Calcul d'un intervalle de confiance
Si vous donnez une estimation unique d'une statistique d'échantillon, vous aurez inévitablement une certaine marge d'erreur. Par exemple, la proportion supposée d'envois en retard était de 6 %. Même si les données soutiennent l'hypothèse nulle voulant que la proportion d'envois en retard soit égale à cette valeur, pour tout nouvel échantillon d'envois, la proportion sera probablement un peu différente en raison de la variabilité d'échantillonnage. Il est donc judicieux d'indiquer un intervalle de confiance. Autrement dit, vous dites : « nous sommes "confiants" à 95 % que la proportion d'envois en retard se situe entre A et B » (pour certaines valeurs de A et B).
Le cours Sampling in Python a démontré deux méthodes pour calculer des intervalles de confiance. Ici, vous utiliserez les quantiles de la distribution bootstrap pour calculer l'intervalle de confiance.
late_prop_samp et late_shipments_boot_distn sont disponibles ; pandas et numpy sont chargés avec leurs alias habituels.
Cette activité fait partie du cours
Vérification d'hypothèses en Python
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Calculate 95% confidence interval using quantile method
lower = ____
upper = ____
# Print the confidence interval
print((lower, upper))