Bootstrapowe przedziały ufności
Studia przypadków w myśleniu statystycznym
Justin Bois
Lecturer, Caltech
EDA jako pierwszy krok
„Eksploracyjna analiza danych nigdy nie może być całą historią, ale nic innego nie może służyć jako kamień węgielny, jako pierwszy krok."
--John Tukey
ECDF długości aktywnych epizodów
1 Dane udostępnione przez Avni Gandhi, Grigorioса Oikonomou i Davida Probera, Caltech
Optymalna wartość parametru
- Optymalna wartość parametru: wartość parametru rozkładu prawdopodobieństwa najlepiej opisująca dane
- Optymalny parametr rozkładu wykładniczego: obliczany ze średniej danych
np.mean(nuclear_incident_times)
87.140350877192986
1 Źródło danych: Wheatley, Sovacool i Sornette, Nuclear Events Database
Próba bootstrapowa
Próba z resamplingiem danych
# Resample nuclear_incident_times with replacement
bs_sample = np.random.choice(
nuclear_incident_times,
replace=True,
size=len(inter_times)
)
Replikaty bootstrapowe
1 Źródło danych: Wheatley, Sovacool i Sornette, Nuclear Events Database
Replikaty bootstrapowe
1 Źródło danych: Wheatley, Sovacool i Sornette, Nuclear Events Database
Replikaty bootstrapowe
1 Źródło danych: Wheatley, Sovacool i Sornette, Nuclear Events Database
Replikaty bootstrapowe
1 Źródło danych: Wheatley, Sovacool i Sornette, Nuclear Events Database
Replikaty bootstrapowe
Replikat bootstrapowy: statystyka obliczona na podstawie próby bootstrapowej
dcst.draw_bs_reps()
Funkcja do losowania replikatów bootstrapowych ze zbioru danych
# Draw 10000 replicates of the mean from
# nuclear_incident_times
bs_reps = dcst.draw_bs_reps(
nuclear_incident_times, np.mean, size=10000
)
Bootstrapowy przedział ufności
1 Źródło danych: Wheatley, Sovacool i Sornette, Nuclear Events Database
Bootstrapowy przedział ufności
Gdyby pomiary powtarzano wielokrotnie, p% obserwowanych wartości znajdowałoby się w p% przedziale ufności
Bootstrapowy przedział ufności
np.percentile(bs_reps, [2.5, 97.5])
array([ 73.31505848, 102.39181287])
