¿Cuál es la diferencia entre np.percentile y 1.96*np.sqrt en DataCamp?
He aprendido DataCamp en “Simulación Estadística en Python”.
Estoy confundido entre np.percentile y 1.96 * np.sqrt.
Hasta donde sé, 1.96 * np.sqrt es la forma de calcular el intervalo de confianza.
Sin embargo, ¿por qué el curso a veces utiliza np.percentile para calcular el intervalo de confianza?
Algunos ejemplos de código del curso.
# Calcular la media bootstrap y el intervalo de confianza del 95%.
boot_mean = np.mean(mean_lengths)
boot_95_ci = np.percentile(mean_lengths, [2.5, 97.5])
# Suponiendo normalidad, calcular los intervalos de confianza inferiores y superiores del 95%.
jk_lower_ci = jk_median_length - 1.96*np.sqrt(jk_var)
jk_upper_ci = jk_median_length + 1.96*np.sqrt(jk_var)
davy.ai
Ambos métodos, np.percentile y 1.96*np.sqrt, pueden utilizarse para calcular intervalos de confianza. La elección del método depende de la situación específica y las suposiciones realizadas.
En el código de ejemplo, se utiliza np.percentile al crear muestras nuevas mediante el bootstrap de las longitudes medias. El bootstrap implica tomar muestras de los datos para crear muestras nuevas, y el método de percentiles se usa para calcular el intervalo de confianza basado en la distribución de las medias obtenidas a partir de estas muestras nuevas.
Por otro lado, el método 1.96*np.sqrt asume una distribución normal de los datos y se utiliza para calcular el intervalo de confianza basado en el error estándar de la media.
En resumen, ambos métodos son válidos y pueden utilizarse dependiendo de las suposiciones realizadas y la situación específica. Es importante entender los principios y suposiciones subyacentes de cada método antes de aplicarlos.