Visualiza el bootstrap

Siguiendo desde donde lo dejamos en esta lección, vamos a visualizar la distribución bootstrap de velocidades estimadas mediante remuestreo bootstrap. Para cada muestra ajustamos por mínimos cuadrados la pendiente, para evaluar la variación o incertidumbre en nuestra estimación de la pendiente.

Para empezar, hemos precargado una función compute_resample_speeds(distances, times) que realiza el cálculo para generar la distribución muestral de la velocidad.

Este ejercicio forma parte del curso

Introducción al modelado lineal en Python

Ver curso

Instrucciones del ejercicio

Usa la función predefinida compute_resample_speeds(distances, times) para calcular resample_speeds.
Usa np.mean() para calcular speed_estimate a partir de resample_speeds.
Usa np.percentile() con [5, 95] para calcular los percentiles de resample_speeds, que definen los límites del intervalo de confianza.
Usa axis.hist() para representar resample_speeds, especificando los bins con hist_bin_edges.
Usando axis.axvline, indica los dos índices correctos de percentiles para marcar en el gráfico los límites del intervalo de confianza.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# 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()

Editar y ejecutar código