Začněte nyníZačněte zdarma

Jak závisí efekt proudu na pozici dráhy?

Abys mohl/a kvantifikovat vliv čísla dráhy na výkon, proveď lineární regresi dat f_13 v závislosti na lanes. Pomocí párového bootstrapu vypočítej 95% interval spolehlivosti. Nakonec sestav graf regrese. Pole lanes a f_13 jsou dostupná v tvém jmenném prostoru.

Poznámka: mohli bychom sice vypočítat chybové úsečky pro střední zlomkové rozdíly a použít je v regresi, ale to je nad rámec tohoto kurzu.

Toto cvičení je součástí kurzu

Případové studie ve statistickém myšlení

Zobrazit kurz

Pokyny k cvičení

  • Vypočítej sklon a průsečík přímky f_13 v závislosti na lanes pomocí np.polyfit().
  • Pomocí dcst.draw_bs_pairs_linreg() získej 10 000 bootstrapových replikátů sklonu a průsečíku a ulož je do bs_reps_slope a bs_reps_int.
  • Na základě bootstrapových replikátů vypočítej 95% interval spolehlivosti pro sklon.
  • Vypiš sklon a 95% interval spolehlivosti na obrazovku. Tento krok je již hotový.
  • Pomocí np.array() vygeneruj hodnoty osy x pro graf bootstrapových přímek. x by mělo jít od 1 do 8.
  • Graf již obsahuje data. Napiš smyčku for, která přidá do grafu 100 bootstrapových přímek s použitím argumentů color='red', alpha=0.2 a linewidth=0.5.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Compute the slope and intercept of the frac diff/lane curve
____, ____ = ____

# Compute bootstrap replicates
bs_reps_slope, bs_reps_int = ____

# Compute 95% confidence interval of slope
conf_int = ____

# Print slope and confidence interval
print("""
slope: {0:.5f} per lane
95% conf int: [{1:.5f}, {2:.5f}] per lane""".format(slope, *conf_int))

# x-values for plotting regression lines
x = ____

# Plot 100 bootstrap replicate lines
for i in ____:
    _ = ____(____, ____[i] * ____ + ____[i], 
                 color='red', alpha=0.2, linewidth=0.5)
   
# Update the plot
plt.draw()
plt.show()
Upravit a spustit kód