EmpezarEmpieza gratis

¿Cómo depende el efecto de la corriente de la posición de la calle?

Para cuantificar el efecto del número de calle en el rendimiento, realiza una regresión lineal de f_13 frente a lanes. Haz un bootstrap por pares para obtener un intervalo de confianza del 95%. Por último, representa la regresión en una gráfica. Los arrays lanes y f_13 están en tu espacio de nombres.

Ten en cuenta que podríamos calcular barras de error sobre las diferencias fraccionarias medias y usarlas en la regresión, pero eso queda fuera del alcance de este curso.

Este ejercicio forma parte del curso

Casos prácticos de pensamiento estadístico

Ver curso

Instrucciones del ejercicio

  • Calcula la pendiente y la intersección de la recta f_13 frente a lanes usando np.polyfit().
  • Usa dcst.draw_bs_pairs_linreg() para obtener 10 000 réplicas bootstrap de la pendiente y la intersección, guardándolas respectivamente en bs_reps_slope y bs_reps_int.
  • Usa las réplicas bootstrap para calcular un intervalo de confianza del 95% para la pendiente.
  • Imprime en pantalla la pendiente y el intervalo de confianza del 95%. Esto ya está hecho por ti.
  • Con np.array(), genera los valores de x para la gráfica de las rectas bootstrap. x debe ir desde 1 hasta 8.
  • La gráfica ya incluye los datos. Escribe un bucle for para añadir 100 rectas bootstrap a la gráfica usando los argumentos de palabra clave color='red', alpha=0.2 y linewidth=0.5.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# 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()
Editar y ejecutar código