Curso
Simulaciones Montecarlo en Python
IntermedioNivel de habilidad
Actualizado 4/2026
PythonProbability & Statistics4 h15 vídeos52 Ejercicios4,350 XP8,387Certificado de logros
Crea tu cuenta gratuita
Continuar con GoogleMostrar más opcioneso
Al continuar, aceptas nuestros Términos de uso, nuestra Política de privacidad y que tus datos se almacenen en los EE. UU.
Preferido por estudiantes en miles de empresas
¿Formando un equipo?
Prueba para empresasDescripción 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.Requisitos previos
Sampling in Python1
Introducción a las simulaciones Montecarlo
¿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.
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.
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.
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.
Simulaciones Montecarlo en Python
Curso completo
Obtener certificado de logros
Añade esta certificación a tu perfil de LinkedIn o a tu currículum.Compártelo en redes sociales y en tu evaluación de desempeño.Inscríbete ahora
¡Únete a 19 millones de estudiantes y empieza Simulaciones Montecarlo en Python hoy mismo!
Crea tu cuenta gratuita
Continuar con GoogleMostrar más opcioneso
Al continuar, aceptas nuestros Términos de uso, nuestra Política de privacidad y que tus datos se almacenen en los EE. UU.
Desarrolla tus habilidades de datos con la aplicación móvil de DataCamp
Progresa desde cualquier dispositivo móvil con nuestros cursos y desafíos de programación diarios de 5 minutos.