CommencezCommencez gratuitement

Exécuter un simple bootstrap

Bienvenue dans le premier exercice sur le bootstrapping. Nous allons parcourir un exemple pour apprendre à exécuter un simple bootstrap. Comme nous l'avons vu dans la vidéo, l'idée principale derrière le bootstrapping est l'échantillonnage avec remise.

Supposons que vous possédiez une usine qui fabrique des clés. Vous voulez caractériser la longueur moyenne des clés et vous assurer qu'elles respectent certaines spécifications. Votre usine produit des milliers de clés chaque jour, mais il est irréaliste de mesurer la longueur de chacune. Toutefois, vous disposez d'un échantillon représentatif de 100 clés. Utilisons le bootstrapping pour obtenir l'intervalle de confiance (IC) à 95 % pour la longueur moyenne.

Examinez la liste wrench_lengths, qui contient 100 longueurs observées de clés, dans le terminal.

Cette activité fait partie du cours

Simulation statistique en Python

Voir le cours

Instructions de l’exercice

  • Prélevez un échantillon aléatoire avec remise à partir de wrench_lengths et stockez-le dans temp_sample. Définissez size = len(wrench_lengths).
  • Calculez la longueur moyenne de chaque échantillon, assignez-la à sample_mean, puis ajoutez-la à mean_lengths.
  • Calculez la moyenne bootstrapée (boot_mean) et l'intervalle de confiance à 95 % par bootstrap (boot_95_ci) en utilisant np.percentile().

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Draw some random sample with replacement and append mean to mean_lengths.
mean_lengths, sims = [], 1000
for i in range(sims):
    temp_sample = ____(____, replace=____, size=____)
    sample_mean = ____
    mean_lengths.append(sample_mean)
    
# Calculate bootstrapped mean and 95% confidence interval.
boot_mean = np.mean(____)
boot_95_ci = ____(mean_lengths, [2.5, 97.5])
print("Bootstrapped Mean Length = {}, 95% CI = {}".format(boot_mean, boot_95_ci))
Modifier et exécuter le code