Porównanie odchyleń standardowych próbkowania i bootstrapu
Podobnie jak analizowałeś, jak rozkład próbkowania i rozkład bootstrap mogą służyć do szacowania średniej populacji, teraz przyjrzysz się, jak można je wykorzystać do szacowania zmienności – a dokładniej odchylenia standardowego – w populacji.
Pamiętaj, że wielkość próby wynosi 5000.
Dostępne są: spotify_population, spotify_sample, sampling_distribution i bootstrap_distribution; biblioteki pandas i numpy są załadowane ze swoimi standardowymi aliasami.
To ćwiczenie jest częścią kursu
Próbkowanie w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Calculate the population std dev popularity
pop_sd = ____
# Calculate the original sample std dev popularity
samp_sd = ____
# Calculate the sampling dist'n estimate of std dev popularity
samp_distn_sd = ____
# Calculate the bootstrap dist'n estimate of std dev popularity
boot_distn_sd = ____
# Print the standard deviations
print([pop_sd, samp_sd, samp_distn_sd, boot_distn_sd])