Intervalle de confiance jackknife pour la médiane
Dans cet exercice, nous allons calculer l'IC à 95 % par jackknife pour un estimateur non standard. Ici, nous allons nous pencher sur la médiane. Gardez en tête que la variance d'un estimateur jackknife est n-1 fois la variance des estimations des échantillons jackknife individuels, où n est le nombre d'observations dans l'échantillon initial.
De retour à l'usine de clés, vous souhaitez maintenant estimer la longueur médiane des clés ainsi qu'un IC à 95 % pour vous assurer qu'elles respectent les tolérances.
Reprenons le code de l'exercice précédent, mais cette fois dans le contexte des longueurs médianes. À la fin de cet exercice, vous aurez une bien meilleure idée de la façon d'utiliser le rééchantillonnage jackknife pour calculer des intervalles de confiance pour des estimateurs non standards.
Cette activité fait partie du cours
Simulation statistique en Python
Instructions de l’exercice
- Ajoutez la longueur médiane de chaque échantillon jackknife à
median_lengths. - Calculez la moyenne de l'estimation jackknife de
median_lengthet assignez-la àjk_median_length. - Calculez l'intervalle de confiance supérieur à 95 %
jk_upper_ciet l'intervalle de confiance inférieur à 95 % de la médianejk_lower_cien utilisant1.96*np.sqrt(jk_var).
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Leave one observation out to get the jackknife sample and store the median length
median_lengths = []
for i in range(n):
jk_sample = wrench_lengths[index != i]
median_lengths.append(____)
median_lengths = np.array(median_lengths)
# Calculate jackknife estimate and it's variance
jk_median_length = ____
jk_var = (n-1)*np.var(median_lengths)
# Assuming normality, calculate lower and upper 95% confidence intervals
jk_lower_ci = jk_median_length - ____
jk_upper_ci = jk_median_length + ____
print("Jackknife 95% CI lower = {}, upper = {}".format(jk_lower_ci, jk_upper_ci))