Kom igångKom igång gratis

Kör ett enkelt bootstrap

Välkommen till den första övningen i bootstrapping-avsnittet. Vi går igenom ett exempel där du lär dig att köra ett enkelt bootstrap. Som vi såg i videon bygger bootstrapping på att ta urval med återläggning.

Antag att du äger en fabrik som tillverkar skruvnycklar. Du vill kunna beskriva den genomsnittliga längden på skruvnycklarna och kontrollera att de uppfyller vissa specifikationer. Din fabrik producerar tusentals skruvnycklar varje dag, men det är inte praktiskt möjligt att mäta längden på varje enskild skruvnyckel. Du har däremot tillgång till ett representativt urval på 100 skruvnycklar. Låt oss använda bootstrapping för att beräkna 95%-konfidensintervallet (KI) för den genomsnittliga längden.

Untersök listan wrench_lengths, som innehåller 100 observerade längder på skruvnycklar, i terminalen.

Den här övningen är en del av kursen

Statistisk simulering i Python

Visa kurs

Övningsinstruktioner

  • Dra ett slumpmässigt urval med återläggning från wrench_lengths och lagra det i temp_sample. Sätt size = len(wrench_lengths).
  • Beräkna medellängden för varje urval, tilldela den till sample_mean, och lägg sedan till den i mean_lengths.
  • Beräkna det bootstrappade medelvärdet (boot_mean) och det bootstrappade 95%-konfidensintervallet (boot_95_ci) med hjälp av np.percentile().

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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))
Redigera och kör kod