ComenzarEmpieza gratis

Trazar regresiones bootstrap

Una forma muy útil de visualizar la variabilidad que podemos esperar en una regresión lineal es trazar la recta que obtendrías con cada réplica bootstrap de la pendiente y la intersección. Hazlo para las primeras 100 réplicas bootstrap de la pendiente y la intersección (almacenadas como bs_slope_reps y bs_intercept_reps).

Este ejercicio forma parte del curso

Pensamiento estadístico en Python (Parte 2)

Ver curso

Instrucciones del ejercicio

  • Genera un array de valores de \(x\) compuesto por 0 y 100 para el gráfico de las rectas de regresión. Usa la función np.array() para ello.
  • Escribe un bucle for en el que traces una recta de regresión con una pendiente y una intersección dadas por las réplicas bootstrap por pares. Hazlo para 100 rectas.
    • Al trazar las rectas de regresión en cada iteración del bucle for, recuerda la ecuación de regresión y = a*x + b. Aquí, a es bs_slope_reps[i] y b es bs_intercept_reps[i].
    • Especifica los argumentos con nombre linewidth=0.5, alpha=0.2 y color='red' en tu llamada a plt.plot().
  • Haz un diagrama de dispersión con illiteracy en el eje x y fertility en el eje y. Recuerda especificar los argumentos con nombre marker='.' y linestyle='none'.
  • Etiqueta los ejes, pon un margen del 2% y muestra el gráfico. Esto ya está hecho por ti, así que pulsa Enviar para visualizar las regresiones bootstrap.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Generate array of x-values for bootstrap lines: x
x = ____

# Plot the bootstrap lines
for i in range(____):
    _ = plt.plot(____, 
                 ____*x + ____,
                 ____=0.5, ____=0.2, ____='red')

# Plot the data
_ = ____

# Label axes, set the margins, and show the plot
_ = plt.xlabel('illiteracy')
_ = plt.ylabel('fertility')
plt.margins(0.02)
plt.show()
Editar y ejecutar código