LoslegenKostenlos starten

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

<Kurs>Fallstudien zum statistischen Denken</Kurs>
Kurs ansehen

Übungsanweisungen

  • 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 praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# 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