Échantillonnage et estimations ponctuelles

Échantillonnage en R

Richie Cotton

Data Evangelist at DataCamp

Estimer la population de la France

Une carte de la France.

Un recensement demande à chaque ménage combien de personnes y vivent.

Il y a beaucoup de monde en France

Une carte de la France avec des icônes de personnes.

Les recensements coûtent très cher !

Échantillonner des ménages

Une carte de la France avec des icônes de personnes, dont certaines sont en surbrillance.

Il est moins coûteux d'interroger un petit nombre de ménages et d'utiliser des statistiques pour estimer l'ensemble de la population.

Travailler avec un sous-ensemble de la population s'appelle l'« échantillonnage ».

Population vs échantillon

La « population » est l'ensemble complet des données.

Elle ne se limite pas aux personnes.
En général, vous ne connaissez pas toute la population.

L'« échantillon » est le sous-ensemble sur lequel vous calculez.

Ensemble d'évaluation de cafés

total_cup_points	variety	country_of_origin	aroma	flavor	aftertaste	body	balance
90.58	NA	Ethiopia	8.67	8.83	8.67	8.50	8.42
89.92	Other	Ethiopia	8.75	8.67	8.50	8.42	8.42
...	...	...	...	...	...	...	...
73.75	NA	Vietnam	6.75	6.67	6.5	6.92	6.83

Chaque ligne représente 1 café.
1138 lignes.
Nous traiterons ceci comme la population.

Points vs saveur : population

pts_vs_flavor_pop <- coffee_ratings %>% 
  select(total_cup_points, flavor)

dim(pts_vs_flavor_pop)

1338    2

     total_cup_points flavor
1               90.58   8.83
2               89.92   8.67
3               89.75   8.50
4               89.00   8.58
...              ...     ...
1335            78.08   7.67
1336            77.17   7.33
1337            75.08   6.83
1338            73.75   6.67

Points vs saveur : échantillon de 10 lignes

pts_vs_flavor_samp <- coffee_ratings %>% 
  select(total_cup_points, flavor) %>%
  slice_sample(n = 10)

dim(pts_vs_flavor_samp)

10  2

   total_cup_points flavor
1             82.25   7.58
2             83.50   7.67
3             80.50   7.17
4             79.33   7.17
5             83.83   7.58
6             84.17   7.75
7             83.67   8.17
8             81.92   7.50
9             82.67   7.58
10            83.42   7.67

Échantillonnage en R de base

Utilisez slice_sample() pour les trames de données et sample() pour les vecteurs.

cup_points_samp <- sample(coffee_ratings$total_cup_points, size = 10)

88.25 83.83 83.17 82.67 84.67 83.42 73.67 86.00 81.58 80.92

Paramètres de population et estimations ponctuelles

Un « paramètre de population » est un calcul effectué sur l'ensemble de la population.

mean(pts_vs_flavor_pop$total_cup_points)

82.15

Une « estimation ponctuelle » ou « statistique d'échantillon » est un calcul effectué sur l'échantillon.

mean(cup_points_samp)

82.82

Estimations ponctuelles avec dplyr

pts_vs_flavor_pop %>% 
  summarize(mean_flavor = mean(flavor))

  mean_flavor
1       7.526

pts_vs_flavor_samp %>% 
  summarize(mean_flavor = mean(flavor))

  mean_flavor
1       7.716

Passons à la pratique !

Échantillonnage en R