Eenvoudige aselecte en systematische steekproeven

Steekproeven in R

Richie Cotton

Data Evangelist at DataCamp

Aselecte steekproef

Een hand pakt een gevouwen briefje uit een loterijpot.

Loterijballen die rollen.

Aselecte steekproef van koffies

Koffiebonen in rijen en kolommen gerangschikt.

Koffiebonen in rijen en kolommen, waarvan sommige grijs zijn gemaakt.

Aselecte steekproef in R

set.seed(19000113)
coffee_ratings %>% 
  slice_sample(n = 5)

  total_cup_points variety country_of_origin aroma flavor aftertaste body balance
1            81.00    SL14            Uganda  7.33   6.92       7.17 7.42    7.42
2            85.00 Caturra          Colombia  8.00   7.92       7.75 7.75    7.83
3            85.25 Bourbon         Guatemala  8.00   7.92       7.75 7.92    7.83
4            81.42  Catuai         Guatemala  7.42   7.33       7.08 7.33    7.25
5            82.75 Caturra          Honduras  7.58   7.50       7.42 7.50    7.50

Systematisch steekproeven

Koffiebonen in rijen en kolommen gerangschikt.

Koffiebonen in rijen en kolommen, waarvan de meeste grijs zijn behalve die op een diagonale lijn.

Een rij-ID-kolom toevoegen

library(tibble)
coffee_ratings <- coffee_ratings %>%
  rowid_to_column()

# A tibble: 1,338 x 9
   rowid total_cup_points variety country_of_origin aroma flavor aftertaste  body balance
   <int>            <dbl> <chr>   <chr>             <dbl>  <dbl>      <dbl> <dbl>   <dbl>
 1     1             90.6 NA      Ethiopia           8.67   8.83       8.67  8.5     8.42
 2     2             89.9 Other   Ethiopia           8.75   8.67       8.5   8.42    8.42
 3     3             89.8 Bourbon Guatemala          8.42   8.5        8.42  8.33    8.42
 4     4             89   NA      Ethiopia           8.17   8.58       8.42  8.5     8.25
 5     5             88.8 Other   Ethiopia           8.25   8.5        8.25  8.42    8.33
...

Systematisch steekproeven in R

sample_size <- 5
pop_size <- nrow(coffee_ratings)

interval <- pop_size %/% sample_size

Systematisch steekproeven in R 2

row_indexes <- seq_len(sample_size) * interval

267  534  801 1068 1335

coffee_ratings %>% 
  slice(row_indexes)

 # A tibble: 5 x 9
  rowid total_cup_points variety country_of_origin aroma flavor aftertaste  body balance
  <int>            <dbl> <chr>   <chr>             <dbl>  <dbl>      <dbl> <dbl>   <dbl>
1   267             83.9 NA      Colombia           7.92   7.67       7.5   7.58    7.67
2   534             82.9 Bourbon Brazil             7.67   7.58       7.5   7.58    7.5 
3   801             82   Gesha   Malawi             7.5    7.42       7.33  7.33    7.5 
4  1068             80.6 NA      Colombia           7.08   7.25       7     7.08    7.33
5  1335             78.1 NA      Ecuador            7.5    7.67       7.75  5.17    5.25

Het probleem met systematisch steekproeven

coffee_ratings %>% 
  ggplot(aes(x = rowid, y = aftertaste)) +
  geom_point() +
  geom_smooth()

Systematisch steekproeven is alleen veilig als je geen patroon ziet in deze scatterplot.

Spreidingsdiagram van nasmaak-scores vs. rij-IDs.

Systematisch steekproeven veilig maken

shuffled <- coffee_ratings %>%
  slice_sample(prop = 1) %>% 
  select(- rowid) %>% 
  rowid_to_column()

shuffled %>% 
  ggplot(aes(x = rowid, y = aftertaste)) +
  geom_point() +
  geom_smooth()

Rijen schudden + systematisch steekproeven is gelijk aan een aselecte steekproef.

Spreidingsdiagram van nasmaak-scores vs. rij-IDs na schudden van de dataset.

Laten we oefenen!

Steekproeven in R