IniziaInizia gratis

Esecuzione di un semplice bootstrap

Benvenuto nel primo esercizio sulla tecnica del bootstrapping. Lavoreremo su un esempio per imparare a eseguire un semplice bootstrap. Come visto nel video, l'idea principale del bootstrapping è il campionamento con reinserimento.

Supponi di possedere una fabbrica che produce chiavi inglesi. Vuoi caratterizzare la lunghezza media delle chiavi e assicurarti che rispettino certe specifiche. La tua fabbrica produce migliaia di chiavi ogni giorno, ma non è fattibile misurare la lunghezza di ciascuna. Tuttavia, hai a disposizione un campione rappresentativo di 100 chiavi. Usiamo il bootstrapping per ottenere l'intervallo di confidenza (CI) al 95% per le lunghezze medie.

Esamina nella shell la lista wrench_lengths, che contiene 100 lunghezze osservate di chiavi.

Questo esercizio fa parte del corso

Simulazione statistica in Python

Visualizza il corso

Istruzioni dell'esercizio

  • Estrai un campione casuale con reinserimento da wrench_lengths e salvalo in temp_sample. Imposta size = len(wrench_lengths).
  • Calcola la lunghezza media di ciascun campione, assegnala a sample_mean, quindi aggiungila a mean_lengths.
  • Calcola la media bootstrap (boot_mean) e l'intervallo di confidenza bootstrap al 95% (boot_95_ci) usando np.percentile().

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# 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))
Modifica ed esegui il codice