Na rozdíl od testování hypotéz zde není nulová populace
Jak se liší $p$ a $\hat{p}$?
Průzkum
# Original data
Source: local data frame [30 x 3]
flip_num flip
<int> <chr>
1 1 H
2 2 H
3 3 H
4 4 T
5 5 H
6 6 H
# ... with 24 more rows
Původní data
Kandidát X
Celkem voličů
Podíl X
17
30
0.5667
Průzkum
# First resample
Source: local data frame [30 x 3]
replicate flip_num flip
<dbl> <int> <chr>
1 1 7 H
2 1 17 T
3 1 13 H
4 1 14 H
5 1 24 H
6 1 28 T
# ... with 24 more rows
První převzorkování
Kandidát X
Celkem voličů
Podíl X
17
30
0.5667
14
30
0.4667
Průzkum
# Second resample
Source: local data frame [30 x 3]
replicate flip_num flip
<dbl> <int> <chr>
1 2 21 H
2 2 19 T
3 2 25 H
4 2 24 T
5 2 21 H
6 2 28 T
7 2 13 H
8 2 23 H
9 2 24 T
10 2 24 T
# ... with 20 more rows
Druhé převzorkování
Kandidát X
Celkem voličů
Podíl X
17
30
0.5667
14
30
0.4667
18
30
0.6
Průzkum
# Third resample
Source: local data frame [30 x 3]
replicate flip_num flip
<dbl> <int> <chr>
1 3 6 H
2 3 19 H
3 3 1 H
4 3 24 T
5 3 11 H
6 3 28 T
7 3 16 H
8 3 13 H
9 3 21 T
10 3 29 H
# ... with 20 more rows
Třetí převzorkování
Kandidát X
Celkem voličů
Podíl X
17
30
0.5667
14
30
0.4667
18
30
0.6
12
30
0.4
Standardní chyba
Opakovaným převzorkováním byla získána standardní chyba 0,09
Popisuje, jak se statistika liší od parametru
Bootstrap poskytuje aproximaci standardní chyby
Variabilita p-hat z populace
# Compute p-hat for each poll
ex1_props <- recommend %>%
group_by(poll) %>%
summarize(prop_yes =
mean(vote == "yes"))
# Variability of p-hat
ex1_props %>%
summarize(sd(prop_yes))
# A tibble: 1 × 1
`sd(prop_yes)`
<dbl>
1 0.08523512
Variabilita p-hat ze vzorku (bootstrapping)
# Select one poll from which to resample
one_poll <- all_polls %>%
filter(poll ==1) %>%
select(vote)
# Compute p-hat for each resampled poll
ex2_props <- one_poll %>%
specify(response = vote,
success = "yes") %>%
generate(reps = 1000,
type = "bootstrap")
# Variability of p-hat
ex2_props %>%
summarize(sd(stat))
Preparing Video For Download...
