Mengevaluasi pilihan distribusi

Simulasi Monte Carlo di Python

Izzy Weber

Curriculum Manager, DataCamp

Memilih distribusi peluang variabel

Bangun pemahaman intuitif tentang data dan distribusi peluang yang tersedia
Gunakan Maximum Likelihood Estimation (MLE) untuk membandingkan kandidat distribusi
Gunakan uji Kolmogorov–Smirnov untuk menilai goodness of fit distribusi peluang
- Mengukur jarak antara distribusi empiris data dan distribusi peluang kandidat teoretis
- Gunakan scipy.stats.kstest() untuk menghitungnya

Mengevaluasi pilihan distribusi: age

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)

Hasil untuk distribusi Laplace, normal, dan eksponensial (berurutan):

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

Mengevaluasi pilihan distribusi: age

Hasil untuk distribusi Laplace, normal, dan eksponensial (berurutan):

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

Mengevaluasi pilihan distribusi: tc serum darah

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)

Hasil untuk distribusi Laplace, normal, dan eksponensial (berurutan):

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

Ayo berlatih!

Simulasi Monte Carlo di Python