Оцінювання вибору розподілів

Моделювання Монте-Карло в Python

Izzy Weber

Curriculum Manager, DataCamp

Вибір розподілів ймовірностей для змінних

Інтуїтивно зрозумійте дані та доступні розподіли ймовірностей
Використайте Maximum Likelihood Estimation (MLE), щоб порівняти кандидатні розподіли
Застосуйте критерій Колмогорова — Смирнова для оцінки якості наближення розподілів ймовірностей
- Вимірює відстань між емпіричним розподілом даних і теоретичним кандидатним розподілом
- Використайте scipy.stats.kstest() для обчислення

Оцінювання вибору розподілу: вік

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)

Результати для розподілів Лапласа, нормального та експоненціального відповідно:

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

Оцінювання вибору розподілу: вік

Результати для розподілів Лапласа, нормального та експоненціального відповідно:

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

Оцінювання вибору розподілу: tc у сироватці крові

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)

Результати для розподілів Лапласа, нормального та експоненціального відповідно:

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

Давайте потренуємось!

Моделювання Монте-Карло в Python