CommencerCommencer gratuitement

Comment l’effet du courant dépend-il de la position dans 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. Réalisez 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 disponibles dans votre espace de travail.

Notez que l’on pourrait calculer des barres d’erreur sur les différences fractionnelles moyennes et les utiliser dans la régression, mais cela dépasse le cadre de ce cours.

Cet exercice fait partie du cours

Études de cas en pensée statistique

Afficher le cours

Instructions

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

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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