Échantillonnage et biais

Fondements de l'inférence en Python

Paul Savala

Assistant Professor of Mathematics

Biais

  • Échantillon biaisé : un groupe est sur/sous-représenté dans l'échantillon par rapport à la population

Un groupe de personnes portant des chandails de couleurs variées, mais un échantillon ne contenant que des personnes en chandail vert.

Fondements de l'inférence en Python

Échantillons biaisés

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


np.mean(friends_salaries)

96000
Fondements de l'inférence en Python

Distribution d'échantillonnage

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()
Fondements de l'inférence en Python

Histogramme de la distribution d'échantillonnage des salaires moyens. Courbe en cloche approximative centrée autour de quatre-vingt-deux mille dollars, avec un minimum près de soixante-dix mille et un maximum près de quatre-vingt-quinze mille.

Fondements de l'inférence en Python

Ça dépend de l'échantillon

  • Les échantillons influencent les estimations ponctuelles
  • Les estimations ponctuelles influencent l'inférence
  • Les échantillons influencent le calcul des valeurs p
Fondements de l'inférence en Python

Ne dépend pas de l'échantillon

  • Statistique de population
    • N'est pas affectée par l'échantillon choisi
  • Conclusion du test
    • Étant donnée une valeur p, la conclusion n'est pas affectée par l'échantillon choisi
Fondements de l'inférence en Python

Passons à la pratique !

Fondements de l'inférence en Python

Preparing Video For Download...