Die Wachstumskurve plotten
In der vorherigen Übung hast du gesehen, dass das Konfidenzintervall der Wachstumskurve sehr eng ist. Das untersuchst du hier grafisch, indem du mehrere Bootstrap-Linien zusammen mit der Wachstumskurve darstellst. Verwende dazu die Funktion plt.semilogy(), um die y-Achse logarithmisch zu skalieren. Das bedeutet, dass du deine theoretische lineare Regressionskurve für die Darstellung durch Exponentiation transformieren musst.
Diese Übung ist Teil des Kurses
<Kurs>Fallstudien zum statistischen Denken</Kurs>Übungsanweisungen
- Plotte die Datenpunkte mit
plt.semilogy(). Dienumpy-Arraystundbac_areabefinden sich wieder in deinem Namespace. - Verwende
np.array(), um Zeitwerte zum Plotten der Bootstrap-Linien zu erzeugen. Nenne dast_bs. Die Zeit soll von 0 bis 14 Stunden gehen. - Schreibe eine
for-Schleife, um Regressionslinien zu plotten, die den ersten 100 Paaren von Bootstrap-Replikaten entsprechen. Dienumpy-Arraysgrowth_rate_bs_repsundlog_a0_bs_reps, die du in der letzten Übung berechnet hast, sind in deinem Namespace.- Berechne die Wachstumskurve, indem du die lineare Regressionsgerade mit
np.exp()exponentiierst. - Plotte die theoretische Linie mit
plt.semilogy()und den Keyword-Argumentenlinewidth=0.5,alpha=0.05undcolor='red'.
- Berechne die Wachstumskurve, indem du die lineare Regressionsgerade mit
- Beschrifte die Achsen und zeige den Plot an. Geeignete Beschriftungen für die x- bzw. y-Achse sind
'time (hr)'und'area (sq. µm)'.
Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# 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('____')
____