Intervalles de confiance de base

Vous êtes scientifique des données pour un fabricant de feux d'artifice à Des Moines, en Iowa. Vous devez démontrer à la ville que le grand spectacle de votre entreprise n'a pas nui à la qualité de l'air. Pour ce faire, vous examinez les niveaux moyens de polluants durant la semaine suivant le 4 juillet et vous les comparez aux relevés effectués après votre dernier spectacle. En montrant des intervalles de confiance autour des moyennes, vous pouvez démontrer que les relevés récents se situent bien dans la plage normale.

Ces données sont chargées dans average_ests, avec une ligne par polluant mesuré.

Cette activité fait partie du cours

Améliorer vos visualisations de données en Python

Voir le cours

Instructions de l’exercice

Créez les bornes de l'intervalle à 95 % :
- Créez la borne inférieure en soustrayant 1,96 erreurs-types ('std_err') de la 'mean' des estimations.
- Créez la borne supérieure en ajoutant 1,96 erreurs-types ('std_err') à la 'mean' des estimations.
Passez pollutant comme variable de facettage à sns.FacetGrid() et dissociez les axes des x des graphiques afin que les intervalles soient bien proportionnés.
Passez les bornes d'intervalle construites à la fonction mappée plt.hlines().

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Construct CI bounds for averages
average_ests['lower'] = average_ests['____'] - 1.96*average_ests['____']
average_ests['upper'] = average_ests['____'] + 1.96*average_ests['____']

# Setup a grid of plots, with non-shared x axes limits
g = sns.FacetGrid(average_ests, row = '____', ____ = False)

# Plot CI for average estimate
g.map(plt.hlines, 'y', '____', '____')

# Plot observed values for comparison and remove axes labels
g.map(plt.scatter, 'seen', 'y', color = 'orangered').set_ylabels('').set_xlabels('') 

plt.show()

Modifier et exécuter le code