LoslegenKostenlos loslegen

Wie hängt der Strömungseffekt von der Bahnposition ab?

Um den Einfluss der Bahnnummer auf die Leistung zu quantifizieren, führe eine lineare Regression der Daten f_13 gegen lanes durch. Führe eine Pairs-Bootstrap-Berechnung durch, um ein 95%-Konfidenzintervall zu erhalten. Erstelle schließlich eine Grafik der Regression. Die Arrays lanes und f_13 befinden sich in deinem Namespace.

Hinweis: Wir könnten Fehlerspannen für die mittleren relativen Unterschiede berechnen und sie in der Regression verwenden, aber das liegt außerhalb des Umfangs dieses Kurses.

Diese Übung ist Teil des Kurses

Fallstudien zum statistischen Denken

Kurs anzeigen

Anleitung zur Übung

  • Berechne die Steigung und den Achsenabschnitt der Linie f_13 gegen lanes mit np.polyfit().
  • Verwende dcst.draw_bs_pairs_linreg(), um 10.000 Bootstrap-Replikate der Steigung und des Achsenabschnitts zu erhalten, und speichere sie in bs_reps_slope bzw. bs_reps_int.
  • Nutze die Bootstrap-Replikate, um ein 95%-Konfidenzintervall für die Steigung zu berechnen.
  • Gib die Steigung und das 95%-Konfidenzintervall auf dem Bildschirm aus. Das wurde bereits für dich erledigt.
  • Erzeuge mit np.array() x-Werte für die Darstellung der Bootstrap-Linien. x soll von 1 bis 8 gehen.
  • Das Diagramm ist bereits mit den Daten gefüllt. Schreibe eine for-Schleife, um 100 Bootstrap-Linien mit den Schlüsselwortargumenten color='red', alpha=0.2 und linewidth=0.5 hinzuzufügen.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# 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()
Code bearbeiten und ausführen