेटेड भी हो सकते हैं या नहीं भी

उदाहरण: प्राइस और डिमांड सिम्युलेट करना

scipy.stats.multivariate_normal.rvs()

मल्टिनोमियल डिस्ट्रीब्यूशंस से सैंपलिंग

सिम्युलेशन: .rvs(n, p, size)

$n$: 50
$p$: [0.2, 0.8]
size: 500

results = st.multinomial.rvs(50,
    [0.2, 0.8], size=500)


df_results=pd.DataFrame(
    {"Head":results[:, 0],
     "Tail":results[:, 1]})
sns.pairplot(df_results)

बायस्ड कॉइन फ्लिप सैंपलिंग का पेयरप्लॉट

मल्टीवेरिएट नॉर्मल डिस्ट्रीब्यूशंस से सैंपलिंग

सिम्युलेशन: .rvs(mean, size)

mean: [2, 6]
size: 500

results=st.multivariate_normal.rvs(
    mean=[2, 6], size=500)


df_results=pd.DataFrame(
    {"Price":results[:, 0],
     "Demand":results[:, 1]})
sns.pairplot(df_results)

प्राइस और डिमांड सैंपलिंग के नतीजों का पेयरप्लॉट

कोवेरिएंस मैट्रिक्स

वैरिएबल्स का वैरिएंस और कोवेरिएंसेज़ कैप्चर करता है
दो रैंडम वैरिएबल्स $x$ और $y$ से परिभाषा:

कोवेरिएंस मैट्रिक्स की संरचना

उदाहरण:

df_historical.cov()

|        | Price     | Demand   |
|--------|-----------|----------|
| Price  | 0.920545  | -0.85578 |
| Demand | -0.855780 | 0.98417  |

परिभाषित कोवेरिएंस के साथ मल्टीवेरिएट नॉर्मल सैंपलिंग

सिम्युलेशन: .rvs(mean, size)

mean: [2, 6]
size: 500
cov: np.array([[1, -0.9], [-0.9, 1]])

cov_mat = np.array([[1,-0.9], [-0.9,1]])
results = st.multivariate_normal.rvs(
    mean=[2,6], size=500, cov=cov_mat)


df_results = pd.DataFrame(
    {"Price":results[:,0],
     "Demand":results[:,1]})
sns.pairplot(df_results)

नतीजों का एक पेयरप्लॉट

अभ्यास करते हैं!

Python में Monte Carlo Simulations