CommencezCommencez gratuitement

Visualiser le bootstrap

En reprenant là où nous nous sommes arrêtés plus tôt dans cette leçon, visualisons la distribution bootstrap des vitesses estimées par rééchantillonnage bootstrap, où nous avons ajusté une pente par moindres carrés pour chaque échantillon afin d'évaluer la variation ou l'incertitude de notre estimation de pente.

Pour vous aider à démarrer, nous avons préchargé une fonction compute_resample_speeds(distances, times) qui effectue le calcul pour générer la distribution d'échantillons de vitesse.

Cette activité fait partie du cours

Introduction aux modèles linéaires en Python

Voir le cours

Instructions de l’exercice

  • Utilisez la fonction prédéfinie compute_resample_speeds(distances, times) pour calculer resample_speeds.
  • Utilisez np.mean() pour calculer speed_estimate à partir de resample_speeds.
  • Utilisez np.percentile() avec [5, 95] pour calculer percentiles de resample_speeds, ce qui définit les bornes de l'intervalle de confiance.
  • Utilisez axis.hist() pour tracer resample_speeds, en spécifiant les classes avec hist_bin_edges.
  • À l'aide de axis.axvline, indiquez les deux bons indices de percentiles pour marquer les bornes de l'intervalle de confiance sur le graphique.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Create the bootstrap distribution of speeds
resample_speeds = compute_resample_speeds(____, ____)
speed_estimate = np.mean(____)
percentiles = np.percentile(____, [5, 95])

# Plot the histogram with the estimate and confidence interval
fig, axis = plt.subplots()
hist_bin_edges = np.linspace(0.0, 4.0, 21)
axis.hist(____, ____, color='green', alpha=0.35, rwidth=0.8)
axis.axvline(speed_estimate, label='Estimate', color='black')
axis.axvline(percentiles[____], label=' 5th', color='blue')
axis.axvline(percentiles[____], label='95th', color='blue')
axis.legend()
plt.show()
Modifier et exécuter le code