CommencezCommencez gratuitement

Comment l'effet du courant varie-t-il selon la position de la ligne d'eau?

Pour quantifier l'effet du numéro de ligne d'eau sur la performance, effectuez une régression linéaire de f_13 en fonction de lanes. Faites ensuite un bootstrap par paires pour obtenir un intervalle de confiance à 95 %. Enfin, tracez la droite de régression. Les tableaux lanes et f_13 sont déjà dans votre espace de travail.

Notez qu'on pourrait calculer des barres d'erreur sur les différences fractionnaires moyennes et les utiliser dans la régression, mais cela dépasse la portée de ce cours.

Cette activité fait partie du cours

Études de cas en pensée statistique

Voir le cours

Instructions de l’exercice

  • Calculez la pente et l'ordonnée à l'origine de la droite f_13 en fonction de lanes à l'aide de np.polyfit().
  • Utilisez dcst.draw_bs_pairs_linreg() pour obtenir 10 000 répliques bootstrap de la pente et de l'ordonnée à l'origine, à stocker respectivement dans bs_reps_slope et bs_reps_int.
  • Utilisez ces répliques bootstrap pour calculer un intervalle de confiance à 95 % pour la pente.
  • Affichez la pente et l'intervalle de confiance à 95 % à l'écran. Cela a été fait pour vous.
  • À l'aide de np.array(), générez les valeurs de x à utiliser pour tracer les lignes bootstrap. x doit aller de 1 à 8.
  • Le graphique contient déjà les données. Écrivez une boucle for pour ajouter 100 lignes bootstrap au graphique en utilisant les arguments color='red', alpha=0.2 et linewidth=0.5.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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()
Modifier et exécuter le code