Essayez d’autres distributions candidates
Le choix approprié des lois de probabilité d’entrée est essentiel pour réaliser des simulations de Monte Carlo. Dans la vidéo, trois distributions ont été évaluées pour déterminer celle qui s’ajustait le mieux à la variable age : les distributions de Laplace, normale et exponentielle. La distribution normale offrait le meilleur ajustement.
Dans cet exercice, vous allez voir si vous pouvez trouver une distribution qui améliore encore l’ajustement obtenu avec la loi normale ! Vous évaluerez l’ajustement des distributions uniforme, normale et exponentielle. Le jeu de données sur le diabète a été chargé dans un DataFrame dia. La distribution normale restera-t-elle la meilleure ?
Les bibliothèques suivantes ont été importées pour vous : pandas sous l’alias pd, scipy.stats sous l’alias st, et numpy sous l’alias np.
Cet exercice fait partie du cours
Simulations de Monte Carlo en Python
Instructions
- Utilisez
.fit()pour ajuster une distribution aux donnéesage, puis utilisez.nnlf()pour obtenir la valeur de l’estimation du maximum de vraisemblance (EMV) de cet ajustement.
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
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)