caso 2 : SIMULACIÓN DEL PRODUCTO INTERNO BRUTO "P.I.B"

 Por: Julia Torrez

Proyecto: Simulación del Producto Interno Bruto (PIB)

Estructura del Proyecto:

1. Definición de Sectores Económicos:

   • Crearemos algunos sectores económicos ficticios, por ejemplo: agricultura, manufactura y servicios.

2. Generación de Datos Ficticios:

   • Generaremos datos ficticios para la producción de cada sector en un período específico.

3. Cálculo del PIB:

   • Calcularemos el PIB sumando las contribuciones de cada sector.

4. Visualización de datos:

• Mostraremos gráficamente la contribución de cada sector al PIB.

• Metodología:

  1. 1.- Definición de Sectores Económicos:

  2. sectores = ['Agricultura', 'Manufactura', 'Servicios']
  3. 
     
  4. 2.- Generación de Datos Ficticios:
  5. import random

     
     

     datos_agricultura = random.randint(1, 100)

     datos_manufactura = random.randint(1, 100)

     datos_servicios = random.randint(1, 100)
  6. 
     
  7. 3.- Cálculo del PIB:
  8. PIB = datos_agricultura + datos_manufactura + datos_servicios
  4.- Visualización de datos:
• import matplotlib.pyplot as plt

  
  

  # Crear un gráfico de barras para visualizar la contribución de cada sector al PIB

  plt.bar(sectores, [datos_agricultura, datos_manufactura, datos_servicios], color=['green', 'blue', 'orange'])

  plt.title('Contribución de Sectores al PIB')

  plt.xlabel('Sectores')

  plt.ylabel('Producción')

  plt.show()
• 
  
• 5.- Adjuntando Resultados
• 
  
  

  Recursos:

  • Python (puedes usar un entorno de desarrollo como Jupyter Notebook o simplemente un editor de texto y la línea de comandos).
  • Biblioteca matplotlibpara visualización de datos (puedes instalarla usando pip install matplotlib).

  Este proyecto es bastante simple y ficticio, pero te da una idea de cómo podrías utilizar el pensamiento computacional para abordar problemas en el campo de la economía. Puedes expandir este proyecto agregando más sectores, considerando factores como el consumo, la inversión, etc. Además, puedes explorar bibliotecas más avanzadas para análisis de datos, como pandas.