Essayez d'autres distributions candidates
Le choix adéquat des distributions de probabilité d'entrée est essentiel pour réaliser des simulations de Monte Carlo. Dans la vidéo, trois distributions ont été évaluées afin de déterminer celle qui convenait le mieux à la variable age : les distributions de Laplace, normale et exponentielle. La distribution normale offrait l'ajustement le plus convaincant.
Dans cet exercice, vous vérifierez si vous pouvez trouver une distribution qui améliore encore l'ajustement de la normale ! Vous évaluerez l'ajustement des distributions uniforme, normale et exponentielle. L'ensemble de données sur le diabète a été chargé dans un DataFrame, dia. La distribution normale sera-t-elle toujours la meilleure ?
Les bibliothèques suivantes ont été importées pour vous : pandas sous pd, scipy.stats sous st et numpy sous np.
Cette activité fait partie du cours
Simulations de Monte-Carlo en Python
Instructions de l’exercice
- Utilisez
.fit()pour ajuster une distribution aux donnéesage, puis utilisez.nnlf()pour obtenir la valeur d'estimation du maximum de vraisemblance (EMV) de cet ajustement.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
distributions = [st.uniform, st.norm, st.expon]
mles = []
for distribution in distributions:
# Fit the distribution and obtain the MLE value
pars = distribution.____
mle = distribution.____
mles.append(mle)
print(mles)