Utvärdera val av fördelning

Monte Carlo-simuleringar i Python

Izzy Weber

Curriculum Manager, DataCamp

Välja sannolikhetsfördelningar för variabler

Skaffa en intuitiv förståelse för data och tillgängliga sannolikhetsfördelningar
Använd Maximum Likelihood Estimation (MLE) för att jämföra kandidatfördelningar
Använd Kolmogorov-Smirnov-testet för att utvärdera goodness of fit för sannolikhetsfördelningar
- Kvantifierar avståndet mellan datans empiriska fördelning och den teoretiska kandidatfördelningen
- Använd scipy.stats.kstest() för beräkningen

Utvärdera val av fördelning: ålder

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)

Resultat för Laplace-, normal- och exponentialfördelningen i den ordningen:

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

Utvärdera val av fördelning: ålder

Resultat för Laplace-, normal- och exponentialfördelningen i den ordningen:

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

Utvärdera val av fördelning: tc-blodserum

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)

Resultat för Laplace-, normal- och exponentialfördelningen i den ordningen:

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

Nu kör vi en övning!

Monte Carlo-simuleringar i Python