Distributiekeuzes evalueren

Monte Carlo-simulaties in Python

Izzy Weber

Curriculum Manager, DataCamp

Kansverdelingen voor variabelen kiezen

Krijg een intuïtief begrip van data en beschikbare kansverdelingen
Gebruik Maximum Likelihood (MLE) om kandidaatverdelingen te vergelijken
Gebruik de Kolmogorov–Smirnov-toets om de goodness of fit te beoordelen
- Kwantificeert de afstand tussen de empirische data-verdeling en de theoretische kandidaatverdeling
- Gebruik scipy.stats.kstest() voor de berekening

Keuze van verdeling evalueren: leeftijd

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)

Resultaten voor Laplace-, normale en exponentiële verdeling, in die volgorde:

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

Keuze van verdeling evalueren: leeftijd

Resultaten voor Laplace-, normale en exponentiële verdeling, in die volgorde:

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

Keuze van verdeling evalueren: tc-bloedserum

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)

Resultaten voor Laplace-, normale en exponentiële verdeling, in die volgorde:

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

Laten we oefenen!

Monte Carlo-simulaties in Python