ComenzarEmpieza gratis

Mostrar los resultados de la regresión lineal

Ahora vas a mostrar tus resultados de regresión lineal en el diagrama de dispersión; el código ya está preescrito a partir del ejercicio anterior. Para ello, toma las primeras 100 muestras bootstrap (guardadas en bs_slope_reps_1975, bs_intercept_reps_1975, bs_slope_reps_2012 y bs_intercept_reps_2012) y traza las líneas usando los argumentos alpha=0.2 y linewidth=0.5 en plt.plot().

Este ejercicio forma parte del curso

Pensamiento estadístico en Python (Parte 2)

Ver curso

Instrucciones del ejercicio

  • Genera los valores de \(x\) para las líneas bootstrap usando np.array(). Deben ser 10 mm y 17 mm.
  • Escribe un bucle for para trazar 100 de las líneas bootstrap para los conjuntos de 1975 y 2012. Las líneas del conjunto de 1975 deben ser 'blue' y las del conjunto de 2012 deben ser 'red'.
  • Pulsa Enviar para ver la gráfica.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Make scatter plot of 1975 data
_ = plt.plot(bl_1975, bd_1975, marker='.',
             linestyle='none', color='blue', alpha=0.5)

# Make scatter plot of 2012 data
_ = plt.plot(bl_2012, bd_2012, marker='.',
             linestyle='none', color='red', alpha=0.5)

# Label axes and make legend
_ = plt.xlabel('beak length (mm)')
_ = plt.ylabel('beak depth (mm)')
_ = plt.legend(('1975', '2012'), loc='upper left')

# Generate x-values for bootstrap lines: x
x = np.array([____, ____])

# Plot the bootstrap lines
for i in range(100):
    plt.plot(____, ____,
             linewidth=0.5, alpha=0.2, color=____)
    plt.plot(____, ____,
             linewidth=0.5, alpha=0.2, color=____)

# Draw the plot again
plt.show()
Editar y ejecutar código