Évaluer le choix de distribution

Simulations de Monte-Carlo en Python

Izzy Weber

Curriculum Manager, DataCamp

Choisir des distributions de probabilité de variables

Développer une intuition sur les données et les distributions de probabilité offertes
Utiliser l'estimation du maximum de vraisemblance (MLE) pour comparer des distributions candidates
Utiliser le test de Kolmogorov-Smirnov pour évaluer la « qualité de l'ajustement » d'une distribution
- Quantifie la distance entre la distribution empirique des données et la distribution théorique candidate
- Utiliser scipy.stats.kstest() pour calculer

Évaluer le choix de distribution : âge

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)

Résultats pour les distributions de Laplace, normale et exponentielle, dans cet ordre :

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

Évaluer le choix de distribution : âge

Résultats pour les distributions de Laplace, normale et exponentielle, dans cet ordre :

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

Évaluer le choix de distribution : sérum sanguin 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)

Résultats pour les distributions de Laplace, normale et exponentielle, dans cet ordre :

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

Passons à la pratique !

Simulations de Monte-Carlo en Python