Prosty bootstrap w praktyce

Witaj w pierwszym ćwiczeniu z sekcji poświęconej bootstrappingowi. Przejdziemy przez przykład, w którym nauczysz się przeprowadzać prosty bootstrap. Jak pokazano w filmie, kluczową ideą bootstrappingu jest próbkowanie ze zwracaniem.

Wyobraź sobie, że jesteś właścicielem fabryki produkującej klucze płaskie. Chcesz określić średnią długość produkowanych kluczy i upewnić się, że spełniają one określone specyfikacje. Fabryka produkuje tysiące kluczy dziennie, więc zmierzenie każdego z nich jest niemożliwe. Masz jednak dostęp do reprezentatywnej próbki 100 kluczy. Użyjemy bootstrappingu, aby wyznaczyć 95% przedział ufności (CI) dla średniej długości.

Przejrzyj listę wrench_lengths zawierającą 100 zmierzonych długości kluczy, dostępną w konsoli.

To ćwiczenie jest częścią kursu

Symulacje statystyczne w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Pobierz losową próbkę ze zwracaniem z listy wrench_lengths i zapisz ją w zmiennej temp_sample. Ustaw size = len(wrench_lengths).
Oblicz średnią długość każdej próbki, przypisz ją do zmiennej sample_mean, a następnie dodaj ją do listy mean_lengths.
Oblicz średnią bootstrapową (boot_mean) oraz bootstrapowy 95% przedział ufności (boot_95_ci), korzystając z funkcji np.percentile().

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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))

Edytuj i uruchom kod