Začněte nyníZačněte zdarma

Vykreslení křivky růstu

V předchozím cvičení jsi viděl/a, že konfidenční interval křivky růstu je velmi úzký. Tady si to prozkoumáme graficky — vykreslíme několik bootstrapových přímek společně s křivkou růstu. Použijeme funkci plt.semilogy(), která zobrazí osu y v logaritmickém měřítku. Teoretickou přímku lineární regrese proto před vykreslením musíš transformovat pomocí exponenciální funkce.

Toto cvičení je součástí kurzu

Případové studie ve statistickém myšlení

Zobrazit kurz

Pokyny k cvičení

  • Vykresli datové body pomocí plt.semilogy(). numpy pole t a bac_area jsou opět dostupná ve tvém jmenném prostoru.
  • Pomocí np.array() vygeneruj časové hodnoty pro vykreslení bootstrapových přímek. Ulož je do proměnné t_bs. Čas by měl pokrývat rozsah od 0 do 14 hodin.
  • Napiš cyklus for, který vykreslí regresní přímky odpovídající prvním 100 párům bootstrapových replikátů. numpy pole growth_rate_bs_reps a log_a0_bs_reps, která jsi vypočítal/a v předchozím cvičení, jsou dostupná ve tvém jmenném prostoru.
    • Křivku růstu vypočítej exponencováním přímky lineární regrese pomocí np.exp().
    • Teoretickou přímku vykresli pomocí plt.semilogy() s pojmenovanými argumenty linewidth=0.5, alpha=0.05 a color='red'.
  • Pojmenuj osy a zobraz graf. Vhodné popisky pro osu x a y jsou 'time (hr)' a 'area (sq. µm)'.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Plot data points in a semilog-y plot with axis labeles
_ = ____(____, ____, marker='.', linestyle='none')

# Generate x-values for the bootstrap lines: t_bs
t_bs = ____([____, ____])

# Plot the first 100 bootstrap lines
for i in range(____):
    y = ____(____[i] * ____ + ____[i])
    _ = ____(____, ____, linewidth=____, alpha=____, color=____)
    
# Label axes and show plot
_ = plt.xlabel('____')
_ = plt.ylabel('____')
____
Upravit a spustit kód