EmpezarEmpieza gratis

Representar la curva de crecimiento

En el ejercicio anterior viste que el intervalo de confianza de la curva de crecimiento es muy estrecho. Aquí lo explorarás de forma gráfica trazando varias rectas bootstrap junto con la curva de crecimiento. Usarás la función plt.semilogy() para hacer el gráfico con el eje y en escala logarítmica. Esto significa que tendrás que transformar la recta de regresión lineal teórica para poder representarla, exponenciándola.

Este ejercicio forma parte del curso

Casos prácticos de pensamiento estadístico

Ver curso

Instrucciones del ejercicio

  • Representa los puntos de datos usando plt.semilogy(). Los numpy arrays t y bac_area están de nuevo en tu espacio de nombres.
  • Usa np.array() para generar valores de tiempo con los que trazar las rectas bootstrap. Llámalo t_bs. El tiempo debe ir de 0 a 14 horas.
  • Escribe un bucle for para trazar las rectas de regresión correspondientes a los 100 primeros pares de réplicas bootstrap. Los numpy arrays growth_rate_bs_reps y log_a0_bs_reps que calculaste en el ejercicio anterior están en tu espacio de nombres.
    • Calcula la curva de crecimiento exponenciando la recta de regresión lineal con np.exp().
    • Traza la recta teórica usando plt.semilogy() con los argumentos con nombre linewidth=0.5, alpha=0.05 y color='red'.
  • Etiqueta los ejes y muestra tu gráfico. Etiquetas adecuadas para los ejes x e y, respectivamente, son 'time (hr)' y 'area (sq. µm)'.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# 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('____')
____
Editar y ejecutar código