Campionamento e bias

Fondamenti dell'inferenza in Python

Paul Savala

Assistant Professor of Mathematics

Bias

  • Campione distorto: Un gruppo compare più/meno spesso nel campione che nella popolazione

Un gruppo di persone con magliette di colori diversi, ma un campione con solo persone con magliette verdi.

Fondamenti dell'inferenza in Python

Campioni distorti

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


np.mean(friends_salaries)

96000
Fondamenti dell'inferenza in Python

Distribuzione campionaria

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()
Fondamenti dell'inferenza in Python

Istogramma della distribuzione campionaria delle medie salariali. È una campana approssimativa centrata intorno a ottantaduemila dollari, con minimo circa settantamila e massimo circa novantacinquemila.

Fondamenti dell'inferenza in Python

Dipende dal campione

  • I campioni influenzano le stime puntuali
  • Le stime puntuali influenzano l'inferenza
  • I campioni influenzano il calcolo del p-value
Fondamenti dell'inferenza in Python

Non dipende dal campione

  • Statistica della popolazione
    • Non dipende dal campione scelto
  • Conclusione del test
    • Con un p-value dato, la conclusione non dipende dal campione scelto
Fondamenti dell'inferenza in Python

Ayo berlatih!

Fondamenti dell'inferenza in Python

Preparing Video For Download...