R kode til eksempel 7.2 og illustrasjon av bootstrap metoden

 

 

# Vi leser inn dataene (jf. side 327 i D&B):

x=c(24.46, 25.61, 26.25, 26.42, 26.66, 27.15, 27.31, 27.54, 27.74, 27.94, 27.98, 28.04, 28.28, 28.49, 28.50, 28.87, 29.11, 29.13, 29.50, 30.88)

 

 

# Vi lager et normalfordelingsplott (jf eksempel 4.35, side side 210):

qqnorm(x)

 

# Vi finner estimatene i eksempel 7.2:

mean(x)?? # gjennomsnitt

median(x) # median

(max(x)+min(x))/2?? # gjennonsnitt av st?rste og minste observasjon

mean(x,trim=0.10)?? # 10% trimmet gjennomsnitt

 

# Vi vil finne bootstrap estimate for standardfeilene til estimatorene i eksempel 7.2:

# Vi finner f?rst de vanlige estimatene for forventningsverdien og standardavviket i en normalfordeling:

m=mean(x)

s=sd(x)

 

# Vi genererer s? B = 1000 bootstrap utvalg av st?rrelse n = 20 fra normalfordelingen med forventningsverdi m og standatdavvik s og bestemmer de fire estimatene for hvert av utvalgene

n=20

B=1000

boot.mean=boot.median=boot.maxmin=boot.trim=rep(0,B)

for (i in 1:B)

{

???? x.boot=rnorm(n,m,s)

???? boot.mean[i]=mean(x.boot)

???? boot.median[i]=median(x.boot)

???? boot.maxmin[i]=(max(x.boot)+min(x.boot))/2

???? boot.trim[i]=mean(x.boot,trim=0.10)

}

 

# Vi beregner s? bootstrap estimatene for standardfeilene

sd(boot.mean)

sd(boot.median)

sd(boot.maxmin)

sd(boot.trim)