Avaliando escolhas de distribuição

Simulações de Monte Carlo em Python

Izzy Weber

Curriculum Manager, DataCamp

Escolhendo distribuições de probabilidade para variáveis

Desenvolver uma intuição sobre os dados e distribuições de probabilidade disponíveis
Usar Máxima Verossimilhança (MLE) para comparar distribuições candidatas
Usar o teste de Kolmogorov–Smirnov para avaliar o ajuste das distribuições
- Quantifica a distância entre a distribuição empírica dos dados e a distribuição teórica candidata
- Use scipy.stats.kstest() para calcular

Avaliando a escolha da distribuição: idade

results = []

list_of_dists = ["laplace", "norm", "expon"]

for i in list_of_dists:
    dist = getattr(st, i)

    param = dist.fit(dia["age"])

    result = st.kstest(dia["age"], i, args=param)

    print(result)

Resultados para as distribuições Laplace, normal e exponencial, nessa ordem:

KstestResult(statistic=0.09511179937112832, pvalue=0.0006239579389182981)
KstestResult(statistic=0.0615913626181368, pvalue=0.06703225234359811)
KstestResult(statistic=0.2536037941921312, pvalue=1.5202547969084796e-25)

Avaliando a escolha da distribuição: idade

Resultados para as distribuições Laplace, normal e exponencial, nessa ordem:

KstestResult(statistic=0.09511179937112832, pvalue=0.0006239579389182981)
KstestResult(statistic=0.0615913626181368, pvalue=0.06703225234359811)
KstestResult(statistic=0.2536037941921312, pvalue=1.5202547969084796e-25)

Avaliando a escolha da distribuição: soro sanguíneo tc

results = []
list_of_dists = ["laplace", "norm", "expon"]

for i in list_of_dists:
    dist = getattr(st, i)
    param = dist.fit(dia["tc"])
    result = st.kstest(dia["tc"], i, args=param)
    print(result)

Resultados para as distribuições Laplace, normal e exponencial, nessa ordem:

KstestResult(statistic=0.06435779928393615, pvalue=0.04915329841106708)
KstestResult(statistic=0.051165295747227724, pvalue=0.19085587687385897)
KstestResult(statistic=0.3318461436889846, pvalue=7.018486943525e-44)

Vamos praticar!

Simulações de Monte Carlo em Python