분포 선택 평가

Python으로 배우는 Monte Carlo 시뮬레이션

Izzy Weber

Curriculum Manager, DataCamp

변수의 확률분포 선택

데이터와 사용 가능한 확률분포를 직관적으로 이해하기
최대우도추정(MLE)로 후보 분포 비교
Kolmogorov–Smirnov 검정으로 분포의 적합도 평가
- 데이터의 경험적 분포와 이론적 후보 분포 간 거리를 정량화
- scipy.stats.kstest()로 계산

분포 선택 평가: 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)

Laplace, 정규, 지수 분포 순서의 결과:

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

분포 선택 평가: age

Laplace, 정규, 지수 분포 순서의 결과:

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

분포 선택 평가: tc 혈청

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)

Laplace, 정규, 지수 분포 순서의 결과:

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

연습해 봅시다!

Python으로 배우는 Monte Carlo 시뮬레이션