Échantillonnage et biais

Fondements de l’inférence en Python

Paul Savala

Assistant Professor of Mathematics

Biais

  • Échantillon biaisé : un groupe est sur/sous-représenté dans l'échantillon par rapport à la population

Un groupe de personnes avec des chemises de couleurs différentes, mais un échantillon ne contenant que des personnes en chemise verte.

Fondements de l’inférence en Python

Échantillons biaisés

all_salaries = [75000, 82000, ...]
friends_salaries = [93000, 87000, 103000, 101000]


np.mean(friends_salaries)

96000
Fondements de l’inférence en Python

Distribution d'échantillonnage

sampling_distribution = []


for i in range(100):

    random_sample = np.random.choice(salaries, size=10)
    sample_mean = np.mean(random_sample)

    sampling_distribution.append(sample_mean)


plt.hist(sampling_distribution)
plt.xlabel('Mean salary')
plt.ylabel('Percent of samples')
plt.title('Sampling distribution of mean salaries')
plt.show()
Fondements de l’inférence en Python

Histogramme montrant la distribution d'échantillonnage des salaires moyens. Courbe en cloche approximative centrée autour de quatre-vingt-deux mille dollars, avec un minimum vers soixante-dix mille et un maximum vers quatre-vingt-quinze mille dollars.

Fondements de l’inférence en Python

Dépend de l'échantillon

  • Les échantillons influencent les estimateurs ponctuels
  • Les estimateurs ponctuels influencent l'inférence
  • Les échantillons influencent le calcul des p-values
Fondements de l’inférence en Python

Ne dépend pas de l'échantillon

  • Statistique de population
    • N'est pas affectée par l'échantillon choisi
  • Conclusion du test
    • Pour une p-value donnée, la conclusion n'est pas affectée par l'échantillon choisi
Fondements de l’inférence en Python

Passons à la pratique !

Fondements de l’inférence en Python

Preparing Video For Download...