Ocena wyboru rozkładu

Symulacje Monte Carlo w Pythonie

Izzy Weber

Curriculum Manager, DataCamp

Wybór rozkładów prawdopodobieństwa zmiennych

Intuicyjne zrozumienie danych i dostępnych rozkładów prawdopodobieństwa
Użycie Metody Największej Wiarygodności (MLE) do porównania kandydujących rozkładów
Użycie testu Kołmogorowa-Smirnowa do oceny dobroci dopasowania rozkładów prawdopodobieństwa
- Kwantyfikuje odległość między empirycznym rozkładem danych a teoretycznym rozkładem kandydującym
- Do obliczeń użyj scipy.stats.kstest()

Ocena wyboru rozkładu: wiek

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)

Wyniki dla rozkładów Laplace'a, normalnego i wykładniczego (w tej kolejności):

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

Ocena wyboru rozkładu: wiek

Wyniki dla rozkładów Laplace'a, normalnego i wykładniczego (w tej kolejności):

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

Ocena wyboru rozkładu: surowicze stężenie 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)

Wyniki dla rozkładów Laplace'a, normalnego i wykładniczego (w tej kolejności):

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

Czas na ćwiczenia!

Symulacje Monte Carlo w Pythonie