Valutare le scelte di distribuzione

Simulazioni Monte Carlo in Python

Izzy Weber

Curriculum Manager, DataCamp

Scegliere le distribuzioni delle variabili

Intuire i dati e le distribuzioni disponibili
Usare la stima di massima verosimiglianza (MLE) per confrontare le distribuzioni candidate
Usare il test di Kolmogorov–Smirnov per valutare la bontà di adattamento delle distribuzioni
- Quantifica la distanza tra la distribuzione empirica dei dati e la distribuzione teorica candidata
- Calcola con scipy.stats.kstest()

Valutare la scelta di distribuzione: età

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)

Risultati per le distribuzioni di Laplace, normale ed esponenziale, in quest'ordine:

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

Valutare la scelta di distribuzione: età

Risultati per le distribuzioni di Laplace, normale ed esponenziale, in quest'ordine:

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

Valutare la scelta di distribuzione: siero 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)

Risultati per le distribuzioni di Laplace, normale ed esponenziale, in quest'ordine:

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!

Simulazioni Monte Carlo in Python