Dağılım seçimlerini değerlendirme

Python ile Monte Carlo Simülasyonları

Izzy Weber

Curriculum Manager, DataCamp

Değişken olasılık dağılımlarını seçme

Veriyi ve uygun olasılık dağılımlarını sezgisel olarak anla
Aday dağılımları karşılaştırmak için Maksimum Olabilirlik Tahmini (MLE) kullan
Olasılık dağılımlarının uyum iyiliğini değerlendirmek için Kolmogorov-Smirnov testini kullan
- Verinin ampirik dağılımı ile teorik aday dağılım arasındaki mesafeyi ölçer
- Hesaplamak için scipy.stats.kstest() kullan

Dağılım seçimini değerlendirme: age

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)

Sırasıyla Laplace, normal ve üstel dağılımlar için sonuçlar:

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

Dağılım seçimini değerlendirme: age

Sırasıyla Laplace, normal ve üstel dağılımlar için sonuçlar:

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

Dağılım seçimini değerlendirme: tc kan serumu

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)

Sırasıyla Laplace, normal ve üstel dağılımlar için sonuçlar:

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

Hadi pratik yapalım!

Python ile Monte Carlo Simülasyonları