Vizualizace bootstrapu

Navážeme na to, co jsme dělali dříve v této lekci, a vizualizujeme bootstrapové rozdělení rychlostí odhadnutých pomocí bootstrap resamplingů. Pro každý vzorek jsme vypočítali fit metodou nejmenších čtverců pro směrnici přímky, abychom otestovali variabilitu a nejistotu jejího odhadu.

Pro usnadnění práce jsme pro tebe předpřipravili funkci compute_resample_speeds(distances, times), která generuje vzorkové rozdělení rychlostí.

Toto cvičení je součástí kurzu

Úvod do lineárního modelování v Pythonu

Zobrazit kurz

Pokyny k cvičení

Pomocí předpřipravené funkce compute_resample_speeds(distances, times) vypočítej resample_speeds.
Pomocí np.mean() vypočítej speed_estimate z resample_speeds.
Pomocí np.percentile() s hodnotou [5, 95] vypočítej percentiles z resample_speeds — ty definují hranice intervalu spolehlivosti.
Pomocí axis.hist() vykresli resample_speeds a urči sloupce pomocí hist_bin_edges.
Pomocí axis.axvline zadej správné dva indexy z percentiles, které označí hranice intervalu spolehlivosti v grafu.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Create the bootstrap distribution of speeds
resample_speeds = compute_resample_speeds(____, ____)
speed_estimate = np.mean(____)
percentiles = np.percentile(____, [5, 95])

# Plot the histogram with the estimate and confidence interval
fig, axis = plt.subplots()
hist_bin_edges = np.linspace(0.0, 4.0, 21)
axis.hist(____, ____, color='green', alpha=0.35, rwidth=0.8)
axis.axvline(speed_estimate, label='Estimate', color='black')
axis.axvline(percentiles[____], label=' 5th', color='blue')
axis.axvline(percentiles[____], label='95th', color='blue')
axis.legend()
plt.show()

Upravit a spustit kód