L'histogramme du bootstrap
Vous envisagez des vacances à Cincinnati en mai, mais vous avez une forte sensibilité au NO2. Vous avez extrait quelques années de données de pollution pour Cincinnati en mai et vous examinez une estimation par bootstrap de la moyenne des niveaux de NO2. Comme vous ne disposez que d'une seule estimation, la meilleure façon de visualiser les résultats de vos estimations par bootstrap est d'utiliser un histogramme.
Même si vous, vous trouvez l'intuition de l'histogramme bootstrap suffisante, votre partenaire qui vous accompagnera en voyage préfère voir des intervalles en pourcentage. Pour l'accommoder, vous décidez de mettre en évidence l'intervalle à 95 % en ombrant la zone correspondante.
Cette activité fait partie du cours
Améliorer vos visualisations de données en Python
Instructions de l’exercice
- Fournissez à la fonction
percentile()les centiles inférieur et supérieur nécessaires pour obtenir un intervalle à 95 %. - Ombrer l'arrière-plan du graphique pour la portion correspondant à l'intervalle à 95 %.
- Tracer l'histogramme des moyennes bootstrap avec 100 classes.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
cinci_may_NO2 = pollution.query("city == 'Cincinnati' & month == 5").NO2
# Generate bootstrap samples
boot_means = bootstrap(cinci_may_NO2, 1000)
# Get lower and upper 95% interval bounds
lower, upper = np.percentile(boot_means, [____, ____])
# Plot shaded area for interval
plt.axvspan(____, ____, color = 'gray', alpha = 0.2)
# Draw histogram of bootstrap samples
sns.histplot(____, ____ = 100)
plt.show()