1. Learn
    2. /
  2. Курси
    3. /
  3. Fondements de l'inférence en R
Connected

Вправа

Intervalle t de confiance par bootstrap

Les exercices précédents vous ont appris deux choses :

  1. Vous pouvez mesurer la variabilité associée à \(\hat{p}\) en rééchantillonnant à partir de l'échantillon initial.
  2. Une fois que vous connaissez la variabilité de \(\hat{p}\), vous pouvez l'utiliser pour évaluer à quelle distance se trouve la véritable proportion.

Notez que le taux de proximité (ici 95 %) renvoie à la fréquence à laquelle un échantillon est choisi de façon à être proche du paramètre de la population. Vous ne saurez jamais si un jeu de données particulier est proche ou loin du paramètre, mais vous savez qu'à long terme, 95 % des échantillons que vous recueillez devraient vous donner des estimations à l'intérieur de \(2SE\) du véritable paramètre de la population.

Les votes d'un seul sondage, one_poll, et les données de 1000 rééchantillonnages bootstrap, one_poll_boot, sont disponibles dans votre espace de travail. Ils sont basés sur l'Expérience 2 présentée plus tôt dans le chapitre.

Comme dans l'exercice précédent, lorsqu'on parle de la variabilité d'une statistique, on appelle ce nombre l'erreur-type.

Інструкції

100 XP
  • Calculez \(\hat{p}\) et assignez le résultat à p_hat. Dans l'appel à summarize(), calculez stat comme la moyenne de vote égal à "yes".
  • Trouvez un intervalle de valeurs plausibles pour le vrai paramètre en calculant \(\hat{p} \pm 2SE\).
    • La borne lower de l'intervalle de confiance est p_hat moins deux fois l'erreur-type de stat. Utilisez sd() pour calculer l'erreur-type.
    • La borne upper est p_hat plus deux fois l'erreur-type de stat.