Tirer des conclusions à partir d'échantillons
Vous avez vu comment l'échantillonnage aléatoire permet de choisir un échantillon de données (idéalement !) représentatif de la population à l'étude. Vous avez aussi vu comment un biais dans la procédure d'échantillonnage peut mener à des conclusions au mieux douteuses et, au pire, complètement erronées.
Dans cet exercice, vous analyserez le cours de clôture moyen du S&P 500. Si vous prenez deux échantillons différents de jours de négociation et calculez des intervalles de confiance pour chacun, devez-vous vous attendre au même résultat ? À vous de plonger et de vérifier !
Cette activité fait partie du cours
Fondements de l'inférence en Python
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Sample 1: Select a random sample of 500 rows
sample_df = ____.sample(n=____)
# Compute a 95% confidence interval for the closing price of SP500
sample_ci = stats.____.____(alpha=____,
loc=____.mean(),
scale=____.std()/np.sqrt(____))
print(sample_ci)