Utvärdera fördelningsanpassning för variabeln ldl

I den här övningen fokuserar du på en variabel i diabetesdatamängden dia: blodserumet ldl. Du avgör om normalfördelningen fortfarande är ett lämpligt val för ldl, baserat på den extra information som ett Kolmogorov–Smirnov-test ger.

DataFrame:en dia är redan inläst. Följande bibliotek har också importerats: pandas som pd, numpy som np och scipy.stats som st.

Den här övningen är en del av kursen

Monte Carlo-simuleringar i Python

Visa kurs

Övningsinstruktioner

Definiera en lista kallad list_of_dists som innehåller dina kandidatfördelningar: Laplace, normal och exponential (i den ordningen). Använd de korrekta namnen från scipy.stats.
Inuti loopen anpassar du data till motsvarande sannolikhetsfördelning och sparar resultatet som param.
Utför ett Kolmogorov–Smirnov-test för att utvärdera anpassningens kvalitet och spara resultatet som result.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# List candidate distributions to evaluate
list_of_dists = [____]
for i in list_of_dists:
    dist = getattr(st, i)
    # Fit the data to the probability distribution
    param = dist.____
    # Perform the ks test to evaluate goodness-of-fit
    result = ____
    print(result)

Redigera och kör kod