Aan de slagGa gratis aan de slag

Basis jackknife-schatting - gemiddelde

Jackknife-resampling is een oudere methode en wordt minder vaak gebruikt dan bootstrapping. Toch is het nuttig om te weten hoe je een eenvoudige jackknife-schatting uitvoert. In deze eerste oefening berekenen we de jackknife-schatting voor het gemiddelde. We gaan terug naar de moersleutelfabriek.

Je hebt een moersleutelfabriek en wilt de gemiddelde lengte van de moersleutels meten om te controleren of ze aan de specificaties voldoen. Je fabriek produceert elke dag duizenden moersleutels, maar het is niet haalbaar om de lengte van elke sleutel te meten. Wel heb je een representatieve steekproef van 100 moersleutels. Laten we jackknife-schatting gebruiken om het gemiddelde te bepalen.

Bekijk de variabele wrench_lengths in de shell.

Deze oefening maakt deel uit van de cursus

Statisticale simulatie in Python

Cursus bekijken

Oefeninstructies

  • Maak een jackknife-steekproef door iteratief één observatie uit wrench_lengths weg te laten en het resultaat toe te wijzen aan jk_sample.
  • Bereken het gemiddelde van jk_sample en voeg dit toe aan mean_lengths.
  • Bereken tot slot de jackknife-schatting mean_lengths_jk als het gemiddelde van de array mean_lengths.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Leave one observation out from wrench_lengths to get the jackknife sample and store the mean length
mean_lengths, n = [], len(wrench_lengths)
index = np.arange(n)

for i in range(n):
    jk_sample = ____[index != i]
    mean_lengths.append(____)

# The jackknife estimate is the mean of the mean lengths from each sample
mean_lengths_jk = ____(np.array(mean_lengths))
print("Jackknife estimate of the mean = {}".format(mean_lengths_jk))
Code bewerken en uitvoeren