Inférence statistique et échantillonnage aléatoire

Fondements de l'inférence en Python

Paul Savala

Assistant Professor of Mathematics

Statistiques descriptives

  • Statistiques d'échantillon pour résumer les données
  • Les statistiques descriptives résument l'échantillon
Date Fermeture SP500 Variation quotidienne
2017-08-07 2480.91 6.14
2017-08-08 2474.92 -5.99
2017-08-09 2474.02 -0.90
2017-08-10 2438.21 -35.81

Moyenne quotidienne : -$9.14

Fondements de l'inférence en Python

Inférence

  • Inférer quelque chose sur la population
  • Statistiques descriptives : décrire les données
  • Inférence : tirer des conclusions et décider
Date Fermeture SP500 Variation quotidienne
2017-08-07 2480.91 6.14
2017-08-08 2474.92 -5.99
2017-08-09 2474.02 -0.90
2017-08-10 2438.21 -35.81

Amplitude quotidienne moyenne pour n'importe quels jours ~$9.14

Fondements de l'inférence en Python

Processus d'inférence statistique

Diagramme montrant une population menant à un échantillon, menant à l'inférence, revenant à la population.

Fondements de l'inférence en Python

Estimations ponctuelles

  • Donnée par une seule valeur
  • « Meilleure estimation » d'une statistique de population inconnue

Estimation ponctuelle : 1158.95 BTC d'amplitude quotidienne

Les cinq premières lignes de l'ensemble de données Bitcoin

btc_high = btc_sp_df['High_BTC']
btc_low = btc_sp_df['Low_BTC']


np.mean(btc_high - btc_low)

1158.95
Fondements de l'inférence en Python

Échantillonnage

Les estimations ponctuelles dépendent de l'échantillon

btc_sp_first100 = btc_sp_df.iloc[:100]

np.mean(btc_sp_first100['High_BTC'] - btc_sp_first100['Low_BTC'])

659.60

initial_row = np.random.choice(btc_sp_df.shape[0]-100)

btc_sp_random_100 = btc_sp_df.iloc[initial_row:initial_row+100]

np.mean(btc_sp_first100['High_BTC'] - btc_sp_first100['Low_BTC'])

943.83
Fondements de l'inférence en Python

Passons à la pratique !

Fondements de l'inférence en Python

Preparing Video For Download...