Steekproef uit gemak

Steekproeven in Python

James Chapman

Curriculum Manager, DataCamp

De verkiezingsvoorspelling van The Literary Digest

Een voorpagina van The Literary Digest uit 1936 met een kop over verkiezingsvoorspellingen. Landon zou 1,3 miljoen stemmen krijgen en Roosevelt net onder 1 miljoen.

Voorspelling: Landon 57%; Roosevelt 43%
Werkelijke uitslag: Landon 38%; Roosevelt 62%
Steekproef niet representatief voor populatie → steekproefbias
Data verzamelen op de makkelijkste manier heet gemakssteekproef

De gemiddelde leeftijd van Fransen bepalen

Een foto van Disneyland Parijs.

Enquête onder 10 mensen in Disneyland Parijs
Gemiddelde leeftijd: 24,6 jaar
Is dit een goede schatting voor heel Frankrijk?

¹ Afbeelding door Sean MacEntee

Hoe nauwkeurig was de enquête?

Jaar	Gemiddelde leeftijd Fransen
1975	31,6
1985	33,6
1995	36,2
2005	38,9
2015	41,2

24,6 jaar is een slechte schatting
Bezoekers van Disneyland zijn niet representatief voor de hele populatie

Gemakssteekproef: koffiebeoordelingen

coffee_ratings["total_cup_points"].mean()

82.15120328849028

coffee_ratings_first10 = coffee_ratings.head(10)

coffee_ratings_first10["total_cup_points"].mean()

89.1

Selectiebias visualiseren

import matplotlib.pyplot as plt
import numpy as np
coffee_ratings["total_cup_points"].hist(bins=np.arange(59, 93, 2))
plt.show()

coffee_ratings_first10["total_cup_points"].hist(bins=np.arange(59, 93, 2))
plt.show()

Verdeling van een populatie vs. een gemakssteekproef

Populatie: Een histogram van koppunten uit de populatie.

Gemakssteekproef: Een histogram van koppunten uit de steekproef.

Selectiebias visualiseren bij een aselecte steekproef

coffee_sample = coffee_ratings.sample(n=10)
coffee_sample["total_cup_points"].hist(bins=np.arange(59, 93, 2))
plt.show()

Verdeling van een populatie vs. een eenvoudige aselecte steekproef

Populatie: Een histogram van koppunten uit de populatie.

Aselecte steekproef: Een histogram van koppunten uit een aselecte steekproef.

Laten we oefenen!

Steekproeven in Python