Оценка выбора распределения

Симуляции Монте-Карло на Python

Izzy Weber

Curriculum Manager, DataCamp

Выбор вероятностных распределений для переменных

Сформируйте интуитивное понимание данных и доступных вероятностных распределений
Используйте метод максимального правдоподобия (MLE) для сравнения распределений-кандидатов
Применяйте критерий Колмогорова–Смирнова для оценки качества подгонки вероятностных распределений
- Количественно измеряет расстояние между эмпирическим распределением данных и теоретическим распределением-кандидатом
- Используйте scipy.stats.kstest() для вычисления

Оценка выбора распределения: возраст

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)

Результаты для распределений Лапласа, нормального и экспоненциального (в указанном порядке):

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

Оценка выбора распределения: возраст

Результаты для распределений Лапласа, нормального и экспоненциального (в указанном порядке):

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

Оценка выбора распределения: холестерин в сыворотке крови (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)

Результаты для распределений Лапласа, нормального и экспоненциального (в указанном порядке):

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

Давайте потренируемся!

Симуляции Монте-Карло на Python