Interval kepercayaan bootstrap
Studi Kasus dalam Pemikiran Statistik
Justin Bois
Lecturer, Caltech
EDA adalah langkah pertama
"Analisis data eksploratori tidak pernah menjadi keseluruhan cerita, tetapi tidak ada yang lain dapat menjadi batu pijakan, langkah pertama."
--John Tukey
ECDF lama bout aktif
1 Data courtesy of Avni Gandhi, Grigorios Oikonomou, and David Prober, Caltech
Nilai parameter optimal
- Nilai parameter optimal: Nilai parameter sebaran probabilitas yang paling sesuai menggambarkan data
- Parameter optimal untuk sebaran Eksponensial: Dihitung dari mean data
np.mean(nuclear_incident_times)
87.140350877192986
1 Data source: Wheatley, Sovacool, and Sornette, Nuclear Events Database
Sampel bootstrap
Sebuah array hasil resampling dari data
# Resample nuclear_incident_times dengan pengembalian
bs_sample = np.random.choice(
nuclear_incident_times,
replace=True,
size=len(inter_times)
)
Replikasi bootstrap
1 Data source: Wheatley, Sovacool, and Sornette, Nuclear Events Database
Replikasi bootstrap
1 Data source: Wheatley, Sovacool, and Sornette, Nuclear Events Database
Replikasi bootstrap
1 Data source: Wheatley, Sovacool, and Sornette, Nuclear Events Database
Replikasi bootstrap
1 Data source: Wheatley, Sovacool, and Sornette, Nuclear Events Database
Replikasi bootstrap
Replikasi bootstrap: Statistik yang dihitung dari sampel bootstrap
dcst.draw_bs_reps()
Fungsi untuk mengambil replikasi bootstrap dari sebuah himpunan data
# Ambil 10000 replikasi mean dari
# nuclear_incident_times
bs_reps = dcst.draw_bs_reps(
nuclear_incident_times, np.mean, size=10000
)
Interval kepercayaan bootstrap
1 Data source: Wheatley, Sovacool, and Sornette, Nuclear Events Database
Interval kepercayaan bootstrap
Jika kita mengulang pengukuran berkali-kali, p% nilai yang teramati akan berada dalam interval kepercayaan p%
Interval kepercayaan bootstrap
np.percentile(bs_reps, [2.5, 97.5])
array([ 73.31505848, 102.39181287])
