LoslegenKostenlos loslegen

Bootstrap visualisieren

Wir knüpfen an den früheren Stand in dieser Lektion an und visualisieren die Bootstrap-Verteilung der Geschwindigkeiten, die per Bootstrap-Resampling geschätzt wurden. Dabei haben wir für jede Stichprobe eine Ausgleichsgerade (Least Squares) für die Steigung berechnet, um die Variation bzw. Unsicherheit unserer Steigungsschätzung zu testen.

Zum Einstieg haben wir die Funktion compute_resample_speeds(distances, times) vorab geladen. Sie übernimmt die Berechnung und erzeugt die Stichprobenverteilung der Geschwindigkeit.

Diese Übung ist Teil des Kurses

Einführung in lineares Modellieren mit Python

Kurs anzeigen

Anleitung zur Übung

  • Verwende die vordefinierte Funktion compute_resample_speeds(distances, times), um die resample_speeds zu berechnen.
  • Verwende np.mean(), um die speed_estimate aus den resample_speeds zu bestimmen.
  • Verwende np.percentile() mit [5, 95], um die percentiles der resample_speeds zu berechnen, die die Grenzen des Konfidenzintervalls definieren.
  • Verwende axis.hist(), um die resample_speeds zu plotten, und gib die Bins mit hist_bin_edges an.
  • Verwende axis.axvline und gib die richtigen zwei Indizes von percentiles an, um die Grenzen des Konfidenzintervalls im Diagramm zu markieren.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# 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()
Code bearbeiten und ausführen